Скоринговые модели и средства управления рисками для поддержки принятия кредитных решений тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Уланов, Сергей Викторович

• Уланов, Сергей Викторович
• кандидат экономических наук
• 2007

Оглавление диссертации кандидат экономических наук Уланов, Сергей Викторович

Введение

1. Анализ функционирования скорингового механизма, математических моделей рисков кредитной организации и средств поддержки принятия кредитных решений

1.1. История развития скоринга

1.2. Внутренний механизм скоринга

1.3. Определение кредитоспособности и информация, используемая для ее прогнозирования

1.4. Алгоритмы скоринга и точность скоринговых расчетов

1.5. Финансовый скоринг

1.5.1. Рисковые скоринговые таблицы

1.5.2. Терминология рискового скоринга

1.6. Анализ проблем потребительского кредитования

1.7. Перспективы развития скоринга в России

1.8. Полученные результаты и выводы

2. Математические модели и автоматизированные системы оценки кредитного риска

2.1. Скоринг - технология оценки рисков при кредитовании

2.2. Методы классификации клиентов

2.3. Применение нейросетевых методов для оценки кредитной надежности физических лиц

2.4. Интеллектуальные алгоритмы, основанные на правилах

2.5. Реинжиниринг процессов при внедрении скоринговой системы в банке

2.6. Нечеткая классификация заемщиков в задаче кредитного скоринга

2.7. Модель прогнозирования полезности и риска решений рискменеджеров

2.7.1. Построение функции полезности и риска

2.7.2. Алгоритм и погрешности оценок максимального правдоподобия параметров функции полезности и риска

2.8. Полученные результаты и выводы

3. Информационные технологии оценки рисков

3.1. Основания необходимости оценки финансовых рисков

3.2. Инструменты для измерения глубины финансовых рисков

3.3. Методы оценивания рисковой стоимости

3.4. Ковариационный метод расчета рисковой стоимости

3.5. Измерение глубины финансовых рисков путем восстановления функции плотности распределения значений финансовых величин

3.6. Метод ВФПР

3.7. Полученные результаты и выводы

4. Кредитный скоринг субъектов малого бизнеса

4.1. Финансово-кредитная политика малого бизнеса

4.2. Построения модели кредитования малого и среднего бизнеса в условиях дефицита статистических данных

4.3. Проблемы потребительского кредитования в России

4.4. Дедуктивные скоринговые системы

4.5. Полученные результаты и выводы 133 Заключение 136 Литература 140 Приложение

Акт о внедрении результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Скоринговые модели и средства управления рисками для поддержки принятия кредитных решений»

Актуальность темы исследования. На протяжении последних нескольких лет российский рынок потребкредитования переживает стадию стремительного развития. Потенциал этого рынка оценивается экспертами в несколько миллиардов долларов в год. Это стимулирует все новые и новые банки выходить на сегмент розничного кредитования. Усиливающаяся конкуренция привела к тому, что решение о выдаче кредитов выдается за минимально возможные сроки - от нескольких минут до одного дня. Естественно, что методики оценки заемщика не поспевают за таким ростом рынка розничного кредитования.

Главная задача, стоящая сейчас перед банками - обеспечить минимальный уровень дефолтов при растущем объеме кредитов. Актуальность этой проблемы не вызывает сомнения по увеличивающемуся числу публикаций в прессе и ажиотажному интересу со стороны российских кредитных организаций.

Эта задача решается при помощи оптимизации схемы документооборота заявок внутри подразделений банка и адекватной оценке рисков. Последнее называется скорингом и представляет собой серьезную проблему.

Выделяется множество разнообразных рисков при выдаче кредитов физическим лицам: риск потери трудоспособности, потери источника дохода, изменения реальных доходов, потери залогового обеспечения и т.д. На стадии принятия решения о выдаче ссуды интересует, как правило, интегральная оценка риска в виде вероятности возврата. Это осуществляет автоматический ско-ринг анкет физических лиц - математическая модель поведения заемщика на основе накопленной статистики. Применение скоринга позволяет минимизировать субъективность при рассмотрении заявок, сократить время принятия решений по выдаче кредитов, управлять кредитными рисками.

История скоринга связана с именем Дюрана - американского финансиста, который впервые разработал балльную модель для оценки заемщика по совокупности его имущественных и социальных параметров (возраст, пол, профессия и т.д.). Преодолев границу некоторого порога, заемщик считался кредитоспособным. Поэтому под скорингом традиционно понимается балльная, или рейтинговая методика оценки кредитоспособности заемщика. Статистическим алгоритмом автоматического расчета баллов скоринговой карты сегодня является логистическая регрессия.

Компьютерные и вычислительные технологии постоянно движутся вперед, и сегодня балльная методика - одна из нескольких технологий, применяемых в скоринге. С учетом этого правильнее говорить, что балльная система -одна из разновидностей скоринга.

