Xxii республикалық студенттер мен жас ғалымдардың ғылыми конференция материалдары



Pdf көрінісі
бет73/267
Дата18.10.2023
өлшемі8,13 Mb.
#117865
1   ...   69   70   71   72   73   74   75   76   ...   267
Байланысты:
Сборник материалов конференции (продолжение)

Жакыпбеков С.Ж., Дузбаев Н.Т. 
Международный университет информационных технологии 
 
МОДЕЛИ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ 
ФОРМИРОВАНИЯ ИНСТРУМЕНТОВ БИЗНЕС-АНАЛИЗА НА ПРИМЕРЕ 
ОЦЕНКИ КРЕДИТНОГО РЕЙТИНГА КРЕДИТОЗАЕМЩИКА 
Аннотация: В статье проведен общий обзор кредитного анализа, рассмотрены 
вопросы построения модели формирования кредитного рейтинга, выявлены современные 
подходы для бизнес-анализа оценки кредитного рейтинга кредитозаемщика. Результатом 
исследования является представленная компьютерная реализация программного модуля 
машинного обучения для формирования инструментов бизнес-анализа на примере оценки 
кредитного рейтинга кредитозаемщика, способная оценивать риски и планировать 
кредитный рейтинг кредитозаемщика.
Ключевые слова: машинное обучение, искусственный интеллект, бизнес-анализ, 
статистика, 
прогнозирование, 
алгоритм, 
кредитозаемщик, 
кредитование, 
платежеспособность. 
ВВЕДЕНИЕ 
Под кредитным анализом может представляться методика или подход, 
относительно которого может быть рассчитана кредитоспособность организации либо 
бизнеса или дана оценочная характеристика способностей платежеспособности 
относительно своих финансовых обязательств.
Для этого необходимо провести анализ аудиторных финансовых отчетов компаний 
для открытия или продолжения кредитных отношений. 
Процедуры анализа и оценки кредитозаемщика, в качестве объекта кредитования, 
является целью процедуры кредитного анализа.
На момент проведения мероприятия необходимо провести оценку риска, рассчитав 
ее методом анализа перспектив и вероятности дефолта кредитозаемщика [1].
Кредитным анализом представлен обширный спектр методик и подходов 
финансового анализа, в том числе анализа направления и соотношения, создания 
прогностических действий и детального анализа относительно денежных потоков.
В состав кредитного анализа входят следующие этапы: 
этап проверки источников погашения, в том числе залога,
этап рассмотрения историй кредитования; 
этап рассмотрения относительно возможностей управления. 
Аналитика проводят серьезную работу, направленную на предсказания 
вероятности и выявление предпосылок возникновения дефолта кредитозаемщика 
относительно своих долгов и оценивание величин ущерба в случае возникновения 
ситуации дефолта. В последние десятилетия с целью оценивания кредитов были 
разработаны множества наиболее количественных и объективных системных структур.
К примеру, кредитный аналитик в рамках однопеременной системы для 
бухгалтерского учёта проводит сравнения относительно различных ключевых 
коэффициентов-отношения (ratios) в системе бухгалтерского учета потенциальных 
заемщиков, состоящих из групповых либо отраслевых нормам и тенденций относительно 
данных 
коэффициентов. 
На 
сегодняшний 
день 
отраслевые 
коэффициенты 
предоставляются для банков Ассоциациями Moody's и Risk Management Association и 
Standard & Poor's [2]. 
Одномерным подходом обеспечивается аналитика, способная создавать запрос, 
ставящий целью детерминирование потенциального кредитозаемщика. В виду сложной 
экономической ситуации актуальным становится улучшение системы бизнес-анализа 


