Снижение уровня банковского риска посредством прецедентного моделирования кредитной ситуации тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Черников, Константин Сергеевич
- Специальность ВАК РФ05.13.18
- Количество страниц 151
Оглавление диссертации кандидат технических наук Черников, Константин Сергеевич
Оглавление
Введение
Глава I Риск кредитования в банковской сфере
§1.1. Предметная область «Риск кредитования»
1.1.1. Риск кредитования
1.1.2. Оценка кредитоспособности
§ 1.2. Информационные средства поддержки принятия решения в
задачах кредитования
1.2.1. Методы поддержки принятия решения
1.2.2. Существующие системы уменьшения кредитного риска...29 § 1.3. Проблемы и задачи поддержки принятия решения в процессах
кредитования
§ 1.4. Постановка задачи
Выводы по первой главе
Глава II Разработка системы поддержки процесса
кредитования
§ 2.1. Формализация предметной области
2.1.1. Модель кредитной ситуации
2.1.2. Синдромный портрет заемщика
§ 2.2. Схема решения задачи кредитования
2.2.1. Общая схема решения
2.2.2. Вывод на основе прецедентов
2.2.3. Нечеткая логика
2.2.4. Нейронная сеть
2.2.5. Теория игр
2.2.6. Интеграционная результирующая оценка
Выводы по второй главе
Глава III Проектирование системы поддержки процесса
кредитования
§ 3.1. Этапы создания системы поддержки процесса
кредитования
§ 3.2 Проектирование системы поддержки процесса кредитования с
помощью диаграмм ЦМЬ
§ 3.3 Структурная модель системы поддержки процесса
кредитования
§ 3.4 Проектирование структуры БП для системы поддержки процесса
кредитования
Выводы по третьей главе
Глава IV Реализация системы поддержки процесса кредитования
§4.1. Реализация системы поддержки процесса кредитования
§ 4.2. Тестирование системы поддержки процесса кредитования
§4.3. Оценка качества системы поддержки процесса кредитования
Выводы по четвертой главе
Заключение
Список литературы
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Разработка инструментария для анализа кредитоспособности предприятия в условиях неопределенности2003 год, кандидат экономических наук Ворыханов, Максим Викторович
Скоринговые модели и средства управления рисками для поддержки принятия кредитных решений2007 год, кандидат экономических наук Уланов, Сергей Викторович
Модели и алгоритмы поддержки управленческих решений процесса потребительского кредитования в коммерческих банках2012 год, кандидат технических наук Колоткова, Светлана Владимировна
Математическое моделирование процесса принятия решений о выдаче кредитов в условиях риска2004 год, кандидат технических наук Трутнев, Дмитрий Николаевич
Структурно-параметрический синтез системы информационной поддержки управленческих решений при кредитовании малого и среднего бизнеса2006 год, кандидат технических наук Игнатенко, Анатолий Николаевич
Введение диссертации (часть автореферата) на тему «Снижение уровня банковского риска посредством прецедентного моделирования кредитной ситуации»
Введение
Несмотря на быстрое распространение практики управления рисками в банках и других финансовых учреждениях до сих пор существуют различные подходы к определению рисков, что во многом вызвано уникальностью ситуации в каждом отдельном банке. Все это затрудняет разработку единых норм и правил управления ими.
Последняя четверть 20 и начало 21 века явилась периодом глубоких изменений в банковском деле индустриально развитых стран, многочисленных новшеств в организации, методах управления банками и формах обслуживания делового сектора и различных групп населения. Эти процессы затронули все индустриальные и некоторые развивающиеся страны, многие специалисты называют их "финансовой революцией". Приемы и методы банковской деятельности усложняются, приобретают новые черты. Возникают новые, оригинальные виды финансовых операций и услуг. Одновременно существенно возрастают и риски, связанные с банковской деятельностью.
Актуальность работы.
Моделирование как процесс углубления познания - одно из средств отображения явлений и процессов реального мира, полнее раскрывающий их сущность, базируется как на строгих научных теориях, принципах и методах, так и на интуиции и эвристиках - алгоритмах творчества. Анализ методов и средств моделирования сложных объектов приводит к выводу, что с расширением возможностей реализации моделей существенно расширяется и спектр задач, решаемых методами моделирования, которым присуща проблема принятия решений.