Несмотря на то, что сегодня на рынке доступны скоринговые решения, ряд проблем тормозят их широкое распространение в банковской среде. Автоматизированные банковские системы и скоринговые решения существуют отдельно и слабо интегрированы друг с другом. Потребительское кредитование - это система, среди которой скорингу отводится важная, но не единственная роль. В классическом варианте она включает в себя следующие элементы: интерфейс удаленного заполнения анкет, схема документооборота заявок, скоринг, рабочие места сотрудника службы безопасности и кредитного инспектора, автоматическая генерация пакета документов и интеграция с учетной банковской системой. Именно реализация всех звеньев данной цепи позволяет создать эффективное кредитно-скоринговое решение, но никак не отдельно внедренная технология скоринга. Кроме того, сквозной характер бизнес-процессов, протекающих при обработке заявки заемщиков приводит к тому, что время принятия решений по заявкам сильно зависит от взаимодействия подразделений банка Поэтому развертывание кредитно-скорингового решения с применением системного подхода, реинжиниринга бизнес-процессов, процессного подхода к управлению представляет собой сложную и актуальную задачу.

Объектом исследования является скоринг как методика оценки кредитного риска для установления кредитоспособности субъектов малого бизнеса и физических лиц.

Предметом исследования являются средства построения математической модели рисков кредитной организации (скоринговой модели), средства управления рисками и поддержки принятия кредитных решений.

Целью работы является проведение комплексных исследований, направленных на построение интеллектуальных методов оценки кредитных рисков, базирующихся на построении алгоритмических композиций из простых логических классификаторов, создания средств управления рисками и поддержки принятия кредитных решений, а также реинжиниринга бизнес-процессов, обеспечивающих принятие эффективных решений при стратегическом управлении кредитной организацией, что будет способствовать выявлению портретов заемщиков (юридических и физических лиц) и разработки скоринговых моделей, даже на малых объемах исторических данных, что особенно актуально при выходе на новые рынки кредитования.

Для достижения поставленной цели требуется решить следующие задачи:

- исследовать внутренний механизм скоринга для повышения эффективности его применения в связи со значительным ростом кредитных портфелей российских банков, разворачивающейся битвой за такой источник денег как кошельки сограждан и расширением потребительского кредитования;

- предложить скоринговые модели путем объединении классических рамочных моделей кредитного риска с методами интеллектуального анализа накапливаемых данных с учетом российской специфики;

- создать кредитно-скоринговое решение на основе использования нейронных сетей, систем нечеткого вывода, имеющих высокие аппроксимирующие свойства при нелинейном распознавании, а также способных адаптироваться к изменениям макроэкономических показателей и других внешних условий;

- установить в скоринге для решения задачи классификации правила перехода от графика погашений к классу заемщика по качеству обслуживания долга; для этого разработать универсальный механизм оперирования экспертными правилами, который учитывал бы неопределенности в суждениях при классификации займа;

- получить зависимость функции полезности и риска от ожидаемых результатов конкурентного противоборства, на основе которой можно было бы оценивать как уровень полезности и риска при достижении заданного уровня выигрыша или потерь, а также уровень ожидаемых выигрыша или потерь, если задан приемлемый уровень полезности или риска;

- получить результаты расчетов Value at Risk (рисковой стоимости) тремя методами: с использованием распределения Парето, нормального распределения с оценкой матрицы ковариаций при помощи GARCH модели и метода восстановления функции плотности распределения (ВФПР), определить из них наиболее оптимальный по критерию риск/доходность;

- модернизировать экспертные модели кредитного скоринга, позволяющие помимо получения эффективности и четкого регламента параллельно производить сбор и улучшение качества управления данными, что, в конечном счете, нацелено на переход от применения экспертных моделей кредитного скоринга к количественным статистическим моделям, использующим большой набор исторических данных.

Методы исследования. Методологической и теоретической основой исследования являются труды отечественных и зарубежных ученых по финансовому риск-менеджменту, теории финансов и кредита, теории рисков, теории вероятностей, статистики, случайных процессов и эконометрики. В процессе работы над диссертацией использовались методы прикладной статистики, элементы вычислительных методов, компьютерные технологии.

Использовались методы теории нечетких множеств, нейронных сетей, деревьев решений, генетических алгоритмов, системного анализа, объектно-ориентированного программирования. Использованы элементы теории распознавания образов (кластерный анализ), положения теории риска.

Достоверность и обоснованность. Методы, применяемые в диссертационном исследовании, обусловливают необходимый уровень его достоверности. Основные факторы достоверности работы базируются на использовании методологии системного подхода, структурно-динамического анализа, математического моделирования экономических объектов и процессов.

В работе применены традиционные методы экономических исследований - абстракция, анализ и синтез, интроспекция и ретроспекция. Основные результаты получены с использованием истории, теории и фактологии по изучаемой проблеме. Параметры вычисленных моделей сформированы на базе реальных данных. Результаты аналитических расчетов правильно отражают моделируемые фрагменты экономической реальности.

Вычислительный эксперимент проводился с помощью компьютерных и информационных технологий, включающих современные интегрированные программные средства, на основе классических методов оптимизации и предложенных методов интерпретации математической теории интеллектуальных систем.

