close

Вход

Забыли?

вход по аккаунту

?

Medvedeva

код для вставкиСкачать
Федеральное агенТство по образованию
Государственное образовательное учреждение
высшего профессионального образования
САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ
ИССЛЕДОВАНИЕ РИСКОВ
Логико-вероятностная теория
кредитных рисков
Методические указания
к выполнению лабораторных работ
Санкт-Петербург
2007
Составители: Н. С. Медведева, Е. Д. Соложенцев, Д. С. Строков
Рецензент кандидат технических наук, доцент А. М. Полонский
Методические указания содержат описание и порядок выполнения лабораторных работ по разделу «Логико-вероятностная теория
кредитных рисков» дисциплины «Исследование рисков». Предназначены для студентов, обучающихся по специальности 351400
«Прикладная информатика (в экономике)». Методические указания могут быть использованы в курсовом и дипломном проектировании.
Подготовлены кафедрой прикладных информационных технологий в экономике и менеджменте и рекомендованы к изданию редакционно-издательским советом Санкт-Петербургского государственного университета аэрокосмического приборостроения.
Редактор А. Г. Ларионова
Верстальщик А. Н. Колешко
Сдано в набор 17.09.07. Подписано к печати 11.10.07.
Формат 60х84 1/16. Бумага офсетная. Печать офсетная. Усл.-печ. л. 1,5.
Уч.-изд. л. 1,24. Тираж 150 экз. Заказ № 540.
Редакционно-издательский центр ГУАП
190000, Санкт-Петербург, Б. Морская ул., 67
© ГУАП, 2007
Назначение ПК «ЛВ-оценка и анализ кредитных рисков»
На российском рынке появилась интернет-услуга по оценке и
анализу кредитных рисков физических и юридических лиц (www.
inorisklab.com), использующая логико-вероятностную (ЛВ) теорию
риска с группами несовместных событий (ГНС), которая отвечает
требованиям соглашения «Базель II» к методам количественной
оценки кредитных рисков и резервирования.
Оказываются следующие интернет-услуги банку [1]:
1) построение модели кредитного риска по статистике банка,
вычисление атрибутов риска множества кредитов банка и анализ
кредитной деятельности банка модели риска;
2) оценка риска кредита, вычисление атрибутов риска и анализ
риска кредита.
ЛВ-теория оценки и анализа кредитных рисков и специальные
логические программные средства Software создавались и исследовались около 10 лет. Апробация выполнялась по данным западного
банка (1000 кредитов) и двух российских банков (по 500 кредитов
физическим и юридическим лицам). Для западного банка кредитный риск в среднем уменьшался с 28 до 17%. Для российских банков кредитный риск в среднем уменьшался с 10 до 5%.
Коммерческая версия Software
В настоящее время на рынке имеются скоринговые методики и
программные продукты для оценки кредитного риска на основе линейного и квадратичного дискриминантного анализа, нейронных
сетей и data mining. ЛВ-теория кредитного риска с ГНС разительно отличается от распространенных скоринговых методик и имеет
следующие особенности [2]:
• использование логического сложения событий вместо арифметического сложения баллов или других показателей;
• адекватная логическая формулировка сценария кредитного
риска;
• применение базы знаний по кредитам в виде системы логических уравнений вместо традиционной базы данных;
• построение логической и вероятностных моделей кредитного
риска;
• определение вероятностей событий с учетом ГНС и формулы
Байеса;
• корректная формулировка целевой функции для идентификации модели риска по статистическим данным;
• использование специальных логических Software.
Именно из этих особенностей вытекают достоинства ЛВ-модели
кредитного риска [3–6]:
• в два раза больше точность в распознавании хороших и плохих
кредитов;
• в семь раз больше робастность (устойчивость классификации
кредитов);
• абсолютная прозрачность в оценке и анализе риска кредита,
множества кредитов банка и самой модели риска;
• возможность управлять кредитным риском, изменяя асимметрию распознавания хороших и плохих кредитов, число параметров
и градаций, описывающих кредит. Снижение риска почти вдвое
позволяет уменьшить потери банка и существенно снизить процент
за кредит, привлечь больше клиентов и повысить конкурентоспособность банка.
