При определении кредитного рейтинга предприятия воспользуемся многослойной нейронной сетью. На этапе обучения на вход ПС будем подавать информацию, характеризующую экономическую деятельность заемщика. Такая информация может быть основана на уже существующих кредитных досье коммерческого банка. В качестве выходящей информации, необходимой для обучения ПС, используются уже рассчитанные на основании входящих показателей кредитные рейтинги. В процессе обучения НС выявляет нелинейные зависимости между показателями и рейтингом. Обучение ПС происходит по методу обратного распространения ошибки. Цель обучения состоит в минимизации ошибок при присвоении кредитных рейтингов заданной совокупности предприятий. Обучение идет до тех пор, пока веса показателей, а следовательно, и функция связи показатели — рейтинг не <научится правильно> классифицировать предприятия, т.е. пока рассчитанные ПС рейтинги не будут совпадать с заданными. После завершения обучения на вход НС будем подавать информацию аналогичного формата, по которой необходимо определить значение кредитного рейтинга.
Алгоритм работы НС, как уже отмечалось, состоит из двух этапов:
1) обучение НС на основании уже имеющейся совокупности показателей и присвоенных кредитных рейтингов;
2) использование обученной НС с найденной функцией зависимости «показатели кредитный рейтинг» для рейтинговой оценки будущих заемщиков.
Итак, можно сделать выводы:
1. Нейронные сети представляют собой инструмент моделирования, способный воспроизводить сложные нелинейные зависимости. Одно из главных приложений НС в банковской сфере — оценка кредитоспособности заемщика.
2. Изучение нелинейных связей происходит во время так называемого обучения сети, когда значения входящих переменных сопоставляются с выходным результатом. Наиболее распространенным алгоритмом обучения является метод обратного распространения. В том случае, если существует большой набор входящих переменных и невозможно определить степень влияния переменной на результат, используют генетический алгоритм, позволяющий воспроизводить биологические процессы.
З. Если на этапе обучения сети сопоставить финансовые показатели заемщика и значение его кредитного рейтинга, то полученные зависимости можно использовать в дальнейшем при анализе новых заемщиков.
4. В процессе обучения можно опираться не только на количественные, но и на качественные показатели, например, фазу экономического цикла и качество менеджмента. Это позволяет практически исключить возникновение субъективных ошибок.
5. Нейронные сети представляют собой качественно новый, надежный инструментарий работы по оценке кредитоспособности заемщика.[8]
