Мы в соц. сетях:
Вконтакте Facebook Twitter

ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ ПЕРСЕПТРОНОВ ДЛЯ КЛАССИФИКАЦИИ ЗАЕМЩИКОВ-ЮРИДИЧЕСКИХ ЛИЦ

О. В. Григорович

Статья посвящена поиску оптимальной архитектуры нейронной сети типа многослойный персептрон с целью минимизации ошибки первого рода при решении задачи классификации заемщиков-юридических лиц по уровню кредитоспособности. Проведены экспериментальные исследования с более чем 3000 моделями персептронного типа в инструментальном пакете STATISTICA Neural Networks. Сделаны выводы и рекомендации по разделению генеральной совокупности наблюдений на учебную, тестовую и контрольную выборки с целью повышения эффективности диагностирования заемщиков, которым грозит дефолт. Выявлено, что оптимальное количество объясняющих переменных для адекватной оценки кредитоспособности юридических лиц должно превышать 10. При таких условиях средняя точность предсказания дефолтов заемщиков составляет 80,23 % (соответственно, ошибка первого рода меньше 20 %). Для наиболее адекватных моделей, отобранных в ходе исследования, ошибка первого рода составляет 10,69 %-13,69 %. Полученные экспериментальные расчеты подтверждают возможность и целесообразность практического применения нейронных сетей персептронного типа при оценке кредитоспособности заемщиков-юридических лиц.

Ключевые слова. Кредитоспособность, нейронная сеть, многослойный персептрон, финансовые показатели, классификация, юридическое лицо.

DOI 10.33111/nfmte.2019.048


Creative Commons Attribution-NonCommercial 4.0 International License

Скачать статью