Демоверсия Software
Настоящая демоверсия разработана для учебных и демонстрационных целей как дополнение и разъяснение к коммерческой
версии, изложенной на www.inorisklab.com. В демонстрационной
и коммерческой версиях Software используется ЛВ-теория риска с
ГНС. Демоверсия Software состоит из ряда модулей, созданных в
среде программирования Visual С++. Программное ядро Software
имеет примерно 3000 операторов. Демоверсия приведена на
WebSite: http://www.inorisklab.com/risk.zip. Демоверсию можно
скачть, распаковать и использовать для учебно-демонстрационных
целей. Учебная версия Software имеет следующие файлы:
C����������
REDIT.dat –
�� статистические данные о кредитах банка;
Order – папка для файлов с названием каждого признака и описанием его градаций;
Original_P1.txt – файл с начальными значениями вероятностей
событий-градаций P1jr, j=1,2,…,n; r=1,2,…,Nj;
Proby_P1.txt – файл с оптимальными значениями вероятностей
событий-градаций P1jr, j=1,2,…,n; r=1,2,…,Nj;
Proby_P.txt – файл с оптимальными значениями вероятностей
событий-градаций Pjr, j=1,2,…,n; r=1,2,…,Nj;
fMaxLast_risk.txt – файл с результатами идентификации (обучения) ЛВ-модели риска и анализом риска по вкладам признаков и
градаций для оптимального шага идентификации;
FmaxA.txt – файл с результатами анализа вкладов признаков в
точность модели (распознавания хороших и плохих кредитов);
Instruction.pdf – файл настоящей инструкции по учебно-демонстрационной версии.
Демоверсия ПК «ЛВ-оценка и анализ кредитных рисков»
В соответствии со стандартом работы в учебном классе все лабораторные работы на демоверсии ПК «ЛВ-оценка и анализ кредитных рисков» начинаются с копирования папки «���������������
credit���������
_��������
risk����
»с
диска M:\Teach\Solojencev\credit_risk в папку «Мои документы».
После окончания лабораторной работы студент переписывает файлы с результатами из папки «�����������������������������������
credit�����������������������������
_����������������������������
risk������������������������
» в свою папку на своем
студенческом рабочем диске.
Характеристика учебно-демонстрационной версии Software
Для каждого банка с помощью настоящего Software строится
(обучается, идентифицируется) ЛВ-модель риска решением задачи
оптимизации методом случайного поиска или методом градиентов
по статистическим данным. При отсутствии статистики использовать статистику по родственному банку. Для демоверсии используются следующие фиксированные данные:
• западный пакет из 1000 кредитов физических лиц, среди которых 700 хороших и 300 плохих;
• кредит описывается 20 признаками (параметрами);
• каждый признак имеет градации; общее число градаций в
признаках – 96.
Новые задачи кредитного риска
Software позволяют решать следующие группы новых задач:
1. Определение атрибутов риска кредита на построенной (обученной) по статистике ЛВ-модели кредитного риска:
1) оценка
��������������������
риска кредита;
2) классификация
�������������������������������������������
кредита на хороший или плохой;
3) определение
������������������������
цены за риск;
4) анализ
���������������������
риска кредита.
2. Обучение (идентификация) и оценка качества ЛВ-модели
риска по статистическим данным банка (множеству хороших и
плохих кредитов):
1) определение
�����������������������������������������
вероятностей событий-градаций;
2) определение
�����������������������������
допустимого риска;
3) определение
��������������������������
среднего риска;
4) оценка
�������������������������������
точности ЛВ-модели риска;
5) оценка
�����������������������������������
робастности ЛВ-модели риска.
3. Анализ кредитной деятельности банка на ЛВ-модели кредитного риска, построенной (обученной) по статистике (множеству кредитов банка):
1) ��������������������������������������������������������
определение вкладов признаков (параметров), описывающих
кредит, в средний кредитный риск банка;
2) определение
����������������������������������������������������������
вкладов градаций признаков кредитов в средний
кредитный риск банка;
3) ��������������������������������������������������������
определение вкладов признаков (параметров), описывающих
кредит, в точность распознавания хороших и плохих кредитов;
4) �����������������������������������������������������������
определение вкладов градаций признаков кредитов в точность
распознавания хороших и плохих кредитов;
5) определение
�������������������������������������
энтропии плохих кредитов.
4. Управление кредитным риском банка:
1) ������������������������������������������������������
определение оптимального числа признаков, описывающих
кредит и клиента;
2) определение
��������������������������������������������������������
оптимального числа градаций для каждого признака;
Рис. 1. Главное меню учебно-демонстрационной версии Software
3) �����������������������������������������������������
определение оптимального коэффициента асимметрии распознавания хороших и плохих кредитов;
4) определение
�����������������������������������������������������
оптимальной ширины интервалов при выделении градаций для таких признаков как сумма кредита, его срок,
возраст клиента и др.
5) определение
���������������������������������������������������������
оптимального числа классов для классификации
кредитов;
6) ��������������������������������������������������������
использование модели риска неуспеха кредита с ограниченным множеством возможных случаев неуспеха кредитов.
Главное меню
На рис. 1 показана главная экранная форма (главное меню)
Software. Из строки управления можно запустить названные выше
группы задач 1, 2 и 3. Из группы задач 4 с помощью демоверсии
можно определить оптимальный коэффициент асимметрии распознавания хороших и плохих кредитов. Остальные задачи управления решаются только на рабочей версии ПК.
