ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ ДЛЯ ОЦЕНКИ КРЕДИТНОГО РИСКА БАНКОВ

Марина Игоревна Озерова, Илья Евгеньевич Жигалов

Аннотация


Банковская система является постоянно развивающейся системой. Информационная среда банка растет, увеличиваются объемы обрабатываемой информации из-за роста пользователей и банковских продуктов. Для сокращения рисков банки производят финансовую оценку положения физических и юридических лиц. Целью работы является разработка нечетких многосвязных моделей, предназначенных для прогнозирования получения положительного или отрицательного решения на получение банковского продукта. Решение принимается на основе скоринга. Скоринг заключается в присвоении баллов по заполнению некой анкеты, разработанной оценщиками кредитных рисков андеррайтерами. По результатам набранных баллов системой автоматически принимается решение об одобрении или отказе в выдаче кредита. Модели скоринга у разных банков различные. Цель исследования. Рассмотрено применение нечетких моделей для принятия решения банком на выдачу банковского продукта, реализующих концепцию «мягких вычислений». Методы. Применение методов нечеткой логики в кредитном скоринге не ново, но не имеет широкого применения на практике потому, что дорого обходится интеграция в существующие системы. Каждый банк применяет в скоринге свои показатели финансовой благонадежности клиента. Большая часть показателей в банках одинаковые, но при решении на выдачу разных банковских продуктов имеют различные числовые значения. В качестве исходных данных были взяты данные стандартной балльной методики реального банка. Для прогнозирования решения банка на выдачу клиенту банковского продукта была применена нечеткая модель, предложены продукционные правила, определены функции принадлежности. Модель ориентируема на одновременную обработку входящих данных от множества клиентов и для разных банков и различных скоринговых моделей. Результаты. Разработана математическая модель оценки рейтинга клиента и прогнозирования решения на получение банковского продукта на основе правила нечеткого вывода. Полученные результаты предложено использовать в мультибанковской веб-ориентированной системе предоставления корпоративным клиентам банковских продуктов.

Ключевые слова


математические модели, кредитный рейтинг, скоринг, нечеткие множества

Полный текст:

PDF (English)

Литература


Hannanova E.A. [Theoretical foundations for assessing creditworthiness]. Bulletin of Science and Education, 2016, no. 12 (24), pp. 46–48. (in Russ.)

Kostykova M.Yu. [Scoring model of small business lending and its improvement in the Russian Federation]. Finance and Credit, 2014, no. 15, pp. 57–64. (in Russ.)

Joshua Ignatius, Adel Hatami-Marbini, Amirah Rahman, Lalitha Dhamotharan, and Pegah Khoshnevis. A fuzzy decision support system for credit scoring. Neural Comput & Applic, 2018, no. 29, pp. 921–937. DOI: 10.1007/s00521-016-2592-1

Gorlushkina N.N., Shin E.V. [Reengineering of the lending business process and the use of the apparatus of fuzzy sets for the classification of borrowers in the problem of credit scoring]. Online magazine “Science of Science”. Economics and Management, 2015, vol. 7, no. 2, pp. 1–11. (in Russ.). Available at: https://naukovedenie.ru/PDF/82EVN215.pdf.

Hoffmann F., Basens B., Mues K., Van Gestel T., and Vantienen J. Derivation of descriptive and approximate fuzzy rules for credit scoring using evolutionary algorithms. European Journal of Operational Research, 2007, pp. 540–555.

Ignatius J., Khatami-Marbini A., Rahman A. et al. Support system for fuzzy decisions for credit scoring. Neural calculations and applications, 2016, pp. 1–17. DOI: 10.1007 / s00521-016-2592-1

Xinhui C., Zhong Q. On Consumer Credit Scoring Based on Multi-criteria Fuzzy Logic. Proc. Int. Conf. Business Intelligence and Financial Engineering, 2009, BIFE'09. IEEE, 2009, pp. 765–768.

Lakhsasna A., Ainon R.N., Vakh T.Yu. Modeling decisions on credit risk assessment using an optimized fuzzy classifier. International Symposium on Information Technology 2008. IEEE, 2008, vol. 1, pp. 2–8.

Kudinov Yu.I., Ivanchenko K.S., Kudinov I.Yu. [Development of a fuzzy system for predic¬ting the quality of metal products]. Mechatronics, automation, control, 2008, no. 10, pp. 27–32. (in Russ.)

Labinsky A.Yu., Nefediev S.A., Bardulin E.N [Use of fuzzy logic and neural networks in automatic control systems]. Scientific-analytical journal Bulletin of the St. Petersburg University of the State Fire Service of the EMERCOM of Russia, 2019, no. 1, pp. 44–50. (in Russ.)

Pezeshki Z., Mazinani S.M. Comparison of artificial neural networks, fuzzy logic and neuro fuzzy for predicting optimization of building thermal consumption: a survey. Artif Intell, 2019, vol. 52, no. 1, pp. 495–525. DOI: 10.1007/s10462-018-9630-6

Xiaoying Su, Sihong Xu, Shaochuan Xu. Compound control system for coagulant dosing process based on a fuzzy cerebellar model articulation controller. Conference: 2017 36th Chinese Control Conference (CCC). IEEE, 2017, pp. 3931–3937. DOI: 10.23919/ChiCC.2017.8027972

Zade L. Ponyatie lingvisticheskoy peremennoy i ego primenenie dlya prinyatiya priblizhennykh resheniy [The concept of a linguistic variable and its application for making approximate decisions]. Moscow, Mir Publ., 1976. 167 p.

Yarushkina N.G., Afanasyeva T.V., Perfilieva I.G. Integratsiya nechetkikh modeley dlya analiza vremennykh ryadov [Integration of fuzzy models for time series analysis]. Ulyanovsk, 2010. 320 p.

Ozerova M.I., Zhigalov I.E. Application of neuro-fuzzy models in the information-analytical system of prediction of forest fires. CEUR Workshop Proceedings, 2019, pp. 389–396.

Novak V., Perfil'eva I., Mochkorzh I. Matematicheskie printsipy nechetkoy logiki. [Mathematical Principles of Fuzzy Logic]. Moscow, Fizmatlit Publ., 2006. 352 p.

Sadatrasoul S., Gholamian M., Shahanaghi K. Combination of Feature Selection and Optimized Fuzzy Apriori Rules: The Case of Credit Scoring. The International Arab Journal of Information Technology, 2015, vol. 12, iss. 2, pp. 138–145. Available at: http://www.ccis2k.org/iajit/PDF/ vol.12,no.2/5795.pdf.

Mammadli S. [Fuzzy Sistema ocenki kreditov na osnove nechetkoj logiki]. Procedia Computer Science, 2016, vol. 102, pp. 495–499. (in Russ.) Available at: https://doi.org/10.1016/j.procs.

Shi J., Xu B. Credit Scoring by Fuzzy Support Vector Machines with a Novel Membership Function. Journal of Risk and Financial Management, 2016, vol. 9, iss. 4, pp. 1–10. DOI: 10.3390/jrfm9040013

Borisov V.V., Kruglov V.V., Fedulov A.S. Nechetkie modeli i seti Fuzzy models and network. [Fuzzy models and networks]. Moscow, Hot line – Telecom, 2007, 284 p.


Ссылки

  • На текущий момент ссылки отсутствуют.