ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΟΙΚΟΝΟΜΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΓΙΑ ΜΗΧΑΝΙΚΟΥΣ (ΠΜΣ Ο.ΔΙ.Μ.) ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΗΣ ΑΠΟΦΑΣΗΣ ΧΟΡΗΓΗΣΗΣ ΠΙΣΤΩΤΙΚΩΝ ΚΑΡΤΩΝ ΑΠΟ ΤΡΑΠΕΖΙΚΟΥΣ ΟΡΓΑΝΙΣΜΟΥΣ ΜΕ ΥΠΟΛΟΓΙΣΤΙΚΕΣ ΤΕΧΝΙΚΕΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ ΕΙΣΗΓΗΤΡΙΑ: Γιαννιώδη Ασπασία ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: Γεώργιος Δούνιας ΧΙΟΣ, 2010

Αφιερωμένη στην οικογένεια μου, τον σημαντικότερο θησαυρό της ψυχής μου 2

Ευχαριστίες Θα ήθελα να ευχαριστήσω τον Καθηγητή μου κ. Γεώργιο Δούνια για την επίβλεψη και καθοδήγηση της εργασίας μου καθώς και για την αμέριστη κατανόηση του. Ευχαριστώ τον κ. Βασίλη Βασιλειάδη Υποψήφιο Διδάκτορα του ΤΜΟΔ, για την ακούραστη και διακριτική συμπαράσταση του καθ όλη την διάρκεια της εργασίας μου. Τις φίλες μου και συνοδοιπόρους σε αυτή την ζωή από το προπτυχιακό έως και σήμερα, Κωνσταντίνα Τζιώτζιου, Βίκυ Φλέγγα και Κατερίνα Γιαλούρη. 3

ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ... 7 Σκοπός της εργασίας... 8 Διάρθρωση της εργασίας... 8 Βιβλιογραφική επισκόπηση... 9 ΚΕΦΑΛΑΙΟ 1 Ο : ΘΕΩΡΙΑ ΠΙΣΤΩΤΙΚΩΝ ΚΑΡΤΩΝ... 14 1.1 Πιστωτικές κάρτες... 14 1.2 Οι Βασικές Κατηγορίες Πιστωτικών Καρτών... 15 1.3 Πιστωτικές κάρτες και πιστωτικός κίνδυνος... 15 1.4 Το Πρόβλημα Μελέτης... 17 1.5 Μέτρηση Πιστωτικού Κινδύνου... 17 1.6 Διαχείριση του Πιστωτικού Κινδύνου... 19 1.7 Εργαλεία Διαχείρισης Πιστωτικού Κινδύνου... 20 ΚΕΦΑΛΑΙΟ 2 Ο : ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ... 23 2.1 Τεχνητή Νοημοσύνη... 23 2.1.1 Νευρωνικά Δίκτυα(ΝΔ)... 23 2.1.2 Γενετικοί Αλγόριθμοι... 25 2.1.3Γενετικός Προγραμματισμός (Genetic Programming)... 25 2.1.4 Έμπειρα συστήματα... 26 2.1.5 Ασαφή Συστήματα... 27 2.1.6 Δένδρα Αποφάσεων... 28 2.2 Το πρόγραμμα WEKA... 29 2.2.1 Οι μεταβλητές μας... 31 ΚΕΦΑΛΑΙΟ 3 Ο : ΑΛΓΟΡΙΘΜΟΙ... 33 3.1Αλγόριθμοι βασισμένοι στη στατιστική... 33 3.1.1 ΑΛΓΟΡΙΘΜΟΙ BAYES... 33 3.1.1.1. Αλγόριθμος Bayes Net... 33 3.1.1.2. Αλγόριθμος Naïve Bayes... 34 3.1.1.3. Αλγόριθμος Naive Bayes Simple... 36 3.1.1.4. Αλγόριθμος Naive Bayes Updateable... 36 3.2 Αλγόριθμοι βασισμένοι σε νευρωνικά δίκτυα... 37 3. 2.1 Συναρτήσεις (Functions)... 37 3.2.1.1. Λογιστική Παλινδρόμηση(Logistic)... 37 3.2.1.2. Νευρωνικό δίκτυο τύπου RBF Network... 39 3.2.1.3. Ο αλγόριθμος Ελάχιστης Διαδοχικής Βελτιστοποίησης (SMO)... 40 3.2.1.4. Νευρωνικό δίκτυο τύπου Multilayer Perceptron... 42 4

3.3. Αλγόριθμοι βασισμένοι σε δένδρα αποφάσεων... 43 3.3.1 Δενδρικοί Αλγόριθμοι trees... 43 3.3.1.1. Δενδρικός αλγόριθμος Δυαδικού Καταμερισμού BF trees... 43 3.3.1.2. Αλγόριθμος J48... 46 3.3.1.3.Δένδρα Λογιστικών Μοντέλων LMT... 48 3.3.1.4 Αλγόριθμος Random Tree... 49 3.3.1.5 Αλγόριθμος Simple Cart... 50 3. 3.1.6 Αλγόριθμος Random Forest... 52 3.3.1.7 Αλγόριθμος Alternating Decision-AD Tree... 53 3.4. Αλγόριθμοι βασισμένοι στην απόσταση... 54 3.4.1 Αλγόριθμοι lazy... 54 3.4.1.1.Ο αλγόριθμος απόστασης Kstar... 54 3.4.1.2. Ο αλγόριθμος ΙΒΚ... 55 3.5. Αλγόριθμοι βασισμένοι σε κανόνες... 56 3.5.1 Αλγόριθμοι κανόνων(rules)... 56 3.5.1.1.Συζευτικός κανόνας-conjuctive Rule... 56 3.5.1.2.Ο αλγόριθμος κανόνων τύπου (Part)... 57 3.5.1.3. O αλγόριθμος JRip... 58 3.6. Αλγόριθμοι ΜΕΤΑ... 59 3.6.1 Αλγόριθμος AdaboostM1... 59 3.6.2 Αλγόριθμος Bagging... 61 3.6.3 Αλγόριθμος Decorate... 62 3.6.4 Αλγόριθμος Ταξινόμησης Μέσω Παλινδρόμησης (Classification Via Regression)... 64 3.6.5 Αλγόριθμος Dagging... 64 3.6.6. Αλγόριθμος LogitBoost... 65 ΚΕΦΑΛΑΙΟ 4 Ο :ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΠΙΣΤΩΤΙΚΩΝ ΚΑΡΤΩΝ... 71 4.1 Εισαγωγή... 71 4.2 Περιγραφική ανάλυση... 72 4.3 Διαχωριστική ανάλυση... 76 4.4 Περιγραφική ανάλυση δεδομένων χορήγησης πιστωτικών καρτών για το έτος 2005... 77 4.5 Περιγραφική ανάλυση δεδομένων χορήγησης πιστωτικών καρτών για το έτος 2006... 85 5

ΚΕΦΑΛΑΙΟ 5 Ο : ΑΝΑΛΥΣΗ ΛΑΝΘΑΣΜΕΝΩΝ ΤΑΞΙΝΟΜΗΣΕΩΝ... 91 5.1 Ανάλυση λανθασμένων ταξινομήσεων για όλους τους αλγόριθμους... 91 5.2 Εμπλοκές... 102 ΚΕΦΑΛΑΙΟ 6 Ο :ΣΥΜΠΕΡΑΣΜΑΤΑ... 105 6.1 Συμπεράσματα... 105 ΠΑΡΑΠΟΜΠΕΣ... 110 ΠΑΡΑΡΤΗΜΑ Α... 116 ΠΑΡΑΡΤΗΜΑ Β... 126 ΠΑΡΑΡΤΗΜΑ Γ... 132 6