В настоящее время ситуация на мировых финансовых рынках, спровоцированная кризисом на ипотечном рынке США, продолжает усугубляться. Это характеризуется выводом средств инвесторов с развивающихся рынков, в том числе из России, а также банкротством
крупнейших инвестиционных банков. Происходящие в мире события негативно сказываются и на российском финансовом рынке.
В этих условиях для банков становится очень важной разработка соответствующего механизма расчета, оценки, контроля и управления рисками.
В современном обществе наблюдается общая тенденция - нехватка высококвалифицированных кадров в связи с оттоком их из научно-исследовательских учреждений, повышение требований к интенсивности и качеству производства, конкуренция на данном секторе рынка. Все это обусловливает актуальность компьютерных систем поддержки принятия решения для задачи кредитования. Решение таких задач требует не только знаний теории экономики, кредитования, психологии заемщиков, которыми в большей степени обладают наиболее опытные специалисты, но и знаний, основанных на интуиции и многолетнем опыте. Таким образом, задача кредитования в разрезе решения о предоставлении кредита во многом является творческой, базируется на эмпирическом опыте специалистов, а эффективность результатов во многом определяется наличием этих знаний и опыта у специалистов.
Применяемые в данной области методы и средства моделирования не
отвечают в полной мере задачам воспроизводства реального человеческого
опыта и знаний специалистов-практиков. В то же время исследования в
области искусственного интеллекта и экспертных систем в частности
показали эффективность применения для таких случаев интеллектуальных
систем поддержки принятия решений, основанных на экспертных знаниях.
Известны теоретические работы и практические внедрения в этой области
научных коллективов под руководством таких известных отечественных и
1 2
зарубежных ученых, как Поспелов Д.А. , Загоруйко Н.Г. , Переверзев-Орлов
1 Десять «горячих точек» в исследованиях по искусственному интеллекту // Интеллектуальные системы (МГУ). — 1996. — Т.1, вып. 1-4. — С.47-56.
2 Формирование базы лексических функций и других отношений для онтологии предметной области // Труды международной конференции Диалог-2004. М.: Наука, 2004. С.202-204.
B.C.3, и других. Однако в области уменьшения кредитного риска задача разработки и применения интеллектуальных систем поддержки принятия решений остается нерешенной. Актуальность задач, связанных с разработкой и внедрением таких систем определило те цели и задачи, которые исследуются в диссертационной работе.
В силу недостаточности знаний об объектах кредитования и множестве ситуаций, в которых определяется необходимая информация, получить точную модель поведения банка и заемщика не представляется возможным.
При выдаче кредитов, необходимо обладать пониманием конкретной ситуации, то есть учитывать все ее стороны (банк-заемщик-кредитная ситуация) и возможные варианты развития событий.
Всякая кредитная ситуация характеризуется определенным набором данных. Он может быть полным, тогда принимаемое решение на его основе будет наиболее верным (с определенной вероятностью) и риск может быть сведен к минимальному уровню, который в данный момент, может быть, достигнут, однако еще остается плохо снижаемый остаток риска. Когда набор данных не обладает полнотой и высокой достоверностью, решения не могут быть качественными и риск невозврата кредита увеличивается.
Для определения достаточности набора ситуационных данных можно воспользоваться следующим приемом: за основу набора брать ту совокупность данных, которую банк получает по традиционно принятой процедуре, и которая в лучшем случае дает примерно девяносто пять процентов уверенности в правильности принимаемого решения. Следовательно, около пяти процентов - это «неснижаемый риск», то есть, уменьшить его нельзя традиционными способами, требуются дополнительные действия.
Улучшить ситуацию по сокращению оставшегося риска можно только в одном случае - получением новой дополняющей информации к
3 Динамический синдромный анализ, распознавания образов (ММРО-14)»,
14 Всероссийская конференция «Математические методы Суздаль, 21-26 сентября 2009 г., стр. 165-167.
имеющейся. Множество набранных произвольных данных в кредитной ситуации обладает высокой энтропией. Но когда эти данные организованы или структурированы по заданному правилу - энтропия ситуации уменьшается.