Научная новизна проведенного исследования заключается в следующем:

- установлено, что в будущем кредитный скоринг будет играть повышенную роль в больших банковских организациях из-за требований Базельского соглашения о капиталах {Basel II). Это приведет к переоценке методологий и стратегий развития для рисковых таблиц на основе рекомендаций окончательного соглашения, в особенности, изменения могут потребоваться в определении понятия «неблагонадежного» клиента, и как связать выводимый прогноз с «вероятностью дефолта», «обнаружением дефолта» и «потерями при дефолте»;

- показано что, несмотря на существование строго формализованных методик ЦБ РФ для классификации заемщиков по качеству обслуживания долга, которые являются общими и предназначенными для регулярной отчетности и формирования банковских резервов, а поэтому мало подходят для построения и переобучения скоринговых моделей, следует вырабатывать набор правил, причем для каждого кредитного продукта могут быть свои правила, либо с применением аппарата теории нечетких множеств, что более эффективно, т.к. сама постановка задачи классификации заемщиков по ссудной задолженности нечетка по своей природе;

- предложены интеллектуальные алгоритмы анализа признаков заемщиков, основанных на правилах, которые построены на адаптивных системах нечеткого вывода и деревьев решений. Метод деревьев решений отличается высокой скоростью обработки данных и обучения при сохранении свойств систем нечеткого логического вывода. В алгоритмах использован аппарат теории нечетких запросов, который позволяет согласовать формальные критерии и неформальные требования к заемщикам и задавать интервалы их выбора как нечеткие множества;

- разработана структура скоринговой информационной системы, включающая систему удаленного обслуживания, связывающую при помощи удаленных веб-технологий автоматизированные рабочие места операторов и лиц, участвующих в принятии решения по заемщику. В скоринговой системе добавлено еще одно звено - автоматическая оценка кредитоспособности, и дополнительный этап - прескоринг, который осуществляется сразу после ввода анкеты в систему удаленного обслуживания. Прескоринг проводится на решающем сервере вызовом специальной программной процедуры. Это позволит оператору быстро получать обратный ответ в случае неудачного прохождения прескоринга;

- предложена модель оценки как своего выигрыша, так и своих потерь, основанная на построении, анализе и статистическом прогнозировании параметров функции полезности и риска, которая, в отличие от известных, более адекватно учитывает одновременное противоборство факторов, способствующих достижению цели противоборства, а также факторов, препятствующих достижению этой цели;

- получены результаты расчетов VaR тремя методами: с использованием распределения Парето, нормального распределения с оценкой матрицы кова-риаций при помощи GARCH модели и ВФПР. В результате сравнения вышеуказанных методов расчета VaR определено, что наиболее оптимальным по критерию риск/доходность является метод ВФПР, который позволяет вместо необоснованных предположений о нормальности распределения получить картину, соответствующую реальному положению дел. В результате кредитор принимает решения на основе гораздо более точной оценки рисков;

- определено верным, что для любого банка вначале стоит стратегия, затем кредитная политика, и, наконец, какие, исходя из этого, данные необходимы. По этой причине, одна и та же, даже правильно разработанная экспертная модель, не может успешно использоваться в различных банках. В любом случае, банку, ставящему своей целью в будущем использование статистической скоринговой модели, необходимо несколько лет для набора достаточной статистической базы, служащей основой для ее работы. А поскольку этот процесс требует времени, предложенная в работе экспертная модель может уже сейчас принести определенные выгоды банку, во-первых, отчасти автоматизируя кредитный процесс, параллельно помогая банку создать первичную базу данных кредитных историй, которые в будущем будут использованы при разработке и создании более совершенных методов принятия решений о предоставлении кредитов.

Практическая значимость. Рисковый скоринг, наряду с другими прогнозирующими моделями, является средством оценки уровня риска, связанного с заемщиками - юридическими и физическими лицами. Хотя оно и не выявляет среди заявок «хорошие» (не ожидается негативного поведения) и «плохие» (ожидается негативное поведение), однако для каждого заданного рейтинга дает статистические шансы, или вероятность, того, что заемщик окажется «хорошим» или «плохим». Эти вероятности или рейтинги, наряду с другими коммерческими факторами, такими как ожидаемая степень одобрения, доход и потери, затем используются как база для принятия решений.

Информация о рисковом рейтинге в сочетании с другими факторами, такими как средняя степень одобрения и потенциал дохода/прибыли для каждого уровня риска, могут использоваться для разработки новых стратегий отбора заявлений, которые будут максимизировать доход и минимизировать невозвра-щенный долг. Рисковый скоринг, таким образом, дает кредиторам возможность последовательного и объективного принятия решений на основании эмпиричеи ски полученной информации. В сочетании с деловым знанием, технологии прогнозирующего моделирования позволяют риск-менеджерам увеличить эффективность процесса риск-менеджера и контроль над ним.

Построение математической скоринговой модели дает возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта. Преимуществом подхода нечеткой классификации является то, что аналитик оперирует единственным численным показателем принадлежности клиента к тому или иному множеству заемщиков.

Обобщенная функция полезности, полученная в виде нечетной функции от уровня выигрыша и потерь, ожидаемых ЛПР, отображает уровень показателя полезности и риска решения, которые ожидает ЛПР. Она отображает соизмеримые ожидаемые выигрыш и потери.

