Cущность кредита и его роль в экономике России

Несмотря на важную роль кредита, выполняемую им в перераспределительной функции, в результате чего достигается бесперебойность оборота средств и эффективное их использование, тем не менее, при использовании кредита не исключено и неэффективное использование временно привлеченных средств, не умаляющее, однако, роли кредита в экономике страны. Другое дело, что кредитор и, в особенности, банк должен осуществлять контроль за недопущением вовлечения ссуд в покрытие временных недостатков в работе заемщика Лаврушин О.И. Деньги, кредит, банки. 2005г..

Кредит играет важную роль в организации и регулировании денежного обращения. Это выражается в том, что эмиссия наличных денег в условиях рыночной экономики осуществляется с помощью кредита.

В функции замещения наличных денег кредитными операциями банков кредит играет важную роль в организации безналичных расчетов. Это обусловлено тем, что безналичные расчеты основаны на движении кредита и выполняются с помощью кредитных операций банков. Более того, без существования кредитных отношений между клиентом банка и банком, безналичные расчеты были бы просто невыполнимы. К тому же, выдача банком наличных денег своему клиенту возможна только в том случае, если на текущем счете клиента имеются остатки средств в безналичной форме. Наличие остатков средств на счете клиента означает, что между ним и банком имеются кредитные отношения, т. е. банк должен клиенту вернуть деньги в сумме имеющегося остатка на счете. Поэтому выдача банком наличных денег со счета или выполнение банком по поручению клиента расчетов в безналичной форме, свидетельствует о том, что банк возвратил (возвращает) свой долг клиенту. Однако, если клиент внес наличные на свой счет в банке, то, с одной стороны, возник (или возрос) долг банка перед клиентом, а с другой стороны, произошло изъятие денег из обращения в сумме взноса наличных в банк его клиентом. Понятно, что безналичные расчеты, осуществляемые по счетам в банках, вытесняют расчеты наличными деньгами, что обусловлено замещением с помощью кредита наличных денег кредитными операциями банков.

Роль кредита в функции замещения наличных денег кредитными операциями банков заключается и в том, что кредит, ограничивая возможности использования наличных денег, тем самым позволяет экономизировать издержки обращения. Это обусловлено тем, что с ростом безналичных расчетов меньше нужно наличных денег в стране. Соответственно, меньшая сумма средств расходуется на изготовление денежных билетов и монет, необходимых для обращения. Кроме того, меньше средств расходуется и на транспортировку денежных билетов и монет из центра их изготовления по регионам страны. Следовательно, в целом затраты на организацию денежного обращения в стране сокращаются.

2.3 Состояние кредитования населения в России

До начала кризиса (в январе 2008 года) объём выданных в стране кредитов населению составлял 2,7 триллиона рублей. Из этой суммы, на покупку жилья и ипотечные кредиты приходилось 730 миллиардов рублей, или 27,2% от всех выданных населению кредитов. Объём кредитов на покупку автомобиля составлял 446 миллиардов рублей, или 16,6% от общей задолженности по кредитам физическим лицам. Оставшиеся 1,4 триллиона рублей или 52,4% от всех выданных кредитов приходились на потребительские кредиты. При этом, резервы на возможные потери от жилищного кредитования составляли 11,1 миллиард рублей или 8,1% от общего объёма сформированных резервов, и покрывали 1,5% от выданных жилищных кредитов. Резервы на возможные потери от автокредитования составляли 17,8 миллиард рублей или 13,2% от всех сформированных резервов, и покрывали 4% от выданных автомобильных кредитов. Резервы на возможные потери от потребительского кредитования составляли 89 миллиардов рублей или 65,7% от общего объёма сформированных резервов, и покрывали 6,3% от выданных населению потребительских кредитов Banki.ru.