ΕΙΣΑΓΩΓΗ Η αγορά πιστωτικών καρτών, τα τελευταία χρόνια, παρουσιάζει μεγάλη ανάπτυξη στη χώρα μας. Ωστόσο, είναι γεγονός, ότι η πιστωτική κάρτα είναι ένα προϊόν υψηλού κινδύνου, γι αυτό άλλωστε και τα επιτόκια των πιστωτικών καρτών διατηρούνται σε υψηλά επίπεδα. Αναμενόμενο είναι λοιπόν, από τη στιγμή που οι χρηματοδοτικοί οργανισμοί αποβλέπουν στη μεγιστοποίηση των κερδών τους, να επιδιώκουν τον περιορισμό των επισφαλειών που προέρχονται από τους αφερέγγυους πελάτες. Το σύνολο των πιστωτικών κινδύνων, περιλαμβάνει τις καθυστερήσεις και τις επισφάλειες το οποίο εκτιμάται ότι, στη χώρα μας φθάνει το 15% περίπου του χαρτοφυλακίου των δανείων των τραπεζών, όταν ο αντίστοιχος ευρωπαϊκός μέσος όρος κινείται στο 10,5%, μέγεθος που περιλαμβάνει και τις απάτες που πραγματοποιούνται μέσω των πιστωτικών καρτών. Στο επίκεντρο του προβληματισμού των τραπεζών έχει τεθεί ο έλεγχος του υψηλού πιστωτικού κινδύνου, που συνεπάγεται η διάδοση των πιστωτικών καρτών. Οι υψηλές επισφάλειες, που συνεπάγεται η ανάπτυξη της αγοράς της πιστωτικής κάρτας, ανέδειξε και την αδυναμία που υπάρχει στη χώρα μας στο θέμα της αξιολόγησης της πιστωτικής ποιότητας των υποψηφίων πελατών. Η παρούσα διπλωματική εργασία πραγματεύεται την επεξεργασία δεδομένων που αφορούν χαρακτηριστικά πελατών της Εμπορικής Τράπεζας της Ελλάδος που ζήτησαν από τοπικό παράρτημα της, πιστωτική κάρτα και για κάποιους από αυτούς εγκρίθηκε το αίτημα τους ενώ, για κάποιους άλλους απορρίφθηκε. Θα δούμε επίσης και τις εμπλοκές των πιστωτικών καρτών σε ειδικές περιπτώσεις. Μιας και τα τελευταία χρόνια η αγορά πιστωτικών καρτών παρουσιάζει σημαντική ανάπτυξη είναι πολύ σημαντική η πρόβλεψη της πιστοληπτικής ικανότητας των πελατών της εκάστοτε Τράπεζας. Χαρακτηριστικό είναι το γεγονός, ότι σχεδόν τα μισά νοικοκυριά με ετήσιο εισόδημα κάτω από 15.000 ευρώ έχουν τουλάχιστον μία πιστωτική κάρτα. Η αγορά πιστωτικών καρτών παρουσιάζει δύο κύρια χαρακτηριστικά: α) αποτελεί μέθοδο πληρωμών, και β) αποτελεί μέθοδο δανειοδότησης, που όμως δεν μπορεί να αντικαταστήσει τα υπόλοιπα είδη δανείων. Ωστόσο, είναι γεγονός ότι η πιστωτική κάρτα διεθνώς είναι ένα επισφαλές προϊόν. Οι υψηλές επισφάλειες που συνεπάγεται η διάδοση της αγοράς του πλαστικού χρήματος ανέδειξε και το έλλειμμα που υπάρχει στη χώρα μας στο θέμα της πιστωτικής αξιολόγησης των πελατών. 7

Σκοπός της εργασίας Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάλυση τραπεζικών δεδομένων με μεθόδους υπολογιστικής νοημοσύνης και πιο συγκεκριμένα η διάγνωση του φερέγγυου ή αφερέγγυου πελάτη χρησιμοποιώντας το πρόγραμμα WEKA το οποίο παρέχει μια μεγάλη συλλογή ετοίμων αλγόριθμων οι οποίοι μπορούν να χρησιμοποιηθούν σε πολλά προβλήματα, όπως για παράδειγμα προβλήματα ταξινόμησης. Επόμενο σημαντικό βήμα είναι ο εντοπισμός των ταξινομητών εκείνων που παρέχουν ακρίβεια αλλά και απλότητα, έτσι ώστε τα αποτελέσματα να μπορούν εύκολα να γίνουν κατανοητά αλλά και αξιοποιήσιμα στην επιλογή του καλού πελάτη. Στην εργασία αυτή χρησιμοποιήθηκε μια βάση δεδομένων που αποκτήθηκε από το υποκατάστημα της Εμπορική Τράπεζας Χίου, μαζί με τις πολύτιμες συμβουλές και υποδείξεις τόσο των προϊστάμενων όσο και του διευθυντή Καρίβαλη Αλέξη, του συγκεκριμένου καταστήματος. Η βάση αυτή αποτελούταν από 378 περιστατικά αιτήσεων πελατών για την απόκτηση πιστωτικής κάρτας. Η χρονική περίοδος που εξετάστηκε ήταν τα έτη 2005-2008 και αυτό γιατί μετά το 2008 έως και σήμερα η εξέταση των αιτήσεων γίνεται σε κεντρικό επίπεδο. Η αίτηση αποστέλλεται στα κεντρικά της Εμπορικής Τράπεζας όπου εξετάζεται σε μία συγκεκριμένη βάση δεδομένων, από αρμόδια εκπαιδευμένο προσωπικό και είτε απορρίπτεται είτε εγκρίνεται. Παλαιότερα υπήρχε η δυνατότητα παράκαμψης της «απόφασης» από το κεντρικό σύστημα, είτε με σύσταση του διευθυντή είτε με την σύσταση ανώτερων κλιμακίων. Αποτέλεσμα των παραπάνω ήταν όπως αναμενόταν αρκετοί πελάτες να μην μπορούν να ανταπεξέλθουν στις οικονομικές υποχρεώσεις τους. Βέβαια παρατηρούνταν το φαινόμενο να απορρίπτεται το αίτημα αρκετά αξιόπιστών πελατών γιατί δεν πληρούσαν τις «απαρχαιωμένες» απαιτήσεις του συστήματος. Διάρθρωση της εργασίας Η παρούσα διπλωματική εργασία χωρίζεται σε έξι βασικά κεφάλαια. Στο πρώτο κεφάλαιο γίνεται αναφορά στο θεωρητικό κομμάτι των πιστωτικών καρτών και γενικώς πράγματα που γνωρίζουμε και αναγνωρίζουμε στην επαφή μας με μία τράπεζα. Στο δεύτερο κεφάλαιο γίνεται αναφορά στο πρόγραμμα WEKA, στην Τεχνητή Νοημοσύνη και πιο συγκεκριμένα στις έννοιες των Νευρωνικών Δικτύων, Τεχνητών Νευρωνικών Δικτύων, Γενετικών Αλγόριθμών, Γενετικού Προγραμματισμού (Genetic Programming), Έμπειρών συστημάτων, Ασαφή Συστημάτων, Δένδρα Αποφάσεων. Στο τρίτο κεφάλαιο γίνεται αναφορά στις έννοιες των αλγορίθμων αποτελεσμάτων που προκύπτουν από την εξέταση αυτών. και των 8

Επικεντρωθήκαμε στις εξής κατηγορίες: Αλγόριθμοι Bayes, Συναρτήσεις(functions), Δενδρικοί αλγόριθμοί(trees), Ασαφής αλγόριθμοι(lazy), Αλγόριθμοι κανόνων(rules), Αλγόριθμοι( meta). Να σημειωθεί ότι στο κεφάλαιο αυτό παρατίθεται και ένα μικρό θεωρητικό μέρος που εξηγεί την λειτουργία του κάθε αλγορίθμου και την ερμηνεία των ανοικτών παραμέτρων Στο τέταρτο κεφάλαιο με την βοήθεια των Βαλλίλα Μαρία και Παπαδημητροπούλου Κατερίνα, υπό την επίβλεψη του κ. Δούνια έγινε στατιστική ανάλυση των δεδομένων χορήγησης πιστωτικών καρτών για τα έτη 2005-2008. Είναι σαφές ότι προτού εφαρμοστεί οποιαδήποτε μέθοδος μοντελοποίησης, πρέπει πρώτα να πάρουμε μια εικόνα από τα δεδομένα που θα εξετάσουμε εξονυχιστικά στα υπόλοιπα κεφάλαια της εργασίας μας. Στο πέμπτο κεφάλαιο γίνεται αναφορά στις λανθασμένες ταξινομήσεις από την εξέταση των δεδομένων των πιστωτικών καρτών. Συγκεκριμένα, πρώτα κατηγοριοποιούμε ανά αλγόριθμό τις περιπτώσεις όπου είχε δοθεί έγκριση ενώ έπρεπε να είχε απορριφθεί το αρχικό αίτημα και το ανάποδο. Στη συνέχεια συγκεντρώνουμε τα αποτελέσματα συνολικά για όλους τους αλγορίθμους. Ενώ τέλος αναλύουμε εκείνες τις περιπτώσεις όπου εμφανίζονται σε μεγαλύτερη συχνότητα από ότι οι υπόλοιπες. Στο έκτο και τελευταίο κεφάλαιο παρατίθενται τα συμπεράσματα για τις μεθόδους που χρησιμοποιήθηκαν, ενδεικτικός πινάκας με τις πιο αποδοτικές από αυτές. Βιβλιογραφική Επισκόπηση Το χρηματοοικονομικό πρόβλημα ταξινόμησης της πιστοληπτικής ικανότητας πελατών, τόσο όσον αφορά τη χορήγηση πιστωτικών καρτών όσο και τη χορήγηση διαφόρων μορφών δανείων, έχει μελετηθεί αρκετά. Διάφορες μεθοδολογίες από το χώρο της στατιστικής αλλά και του κλάδου των τεχνικών λήψης απόφασης (δέντρα απόφασης, υπολογιστική νοημοσύνη) έχουν εφαρμοστεί με επιτυχία. Στο παρόν κεφάλαιο, παρατίθενται μερικές από τις εργασίες που έχουν υλοποιηθεί σχετικά με το συγκεκριμένο ζήτημα. Απώτερος στόχος είναι να δοθεί στον αναγνώστη μια καλή εικόνα σχετικά με την έρευνα στο συγκεκριμένο τομέα, καθώς επίσης και η εξαγωγή μερικών χρήσιμων συμπερασμάτων. Στην εργασία τους, οι [Hand and Henley 1996], κάνουν μια ανασκόπηση στατιστικών και μη τεχνικών για το πρόβλημα της πιστοληπτικής ικανότητας πελατών. Πιο συγκεκριμένα, αναφέρονται στο πρόβλημα της ικανότητας των πελατών να αποπληρώσουν ένα δάνειο. Προτού προχωρήσουν στην ανασκόπηση των διαφόρων μεθοδολογιών, οι συγγραφείς παρουσιάζουν τα πιο συνηθισμένα χαρακτηριστικά που χρησιμοποιούνται σε τέτοιου είδους προβλήματα, μερικά από τα οποία είναι: χρόνος διαμονής στην παρούσα διεύθυνση, ετήσιο εισόδημα του αιτούντος, κατοχή ή μη πιστωτικής κάρτας, ηλικία, σκοπός του δανείου κ.α. Επιπλέον,αναφέρεται ότι μερικά από τα χαρακτηριστικά είναι κατηγορικά δεδομένα, ενώ άλλα είναι αριθμητικά. Οι μέθοδοι που χρησιμοποιούνται περισσότερο σε τέτοιου είδους προβλήματα, σύμφωνα πάντα με την εργασία, είναι: διαχωριστική ανάλυση, 9