Лабораторная работа № 1
Оценка и анализ риска кредита
Цель работы: оценить риск невозврата кредитов, выдаваемых
банком физическим лицам.
Задача, решаемая в работе: определение атрибутов риска кредита на построенной (обученной) по статистике ЛВ-модели кредитного риска:
1) оценка риска кредита;
2) классификация кредита на хороший или плохой;
3) определение цены за риск;
4) анализ риска кредита.
Технология работы
1. C�������������������������������������
копируйте папку «��������������������
credit��������������
_�������������
risk���������
» с диска �����������������
M����������������
:\��������������
Teach���������
\��������
Solojencev�������������
\������������
credit������
_�����
risk� в папку «Мои документы».
2. ���������������������������
Запустите исполняемый файл Credit���������
_��������
risk����
.���
exe. Перед вами
откроется главное окно системы. Под заголовком окна расположена строка главного меню или пиктографическое меню (панель
кнопок), каждый пункт которого позволяет решить определенную
задачу. Оно введено для быстрого вызова наиболее часто используемых функций. После установки курсора мыши на кнопке пиктографического меню возникает краткое описание выполняемого с ее
помощью действия. Просмотрите функции кнопок пиктографического меню.
3. Заполните
����������������������������������������������������������
заявку на кредит. Для этого выберите пункт меню
Task����
1/ Definition����������������������������������������
��������������������������������������������������
of�������������������������������������
���������������������������������������
the���������������������������������
������������������������������������
credit��������������������������
��������������������������������
risk���������������������
�������������������������
либо нажмите кнопку ��������
‘1’. На
рис. 2 представлена экранная форма для заполнения заявки на
кредит. На одном из полей приведено значение допустимого риска
Pad. Нужно заполнить значения 20 признаков кредита (Sign). По
каждому из 20 признаков кредита предусмотрен список градаций
(Grades), появляющийся при нажатии ∇. Название появляющихся
признаков и перечисление номеров градаций и их определений приведено в файлах order01.txt ÷order 20.txt. Нужно курсором только
указать значение градации для признака из списка. Таким образом,
названия признаков и градаций появляются на экране, что делает
процесс заполнения информации вполне контролируемым. После
заполнения информации по последнему (двадцатому) признаку автоматически подсчитываются: риск-вероятность невозврата кредита Probability of non-return и признак Indication классификации
кредита на хороший или плохой (0 или 1) и цена за риск Price for
risk в процентах. Значения коэффициентов C1 (нормализующий
фактор) и Cad (допустимая цена за риск) для линейной функции
цены за риск можно изменять в соответствующих окнах.
4. Используя
�������������������������������������������������������
информацию п. 2, заполните данные о 10 произвольных разных кредитах. Составьте таблицу данных обо всех кредитах, используя шаблон (табл. 1).
5. Данные
�����������������������������������������������������������
автоматического расчета параметров (п. 3) заносятся
в результирующую таблицу (табл. 2).
6. ������������������������������������������������������
Запишите, сколько получено хороших и плохих кредитов,
указывая значения наименьшего и наибольшего риска, значения
наименьшей и наибольшей цены за риск.
7. ��������������������������������������������������������
После оценки риска кредита выполняется анализ риска кредита нажатием кнопки-команды Anal�����
y����
sis (см. рис. 2). Результаты
анализа приведены на экранной форме (рис. 3), где для каждого
признака указывается, какая была выбрана градация и какую она
имеет вероятность. Для вычисления риска кредита эти вероятности складываются логически в соответствии с ЛВ-моделью риска.
Вклад градаций в риск кредита пропорционален этой вероятности.