В январе 2009 года объём выданных в стране кредитов населению достиг 3,7 триллиона рублей. Из этой суммы, на покупку жилья и ипотечные кредиты приходилось 1,24 триллиона рублей, или 33,5% от всех выданных населению кредитов. Объём портфеля кредитов на покупку автомобилей составлял 637 миллиардов рублей, или 17,3% от общей задолженности по кредитам физическим лицам. Оставшиеся 1,8 триллиона рублей или 48,5% от всех выданных кредитов приходились на потребительские кредиты. При этом, резервы на возможные потери от жилищного кредитования составляли 27,5 миллиардов рублей или 13,7% от общего объёма сформированных резервов, и покрывали 2,2% от выданных жилищных кредитов. Резервы на возможные потери от автокредитования составляли 31,3 миллиард рублей или 15,7% от всех сформированных резервов, и покрывали 4,9% от выданных автомобильных кредитов. Резервы на возможные потери от потребительского кредитования составляли 140 миллиардов рублей или 69,7% от общего объёма сформированных резервов, и покрывали 7,8% от выданных населению потребительских кредитов.

В январе 2010 года объём выданных в стране кредитов населению составлял 3,3 триллиона рублей. Из этой суммы, на покупку жилья и ипотечные кредиты приходилось 1,39 триллиона рублей, или 34,9% от всех выданных населению кредитов. Объём портфеля на покупку автомобилей составлял 509 миллиардов рублей, или 15,6% от общей задолженности по кредитам физическим лицам. Оставшиеся 1,6 триллиона рублей или 48,8% от всех выданных населению кредитов приходились на потребительские кредиты. При этом, резервы на возможные потери от жилищного кредитования составляли 50,4 миллиардов рублей или 17,2% от общего объёма сформированных резервов, и покрывали 4,4% от выданных жилищных кредитов. Резервы на возможные потери от автокредитования составляли 43,6 миллиардов рублей или 14,9% от всех сформированных резервов, и покрывали 8,6% от выданных автомобильных кредитов. Резервы на возможные потери от потребительского кредитования составляли 196 миллиардов рублей или 66,9% от общего объёма сформированных резервов, и покрывали 12,3% от выданных населению потребительских кредитов.

Из представленной статистики видно, что, в целом, рост рынка кредитования населения прекратился, а объём выданных населению кредитов несколько сократился. Так, например, на 20% сократился объём автокредитования, на 10% сократился объём потребительского кредитования. Вместе с тем, резервы на возможные потри по автокредитам возросли почти в 1,5 раза. резервы по потребительским кредитам выросли на 35%, резервы по жилищным кредитам возросли почти в 2 раза. В тоже время, объём просроченной задолженности по жилищным кредитам в начале 2010 года составляет 35,5 миллиарда рублей, и по сравнению с 2009 годом возрос почти в 3 раза. Уровень просрочки по потребительским кредитам в начале этого года составляет 206 миллиардов рублей, и вырос на четверть по сравнению с началом 2009 года, когда он составлял 165 миллиардов рублей crb.ru Официальный сайт Центрального Банка Российской Федерации.

ГЛАВА 3. НОВЫЕ МЕТОДЫ ПРИКЛАДНОГО МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ В БАНКОВСКОЙ СФЕРЕ

Целью любой аналитической системы (в том числе и всех математических моделей: как традиционных, так и новых) является генерация каких-то выходных данных полученных из потока входных данных посредством их переработки с помощью внутренних системных правил. Все типы математических моделей рознятся в определении переменных и в процессах генерации правил. В курсовой работе предложены новые методы прикладного математического моделирования в банковской сфере: нечеткие множества, нейросетевое моделирование.

Традиционные математические модели, построенные с использованием теории вероятностей и методов математической статистики, уже достаточно хорошо изучены и представлены многими готовыми пакетами математического обеспечения Казарян В.В. : Моделирование активных стратегий управления краткосрочным портфелем ценных бумаг : /[текст] ]: диссертация... кандидата экономических наук : 08.00.13, Москва 2010. Новые же направления математического моделирования, которыми начинают пользоваться в банковском бизнесе, ещё нуждаются в дальнейшей методологической проработке. Поскольку, наибольший интерес, применительно к банковским задачам, представляют математические модели построенные на стыке нечёткой логики и нейро-сетевого моделирования, рассмотрим их подробнее.

