Использование нечеткой логики при решении вопросов кредитования в банковской деятельности
Автор: Мааткабылова С.М., Михеева Н.И.
Журнал: Огарёв-online @ogarev-online
Статья в выпуске: 15 т.8, 2020 года.
Бесплатный доступ
Описана компьютерная система на основе нечеткой логики для распознавания возможности выдачи кредита клиентам банка. Для решения этой задачи использован специальный инструментарий в пакете прикладных программ MATLAB - Fuzzy Logic Toolbox. Система позволяет на основе сведений о платежеспособности клиента и условий работы банка оперативно выбрать оптимальную форму кредитования и оценить возможную сумму кредита.
Компьютерная система, лингвистическая переменная, нечеткая логика, управление
Короткий адрес: https://sciup.org/147249866
IDR: 147249866
Текст научной статьи Использование нечеткой логики при решении вопросов кредитования в банковской деятельности
Середина ΧΧ века ознаменовалась бурным развитием теории и практики автоматизации управления. Возникли новые направления математической теории систем – синергетика, нечеткая логика, распознавание образов, нейронные сети и другие. Их реализация подкрепилась развитием компьютерной техники и программного обеспечения. Этот процесс обеспечил интеллектуализацию автоматизированного управления во всех сферах деятельности, связанных с производством, финансированием, обучением, развлечениями и других.
Распознавание образов основано на теории статистических решений и позволяет осуществить классификацию исследуемых объектов. Одна из первых работ в данном направлении выполнена Р. Фишером [2]. Она положила начало формированию дискриминантного анализа как одного из разделов теории и практики распознавания.
Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) – это задача идентификации объекта или определения каких-либо его свойств по его изображению (оптическое распознавание) или аудиозаписи (акустическое распознавание) и другим характеристикам. Распознавание является основой успешности принятия интеллектуальных управленческих решений в различных условиях, которые связаны со сложными многофункциональными объектами и неоднозначными ситуациями.
Нечеткая логика оперирует нечеткими множествами и правилами их преобразования. Идеи нечеткого моделирования, предложенные Л. Заде в 1965 году [3], получили бурное развитие и внедрение, начиная с середины 1970-х годов [6], что оказалось возможным благодаря совершенствованию информационных технологий как инструмента реализации нечетких алгоритмов управления. Это связано с тем, что, в отличие от классической математики, которая требует на каждом шаге точные модели и однозначные формулировки закономерностей, нечеткая логика вводит подход к решению проблемы управления, основанный на правилах вида «ЕСЛИ A И B ТОГДА C » вместо попыток смоделировать систему математически. Она описывает поведение оператора-эксперта при управлении и основана на опыте оператора, а не на понимании внутренних закономерностей управляемой системы [4]. Таким образом, основной целью введения нечеткой логики является создание аппарата, способного моделировать человеческие рассуждения и использовать интуитивные приемы принятия решений в различных ситуациях. К настоящему времени аппарат нечеткой логики в достаточной степени разработан и применяется при создании систем, понимающих тексты на естественном языке, а также планирующих систем, опирающихся на неполную информацию; для обработки зрительных сигналов, при управлении техническими, социальными и экономическими системами с искусственным интеллектом и робототехникой. При этом для реализации управления можно использовать среды Fuzzy Tech и MATLAB [7].
Использование нечеткой логики в управлении банковской деятельностью позволяет оперативно распознавать и анализировать разнообразные ситуации и принимать обоснованные решения, используя компьютерную технику. Одна из наиболее часто выполняемых банками процедур – выдача кредитов. Традиционно решение о выдаче кредита принимается группой экспертов, которые оценивают все показатели платёжеспособности клиента и на основе своего опыта и знаний принимают решение. Это процедура является трудоемкой и занимает большое количество времени. Сокращение трудоемкости и временных затрат можно обеспечить за счет автоматизации процесса экспертизы с помощью специального инструментария – Fuzzy Logic Toolbox в рамках среды MATLAB [1].