Рис. 2. Оценка риска кредита
Рис. 3. Анализ риска кредита
Таблица 1. Исходные данные о кредитах
№
1
2
10
Признак
Сумма счета в банке
1. Баланс
��������������������������
меньше либо равен 0
2. Баланс
�������������������
от 0 до 199 €
3. Баланс
�����������������
более 199 € либо используется более года для регулярных выплат
зарплаты
4. Нет
�����������������
счета в банке
Срок кредита
1. Меньше
����������������������������
либо равен 6 месяцам
2. От
������������������
6 до 12 месяцев
3. От
�������������������
12 до 18 месяцев
4. От
�������������������
18 до 24 месяцев
5. От
�������������������
24 до 30 месяцев
6. От
�������������������
30 до 36 месяцев
7. От
�������������������
36 до 42 месяцев
8. От
�������������������
42 до 48 месяцев
9. От
�������������������
48 до 54 месяцев
10. От
�������������������
54 до 60 месяцев
Номер кредита
1 2 3 4 5 6 7 8
9 10
Продолжение табл. 1
№
Признак
3
Кредитная история
1. Нет
����������������������������������
займов или все займы выплачены
2. Предыдущие
�������������������������������
займы выплачены без
задержки
3. Есть
�������������������������������������
займ в настоящее время, все предыдущие займы выплачены без задержки
4. Проблемы
������������������������������
с предыдущими займами
5. Счет
�����������������������������������
в критическом состоянии, есть
займы в других банках
Назначение кредита
1. Новая
������������
машина
2. Подержанная
������������������
машина
3. Имущество
���������
4. Радио,
���������������������������������������
hi-fi стерео либо телевизионная
аппаратура
5. Бытовая
���������������
техника
6. Ремонт
������
7. Образование
�����������
8. Отпуск
������
9. Различные
������������������
тренинги
10. Собственная
��������������������
компания
11. Иное
����
Сумма займа
1. Меньше
����������������������
либо равна 500 €
2. От
���������������
500 до 1000 €
3. От 1000 до 1500 €
4. От
����������������
1500 до 2500 €
5. От
����������������
2500 до 5000 €
6. От
����������������
5000 до 7500 €
7. От
�����������������
7500 до 10000 €
8. От
������������������
10000 до 15000 €
9. От
������������������
15000 до 20000 €
10. Более
������������
20000 €
Сумма по ценным бумагам
1. Менее100
��������� €
2. От
��������������
100 до 500 €
3. От
���������������
500 до 1000 €
4. Больше
�����������������������
либо равна 1000 €
5. Нет
�����������������������������������
данного счета или он неизвестен
Продолжительность работы
1. В
�����������������������������
настоящее время безработный
2. Работает
������������������������������������
в настоящей компании менее
года
3. Работает
��������������������������������������
в настоящей компании от года
до четырех
4. Работает
���������������������������������
в настоящей компании от
четырех до семи лет
5. Работает
�����������������������������������
в настоящей компании дольше семи лет
4
5
6
7
Номер кредита
1 2 3 4 5 6 7 8
9 10
11
Продолжение табл. 1
№
Признак
8
Взнос в частные погашения
1. Более
���������
35%
2. 25–35%
������
3. 20–25%
������
4. Менее
����������
20%
Пол и семейное положение
1. Женщина,
������������������������������
в разводе или замужем
2. Мужчина,
���������������
холост
3. Мужчина,
��������������������������
женат либо вдовец
4. Женщина,
������������������
незамужем
Поручитель
1. Отсутствует
�����������
2. Совокупные
������������������������
обязательства
3. Сам
������������������������
является поручителем
Время проживания в данной местности
1. Менее
����������
года
2. От
������������������
года до четырех
3. От
����������������������
четырех до семи лет
4. Более
��������������
семи лет
Вид гарантии
1. Недвижимость
������������
2. Недвижимость
����������������������������������
отсутствует, но есть
контракт со страховой компанией либо
страховой полис
3. Нет вышеперечисленного, но владеет автомобилем либо равнозначной ценностью
4. Иное
��������������������
либо нет данных
Возраст
1. 0–25
��������
лет
2. 26–39
���������
лет
3. 40–59
���������
лет
4. 60–64
����������
года
5. 65
�����������������
лет или старше
Наличие других займов
1. Есть,
���������������������
в других банках
2. Есть,
������������������������������������
в компании розничной торговли
либо подобной организации
3. Нет
���
Наличие жилплощади
1. Арендуемое
����������������
жилье
2. Жилье
���������������������
в собственности
3. Бесплатное
����������������
жилье
Количество займов у банка
1. Один
����
2. Два–три
�������
3. Четыре–пять
�����������
4. Более
����������
пяти
9
10
11
12
13
14
15
16
12
Номер кредита
1 2 3 4 5 6 7 8
9 10
Окончание табл. 1
№
Номер кредита
1 2 3 4 5 6 7 8
Признак
9 10
17 Профессия
1. Безработный
�������������������������������
либо неквалифицированный рабочий, или нет постоянного
местожительства
2. Неквалифицированный
��������������������������������
рабочий, но
постоянное местожительство имеется
3. Квалифицированный
�������������������������������
рабочий, служащий или государственный служащий
нижнего или среднего звена
4. Управляющий,
���������������������������������
государственный служащий высшего звена либо работает на
одну из собственных компаний
18 Число родственников на иждивении
1. Нет,
��������������������������
один или два человека
2. Три
��������������������
человека и более
19 Наличие телефона
1. Нет
���
2. Есть
�����������������������������������
(оплачивается клиентом, запрашивающим кредит)
20 Иностранный или местный служащий
1. Иностранный
������������
2. Местный
�������
8. ����������������������������������������������������������
Внесите данные о вероятностях градаций признаков в отчет,
определите наименьшее и наибольшее значения вероятностей для
событий-градаций для каждого из кредитов. Сделайте вывод о величине вклада каждой градации в риск кредита.
