Помощь студентам в учебе
Разработка моделей оценки вероятности возврата кредита по ипотеке с использованием методов машинного обучения
|
АННОТАЦИЯ 2
ВВЕДЕНИЕ 7
ПОДХОДЫ К ОПРЕДЕЛЕНИЮ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА 11
Понятие кредитоспособность заемщика. 11
Методики оценки кредитного риска заемщика 16
Проблемы в современной системе оценки кредитоспособности заемщика 34
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ СРЕДСТВО
РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 43
Деревья решений 43
Ансамбли 47
Стекинг 48
Беггинг 49
Бустинг 49
Ансамбли деревьев решений 50
Случайный лес 50
Градиентный бустинг деревьев 52
Нейронные сети 53
Свёрточные нейронные сети (CNN) 54
Рекуррентные нейронные сети 56
Многослойный перцептрон 57
Выводы по разделу два 58
ПРОГНОЗИРОВАНИЕ ВЕРОЯТНОСТИ ВОЗВРАТА КРЕДИТА ЗАЕМЩИКОМ
В КОМПАНИИ СБЕРБАНК 61
Градиентный бустинг 72
ПРОЕКТ КОММЕРЦИАЛИЗАЦИИ 98
Участники процесса коммерциализации 98
Выбор способа коммерциализации 101
Достоинства и недостатки способов коммерциализации 103
Описание продукта 105
Решаемая проблема 105
Дорожная карта коммерциализации проекта 106
Оценка объема рынка 109
Бизнес-Модель 110
Команда проекта 111
Ценообразование 111
Правовая основа проекта 117
Формы распоряжения авторскими правами 117
Выводы по разделу четыре 118
ЗАКЛЮЧЕНИЕ 119
БИБЛИОГРАФИЧЕСКИЙ' СПИСОК 120
ВВЕДЕНИЕ 7
ПОДХОДЫ К ОПРЕДЕЛЕНИЮ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА 11
Понятие кредитоспособность заемщика. 11
Методики оценки кредитного риска заемщика 16
Проблемы в современной системе оценки кредитоспособности заемщика 34
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ СРЕДСТВО
РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 43
Деревья решений 43
Ансамбли 47
Стекинг 48
Беггинг 49
Бустинг 49
Ансамбли деревьев решений 50
Случайный лес 50
Градиентный бустинг деревьев 52
Нейронные сети 53
Свёрточные нейронные сети (CNN) 54
Рекуррентные нейронные сети 56
Многослойный перцептрон 57
Выводы по разделу два 58
ПРОГНОЗИРОВАНИЕ ВЕРОЯТНОСТИ ВОЗВРАТА КРЕДИТА ЗАЕМЩИКОМ
В КОМПАНИИ СБЕРБАНК 61
Градиентный бустинг 72
ПРОЕКТ КОММЕРЦИАЛИЗАЦИИ 98
Участники процесса коммерциализации 98
Выбор способа коммерциализации 101
Достоинства и недостатки способов коммерциализации 103
Описание продукта 105
Решаемая проблема 105
Дорожная карта коммерциализации проекта 106
Оценка объема рынка 109
Бизнес-Модель 110
Команда проекта 111
Ценообразование 111
Правовая основа проекта 117
Формы распоряжения авторскими правами 117
Выводы по разделу четыре 118
ЗАКЛЮЧЕНИЕ 119
БИБЛИОГРАФИЧЕСКИЙ' СПИСОК 120
Актуальность темы.
Банковский сектор является одним из важнейших элементов экономики страны, обеспечивающим движение финансовых ресурсов и, соответственно, ее дальнейшее развитие. Кредитование как основной вид деятельности коммерческого банка предполагает наличие кредитного риска вследствие финансовых потерь от невозврата выданных кредитов. По итогам первого полугодия 2015 года кредитный портфель российских банков сократился на 1,7 % или на 893 миллиарда рублей. Просроченная задолженность перед российскими банками выросла на 612 миллиардов рублей до 2,6 триллионов рублей, против роста на 258 миллиардов рублей в первом полугодии 2014 года и на 322 миллиарда рублей во втором полугодии прошлого года [84].
Прогнозирование вероятности возврата кредита по ипотеке является насущной необходимостью, так как ставка кредита напрямую зависит от процента невозвращаемых кредитов, банкам необходимо понимать риски по возможности невозврата кредита по определенному заемщику или со-заёмщикам в целом. Без определения процента невозвращаемых кредитов невозможность выработать и реализовать верную процентную ставку как на макроуровне, так и на уровне регионов и всего банка в целом.
