ємств з уже присвоєними кредитними рейтингами. Цим рейтингам відповідають значення кількісних і якісних показників, що містяться у кредитному досьє. У процесі спостережень НС обчислює вага кожного показника, що враховується при розрахунку кредитного рейтингу. Отримані значення ваг коригуються до тих пір, поки що розраховуються за допомогою цих ваг кредитні рейтинги всієї вихідної сукупності позичальників не співпадуть із заданими значеннями. У цьому випадку помилка навчання буде зведена до нуля, а НС відтворить точний тип зв'язку між показниками діяльності позичальника та його кредитним рейтингом.
Процес рішення задачі за допомогою НС починається зі збору даних для навчання. Навчальний набір даних являє собою вже відому інформацію, для якої вказані значення входять і виходять змінних. Вибір змінних, принаймні первісний, може здійснюватися інтуїтивно. На першому етапі розглядається вся сукупність змінних, які здатні впливати на результат. Потім це безліч скорочується.
Раніше ми показали, що оцінка кредитоспроможності проводиться на основі всебічного аналізу діяльності позичальника. Це, наприклад, і розрахунок фінансових коефіцієнтів, і визначення величини грошового потоку, і облік галузевих особливостей діяльності, макроекономічного стану в країні. Сукупність такої інформації про діяльність позичальника і являє собою набір входять змінних. Такому набору даних відповідають вже розраховані значення кредитних рейтингів, тобто виходять змінні.
Питання про те, які дані взяти в якості вхідних для НС, - один з найскладніших. Це пояснюється кількома причинами. По-перше, при вирішенні реальних завдань часто невідомо, як прогнозований показник пов'язаний з наявними даними. Тому збираються різноманітні дані у великих обсягах; серед цих даних імовірно є і важливі, і такі, цінність яких не відома і сумнівна. По-друге, в задачах нелінійної природи серед параметрів можуть бути взаємозалежні і надлишкові. Наприклад, кожен з двох параметрів може сам по собі нічого не означати, але разом вони несуть надзвичайно важливу інформацію. Тому спроби ранжувати параметри за ступенем значущості можуть виявитися неправильними. І нарешті, іноді краще просто прибрати деякі змінні, в тому числі несучі значиму інформацію, щоб зменшити число вхідних змінних, а значить, і складність завдання, і розміри мережі. Проблема значного ускладнення розрахунків за рахунок незначного збільшення числа входять змінних отримала назву «прокляття-розмірності».
Єдиний спосіб отримати гарантію того, що вхідні дані обрані найкращим чином, - перепробувати всі можливі варіанти вхідних наборів і вибрати найкращий. На практиці зробити це неможливо через величезної кількості варіантів. Одне з дієвих засобів вирішення питання генетичний алгоритм відбору вхідних даних.
Розробки в області нейронних мереж показали можливість використання НС в якості надійного і дієвого інструменту аналізу в сфері розрахунку кредитних ризиків позичальників - юридичних і фізичних осіб.
На етапі навчання на вхід НС необхідно подавати інформацію, що характеризує економічну діяльність позичальника. Така інформація може бути заснована на вже існуючих кредитних досьє комерційного банку. В якості виходить інформації, необхідної для навчання НС, використовуються вже розраховані на підставі вхідних показників кредитні рейтинги. У процесі навчання ...