Пакет прикладных программ допускает создавать системы нечеткого логического вывода и нечеткой классификации с возможностью их интегрирования в Simulink. Основой структуры является система нечеткого вывода Fuzzy Inference System (FIS). В FIS-структуру входят все необходимые данные для реализации функционального отображения «входы» –
«выходы». Модуль FIS позволяет строить нечеткие системы двух типов – Мамдани и Сугэно, которые различаются способами задания значений выходной переменной и правил, образующих базу знаний. Для решения финансовых задач более предпочтительна система типа Мамдани, в которой база знаний cтроится с использованием лингвистических переменных на основе логических правил вида «ЕСЛИ A И B ТО C » [5].
Результат разработки структуры системы в редакторе FIS представлен на рисунке 1. Входными данными являются Заработная Плата (ЗарПлата), Оценка имеющейся Недвижимости (ОценкаНедвижимости), наличие Собственного Вклада (СобствВклад) и Кредитная История (КредитИстория) клиента. Три услуги, которые предоставляет банк, именуемые СуммаКредита, СуммаЛизинга и СуммаИпотеки брали в качестве выходных данных .

Рис. 1. Вид окна FIS-редактора после задания структуры системы
С помощью редактора функций принадлежности заданы следующие параметры для каждой переменной:
ЗарПлата – трапециевидная функция принадлежности, диапазон значений которой от 0 до 25 000 рублей включает три лингвистических множества: «Низкая», «Средняя», «Высокая»;
ОценкаНедвижимости – трапециевидная функция принадлежности, диапазон значений которой от 0 до 35 000 рублей состоит из двух лингвистических множеств: «Низкая», «Высокая»;
СобственныйВклад – трапециевидная функция принадлежности, диапазон значений которой от 0 до 100 000 рублей включает два лингвистических множества: «Есть», «Нет».
КредитнаяИстория – трапециевидная функция принадлежности, диапазон значений которой от 0 до 10 баллов состоит из трех лингвистических множеств: «Плохая», «Удовлетворительная», «Отличная».
В качестве окончательного результата использованы три переменные, характеризующие услуги банка, каждая из которых содержит 4 лингвистических множества: «Отказать», «Маленькая», «Средняя», «Большая». Это следующие переменные:
СуммаКредита – треугольная функция принадлежности в диапазоне значений от 0 до 100 000 рублей;
СуммаЛизинга – треугольная функция принадлежности в диапазон значений от 0 до 3 000 000 рублей;
СуммаИпотеки – треугольная функция принадлежности в диапазон значений от 0 до 10 000 000 рублей.
В зависимости от значений входных переменных и принятых правил их преобразования система может отказать клиенту или же вывести рекомендуемую сумму с учетом всех рисков для каждой банковской услуги.
Для получения результатов анализа были сформулированы нечеткие правила вывода и введены в систему через редактор правил (рисунок 2). В нечеткой системе все правила работают параллельно, причем степень их влияния на выход может быть различной. Процесс обработки нечетких правил вывода состоит из 4 этапов:
-
1. Вычисление степени истинности левых частей правил (между «если» и «то») – определение степени принадлежности значений входных переменных нечетким подмножествам, указанным в левой части правил вывода.
-
2. Преобразование нечетких подмножеств, указанных в правой части правил вывода (после «то»), в соответствии со значениями истинности, полученными на первом этапе.
-
3. Суперпозиция преобразованных по введенным правилам подмножеств для каждой выходной переменной.
-
4. Переход от нечетких подмножеств к выходным значениям, определяющим сумму
-
3 . If (ЗарПлата is Низкая) or (ОценкаНедвижимости is Высокая) or (СобствВклад is есть) or (КредитнаяИстог
-
4 If (Зарплата is Средняя) or (ОценкаНедвижимости is Низкая) or (СобствВклад is есть) or (КредитнаяИстоц
-
5. If (ЗарПлата is Средняя) or (ОценкаНедвижимости is Высокая) or (СобствВклад is есть) or (КредитнаяИст
-
6. If (ЗарПлата is Средняя) or (ОценкаНедвижимости is Высокая) or (СобствВклад is есть) or (КредитнаяИст
-
7. If (ЗарПлата is Высокая) or (ОценкаНедвижимости is Низкая) or (СобствВклад is нет) or (КредитнаяИсторк
-
8. If (ЗарПлата is Высокая) or (ОценкаНедвижимости is Высокая) or (СобствВклад is нет) or (КредитнаяИсто
-
9. If (ЗарПлата is Высокая) or (ОценкаНедвижимости is Высокая) or (СобствВклад is есть) or (КредитнаяИст
-
10. If (ЗарПлата is Высокая) or (ОценкаНедвижимости is Высокая) or (СобствВклад is есть) or (КредитнаяИс *
Малая
кая
Средняя Высокая отказано
Then
СкммаКредита is
and
КредитнаяИстори
плохая
Зысокая
Рис. 2. Окно редактора правил
ОценкаНедвижим
максимально возможного финансирования с учетом всех заданных показателей.