Таблица 2. Результаты расчетов
Номер кредита
Параметр
1
2
3
4
5
6
7
8
9
10
Риск невозврата кредита
Признак классификации
кредита
Цена за риск
Допустимый риск
9. �������������������������������������������������������
После окончания лабораторной работы перепишите файлы с
результатами из папки «Мои документы» в свою папку на студенческом рабочем диске v.
13
Лабораторная работа № 2
Идентификация ЛВ-модели кредитного риска
Цель работы: идентификация ЛВ-модели кредитного риска по
статистическим данным (множеству хороших и плохих кредитов)
банка и определение допустимого риска.
Задачи, решаемые в работе:
1) определение
���������������������������������������������
вероятностей для событий-градаций;
2) определение
�����������������������������
допустимого риска;
3) определение
��������������������������
среднего риска;
4) оценка
�������������������������������
точности ЛВ-модели риска;
5) оценка
�����������������������������������
робастности ЛВ-модели риска.
Идентификация ЛВ-модели кредитного риска проводится по западным статистическим данным, состоящим из 1000 кредитов, из
которых 300 были «плохие» (файл C���������
REDIT.dat).
Технология работы
1. Скопируйте папку «��������������������
credit��������������
_�������������
risk���������
» с диска M:\Teach\Solojencev\
credit_risk в папку «Мои документы».
2. Выберите пункт меню �����������������������������������
Task�������������������������������
2/ ���������������������������
Training�������������������
������������������
and���������������
��������������
estimation����
���
of� �����
quality���������������������
либо нажмите кнопку ‘2’.
������������������������������������������
Появится экранная форма (рис. 4) для
идентификации (обучения) ЛВ-модели кредитного риска по статистическим данным банка.
3. Преподаватель задает индивидуально каждому студенту значения следующих параметров: ��������������������������
Nopt����������������������
– число оптимизаций, ������
Nmc���
–
число попыток Монте-Карло на шаге оптимизации, Ngc�������������
����������������
– расчетное
число хороших кредитов, а также 3 варианта обучения ЛВ-модели
риска с разными значениями этих параметров. Задание фиксируется в журнале преподавателя.
4. Введите полученные значения параметров в окна экранной формы для (идентификации) обучения ЛВ-модели кредитного риска.
5. С левой стороны экранной формы приведены параметры для
формулы обучения методом Монте-Карло: число шагов в оптимизации Nopt, число попыток моделирования Монте-Карло на шаге
оптимизации Nmc, средний риск по статистическим данным Pav,
задаваемое расчетное число хороших кредитов для ЛВ-модели Ngc,
коэффициент формулы оптимизации K1. Введите значения заданных параметров. Обратите внимание, что не следует изменять другие параметры в левой части экранной формы. Внесите в отчет данные об изменении параметров.
14
Рис. 4. Идентификация ЛВ-модели кредитного риска
6. Запустите процесс обучения с помощью кнопки Run training.
С правой стороны экранной формы приведены текущие изменяющиеся значения параметров в динамике обучения ЛВ-модели риска: абсолютное достигнутое максимальное значение целевой функции Fabs, достигнутое максимальное значение целевой функции
на шаге оптимизации Fmax (из-за операции отступления для выхода из тупиков Fabs и Fmax могут не совпадать), число некорректно распознанных плохих кредитов NL01, номер текущей попытки
Монте-Карло на шаге оптимизации Nmc, текущее значение допустимого риска Pad, разность между максимальным и минимальным
рисками кредитов dPc, номер текущей оптимизации Nt. Выход –
кнопкой Exit. Начальные значения вероятностей событий-градаций P1jr, j=1,2,…,n; r=1,2,…,Nj приведены в файле Original_P1.txt.
Оптимальные значения вероятностей событий-градаций (их число
в данной задаче равно 96) при очередном Fabs записываются в файл
Proby_P1.txt и файл Proby_P.txt.
