Спасибо Вам за работу!
Информация о работе
Подробнее о работе
Применение методов Data Mining в поведенческом скоринге на примере банка «ВТБ 24»
- 78 страниц
- 2016 год
- 0 просмотров
- 0 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
В области кредитования скоринг стал применяться в начале 60-х годов ХХ в. Круг сфер применения скоринга постоянно возрастает. Скоринг позволяет получить математико-статистическую модель классификаций наблюдений по различным группам согласно характеристикам этих наблюдений [15]. Выбор конкретного метода для построения скоринговой системы зависит от целей её применения и имеющихся статистических данных.
Поведенческий скоринг в банках сравнительно новая идея. Он играет важную роль в улучшении качества кредитного портфеля банка, так как позволяет отслеживать текущий кредитный лимит клиента и определять эффективные меры в отношении той или иной группы должников в случае просрочки по платежам. Наличие нескольких несвоевременных погашений резко снижает вероятность попадания в интересный для банка клиентский сектор.
Актуальность темы выпускной квалификационной работы определяется тем, что с каждым годом увеличиваются объемы кредитования физических лиц, но нередко в банках возникают ситуации, когда ввиду различных причин, на протяжении периода по погашению кредита, платежеспособность заемщика меняется в отрицательную сторону, что впоследствии приводит к возникновению просрочек. В связи с этим, кредитной организации необходимо регулярно проводить оценку рисков и доходности по выданным кредитам, чтобы обеспечить себе базу из надежных клиентов.
Необходимой составляющей решения указанной выше проблемы в современной практике является поведенческий скоринг, а именно, разработка моделей, основанных на оценке наиболее вероятных финансовых действий заемщика. Отличительная особенность таких моделей заключается в том, что оценка производится на основании информации об обслуживании уже выданных кредитов, в частности, динамики погашения платежей [26].
Цель выпускной квалификационной работы – построить модели, на основе методов Data Mining, с использованием выборки из обезличенных кредитных историй заемщиков, которые позволят выявить базу из надежных клиентов на различных этапах просрочки.
Для достижения цели были поставлены следующие задачи:
рассмотреть технологию Data Mining и её методы;
изучить аналитическую платформу Deductor;
исследовать финансово-экономическую деятельность банка ПАО «ВТБ 24»;
спроектировать и реализовать модели в программе Deductor.
Объект исследования: коммерческий банк ПАО «ВТБ 24».
Предмет исследования: обезличенные кредитные истории заемщиков.
Информационную базу выпускной квалификационной работы составляет выборка из обезличенных кредитных историй заемщиков с сайта basegroup.ru.
Выпускная квалификационная работа состоит из введения, трех глав, заключения и списка литературы.
Во введении обоснована актуальность темы, изложена степень ее разработанности, сформулирована проблема исследования, определены: объект, предмет, цель и задачи исследования.
В первой главе выпускной квалификационной работы рассматриваются теоретические аспекты технологии Data Mining: методы и алгоритмы, аналитическая платформа Deductor.
Во второй главе рассмотрена финансово-экономическая деятельность банка: проведен анализ системы кредитования физических лиц банка «ВТБ 24» по срокам и видам кредитов, рассмотрена общая характеристика предприятия, методы оценки кредитоспособности физических лиц.
В третьей главе представлена реализация моделей на основе методов Data Mining, приведены результаты работы моделей и расчет экономического эффекта.
В заключении представлены основные выводы и результаты, определившиеся в ходе выпускной квалификационной работы.
Практическая значимость заключается в том, что реализованные модели выпускной квалификационной работы ориентированы на использование в практической деятельности ПАО «ВТБ 24» при решении задачи повышения рентабельности и уменьшения финансовых рисков банка.
СОДЕРЖАНИЕ
Список сокращений…………………………………………………………………….3
Введение…………. 4
1 Теоретические аспекты изучения технологии Data Mining 7
1.1 Data Mining технология 7
1.2 Методы Data Mining 9
1.2.1 Деревья решений 11
1.2.2 Нейронные сети 13
1.2.3 Логистическая регрессия 16
1.3 Аналитическая платформа Deductor………………………………………21
2 Финансово-экономическая деятельность банка ПАО «ВТБ 24» 23
2.1 Общая характеристика предприятия 23
2.1.1 Организационная структура управления предприятием 24
2.2 Потребительское кредитование физических лиц 26
2.2.1 Методы оценки кредитоспособности физических лиц 29
2.2.2 Анализ системы кредитования физических лиц по срокам и видам кредитов в банке «ВТБ 24» 31
3 Проектирование моделей 38
3.1 Описание бизнес-процесса «Деятельность по выдаче кредитов физическим лицам».. 38
3.2 Расчет экономического эффекта 45
3.3. Реализация моделей 48
3.3.1 Построение модели при помощи метода «Дерево решений» 54
3.3.2 Построение модели при помощи метода «Логистическая регрессия»..59
3.3.3 Построение модели при помощи метода «Нейронная сеть» 68
Заключение 74
Список использованных источников 76
В реалиях современной экономики, с ростом конкуренции на рынке финансовых услуг, банкам необходимо уделять большое внимание изучению своего клиента, его запросов и возможностей.