Сутью Value at Risk (рисковая стоимость) является четкий и однозначный ответ на вопрос, возникающий при проведении финансовых операций: какой максимальный убыток рискует понести инвестор за определенный период времени с заданной вероятностью. Отсюда следует, что величина VaR определяется как наибольший ожидаемый убыток, который с заданной вероятностью может получить инвестор в течение заданного количества дней. Ключевыми параметрами VaR является период времени, на который производится расчет риска, и заданная вероятность того, что потери не превысят определенной величины.

Когда банки не обладают значительными по объемам базами данных о кредитной истории заемщиков (как физических, так и юридических лиц), затрудняет, если вообще представляет возможность, использовать статистические скоринговые модели. Применение экспертных моделей кредитного скоринга, рассмотренных в диссертации, позволяет обойти эту проблему. Преимуществом данного подхода является то, что помимо получения эффективности и получения четкого регламента параллельно производится сбор и улучшение качества управления данными, что, в конечном счете, нацелено на переход от применения экспертных моделей кредитного скоринга к количественным статистическим моделям, использующим большой набор исторических данных.

Апробация результатов исследования. Основные положения и результаты диссертации докладывались и обсуждались на: Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2004, 2005), Международной конференции Российской научной школы «Инноватика-2005» (Сочи, 2005), V Всероссийской научно-практической конференции «Проблемы и перспективы российской экономики» (Пенза, 2006), Седьмой Международной научно-технической конференции «Искусственный интеллект-2006» (Таганрог, 2006), Международных конференциях «Информационные технологии в науке, социологии, экономике и бизнесе» и «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2006 и 2007).

Реализация работы в производственных условиях. Положения, разработки и рекомендации диссертационной работы внедрены в Филиале АБ «Газпромбанк» (ЗАО) в г. Ижевске.

Публикации. По теме диссертации опубликовано 16 работ, общим объемом 9 п.л. Автор имеет 9 работ в рецензируемых научных изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура диссертации. Диссертация состоит из введения, четырех глав, заключения, приложения с актом внедрения результатов работы. Основное содержание работы изложено на 152 страницах. В работе содержатся 7 таблиц и 24 рисунка. Список использованной литературы включает 137 источников.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Уланов, Сергей Викторович

ЗАКЛЮЧЕНИЕ

1. Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок. В самом упрощенном виде скорин-говая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель: чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности. Для разработки алгоритмов кредитного скоринга необходима историческая выборка данных - так называемая обучающая выборка. От качества этой выборки (на языке статистики - репрезентативности) зависит точность оценок параметров модели скоринга и соответственно эффективность (предиктивная мощность) скорингового алгоритма.

2. Рисковый скоринг, таким образом, дает кредиторам возможность последовательного и объективного принятия решений на основании эмпирически полученной информации. В сочетании с деловым знанием, технологии прогнозирующего моделирования позволяют риск-менеджерам увеличить эффективность процесса риск-менеджера и контроль над ним.

3. Следует особо подчеркнуть, что в России внедрение скоринга тормозится не столько объективными, сколько субъективными причинами, связанными с недоверчивым отношением банковских менеджеров к математическим и статистическим методам. Скоринговые модели необходимо разрабатывать на самых свежих данных, периодически проверять качество их работы, иметь возможность быстро и дешево перенастраивать модель, чего не позволяют сделать закрытые западные системы, применяемые в некоторых российских банках.

4. Для того чтобы иметь возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь. Скоринг представляет собой классификационную задачу, где, исходя из имеющейся информации, необходимо получить функцию, наиболее точно разделяющую выборку клиентов на «плохих» и «хороших». Но предварительно необходимо преобразовать имеющуюся информацию в форму, поддающуюся анализу.

5. У каждого из методов классификации заемщиков имеются свои преимущества и недостатки, кроме того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

6. В скоринге для решения задачи классификации необходимо установить правила перехода от графика погашений к классу заемщика по качеству обслуживания долга. Для этого необходим универсальный механизм оперирования экспертными правилами, который учитывал бы неопределенности в суждениях при классификации займа. Для решения этой задачи предложено использовать аппарат теории нечетких множеств и нечетких запросов. Инструмент нечетких запросов позволяет согласовать формальные критерии и неформальные требования к заемщикам и задавать интервалы их выбора как нечеткие множества. Заемщики, не удовлетворяющие какому-то одному критерию, могут быть выбраны из базы данных, если они имеют хорошие показатели по другим критериям.

7. Полезность и риск принимаемых решений всегда носят случайный характер и определяются множеством трудно учитываемых факторов, а также вполне однозначно связаны с величиной выигрыша и потерь (и конкурента, и своих), ожидаемых лицом, принимающим решения. Объективный прогноз изменения полезности и риска под действием как детерминированных, так и случайных факторов возможен при условии, что известный механизм, порождающий эти изменения, практически не изменяется, т.е. является постоянно действующим.