Актуальность рассмотрения в диссертационной работе темы уменьшения банковских кредитных рисков заключается еще и в том, что данная проблема в России разрабатывалась достаточно мало. В отечественной литературе практически полностью отсутствуют комплексные исследования в данной области. Существуют отдельные публикации специалистов, по отдельным определенным видам риска, но работ, рассматривающих автоматизированную систему уменьшения кредитных рисков банка, реально не существует. Что касается решения данной проблемы на практике, то следует отметить, что российские банки стали вплотную заниматься этой проблемой относительно недавно. Все это говорит об актуальности проблем, затронутых в диссертационной работе.
Цели и задачи исследования.
Целью работы является разработка информационной системы анализа и прецедентного моделирования кредитных ситуаций для снижения
банковского риска.
Для достижения названной цели решены следующие задачи:
1. Разработан алгоритм оценки кредитной ситуации, учитывающий дополнительные данные о заемщике кредита и прецедентные данные о
схожих ситуациях.
2. Разработана система извлечения и формирования дополняющей информации о заемщике (как ее источнике) и использования ее в системе
управления кредитным риском.
3. Разработана база прецедентов для хранения и обработки кредитной ситуации с учетом дополняющей информации в системе управления кредитным риском.
4. Разработана система прецедентного моделирования кредитных ситуаций, основанной на базе прецедентов, дополнительной информации о заемщике и прецедентах.
Научная новизна:
1. Разработан синдромный портрет заемщика (физического лица), позволяющий снизить неопределенность данных, описывающих кредитную ситуацию и расширить атрибутику прецедента, тем самым, при обработке повысить качество принимаемых решений.
2. Применение набора интеллектуальных методов (нечеткая база знаний, нейронная сеть, база прецедентов) с точки зрения дифференцированного подхода к обслуживанию заемщиков, позволяющему решать задачи кредитования в различных условиях (риска, неопределенности, противодействия).
3. Для формализации предметной области в условиях неопределенности применена методика нечеткой логики и построена нечеткая база знаний, позволяющая получить решение при неполных и недостоверных данных.
Практическая ценность.
Теоретическая значимость выражается в возможности дальнейшего развития методов и средств применения современных информационных технологий в процессе уменьшения риска кредитования. Практическая значимость заключается в создании и использовании более надежных методик и средств кредитования. В конечном итоге положительный эффект состоит в уменьшении риска кредитования, снижения уровня финансовых потерь и возможность накопления опыта. Такой набор знаний станет сводом квалифицированных мнений и постоянно обновляющимся справочником наилучших стратегий и методов решений вопросов кредитования. Ведущие специалисты уходят, но их опыт должен сохраняться и активно использоваться. Связывая модели, отражающие особенности рассуждений экспертов при решении профессиональных задач, с обширной
специфической информацией, система поддержки принятия решений повышает ценность и доступность экспертных знаний.
По результатам проделанной работы получены два акта внедрения.
Методы исследований. В диссертационной работе применялись методы математического моделирования, экспертных оценок, теории нечеткой логики, теории игр, нейронных сетей, теории программирования.
Основные положения, выносимые на защиту:
1. Модель кредитных ситуаций, позволяющих уменьшать остаточный банковский риск.
2. Модель получения дополнительных данных из типовых кредитных ситуаций, обеспечивающая при ее реализации улучшение качества принимаемых решений.
3. Алгоритм оценки кредитной ситуации, учитывающий дополнительные данные о заемщике кредита и прецедентные данные о схожих ситуациях, являющийся основой в созданном программном комплексе управления кредитным риском с использованием численных методов нейронной сети, экспертных оценок и аппарата нечеткой логики.
4. Программный комплекс моделирования кредитных ситуаций на основе дополнительной информации о заемщике и базы прецедентов.
Содержание работы.
Поставленные цели и задачи определили структуру работы. Работа состоит из введения, четырех глав, заключения и списка литературы.
Первая глава посвящена риску кредитования в банковской сфере. Рассматривается предметная область «Риск кредитования», оценка кредитоспособности. Рассматриваются и анализируются методы поддержки принятия решения. В завершении первой главы диссертации приводятся примеры Российских и зарубежных существующих систем уменьшения банковских рисков. Сформулирована постановка задачи.
Вторая глава посвящена разработке системы поддержки процесса
кредитования. Формализуется предметная область. Представлены модели
9
кредита и кредитной ситуации, а также модель синдромного портрета заемщика. Предлагается схема решения задачи кредитования с использованием базы прецедентов, нечеткой логики, нейронной сети и теории игр.
