ПРИМЕНЕНИЕ НЕЙРО-НЕЧЁТКОГО МОДЕЛИРОВАНИЯ ДЛЯ ОЦЕНКИ КРЕДИТНЫХ РИСКОВ БАНКА

Александр Иванович Бородин; Наталья Николаевна Наточеева

Александр Иванович Бородин
- ФГБОУ ВПО «Российский экономический университет им. Г.В. Плеханова»
Наталья Николаевна Наточеева
- ФГБОУ ВПО «Российский экономический университет им. Г.В. Плеханова»

Ключевые слова: нейросетевые технологии, нечёткая логика, нейро-нечёткое моделирование, кредитный риск, кредитная политика, риск-менеджмент, регулировка кредитных рисков

Аннотация

В данной статье обосновано применение технологии нейро-нечёткого моделирования (ННМ) для оценки кредитных рисков банка. Раскрыты преимущества технологии ННМ: формализация экспертных знаний в виде логических конструкций «if-then»; возможность обработки как количественных, так и качественных показателей; адаптация нейро-нечёткой модели к переменным условиям моделируемой среды. Исследована и проанализирована возможность регулировки факторов кредитных рисков с помощью технологии ННМ, предложен подход к классификации кредитных рисков согласно степени влияния ННМ на уровень рисков. Негативное действие кредитных рисков не ограничивается только финансовыми потерями банка. Снижение качества кредитного портфеля, увеличение расходов на формирование резервов, имиджевые потери, банкротство - возможные последствия необоснованных кредитных рисков, которые банк берет на себя. Расширение информационного базиса за счет введения в модель оценки кредитных рисков нечетких переменных, на наш взгляд, может значительно улучшить качество оценки. С позиций управления кредитными рисками технология ННМ призвана в первую очередь адекватно измерять риск, вследствие чего банк, в лице его руководящих органов, будет иметь возможность не брать на себя неоправданных рисков, а также более эффективно осуществлять контроль и мониторинг рисков кредитных операций.

Литература

1. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. М.: Горячая линия-Телеком, 2007.
2. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2008. 452 с.
3. Bhardwaj К., Singh Р. Adaptive Neuro-Fuzzy Inference System (ANFIS) Based Edge Detection Technique. International Journal for Science and Emerging Technologies with Latest Trends. 2013. Vol. 8 (1). P. 7-13.
4. Deboeck G., Kohonen T. Visual Explorations in Finance with Self-Organizing Maps. London: Springer-Verlag, 1998. 316 p.
5. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis with Fuzzy Logic Controller // Int. J. Man-Machine Studies. 1975. Vol. 7, N 1. P. 1-13.
6. Nurmatova E.V., Ivchenko V.D. The modeling of vibrodiagnostics process on the basis of neuro-fuzzy networks // Optical Memory and Neural Networks. Allerton Press. 2005.
7. Quinlan J.R. Introduction of decision tree // Machine Learning. 1986. N 1. P. 81-106.
8. Quinlan J.R. C4.5: Programs for Machine Learning. Morgan Kauffman, 1993.
9. Sugeno M., Kang G.T. Structure identification of fuzzy model // Fuzzy Sets Syst. 1988. Vol. 28, N 1. P. 15-33.
10. Suhail M. Using an Adaptive Neuro-Fuzzy Inference System (AnFis) Algorithm for Automatic Diagnosis of Skin Cancer // Odeh. Journal of Communication and Computer. 2011. Vol. 8. Р. 751-755.
11. Zahng G., Patuwo B.E., Hu M.J. Forecasting with Artificial Networks: The State of the Art // International Journal of Forecasting, 1998. Vol. 14.
12. Zadeh L. Fuzzy Sets // Information and Control. June 1965. N 8 (3). P. 338-353.