8. Главным преимуществом параметрических методов оценки риска является их концептуальная и вычислительная простота: в них показатель VaR рассчитывается на основе только текущей стоимости портфеля и оценок изменчивости доходности факторов риска, что особенно удобно для больших диверсифицированных портфелей, подверженных многим различных факторам риска. Меньшее время вычислений выгодно отличает параметрический метод от методов стохастического моделирования (метода Монте-Карло и исторического моделирования), в которых производится полная переоценка всего портфеля по большому числу гипотетических сценариев изменения факторов риска. Однако параметрический метод уступает методам имитационного моделирования в надежности оценки рисков портфелей, состоящих из опционов и основанных на них инструментов, стоимость которых зависит от факторов риска нелинейным образом, особенно на сравнительно больших временных горизонтах.

9. Предложено для оценки VaR использовать метод восстановления функции плотности распределения позволяет вместо необоснованных предположений о нормальности распределения получить картину, соответствующую реальному положению дел. В результате кредитор принимает решения на основе гораздо более точной оценки рисков.

10. Основными проблемами, мешающими дальнейшему наращиванию масштабов кредитования малого бизнеса, являются: во-первых, отсутствие ликвидного обеспечения или достаточных гарантий своевременного возврата кредита; во-вторых, неустойчивое финансовое состояние потенциальных заемщиков; в-третьих, непрозрачность деятельности СМБ, высокий уровень расчетов, проводимых вне банковской системы (по мнению экспертов, доля скрытого оборота розничной торговли и общественного питания на малых предприятиях в 2-3 раза превышает соответствующий показатель на крупных и средних предприятиях).

11. Для перехода от экспертной скоринговой модели к ее статистическому варианту требуется определенное время для накопления данных по «плохим» кредитам, так что период времени для накопления необходимых данных будет в значительной степени зависеть от объемов и качества портфеля - чем больше объем (число) выданных кредитов, тем больше вероятность невозврата какой то их части. С другой стороны, низкое качество кредитного портфеля увеличивает процент безнадежных ссуд (процент случаев невозврата кредитов).

Список литературы диссертационного исследования кандидат экономических наук Уланов, Сергей Викторович, 2007 год

1. Авраамов А., Гурков И. Российские предприятия после августовского шока // Вопросы экономики. -1999. -№10 . -С. 98-105.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М., ЮНИТИ, 1998.

3. Алексеева М.М. Планирование деятельности фирмы. М.: Финансы и статистика. 1999 248 с.

4. Алпатов Г.Е. , Базулин Ю.В. и др. Деньги. Кредит. Банки // Изд-во: Проспект, 2003. 624 с.

5. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: ФиС, 2000.

6. Арасланов Т.Н. Маркетинг услуг: уточнение некоторых понятий с экономической точки зрения // Маркетинг в России и за рубежом 2004 - №2.

7. Ашманов С.А. Введение в математическую экономику. М., Наука, 1984 г.

8. Багриновский К.А., Матюшок В.М. Экономико-математические методы и модели, М.: РУДН, 1999.

9. Базен Р.С. и др. Информация и риск в маркетинге / Пер. с англ. М.: АО Финстатинформ, 1993.

10. Баканов М.И., Шеремет А.Д. Теория анализа хозяйственной деятельности. М.: Финансы и статистика, 2000.

11. Балабанов И. Риск-менеджмент.- М., 1996. -412 с.

12. Балабанов И.Т. Финансовый менеджмент. -М.: Финансы и статистика, 1994.

13. Банковские риски: учебное пособие. Под ред. О.И. Лаврушина, Н.И. Валенцевой // Издательство: М.: КНОРУС, 2007. 232 с.

14. Беляков А.В. Банковские риски: проблемы учета, управления и регулирования (2-е изд.). Управленческая методическая разработка // Издательство: БДЦ-пресс, 2004. 256 с.

15. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М. Статистика, 1974 г.

16. Бирман Г., Шмидт С. Экономический анализ инвестиционных проектов / Пер. с англ. / Под ред. Белых Л.П. М.: Банки и биржи, ЮНИТИ, 1997.

17. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Рига: Зинатне, 1990.

18. Борисов В.В., Бычков И.А., Дементьев А.В. и др. Компьютерная поддержка сложных организационно-технических систем. М.: Горячая линия -Телеком, 2002. 154 с.

19. Бурков В.Н., Ириков В.А. Методы управления организационными системами. М.: Наука, 1994.

20. Бэстенс ЭВан ден Берг, В.-М., Вуд Д. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. Научное издательство «ТВП», Москва, 1997.

21. Валдайцев С.В. Управление инновационным бизнесом. М.: ЮНИТИ-ДАНА, 2001.

22. Валдайцев С.В.Оценка бизнеса и управление стоимостью предприятия. М.: ЮНИТИ-ДАНА, 2001.

23. Вдовиченко А.Г., Воронина В.Г. Правила денежно-кредитной политики Банка России // Издательство: М.: EERC, 2004. 56 с.

24. Владимиров В.А., Воробьев Ю.Л., Малинецкий Г.Г. и др. Управление риском. М.: Наука. 2000.

25. Владимирова М.П., Козлов А.И. Деньги, кредит, банки // Издательство: Кнорус, 2006. 288 с.

26. Вопросы учреждения кредитного бюро в России // Банковских технологиях, сентябрь 1999 г.

27. Гейвандов Я.А. Социальные и правовые основы банковской системы

28. Российской Федерации // Издательство: Аванта+, 2003. 496 с.

