ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Тщательный отбор заемщиков, анализ условий выдачи кредита, постоянный контроль за финансовым состоянием заемщика, за способностью погасить кредит являются одной из основополагающих составляющих финансового благополучия кредитных организаций. Анализ кредитоспособности в большом количестве банков производится экспертами, которые опираются, в основном, на свой опыт и интуицию, что может приводить к внесению в решение не имеющих достаточных оснований субъективных соображений. В реальной ситуации мнения аналитиков часто различаются, особенно если обсуждаются спорные вопросы, имеющие множество альтернативных решений. При разработке методов оценки уровня кредитоспособности физических лиц широкое распространение получил подход, базирующийся на вычислении рейтинга заемщика. Основой в этом подходе является начальная опросная анкета, данные которой отражают социально-экономическое положение и способность клиента своевременного возвращения кредита. Скоринговая система в этом случае осуществляет количественный, семантический анализ и обработку данных анкеты. Внесение изменений в опросную анкету влечет необходимость корректировки или существенной модернизации всей системы. Данное обстоятельство ограничивает возможность адаптации скоринговых моделей к социально-экономическим условиям в Украине. Поэтому, подобный подход не позволяет разработать универсальной системы автоматизированного анализа кредитоспособности.

Актуальность темы

Проблема своевременного возвращения кредитов актуальна для большинства банковских учреждений. Ее решение в значительной мере зависит от качества оценки кредитоспособности потенциальных заемщиков. Актуальность темы работы определяется необходимостью разработки формализованной методики совершенствования современных подходов к оценке кредитоспособности физических лиц и алгоритмов, реализующих методику в виде системы, поддерживающей принятие объективных решений.

Цель и задачи исследования

Целью работы является разработка математических и инструментальных средств повышения эффективности принятия объективных решений при анализе кредитоспособности физических лиц на основе методов нечеткой логики.

Поставленные цели определили следующие задачи работы:

    1. Анализ отечественных и зарубежных подходов к оценке кредитоспособности физических лиц с целью использования положительных достижений и устранения недостатков.

    2. Изучение и систематизацию разработанных к настоящему времени математических моделей и методов, которые можно использовать в задачах классификации заемщиков.

    3. Применение методологического аппарата нечеткой логики для оценки качества кредитной истории заемщиков.

    4. Построение моделей, отражающих специфику анализа социально-экономического положения частных клиентов.

    5. Исследование прикладных возможностей предлагаемых моделей и процедур.

    6. Разработка методов расчета экономического эффекта от реализации мероприятий, ориентированных на оптимизацию качества кредитного портфеля банковской организации.

    7. Программная реализация разработанного математического аппарата.

Предмет и объект исследования

Объект исследования: кредитный портфель физических лиц банковской организации.

Предмет исследования: математический аппарат моделирования и анализа кредитоспособности частных клиентов.

Система оценки кредитоспособности заемщика и ее информационное обеспечение

В настоящее время в мире не существует единой стандартизированной системы оценки кредитоспособности. Кредитоспособность – это комплексная правовая и финансовая характеристика, представленная финансовыми и нефинансовыми показателями, позволяющая оценить его возможность в будущем полностью и в срок, предусмотренный в кредитном договоре, рассчитаться по своим долговым обязательствам перед кредитором, а также определяющая степень риска банка при кредитовании конкретного заемщика. Банки используют различные системы анализа кредитоспособности заемщика. Перечень показателей, используемых для анализа финансового состояния заемщика, и порядок их расчета определяются кредитной организацией самостоятельно в зависимости от отрасли, сферы деятельности заемщика, задач анализа, с учетом всей имеющейся информации. При присвоении кредитного рейтинга банки ранжируют заемщиков по различным классам. Необходимое количество классов определяется банком самостоятельно.

Одним из самых важных этапов в организации процесса кредитования является оценка кредитоспособности и платежеспособности клиента. От правильной оценки часто зависит жизнеспособность банка. Неправильная оценка может привести к невозврату кредита, что в свою очередь способно нарушить ликвидность банка и в конечном счете привести к банкротству кредитной организации.

Анализ моделей оценки кредитоспособности заемщика

Современные практические подходы к методологии анализа кредитоспособности заемщиков в коммерческих банках основаны на комплексном применении финансовых и нефинансовых критериев. Рассмотрим классификацию методов и моделей оценки кредитоспособности заемщиков коммерческих банков (рис.2).

