Koncepcja zastosowania sieci neuronowych w procesie zarządzania ryzykiem portfela kredytów banku

• Autorzy: Maciej Kokorniak

Warianty tytułu

The Conception of the Practical Usage of Neural Networks in the Process of a Consumer Loans Portfolio Risk Management

• Języki publikacji: PL

Abstrakty

Efektywny proces zarządzania ryzykiem portfela kredytów banku wymaga zindywidualizowanego podejścia do każdej należności oraz umiejętności połączenia wiedzy o poszczególnych należnościach w wiedzę na temat całego ich portfela. W przypadku kredytów gospodarczych banki stosują indywidualną ocenę sytuacji klienta zarówno w momencie podejmowania decyzji o udzieleniu kredytu, jak i w okresie jego spłaty. W przypadku kredytów konsumpcyjnych indywidualną ocenę sytuacji klienta stosuje się najczęściej tylko w momencie podejmowania decyzji kredytowej. Dalszy indywidualny monitoring sytuacji finansowej klienta jest po prostu nieopłacalny. Klient z indywidualnym traktowaniem może spotkać się ponownie dopiero wtedy, gdy dopuści opóźnienia w spłacie kredytu. Koncepcja przedstawiona w artykule zakłada, że dzięki użyciu algorytmów sztucznych sieci neuronowych do analizy historii rachunków kredytowych, możliwe jest efektywne dzielenie kredytów konsumpcyjnych na grupy ryzyka. Taki podział może pozwolić na ukierunkowanie działania pracowników banku i tym samym przyczynić się do zmniejszenia ryzyka kredytowego. (fragment tekstu)

EN

The dissection of the banking systems history points at credit risk to have been the main cause of financial problems in many of the banks. In this context, in every big bank there is a necessity of making current analyses of loan portfolios (both ex post and ex ante). The article entitled "The conception of the practical usage of neural networks in the process of a consumer loans portfolio risk management" presents the schema of conducting, which could be a good substitution for an arduous and ineffective human work in the course of credit risk management of consumer loans portfolios. Artificial neural networks algorithms are elaborated to imitate the human brain competence for patterns classification, forecasting or decision making on a basis of past experience. The main goal of this article is to present the conception of the practical usage of neural networks for defining risky behaviour patterns of clients who have a revolving credit in a bank and dividing those clients into risk classes. Carrying this conception into effect is the main element of the Ph.D. thesis of the article's author. Presently he is permitted to use book items of the PKO BP SA bank but under the condition of not presenting to the public all data, which could point the number and the worth of vindicated and restructured dues and data pointing the quality of its consumer loans portfolio. It could make same difficulties in a presentation of studies results. But the knowledge, which could be obtained thanks to those studies, could be very useful in a current work of bank branches as well as in superior bank units. It could be used in a bank headquarters for financial plans building, marketing strategies setting and for operational costs controlling. Moreover, thanks to the artificial neural networks implementation, dividing revolving credits into risk classes could be an important instrument for value-at-risk measuring, for example in the CreditMetrics model. It could be also very useful in expected default loss models, like for example CreditRisk+. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Zarządzanie ryzykiem finansowym; Zarządzanie kredytem; Ryzyko kredytowe; Pomiar ryzyka; Metoda sztucznych sieci neuronowych

EN

Neural networks; Financial risk management; Credit management; Credit risk; Risk measures; Artificial neural networks method

• Czasopismo: Zeszyty Studiów Doktoranckich / Akademia Ekonomiczna w Poznaniu. Wydział Ekonomii
• Rocznik: 2003
• Numer: nr 12
• Strony: 17--46

Twórcy

autor

Maciej Kokorniak

Bibliografia

• Baum, E., Haussler, D., [1989], What Size Net Gives Valid Generalization, Neural Computation, No. 1.
• Bessis, J., [1998], Risk management in banking, John Wiley & Sons, Chichester.
• Butler, C., [2001], Tajniki Value at Risk, K.E. Liber, Warszawa
• Dowd, K., [1999], Beyond Value at Risk, John Wiley & Sons, Chichester.
• Gately, E.J., [1999], Sieci neuronowe w prognozowaniu finansowym, Wig-Press, Warszawa.
• Jagiełło, R., [1998], Zarządzanie portfelem kredytowym banku, Fundacja Edukacji i Badań Naukowych, Warszawa.
• Janc, A., Kraska, M., [2001], Credit-Scoring, Biblioteka Menedżera i Bankowca, Warszawa.
• Masters, T., [1996], Sieci neuronowe w praktyce - programowanie w języku C++, Wydawnictwo Naukowo-Techniczne, Warszawa.
• Podręcznik inspekcji na miejscu w banku, [1997], Narodowy Bank Polski, maj, Zarządzanie portfelem kredytowym.
• Refenes, A., [2001], Neural Networks in the Capital Markets, John Wiley & Sons, Chichester.
• Saunders, A., [2001], Metody pomiaru ryzyka kredytowego, Oficyna Ekonomiczna: Dom Wydawniczy ABC, Kraków.
• Tadeusiewicz, R., [1993], Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa.
• Witkowska, D., [2002], Sztuczne sieci neuronowe i metody statystyczne, C.H. Beck, Warszawa.
• Woźniak, A., [1999], Jak świat radzi sobie z ryzykiem kredytowym, Rynek terminowy, nr 5.
• Żurada, J., Barski, M., Jędruch, W., [1996], Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa.
• Rozporządzenie Ministra Finansów z dnia 10 grudnia 2001 roku w sprawie zasad tworzenia rezerw na ryzyko związane z działalnością banków (Dz.U. z 2001 roku nr 149, poz. 1672, z 2002 roku nr 31, poz. 288).