□
4 Rule Editor ESB
File Edit View Options
1 If (Зарплата is Низкая) or (ОценкаНедвижимости is Низкая) or (СобствВклад is нет) or (КредитнаяИстория а 2 If (ЗарПлата is Низкая) or (ОценкаНедвижимости is Высокая) or (СобствВклад is нет) or (КредитнаяИсторк
Рис. 3. Окно просмотра результатов
С результатами моделирования можно ознакомиться в специальном окне просмотра (рисунок 3). Изменяя значения входных данных, можно получать соответствующие значения выходных. На рисунке 3 исходные входные данные были следующими: ЗарПлата «средняя», ОценкаНедвижимости «низкая», СобствВклад «есть» и «удовлетворительная» КредитнаяИстория. Созданная система вырабатывает соответствующий результат по каждому из выходных данных, то есть дает итоговый ответ, который рекомендует предоставить клиенту кредит в сумме не более 56 000 рублей, лизинг в размере не выше 1 890 000 рублей и ипотеку в сумме не выше 5 950 000 рублей.
Дополнительным преимуществом пакета Fuzzy Logic Toolbox является возможность просмотра графика зависимости одной из выходных переменных от двух входных. На рисунке 4 изображена для примера поверхность вывода выходных значений переменной СуммаИпотеки в зависимости от двух входных переменных – ЗарПлата и СобствВклад. Видно, что чем больше вклад и заработная плата клиента, тем выше у него шанс получить более крупную сумму денег для ипотеки. Из графика можно определить, начиная с какого значения ЗарПлата и СобствВклад можно получить максимальную сумму ипотеки.

Рис. 4. Окно просмотра поверхности вывода
Таким образом, в работе рассмотрена возможность создания программного приложения по управлению банковской деятельностью на основе правил нечеткой логики при решении вопросов кредитования. Применение программного решения задачи позволяет свести к минимуму ошибки операционистов банка, максимально правильно и быстро принимать обоснованное решение о форме и размере выдаваемого кредита с учетом финансовых возможностей клиента. Компьютерное моделирование позволяет оперативно исследовать ситуацию и оптимизировать ее с учетом интересов и возможностей, как банка, так и клиента.
Список литературы Использование нечеткой логики при решении вопросов кредитования в банковской деятельности
- FUZZYLOGICTOOLBOX. [Электронный ресурс]. URL: https://exponenta.ru/fuzzy-logic-toolbox (дата обращения: 03.09.2020).
- Fisher R. A. On the mathematical foundation of theoretical statistics // Philosophical Trans-actions of the Royal Society. - 2019. - A222. - P. 309-368.
- Zadeh L. A. Fuzzysets // Information and Control. - 1965. - Vol. 8, Issue 3. - P. 338-353.
- Гостев В. И. Нечеткие регуляторы в системах автоматического управления - Киев.: Радiоаматор, 2008. - 972 с. EDN: QMSGJX
- Качалов Р. М. Концептуальное моделирование процессов управления экономическим риском на основе теории нечеткой логики - М.: ЦЭМИ РАН, 2017. - 113 с.
- Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH - Санкт-Петербург: БХВ-Петербург, 2005. - 736 с.
- Сущность, функции и принципы кредита / [Электронный ресурс]. URL: http://www.grandars.ru/student/finansy/kredit.html (дата обращения: 03.09.2020).