Модели оценки кредитоспособности заемщика

Рис. 1. Модели оценки кредитоспособности заемщика

Классификационные модели позволяют разбить на группы (классы) и являются вспомогательным инструментом при определении возможности удовлетворения кредитной заявки. Достаточно хорошо освещены в литературе две модели: бальной (рейтинговой) оценки и прогнозирования банкротств. Рейтинговые модели делят заемщиков на плохих и хороших, а модели прогнозирования пытаются дифференцировать фирмы-банкроты и устойчивые компании. Рейтинговая оценка предприятия-заемщика рассчитывается на основе полученных значений финансовых коэффициентов и выражается в баллах. Баллы исчисляются путем умножения значения любого показателя на его вес в интегральном показателе.

1. Оценка кредитоспособности заемщика с помощью дерева решения

Схема дерево решений очень похожа на схему дерево вероятностей. Ее используют, когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего или исходов испытаний. Составляя дерево решений, нужно нарисовать ствол и ветви, отображающие структуру проблемы. Располагаются деревья слева направо. Ветви обозначают возможные альтернативные решения, которые могут быть приняты, и возможные исходы, возникающие в результате этих решений. На схеме мы используем два вида ветвей: первый – пунктирные линии, соединяющие квадраты возможных решений, второй – сплошные линии, соединяющие кружки возможных исходов. Квадратные узлы обозначают места, где принимается решение, круглые узлы – появление исходов. Так как принимающий решение не может влиять на появление исходов, ему остается лишь вычислять вероятность их появления.

Когда все решения и их исходы указаны на дереве, просчитывается каждый из вариантов, и в конце проставляется его денежный доход. Все расходы, вызванные решением, проставляются на соответствующей ветви. Стремительное развитие информационных технологий, в частности, прогресс в методах сбора, хранения и обработки данных позволил многим организациям собирать огромные массивы данных, которые необходимо анализировать. Объемы этих данных настолько велики, что возможностей экспертов уже не хватает, что породило спрос на методы автоматического исследования (анализа) данных, который с каждым годом постоянно увеличивается. Деревья решений – один из таких методов автоматического анализа данных. Деревья решений – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Область применения деревьев решений в настоящее время широка, но все задачи, решаемые этим аппаратом могут быть объединены в следующие три класса:

    1. Описание данных: деревья решений позволяют хранить информацию о данных в компактной форме, вместо них мы можем хранить дерево решений, которое содержит точное описание объектов.

    2. Классификация: деревья решений отлично справляются с задачами классификации, т. е. отнесения объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.

    3. Регрессия: если целевая переменная имеет непрерывные значения, деревья решений позволяют установить зависимость целевой переменной от независимых(входных) переменных. Например, к этому классу относятся задачи численного прогнозирования(предсказания значений целевой переменной).

Для построения дерева на каждом внутреннем узле необходимо найти такое условие (проверку), которое бы разбивало множество, ассоциированное с этим узлом на подмножества. В качестве такой проверки должен быть выбран один из атрибутов. Общее правило для выбора атрибута можно сформулировать следующим образом: выбранный атрибут должен разбить множество так, чтобы получаемые в итоге подмножества состояли из объектов, принадлежащих к одному классу, или были максимально приближены к этому, т. е. количество объектов из других классов (примесей) в каждом из этих множеств было как можно меньше.

Деревья решений являются прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных (data mining). В состав многих пакетов, предназначенных для интеллектуального анализа данных, уже включены методы построения деревьев решений. В областях, где высока цена ошибки, они послужат отличным подспорьем аналитика или руководителя. Деревья решений успешно применяются для решения практических задач в следующих области банковского дела для оценки кредитоспособности клиентов банка при выдаче кредитов.

2. Оценка кредитоспособности заемщика с помощью модели Альтмана

Расчет и анализ динамики финансовых ресурсов, находящихся в распоряжении предприятия, в общей сумме и в разрезе основных групп позволяют сделать лишь самые общие выводы о его имущественном положении. Следующей аналитической процедурой является вертикальный анализ: иное представление отчетной формы, в частности баланса, в виде относительных показателей. Такое представление позволяет увидеть удельный вес каждой статьи баланса в общем итоге. Обязательный элемент анализа – динамические ряды этих величин, посредством которых можно отслеживать и прогнозировать структурные изменения в составе активов и источников их покрытия.