παλινδρόμηση, λογιστική παλινδρόμηση, μέθοδοι μαθηματικού προγραμματισμού, δέντρα απόφασης, έξυπνα συστήματα, νευρωνικά δίκτυα και μη-παραμετρικές μέθοδοι εξομάλυνσης. Η συγκεκριμένη εργασία καταλήγει στο ότι η μέθοδος των νευρωνικών δικτύων δίνει καλά αποτελέσματα σε συγκεκριμένα προβλήματα. Επιπλέον, οι [Davis, Edelman and Gammerman 1992], στην εργασία τους εφαρμόζουν διάφορες τεχνικές για την αξιολόγηση της πιστοληπτικής ικανότητας πελατών, κατά τη χορήγηση πιστωτικών καρτών. Οι μέθοδοι που χρησιμοποιήθηκαν ήταν ο αλγόριθμος ID3, το νευρωνικό δίκτυο τύπου Multilayer Perceptron και νευρωνικά δίκτυα με οπισθοδρομική διάδοση πληροφορίας. Ως μελέτη περίπτωσης, χρησιμοποιήθηκε δείγμα πιστωτικών καρτών από την Τράπεζας της Σκωτίας, όπου το χρησιμοποιούμενο σύστημα λήψης απόφασης ήταν ένα σύστημα πιστοληπτικής βαθμονόμησης. Οι μέθοδοι μηχανικής μάθησης έδωσαν πολύ καλά αποτελέσματα σε σχέση με το υπάρχον σύστημα, παρόλο που τα νευρωνικά δίκτυα χρειάζονταν περισσότερο χρόνο για να εκπαιδευτούν. Σε μια άλλη εργασία, οι [Shi, Peng, Kou and Chen 2005], μελετούν τη συμπεριφορά των κατόχων πιστωτικών καρτών σε σχέση με τις υποχρεώσεις τους. Προτείνουν μια μέθοδο τετραγωνικού προγραμματισμού, η οποία λαμβάνει υπόψη πολλαπλά κριτήρια, με απώτερο στόχο την ταξινόμηση της συμπεριφοράς των κατόχων πιστωτικών καρτών. Ο κύριος λόγος για τη χρήση τέτοιου είδους τεχνικής, είναι η μη-γραμμική φύση του συγκεκριμένου προβλήματος. Το σετ δεδομένων προέκυψε από μια μεγάλη τράπεζα των ΗΠΑ, ενώ έγινε σύγκριση αποτελεσμάτων μεταξύ της προτεινόμενης μεθόδου και των μεθόδων: ανάλυσης γραμμικού διαχωρισμού, δέντρων απόφασης, γραμμικός προγραμματισμός πολλαπλών κριτηρίων, μηχανές διανυσμάτων υποστήριξης και νευρωνικών δικτύων. Τα αριθμητικά αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη. Στην εργασία τους, οι [He, Liu, Shi, Xu and Yan 2004] μελετούν το πρόβλημα ταξινόμησης των χρηστών πιστωτικών καρτών, όσον αφορά τη συμπεριφορά τους. Αναφέρεται ότι για το συγκεκριμένο πρόβλημα έχουν ήδη χρησιμοποιηθεί αρκετές τεχνικές ταξινόμησης, οι οποίες βασίζονται στον γραμμικό προγραμματισμό πολλαπλών κριτηρίων. Η συνεισφορά της παρούσας εργασίας είναι στην εισαγωγή μιας τεχνικής που συνδυάζει την ασαφή λογική με το γραμμικό προγραμματισμό, με απώτερο στόχο των εντοπισμό τάσεων στη συμπεριφορά των κατόχων πιστωτικών καρτών. Τα δεδομένα εκπαίδευσης της παρούσας εργασίας αφορούσαν 1000 περιπτώσεις πιστωτικών καρτών, από μια μεγάλη τράπεζα των ΗΠΑ, καθεμία από τις οποίες είχε 65 χαρακτηριστικά. Η λύση που πρόεκυψε από τα δεδομένα εκπαίδευσης χρησιμοποιήθηκε για την πρόβλεψη της συμπεριφοράς 5000 περιπτώσεων κατόχων πιστωτικών καρτών από διαφορετικές πολιτείες των ΗΠΑ. Επίσης, τα αποτελέσματα της προτεινόμενης μεθόδου συγκρίθηκαν με αυτά της μεθόδου γραμμικού προγραμματισμού πολλαπλών κριτηρίων, τη μέθοδο των νευρωνικών δικτύων και τα δέντρα απόφασης. Τα αποτελέσματα της προτεινόμενης μεθόδου ήταν πολύ καλύτερα από αυτά των υπόλοιπων μεθόδων σύγκρισης. Ο [Herbert 1992] εφαρμόζει τη μέθοδο των νευρωνικών δικτύων για την ταξινόμηση της πιστοληπτικής ικανότητας των πελατών. Πιο συγκεκριμένα, εφαρμόζει τη μέθοδο νευρωνικού δικτύου οπισθοδρομικής διάδοσης πληροφορίας σε 10

