A.M. Poroshina

The paper outlines neural networks which may be used in practice for bank credit risks evaluation. It demonstrates the neural networks system to classify borrowers, which may be used by bank officers as the system to support decision-making of lending. The neural network system is a feedforward neural network  of the classical topology. To design a neural network, linear activation functions and sigmoidal activation function are used. In this paper the procedure of sample formation of small Russian businesses and choice of risk-dominant performance is shown. It is demonstrated that designed neural network is characterized by a high predictive power. The obtained results are compared with results of previous studies in the field of credit risks evaluation by using artificial neural networks.

1. Altman E.I. FinancialRatios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy // Journal of Finance. 1968.V. 23.
2. Angelini E., Tollo G.&Roli A. A neural network approach for credit risk evaluation  // The Quartely Review of Economics and Finance. 2008. V. 48.
3. Atiya, A.  Bankruptcy prediction for credit risk using neural networks: A survey and new results // IEEE Transactions on Neural Networks. 2001. V. 12(4).
4. Basel committee on banking supervision, international convergence of capital measurement and capital standards. Comprehensive version. 2006.
5. Beaver W.H. Financial Ratios as Predictors of Failure // Journal of Accounting Research. 1996. V. 4.
6. Bonfim D. Credit risk drivers: Evaluating the contribution of firm level information and of macroeconomic dynamics // Journal of Banking and Finance. 2009. V. 33.
7. Chesser D. Predicting Loan Noncompliance //The Journal of Commercial Bank Lending. August 1974.
8. Coats, P.K. and Fant, L.F. Recognizing financial distress patterns using a neural network tools // Financial Management. 1993. V. 22.
9. Ferguson R.W. Credit risk management: models and judgment. BIS Review (85).2001.
10. Han, J.,&Kamber,M. Data mining: Concepts and techniques. The Morgan Kaufmann series in data management systems. Morgan Kaufmann Publishers.2000.
11. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. 1980.V. 18.
    № 1.
12. Pang, S.,Wang,Y.&Bai,Y. Credit scoring model based on neural network // In Proceedings of the first international conference on machine learning and cybernetics. 2002.
13. Piramuthu, S. Financial credit-risk evaluation with neural and neurofuzzy systems // European Journal of Operational Research. 1999. V. 112.
14. Rong-Zhou, L., Su-Lin, P.,&Jian-Min, X. Neural network credit-risk evaluation model based on back-propagation algorithm // In Proceedings of the first international conference on machine learning and cybernetics. 2002
15. Salchenberger, L.M., Cinar, E.M.&Lash, N.A.: Neural networks: a new tool for predicting thrift failures // Decision Sciences. Julie/August 1992. V. 23.
16. Wu, C., & Wang, X. M. A neural network approach for analyzing small business lending decisions // Review of Quantitative Finance and Accounting. Vol. 15. 2000.
17. Yang, Z.R., Platt, M.B. and Platt, H.D. Probabilistic neural networks in bankruptcy prediction // Journal of Business Research. 1999. V. 44.
18. Yu L., Wang S., Lai K.K. Credit risk assessment with a multistage neural network ensemble learning algorithm // Expert System with Application. 2008. V. 34.
19. О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности: Положение Центрального банка РФ от 26.03.2004 № 254-П.
20. Тотьмянина К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2001. № 1(25). С. 12- 24.
21. Шкаратан О.И., Инясевский С.А. Классификация отраслей экономики как инструмент анализа тенденций ее трансформации: Препринт WP1/2007/04. М.:  Издательский дом ГУ ВШЭ. 2007.
22. Черепанов Ф.М., Ясницкий Л.Н. Симулятор нейронных сетей «Нейросимулятор 1.0» // Свидетельство об отраслевой регистрации разработки №8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007.
23. Чечкин А.В. Сетевое моделирование проблемной области сложных систем - современный этап нейрокомпьютерных технологий // Нейрокомпьютеры: разработка и применение. 2011. № 2. С.3-5.
24. Ясницкий Л.Н. Введение в искусственный интеллект. Изд. 3-е. М.: Издательский центр «Академия». 2010.
25. Ясницкий Л.Н. Искусственный интеллект. М.:  БИНОМ. Лаборатория знаний. 2011.
26. Ясницкий Л.Н., Сичинава З.И. Нейросетевые алгоритмы анализа поведения респондентов // Нейрокомпьютеры: разработка, применение. 2011. № 10. С. 59-64.
27. Ясницкий Л.Н., Думлер А.А., Полещук А.Н., Богданов К.В., Черепанов Ф.М. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний // Пермский медицинский журнал. 2011. № 4. С. 77-86.
28. Ясницкий Л.Н., Зайцева Н.В., Гусев А.Л., Шур П.З.Нейросетевая модель региона для выбора управляющих воздействий в области обеспечения гигиенической безопасности // Информатика и системы управления. 2011. № 3(29). С. 51-59.
29. Ясницкий Л.Н., Петров А.М., Сичинава З.И. Технологии построения детектора лжи на основа аппарата искусственных нейронных сетей // Информационные технологии. 2010. № 11. С. 66-70.
30. Ясницкий Л.Н., Черепанов Ф.М. О возможностях применения нейросетевых технологий в политологии // Нейрокомпьютеры: разработка, применение. 2010. № 8. Вып. 4. С. 47-53.
31. Ясницкий Л.Н., Бржевская А.С., Черепанов Ф.М. О возможностях применения методов искусственного интеллекта в сфере туризма // Сервис plus. 2010 № 4. С. 111-115.
32. Ясницкий Л.Н., Порошина А.М., Тавафиев А.Ф. Нейросетевые технологии как инструмент для прогнозирования успешности предпринимательской деятельности // Российское предпринимательство. 2010. № 4(2). С. 8-13.

Шкаратан О.И., Инясевский С.А