Методика применения многомерного шкалирования и кластеризации при анализе кредитоспособности заемщиков

• Автор: Костенко, Степан Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Краснодар
• Количество страниц: 144 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

ЕЛАВА 1 МЕТОДЫ И ПРОГРАММНЫЕ ПРОДУКТЫ ОПЕНКИ

ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЙ

1.1 Сравнительный анализ существующих методов

1.1.1 Коэффициентный метод

1.1.2 Модель Альтмана

1.1.3 Метод экспертных оценок

1.1.4 Нечетко-множественная модель

1.1.5 Нейронные сети

1.1.6 Дискриминантный анализ

1.1.7 Множественная линейная регрессия
1.1.8 Логит-модель
1.1.9 Факторный и компонентный анализ
1.1.10 Кластеризация
1.1.11 Многомерное шкалирование
1.1.12 Анализ соответствий
1.1.13 Достоинства и недостатки распространенных методов оценки
эффективности
1.2 Обзор программных продуктов
1.1.14 MINIS S А
1.1.15 KYST
1.1.16 1NDSCAL
1.1.17 ALSCAL
1.1.18 HICLUS
1.1.19 Cluster 3.
1.3 Выводы по главе
ГЛАВА 2 МЕТОДИКА ПРИМЕНЕНИЯ МНОГОМЕРНЫХ МЕТОДОВ
2.1 Системный подход
2.2 Подготовка и обработка исходных данных
2.3 Стандартизация
2.4 Многомерное шкалирование
2.4.1 Метрические методы
2.4.2 Неметрические методы
2.4.3 Определение размерности
2.4.4 Интуитивный уровень и проверка достоверности модели
2.5 Регрессионный анализ
2.6 Кластерный анализ
2.6.1 Метод ближайшего соседа
2.6.2 Полная связь (метод наиболее удаленных соседей)
2.6.3 Невзвешенное попарное среднее
2.6.4 Взвешенное попарное среднее
2.6.5 Невзвешенный центроидный метод
2.6.6 Взвешенный центроидный метод (медиана)
2.6.7 Метод Варда
2.6.8 Двувходовое объединение
2.6.9 Метод К средних
2.7 Выводы по главе
ГЛАВА 3 РЕАЛИЗАЦИЯ МЕТОДИКИ ПРИМЕНЕНИЯ МНОГОМЕРНОГО ШКАЛИРОВАНИЯ И КЛАСТЕРИЗАЦИИ
3.1 Многомерное шкалирование
3.2 Регрессионный анализ
3.3 Анализ новых компаний
3.4 Временной разрыв
3.5 Кластерный анализ
3.6 Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
ВВЕДЕНИЕ
Актуальность темы. Начало 2000-х годов ознаменовано значительным увеличением объемов цифровой информации в различных дисциплинах, охватывающих биологические, медицинские, физические, экономические и другие смежные науки. В связи с этим темпы развития человеческого понимания получаемой информации зависят от организации процессов систематизации и сжатия большого количества информации. В результате необходима правильная классификация информации.
Все более актуальными становятся разработка и применение новых методик и программных продуктов с целью автоматизации анализа огромных массивов полученных в прошлом и получаемых в настоящем данных. Разработка новых методик, как правило, основывается на применении статистических методов. В основном, это классические статистические методы, включающие алгоритмы классификации, дискриминантного, дисперсионного и регрессионного анализа.
В современных условиях наибольший научный интерес привлекают методы системного анализа. Все чаще системные исследования встречаются в экономике, а именно в деятельности банковских учреждений, так как именно это направление занимает одно из лидирующих мест по доходности. Соответственно в данную область необходимы определенные теоретические, математические и статистические вложения. Сегодня существует острая необходимость в улучшении функционирования кредитного механизма для качественного анализа кредитоспособности заемщиков, что вызвано не достаточно оправданными вложениями кредитных средств в деятельность предприятий.
По причине недостаточности имеющихся знаний, ограниченности во времени, а также не всегда правильного субъективного мнения человека-аналитика, решения в части вложения кредитных средств в экономику очень часто приводят к невозвратам кредитов.
Принимая во внимание сложившиеся обстоятельства на банковском

матрицы сходств или различий 50 объектов с 9 стимулами (50 х (9 х 4)) = 1800 измерительных точек1. Также программа ограничивает решение задачи размерностью равной шести.
Таким образом, при соблюдении вышеуказанных ограничений программа является отличным инструментом многомерного шкалирования, также позволяя построить диаграмму Шепарда, отражающую одновременно расстояния и меры различий.
1.1.16 ШБвСАЬ
В программе ШБ8САЬ (1Штс1иа1 В1ГГегепсез 8СА1лп§) реализована модель индивидуального многомерного шкалирования Дж.Д. Керроллом и Дж.-Дж. Чангом [44, 45]. Данная модель является генерализацией модели классического многомерного шкалирования. Она позволяет получить не только общие факторы восприятия, но и выявить индивидуальные различия. Так в этой модели предполагается, что суждения о сходстве или различии основаны на одинаковых характеристиках объектов, однако важность (или вес) этих характеристик для различных индивидов неодинакова.
В качестве исходных данных программа использует несколько квадратных матриц близости, которые содержат либо индивидуальные, либо агрегированные оценки групп, выделенных по определенному критерию. В результате анализа выявляется общее пространство объектов и индивидуальные веса, которые позволяют получить индивидуальные пространства.
Программа ограничивает матрицу данных 99 элементами с максимальной размерностью 10 и максимальным количеством стимулов - 45 с ограничением, что произведение числа объектов и числа стимулов должно быть меньше или равно 18000. На примере с 20 стимулами, анализ будет ограничен 18000/400=45 объектами.
9x4 это!4! * (1М — 1)/2, где N = 15. Это общее число комбинаций 15 стимулов, используемых одновременно.