125 περιπτώσεις αιτήσεων για χορήγηση δανείου, για τις οποίες το αποτέλεσμα δεν είναι γνωστό. Η εφαρμογή αποτελούνταν από δυο στάδια. Στο πρώτο, οι 75 αιτήσεις χρησιμοποιήθηκαν ως δεδομένα εκπαίδευσης, ενώ οι υπόλοιπες 50 για αξιολόγηση των λύσεων. Στη δεύτερη περίπτωση, οι 100 αιτήσεις χρησιμοποιήθηκαν για εκπαίδευση του νευρωνικού δικτύου, ενώ οι υπόλοιπες 25 για αξιολόγηση των λύσεων. Οι κατηγορίες (κλάσεις) του προβλήματος είναι τρεις: delinquent, chargedoff και paid-off, ενώ ως δεδομένα εισόδου χρησιμοποιήθηκαν τόσο δημογραφικά χαρακτηριστικά των πελατών όσο και χαρακτηριστικά σχετικά με την πιστοληπτική ικανότητα (επάγγελμα, ιδιόκτητη/ενοικιαζόμενη κατοικία, λογαριασμός τράπεζας, ιστορικό πιστοληπτικής ικανότητας). Οι ακρίβειες ταξινόμησης καταδεικνύουν τη μέθοδο των νευρωνικών δικτύων για τέτοιου είδους προβλήματα ταξινόμησης. Σε μια άλλη εργασία, οι [Shen, Tong and Deng 2007] εφαρμόζουν τρεις τεχνικές ταξινόμησης για το πρόβλημα εντοπισμού απάτης σε πιστωτικές κάρτες. Η απάτη στις πιστωτικές κάρτες μπορεί να είναι δυο ειδών: εσωτερική και εξωτερική απάτη. Στην περίπτωση της εσωτερικής απάτης, ο απατεώνας προσπαθεί να αποσπάσει κάποιο χρηματικό ποσό από την πιστωτική κάρτα του νόμιμου κατόχου. Αντίθετα, στην περίπτωση της εξωτερικής απάτης, ο απατεώνας προσπαθεί να κάνει έξυπνες αγορές χρησιμοποιώντας την πιστωτική κάρτα του δικαιούχου. Οι μέθοδοι που εφαρμόζονται για την αποκάλυψη απάτης είναι τα δέντρα απόφασης, τα νευρωνικά δίκτυα και η λογιστική παλινδρόμηση. Τα δεδομένα προήλθαν από πραγματικές περιπτώσεις, ενώ οι κλάσεις του προβλήματος ήταν απάτη ή όχι απάτη. Επιπλέον, καθεμιά από τις περιπτώσεις είχε 18 χαρακτηριστικά (χρησιμοποιήθηκαν κωδικοί και όχι ονομασίες για τα χαρακτηριστικά αυτά). Τα αποτελέσματα δείχνουν ότι οι μέθοδοι των νευρωνικών δικτύων και της λογιστικής παλινδρόμησης μπορούν να εντοπίσουν σε ικανοποιητικό βαθμό της περιπτώσεις απάτης στις πιστωτικές κάρτες. Στην εργασία τους, οι [Srinivasan and Kim 1987], εφαρμόζουν διάφορες τεχνικές ταξινόμησης για το πρόβλημα της λήψης επιχειρηματικών χορηγήσεων. Πιο συγκεκριμένα, χρησιμοποιούνται παραμετρικές και μη-παραμετρικές τεχνικές, καθώς επίσης και τεχνικές κρίσης (διαδικασία αναλυτικής ιεραρχίας). Τα αποτελέσματα δείχνουν ότι η χρήση μη-παραμετρικών τεχνικών, όπως τα δέντρα απόφασης, μπορούν να δώσουν πολύ καλά αποτελέσματα ταξινόμησης. Οι [Lee, Chiu, Chou and Lu 2006] επιλύουν το πρόβλημα της αξιολόγησης πιστοληπτικής ικανότητας χρησιμοποιώντας τις τεχνικές δέντρων παλινδρόμησης και ταξινόμησης (CART) και την τεχνική της πολυμεταβλητής προσαρμοστικής παλινδρόμησης πολυωνύμων (MARS). Η εφαρμογή έγινε σε ένα σετ δεδομένων πιστωτικών καρτών τράπεζας, και τα αποτελέσματα συγκρίθηκαν με παραδοσιακές τεχνικές όπως ανάλυση διαχωρισμού, λογιστική παλινδρόμηση, νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης. Οι προτεινόμενες τεχνικές έδωσαν καλύτερα αποτελέσματα όσον αφορά την ταξινόμηση. Πιο συγκεκριμένα, όσον αφορά το σετ δεδομένων, χρησιμοποιήθηκαν 8000 περιπτώσεις πιστωτικών καρτών από μια τράπεζα της Ταϊβάν, οι οποίες χωρίστηκαν ως εξής: 4000 τυχαίες περιπτώσεις για εκπαίδευση, 2000 τυχαίες περιπτώσεις για έλεγχο και 2000 τυχαίες περιπτώσεις για επικύρωση. Καθεμιά από τις 8000 περιπτώσεις είχε 9 χαρακτηριστικά: φύλο, ηλικία, οικογενειακή κατάσταση, επίπεδο εκπαίδευσης, επάγγελμα, θέση εργασίας, ετήσιο εισόδημα, κατάσταση διαμονής/κατοικίας και πιστωτικά όρια. 11

Σε μια άλλη εργασία, οι [Peng, Kou, Chen and Shi 2004] εξετάζουν την ικανότητα της μεθόδου γραμμικού προγραμματισμού πολλαπλών κριτηρίων στο πρόβλημα ταξινόμησης της συμπεριφοράς των κατόχων πιστωτικών καρτών σε δυο ή περισσότερες κατηγορίες, χρησιμοποιώντας την τεχνική της διασταυρούμενηςεπικύρωσης, καθώς επίσης και τεχνικές ομαδοποίησης. Στόχος της εργασίας, συγκεκριμένα, ήταν να εξεταστεί η σταθερότητα της προτεινόμενης μεθόδου με και χωρίς τις προαναφερθείσες τεχνικές. Τα αποτελέσματα δείχνουν ότι η μέθοδος είναι αρκετά σταθερή, καθώς τα ποσοστά ορθής ταξινόμησης με ή χωρίς τη χρήση των τεχνικών της διασταυρούμενης-επικύρωσης και της ομαδοποίησης είναι περίπου τα ίδια. Το σετ δεδομένων αποτελείται από 5000 περιπτώσεις πιστωτικών καρτών, από μια μεγάλη τράπεζα των ΗΠΑ. Κάθε περίπτωση έχει 113 χαρακτηριστικά (38 πρωτεύοντα και 65 δευτερεύοντα). Οι 38 πρωτεύουσες μεταβλητές ανήκουν σε 5 κατηγορίες: ισοζύγιο λογαριασμού, αγορά, πληρωμή, ανάληψη μετρητών και σχετικές μεταβλητές. Τα τελευταία χρόνια, έχει γίνει απόπειρα να χρησιμοποιηθούν τεχνικές από έναν συγκεκριμένο κλάδο της τεχνητής νοημοσύνης, συγκεκριμένα μέθοδοι οι οποίες βασίζονται στον τρόπο λειτουργίας φυσικών συστημάτων, για χρηματοοικονομικά προβλήματα ταξινόμησης. Οι [Marinakis, Marinaki, Doumpos and Zopounidis 2009] χρησιμοποιούν δυο αλγόριθμους, οι οποίοι ανήκουν σε αυτόν τον κλάδο για την αξιολόγηση του πιστωτικού κινδύνου εταιριών. Πιο συγκεκριμένα, χρησιμοποιείται ο αλγόριθμος, ο οποίος βασίζεται στη λειτουργία μιας αποικίας μυρμηγκιών και ο αλγόριθμος, ο οποίος βασίζεται στη συμπεριφορά ενός σμήνους σωματιδίων. Η εφαρμογή αποτελείται από δεδομένα 1300 περιπτώσεων από μηχρηματοοικονομικές εταιρίες της Αγγλίας, και οι κλάσεις του προβλήματος είναι πέντε. Τα χαρακτηριστικά της κάθε περίπτωσης είναι 26 και αφορούν χρηματοοικονομικούς δείκτες των συγκεκριμένων εταιριών. Τα αποτελέσματα είναι ενθαρρυντικά όσον αφορά την απόδοση των συγκεκριμένων τεχνικών. Στην εργασία του, ο [Bhaduri 2009] εφαρμόζει έναν αλγόριθμο, ο οποίος βασίζεται στον τρόπο λειτουργίας του ανθρώπινου ανοσοποιητικού συστήματος, για το πρόβλημα αξιολόγησης της πιστοληπτικής ικανότητας. Πιο συγκεκριμένα, χρησιμοποιούνται δυο διαφορετικά σετ δεδομένων, από την αγορά της Αυστραλίας και της Γερμανίας. Επιπλέον, εφαρμόστηκαν 4 διαφορετικές τροποποιήσεις του αλγόριθμου, ο οποίος βασίζεται στο ανθρώπινο ανοσοποιητικό σύστημα. Η σύγκριση με τα αποτελέσματα άλλων τεχνικών ταξινόμησης δεν είναι ξεκάθαρα όσον αφορά την απόδοση του προτεινόμενου αλγορίθμου. Δηλαδή, ενώ στο ένα σετ δίνει ικανοποιητικά αποτελέσματα, στο άλλο η απόδοση του πέφτει κατακόρυφα. Μια πιθανή αιτία γι αυτό το φαινόμενο είναι ότι ο αλγόριθμος, ο οποίος βασίζεται στο ανθρώπινο ανοσοποιητικό σύστημα μπορεί να θεωρηθεί ως ένας γενικός αλγόριθμος ταξινόμησης (σε αντιδιαστολή με τους άλλους αλγόριθμους, οι οποίοι μπορεί να είναι προσαρμοσμένοι στο συγκεκριμένο τύπο προβλήματος), κι επίσης αυτό μπορεί να αποτελεί μια ένδειξη για περαιτέρω μελέτη και ανάλυση της συγκεκριμένης τεχνικής. Συμπερασματικά, μπορεί να αναφερθεί ότι οι παραπάνω εργασίες είναι σε θέση να αποτυπώσουν την κατάσταση και την εξέλιξη στα διάφορα χρηματοοικονομικά προβλήματα ταξινόμησης, με τη χρήση στατιστικών τεχνικών ή τεχνικών λήψης 12