3.1 Нечёткая логика и нечёткие множества

Переменные в нечётких множествах определяются, во-первых, не конкретными значениями (как в булевской логике) но интервалами значений. Например, на вопрос «Есть ли у человека работа?», значение переменной «ответ» может лежать в интервале от «Нет» (Что соответствует конкретному булевскому значению, к примеру, «ноль раз в месяц») до «Да» (Что соответствует другому конкретному булевскому значению, к примеру, «25 раз в месяц») включая такие нечёткие значения как:

- «Иногда» (Что, допустим, соответствует всем значениям в интервале от 0 до 10 раз в месяц),

- «Несколько раз в месяц» (Что, допустим, соответствует всем значениям в интервале от 5 до 15 раз в месяц),

- «Часто» (Что, допустим, соответствует всем значениям в интервале от 10 до 25 раз в месяц) и т.д.

При этом, как и показано в нашем примере, соседние интервалы в нечётких множествах должны иметь определённые области пересечений (иначе, без таких пересечений, нечёткое множество превратится в обыкновенное булевское).

Во-вторых, значение каждой переменной должно определяться её весом в каждом из соседних интервалов которым она принадлежит. Причём вес, в данном случае, не является вероятностью события. Это скорее своеобразная оценка его (значения) принадлежности какому-то конкретному интервалу. Продолжая выше приведённый пример, можно предположить, что конкретное булевское значение "7 раз в неделю", в нечёткой логике примет одновременно два значения: <"Иногда" с весом 0,6> и <Несколько раз в месяц" с весом 0,4>.

В банковском бизнесе нечёткая логика чаще всего применяется в моделях оценки кредитного риска (или, как их ещё называют, скоринговых моделях). Несмотря на наличие работ, и учебных пособий по теоретическим основам нечёткой логики и моделей на её основе, практическое построение таких моделей является в большинстве случаев трудной и, иногда, безрезультатной задачей в особенности для людей бизнеса которые должны заниматься её (задачи) постановкой. Практические пошаговые методологии (для создания моделей с нечёткой логикой) ещё недостаточно хорошо представлены (особенно в русскоязычных публикациях).

3.2 Методология дизайна системы с нечёткой логикой

Приводимая здесь методология может быть полезной как для непосредственного разработчика модели с нечёткой логикой, так и для человека занимающегося постановкой задачи для разработки такой модели. Следующие шаги, могут являться пошаговым алгоритмом построения модели с нечёткой логикой:

1. Определить пространство изучаемой проблемы: входные и выходные потоки данных. Разбить их на смысловые куски (которые могут быть представлены как частями с нечёткой логикой так и их сочетанием с частями представленными обычной булевской логикой).

2. Поставить конкретную задачу которая, прежде всего, обозначит цель построения необходимой математической модели с использованием нечёткой логики. Проанализировать её и и как можно более упростить.

3. Выделить (если это возможно) отдельные подсистемы которые можно легко моделировать изолированно с собственными потоками входных и выходных данных. Если выделенная подсистема всё ещё сложна для моделирования, её нужно снова попытаться разложить на отдельные подсистемы.

4. Выделить главные типы данных (или переменных fuzzy-функций) для всех подсистем и главной системы в свете поставленной задачи.

5. Перевести каждый из типов переменных (данных) на язык нечётких множеств. Этот процесс ещё называют фаззификацией (Fuzzification) для входных данных (Детальное описание процесса представлено в пунктах 6-7) и дефаззификацией (Defuzzification) для выходных данных (Детальное описание процесса представлено в пункте 9).

