ка прийняття рішень в економіці в цілому і в кредитних організаціях зокрема в сучасній літературі висвітлена недостатньо і поверхово. Досить мало публікацій, що стосуються застосування штучних НС у фінансово-економічній діяльності. Інтерес представляють роботи Бестенса Д.-Е., Ван Ден Берга В.-м., Вуда Д. [5], Киричевського М.Л. [8], Єжова О.О., Шумського С.А. [7]. У дисертаційних дослідженнях Просаловой В.С. [15] і Корнієнко С.Л. [10] проведена оцінка кредитоспроможності юридичних осіб в умовах розвитку нейромережних експертних систем. Зокрема, Корнієнко С.Л. будує альтернативну систему рейтингової оцінки кредитоспроможності підприємств з використанням НС, що дозволяє ефективно враховувати необмежену кількість факторів кредитоспроможності, пропонує механізм функціонування різних типів нейронних мереж, в т.ч. мережі Кохонена, для оцінки кредитоспроможності позичальника. Що стосується подібної оцінки для фізичних осіб, то лише деякі практичні аспекти застосування НС для визначення кредитоспроможності позичальника розглянуті в дослідженні Абрічкіной Г.Б. [1].
У ряді робіт [6, 14, 18] зазначається, що не існує ідеальних систем фінансових коефіцієнтів і моделей оцінки кредитоспроможності, всі вони, в тій чи іншій мірі, дають лише більшу або меншу ймовірність помилки прогнозу і , як наслідок, втрати активу банку. Тому, наприклад Сбербанк РФ для отримання більш точного результату використовує кількісний аналіз кредитоспроможності позичальника за п'ятьма різними моделями, які використовують різні системи фінансових коефіцієнтів. Виходячи з цього, існує можливість виникнення ситуації, коли різні моделі оцінки ймовірності банкрутства (кредитоспроможності), одночасно вказують на різні класи кредитоспроможності одного позичальника і співробітникові банку доводиться приймати рішення про присвоєння рейтингу кредитоспроможності клієнта на основі суперечливих даних [14]. Таким чином, фахівцям банку буває важко охарактеризувати остаточну кредитоспроможність позичальника, яка є базою для визначення умов кредитної угоди. Рішенням такого завдання, була б розробка комплексної методики кількісної оцінки кредитоспроможності клієнта банку, яка дозволяла зменшити суперечливість результатів з одного боку, а з іншого використовувала б плюси існуючих, в тому числі і класичних моделей, здійснюючи, таким чином, більш високу якість прийняття рішення, засобами комп'ютерної підтримки [6, 7].
Актуальність даної роботи обумовлена ??необхідністю подальшого вдосконалення математичних та інструментальних засобів управління кредитними ризиками, спрямованих на оптимальний розподіл фінансових ресурсів банків за допомогою скоринг-систем.
Метою роботи є ознайомлення з принципами роботи програми STATISTICA 8 Neural Networks , а також проведення оцінки кредитоспроможності фізичних осіб за допомогою нейронних мереж.
Основні завдання роботи:
1. Аналіз наукової, науково-методичної, математичної та економічної літератури, банківської документації з даної теми дослідження.
. Вивчення програми STATISTICA 8 Neural Networks, її можливостей для вирішення задач класифікації.
. Опис математичної моделі кредитування фізичних осіб.
. Застосування програми STATISTICA 8 Neural...