απόφασης. Βέβαια, σε καμία περίπτωση δε μπορεί να θεωρηθεί η συγκεκριμένη βιβλιογραφική επισκόπηση ως εξαντλητική, αλλά δίνει μια ένδειξη των τάσεων που επικρατούν στο χώρο. Επομένως, είναι ξεκάθαρο ότι υπάρχει μια τάση να χρησιμοποιούνται τεχνικές από το χώρο της λήψης απόφασης, και συγκεκριμένα από το χώρο της υπολογιστικής νοημοσύνης. Στις περισσότερες, αν όχι όλες, τις εργασίες τα αποτελέσματα αυτών των τεχνικών σε σύγκριση με αυτά των παραδοσιακών στατιστικών μεθοδολογιών είναι ανώτερα. Επίσης, υπάρχει και μια τάση να χρησιμοποιούνται υβριδικά σχήματα για την επίλυση παρόμοιων προβλημάτων, ή ακόμη και πιο σύγχρονες μεθοδολογίες από το χώρο της υπολογιστικής νοημοσύνης (τεχνικές οι οποίες βασίζονται στον τρόπο λειτουργίας των φυσικών συστημάτων). Ένας λόγος που εξηγεί την επιτυχία τω συγκεκριμένων τεχνικών είναι η αυξημένη πολυπλοκότητα του χώρου λύσεων στα συγκεκριμένα προβλήματα, κυρίως στις περιπτώσεις όπου έχουμε πολλά χαρακτηριστικά (μεταβλητές) ή/και πολλές διαφορετικές κλάσεις. Σε τέτοιες περιπτώσεις, οι γραμμικές τεχνικές αποτυγχάνουν να αποτυπώσουν τη δυναμική του προβλήματος. Κάτι που επιτυγχάνεται από τις τεχνικές της υπολογιστικής νοημοσύνης, βάσει των ιδιαίτερων χαρακτηριστικών αναζήτησης της κάθε τεχνικής ξεχωριστά. Τέλος, όσον αφορά τα δεδομένα που χρησιμοποιούνται, αυτά φαίνεται να αφορούν διάφορες αγορές, η καθεμία με τις ιδιαιτερότητες της, και αναφέρονται κυρίως στα προβλήματα α) αξιολόγησης πιστοληπτικής ικανότητας πελατών, β) αξιολόγηση πιστωτικού κινδύνου επιχειρήσεων, γ) αξιολόγηση συμπεριφοράς κατόχων πιστωτικών καρτών και δ) αξιολόγηση και πρόβλεψη καταστάσεων απάτης σε πιστωτικές κάρτες. 13

ΚΕΦΑΛΑΙΟ 1 Ο : ΘΕΩΡΙΑ ΠΙΣΤΩΤΙΚΩΝ ΚΑΡΤΩΝ 1.1 Πιστωτικές κάρτες Η πιο διαδεδομένη κατηγορία δανείων είναι αυτή μέσω πιστωτικών καρτών, ακολουθούμενη από τα στεγαστικά δάνεια και κατόπιν από τα υπόλοιπα τραπεζικά δάνεια (καταναλωτικά, προσωπικά, ανοικτά). Η πιστωτική κάρτα προσφέρει τη δυνατότητα στον κάτοχό της να αγοράσει ένα αγαθό/υπηρεσία, η αξία της συναλλαγής να χρεωθεί στην κάρτα του και να εξοφλήσει το ποσό αυτό ύστερα από διάστημα 30-40 ημερών. Σε πολλές δε περιπτώσεις το ποσό της αγοράς έχει τη δυνατότητα να το εξοφλήσει τμηματικά, σε άτοκες δόσεις, καθώς πολλά καταστήματα προσφέρουν ανάλογα προγράμματα. Η πιστωτική κάρτα επιβαρύνεται με επιτόκιο και ετήσια συνδρομή. Ουσιαστικά, μέσω της πιστωτικής κάρτας ο πελάτης, δανείζεται χρήματα από το χρηματοπιστωτικό ίδρυμα που έχει εκδώσει την κάρτα, κάθε φορά που την χρησιμοποιεί. Το χρηματοπιστωτικό ίδρυμα κάνει την πληρωμή των αγαθών και υπηρεσιών που έχει αγοράσει ο κάτοχος της κάρτας, ο οποίος με την σειρά του υποχρεούται μέσα σε ένα ορισμένο χρονικό διάστημα να πληρώσει στο χρηματοπιστωτικό ίδρυμα ένα μέρος του ποσού ή ολόκληρο το ποσό εάν δεν θέλει να επιβαρυνθεί με τόκους. Παράλληλα, η χρήση της κάρτας επεκτείνεται και σε άλλους τομείς, όπως είναι παραδείγματος χάριν η υγεία, προσφέροντας στους κατόχους των πιστωτικών καρτών, συνεργασία με διαγνωστικά κέντρα τόσο στην Αθήνα όσο και στην υπόλοιπη Ελλάδα εξοικονομώντας για αυτούς τιμές δημοσίου για τις βασικές ιατρικές τους εξετάσεις όσο και προνομιακές τιμές για περισσότερο ειδικευμένες εξετάσεις, ενώ, οι περισσότερες πιστωτικές κάρτες προσφέρουν σήμερα στους κατόχους τους πακέτα που περιλαμβάνουν, από ταξιδιωτική ασφάλιση, μέχρι επιστροφή τμήματος του ποσού των αγορών που πραγματοποίησαν υπό τη μορφή δωροεπιταγών ή μετρητών. Τα κύρια πλεονεκτήματα που παρουσιάζει η πιστωτική κάρτα σε σχέση με τις συναλλαγές με μετρητά είναι: α) ευκολία στις συναλλαγές σε περίπτωση που ο κάτοχός της δεν έχει ή δεν θέλει να έχει μαζί του μετρητά, β) ασφάλεια στις συναλλαγές, γιατί ο κάτοχος της κάρτας δεν χρειάζεται να έχει μαζί του μετρητά διακινδυνεύοντας να τα χάσει, γ) εξασφάλιση περιόδου χάριτος αρκετών ημερών (π.χ. 25 ή 40 ημέρες) χωρίς τόκο, από την ημερομηνία έκδοσης του λογαριασμού έως την ημερομηνία πληρωμής. Στη χρήση τους, λοιπόν, είναι ευέλικτες και παρέχουν ευκολία στις συναλλαγές. Όμως η δυνατότητα αποπληρωμής κάθε μήνα ενός πολύ μικρού ποσοστού από το συνολικό χρέος, πολλές φορές κάνει τους κατόχους τους να αποφεύγουν την πληρωμή του συνολικού ποσού της πιστωτικής τους κάρτας. Είναι πολλοί οι 14

δανειολήπτες που αρκούνται στο να πληρώνουν μόνο την ελάχιστη καταβολή και έτσι το χρέος προς την τράπεζα δεν μειώνεται ποτέ. Συνεπώς, ο χρήστης πιστωτικής κάρτας που εξοφλεί έγκαιρα και στο ακέραιο τη μηνιαία οφειλή του, μόνο κέρδος μπορεί να έχει από τη χρήση της. Δε συμβαίνει όμως το ίδιο στην περίπτωση κατά την οποία ο κάτοχος της πιστωτικής κάρτας: την χρησιμοποιεί ως μέσο μακροπρόθεσμης πίστωσης, για να καλύψει διάφορες ανάγκες του (αγορές, υπηρεσίες, μετρητά). Περιορίζεται στην οριακή εξυπηρέτηση του μηνιαίου λογαριασμού. Καταβάλλει εκπρόθεσμα την ελάχιστη καταβολή. Για την έκδοση πιστωτικής κάρτας, ο ενδιαφερόμενος υποβάλλει σχετική αίτηση και μετά την έγκριση ανοίγει ένα λογαριασμό στην αντίστοιχη τράπεζα, για την αυτόματη εξόφληση του λογαριασμού της κάρτας. Προκειμένου να εγκρίνει την αίτηση η τράπεζα συνεκτιμά ένα σύνολο από κριτήρια, όπως το ύψος και τη πηγή του εισοδήματος, τη σταθερή επαγγελματική κατάσταση, την τυχόν προηγούμενη πελατειακή σχέση με την τράπεζα. Αυτές είναι και μερικές από τις μεταβλητές μας, όπως θα δούμε και στη συνέχεια ποιο αναλυτικά, που εισάγουμε στο πρόγραμμα WEKA,ώστε να πραγματοποιήσουμε τις δοκιμές μας με τον κάθε αλγόριθμο ξεχωριστά. 1.2 Οι Βασικές Κατηγορίες Πιστωτικών Καρτών Σε γενικές γραμμές, οι πιστωτικές κάρτες χωρίζονται σε τρεις κατηγορίες. Ασημένιες, χρυσές ή πλατινένιες: Απευθύνονται κυρίως σε πελάτες των τραπεζών με υψηλά εισοδήματα και συνοδεύονται από προνόμια, όπως την διασφάλιση αγορών και το χαμηλότερο επιτόκιο. Απλές ή κλασσικές: Έχουν σχετικά υψηλότερο επιτόκιο από τις κάρτες της πρώτης κατηγορίας, αλλά επιβαρύνουν τους κατόχους τους με χαμηλότερη ετήσια συνδρομή. Ειδικές: Περιλαμβάνονται οι πιστωτικές κάρτες που απευθύνονται σε ομάδες πληθυσμού με κοινά ενδιαφέροντα, όπως για παράδειγμα στους φίλους της τέχνης, του κινηματογράφου, του αθλητισμού, κ.λπ. Επίσης, τα τελευταία χρόνια έχουν κάνει την εμφάνισή τους στην ελληνική αγορά με ολοένα μεγαλύτερη συχνότητα οι λεγόμενες «co-branded» πιστωτικές κάρτες. Οι συγκεκριμένες κάρτες εκδίδονται από τις τράπεζες σε συνεργασία με επιχειρήσεις και απευθύνονται κυρίως στο πελατολόγιο της συγκεκριμένης επιχείρησης στο οποίο παρέχονται πρόσθετα προνόμια συνήθως με τη μορφή εκπτώσεων. 1.3 Πιστωτικές κάρτες και πιστωτικός κίνδυνος Οι πιστωτικές κάρτες ενέχουν υψηλό πιστωτικό κίνδυνο και αποτελούν προϊόντα υψηλού κινδύνου για τα χρηματοπιστωτικά ιδρύματα. Ο πιστωτικός κίνδυνος συνδέεται με την ενδεχόμενη αδυναμία του πελάτη της τράπεζας να εκπληρώσει τις 15