На макроуровне для банков важно знать как на ближайшую, так и на определенную перспективу: какие перемены могут произойти у заемщика, какие темпы инфляции, какая ставка будет у ЦБ РФ, как изменится уровень жизни в будущем.
На макроуровне для банков важно знать на ближайшую, так и на отдаленную перспективу: какие перемены могут произойти в ставке ЦБ, какая экономическая обстановка в стране, какие темпы инфляции, соотношение процентных ставок других банков-конкурентов и ставка ЦБ РФ в будущем.
Такая информация требуется [1]:
- при принятии решений о выдаче кредита как людям в целом, так и персонально каждому заемщику;
- при исследовании возможных колебаний ставки ЦБ России, как будет будет осуществляться кредитная политика государства;
- при прогнозировании развитии рынка кредитов в России;
Поэтому каждый банк вынужден заниматься прогнозированием возврата кредита заемщиком либо сам, либо нанимая для этого специалистов. Спрос на прогнозы возврата кредита заемщиком резко возрастает, появляются отдельные компании, которые предлагают эти услуги.
Показателями, используемыми для прогнозирования вероятности возврата кредита по ипотеке заемщиком, являются:
- уровень дохода заемщика и его со-заёмщиков после вычета всех налогов
- категория занимаемой должности
- находится ли заемщик в браке
- есть ли у заемщика дети, если есть в каком количестве
- какой адрес регистрации у заемщика
- какой адрес квартиры, которую заемщик хочет взять
- наличие у заемщика действующих кредитов
- срок работы заемщика на последнем месте работы
- возраст заемщика и его со-заёмщиков, если таковые имеются
- наличие движимого и недвижимого имущества у заемщика
- скоринговый балл
Расчет вероятности возврата кредита по ипотеке является одним из важных элементов процесса скоринга заемщика банком.
Актуальность проблемы анализа оценки кредитоспособности заемщика в современных нестабильных условиях финансового рынка определили выбор темы, постановку проблемы, цель и задачи исследования.
Целью диссертационной работы является повышение доли возврата кредита в общем количестве выданных кредитов путем разработки и применения методологии оценки кредитоспособности заемщиков на основе машинного обучения.
Объектом исследовательской работы является процесс прогнозирования вероятности возврата кредита по ипотеке заемщиком.
В данной работе под термином прогнозирование понимается специальное научное исследование конкретных перспектив развития какого-либо явления.
Предметом исследования является под процесс прогнозирования возврата кредита заемщиком на основе его полученных данных.
Для достижения цели были поставлены следующие задачи:
Научная новизна исследования состоит в автоматическом определении с высокой долей вероятности возврата кредита заемщиком на этапе скоринга.
1) проведена систематизация понятийного аппарата, используемого при оценке кредитоспособности заемщиков.
2) обоснована целесообразность проведения коммерческими банками анализа оценки кредитоспособности заемщиков в целях повышения эффективности деятельности банков
3) выявлены внешние факторы, определяющие необходимость изменения оценки кредитоспособности заемщиков.
4) выявлена наиболее значимая методика оценки кредитоспособности заемщика - скоринговая модель.
5) анализ и сравнение имеющихся прогнозных методов машинного обучения
6) предложен алгоритм применения машинного обучения предсказания возврата кредита, лежащей в основе оценки кредитоспособности заемщиков.
7) формирование плана коммерциализации
Теоретическая значимость исследования заключается в том, что предлагаемая модель машинного обучения развивают методику банковского анализа при проведении оценки заемщиков в России. Практическая значимость исследования заключается в том, что предложенная модель анализа оценки кредитоспособности заемщиков способствуют организации рациональной аналитической работы при принятии кредитных решений, снижению объемов просроченной задолженности, а также обеспечивает повышение достоверности оценки кредитоспособности, и уменьшает вероятность неверных решений по результатам оценки.
Банковский сектор является одним из важнейших элементов экономики страны, обеспечивающим движение финансовых ресурсов и, соответственно, ее дальнейшее развитие. Кредитование как основной вид деятельности коммерческого банка предполагает наличие кредитного риска вследствие финансовых потерь от невозврата выданных кредитов. По итогам первого полугодия 2015 года кредитный портфель российских банков сократился на 1,7 % или на 893 миллиарда рублей. Просроченная задолженность перед российскими банками выросла на 612 миллиардов рублей до 2,6 триллионов рублей, против роста на 258 миллиардов рублей в первом полугодии 2014 года и на 322 миллиарда рублей во втором полугодии прошлого года [84].