7. Интегральные параметры обучения ЛВ-модели риска приведены в файле fMaxLast_risk.txt для последнего оптимального шага
идентификации ЛВ-модели кредитного риска по статистическим
данным банка:
• Fmax
����� =
�� 820
���� <Максимальное
���������������������������������������
значение целевой функции>
15
• Nopt
����� =
�� 400
���� <Заданное
����������������������������
число оптимизаций>
• N1
��� =
�� 700
���� <Число
�������������������������������������
хороших кредитов в статистике>
• N0
��� =
�� 300
���� <Число
������������������������������������
плохих кредитов в статистике>
• Pav
���� =
�� 0.300
������ <Средний
����������������������������
риск по статистике>
• N1c
���� =
�� 610
���� <Заданное
�������������������������������������������
число хороших кредитов по модели>
• N0c
���� =
�� 390
���� <Заданное
������������������������������������������
число плохих кредитов по модели>
• Pmin
����� =
�� 0.22535
�������� <Минимальный
���������������������������������������
риск кредита в статистике>
• Pmax
����� =
�� 0.37766
�������� <Максимальный
����������������������������������������
риск кредита в статистике>
• ����
dPc ��
= ��������
0.15230 ��������������������������������������������
<Размах рисков в распределении рисков кредитов>
• Pm
��� =
�� 0.29981
�������� <Средний
������������������������
риск по модели>
• Pad
���� =
�� 0.30621
�������� <Допустимый
���������������������������
риск по модели>
• N01
���� =
�� 135
���� <Число
��������������������������������������������
некорректно распознанных хороших кредитов>
• ����
N10 ��
= ���
45 ���������������������������������������������
<Число некорректно распознанных плохих кредитов>
• K1
��� =
�� 0.0020
������� <Коэффициент
����������������������
обучения>
8. Запишите время обучения для каждого варианта значений
заданных параметров и полученные значения целевой функции,
числа некорректно распознанных плохих и хороших кредитов и
значение допустимого риска в свой отчет.
16
Лабораторная работа № 3
Выбор асимметрии в распознавании плохих и хороших кредитов
Цель работы: решить одну из задач управления кредитным риском, а именно выбрать коэффициент асимметрии в распознавании
плохих и хороших кредитов.
Технология работы
1. Скопируйте папки «��������������������
credit��������������
_�������������
risk���������
» с диска M:\Teach\Solojencev\
credit_risk в папку «Мои документы».
2. Работа выполняется аналогично работе № 2, но с разными
значениями параметра ���������������������������������������
Ngc������������������������������������
при фиксированных значениях остальных параметров.
3. Преподаватель задает индивидуально каждому студенту значения параметров: ��������������������������
Nopt����������������������
– число оптимизаций, �����������������
Nmc��������������
– число попыток Монте-Карло на шаге оптимизации, Ngc����������������������
�������������������������
– расчетное число хороших кредитов. Задание фиксируется в журнале преподавателя.
4. С левой стороны формы необходимо изменить не все параметры для обучения, а лишь расчетное число хороших кредитов Ng���
c��.
Введите по заданию преподавателя последовательно 5 разных значений числа хороших кредитов Ng��
c�. При каждом значении Ng�c
необходимо провести обучение модели (кнопка Run Training). Составьте таблицу (табл. 3).
Разность максимальных и
минимальных
рисков кредитов dPc
Значение
допустимого
риска Pad
Коэффициент
асимметрии
Ebg
Число некорректно
распознанных
хороших кредитов N��
gb
Число некорректно распознанных плохих
кредитов N��
bg
Абсолютное
максимальное
значение целевой функции
Fabs
Расчетное
число хороших
кредитов Ng�c
Таблица 3. Параметры обучения ЛВ-модели риска
5. Выберите оптимальное значение коэффициента асимметрии в
распознавании плохих и хороших кредитов (�������������
Ebg����������
=���������
Nbg������
/�����
Ngb��
).
17
Лабораторная работа № 4
Анализ ЛВ-модели кредитного риска
Цель работы: выполнить анализ ЛВ-модели риска по вкладам
признаков, описывающих кредит, в целевую функцию ЛВ-модели
классификации кредитов на хорошие и плохие.
Технология работы
1. ��������������������������������������
Скопируйте����������������������������
���������������������������
папку����������������������
«credit_risk» �������
����
�����
диска M:\Teach\Solojencev\credit_risk в������
папку
����� «��������������
Мои�����������
документы�
����������
».
2. Лабораторная работа выполняется после однократного выполнения работы № 2 с заданными (преподавателем) индивидуально
каждому студенту значениями параметров: Nopt����������������
��������������������
– число оптимизаций, Nmc��������������������������������������������������
�����������������������������������������������������
– число попыток Монте-Карло на шаге оптимизации,
Ngc�����������������������������������������������������������
– расчетное число хороших кредитов. Задание фиксируется в
журнале преподавателя.
3. После однократного выполнения работы № 2 преподаватель
задает каждому студенту новое значение параметра ��������������
Nopt����������
для переобучения ЛВ-модели кредитного риска при исключении параметра
из описания кредита.
4. Определите вклады признаков в целевую функцию. Для этого
нажмите кнопку Analysis, находящуюся в левой нижней части экранной формы (см. рис. 4). При этом последовательно автоматически исключается по одному признаку и модель переучивается.