συμβατικές υποχρεώσεις του, να εξυπηρετήσει κατά κύριο λόγο το δάνειο του. Για την ελαχιστοποίηση, επομένως, του πιστωτικού κινδύνου η τράπεζα απαιτείται να έχει ένα καλό σύστημα αξιολόγησης των πελατών. Η διαμόρφωση των επιτοκίων των πιστωτικών καρτών εξαρτάται, πράγματι, σε μεγάλο βαθμό από το κόστος άντλησης του χρήματος, επηρεάζεται όμως σημαντικά και από άλλους παράγοντες, όπως είναι το λειτουργικό κόστος κάθε τράπεζας, αλλά και από τους κινδύνους τους οποίους κάθε τράπεζα αναλαμβάνει και τελικά επωμίζεται με τις επισφάλειες. Είναι φανερό ότι κάθε επιχείρηση για να μπορέσει να επιβιώσει θα πρέπει από το περιθώριο του ακαθάριστου κέρδους της να μπορεί να καλύψει, εκτός των άλλων, και τις ζημιές που επωμίζεται από τυχόν πελάτες της, οι οποίοι δεν εξοφλούν τις προς αυτήν υποχρεώσεις τους, το κόστος για την εξώδικη και δικαστική επιδίωξη της είσπραξης των οφειλομένων και κατ επέκταση το κόστος της τυχόν μη είσπραξης τους ολικά ή μερικά. Όσο μικρότερες είναι οι ζημίες και το κόστος που επωμίζεται το χρηματοπιστωτικό ίδρυμα τόσο μεγαλύτερα είναι τα περιθώρια διαμόρφωσης χαμηλότερων τιμών επιτοκίων που διαθέτει, προς όφελος των πελατών της, και φυσικά λόγο ανταγωνισμού πάντα θα έχει και μεγαλύτερες δυνατότητες αύξησης του μεριδίου της στην αγορά, προς όφελος της ίδιας και των επενδυτών της. Ένας από τους πλέον πρόσφορους, προληπτικούς τρόπους, περιορισμού του κινδύνου αυτού και τελικά του αναλαμβανομένου κόστους είναι η ανάλυση και ο προσδιορισμός της φερεγγυότητας και της πιστοληπτικής ικανότητας των πιστούχων. Ένα μέρος από τα δάνεια μέσω πιστωτικών καρτών χορηγούνται χωρίς ασφάλεια και με εύκολη πρόσβαση, κι αυτό επειδή οι τράπεζες δεν είχαν επαρκή εικόνα των χαρακτηριστικών των πελατών τους, ιδίως αυτών που σχετίζονται με τη φερεγγυότητα και τη δυνατότητά τους να εξοφλήσουν κανονικά το δάνειό τους. Αλλά τα χαρακτηριστικά αυτά των πελατών δύσκολα μπορούν να μετρηθούν ή να προσεγγιστούν ικανοποιητικά από συγκεκριμένη τράπεζα στην περίπτωση που οι δανειολήπτες έχουν σχέσεις και με άλλες τράπεζες, όπως αυτό συχνά συμβαίνει με τα δάνεια μέσω πιστωτικών καρτών. Τα χρηματοπιστωτικά ιδρύματα για να αξιολογήσουν την πιστοληπτική ικανότητα των πελατών τους χρησιμοποιούν διαφορετικές πληροφορίες που εμπεριέχονται σε ξεχωριστές βάσεις δεδομένων, για καταναλωτικά δάνεια και πιστωτικές κάρτες. Οι βάσεις αυτές έχουν δημιουργηθεί από την ιδία γνώση της κάθε τράπεζας. Προς την ίδια κατεύθυνση χρησιμοποιούν τις πληροφορίες που έχει η εταιρεία Τραπεζικά Συστήματα Πληροφοριών Α.Ε., που είναι περισσότερο γνωστή με τον διακριτικό της τίτλο «Τειρεσίας», και οι οποίες σχετίζονται με το αν ο πελάτης κατά το παρελθόν είχε προβλήματα στην εκπλήρωση των υποχρεώσεών του. Συνεπώς, με την ενίσχυση της πληροφόρησης των τραπεζών σχετικά με τη φερεγγυότητα της πελατείας τους και την υιοθέτηση αυστηρότερων κριτηρίων χορήγησης πιστωτικών καρτών, υπάρχουν σημαντικά περιθώρια για περαιτέρω βελτίωση στη διαχείριση του πιστωτικού κινδύνου. Παράλληλα, η πρόσβαση των τραπεζών σε ένα πιο επαρκές σύστημα πληροφοριών κρίνεται ότι θα οδηγήσουν σε 16

περιορισμό των επισφαλών απαιτήσεών τους και θα συμβάλουν σημαντικά στην περαιτέρω βελτίωση της σταθερότητας του χρηματοπιστωτικού συστήματος. 1.4 Το Πρόβλημα Μελέτης Οι τράπεζες, ανάλογα με την πιστοληπτική ικανότητα του πελάτη τους, του προσφέρουν ανά πάσα στιγμή πιστωτικές κάρτες με πιστωτικό όριο προσαρμοσμένο στις ανάγκες και τις οικονομικές του δυνατότητες, προκειμένου ο ίδιος να πραγματοποιεί τις όποιες αγορές καταναλωτικών αγαθών επιθυμεί. Η έγκαιρη και αξιόπιστη πρόβλεψη της πιστοληπτικής ικανότητας των πελατών για χορήγηση πιστωτικών καρτών μπορεί να αποδειχθεί εξαιρετικά χρήσιμη για τα χρηματοπιστωτικά ιδρύματα, ώστε να περιορίσουν τον πιστωτικό κίνδυνο. Το γεγονός αυτό θα έχει θετική επίδραση στα οικονομικά τους μεγέθη, αφού μπορεί να συμβάλλει σημαντικά στον περιορισμό των επισφαλών απαιτήσεών τους, στην μείωση του κόστους των κεφαλαίων και να θέσουν έτσι τη βάση για μια πιο αποτελεσματική τραπεζική διαμεσολάβηση και την υποστήριξη ενός υψηλότερου ρυθμού οικονομικής ανάπτυξης. Προκύπτει, δηλαδή, η ανάγκη μελέτης της δυνατότητας μιας έγκαιρης και αξιόπιστης πρόβλεψης πιθανής συμπεριφοράς ενός πελάτη προκειμένου να κρίνει το χρηματοπιστωτικό ίδρυμα αν θα πρέπει να εγκρίνει την χορήγηση πιστωτικής κάρτας στο συγκεκριμένο πελάτη. Η αντιμετώπιση του προβλήματος πρόβλεψης της συμπεριφοράς πελατών, μπορεί να αναχθεί σε πρόβλημα ταξινόμησης των πελατών σε δύο τάξεις: α) των πιθανά φερέγγυων (καλών) και β) των αφερέγγυων (κακών) πελατών. Τα προβλήματα ταξινόμησης παρουσιάζουν μεγάλο ερευνητικό ενδιαφέρον και συνήθως επιλύονται με τεχνικές εξόρυξης δεδομένων, όπου σκοπός είναι η αναγνώριση προτύπων από ένα σύνολο περιπτώσεων για τις οποίες υπάρχουν διαθέσιμα ιστορικά δεδομένα και είναι γνωστή η τελική τους κατάταξη σε μία εκ των εξ αρχής προσδιορισμένων διακριτών τάξεων. Στόχος, συνεπώς, είναι η δημιουργία ενός αξιόπιστου ταξινομητή, ώστε τα αποτελέσματα του να αξιοποιηθούν σε ένα σύστημα υποστήριξης αποφάσεων, το οποίο θα υποδεικνύει την κατάλληλη δράση, ώστε να επιτυγχάνεται τελικά η μείωση των περιπτώσεων επισφάλειας. 1.5 Μέτρηση Πιστωτικού Κινδύνου Οι χρηματοδοτήσεις, τραπεζικές ή εναλλακτικές, είναι άμεσα συνδεδεμένες με τον πιστωτικό κίνδυνο. Αποτέλεσμα του πιστωτικού κινδύνου ή της ζημίας από τον αναλαμβανόμενο πιστωτικό κίνδυνο, όπως συμβαίνει και με κάθε άλλον κίνδυνο είναι 17

