2 / 9
Т.И. Кузнецова, Е.Н. Лобачёва, Н.Ю. Цельсов
2
Гуманитарный вестник
# 2
⋅
2016
решений в банковской сфере. Так, Д. Хоули, Дж. Джонсон, Д. Райна
описывали алгоритм обработки поступающей информации для при-
нятия решения о выдаче кредита заемщику [4]. Е. Альтман, Дж. Мар-
ко, Ф. Варетто провели анализ 1000 итальянских промышленных
предприятий в период с 1982 по 1992 гг. и сделали вывод о том, что
уровень точности нейронных сетей примерно равен точности прогно-
зов моделей оценки кредитоспособности [5]. Т. Поддинг на основа-
нии данных, собранных по 300 французским компаниям, утверждал,
что эффективность нейронных сетей по прогнозированию банкрот-
ства превосходит модели оценки кредитоспособности, по его мне-
нию, оптимальным для прогнозирования банкротства является свой-
ство многослойности восприятия информации нейронной сетью [6].
Оценка кредитоспособности заемщика — комплексный, сложный
процесс, включающий в себя оценку как количественных показате-
лей, которые легко поддаются измерению, так и качественных, кото-
рые с большим трудом могут быть измерены. В данной связи для
банков особо важны такие характеристики нейронных сетей, как
возможность нелинейного моделирования и относительная простота
реализации.
Нейронная сеть (рис. 1) представляет собой аппаратно- и про-
граммно-реализованную совокупность искусственных нейронов, ко-
торые принимают на вход параметры вектора, умножают их на соот-
ветствующие весовые коэффициенты, затем суммируют полученные
значения и определяют величину выхода согласно установленной
функции активации.
Рис. 1.
Искусственная нейронная сеть
Принципиальным отличием нейронных сетей от других стати-
стических моделей является то, что она не программируется в при-
вычном смысле этого слова, она обучается. Принцип обучения со-
стоит в том, чтобы с помощью разработанного алгоритма настроить
параметры всех нейронов таким образом, чтобы поведение сети от-
вечало желаемым требованиям.