Разработка системы прогнозирования возврата кредитов

Молодежный инновационный форум Приволжского федерального округа
Конкурс научно-технического творчества молодежи (НТТМ)
Интернет-сайт: http://ify.ulstu.ru. Ульяновск, 2015 год
УДК 519.676:336.77
Разработка системы прогнозирования возврата кредитов
ФГБОУ ВПО «Ульяновский государственный технический университет»
Шунина Ю.С., аспирант
Клячкин Владимир Николаевич, профессор, д.т.н.
Задача прогнозирования кредитоспособности и изменения
платежеспособности клиентов является ключевой задачей при управлении
кредитными рисками любой кредитной организации как на этапе принятия
решения о выдаче кредита, так и на этапе погашения кредита.
В настоящее время кредитными бюро накоплено миллионы данных
о кредитовании клиентов в различных банках, что является основательной
базой для разработки методов прогнозирования кредитоспособности и
изменения платежеспособности клиентов. Вместе с тем развитие
информационных технологий предоставляет все более мощные средства
для реализации сложных методов и алгоритмов прогнозирования.
Кризисные ситуации, а также рост конкуренции на рынке кредитных услуг
требует совершенствования имеющихся методик прогнозирования
кредитоспособности клиентов с целью более точной оценки кредитного
риска и оптимизации процессов кредитования, что предопределило
актуальность данной задачи.
Более того, прогнозирование изменения платежеспособности
клиентов после получения кредита является не вполне исследованной
задачей в РФ и требует определения оптимальной структуры с учетом
различных факторов, которые могут иметь влияние на изменение
платежеспособности клиентов. К ним относятся условия кредита,
информация о самом заемщике, а также кредитная история заемщика.
Среди существующих аналогов систем прогнозирования следует
выделить
готовые
специализированные
разработки
(SAS
Risk
Management, EGAR Focus, Kondor+ и др.), у которых, во-первых,
математический аппарат составляет коммерческую тайну, во-вторых,
данные продукты требуют средств, которые может себе позволить далеко
не каждый банк, в-третьих, западные системы основаны на опыте
западных банков и не полностью удовлетворяют всем особенностям
российского кредитования.
Среди исследователей представлены работы с прогнозированием
кредитоспособности клиентов на основе различных методов и моделей
(регрессионные модели, нейронные сети, байесовский классификатор,
метод опорных векторов, деревья решений, рейтинговые модели и др.),
каждый из которых имеет свои преимущества и недостатки. Однако на
сегодняшний день нет универсальной модели, с помощью которой можно
было бы оценить кредитоспособность того или иного клиента с явным
преимуществом.
Молодежный инновационный форум Приволжского федерального округа
Конкурс научно-технического творчества молодежи (НТТМ)
Интернет-сайт: http://ify.ulstu.ru. Ульяновск, 2015 год
Таким образом, целью проекта является автоматизация процесса
прогнозирования кредитоспособности клиентов кредитной организацией
на этапе принятия решения о выдаче кредита, а также автоматизация
процесса прогнозирования изменения платежеспособности клиентов на
этапе погашения кредита, направленных на снижение роста
задолженностей и обеспечение возврата кредитов.
С помощью системы прогнозирования возврата кредитов на стадии
выдачи
кредита
будет
осуществляться
прогнозирование
кредитоспособности клиентов на основе анкетных данных, поданных в
виде заявки на получение кредита. Более того будет определяться
оптимальный порог классификации клиентов на кредитоспособных и
некредитоспособных, с целью одновременного решения двух задач:
минимизировать
пропуск
некредитоспособных
клиентов
и
максимизировать выдачу кредитов кредитоспособным клиентам. В
качестве моделей предполагается использование агрегированных
классификаторов, результаты которых представляют объединенные
результаты нескольких независимых методов машинного обучения –
нейронной сети, логистической регрессии, дискриминантного анализа,
байесовского классификатора, метода опорных векторов и деревьев
решений.
Принятие решения на стадии погашения кредита предусматривает
анализ динамики погашения кредитного счета каждого заемщика в
зависимости от условий кредита, информации о заемщике, а также его
кредитной истории и осуществление прогноза платежеспособности
заемщика. В качестве моделей этой подсистемы также используются
методы машинного обучения, но совместно с марковскими цепями 1-го и
2-го порядка, которые способствуют более четкой градации заемщиков по
группам задолженности.
Основные функции системы прогнозирования возврата кредитов:
обработка данных по клиентам;
восстановление пропусков кредитной истории;
возможность отбора факторов, предположительно влияющих
на кредитоспособность и изменение платежеспособности клиентов;
построение моделей прогнозирования кредитоспособности и
изменения платежеспособности клиентов на обучающей выборке;
тестирование моделей прогнозирования на тестовой выборке;
оценка качества моделей прогнозирования на тестовой
выборке;
выбор
наилучших
моделей
для
прогнозирования
кредитоспособности и изменения платежеспособности клиентов;
поиск
оптимального
порога
для
определения
кредитоспособности новых клиентов;
прогнозирование кредитоспособности новых клиентов с
помощью наилучшей модели с учетом порога классификации;
прогнозирование изменения платежеспособности клиентов с
помощью наилучшей модели;
Молодежный инновационный форум Приволжского федерального округа
Конкурс научно-технического творчества молодежи (НТТМ)
Интернет-сайт: http://ify.ulstu.ru. Ульяновск, 2015 год
-
визуализация и сохранение полученных результатов в файл
Excel.