29. Герберт А. Саймон. Теория принятие решений в экономической теории и науке о поведении // Теория потребительского поведения и спроса. (Серия «Вехи экономической мысли». Вып.1.) Под ред. В.М.Гальперина. СпБ.: Эк. школа, 1999.

30. Глухов В.В., Медников М.Д., Коробко С.Б. Экономико-математические методы и модели в менеджменте. СПб., СПбГТУ, 2000.

31. Горина Т. И. Деньги, кредит, банки: Учебное пособие // Издательство: Хабаровск: РИЦ ХГАЭП, 2003. 144 с.

32. Гранатуров В.М. Экономический риск: сущность, методы измерения, пути снижения: Учебное пособие. М.: Издательство «Дело и Сервис», 2002. -160 с.

33. Деньги. Кредит. Банки. Ценные бумаги. Практикум. Под ред. Е.Ф. Жукова // Издательство: М.: ЮНИТИ-ДАНА, 2003. 310 с.

34. Джексон П. Введение в экспертные системы. 2001.

35. Джозеф Джарратано, Гари Райли. Экспертные системы: принципы разработки и программирование. 4-е издание, 2006.

36. Долан Э. Дж., Кэмпбелл К.Д., Кэмпбелл Р.Дж. Деньги, банковское дело и денежно-кредитная политика / Пер. с англ. // Издательство: М.: Туран, 1996. 448 с.

37. Долгий Ю.Ф., Близорукое М.Г. Динамические системы в экономике с дискретным временем // Экономика и математические методы. 2002. - т. 38. -№3. - С. 94-106.

38. Дубров A.M., Лагоша Б.А., Хрусталев Е.Ю., Барановская Т.П. Моделирование рисковых ситуаций в экономике и бизнесе. Издание второе, переработанное и дополненное. М. Финансы и статистика, 2001.

39. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерный статистический анализ в экономических исследованиях. М., МЭСИ, 1988.

40. Елиферов В.Г., Репин В.В. Бизнес-процессы: Регламентация и управление. М.: ИНФРА-М, 2006. - 319 с.

41. Ендовицкий Д.А. Анализ и оценка кредитоспособности заемщика. М., 2005.

42. Заде JI. Понятие лингвистической переменной и его применение к принятию решений. М.: МИР, 1976.-166 с.

43. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические методы в экономике. М.: АО «ДИС», 1997.

44. Ибадова Л.Т. Финансирование и кредитование малого бизнеса в России: правовые аспекты // Издательство: Волтерс Клувер, 2006. 258 с.

45. Ивченко Б.П., Мартыщенко Л.А., Табухов М.Е. Управление в экономических и социальных системах. СПб.: Нордмед-Издат., 2001.-248 с.

46. Ионова А.Ф., Селезнева Н.Н. Финансовый анализ / Изд-во Проспект, 2006.

47. Искусственный интеллект. Книга 1. Системы общения и экспертные системы./ Под ред. проф. Э.В.Попова. М.: Радио и связь, 1990. - 461 с.

48. Искусственный интеллект. Книга 2. Модели и методы / Под ред. проф. Д.А.Поспелова. М.: Радио и связь, 1990. - 304 с.

49. Искусственный интеллект. Книга 3. Программные и аппаратные средства. / Под. ред. В.Н.Захарова, В.Ф.Хорошевского. М.: Радио и связь, 1990. - 320 с.

50. Каланов Г.Н. Моделирование, анализ, реорганизация и автоматизация бизнес-процессов. М.: Финансы и статистика, 2006. - 240 с.

51. Каллан Р. Нейронные сети: вводный курс по нейронным сетям. 2001.

52. Кобелев Н. Б. Основы имитационного моделирования сложных экономических систем: Учеб. Пособие // Издательство: М.: Дело, 2003. 336 с.

53. Ковалев В.В. Введение в финансовый менеджмент. М.: Финансы и статистика, 1999.

54. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 1998.

55. Колемаев В.А. Математическая экономика. М. ЮНИТИ, 1998.

56. Конюховский П.В. Экономическая информатика: Учебник для вузов // Издательство: СПб.: Питер, 2001. 560 с.

57. Кредитные организации в России: правовой аспект. Коллектив авторов / Отв. ред. Е.А. Павлодский // Издательство: Волтерс Клувер, 2006. 624 с.

58. Кувалдин Д. Экономический кризис 90-х: реакция предприятий // Российский экономический журнал. 2000. -№8. - С. 10-17.

59. Лаврушин О.И., Афанасьева О.Н., Корниенко C.JI. Банковское дело: современная система кредитования. М., 2005. - 256 с.

60. Леонтьев Б.Б. Цена интеллекта. Интеллектуальный капитал в российском бизнесе. М.: Изд. Центр «Акционер», 2002, 101 с.

61. Леонтьев В.Е., Радковская Н.П. Финансы, деньги, кредит и банки // СПб.: Знание, 2003.-384 с.

62. Лобанов А.А., Чугунов А.В. Энциклопедия финансового риск-менеджмента, 2003.