Необходимы современные технологии, позволяющие оценивать поведение заемщиков в банке по ряду параметров. разработка моделей поведенческого скоринга, на основе технологии Data Mining, является одной из таких.
1. О банках и банковской деятельности: федеральный закон от 02.12.1990 № 395-1 (ред. от 27.12.2009 № 352-ФЗ) [Электронный ресурс]. − Режим доступа: СПС «КонсультантПлюс» https://www.consultant.ru/document/cons_doc_LAW_5842/
2. О персональных данных: федеральный закон от 27.07.2006 N 152-ФЗ (ред. от 21.07.2014) (с изм. и доп., вступ. в силу с 01.09.2015) [Электронный ресурс]. – Режим доступа: СПС «КонсультантПлюс» http://www. consultant.ru/document/cons_doc_LAW_61801
3. Балабанова И.Т. [и др.] Банки и банковское дело [Текст]: учеб. -СПб.: Питер, 2009.-256 с.
4. Барсегян А. А., Куприянов М. С, Степаненко В. В., Холод И. И., Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP [Текст]: учеб.- Изд. 2-е издание: БХВ-Петербург, 2007.-79 с.
5. Белоглазова Г.Н. [и др.] Деньги, кредит, банки [Текст]: учеб. - М.: Юрайт-Издат, 2010.-620 с.
6. Бочарова И.В., Ендовицкий Д.А. Анализ и оценка кредитоспособности заемщика [Текст]: учеб. М. : КНОРУС, 2011. - 172 с.
7. Викулов В.С. Инновационная деятельность кредитных организаций [Текст]: учеб. - Менеджмент в России и за рубежом.-2013.-№ 1.С.15-18.
8. Вишняков И.В. Методы и модели оценки кредитоспособности заемщика [Текст]: учеб.- СПб.: Издательство СПбУЭФ, 2013.-315 с.
9. Дюк В.А., Самойленко А.П. Data Mining [Текст]: учебный курс. - СПб.: Питер, 2010.-С.67-87.
10. Казак Ю.А.,Марамыгин М.С. [и др.] Деньги. Кредит. Банки [Текст]: учеб.пособие для вузов Екатеринбург: Издательство АМБ, 2013.-688 с.
11. Коноплицкая М. А., Лобан Т. Н., Лукашик Л. А. Подходы к оценке кредитоспособности в управлении кредитным риском 2013. — №5. — С. 326-329.
12. Лаврушина О.И. [и др.] Банковское дело [Текст]: учеб. - М.: Финансы и статистика, 2011.-672 с.
13. Лаврушин О.И. Банковские операции [Текст]: учеб. - М.: КноРус, 2011. – 45 с.
14. Орешков В.И., Паклин Н.Б. Бизнес-аналитика. От данных к знаниям [Текст]: - учеб.- Спб.: Питер, 2013. С.105-110.
15. Сорокин А.С., Сорокин С.В. Использование нейросетевых моделей в поведенческом скоринге [Текст]: – Прикладная информатика №2, 2015 С.92-94.
16. Строев А. А. Расчёт экономического эффекта от внедрения кредитного скоринга [Текст]: -учеб. — 2013. №10. - С.34.
17. Чубукова И.А. Курс лекций по Data Mining [Текст]: – учеб. - М.: Интернет-университет информационных технологий, Бином. Лаборатория знаний, 2010. С.152-179.
18. А.А. Шумейко, С.Л. Сотник Интеллектуальный анализ данных Введение в Data Mining. – Днепропетровск: Белая Е.А., 2012. – 212 с.
19. Аналитическая платформа Deductor [Электронный ресурс]. – Режим доступа: https://basegroup.ru/deductor/description, свободный.
20. Деревья решений - общие принципы работы [Электронный ресурс]. – Режим доступа: https://basegroup.ru/community/articles/description, свободный.
21. Логистическая регрессия и ROC-анализ [Электронный ресурс]. – Режим доступа: https://basegroup.ru/community/articles/logistic, свободный.
22. Нейросеть [Электронный ресурс]. – Режим доступа: https://basegroup.ru/deductor/function/algorithm/neuronet, свободный.
23. Образовательный портал BaseGroup Labs [Электронный ресурс]. – Режим доступа: edu.basegroup.ru, свободный.
24. Официальный сайт Банк ВТБ 24 [Электронный ресурс]. – Режим доступа: http://www.vtb24.ru, свободный.
25. Поведенческий скоринг [Электронный ресурс]. – Режим доступа: http://expert.ru/d-stroke/2007/04/otvetstvennyi_zaemschik/, свободный.
26. Поведенческий скоринг [Электронный ресурс]. – Режим доступа: https://basegroup.ru/community/glossary/behavioral_scoring, свободный.
27. Расчет риска и управление кредитным портфелем [Электронный ресурс]. – Режим доступа: http://www.banklesson.ru/bankeds-419-4.html, свободный.
28. Data Mining.Курс лекций. [Электронный ресурс]. – Режим доступа: http://www.intuit.ru/studies/courses/6/6/lecture/158, свободный.
29. Data Mining – добыча данных [Электронный ресурс]. – https://basegroup.ru/community/articles/data-mining, свободный.
30. Deductor Studio [Электронный ресурс]. – Режим доступа:http://www.intuit.ru/studies/courses/6/6/lecture/208?page=4, свободный.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
