Решение задачи классификации банковских данных для принятия решения о кредитоспособности клиентов

ВВЕДЕНИЕ 2
1. ТЕОРЕТИЧЕСКИЕ И КОНЦЕПТУАЛЬНЫЕ ОСНОВЫ МЕТОДА 6
1.1. Теоремы и определения линейной отделимости 6
1.2. Универсальное измерение толщины сепаратора или псевдосепаратора 9
1.3. Сведение проекционной задачи к задаче квадратичного
программирования 12
2. ПОСТРОЕНИЕ ЭФФЕКТИВНОЙ СИСТЕМЫ СКОРИНГА НА
ОСНОВЕ ТЕОРИИ ЛИНЕЙНОЙ ОТДЕЛИМОСТИ 19
2.1. Сведение к задаче классификации клиентов банка 19
2.2. Алгоритм для нахождения расстояния между двумя множествами данных
клиентов банка 25
2.3. Описание разработанного программного обеспечения 28
3. ЧИСЛЕННЫЕ ЭКСПЕРИМЕНТЫ 34
3.1. Проведение численных экспериментов для задачи размерности n = 2 35
3.2. Проведение численных экспериментов для задачи размерности n = 3 40
3.3. Проведение численных экспериментов для реальных банковских данных 46
ЗАКЛЮЧЕНИЕ 53
СПИСОК ЛИТЕРАТУРЫ 54
ПРИЛОЖЕНИЕ 1 127
ПРИЛОЖЕНИЕ 2 

Купить

В рамках своей цели банковский бизнес предоставляет кредиты клиентам. Во время этого процесса и для принятия решения о том, одобрять или отклонять кредит, банк заинтересован в проверке кредитоспособности клиента. В прошлом это решение принималось на основании индивидуального решения экспертов банка, качественно оценивающего риск после изучения финансовой отчетности компании, бизнес-плана и собеседований с клиентом. За это время стало ясно, что такая система неэффективна в более сложных условиях и растущей конкуренции. Достижение конкурентной дифференциации на кредитном рынке требует от банков использовать новые подходы при принятии решений о кредитовании для конкретных сегментов клиентов. Поэтому целесообразно разрабатывать автоматизированные процессы по кредитной оценке, которые решают задачу интеллектуального анализа данных. Эти технологии становятся все более популярными благодаря развитию информационных технологий. Существует множество определений кредитной оценки, будем следовать тому, что указывает на то, что кредитная оценка - это система, помогающая лицу, принимающему решения, например, менеджеру по кредитам определять, предоставлять ли кредиты клиентам, на основе набора предопределенных признаков.
В общем виде задачу, определения кредитоспособности клиента, можно сформулировать следующим образом: объект, который определяется набор своих критериев необходимо отнести к одному из двух выпуклых многогранников(классов-образов).
Банки, которые будут использовать автоматизированные и оптимизированные процессы по принятию решения, будут иметь два очевидных преимущества:
• Сокращение затрат на обработку кредита путем маршрутизации заявок на кредит
• Увеличение потенциального дохода путем принятия более быстрых кредитных решений, особенно для заемщиков с хорошим кредитом. Быстрые решения по кредитованию являются первоочередной задачей для многих клиентов; банки, которые могут их предоставить, увеличивают вероятность завершения транзакции.
Системы кредитного скоринга(от англ. слова score, то есть «счета- система оценки кредитоспособности (кредитных рисков) лица) используются для моделирования потенциального риска применения займов, которые имеют то преимущество, что могут быстро обрабатывать большой объем кредитных приложений с минимальной рабочей силой, что снижает эксплуатационные расходы, и они могут стать эффективной заменой использованию суждения между неопытными кредитными менеджерами, что помогает контролировать убытки от безнадежных долгов. В данной работе исследуется эффективность моделей кредитного скоринга с использованием подходов построения сепаратора максимальной толщины для отделения выпуклых многогранников.
Проблема проектирования начала евклидова пространства на выпуклый многогранник играет неоценимую роль в дифференцируемой и не дифференцируемой выпуклой оптимизации, теории линейного расслоения выпуклых многогранников, классификации и идентификации данных. Класс проекционных техник успешно используется для решения целого ряда теоретических и прикладных математических задач. Методы, применяющие концепцию проектирования, обычно называются проекционными методами.
В данной работе рассматривается метод, который прогнозирует кредитоспособность новых клиентов на основе информации о существующих клиентов в базе данных, по которым уже известна информация, о том является ли плательщик благонадежным или нет.
Цель работы - разработка алгоритма с использованием теорем отделимости двух множеств, который по анализу параметров кандидата на получение кредита осуществляет прогнозирование о кредитном риске. Кредитный риск - это риск того, что заемщик не сможет погасить долг перед банком. В данной работе рассмотрен метод проекции точки на разность Минковского. Данный метод описан в статье Габидуллиной З.Р. "The Problem of Projecting the Origin of Euclidean Space onto the Convex Polyhedron ", [1] и будет рассмотрен в главе 1.4. данной работы.
Для достижения данной цели потребовалось решить следующие задачи:
1. Изучить:
• современные подходы в теории отделимости множеств;
• историю использования теории отделимости в банковской сфере;
• алгоритмы оптимизации в пакете MatLab.
2. Подготовить параметры исследуемой базы данных для решения задачи классификации.
3. Выявить ключевые параметры оценки системы принятия решения.
4. Построить эффективную систему скоринга на основе сепарирования
До сих пор в литературе были представлены многочисленные методы оценки кредитного риска. Большинство из них основаны на традиционных статистических методах, таких как логистическая регрессия [24], k-ближайший сосед [21], деревья классификации [19] или модели нейронных сетей [20, 16, 26], а также кластерный анализ (см. [18,22,23]). Выполнение различных классификационных алгоритмов, а также нейронных сетей, а также точность извлеченных моделей были широко рассмотрены в [15] и [17].
Некоторые авторы объединили разные модели, чтобы получить сильные общие правила. В [25] авторы построили систему принятия решений, поддерживающую оценку приложений бизнес - кредитов, применяя интеграцию основанных на знаниях аргументов и правил принятия решений. Этот гибридный подход позволяет строить правила для разных групп заемщиков отдельно. На первом этапе клиенты банка сегментируются в кластеры, которые характеризуются сходными функциями, а затем, на втором этапе, для каждой группы деревья решений построены для получения правил, которые могут указывать на то, что клиенты не ожидали погашения кредита.
Работа организована следующим образом. Во-первых, представлена теоретическая база метода и архитектура системы. Затем описывается процесс извлечения и подготовки данных. В третьем разделе представлены эксперименты с реальными наборами кредитных данных, и результаты, полученные после каждого этапа анализируются. В заключительном разделе представлены итоговые замечания.
Купить