η μεταβολή της καθαρής θέσης της τράπεζας ή της αξίας του χαρτοφυλακίου (Αγγελόπουλος, 2008). Τα συστήματα αξιολόγησης του πιστωτικού κινδύνου έχουν εξελιχθεί σημαντικά και εξελίσσονται συνέχεια με τη βοήθεια και των ιστορικών στοιχείων, αλλά το σημαντικότερο είναι η σωστή επικοινωνία με τον πελάτη κατά το αρχικό στάδιο της αξιολόγησης (ICAP, 2006). Το credit scoring, που αφορά τις πιστωτικές κάρτες, αλλά και γενικότερα την καταναλωτική πίστη, βασίζεται σε πληροφορίες οι οποίες εμπεριέχονται σε ξεχωριστές βάσεις δεδομένων για καταναλωτικά δάνεια και πιστωτικές κάρτες. Οι βάσεις αυτές έχουν δημιουργηθεί από τη γνώση της κάθε τράπεζας. Προς την ίδια κατεύθυνση χρησιμοποιούν τις αρνητικές πληροφορίες που έχει ο Τειρεσίας και οι οποίες σχετίζονται με το αν ο πελάτης κατά το παρελθόν είχε προβλήματα στην εκπλήρωση των υποχρεώσεών του (Παπαϊωάννου, 2004). Η ανάληψη του πιστωτικού κινδύνου από τις τράπεζες γίνεται έναντι κάποιας αμοιβής η οποία ενσωματώνεται στο επιτόκιο χρηματοδότησης, το οποίο εμπεριέχει και το premium (περιθώριο) του κινδύνου. Παράλληλα, ο αναλαμβανόμενος κίνδυνος συντελεί στη διαμόρφωση του ανοίγματος ανάμεσα στο επιτόκιο άντλησης κεφαλαίων (καταθέσεων) και στο επιτόκιο χρηματοδοτήσεων, αλλά και στο διαφορετικό ύψος των επιτοκίων χρηματοδοτήσεων αφού τα επιτόκια επηρεάζονται ευθέως από το ύψος του αναλαμβανόμενου κινδύνου. Σημαντικό επομένως θέμα αποτελεί η μέτρηση (ποσοτικοποίηση) του αναλαμβανόμενου πιστωτικού κινδύνου. Η μέτρηση του πιστωτικού κινδύνου, δηλαδή ο υπολογισμός της αναμενόμενης ζημίας από τις χρηματοδοτήσεις ή/και τις λοιπές τοποθετήσεις, όπως συμβαίνει με τη μέτρηση των λοιπών χρηματοοικονομικών κινδύνων, ακολουθεί συγκεκριμένα βήματα και συγκεκριμένες διαδικασίες και μεθόδους (Αγγελόπουλος, 2008). Αφετηρία για τη μέτρηση του πιστωτικού κινδύνου αποτελεί η αξιολόγηση και κατάταξη των πιστούχων (επιχειρήσεων, φυσικών προσώπων, κρατικών φορέων κ.λπ.) σε βαθμίδες πιστωτικού κινδύνου μιας, γνωστής εκ των προτέρων κλίμακας διαβαθμίσεων πιστωτικού κινδύνου. Ταυτόχρονη είναι και η κατάταξη σε βαθμίδες πιστωτικού κινδύνου των ανοιγμάτων της τράπεζας (χρηματοδοτήσεων, τοποθετήσεων σε μετοχές, σε ομόλογα, σε παράγωγα κ.ο.κ.). Οι βασικές μέθοδοι για την κατάταξη αυτή σε βαθμίδες πιστωτικού κινδύνου είναι δύο: 1)Η μέθοδος Credit Scoring για τις χρηματοδοτήσεις ιδιωτών, επαγγελματιών και μικρών επιχειρήσεων και, 2)Η μέθοδος Credit Rating για τις χρηματοδοτήσεις μεγάλων επιχειρήσεων ή για τις τοποθετήσεις σε τίτλους επιχειρήσεων. Η μέθοδος Credit Scoring είναι κατάλληλη για πιστούχους που χρησιμοποιούν μικρού ποσού τραπεζικά/χρηματοδοτικά προϊόντα τα οποία όμως συνολικά είναι μεγάλου πλήθους. Η τραπεζική αυτή είναι γνωστή ως λιανική τραπεζική. Η διαδικασία απαιτεί τη διαμόρφωση προγράμματος αξιολόγησης, που λειτουργεί σε ηλεκτρονική εφαρμογή, το οποίο, μετά τη εισαγωγή κάποιων στοιχείων από τον 18

αξιολογητή, καταλήγει αυτόματα σε βαθμολόγηση και κατάταξη του δανειζόμενου σε κατηγορία κινδύνου. Η τυποποίηση και αυτοματοποίηση αυτή προσφέρει το πλεονέκτημα της μείωσης του χρόνου αξιολόγησης και έγκρισης της χρηματοδότησης και κατά συνέπεια και του χρόνου αξιολόγησης. Εμπεριέχει όμως μεγάλη απόκλιση μεταξύ του αναμενόμενου και του πραγματικού πιστωτικού κινδύνου. Η μέθοδος Credit Scoring μπορεί να χαρακτηριστεί αντικειμενική μέθοδος, αφού το αποτέλεσμα προκύπτει από τα τυποποιημένα κριτήρια και την προκύπτουσα από αυτά βαθμολόγηση χωρίς την παρέμβαση κάποιου εξειδικευμένου στελέχους (Αγγελόπουλος, 2008). Γενικά το Credit Scoring δείχνει αν ο δανειζόμενος έχει δυσμενή στοιχεία, αν υπάρχει καταχώρηση για αυτόν στον Τειρεσία, αν έχει καθυστέρηση πληρωμών άνω των 60 ημερών κ.α. Επίσης γίνεται η συγκέντρωση των κινδύνων της οικονομικής μονάδας, δηλαδή αν έχει πάρει άλλα δάνεια, αν έχει κάρτες και τα ποσά αυτών. Ακόμα τα στοιχεία που συγκεντρώνουν περιλαμβάνουν: Αν υπάρχει κάποια αίτηση πτώχευσης γι αυτόν, αν υπάρχουν διαταγές πληρωμής στο όνομά του, ακίνητη ή κινητή περιουσία του ιδίου που έχει βγει σε πλειστηριασμό, προσημειώσεις ή υποθήκες ακινήτων, κατασχέσεις ή επιταγές για πληρωμή, ακάλυπτες επιταγές, απλήρωτες συναλλαγματικές και τέλος καταναλωτικά/προσωπικά δάνεια. Ο Πιστωτικός Κίνδυνος μπορεί να επηρεάσει δυσμενώς την Κεφαλαιακή Επάρκεια των Χρηματοπιστωτικών Οργανισμών, παρ όλες τις εγγυήσεις που λαμβάνουν για κάθε παρεχόμενο προϊόν χρηματοδότησης. Ο Πιστωτικός Κίνδυνος είναι αυξημένος στις περιπτώσεις αυτές, τόσο λόγω του πλήθους των παρεχόμενων υπηρεσιών και προϊόντων, όσο και της διαφορετικότητας των πελατών στους οποίους απευθύνονται οι οργανισμοί αυτοί. Για τους λόγους αυτούς, ειδικά για τους Τραπεζικούς Οργανισμούς, ο Πιστωτικός Κίνδυνος θα πρέπει να μετριέται με την μεγαλύτερη δυνατή ακρίβεια, έτσι ώστε η Τράπεζα να δεσμεύει τα λιγότερα δυνατά κεφάλαια για την κάλυψη τυχόν επισφαλειών. (http://dir.icap.gr). 1.6 Διαχείριση του Πιστωτικού Κινδύνου Η καταναλωτική πίστη τα τελευταία χρόνια είναι ένας από τους πιο κερδοφόρους τραπεζικούς τομείς. Προκειμένου να εξυπηρετηθούν οι καταναλωτικές συνήθειες του μέσου ανθρώπου, συχνά τον οδηγούν σε συμφωνία για την αγορά κάποιου πιστωτικού προϊόντος από ένα Τραπεζικό Οργανισμό. Το προϊόν αυτό χαρακτηρίζεται από μια μικρού χρονικού διαστήματος σχέση μεταξύ πελάτη και Τράπεζας σε αντίθεση με άλλα τραπεζικά προϊόντα. Ο ανταγωνισμός των Τραπεζικών Οργανισμών δημιουργεί όλο και περισσότερα προϊόντα καταναλωτικής πίστης, τα οποία φαίνονται να είναι σε όφελος του πελάτη. Το χαρακτηριστικό των προϊόντων αυτών είναι τα υψηλά κέρδη αλλά και η υψηλή επικινδυνότητα. Για το λόγο αυτό η Τράπεζα πρέπει να διαχειρίζεται σωστά τους 19