6. Для каждого из выделенных типов данных построить систему градаций (интервалов внутри <минимум - максимум> значений поля) и зон их пересечений (См. Зоны А на рисунке 1), принимая во внимание что:

- Чаще используют нечётное количество интервалов от 3 до 9, так как слишком мало интервалов дадут менее точный ответ на выходе, в то время как слишком много интервалов могут стать причиной нестабильности системы.

- Разбиение может быть неравномерным. Зоны наибольшего интереса могут содержать большее количество интервалов:

Рис. 1. Определение интервалов и зон их пересечения

Областью наибольшего интереса должна считаться та область входных значений, где изменение входных данных сильнее всего отражается на выходных данных

- Нужно помнить, что зоны пересечения интервалов существенно влияют на работу системы. Если таких зон не будет вовсе, то система перестанет быть «системой с нечёткой логикой» и превратится в обыкновенную систему с булевской логикой. Каждая зона пересечения возбуждает правила сразу из двух интервалов (а не из одного как это происходит в случае с булевской логикой). Таким образом, определяя градацию интервалов нужно заботиться, чтобы любое входное значение попало хотябы в один интервал, но не больше чем в два.

- Два разных интервала должны иметь разные значения максимумов. Поэтому любая зона пересечения может включать в себя максимальное значение только одного из интервалов.

- Для каждой точки, принадлежащей зоне пересечения, будет существовать два веса (по одному на каждую из соседних групп). Сумма этих весов должна быть меньше или равна 1.

- Каждая градация-интервал должен быть также обозначен определённым названием (Label), соответствующим его смысловому значению.

1. Если ввести понятия коэффициента пересечения и устойчивости пересечения интервалов тогда, предположив что по оси Х располагаются непосредственные значения переменных (и, соответственно, интервалы их разбиений на группы), в то время как по оси Y располагаются весовые значения принадлежности переменной каждой из соседних групп, для соседних интервалов А1 и А2 (условная высота конусов которых принята за 1, это значит, что в случае когда переменная не принадлежит области пересечения двух соседних интервалов, её вес будет равен 1 для интервала, которому она принадлежит). См. Рисунок 2.

Рис. 2. Иллюстрация коэффициентов пересечения и устойчивости

В этом случае эти коэффициенты могут быть представлены следующими формулами:

а. Коэффициент (или индекс) пересечения таких интервалов (Overlap ratio) может быть представлен отношением величины проекции области пересечения двух соседних интервалов к величине проекции области их объединения:

 (1)

а. Коэффициент устойчивости таких интервалов может быть представлен отношением интеграла сумм всех весов на области пересечения соседних интервалов к удвоенному значению этой области (См. Рисунок 2):

(2)

Тогда “Коэффициент пересечения” (в Формуле 1) должен быть не меньше 0.2 и не больше 0.6, в то время как, “Устойчивость пересечения” (в Формуле 2) должна быть больше коэффициента пересечения и быть в интервале от 0.3 до 0.7. Для более мягкого функционирования модели на нечёткой логике предлагается придерживаться значений коэффициента 0.33 и устойчивости 0,5. Увеличение этих значений обычно увеличивает степень контроля над системой. Но уменьшение этих индексов больше подходит для систем, где входные и выходные данные сильно связаны.

8. Определить число и распределение функций преобразования(правил) входных данных в выходные для каждого из типов данных (обычно используют от 20 до 40 правил). Определить правила как базу знаний модели, т.е. закодировать поведение системы используя “Zadeh-fuzzy” операторы (AND [Minimum], OR [Maximum], NOT), имея в виду что:

a) Если две входные переменные А1 и А2 правила R с весами W1 и W2 (где W1<W2) соединены оператором AND, тогда минимальный вес W1 должен быть выбран для определения веса (силы) всего правила R.

b) Если те же входные переменные А1 и А2 соединены оператором OR, тогда максимальный вес W2 должен быть выбран для определения веса (силы) всего правила R.

