Институт бизнеса и права
Сборник научных трудов
Внимание!
При использовании материалов сборника ссылка на сайт и указание автора обязательно

 
новости
об институте
правила приёма
научная работа
      конференции
      СНО
часто задаваемые вопросы
форум
баннеры, игры, ссылки
Филиалы:

Нижневартовск
Череповец



Rambler's Top100  
 
 
 

designed by baranenko.com  

Powered by Sun

ИРЗА Н.О.
Аспирант Университета банковского дела Национального банка Украины, г. Киев
Научный руководитель: к.т.н., доцент Ткаченко П.Р.

Нейросетевые технологии интеллектуального анализа данных в задачах поддержки принятия решений в банковской сфере

На протяжении многих лет на финансово-кредитном рынке существует проблема разработки единых подходов управления определенными классами филиалов и отделений с целью усовершенствования их работы. Решение этой проблемы, по нашему мнению, возможно благодаря использованию новых подходов к информационному моделированию, а именно, благодаря применению программных инструментов, базирующихся на новой нейропарадигме - Машина Геометрических Преобразований (Geometrical Transformation Machine – GТM).

Основным назначением нейросетей GТM является решение задач информационного моделирования, а именно исследования объектов заданных совокупностью своих признаков. Объекты представляются вектором реализаций в пространстве их свойств. [53] Причем, разделение на входные и выходные свойства не является принципиальным. Одним из режимов работы GТM есть режим отображения векторов входных сигналов в векторы выходных (проективная задача). Кроме проективной решаются также задачи прогнозирования, классификации, уплотнения данных, факторного анализа, кластеризации в режиме самообучения, фильтрации сигналов и др. [54] Эти преимущества реализованы в программном пакете нейросетей Analyzer-Visualizer (разработчик ООО "Sapienware"), который мы предлагаем использовать для решения задачи кластеризации многопараметрических объектов.

Analyzer-Visualizer - графический интерфейс пользователя, предназначенный для того, чтобы просто и быстро понять суть информации, представленной данными, и смоделировать процесс, лежащий в ее основе. Analyzer-Visualizer может обрабатывать числовые и номинальные данные, выполнять предвидения, кластеризацию, классификацию.

Объектом нашего исследования выбран один из системных банков областного масштаба, который функционирует на территории Украины. Результаты работы филиалов банка описываются 50-тью параметрами. Эти параметры являются входной информацией, которая описывает объект наших исследований, и на ее основе мы будем проводить анализ и формировать выводы о целесообразности открытия тех или иных лицензий на осуществление банковских операций, наличия ТОБО (территориально отдаленное безбалансовое отделение), целесообразность и величину вложения инвестиций в ТОБО. Предлагаемая технология позволяет оценить близость векторов-реализаций, каждый из которых представляет отдельный филиал системного банка, а также выделить группу близких векторов - кластер, параметры которых похожи. Удаленность точки от центра кластера означает существенное отличие ее параметров. Оттенки цветов точек, представляющих отдельные филиалы в трехмерном пространстве дают информацию о величине погрешности воспроизведения вектора построенной моделью, из чего можно делать вывод о «выпадение» некоторых точек (филиалов) из общей картины, а, следовательно, позволяют принимать решение о целесообразности проверки, аудита, углубленного изучения состояния данных филиалов системного банка, проверки тех показателей, погрешность по которым была наибольшая. [55]

В результате решения задачи кластеризации можем сделать вывод, что во всем множестве территориально отдаленных безбалансовых отделений действует одна группа компактно расположенных объектов, значения параметров для которых достаточно близкие. Помимо этой группы мы обнаружили также множество объектов, которые в целом находятся вне найденного кластера, а значит и их параметры, и соотношения между этими параметрами являются отличными от обычных, то есть не вписываются в общую картину. Это дает основания для выделения таких объектов в отдельную группу, и проведение углубленного анализа их характеристик.

В пространстве трех главных компонентов ярко выделяется один кластер: в нем сгруппированы рядовые ТОБО; главные филиалы находятся вне данного кластера. На рис.1 четко видно, что два объекта (ТОБО № 337 и № 258) имеют значительную погрешность по сравнению с другими ТОБО. Аналитик получает возможность оценить причины особенностей результатов работы этих объектов, обращаясь непосредственно к выборке, которая описывает данное ТОБО. В нашем случае, рентабельность выделенных ТОБО оказались на порядок ниже других.



Анализируя погрешности воспроизведения параметров отдельных ТОБО по наиболее весомых факторах, мы сужаем круг внимания аналитика до наиболее проблемных участков всей сетевой структуры многопараметрических объектов системного банка.

Предложенная технология позволяет легко выделить те филиалы ТОБО, выпадающих из общей картины и результаты работы, которые существенно отличаются от всех остальных филиалов, что способствует выработке более качественного и обоснованного управленческого решения, и призвана увеличить эффективность обработки имеющейся статистической информации и облегчить процесс ее анализа. [56]

Проведенные исследования и эксперименты подтвердили эффективность применения нейросетевой технологии объективной кластеризации, а также факторного анализа для финансово-кредитного рынка, что дало основания утверждать о целесообразности их использования для решения задач анализа и добычи знаний в хранилищах данных в этой предметной области. Можно утверждать, что предложенный подход способен содействовать решению проблемы разработки единых подходов управления определенными классами филиалов, отделений крупных системных банков с целью совершенствования их работы и улучшения позиций этих банков на финансово-кредитном рынке Украины.



53. Пономаренко В.С., Пушкар О.І., Журавльова І.В., Мінухін С.В. Проектування інформаційних систем: Посібник / Під ред. Пономаренка В.С. – К.:Академія, 2002. – 488 с.
54. Дюк В., Самойленко А. Data Mining. – СПб: Питер, 2001. – 368с.
55. Каханер Д., Моулер К., Нэш С. Численные методы и программное обеспечение: Пер. с англ. – М.: Мир, 2001. – 575 с.
56. Ткаченко П. Інформаційні технології соціально-економічного прогнозування // Вісник НУ «Львівська політехніка»: Комп’ютерні науки та інформаційні технології. – 2005. - №543. – с.131-134.



предыдущая статья следующая статья

Cборник научных статей
«Россия на пути выхода из экономического кризиса»,
СПб.: Институт бизнеса и права, 2010
© Институт бизнеса и права с 1994 года