Финансовое состояние организации можно оценивать с точки зрения краткосрочной и долгосрочной перспективы. В первом случае критерий оценки – ликвидность и платежеспособность предприятия, то есть способность своевременно и в полном объеме произвести расчеты по краткосрочным обязательствам. Примеры подобных операций – расчеты с работниками по оплате труда, с поставщиками за полученные товарно-материальные ценности и оказанные услуги, с банком по ссудам и т. п.

Оценка стабильности деятельности предприятия в долгосрочной перспективе связана с общей финансовой структурой организации, степенью ее зависимости от внешних кредиторов и инвесторов, условиями, на которых привлечены и обслуживаются внешние источники средств.

Существуют различные методики анализа финансового состояния. В нашей стране по опыту экономически развитых стран все большее распространение получает методика, основанная на расчете и использовании в пространственно-временном анализе системы коэффициентов. Показатели могут быть рассчитаны непосредственно по данным бухгалтерской отчетности. Однако удобнее преобразовать баланс путем агрегирования статей и их перегруппировки: в активе – по степени убывания ликвидности активов, в пассиве – по степени возрастания сроков погашения обязательств. Такой подход более удобен как в вычислительном плане, так и с позиции понимания логики расчета.

Пакет сопроводительных документов

Рис. 2. Пакет сопроводительных документов
(анимация: 9 кадров, 5 циклa повторения, 44 килобайта)

Для банка-кредитора финансовая состоятельность заемщика важна постольку, поскольку он рассчитывает вовремя получить обратно выданную в качестве кредита сумму и проценты на нее. Платежеспособность – это способность (наличие возможности) и готовность (наличие желания) юридического или физического лица своевременно и в полном объеме погашать свои денежные обязательства.

В отличие от нее кредитоспособность – это способность и готовность своевременно и в полном объеме погасить свои кредитные долги (основную сумму долга и проценты). Кредитоспособность – понятие более узкое, чем платежеспособность. Чтобы решиться выдать кредит данному заемщику, банку достаточно убедиться в его кредитоспособности, не обязательно рассматривая вопрос в более широком плане. Заемщик предоставляет в банк копии следующих сопроводительных документов, представленных на (Рис. 2).

3. Оценка кредитоспособности заемщика с применением аппарата нечеткой логики

В настоящее время, в условиях кризиса банковской системы, одной из актуальных задач является оценка кредитоспособности банковских клиентов, решение которой способствует получению максимальной прибыли от заключенных сделок по предоставлению кредитов и исключению возможности финансовых потерь. Существующие методики оценки кредитоспособности заемщиков в большинстве своем основываются на анализе экспертных оценок, которые вносят в механизм оценивания определенную субъективную погрешность. Аппарат теории нечетких множеств, положенный в основу разработанной в данной работе модели, позволяет найти решение этой проблемы в условиях неопределенности, а также слабой структурированности оценочных показателей, не прибегая к применению экспертных оценок.

Основное преимущество использования данного аппарата заключается в возможности создания количественных оценок для лингвистических переменных, а также эффективного отображения зависимости между этими переменными в виде нечетких правил.

Для решения задачи оценки финансовой состоятельности заемщика с применением аппарата нечеткой логики разработана и реализована модель нечеткого логического вывода в среде MATLAB. Реализация нечеткого моделирования в среде MATLAB осуществляется с использованием пакета расширения Fuzzy Logic Toolbox, в котором реализованы десятки функций нечеткой логики, нечеткого вывода и классификации, с возможностью их интегрирования в Simulink. Использован удобный FIS-редактор, который содержит все необходимые инструменты для реализации функционального отображения входы – выходы на основе нечеткого логического вывода. Системы нечеткого логического вывода преобразуют значения входных переменных процесса управления в выходные переменные на основе использования нечетких правил.

В данной работе была разработана нечеткая модель со следующими входными переменными:

  • рентабельность совокупного капитала;
  • коэффициент текущей ликвидности;
  • коэффициент финансовой независимости.

Выходная переменная:

  • оценка уровня кредитоспособности.

Полученная оценка является основой для принятия решения руководством банка по предоставлению кредита потенциальным клиентам. Во всех входных переменных термы распределены по функции принадлежности Гаусса, которая наиболее точно описывает динамику изменения оценки входных параметров.

Алгоритм нечеткого вывода Мамдани – один из возможных вариантов решения рассмотренной в данной работе проблемы. В качестве основных этапов данного метода можно выделить следующую последовательность операций: фаззификация входных параметров; построение базы знаний; определение результирующего нечеткого множества; дефаззификация.