5. Внесите результаты исследований в отчет. Выделите наиболее
и наименее значимые признаки. Результаты видны в окне экрана и
находятся в файле FmaxA.txt. Файл имеет следующий вид :
Вклады признаков в целевую функцию идентификации (в точность модели):
dFmax 1 = –56
dFmax 2 = –18
dFmax 3 = –20
dFmax 4 = –22
dFmax 5 = –18
dFmax 6 = –14
dFmax 7 = –6
dFmax 8 = –8
dFmax 9 = –10
dFmax 10 = –10
dFmax 11 = 0
18
dFmax 12 = –4
dFmax 13 = –12
dFmax 14 = –4
dFmax 15 = –4
dFmax 16 = –2
dFmax 17 = +2
dFmax 18 = 0
dFmax 19 = 0
dFmax 20 = 0
6. Запишите время вычислений и характеристику используемого компьютера. Время вычислений может составить от 20 мин до
5 часов. Пример вывода: наиболее значимы для точности ЛВ-модели кредитного риска признаки 1, 2, 3,4, 5; нулевой вклад в точность
вносят признаки 11, 18, 19, 20.
Лабораторная работа № 5
Анализ кредитной деятельности банка
Цель работы: выполнить анализ кредитной деятельности банка
на ЛВ-модели кредитного риска, построенной (обученной) по статистике (множеству кредитов банка).
Задача, решаемая в работе: анализ кредитной деятельности
банка:
1) ��������������������������������������������������������
определение вкладов признаков (параметров), описывающих
кредит, в средний кредитный риск банка;
2) определение
����������������������������������������������������������
вкладов градаций признаков кредитов в средний
кредитный риск банка;
3) ��������������������������������������������������������
определение вкладов признаков (параметров), описывающих
кредит, в точность распознавания хороших и плохих кредитов;
4) �����������������������������������������������������������
определение вкладов градаций признаков кредитов в точность
распознавания хороших и плохих кредитов.
Подзадачи 1, 2, 4 выполняются на рабочей версии программного
продукта. В лабораторной работе с использованием демоверсии решается подзадача 3.
Технология работы
1. Скопируйте папку «��������������������
credit��������������
_�������������
risk���������
» с диска M:\Teach\Solojencev\
credit_risk в папку «Мои документы».
2. Лабораторная работа выполняется после однократного выполнения работы № 2 с заданными (преподавателем) индивидуально
19
каждому студенту значениями параметров: Nopt����������������
��������������������
– число оптимизаций, Nmc��������������������������������������������������
�����������������������������������������������������
– число попыток Монте-Карло на шаге оптимизации,
Ngc�����������������������������������������������������������
– расчетное число хороших кредитов. Задание фиксируется в
журнале преподавателя.
3. Выполнить анализ результатов в файле fFmaxLast.txt, приведенном на рис. 5:
• �����������������������������������������������������
определить признаки, имеющие наибольший и наименьший
средние вероятности Pm�����������������������������������
�������������������������������������
и P�������������������������������
��������������������������������
1������������������������������
m�����������������������������
по множеству кредитов банка;
• определить,
�����������������������������������������������������������
во сколько раз отличаются эти вероятности. Признаки, имеющие наибольшие вероятности, вносят наибольший
вклад в средний риск, и банку следует обратить на них наибольшее
внимание.
Pjm[1] = 0.020293 Pjm[2] = 0.012180 Pjm[3] = 0.009075 Pjm[4] = 0.021151 Pjm[5] = 0.017402 Pjm[6] = 0.022386 Pjm[7] = 0.018549 Pjm[8] = 0.017788 Pjm[9] = 0.014318 Pjm[10] = 0.018399 Pjm[11] = 0.018874 Pjm[12] = 0.017096 Pjm[13] = 0.018820 Pjm[14] = 0.014800 Pjm[15] = 0.017578 Pjm[16] = 0.022042 Pjm[17] = 0.018632 Pjm[18] = 0.017428 Pjm[19] = 0.018133 Pjm[20] = 0.018366 P1jm[1] = 0.274190
P1jm[2] = 0.061007
P1jm[3] = 0.103294
P1jm[4] = 0.090019
P1jm[5] = 0.080651
P1jm[6] = 0.276516
P1jm[7] = 0.208358
P1jm[8] = 0.267971
P1jm[9] = 0.184397
P1jm[10] = 0.321659
P1jm[11] = 0.254490
P1jm[12] = 0.246005
P1jm[13] = 0.205216
P1jm[14] = 0.228591
P1jm[15] = 0.262706
P1jm[16] = 0.339911
P1jm[17] = 0.228849
P1jm[18] = 0.479042
P1jm[19] = 0.507708
P1jm[20] = 0.774331
Рис. 5. Средние значения вероятностей для признаков описания кредитов
4. Выполнить анализ результатов, находящихся в файле
fFmaxLast.txt и приведенных на рис. 6:
• вероятности
����������������������������������������������������������
событий-градаций P����������������������������
�����������������������������
[ ] и P���������������������
����������������������
1[ ] для всех признаков.
• �����������������������������������������������������������
вклады событий-градаций в точность ЛВ-модели E�������������
��������������
1[ ], E������
�������
0[ ],
Em��������������������
для всех признаков.