c) Использование оператора AND в правилах Задеха предпочтительнее. Т.е. сложные правила с использованием оператора OR лучше приводить к множеству простых правил с оператором AND. Например,

- Правилo <If (X AND Y) OR (A AND B) then C>

может быть преобразовано в правило

(If X AND Y then C) AND (If A AND B then C) > или

- Правилo <If (X OR Y) OR (A OR B) then C>

может быть преобразовано в правило

< (If X AND A then C) AND (If X AND B then C) AND (Y AND A then C) AND (Y AND B then C) >

d)NOT: Если переменная или даже целое правило А1 имеет вес W1, тогда (NOT А1) будет иметь вес (1 - W1).

e) Прежде всего нужно описать очевидные отношения между входными и выходными переменными, затем, не очевидные, но интуитивно правдивые. Исключительные случаи тоже могут быть описаны правилами.

9. Процесс Дефаззификации (Defuzzification): Каждое элементарное правило должно приводить к одной выходной переменной(действию), вес которой определяется весом самого правила. Для этого:

a) "MIN-МAX" метод: Правила, результатом которых получается одно и тоже действие (выходная переменная), объединяются в группу одного результата с весом равным максимальному весу из всех весов правил этой группы. Этот метод выбора результирующего действия называют "MIN-МAX" выводом, т.к. он строится на базе преимущественно минимальных весов входных переменных(имея в виду предпочтительного использования оператора AND) и максимальных весов выходных функций.

b) Затем, для непосредственного процесса дефазификации, наиболее часто используют COG (Center of Gravity) метод или центройд-метод (centroid-method). Из полученных оставшихся весов нужно вычислить точку баланса COG, которая и будет представлять собой дефазифицированное выходное значение. B теории, оно равно отношению интеграла (на отрезке всех значений функций) произведений веса каждой функции на её вычисленное выходное значение (Х) по dx к интегралу (на том же отрезке) весов этой функции на всех входных значениях:

(3)

c) На практике, вполне адекватная оценка может быть получена заменой интегралов (в формуле 3) на простые суммы весов исследуемой функции на всех входных переменных:

(4)

10. Пропустить входные данные через описанные правила

11. Проанализировать разницу между полученным выходом и реальными (ожидаемыми) выходными данными

12. В случае надобности подстроить (изменить) правила:

a) Процесс настройки (tuning) чаще всего включает в себя использование л-cut метода и компенсационных операторов.

b) Вес каждой функции (правила) ограничивается каким-то заранее определённым числом лямбда-кат (л-cut) т.е. из оставшихся (после применения MIN-МАХ метода) функций с вычисленными весами, результирующее значение каждого веса сравнивается со значением л-cut, так что в случае когда вычисленный вес функции W1 > л-cut, W1 будет равняться л-cut, т.е. для каждой функции А, её вес будет определяться формулой:

(5)

c) Затем, когда вес всех функций таким образом уже вычислен, процесс дефазификации (п.10) повторяется снова.

13. Во-время подстройки нужно обратить особое внимание на следущее:

a. На входные значения в самых крайних точках всей области определения.

b. На входные значения в самых крайних точках всех интервалов.

c. На входные значения на пересечениях входных интервалов.

d. На несоответствие входных и выходных данных. Индекс соответствия (от 0 до 1) указывает на степень соответствия входных данных правилам модели и используется для того чтобы оценить поведение модели (в процессе имитационного прогноза) на основании сравнения полученных выходных данных с ожидаемыми тестовыми результатами. К «хорошему поведению» фаззи-модели можно отнести усреднённый индекс соответствия, если он принадлежит к интервалу от 0.2 до 0.8 на обычном и расширенном объёме тестовых пакетов данных. При этом, случай расчёта индекса соответствия на одном пакете входных данных не может считаться достоверной характеристикой фаззи-модели. Индексы соответствия, которые либо слишком высокие (>0.8) либо слишком низкие (<0.2) одинаково говорят о несоответствии входных потоков заданным правилам, формирующим выходной результат. Существует несколько общих причин формирования «плохого» индекса соответствия:

- Реальные входные данные постоянно попадают в экстремальные отрезки- интервалы фазифицированных входных потоков.