В третьей главе проводится проектирование системы поддержки процесса кредитования. Разработан проект системы поддержки процесса кредитования в виде диаграмм ЦМЬ, которые отображают возможные подходы к построению систем поддержки принятия решений в области кредитования и позволяют использовать эти подходы вне зависимости от конкретных языков программирования. Разработана общая структура системы поддержки процесса кредитования, позволяющая определить основные блоки системы, функции, которые они выполняют, и связи между ними.
В четвертой главе проводится реализация системы поддержки процесса кредитования. Описывается созданная система поддержки процесса кредитования, включающая «Интерфейс пользователя», основные функциональные модули и таблицы БД, построенная на основе предложенных в работе моделей и алгоритмов, позволяющая их исследовать, тестировать и доказать применимость на практике. В данной главе проведено тестирование системы поддержки процесса кредитования, показана адекватность предложенных в работе моделей и алгоритмов, доказывающая их применимость на практике. Определены области применимости предложенных моделей и алгоритмов и указаны направления дальнейшего развития системы поддержки процесса кредитования.
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Моделирование оценки кредитного риска коммерческого банка в условиях Республики Таджикистан2009 год, кандидат наук Аминов, Хакимджон Иномджонович
Оценка кредитоспособности сельхозтоваропроизводителей на основе прогноза их финансового состояния2002 год, кандидат экономических наук Полянский, Андрей Сергеевич
Метод и алгоритмы интеллектуальной поддержки принятия решений в системе розничного кредитования2009 год, кандидат технических наук Андиева, Елена Юрьевна
Эффективность кредитования коммерческими банками предприятий малого бизнеса2009 год, кандидат экономических наук Аристархов, Александр Александрович
Моделирование процесса управления ипотечным портфелем с учетом факторов риска2001 год, кандидат экономических наук Коптев, Алексей Вячеславович
Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Черников, Константин Сергеевич
Выводы по четвертой главе
1. Создан программный комплекс моделирования кредитных ситуаций на основе дополнительной информации о заемщике и базы прецедентов, внедрение которого в деятельность банка позволит сократить расходы при выдаче кредита (трудозатраты, время принятия решения) и понизить процент невозврата кредита.
2. Проведено тестирование системы поддержки процесса кредитования, показана адекватность предложенных в работе моделей и алгоритмов, доказывающая их применимость на практике.
3. Проведено моделирование кредитного риска на базе полученных программных средств, подтверждающее на практике применимость предложенного подхода.
Заключение.
Результаты применения предлагаемой системы.
1. Проведен анализ предметной области кредитования, методов управления кредитным риском и существующих систем уменьшения кредитного риска, на основе которого построен синдромный портрет заемщика, дающий возможность учитывать дополнительную информацию о заемщике, и создана модель кредитной ситуации, позволяющая формализовать задачу кредитования.
2. Разработан алгоритм управления кредитным риском на базе набора интеллектуальных методов, позволяющий решать задачу кредитования в различных условиях.
3. Разработан алгоритм поиска в базе прецедентов аналога для текущей кредитной ситуации, описание которой представлено в виде синдромного портрета заемщика и модели кредитной ситуации, предлагаемой в работе. Данный алгоритм позволяет учитывать специфику задачи кредитования.
4. Разработана нечеткая база знаний, в основу которой положены знания от экспертов по оценке кредитных ситуаций, позволяющая при значительной неопределенности входных данных решать задачу кредитования.
5. Спроектирована система управления кредитным риском, внедрение которой в деятельность банка позволит сократить расходы при выдаче кредита (трудозатраты, время принятия решения) и понизить процент невозврата кредита.
6. Проведено моделирование кредитного риска на базе полученных программных средств, подтверждающее на практике применимость предложенного подхода.
Список литературы диссертационного исследования кандидат технических наук Черников, Константин Сергеевич, 2012 год
Список литературы
1. Абдрахимов Д. А., Иоффин А. И. Универсальная информационно-аналитическая система поддержки принятия решений "ОЦЕНКА и ВЫБОР": от проблематики к концепции построения и применения // Ежемесячный научно-технический сборник "Научно-техническая информация" Выпуск 1. 1999 год. Серия 1. [Электронный ресурс] -Электрон. текстовые дан. - Режим доступа: http://www.deol.ru/users/DecisionSupDorter/publications/ntiarti.litml
20.05.11 г.