20
На рис. 6 приведены вероятности P1r (P[1], P[2], P[3], P[4]) и P11r
(P1[1], P1[2], P1[3], P1[4]) в ГНС только для градаций первого признака (j=1). Идентификаторы имеют обозначения, совпадающие с
написанием в Software, а также ошибки распознавания E1 градаций для хороших (g), плохих (b) кредитов и в среднем (m).
P[1] = 0.034313; ��������
P1[1] =
�� 0.463907
��������
P[2] = 0.032726; P1[2] = 0.442442
P[3] = 0.001937; P1[3] = 0.026188
P[4] = 0.004990; P1[4] = 0.067464
E[1]g=0.025000 E1[1]b=0.314433 �����������������
���������������
E1[1]m=0.229927
E[2]g=0.077586 �����������������������������������
���������������������������������
E1[2]b=0.372549 �����������������
���������������
E1[2]m=0.245353
E[3]g=0.160714 �����������������������������������
���������������������������������
E1[3]b=0.285714 �����������������
���������������
E1[3]m=0.174603
E[4]g=0.069832 �����������������������������������
���������������������������������
E1[4]b=0.416667 �����������������
���������������
E1[4]m=0.101523
Рис. 6. Вероятности и ошибки распознавания событий-градаций (для
признака j���
����
=1)
5. Сделайте выводы для всех признаков о том, вероятность какого события-градации максимальна/минимальна и каков ее вклад в
точность модели. Сформулируйте рекомендации банку по изменению числа признаков и градаций в каждом признаке.
Общие требования к оформлению отчетов
Отчет о выполненной лабораторной работе должен содержать
титульный лист, формулировку задания, исходные данные для
работы, пояснения к выполняемым в работе процедурам, а также
четко сформулированные и обоснованные выводы. Отчет может
выполняться в печатной форме. Листы отчета должны иметь нумерацию (на титульном листе номер не ставится) и быть скреплены.
Пример титульного листа – в приложении. С актуальным на текущий учебный год вариантом титульного листа можно ознакомиться на http://standarts.guap.ru.
21
Приложение
Пример титульного листа отчета
о выполнении лабораторной работы
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
Государственное образовательное учреждение
высшего профессионального образования
Санкт-Петербургский государственный университет
аэрокосмического приборостроения
Факультет 8
Специальность 351400
Кафедра 82
ОТЧЕТ
по лабораторной работе
Логико-вероятностная теория кредитных рисков
Лабораторная работа № 1
Оценка и анализ риска кредита
Дисциплина
Исследование рисков
Работу выполнил(а)
студент(ка) группы №_____
________________ ______________
подпись, дата
инициалы, фамилия
Работу принял
___________________
должность, уч. степень, звание
________________ ______________
подпись, дата
Санкт-Петербург
2007
22
инициалы, фамилия
Библиографический список
1. htpp:// www.inorisklab.com
2. Соложенцев Е. Д. Сценарное логико-вероятностное управление риском в бизнесе и технике. 2-����������������������������������
������������������������������������
��������������������������������
��������������������������������
изд�����������������������������
. ���������������������������
СПб������������������������
.: ���������������������
Бизнес���������������
-��������������
пресса��������
, 2006.
560 с�
��.
3. Solojentsev E. D. Scenario Logic and Probabilistic Management
of Risk in Business and Engineering. Springer��������������
,�������������
2004.�������
391
������
p.
4. Соложенцев Е. Д., Карасев В. В. Логико-вероятностные модели
риска в бизнесе с группами несовместных событий // Экономика и
математические методы. 2003. № 1.
5. Соложенцев Е. Д., Степанова Н. В., Карасев В. В. Прозрачность методик оценки кредитных рисков и рейтингов. СПб.: Изд-во
СПбГУ, 2005. 196 с.
6. Степанова Н. В., Соложенцев Е. Д., Рыбаков А. В. Логико-вероятностная модель оценки кредитного риска физических лиц в
коммерческом банке // Управление финансовыми рисками. 2005.
№ 4.
Содержание
Назначение ПК «ЛВ-оценка и анализ кредитных рисков»...... 3
Лабораторная работа № 1. Оценка и анализ риска кредита...... 8
Лабораторная работа № 2. Идентификация ЛВ-модели
кредитного риска.............................................................. 14
Лабораторная работа № 3. Выбор асимметрии в распознавании
плохих и хороших кредитов............................................... 17
Лабораторная работа № 4. Анализ ЛВ-модели кредитного
риска.............................................................................. 18
Лабораторная работа № 5. Анализ кредитной деятельности
банка.............................................................................. 19
Общие требования к оформлению отчетов............................. 21
Библиографический список................................................ 23
23
Документ
Категория
Без категории
Просмотров
2
Размер файла
293 Кб
Теги
medvedev
1/--страниц
Пожаловаться на содержимое документа