63. Лукашин Ю.П. Оптимизация структуры портфеля ценных бумаг // Экономика и математические методы. 1995. Т. 31. Вып. 1. С. 138-150.

64. Лукашин Ю.П. Статистические методы изучения фондового рынка // Вопросы статистики. 1995. №7.-С. 14-21.

65. Максимов К.В. Интеллектуальный капитал банка // Актуальные проблемы стратегического менеджмента. Сб. статей / Московский государственный институт эконометрики, информатики, финансов и права. М., 2002. С. 72-78.

66. Максимов К.В. Оценка интеллектуального капитала банка // Актуальные проблемы стратегического менеджмента. Сб. статей / Московский государственный институт эконометрики, информатики, финансов и права. М., 2002. С. 65-71.

67. Мандель И.Д. Кластерный анализ М.: Финансы и статистика, 1988.

68. Мерфи Д. Стохастическая модель для прогнозирования технологических изменений: Реф. сб. «Экономика промышленности». 1980.- №1.- С. 22-27.

69. Мицель А. Математическая экономика // Издательство: Томск: НТЛ, 2006.- 186 с.

70. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций // Типография «Сезам», Санкт-Петербург, 2002 г.

71. Нестеренко А., Переходный период закончился. Что дальше? // Вопросы экономики. 2000. -№6. -С. 4-17.

72. Нортон М. Нервный бизнес // Банковские технологии. 1995. № 3. С. 73.

73. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

74. Первозванский А.А., Первозванская Т.Н. Финансовый рынок. Расчет и риск. М.: Инфра-М. 1994.

75. Петров А.А., Поспелов И.Г., Шананин А.А. Опыт математического моделирования экономики. М. Энергоиздат.: 1996.

76. Райфа Г. Анализ решений. М., 1977.

77. Риск в современном бизнесе, М., 1994. - 248 с.

78. Розен В.В. Математические модели принятия решений в экономике. Учебное пособие // Издательство: М.: Книжный дом «Университет», Высшая школа, 2002. 288 с.

79. Романов А.Н., Одинцов Б.Е. Советующие информационные системы в экономике. М.: ЮНИТИ-ДАНА, 2000. 487 с.

80. Ронова Г.Н. Финансовый менеджмент / М. Московский международный институт эконометрики, информатики, финансов и права. 2002,

81. Росс С.И. Математическое моделирование и исследование национальной экономики // Издательство: СПб ГУ ИТМО, 2006. 61 с.

82. Рутковская Д., Пилинський М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы // Издательство: Горячая линия-Телеком, 2006. 383 с.

83. Рэдхед К., Хьюс С. Управление финансовыми рисками / Пер. с англ.М.: ИНФРА-М, 1996.

84. Савицкая Г.В. Методика комплексного анализа хозяйственной деятельности: Краткий курс. 2-е изд., испр. М.:ИНФРА-М, 2003. 303 с.

85. Самарский А., Михайлов А. Математическое моделирование: Идеи. Методы. Примеры (2-е изд.) // Издательство: ФИЗМАТЛИТ, 2005. 320 с.

86. Самуэльсон П., Нордхаус В. Экономика: Пер. с англ. М.: Бином, 1997.-800 с.

87. Свиридов О.Ю. Деньги, кредит, банки // Изд-во: МарТ, 2004. 480 с.

88. Смирнов С.А. Стратегическое планирование. М.: МЭСИ, 1999.

89. Смолко Д.С., Черноруцкий И.Г. Система поддержки принятия решения для портфеля ценных бумаг // Сборник докладов I Международной конференции по мягким вычислениям и измерениям (SCM-98), Санкт-Петербург, 1998, том 2, С. 231-234.

90. Современные методы научно-технического прогнозирования // Экономическая эффективность авиационной техники. М., 1974. - С. 3-11.

91. Спиридонов В.А. Мировая экономика: Учебное пособие.- М.: Инфра-М., 1999г. -256 с.

92. Степанов В., Заяц А. Анализ состояния банка // Банковские технологии. 1996. № 8. С. 58.

93. Стоянова Е.С. Финансовый менеджмент. Российская практика.- Перспектива, 1996.

94. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике М.: МЭСИ, 1998.- 187 с.

95. Тененев В.А., Ворончак В.И. Решение задач классификации и аппроксимации с применением нечетких деревьев решений / Интеллектуальные системы в производстве, №2,2005. С. 46-69.

96. Теория прогнозирования и принятия решений / Под ред. С.А. Саркисяна.-М, 1977.

97. Тэпман JI.H. Риски в экономике: Учеб. пособие для вузов. Под ред. В.А. Швандара// Издательство: М.: ЮНИТИ-ДАНА, 2002. 380 с.

98. Тютюнник А.В. Реинжиниринг кредитных организаций. Управленческая аналитическая разработка // Издательская группа «БДЦ-Пресс», 2001.

99. Украинцев B.C. Самоуправляемые системы и причинность. М.: «Мысль», 1972. 64 с.

100. Фатхутдинов Р.А. Разработка управленческого решения М.:ЗАО «Бизнес-школа Интел-Синтез», 1998. 272 с.

101. Финансы. Деньги. Кредит. Под ред. Соколовой О.В. М., Юрист, 2000.