Схема нечеткого логического вывода

Рис. 3. Схема нечеткого логического вывода

В качестве терм-множества первой входной переменной Рентабельность совокупного капитала используется множество: Т1={Плохая, Нормальная, Отличная} Числовое значение переменной [0,1].

В качестве терм-множества второй входной переменной Коэффициент текущей ликвидности используется множество: Т2={Плохая, Нормальная, Отличная}. Числовое значение переменной принадлежит интервалу [0,3].

В качестве терм-множества третьей входной переменной Коэффициент автономии используется множество: Т3={Плохая, Нормальная, Отличная}. Числовое значение переменной принадлежит интервалу [0,1].

В выходной переменной термы распределены по треугольной функции принадлежности т. к. данная функция наиболее полно описывает изменение оценки выходного параметра. В качестве терм-множества переменной Оценка кредитоспособности используется множество: M={Плохая, Нормальная, Отличная}. Числовое значение выходной переменной [0,100].

После объявления входящих переменных выполняется процедура фаззификациии – присвоение переменным термов (лингвистических значений) из терм-множества, в соответствии с их числовыми значениями и функциями принадлежности. Дефаззификация – процедура обратная данной, результатом ее выполнения является преобразование лингвистического значения выходной переменной в числовое.

Общий вид модели

Рис. 4. Общий вид модели

Функция принадлежности переменной «Рентабельность совокупного капитала»

Рис. 5. Функция принадлежности переменной Рентабельность совокупного капитала

Функция принадлежности переменной «Коэффициент автономии»

Рис. 6. Функция принадлежности переменной Коэффициент автономии

Функция принадлежности переменной «Оценка кредитоспособности»

Рис. 7. Функция принадлежности переменной Оценка кредитоспособности


Рис. 8. Визуализация поверхности входы – выходы

При построении базы правил учитывается то, что основной её задачей в данной модели, является установление весового коэффициента каждого входного показателя в соответствии с методом Д. Дюрана. На основании лингвистической оценки, данная модель формирует четкую числовую оценку входного параметра в соответствии с его функцией распределения. Затем используя полученные числовые значения всех входящих переменных, с помощью базы правил, выводится итоговая оценка кредитоспособности клиента.

Проведенные исследования показали, что комплексное использование системы нечеткого логического вывода в системах поддержки принятия решений банками для оценки уровня кредитоспособности, способствует повышению скорости и точности принятия решения за счет автоматизации процесса обработки поступающей слабоструктурированной информации. Модель упрощает обработку нечеткой лингвистической информации и не требует непосредственного участия эксперта.

Выводы

Разработанная методика оценки кредитоспособности и управления качеством кредитного портфеля может быть применена в различных банковских организациях, реализующих программы по кредитованию.

Мировая и отечественная банковская практика позволила выделить критерии кредитоспособности клиента: характер клиента, способность заимствовать средства, способность заработать средства в ходе текущей деятельности для погашения долга (финансовые возможности), капитал, обеспечение кредита, условия, в которых совершается кредитная сделка, контроль (законодательная основа деятельности заемщика, соответствие характера ссуды стандартам банка и органов надзора). Разносторонне оценивается предприятие и в американской методике. Здесь выделяются такие показатели как прибыльность фирмы, которые в некоторой степени способны компенсировать зависимость предприятия от заемных средств. Также в методиках американских банков наибольший интерес уделяется качественным характеристикам, таким как характер заемщика, способность заимствовать средства. Еще производится контроль за деятельностью заемщика. В данной работе использован аппарат нечеткой логики для оценки финансовой состоятельности клиентов при предоставлении банковского кредита, реализованный средствами MATLAB. MATLAB позволяет при наличие достаточно большой базы определять степени значимости тех или иных факторов при оценке кредитоспособности заемщиков, что можно впоследствии использовать при анализе нового заемщика, а также скрытые связи, которые не всегда можно выделить логически.

Десятилетие деятельности коммерческих банков в Украине пока не позволяет говорить о наличии достаточного количества внутренней информации, необходимой для эффективной оценки кредитоспособности заемщика. В таких условиях целесообразно использование внешних независимых источников информации. Отечественные банки должны в большей степени полагаться на внешние источники информации, а в случае отсутствия таковых инициировать их появление.

Список источников

    1. Закон України Про банки і банківську діяльність від 07.12.2000р. за № 2121-ІІІ (зі змінами і доповненнями).

    2. Закон Україны Про охорону праці № 1419-IV від 03.02.2004.

    3. Інструкція про порядок регулювання діяльності банків в Україні, затверджена Постановою Правління НБУ від 28.08.2001 р. № 368 (зі змінами і доповненнями).