- Неправильно построенные правила.

- Входной поток неверно разбит на интервалы и/или их пересечения неверно определены.

- Неправильно выбраны фаззи-операторы.

- Фаззи-условия и следствия неверно сопряжены.

- В процессе построения фаззи-модели, эксперт обычно думает о (опирается на) значениях данных, которые наиболее часто встречаются или, наоборот, о значениях которые ему кажутся наиболее интересными (яркими), предполагая при этом что инженер - создатель фаззи-модели сам позаботится о простых и очевидных (с точки зрения эксперта) вещах. В большинстве случаев это приводит к тому, что модель получается слишком обобщённой.

14. Шаги 11-13 повторять до тех пор пока разница между полученным результатом и реальными данными не станет приемлемой.

15. Кроме того, если, несмотря на множество подстроек, результат остаётся неудовлетворительным, можно попробовать упростить систему или на этапе агрегирования данных (п.4 - п.7) или на этапе определения правил (п.8 - п.9).

16. Шаги 3-9 повторять до тех пор, пока первый приемлемый результат остаётся неизменным.

17. Если первый приемлемый результат испортился, вернуть состояние системы к предыдущему циклу и закончить оптимизацию.

Финальное множество правил должно быть устойчиво по Ляпунову, т.е. небольшие изменения входного потока данных влекут за собой небольшие изменения выходных данных (независимо от времени).

3.3 Нейросетевое моделирование

В сравнение с моделями с нечёткой логикой, считается, что нейросетевое моделирование применяется чаще в банковских моделях и круг его применения значительно шире.

Математическая модель искусственного нейрона была предложена У. Маккалоком (Warren Sturgis McCulloch) и У. Питтсом (Walter Harry Pitts) вместе с моделью сети, состоящей из этих нейронов. Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции В статье McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity - Bull. Mathematical Biophysics, 1943. Практически сеть была реализована Фрэнком Розенблаттом (Frank Rosenblatt) в 1958 году как компьютерная программа, а впоследствии как электронное устройство - перцептрон. Связи, по которым выходные сигналы одних нейронов поступают на входы других, часто называют синапсами по аналогии со связями между биологическими нейронами Искумсственный нейромн (http://ru.wikipedia.org/).

Нейронная сеть представляет собой композицию простых элементов работающих параллельно. Связи между отдельными элементами определяют веса нейросетевых функций. Тренирование конкретной нейронной сети происходит посредством корректировки значений (количества) связей между отдельными её элементами. Нейронная сеть считается натренированной, если каждый конкретный набор исходных (входных) данных приводит к ожидаемому набору результирующих (выходных) данных.

Для каждой входной переменной здесь тоже (как и в нечёткой логике) существует вес, который определяется количеством внутренних связей этой переменной. Веса эти также используются в функции формирования результата. Модель искусственного нейрона может быть представлена Рисунком 3.



Рис. 3. Модель искусственного нейрона

Учитывая тот факт, что отдельные группы нейронов могут принадлежать к разным уровням нейронной сети, её картина может быть представлена Рисунком 4.

Рис. 4. Модель нейронной сети

Если в качестве элементарной частицы нейронной сети мы принимаем некий искусственный нейрон, который состоит из таких типов составляющих как вес конкретного входного элемента (синапса), сумматор сигналов от всех синапсов связанных с этим нейроном, и некий нелинейный преобразователь реализующий функцию конкретного нейрона, тогда математическая модель нейрона может быть представлена в следующем виде Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В.:

(6)

(7)

где, - вес i-того сигнала (синапса),

b - значение смещения,

i-тый входной сигнал (синапс),

n - число входов нейрона,

s - результат суммирования,

у - выходной сигнал нейрона,

- нелинейный преобразователь (функция активации конкретного нейрона).