2. Александрова Н.Г., Александров H.A. Банки и банковская деятельность для клиентов.-СПб. Литер, 2002. - 246 с.
3. Андрейчиков А. В., Терелянский П. В., Андрейчикова О. Н. Информационные технологии прогнозирования технических решений на основе иерархических моделей. - Волгоград : РПК «Политехник», 2004. - 121 с.
4. Асаи К., Ватада Д., Иваи С. Прикладные нечеткие системы /Под ред. Т. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993. - 368 с.
5. Астахов А. В. Системный подход к управлению рисками крупных российских коммерческих банков //Деньги и кредит, 1998, №1. - С. 56-68.
6. Балабанов И.Т. Банки и банковское дело. - СПб: Питер, 2007. -304 с.
7. Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / Под ред. Н.Г. Ярушкиной. - М.: ФИЗМАТЛИТ, 2007. - 208 с.
8. Бек К. Экстремальное программирование: разработка через тестирование. Библиотека программиста. - СПб.: Питер, 2003. 224 с.
9. Берлинский К. Набор серебряных пуль. Справочник удачных проектных решений при разработке программного обеспечения. [Электронный ресурс] - Электрон, текстовые дан. - Режим доступа: http://www.metodolog.ru/00242/00242.html 12.05.11г.
10. Буянов В.П., Кирсанов К.А., Михайлов JIM. Рискология (управление рисками) - М.: Издательство «Экзамен», 2003. - 384 с.
11. Валиев М.Ш. Банковский кредит как фактор разрешения противоречий развития реального и монетарного сектора экономики.// Экономика и управление, 2003, №2- с.66-71.
12. Варфоломеев В.И., Воробьев С.Н. Принятие управленческих решений -М.: КУДИЦ-ОБРАЗ, 2001.- 288 с.
13. Виноградов В.В. О положении в экономике и банковской системе. //Бизнес и банки №11, март 1996. - С. 18-22.
14. Волков В.Н. Искусство формализации: от математики - к теории систем и от теории систем - к математике. - СПб: СПбГТУ, 2000 - 199 с.
15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. с. 384.
16. Грекул В. И., Денищенко Г. Н., Коровкина Н. JI. Проектирование информационных систем - М.: БИНОМ - 2005, 304 с.
17. Данилова Т.Н. Проблемы неопределенности, информации и риска кредитования коммерческими банками.// Финансы и кредит,2004,№2.-с.2-14.
18. Джарратано Д., Райлт Г. Экспертные системы: принципы разработки и программирование, 4-е издание. / Пер. с англ. - М.: ООО «И.Д. Вильяме», 2007. - 1152 с.
19. Дробозина JI.A., Окунева Л.П. и др. Финансы. Денежное обращение. Кредит: Учебник для вузов.- М.: ЮНИТИ, 2007. - 479 с.
20. Дубина О. ARIS - некоторые аспекты использования. [Электронный ресурс] - Электрон. текстовые дан. - Режим доступа: http://www.bankir.ru/ 21.07.011. г.
21. Жуков Е.Ф. Банки и банковские операции, М., 1997. - 167 с.
22. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск, ИМ СО РАН, 1999. - 270 с.
23. ЗадеЛ. Понятие лингвистической переменной и ее применение к принятию приближенных решений. — М.: Мир, 1976. — 167 с.
24. Иванцов С. Кредитный риск коммерческих банков остается высоким. //Коммерсант №12 1999 г. - С. 24-28.
25. Инструкция №1 ЦБ РФ «О порядке регулирования деятельности кредитных организаций» от 30.01.1996. - 35с.
26. Инструкция № 62а ЦБ РФ «О Порядке формирования и использования резерва на возможные потери по ссудам». - 23с.
27. Иоффин А.И. Системы поддержки принятия решений // Мир ПК. -1993.- №5. -С. 47-57.
28. Каменова М.С. Корпоративные информационные системы: технологии и решения. Системы Управления Базами Данных № 3/1995. - С. 88-99.