    4. Методичні вказівки про ведення параметрів аналітичного обліку, затверджені Постановою Правління НБУ від 17.06.97 р. № 191 (зі змінами і доповненнями).

    5. Положення Про кредитування, затверджено Постановою Правління НБУ від 28.09.95 року № 246 (зі змінами і доповненнями).

    6. Положення про порядок формування та використання резерву для відшкодування можливих втрат за кредитними операціями банків, затверджене Постановою Правління НБУ 06.07.2000 року № 279 (зі змінами і доповненнями).

    7. ГОСТ 12.1.004–91 ССБТ. Пожарная безопасность. Общие требования безопасности.

    8. Ачкасов Л. Я. Активные операции коммерческих банков: Учеб. пособие. – М.: Консалт – Банкир, 2001. – С. 218.

    9. Белоглазовой Г. Н., Кроливецкой Л. П. Банковское дело.– М.: Финансы и статистика, 2006. – С. 592.

    10. Баранов П., Лунева Ю. Принципы формирования методики оценки кредитования заёмщика // Аудитор. – 2004. – № 9. – С. 48.

    11. Варитрон К. Дж., Мак – Нотон Д. Организация работы в банках: интерпретация финансовой отчетности. – М: Финансы и статистика, 2002. – С. 220.

    12. Васильева Л. С., Петровская М. В. Финансовый анализ.– М.: КНОРУС, 2008. – С. 816.

    13. Вишняков И. В. Методы и модели оценки кредитоспособности заемщиков: Учеб.пособие. – СПб.: СПбГИЭА, 2006. – С. 197.

    14. Выборова Е. Особенности диагностики кредитоспособности субъектов хозяйствования // Финансы и кредит. – 2004. – № 1. – С. 84.

    15. Герасимова Е. Б. Комплексный анализ кредитоспособности заемщика // Экономический анализ: теория и практика. – 2005. – № 9. С. 43–51.

    16. Гиляровская Л. Т. Комплексный анализ финансово-экономических результатов деятельности банка и его филиалов – СПб.: Питер, 2003. С. 79.

    17. Горбаченко В. И. Вычислительная линейная алгебра с примерами на MATLAB. СПб.: БХВ – Петербург, 2011. – С. 320.

    18. Грачев В. Оценка платежеспособности предприятия за период // Финансовый менеджмент. – 2008. – № 6. – С. 144.

    19. Гусева И. Анализ кредитоспособности предприятия // Справочник экономиста. – 2005. – № 4. – С. 136.

    20. Дьяконов В. MATLAB 6/6.1/6.5+Simulink 4/5. Основы применения. Полное руководство пользователя. М.: Солон – Пресс, 2002.

    21. Ендовицкий Д. Анализ и оценка кредитоспособности заемщика [Текст]: учебно – практич. пособ. /Д.nbsp; Ендовицкий, И. Бочарова. – М.: КНОРУС, 2005. – С. 272.

    22. Ендовицкий Д. А., Бочарова И. В. Анализ соблюдения заемщиком требований по обеспечению кредита // Экономический анализ: теория и пра¬ктика. – 2006. – № 14. – С. 2–11.

    23. Едновицкий Д. А., Бочарова И. В. Комплексная оценка кредитоспособности хозяйствующего субъекта // Экономический анализ: теория и практика. – 2006. – № 15. – С. 2–11.

    24. Жидецкий В. Ц., Джигирей В. С. Безопасность жизнедеятельности: Учебное пособие. – Львов, 2000.

    25. Иванов В. Охрана труда на предприятии с позиции действующего законодательства. – Х. : Центр Консульт, 2003, – 238с.

    26. Иглин С. П. Теория вероятностей и математическая статистика на базе MATLAB. Харьков: НТУ ХПИ, 2006, – С. 612.

    27. Карпов М. В. Правовые вопросы определения кредитоспособности заемщика // Деньги и кредит. –2000, – № 11.

    28. Катренко Л. А. та ін. Охорона праці: Навч. посібн. – Суми: ВТД Університетська книга, 2007, – С. 496.

    29. Кирисюк Г., Ляховский В. Оценка банком кредитоспособности заемщика // Деньги и кредит. –2000. – № 7.– С. 120.

    30. Ковалев В. В. Финансовый анализ: управление капиталом. Выбор инвестиций. Анализ отчетности. – М: Финансы и статистика, 1995, – С. 138–139.

