НС виявляє нелінійні залежності між показниками і рейтингом. Навчання НС відбувається за методом зворотного поширення помилки. Мета навчання полягає в мінімізації помилок при визначенні кредитних рейтингів заданої сукупності підприємств. Навчання йде до тих пір, поки ваги показників, а отже, і функція зв'язку показники - рейтинг не «навчиться правильно» класифікувати підприємства, тобто поки розраховані НС рейтинги не будуть збігатися з заданими. Після завершення навчання на вхід НС будемо подавати інформацію аналогічного формату, по якій необхідно визначити значення кредитного рейтингу.
Отже, можна зробити висновки:
. Нейронні мережі являють собою інструмент моделювання, здатний відтворювати складні нелінійні залежності. Одне з головних додатків НС в банківській сфері - оцінка кредитоспроможності позичальника.
. Вивчення нелінійних зв'язків відбувається під час так званого навчання мережі, коли значення входять змінних зіставляються з вихідним результатом. Найбільш поширеним алгоритмом навчання є метод зворотного поширення. У тому випадку, якщо існує великий набір входять змінних і неможливо визначити ступінь впливу змінної на результат, використовують генетичний алгоритм, що дозволяє відтворювати біологічні процеси.
. Якщо на етапі навчання мережі зіставити фінансові показники позичальника і значення його кредитного рейтингу, то отримані залежності можна використовувати надалі при аналізі нових позичальників.
. У процесі навчання можна спиратися не тільки на кількісні, а й на якісні показники, наприклад, фазу економічного циклу і якість менеджменту. Це дозволяє практично виключити виникнення суб'єктивних помилок.
. Нейронні мережі являють собою якісно новий, надійний інструментарій роботи з оцінки кредитоспроможності позичальника.
Таким чином, на основі вищенаведеного аналізу можна зробити висновок, що для підвищення ефективності оцінки кредитоспроможності банку слід:
) Оптимізувати оцінку кредитоспроможності позичальника за рахунок автоматизації системи оцінки кредитоспроможності та більш ретельного аналізу позичальника.
) Використання крім класичних методик оцінки кредитоспроможності позичальника, факторні моделі, як Ж. Де Поляна, Спрінгейта, R-моделі і Альтмана.
) Одночасно поряд з застосовуваними моделями ввести практику викорисня нейронних мереж, що дозволить проводити більш якісну оцінку кредитоспроможності позичальника, а це в свою чергу буде вести до зниження ризику неплатоспроможності.
Висновок
Підводячи підсумки, ще раз доцільно наголосити на актуальності теми. Все більше і більше уваги приділяється стану позичальника, який звернувся за кредитом в банк. Мета будь-якого кредитора - це повний аналіз фінансового стану позичальника в динаміці, аналізуючи який буде легко сказати, чи зможе дана компанія погасити кредит і відсотки по ньому цілком і в строк. І вже залежно від отриманих результатів банк вирішує, на який термін варто видавати кредит, в якому обсязі і якої повинна бути застава.
У цьому зв'язку в дипломній роботі вивчені методи оцінки кредитоспроможності позичальника, що застосовуються у практиці більшості комерційних банків Киргизстану а так само методик...