29. Карпов Л. Е., Юдин В. Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов [Электронный ресурс] - Электрон, текстовые дан. - Режим доступа: http://citforum.ru/consulting/BI/karDov/#b ref 121.10.011. г.
30. Карпов Л. Е., Юдин В. Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам, М., ИСП РАН, препринт № 18, 2006. - с. 46-51.
31. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. - Открытые системы, № 4, 1997. - с.41-44.
32. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта, 2005 №2 - с.6-18.
33. Кобринский Б.А. Извлечение экспертных знаний: групповой вариант // Новости искусственного интеллекта, 2004 №3 - с.58-67.
34. Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчетности. Ф М.: Финансы и статистика 1997. -387 с.
35. Козленко Л. Проектирование информационных систем. //
КомпьютерПресс, №11 2001. [Электронный ресурс] - Электрон.
146
текстовые дан. - Режим доступа:
http://www.compress.ru/article.aspx?id=12282&iid=465 20.09.10.
36. Колесников В.И. Банковское дело: Учебник. - 4-е изд., перераб. и доп. - М.: Финансы и статистика, 2007- 464 с.
37. Колтунова Е. Требования к информационной системе и модели
жизненного цикла.
[Электронный ресурс] - Электрон. Текстовые дан. - Режим доступа:
http://www.ko1tunova.com/Publications/IT%20requirments.pdf 11.10.11 г.
38. Котов В. Е. Сети Петри - М.: Наука, 1984. - 158 с.
39. Крачтен Ф. Введение в Rational Unified Process - М.: Вильяме, 2002.240 с.
40. Кредитные операции коммерческих банков// Деньги и кредит,
2003,№9.- с.39-46.
41. Кредитный договор//Деньги и кредит, 2005, №3.- с.20-25.
42. Кредиты для своих //Эксперт, #39 (299) от 22 октября 2001. - с. 67-81.
43. Кумунжиев К.В. Теория систем и системный анализ. Ч. 1, 2. Ульяновск
2003. - 240 с.
44. Лаврушин О.И. Деньги. Кредит. Банки - 2 -е изд., перераб. и доп. - М.:
«Финансы и статистика», 2008. - 460 с.
45. Лапуста М.Г., Шаршукова Л.Г. Риски в предпринимательской
деятельности. М.: ИНФРА-М, 1998. - 220 с.
46. Ларман К. Применение UML и шаблонов проектирования, введение в объектно-ориентированный анализ, проектирование и унифицированный процесс RUP / Пер. с англ. - М.: Вильяме - 2004 -
624 с.
47. Леоненков А. В. Самоучитель UML 2 - СПб.: БХВ-Петербург - 2007, 576 с.
48. Лескин A.A., Мальцев П. А., Спиридонов А. М., Сети Петри в моделировании и управлении - Л.: Наука, 1989 - 135 с.
49. Логическое программирование /Пер. с англ. и фр. - М.: Мир, 1988. -368 с.
50. Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991. -568с.
51. Лю. Б. Теория и практика неопределенного программирования / Пер. с англ.- М.: БИНОМ. Лаборатория знаний, 2005. - 416 с.
52. Маркова О. М., Сахарова Л.С., Сидорова В.Н., Коммерческие банки и их операции, М.: ЮНИТИ, 1995. - 212 с.
53. Марьин С. Управление кредитными рисками - основа надежности банка // Экономика и жизнь. - 1996. -№ 23. - с. 12-21.
54. Материалы 11-го Международного банковского конгресса в Санкт-Петербурге, июнь 2002 г. - 54 с.
55. Методы нейроинформатики / Под. ред. А.Н. Горбаня; отв. за выпуск М.Г. Доррер. КГТУ, Красноярск, 1998. - 205 с.
56. Миркес Е.М. Нейроинформатика. - Красноярск: ИПЦ КГТУ, 2002 - 347 с.
57. Москвин В. А. Виды обеспечения при долгосрочном кредитовании предприятий//Банковское дело, 2005, №7. - с. 19.
58. Орлов А.И. Теория принятия решений. - М.: Издательство "Март", 2004. - 656 с.
59. Орлов С.А. Технологии разработки программного обеспечения: СПб.: Питер, 2002. - 464 с.
60. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. — М.: Радио и связь, 1981. — 286с.
61. Плотинский Ю.М. Теоретические и эмпирические модели социальных процессов. М., 1998. - 138 с.
