АННОТАЦИЯ 2
ВВЕДЕНИЕ 6
1 СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА МОДЕЛИРОВАНИЯ 9
1.1 Постановка задачи исследования 9
1.2 Современные методы машинного обучения 11
1.3 Анализ задачи кредитного скоринга 12
1.4 Современные подходы имитационного моделирования 15
1.5 Методология бизнес-моделирования 18
1.6 Интеллектуальное моделирование 19
1.7 Выводы по разделу 20
2 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ЗАДАЧИ КРЕДИТНОГО
СКОРИНГА 21
2.1 Предварительная обработка данных 21
2.2 Математическая модель оценки рисков 26
2.3 Решение проблемы несбалансированности данных 31
2.4 Выводы по разделу 35
3 РАЗРАБОТКА СРЕДЫ ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ .. 36
3.1 Разработка модели процесса «Кредитование физических лиц» 36
3.2 Разработка программной среды интеллектуального моделирования ... 37
3.3 Разработка интеллектуальной модели 38
3.4 Методика и результаты экспериментов 40
3.5 Выводы по разделу 45
ЗАКЛЮЧЕНИЕ 46
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 48
ПРИЛОЖЕНИЯ 54
ПРИЛОЖЕНИЕ 1 Текст программы на языке Python 54
ПРИЛОЖЕНИЕ 2 Текст программы на языке Java 58
В последнее время в России наблюдается рост потребительских кредитов с небольшим (до 30 тыс. руб.) лимитом кредитования [ 1]. Значительная доля таких кредитов в совокупном кредитном портфеле банков обуславливает их влияние на устойчивость банковского сектора в целом. Развитие кредитования физических лиц в условиях нестабильной макроэкономической ситуации сопровождается ростом просроченной задолженности по кредитам, усилением кредитной нагрузки населения, снижением прибыльности банковских кредитных операций и, как следствие, увеличением рисков банковской системы. Актуальным становится совершенствование процесса кредитования физических лиц путём применения скоринговых алгоритмов, как одного из инструментов минимизации уровня риска.
Формирование кредитно-скоринговых систем, в основе которых лежит анализ статистических данных заемщиков за длительный период времени, позволяет построить прогнозную модель, определяющую
кредитоспособность потенциальных заемщиков. Их применение значительно ускоряет процесс обработки кредитных заявок, за счёт совершенствования механизма оценки вероятности того, что клиент выплатит долг в краткосрочном периоде.
Сегодня в области банковского дела успешно используются современные компьютерные технологии . Необходимость своевременного реагирования бизнеса на изменения внешней среды обусловила значимость моделирования и прогнозирования деятельности с использованием имитационных средств и методов машинного обучения. Это даёт возможность более качественного принятия управленческих решений, на основе анализа текущей ситуации и прогноза будущих показателей.
Однако, ввиду непрерывного изменения и усложнения структуры организаций, неопределённости и непостоянства факторов среды, влияющих 6
на процесс управления, моделирование бизнеса нуждается в новых методах повышения эффективности разрабатываемой модели. Одним из способов может стать интеллектуальное моделирование, объединяющее возможности машинного обучения и имитационного моделирования.
Накопленный опыт работы с алгоритмами машинного обучения совместно с богатой экосистемой моделирования является актуальным направлением исследования сложных социально-экономических систем. Ввиду этого, универсальное программное обеспечение для симуляций, позволяющее совмещать различные подходы, переживает период повышенного спроса и является одним из перспективных направлений развития моделирования.
Целью работы является создание интеллектуальной модели процесса кредитования физических лиц на базе системы AnyLogic. Интеграция инструментов имитационного моделирования с модулями машинного обучения позволяет детально описать бизнес-логику и автоматизировать процесс моделирования.
В первом разделе проведен анализ предметной области, рассмотрены общие теоретические аспекты машинного обучения, имитационного и интеллектуального моделирования. Проанализирована связь задачи кредитного скоринга с машинным обучением, рассмотрены современные методы решения несбалансированности данных.
Во втором разделе описан процесс обработки выборочных данных и математическая модель решения задачи дисбаланса целевого признака.
Третий раздел посвящен разработке среды интеллектуального моделирования. Описана имитационная и реализована интеллектуальная модель процесса «Кредитование физических лиц». Оценено качество алгоритмов классификации и проведены оптимизационные эксперименты интеллектуальной модели.
Разработанная интеллектуальная модель процесса «Кредитование физических лиц» позволяет проводить предварительный анализ состояния заемщика с целью принятия первичного решения о возможности кредитования клиента. Применение данной модели повышает эффективность моделирования и, как следствие, точность и обоснованность принимаемых управленческих решений.
Работа посвящена совершенствованию методики моделирования деятельности банка за счёт создания интеллектуальной модели процесса кредитования физических лиц, объединяющей методы имитационного моделирования и машинного обучения.
Проведено исследование современных подходов к моделированию сложных систем. Рассмотрены достижения и направления развития в области интеллектуального моделирования. В ходе изучения работ по данной теме сделаны выводы об отсутствии единой методологии и подходящих сред для создания комплексных моделей. Принято решение о возможности использования в качестве удобной среды создания интеллектуальных моделей системы AnyLogic. Интеграция модели, созданной инструментарием AnyLogic, со средствами машинного обучения позволяет создать единую виртуальную среду интеллектуального моделирования. Данная модульная архитектура может использоваться как для обучения, так и для тестирования алгоритмов машинного обучения перед их внедрением в реальные системы. Сделаны выводы о целесообразности использования методов
интеллектуального моделирования как перспективного направления, которое повышает эффективность моделирования в целом.
В ходе предварительной обработки и очистки данных выявлена несбалансированность целевого признака. Рассмотренные стандартные алгоритмы сэмплинга не способны принимать во внимание всё обилие взаимосвязей признаков. Балансировка данных реализована при помощи копула-функций, описывающих законы многомерного распределения вероятностей, принимая во внимание характер зависимостей, существующих между компонентами случайной величины.
В качестве моделей скоринга рассмотрены алгоритмы классификации: DecisionTreeClassifier, LogisticRegression, RandomForestClassifier библиотеки Scikit-learn языка Python.
На основе бизнес-модели процесса «Кредитование физических лиц» разработана и реализована интеллектуальная модель путём встраивания модулей обработки и балансировки данных на языке Python в имитационную модель процесса кредитования в среде AnyLogic.
Проведено сравнение эффективности балансировки целевого класса различными методами. Совместное использование имитационного моделирования и методов машинного обучения показывает лучший результат. Проведен оптимизационный эксперимент с целью максимизации показателя эффективности и определения оптимальных значений параметров процесса.
Таким образом, поставленные задачи решены, цель работы