161 
оценки кредитного рейтинга кредитозаемщика, а также минимизация всевозможных 
рисков в этой связи. 
С целью детерминирования тенденций изменений поведенческих динамик и 
закономерностей микро- и макроэкономических показателей становится необходимым 
применение в рамках единой модели комплексного подхода к рассмотрению процессов 
экономических тенденций. Для этих целей в масштабах предприятия предлагается 
использовать машинное обучение в бизнес-анализе оценки кредитного рейтинга 
кредитозаемщика, основной функцией которого является оценка результатов 
прогнозирования показателей по средством экспериментов по адаптации моделей на 
основе языка программирования Python. 
СОВРЕМЕННЫЕ ПОДХОДЫ ДЛЯ БИЗНЕС-АНАЛИЗА ОЦЕНКИ КРЕДИТНОГО 
РЕЙТИНГА КРЕДИТОЗАЕМЩИКА 
Под кредитным риском понимается вероятностное появление убыточной ситуации 
по причинам просроченной оплаты либо отсутствия оплаты клиентом-кредитозаемщиком 
относительно своих финансовых обязательств. Кредитозаемщик в лице предприятия и 
кредитор, являющийся представителем банка, подвергаются кредитному риску. 
Выделим следующие три фундаментальных подхода для построения моделей: 
подход, который базируется на фундаментальных показателях; 
подход, который основан на рыночных показателей; 
подход, который основан интеллектуальном анализе данных. 
Очевидными преимуществами обладает современный подход, основанный на 
применении интеллектуального анализа данных с применением программных средств, 
базирующийся на применении нечеткой логики, нейронных сетей, искусственного 
интеллекта и иного.
ПОСТРОЕНИЕ МОДЕЛИ ФОРМИРОВАНИЯ КРЕДИТНОГО РЕЙТИНГА 
Кредитная деятельность позиционируется для банков как основной источник 
прибыли. Качественная составляющая кредитной деятельности относится к значительно 
важным показателям деятельности банков. Этому моменту по понятным причинам 
должно быть уделено со стороны банков акцентированное внимание. Заинтересованность 
в количестве выданных кредитов ясна, при этом важное место занимает тщательный и 
бдительный отбор потенциальных кредитозаемщиков. 
Важным требованием этого регулятора является полнота значений входных 
переменных с целью получения значений прогнозирования. В качестве входных 
информационных данных используется статистическая информация. Ее проверка требует 
разработки соответствующих процедур для выполнения требований банка относительно 
прогнозирования. Все это необходимо, чтобы появилась возможность последующих 
корректных предсказаний относительно соответствующих потерь и вероятности дефолта, 
что в свою очередь составляет проведение процедур оценивания адекватности 
статистических данных, информационной полноты и точности. Все эти параметры 
обуславливают согласованный рейтинг [3]. 
Предполагается применение линейной факторной регрессии относительно 
оценивания вероятностей дефолта, способных откалибровать рейтинговые данные 
относительно внешних агентов.Для построения модели формирования кредитного 
рейтинга кредитозаемщиков необходимо учитывать следующий международный опыт 
оценки PD: 
фундаментальное моделирование внутренних данных,
требования регуляторов, представленных Банкаом РК и Базельским комитетом. 
Предложенная модель формирования кредитных рейтингов построена с 
использованием внешних рейтингов (S&P, Moody’s, Fitch). 
В модель входит 6 модулей, которые учитывают качественные, и количественные 
факторы (рис. 1): 


162 
1) Финансовый модуль состоит из анализирования отчетностей по финансам, 
отчетности относительно прибыли и убыточности, группировки и определения ключевых 
количественных факторов влияния и регрессионного анализа в последующем.
Скоринговый балл является результатом этапа. 
2) Качественный модуль составляется из нечисловой (качественной информации), 
представляющей собой присутствие ключевых подрядчиков поставщиков и поставщиков, 
качественных показателей корпоративного управления, особенностей командной 
исполнительности и иное.
В то же время себя проявляет проблематика учета оказания воздействий 
качественных показателей кредитозаемщиков на потенциальную возможность к 
банкротству, потому анализ подходов к оценке весового влияния нечисловых факторов, в 
отличие от количественных факторов, имеет важное значение при формировании системы 
бизнс-анализа.
В качестве выходных данных получается скоринговый балл.
3) На этапе модуля комбинированного рейтинга производится объединения 
взаимодействий количественных и качественных модулей. В качестве выходных данных 
получается вероятность дефолта.
4) Модуль поддержки. В случае возникновения вероятности угрозы дефолта при 
наличии некоторых обстоятельств государство или группа компаний могут оказать 
поддержку компании. 
Качественная составляющая этой поддержки находится в зависимости от 
возможностей стратегических (договорных) особенностей и группы. При учете данной 
поддержки возникает возможность корректировки в качестве следствия. В качестве 
результата корректировки представляется расчетный рейтинг контрагента. 
5) В блоке модуля расчетного рейтинга объединяются расчетные результативные 
данные, полученные в результате проведения процедур предыдущих модулей. 
Следовательно, здесь можно получить результат модельного рейтинга кредитозаемщика 
относительно общего кредитного внутреннего рейтинга банка.
6) Модуль финального рейтинга формирует и учитывает составляющую, которая 
представляется корректировками финального расчетного рейтинга в ситуациях 
исключительного случаях и может возникнуть в результате влияния факторов, 
направленных на изменение рейтинга по причинам высокой неопределенности и 
нестационарности в бизнес-среде. 
В качестве выходных данных получаются финальный рейтинг, применяемый для 
бизнес-анализа банка и вероятность дефолта.
Статистическая регрессия заложена в основу нефинансового и финансового 
модулей системы оценивания рисков кредитования.
Можно выделить следующие обязательные этапы разработки для типовых 
моделей: выделение факторов риска, многофакторный и однофакторный анализ, 
калибровка. 