Веса могут быть как положительными (в случае возбуждающей синаптической связи), так и отрицательными (в случае тормозящей связи). Наиболее широко используемые варианты активационных функций приведены в монографии Селянин В.Е.: Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей : /[текст] ]: диссертация... кандидата экономических наук : 08.00.13 Волгоград, 2007.



Одной из наиболее распространенных является нелинейная функция активации с насыщением, так называемая логистическая функция или сигмоид, описываемая выражением:

(8)

Перед использованием по назначению, нейронная сеть должна быть обучена. Для этого входные данные должны быть представлены системе и соединительные веса для каждой функции должны быть откорректированы в соответствии с математическим алгоритмом, называемым «закон или метод обучения».

Процесс обучения может быть контролируемым и бесконтрольным. В контролируемом обучении участвуют оба вида данных: входные и выходные (реальные или желаемые). Здесь веса подправляются до тех пор, пока разница между расчётным и заданным выходами не станет минимальной. В случае бесконтрольного обучения, выходные данные не задаются.

Наиболее известные, по нашему мнению, законы обучения в порядке их преемственности могут быть представлены в такой последовательности:

1. Правило Хебба (Donald Olding Hebb, Canada): Базируется на входной и выходной информации доступной конкретному нейрону, и является одним из фундаментальных правил в самоорганизационных нейронных сетях.

2. Правило Ойя (E.Oja, Finland) максимизирует чувствительность выхода нейрона при ограниченной амплитуде весов.

3. Обобщённое Дельта-правило (Widrow B., Hoff M.E.,USA): Минимизация функции среднеквадратичной ошибки по принципу градиентного спуска. Базируется на правилах Хебба или идее постоянного изменения силы каждой связи с целью уменьшения разницы между получаемым результатом и нужным результатом.

4. Метод обратного распространения ошибки (англ. Backpropagation. А.И. Галушкин и одновременно и независимо Werbos P. J.) Это итеративный градиентный алгоритм, который используется с целью минимизации ошибки. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы.

5. Правило Кохонена (Teuvo Kohonen, Finland): Следуя этому правилу, функции взаимодействия должны как бы состязаться друг с другом за возможность обучения. Побеждают функции с большим количеством связей с выходными элементами. Эти функции-победители тогда либо подавляют соседние функции либо возбуждают их. Только победители и их соседи могут иметь выходные потоки и корректировать свои веса. Количество функций-соседей может меняться во время обучающего периода. Обычно начинают с определения большого числа функций-соседей, которое затем сокращается в процессе обучения.

6. Генетические алгоритмы, к примеру, "репродуктивный план Холланда" (John Holland, USA): Метод обучения основанный на случайном отборе, с использованием механизмов, напоминающих биологическую эволюцию. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

На сегодняшний момент наибольшее распространение получили обучение по методу обратного распространения ошибки и генетические алгоритмы. На вопрос о количестве итераций обучения никогда не находилось удовлетворительного ответа, они относятся к природе обучающего материала.

Несмотря на то что использование нейронных сетей в банковском бизнесе только начинается, уже есть примеры их применения в следующих направлениях Бахвалов Ю.Н.: О некоторых возможностях обучения радиально-базисных нейронных сетей, «Нейроинформатика» 2004 часть 2, стр.50-52.:

- в скоринге или для оценки риска невозврата кредитов;

- для оптимизации портфелей;

- для обеспечения безопасности транзакций по пластиковым карточкам;

- для прогнозирования результатов банковской деятельности.

3.4 Нейросетевое моделирование на нечётких множествах

В силу сложности и разноплановости банковских данных, в сочетании с их большими объёмами, наиболее приемлемыми представляются модели созданные с использованием сочетания нечёткой логики и нейронных сетей. Известно несколько методов комбинирования элементов нейронных сетей и нечёткой логики (Neuro-Fuzzy). Например, см.Рисунок 5.



Рис. 5. Примеры комбинирования элементов нейронных сетей и нечёткой логики

Выбор одного из них или комбинирование нескольких зависит от конкретной задачи и имеющегося конкретного набора входных и выходных данных. В случае больших объёмов однородных данных наиболее уместным представляется применение нейросетевых классификаторов, как на входные, так и на выходные потоки данных.

ЗАКЛЮЧЕНИЕ

Результатами моей работы является определение роли кредита в экономике страны.

Роль кредита характеризуется результатами его применения для экономики, государства и населения, а также особенностями методов, с помощью которых эти результаты достигаются.

Роль кредита, а также сфера его применения не являются неизменными, стабильными. Напротив, с изменениями экономических условий в стране происходят и изменения роли кредита и сферы его применения.

Изложенное позволяет сделать вывод, что функционирование кредита является необходимым и обязательным условием развития товарно-денежных отношений, а роль кредита, как объективный результат развития его функций, является одной из ведущих в развитии внутренних и внешних экономических связей общества и в развитии экономики страны.

Тем не менее, роль кредита, как объективный результат его функционирования, меняется вместе с изменениями, происходящими в политической и экономической жизни общества, соответственно, влияющими на расширение или сужение сферы кредитных отношений и роль кредита в экономике страны.

Соответственно, переход к новой экономической политике и восстановление денежного оборота и товарообмена способствовали восстановлению и кредитных отношений. Результатом восстановления кредитных отношений явилось содействие ускорению темпов экономического подъема в стране. Осуществление коренной перестройки экономики СССР в 1987 г., и развал Союза ССР, дали толчок последующему введению частной собственности на средства производства, устранению централизованного планирования и централизованной банковской системы, возникновению коммерческих банков и введению коммерческого кредита, изменив кредитные отношения в странах СНГ, изменив и роль кредита и границы его использования.

При этом изменение роли кредита обусловлено не только расширением границ использования кредита, но и развитием новых форм кредита (в частности, ипотечного), новых методов управления кредитом, новых принципов и способов кредитования. Все это означает, что роль кредита зависит от конкретных условий экономической жизни общества. Уместно отметить, что в настоящее время в России отмечается возрастание роли кредита в ее экономическом развитии, что находит свое отражение в расширении границ использования кредита во всех его формах и в использовании кредита в регулировании экономики и поддержании стабильности национальной денежной единицы страны.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Максимова Л.М., Жуков Е.Ф. Деньги, Кредит, Банки.2007г.

2. Матвеева Т.Ю. Макроэкономика. Курс лекций для экономистов. 2008г.

3. Москвин В.А. Банковский кредит: его виды и классификация.

4. Молчанов А.В. Коммерческий банк в современной России: теория и практика. М., 2006

5. Лаврушин О.И. Деньги, кредит, банки. 2005г.

6. Тосунян Г.А., Викулин А.Ю., Экмалян A.M. Банковское право Российской Федерации. Общая часть: Учебник. М.: Юристъ, 2000.

7. Жуков Е.Ф. Банковский кредит. Общая теория денег и кредита.2005г.

8. Banki.ru

9. crb.ru Официальный сайт Центрального Банка Российской Федерации

10. Казарян В.В.: Моделирование активных стратегий управления краткосрочным портфелем ценных бумаг: диссертация кандидата экономических наук : 08.00.13, Москва 2010

11. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В.

12. Селянин В.Е.: Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей : /[текст] ]: диссертация кандидата экономических наук : 08.00.13 Волгоград, 2007.

13. Бахвалов Ю.Н.: О некоторых возможностях обучения радиально-базисных нейронных сетей, «Нейроинформатика» 2004 часть 2, стр.50-52.

Размещено на Allbest.ru