Экономические науки/ 1. Банки и банковская система

Аспирант Польшина В.А.

Донецкий национальный университет, Украина

Построение нейросетевой модели анализа депозитов банка

Современная ситуация в банковской сфере отличается динамизмом, непостоянством влияния внешних факторов и нестабильностью поступления финансовых ресурсов. Объемы кредитования в последние годы сведены к минимуму, что не дает возможности получения процентной прибыли. Объем вложения на депозитные счета банков снизился на 30%, что ограничивает возможности банка в осуществлении финансовых операций по всем направлениям деятельности. Критическая ситуация с пассивами банка требует анализа и применения новых подходов в прогнозировании и экономико-математическом моделировании.

Анализ депозитных вкладов представляет собой трудоемкий процесс, так как имеются свои особенности. Информацию о депозиторах банк не имеет возможности требовать как при кредитовании. А также нет возможности спрогнозировать услугами какого банка воспользуется клиент, размер вложений и индивидуальные предпочтения. Многообразие предлагаемых программ дает возможность выбора, но и не дает четкой картины для клиента.

Метод классификации клиента в зависимости от его возможностей позволит сузить выбор предлагаемых депозитных программ до 2-3 наиболее подходящих, что в значительной степени снизит расходы на перебор и апробацию большого количества депозитных программ [1].

Анализируя заемный капитал банка возможно применение двух методов из нейросетевого анализа – классификации на основе линейных моделей или моделей с сигмоидальными функциями, а также кластеризация образцов на основе сетей Кохонена.

Линейная сеть может быть применена для решения задач классификации только для класса линейно отделимых объектов. Таким образом, возникает ограничение, которое возможно не применимо для конкретного коммерческого банка. В качестве входных значений в модель анализа депозиторов банка требуются следующие данные: валюта депозита, сумма депозита, сумма пополнения, срок депозита, цель депозита и т.д. Модель имеет количество выходов по количеству возможных вариантов распределения депозиторов по депозитным программам.

Преимуществом моделей основанных на нейронных сетях являет возможность их формирования на принципе «черного ящика». Большинство программных продуктов разработанных для поддержания нейросетевого моделирования позволяют формировать количество слоев и количество элементов в слоях в зависимости от требований к модели. При этом реализация проходит для каждого отдельного случая. В процессе применения модели в банке требуется только введение входов и выходов модели.

Процесс обучения модели основан на алгоритме обратного распространения ошибок. В основе алгоритма лежит принцип сравнения значения, которое должна получить модель, и реально полученного. Далее образуется вектор ошибок и выполняется обратный проход в модели. Значения весов для модели корректируются и происходит пересчет модели.

Ошибка выходного значения модели задается следующей формулой:

,

где - истинный выход сети, - полученный выход сети.

Сигнал, приходящий к выходному элементу обозначен через . Далее проводится корректировка весового значения на величину . При этом используется формула:

,

где - норма обучения.

При следующем использовании сети весовой коэффициент будет иметь вид:

.

Как правило, начальный коэффициент весов в модели устанавливается случайным образом в диапазоне от -0,3 до 0,3. Дальнейшее обучение модели позволяет определить веса конкретнее. Применительно к банку проводится обучение на уже существующих депозиторах.

Возможен вариант, когда объекты линейно не разделимы. В таком случае вместо линейной функции выхода применима сигмоидальная:

,

где - выходное значение из элемента сети, - входное значение элемента.

При этом выходные значения будут иметь вид 1 для необходимого вида депозита и 0 для всех остальных.

Для кластеризации депозиторов на основе сети Кохонена используются те же входные данные, а количество выходов и оптимальные депозитные программы сеть разработает сама. Выходные значения будут называться кластерными элементами. Все требования потенциальных депозиторов будут распределены на определенные группы, которые в итоге сформируют депозитные программы.

Для обучения сети число кластерных элементов выбирается меньше число обучающих данных, так как сеть может создать свой кластер для каждого элемента [2,3].

Подводя итог можно отметить, что применение нейросетевого моделирования дает возможность упрощения анализа депозиторов и оптимизацию отдела работы с клиентами в коммерческом банке.

Литература:

1. Батракова Л.Г. Экономический анализ деятельности коммерческого банка/ Батракова Л.Г. – М.: Логос, 2002. – 344с.

2. Каллан Р. Основные концепции нейронных сетей/ Каллан Р. – М.: Вильямс, 2003. – 288с.

3. Лысенко Ю.Г. Нейронные сети и генетические алгоритмы/ Лысенко Ю.Г., Иванов Н.Н., Минц А.Ю. – Донецк: Юго-восток, 2003. – 265с.