163 
Рис. 1 - Модель формирования кредитного рейтинга кредитозаемщиков 
Можно выделить следующий перечень факторов, учитываемых в финансовом 
модуле: 
отношение скорректированной величины EBITDA к выручке; 
отношение капитала к активам; 
отношение величины основных средств и незавершенного строительства к 
активам; 
логарифм величины капитала; 
индекс обслуживания долга. 
Перечень факторов, учитываемых в нефинансовом модуле, следующий: 
финансовая прозрачность для инвесторов; 
репутация бенефициаров; 
качество финансовой отчетности. 
В модели могут быть применены следующие типы информации: 
юрисдикция; 
экспертное суждение; 
финансовая информация; 
рыночная информация; 
поведенческая информация; 
официальная публичная информация; 
отраслевая информация; 
макроэкономическая информация; 
информация из рейтинговых агентств. 
ПРЕДСТАВЛЕНИЕ 
МАШИННОГО 
ОБУЧЕНИЯ 
СИСТЕМЫ 
В 
ВИДЕ 
КОМППЬЮТЕРНОЙ РЕАЛИЗАЦИИ 
С целью прогнозирования в качестве метода машинного обучения применен 
градиентный бустинг. Отличительной чертой машинного обучения является 
принадлежность к методикам искусственного интеллекта, особенностью которых является 
обучаемость в ходе выполнения решения множества подобных задач, а не получения и 
запоминания результата прямого решения поставленной задачи [4].
Эффективное применение для кредитных моделей бизнес-анализа качественных 
показателей данные факторы необходимо упорядочить экспертным методом по степени 


164 
оказания влияния относительно кредитного рейтинга при учете акцентного мнения банка. 
Последнее может быть получено на основании накопленной статистической информации 
относительно дефолтов. Это позволит с учетом ранжирования набора факторов 
корректным образом представить приоритетную очередь кредитозаемщиков по 
определенным наборам факторов. Наиболее оптимально применение подходов теории 
вероятности, теории оптимизации, математической статистики, теории графов и подобных 
методов и подходов с целью реализации построения подобных методов. 
Экспертный модуль бизнес-анализа в компьютерной реализации может быть 
реализован с применением технологий передачи особых состояний (REST) [5]. 
Программный продукт в концептуальном плане может быть отнесен к компоненте бизнес-
интеллекта (BI), принадлежащей банковской ERP-системы, интегрированной с иными 
системами детерминирования рисков (MATLAB, SAS и иное) [6]. 
Программный код реализован с применением специального языка Python и 
использованием MVC-паттерна фреймворка Flask. Блок-схема компьютерной реализации 
программного модуля машинного обучения для формирования инструментов бизнес-
анализа на примере оценки кредитного рейтинга кредитозаемщика приведена на рис. 2. 
Предполагается применение программного модуля, который позволит определить [5]: 
численные значения медианы Кемени при помощи эвристических и точных 
алгоритмов Литвака,
осуществлять поисковые операции медиан относительно метода Жихарева с 
циклическим применением окружности единичного радиуса, 
детерминировать модифицированную медиану Кемени. 
При тестировании учета данных нечисловой природы акцентное внимание уделено 
основополагающим данным (так называемым: application train-test) [4]. На этапе поиска 
упорядоченных 
факторов 
нефинансовой 
природы 
с 
целью 
последующего 
детерминирования весовых коэффициентов осуществляется поддержка принятия 
решений. Данный этап подразумевает построение первоначального рейтинга 
кредитообразования.
Рис. 2 - Блок-схема компьютерной реализации программного модуля машинного 
обучения для формирования инструментов бизнес-анализа на примере оценки кредитного 
рейтинга кредитозаемщика 
Чтобы определить весовые коэффициенты необходимо применить подготовленные 
упорядоченные факторы с дальнейшим расчетом весовых показателей [3]. 
По средством применения предложенного механизма реализации экспертных 
корректировок внутренних рейтингов может быть осуществлена поддержка принятия 
решений применительно к малым и средним компаний в ситуациях исключительных 
случаев.
Имеет место возможность применения программного модуля в условиях доступа 
сети Internet посредством защищенных каналов связи либо закрытых локальных 
банковских сетях. 
ЗАКЛЮЧЕНИЕ 


165 
В результате проведенного исследования получена компьютерная реализация 
программного модуля машинного обучения для формирования инструментов бизнес-
анализа на примере оценки кредитного рейтинга кредитозаемщика, способная оценивать 
риски и планировать кредитный рейтинг кредитозаемщика.
Подобная система может быть успешно применена для малых и средних 
корпоративных кредитозаемщиков. В то же время актуален для апробации предложенного 
инструментария сегмент кредитования физических лиц. 
ЛИТЕРАТУРА 
Терехина А.Ю. Анализ данных методами многомерного шкалирования. М.: Наука, 
1986.168 с. 
Жуков М.С., Орлов А.И. Использование экспертных ранжировок при расчетах 
кредитного риска в банке // Инновации в менеджменте. 2017. № 1. C. 18-25. 
Орлов А.И. Эконометрика: изд. 3-е, испр. и доп. М.: Экзамен, 2004. 576 с. 
Шакла Ниwант Машинное обучение и TensorFlow. - СПб.: Питер, 2019. - 336 с.: ил.
Прикладной анализ текстовых данных на Python. Машинное обучение и создание 
приложений обработки естественного языка. — СПб.: Питер, 2019. — 368 с.: ил. 


Достарыңызбен бөлісу:
1   ...   69   70   71   72   73   74   75   76   ...   267




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет