Сторінка
4
N0 – натуральні числа з нулем; D – двійкові числа; R+ – невід’ємні дійсні числа; R[0, 1] – дійсні числа з відрізку [0, 1]; Æ – порожня множина.
Таким чином, дану модель можна продовжувати удосконалити, наприклад, можна зробити, щоб термін, на який видається кредит, був випадковою величиною, чи змоделювати іншу схему виплати кредиту, коли він віддається не частинами, а цілком і з відсотками наприкінці періоду кредитування тощо.
Доцільно помітити дуже важливий факт, такий як наявність системи розподілів незалежних випадкових величин, оскільки від точності даних по розподілах залежить і ступінь довіри до отриманих остаточних даних.
Не останнім при розробці подібних моделей, на нашу думку, є і впровадження нейро-автоматного моделювання [3], за допомогою якого можна визначити по певних характеристиках кредитора, наскільки ризиковано видавати йому кредит. При цьому нейронну мережу необхідно навчити на тих архівних даних по клієнтах, що є в банку, після чого її можна приєднати до останньої моделі з метою відмови чи видачі кредиту клієнтам, це у свою чергу може внести частку реальності в модель.
Література:
1. Костіна Н.І., Сучок С.В. Моделювання діяльності комерційного банку в умовах нерівномірності платіжних строків та існування валютного обміну коштів // Вісник НБУ. – 2002. – № 2. – С. 26–31.
2. Костіна Н.І., Сучок С.В. Деякі аспекти прогнозування валютного курсу за допомогою технології нейро-автоматного моделювання // Вісник НБУ. – 2003. – № 1. – С. 38–45.
3. Костина Н., Сучок С. Нейроавтоматное моделирование – новая технология валютного прогнозирования. Часть 2 // Банковские технологии. – 2002. – № 12. – С. 31–34.
Завантажити реферат