62. Поллард А.М.Дассейк Ж.Г., Эллис К.Х., Дейли Ж.П. Банковское право США. М.: Прогресс, 1992. - 452 с.
63. Положение ЦБ РФ «О порядке предоставления (размещения) кредитными организациями денежных средств и их возврата (погашения)» от 31.08.98 г. №54-П. - 11 с.
64. Поликарпова Н. И., Точилин В. Н., Шалыто А. А. Применение генетического программирования для реализации систем со сложным поведением. Сборник трудов IV-ой Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Том 2. М.: Физматлит. 2007, с. 598-604.
65. Рихтер Джеффри Программирование на платформе Microsoft .NET Framework. Русская Редакция, 2002 г. - 486 с.
66. Родзин С .И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования // Новости искусственного интеллекта. 2000. №3. С. 159-170.
67. Питерсон Дж. Теория сетей Петри и моделирование систем /Пер. с англ. М. В. Горбатовой и др. - М.: Мир, 1984 - 264 с.
68. Поспелов Д. А. Моделирование рассуждений. Опыт анализа мыслительных актов. - М.: Радио и связь, 1989. - 184 с.
69. Розен В.В. Цель - оптимальность - решение (математические модели принятия оптимальных решений). - М.: «Радио и связь», 1982. - 168 с.
70. Рот М. Интеллектуальный автомат: компьютер в качестве эксперта. -М.: Энергоатомиздат, 1991. - 80 с.
71. Скопин И.Н. Основы менеджмента программных проектов. [Электронный ресурс] - Электрон, текстовые дан. - Режим дocтvпa:http://www.intuit.ш/department/se/msd/ 21.05.11 г.
72. Советский энциклопедический словарь /Гл. ред. А. М. Прохоров. - 4-е изд. -М.: Сов. Энциклопедия, 1988. - 1600 с.
73. Тоценко В. Системы поддержки принятия решений - ваш инструмент для правильного выбора // Компьютера, №34 1998 [Электронный
ресурс] - Электрон, текстовые дан. - Режим доступа: http://offline.coniputerra.ru/offline/l 998/262/1520/ 20.05.10 г.
74. Турбанов A.B.Правовые проблемы потребительского кредитовании "Банковское право", 2008, N 1 - с 53-58.
75. Турбанов A.B. Банковская система Российской Федерации: проблемы реструктуризации // Деньги и кредит. 1998. N 2 - с 33-28.
76. Тюрин С. GPS - автоматические информационные системы будущего [Электронный ресурс] - Электрон, текстовые дан. - Режим доступа: http://rix.com.ua/tech/441/404/841 .html 25.07.11 г.
77. Фаулер М., Скотт К. UML. Основы. - СПб.: Символ-Плюс, 2002. - 192 с.
78. Федеральный закон «О банках и банковской деятельности» от 3 февраля 1996 г. -М.,2000. - 38 с.
79. Филиппович А.Ю. Интеграция систем ситуационного, имитационного и экспертного моделирования. - М.: Изд-во "ООО Эликс+", 2003. -310 с.
80. Финансы, деньги, кредит: Учеб.пособие/ под ред. Е.Г. Черновой. - М.: ТК Велби, 2004.- 280 с.
81. Франс Р., Гош С., Дин-Тронг Т., Соулберг Э. Разработка на базе моделей с использованием UML 2.0: обещания и просчеты. // Открытые системы, №3 2006. - с. 45-86.
82. Хехт-Нильсон Роберт. Нейрокомпьютинг: история, состояние, перспективы. // Открытые системы №4-5, 1998, с.23-29.
83. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. - СПб.: БХВ-Петербург, 2003. - 608 с.
84. Черкасов В.Е. Финансовый анализ в коммерческом банке-М.: ИНФРА-М, 1995. - 230 с.
85. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс] - Электрон, текстовые дан. - Режим доступа:
http://matlab.exponenta.ru/fuzzvlogic/bookl/index.T3hp 21.05.10 г.
150
86. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры / Пер. с англ. и предисл. Б.И. Шитикова. - М.: Финансы и статистика, 1987. -191 с.
87. Ясницкий Л.Н. Введение в искусственный интеллект. - М.: Издательский центр «Академия», 2005. - 176 с.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.