Таким образом, система прогнозирования возврата кредитов
ориентирована, прежде всего, на кредитные организации (банки,
коллекторские агентства) и направлена на удовлетворение требований
российских кредиторов на протяжении всего жизненного цикла по
обслуживанию кредитов. Следовательно, областью применения являются
экономические науки, кредитование.
В качестве научной новизны предлагается:
1.
Метод прогнозирования кредитоспособности клиентов на
этапе принятия решения о выдаче кредита с помощью агрегированных
классификаторов, результаты которых представляют объединенные
результаты нескольких независимых методов машинного обучения,
направленных на устранение недостатков одних методов при помощи
других, что способствует более точной оценке кредитоспособности
клиентов.
2.
Модель описания динамики погашения кредита заемщика на
основе методов машинного обучения и марковских цепей, учитывающая
условия кредита, информацию о самом заемщике, а также кредитную
историю заемщика.
3.
Метод прогнозирования изменения платежеспособности
клиентов на этапе погашения кредита на основании модели описания
динамики погашения кредита, разделяющей заемщиков на группы с целью
определения мероприятий по работе с заемщиками, имеющими
просроченную задолженность.
4.
Разработка алгоритмов и программного обеспечения для
прогнозирования кредитоспособности и изменения платежеспособности
клиентов.
Разработка системы прогнозирования возврата кредитов позволит
кредитным
организациям,
принимающим
решения
на
основе
субъективного мнения экспертов, автоматизировать процесс кредитования
клиентов на протяжении всего жизненного цикла обслуживания кредитов.
Совершенствование
существующих
методик
прогнозирования
кредитоспособности клиентов на этапе принятия решения о выдаче
кредита способствует более точной оценке и повышению качества
прогнозирования. Разработка новой методики прогнозирования изменения
платежеспособности заемщиков позволит проводить более четкую
градацию заемщиков по группам, с целью выстраивания грамотной
стратегии по работе с заемщиками, имеющими задолженности.
Библиографический список
1. Алексеева В.А., Донцова (Шунина) Ю.С., Клячкин В.Н.
Восстановление пропущенных наблюдений при классификации
объектов // В сборнике: «Теоретические и практические аспекты
развития
отечественного
авиастроения»:
тезисы
III
Всероссийской
научно-технической
конференции
«Теоретические
и
практические
аспекты
развития
Молодежный инновационный форум Приволжского федерального округа
Конкурс научно-технического творчества молодежи (НТТМ)
Интернет-сайт: http://ify.ulstu.ru. Ульяновск, 2015 год
2.
3.
4.
5.
6.
7.
8.
отечественного авиастроения». – Ульяновск, УлГТУ, 2014. – С.
12-14.
Бубырь Д.С., Донцова Ю.С. Задача прогнозирования временного
ряда с множеством дискретных состояний // Современные
проблемы создания и эксплуатации радиотехнических систем:
сборник научных трудов восьмой Всероссийской научнопрактической конференции (с участием стран СНГ). – 2013. – С.
199-201.
Донцова Ю.С. Анализ методов бинарной классификации // В
сборнике: «Теоретические и практические аспекты развития
отечественного авиастроения»: тезисы III Всероссийской научнотехнической конференции «Теоретические и практические
аспекты развития отечественного авиастроения». – Ульяновск,
УлГТУ, 2014. – С. 54-56.
Донцова Ю.С., Клячкин В.Н. Анализ инновационных механизмов
в области кредитования физических лиц // Региональная
экономика: актуальные вопросы и новые тенденции: сборник
научных трудов Международной заочной научно-практической
конференции. В 2 т. – Ульяновск: УлГТУ, 2014. – Т. 2. – С. 105111.
Донцова Ю.С. Прогнозирование состояний ипотечного кредита с
помощью марковской цепи и логистической регрессии //
Вузовская наука в современных условиях: сборник материалов
47-й научно-технической конференции. В 3 ч. Ч. 2. - Ульяновск:
УлГТУ, 2013. – С. 304-307.
Донцова Ю.С. Применение марковских цепей в системе
кредитного скоринга // Междисциплинарные исследования в
области компьютерного моделирования и информатики.
Материалы 3-й научно-практической internet-конференции. –
2014. – С. 185-189.
Донцова Ю.С. Построение скоринговой модели на основе
марковских цепей // Вузовская наука в современных условиях:
сборник материалов 48-й научно-технической конференции. В 3
ч. Ч. 2. - Ульяновск: УлГТУ, 2014. – С. 258-261.
Клячкин В.Н., Донцова Ю.С. Сравнительный анализ точности
нелинейных моделей при прогнозировании состояния системы
на основе марковской цепи // Известия Самарского научного
центра Российской академии наук. – 2013. – Т. 15. – № 4(4). – С.
924-927.