    31. Козлова О. Оценка кредитоспособности предприятий / О. Козлова, М. Сморчкова, А. Голубович. – М.: Финансы и статистика, 2002, – С. 358.

    32. Константинов Н. С. Методические рекомендации по оценке кредитоспособности корпоративных клиентов в коммерческом банке // Финансовый менеджмент. – 2006. – № 2. – С. 104-114.

    33. Кузнецов В. Охрана труда на предприятии. – 2–е изд., перераб. и доп. – Х. : Издательский дом Фактор, 2005, – С. 428.

    34. Кучерявый В. П., Павлюк Ю. Э. Охрана труда: Учебное пособие. – Орияна – Новая, Львов, 2007.

    35. Лаврушин О. И. Банковское дело: современная система кредитования: учебное пособие / О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниенко; под ред. д–ра экон.наук, проф. О. И. Лаврушина. – 3–е изд., доп.– М.: КНОРУС, 2007, – С. 264.

    36. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. С–Пб.: БХВ – Санкт – Петербург, 2003.

    37. Любушин Н. П. Комплексный экономический анализ хозяйственной деятельности. М.:ЮНИТИ–ДАНА, 2005, – С. 448.

    38. Неволина Е. В. Об оценке кредитоспособности заемщиков//Деньги и кредит. – 2002. – № 10.

    39. Пожидаева Т. А. Оценка кредитоспособности заемщика по данным бухгалтерской отчетности // Экономический анализ: теория и практика.– 2006.– № 11. – С. 29–36.

    40. Охорона праці: Навч. посібн. – Суми: ВТД Університетська книга, 2007, – 496 с., – С. 464.

    41. Пещанская И. Организация деятельности коммерческого банка / И. Пещанская. – М.: ИНФРА–М, 2001, – С. 320.

    42. Пешанская И. В. Финансовые коэффициенты в системе оценки кредитоспособности заемщиков банками // Экономический анализ: теория и практика. – 2004, – № 2.

    43. Потемкин В. Вычисления в среде MATLAB. М.: Диалог – МИФИ, 2004.

    44. Прохно К. П., Баранов П. П., Лунева К. В. Теоретические и практические аспекты оценки предприятия – заемщика коммерческим банком // Деньги и кредит. – 2004. – № 7.

    45. Савицкая Г. В. Анализ хозяйственной деятельности предприятия. – М.: ИНФРА – М, 2009, – С. 536.

    46. Северинов А. Охрана труда: Учеб. пособие / Харьковский национальный экономический ун-т. — Х.:ИД Инжэк, 2006, – С. 112.

    47. Семененко М. Введение в математическое моделирование. М.: Солон– Р, 2002.

    48. Сухарев Д. В. Оценка финансовой состоятельности корпоративных заемщиков: опыт зарубежных банков// Банковские услуги. – 2004, – № 12.

    49. Тагирбеков К. Р. Организация деятельности коммерческого банка. – М.: Издательство Весь мир, 2004, – С. 848.

    50. Тарасевич М. Математическое и компьютерное моделирование. Вводный курс. М.: Едиториал – УРСС, 2001.

    51. Цветкова Е. Кредитная работа банка (общие положения) / Е. Цветкова. – М.: Издательство Посев, 2006, – С. 108.

    52. Цисарь И. Ф., Нейман В. Г. Компьютерное моделирование экономики. М.: ДИАЛОГ – МИФИ, 2008, – С. 384.

    53. Усоскин В. М. Современный коммерческий банк: управление и операции. – М: ИПЦ Вазар – Ферро, 1994,– С. 320.

    54. Шампайн Л. Ф., Гладвел И., Томпсон С. Решение обыкновенных дифференциальных уравнений с использованием MATLAB: Учебное пособие. 1–е изд. СПб.: Лань, 2009, – С. 304.

    55. Шеремет А. Д., Щербакова Г. Н. Финансовый анализ в коммерческом банке. – М: Финансы и статистика, 2000.

    56. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая Линия – Телеком, 2007, – С. 288.

    57. Kiss F. (2003). Credit scoring process from a knowledge management perspective. Periodica Polytechnica Ser. Vol. II, No. I, pp. 95–110. – Информационная система J-Stor.

    58. Machine Learning, Neural and Statistical Classification. Editors D. Mitchie et.al. 1994.

    59. Murthy S. Automatic construction of decision trees from data: A Multi – disciplinary survey.1997.

    60. Ross J. Quinlan. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.

    61. W. Buntine. A theory of classification rules. 1992.