Прогнозирование вероятности возврата кредита по ипотеке является насущной необходимостью, так как ставка кредита напрямую зависит от процента невозвращаемых кредитов, банкам необходимо понимать риски по возможности невозврата кредита по определенному заемщику или со-заёмщикам в целом. Без определения процента невозвращаемых кредитов невозможность выработать и реализовать верную процентную ставку как на макроуровне, так и на уровне регионов и всего банка в целом.
На макроуровне для банков важно знать как на ближайшую, так и на определенную перспективу: какие перемены могут произойти у заемщика, какие темпы инфляции, какая ставка будет у ЦБ РФ, как изменится уровень жизни в будущем.
На макроуровне для банков важно знать на ближайшую, так и на отдаленную перспективу: какие перемены могут произойти в ставке ЦБ, какая экономическая обстановка в стране, какие темпы инфляции, соотношение процентных ставок других банков-конкурентов и ставка ЦБ РФ в будущем.
Такая информация требуется [1]:
- при принятии решений о выдаче кредита как людям в целом, так и персонально каждому заемщику;
- при исследовании возможных колебаний ставки ЦБ России, как будет будет осуществляться кредитная политика государства;
- при прогнозировании развитии рынка кредитов в России;
Поэтому каждый банк вынужден заниматься прогнозированием возврата кредита заемщиком либо сам, либо нанимая для этого специалистов. Спрос на прогнозы возврата кредита заемщиком резко возрастает, появляются отдельные компании, которые предлагают эти услуги.
Показателями, используемыми для прогнозирования вероятности возврата кредита по ипотеке заемщиком, являются:
- уровень дохода заемщика и его со-заёмщиков после вычета всех налогов
- категория занимаемой должности
- находится ли заемщик в браке
- есть ли у заемщика дети, если есть в каком количестве
- какой адрес регистрации у заемщика
- какой адрес квартиры, которую заемщик хочет взять
- наличие у заемщика действующих кредитов
- срок работы заемщика на последнем месте работы
- возраст заемщика и его со-заёмщиков, если таковые имеются
- наличие движимого и недвижимого имущества у заемщика
- скоринговый балл
Расчет вероятности возврата кредита по ипотеке является одним из важных элементов процесса скоринга заемщика банком.
Актуальность проблемы анализа оценки кредитоспособности заемщика в современных нестабильных условиях финансового рынка определили выбор темы, постановку проблемы, цель и задачи исследования.
Целью диссертационной работы является повышение доли возврата кредита в общем количестве выданных кредитов путем разработки и применения методологии оценки кредитоспособности заемщиков на основе машинного обучения.
Объектом исследовательской работы является процесс прогнозирования вероятности возврата кредита по ипотеке заемщиком.
В данной работе под термином прогнозирование понимается специальное научное исследование конкретных перспектив развития какого-либо явления.
Предметом исследования является под процесс прогнозирования возврата кредита заемщиком на основе его полученных данных.
Для достижения цели были поставлены следующие задачи:
Научная новизна исследования состоит в автоматическом определении с высокой долей вероятности возврата кредита заемщиком на этапе скоринга.
1) проведена систематизация понятийного аппарата, используемого при оценке кредитоспособности заемщиков.
2) обоснована целесообразность проведения коммерческими банками анализа оценки кредитоспособности заемщиков в целях повышения эффективности деятельности банков
3) выявлены внешние факторы, определяющие необходимость изменения оценки кредитоспособности заемщиков.
4) выявлена наиболее значимая методика оценки кредитоспособности заемщика - скоринговая модель.
5) анализ и сравнение имеющихся прогнозных методов машинного обучения
6) предложен алгоритм применения машинного обучения предсказания возврата кредита, лежащей в основе оценки кредитоспособности заемщиков.
7) формирование плана коммерциализации
Теоретическая значимость исследования заключается в том, что предлагаемая модель машинного обучения развивают методику банковского анализа при проведении оценки заемщиков в России. Практическая значимость исследования заключается в том, что предложенная модель анализа оценки кредитоспособности заемщиков способствуют организации рациональной аналитической работы при принятии кредитных решений, снижению объемов просроченной задолженности, а также обеспечивает повышение достоверности оценки кредитоспособности, и уменьшает вероятность неверных решений по результатам оценки.
В ходе написания магистерской диссертационной работы, был рассмотрен процесс рассмотрение заявки на подачу кредита заемщиком, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования возврата кредита заемщиком в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- XGBoost, которая показала результат равный 0.86;
- lightGBM, данная реализация метода позволила снизить ошибку до 0.87.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карта проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- XGBoost, которая показала результат равный 0.86;
- lightGBM, данная реализация метода позволила снизить ошибку до 0.87.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карта проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