102. Фиронов А., Люшина Е. Нечеткая логика в анализе корпоративных клиентов. // Банковские технологии. 2003. - №5. - С. 23-31.

103. Фишберн П. Теория полезности для принятия решений. М, 1978.

104. Фролов Ю.В. Интеллектуальные системы и управленческие решения. М.: МГПУ, 2000. - 294 с.

105. Черкасов В. Деловой риск в предпринимательской деятельности. -К., 1996.- 160 с.

106. Шапкин А.С. Экономические и финансовые риски. Оценка, управление, портфель инвестиций // Издательство: Дашков и Ко, 2005. 544 с.

107. Шрайнер М. Кредитный скоринг: очередной прорыв в микрофинансировании? // Журнал CGAP, январь 2003. 64 с.

108. Шутов П. Модель риска предпринимателя // Управление риском. — 2004. —№3.-С. 56-61.

109. Экономико-математические методы и прикладные модели / Под ред. Федосеева В.В. М., ЮНИТИ, 2000.

110. Экономическая теория: Учебник / Под общ. ред. акад. В.И. Видяпина, А.И. Добрынина, Г.П. Журавлевой, Л.С. Тарасевича. М.: ИНФРА-М, 2003. - 714 с.

111. Янович П.А. Деньги, кредит, банки // Изв-во: БНТУ, 2006. 60 с.

112. Amendment to the capital accord to incorporate market risks. Basle Committee on Banking Supervision. January 1996.

113. Boyle M., Crook J. N., Hamilton R., Thomas L. C. Methods for credit scoring applied to slow payers in Credit Scoring and Credit Control // Oxford University Press. 1992.

114. Campbell J.V., Lo A.W., MacKinley A.C. The Econometrics of Financial Markets. Princeton Un. Press, 1997.

115. Churchill G.A., Nevin J.R., Watson R.R. The role of credit scoring in the loan decision // Credit World. March, 1977.

116. Copeland Т.Е., Weston J.F. Financial Theory and Corporate Policy. 3-rd ed. Addisson-Wesley, 1988.

117. Desai V. S., Convay D. G., Crook J. N., Overstreet G. A. Credit scoring models in the credit union environment using neural networks and genetic algorithms // IMA J. Mathematics applied in business and industry. 8/1997.

118. Dimitris N. Chorafas. Understanding Volatility and Liquidity in the Financial Markets. Euromoney PLC. 1998.

119. Edward Yordon. Modern Structured Analysis. Prentice-Hall, 1989.

120. Elton E.J. Gruber M.J. Modern Portfolio Theory and Investment Analysis. 4-th ed. Jhon Wiley & Sons, Inc., 1991.

121. Fabozzi FJ. (ed.) Advances in fixed income valuation, modeling and risk management. Pennsylvania: Associates New Hope, 1997.

122. Fink A., Johaning L., Rudolf B. Zur Prognoseg'te alternativer VaR-Verfahren im Aktienbereich. // Solutions. Jahrgang 3, Ausgabe 1, 1999. S. 25-33.

123. Gibson L. Implementing the SEC risk requirements to improve shareholder value. Working paper. 1998.

124. Henley W. E. Statistical aspects of credit scoring. Ph.D. thesis. Open University. 1995.

125. Higgins R.C. Analysis for Financial Management. 2-nd ed. Richard D. Irwin, Inc., 1989.

126. James Engle, Marianne Gizicki. Conservatism, Accuracy and Efficiency: comparing Value-at-Risk Methods / Working Paper / Australian Prudential Regulation Authority, Reserve Bank of Australia / Март, 1999.

127. Jorion P. Financial Risk Manager Handbook // Wiley, 2003. 733 c.

128. Kupiec P.C., O'Brien J.M. The pre-commitment approach: using incentives to set market risk capital requirements. Board of Governors of the Federal Reserve System. March 1997.

129. Leibowitz, Martin L., Lawrence N., Bader, and Stanley Kogelman (1996): Return targets and shortfall risks.

130. Mahoney J.M. Forecast biases in value-at-risk estimations: evidence from foreign exchange and global equity portfolios. Mimeo. Federal Reserve Bank of New York. 1996.

131. Market Liquidity: Research Findings and Selected Policy Implications, Report of a Study Group established by the Committee on the Global Financial System of the central banks of the Group of Ten countries, 1999.

132. Myers J.H., Forgy E.W. The development of numerical credit evaluation systems // Journal of American Statistical Association. September, 1963.

133. Ribeiro R.A., Moreira A.M. Fuzzy Query Interface for a Business Database // International Journal of Human-Computers Studies, Vol. 58 (2003), PP. 363-391.

134. Srinivasan V., Kim Y. H. Credit granting: a comparative analysis of classification procedures // Journal of Finance. 1987. № 42.

135. The internal rating-based approach. Consultative document. Basle Committee on Banking Supervision. January 2001.

136. Thomas L.C. A Survey of Credit and Behavioural Scoring // University of Edinburgh. 1999.

137. Yobas M. В., Crook J. N., Ross P. Credit scoring using neural and evolutionary techniques // Working Paper 97/2, Credit research Centre, University of Edinburgh.