κινδύνους, ώστε να αποτελέσουν πηγή εσόδων και να αποφύγει τις ζημίες. Άλλωστε, απώτερος σκοπός μιας Τράπεζας είναι η μεγιστοποίηση του κέρδους της. Η τράπεζα έχει την δυνατότητα με τη χρήση μοντέλων βαθμολόγησης πιστοληπτικής ικανότητας να μετρήσει τον κίνδυνο που υπάρχει με την έγκριση του δανείου ή πιστωτικής κάρτας. Κάθε τράπεζα εγκρίνει ή απορρίπτει ένα δάνειο ή μία πιστωτική κάρτα στην περίπτωση μας, σύμφωνα με το μέγεθος του κινδύνου που θέλει και μπορεί να αναλάβει. Τρείς είναι οι βασικές ενέργειες κατά τις οποίες εντοπίζεται ο πιστωτικός κίνδυνος: η αξιολόγηση των αιτήσεων για να σιγουρευτεί ο τραπεζικός οργανισμός αν ο δανειολήπτης έχει την κατάλληλη πιστοληπτική ικανότητα ή όχι, η επιλογή των ατόμων βάσει κριτηρίων που θα επιτρέπουν σωστή διαχείριση του κινδύνου, αυξήσεις πιστωτικών ορίων και ανανεώσεις πιστωτικών καρτών(αδρακτάς, Αναγνωστόπουλος, 2004). 1.7 Μοντέλα Πιστωτικού Κινδύνου Αναφέρουμε τα κυριότερα μοντέλα για τη βαθμολόγηση της πιστοληπτικής ικανότητας των δανειοληπτών που χρησιμοποιούνται σε εγχώριο επίπεδο και είναι τα εξής: Μοντέλα βαθμολόγησης πιστοληπτικής ικανότητας, βάσει στοιχείων (application credit scoring models), τα εν λόγω μοντέλα χρησιμοποιούνται προκειμένου να εκτιμηθεί η επιθυμία αποπληρωμής (willingness to pay). Στηρίζονται σε στατιστικά μοντέλα, τα οποία συσχετίζουν στοιχεία με την παρατηρούμενη συμπεριφορά αποπληρωμών. Χρησιμοποιούνται κυρίως για νέους δανειολήπτες, όταν δεν υπάρχουν άλλα στοιχεία για να εκτιμηθεί η πιστοληπτική ικανότητα του αιτούντος. Ονομάζονται και αλλιώς παραμετρικές τεχνικές, οι οποίες περιλαμβάνουν στατιστικές και οικονομετρικές μεθόδους και αποτελούν τον «παραδοσιακό» τρόπο αντιμετώπισης του προβλήματος. Τέτοια μοντέλα, σύμφωνα με τους ερευνητές (Ζοπουνίδης, Λεμονάκης, 2009) είναι: 1)Τα μοντέλα γραμμικής πιθανότητας: Τέτοιου τύπου μοντέλα χρησιμοποιούν δεδομένα πιστοληπτικής συμπεριφοράς παλαιοτέρων δανείων ιδιωτών για να ερμηνεύσουν τη συνέπεια και τη συμπεριφορά του πιστούχου. Τα συγκεκριμένα μοντέλα έχουν σαν κύρια ιδέα το διαχωρισμό των παλαιών δανείων που παρουσίαζαν επισφάλειες (Zi=1) και εκείνα που εξυπηρετήθηκαν κανονικά (Ζi =0). Το μοντέλο γραμμικής παλινδρόμησης μας δίνει την εξής συνάρτηση: Z = α1x1 + α2x2 +. + αnxn Όπου Ζ = μια διακριτή μεταβλητή που παίρνει τιμές 1, όταν ο πιστούχους αθετεί τις υποχρεώσεις του και 0, όταν ο πιστούχος ανταποκρίνεται στης υποχρεώσεις του. 20

Το α είναι οι προκαθορισμένοι συντελεστές βαρύτητας και το χ οι χρηματοοικονομικοί δείκτες που επιλέχθηκαν. 2)Το μοντέλο LOGIT: είναι μοντέλο που περιορίζει το εκτιμώμενο διάστημα της πιθανότητας ασυνέπειας να κυμαίνεται από 0 μέχρι 1. Εδώ χρησιμοποιείται η λογαριθμική κατανομή και η λογιστική εκτίμηση υποθέτει ότι η πιθανότητα ασυνέπειας καθορίζεται από την συνάρτηση: F(Ζ) = 1 / (1 e Z) όπου Ζ = το Ζ-score του πιστούχου και e η βάση του Νεπερίου λογαρίθμου. Όταν το F(Z) παίρνει ψηλές τιμές τότε τείνει στο 1 και όταν το F(Z) παίρνει χαμηλές τιμές τότε τείνει στο 0. 3)Το μοντέλο PROBIT: είναι η εναλλακτική προσέγγιση στο μοντέλο LOGIT και χρησιμοποιεί την αθροιστική κανονική κατανομή για τη σχέση F(Z). Έχει ως μέσο το 0 και μοναδιαία διακύμανση. Κι εδώ το οριακό αποτέλεσμα για κάθε μεταβλητή δεν είναι σταθερό. Εξαρτάται από την αξία του F(Z), το οποίο εξαρτάται από τις τιμές των επεξηγηματικών μεταβλητών. Έχει παρόμοια αποτελέσματα με την LOGIT, όμως τα άκρα τους είναι διαφορετικά όταν το δείγμα δεν είναι ισοσκελισμένο. 4)Το μοντέλο διακριτικής ανάλυσης (Discriminant Analysis): είναι τεχνική ταξινόμησης των πιστούχων σε δύο κατηγορίες, ανάλογα με τα χαρακτηριστικά κάθε κατηγορίας (π.χ. σε επισφαλείς και μη επισφαλείς δανειολήπτες). Ο κανόνας που θέλουμε να προσδιοριστεί από το δείγμα μας είναι εκείνος που θα προσδίδει τη μεγαλύτερη δυνατή διάκριση σε νέα δείγματα. Η μεγιστοποίηση των διακυμάνσεων μεταξύ των δύο κατηγοριών και ταυτόχρονα η ελαχιστοποίηση των διακυμάνσεων μέσα σε κάθε κατηγορία ξεχωριστά είναι κριτήριο εκτίμησης. Αφού υπολογιστεί το Z-score όλων των πιστούχων, κατατάσσονται με αύξουσα σειρά και επιλέγεται το σημείο διαχωρισμού (cut-off point), το οποίο διακρίνει καλύτερα τις δύο κατηγορίες, συνήθως το μέσο Ζ των μέσων Z-scores της κάθε κατηγορίας. Για κάθε νέο πιστούχο υπολογίζεται το Z-score και ανάλογα ταξινομείται στην κατάλληλη κατηγορία. Ονομαστικά αναφέρουμε τα κυριότερα μοντέλα για τη βαθμολόγηση της πιστοληπτικής ικανότητας των δανειοληπτών που χρησιμοποιούνται σε διεθνές επίπεδο και είναι τα εξής έξι (Ζοπουνίδης, Λεμονάκης, 2009): Α. το μοντέλο του Merton Β. Moodys KMV MODEL Γ. Μοντέλα πιστωτικής διαβάθμισης Δ. Μαρκοβιανά μοντέλα Ε. Credit Metrics Στ. Μοντέλα πυκνότητας Μοντέλα βαθμολόγησης συμπεριφοράς (behavior scoring models): Είναι αρκετά ισχυρά εργαλεία εκτίμησης του πιστωτικού κινδύνου και η κατασκευή τους στηρίζεται σε στατιστικά μοντέλα, τα οποία συσχετίζουν στοιχεία συμπεριφοράς ή άλλων 21

στατιστικών στοιχείων του πελάτη (π.χ. χρόνος παρουσίας στο χαρτοφυλάκιο, τρόπος χρήσης της κάρτας κ.λπ.) με το υπό μελέτη χαρακτηριστικό που επιθυμούμαι να προβλέψουμε (π.χ. την πιθανότητα αποχώρησης από το χαρτοφυλάκιο ή την πιθανότητα αθέτησης μιας πληρωμής τους επόμενους 6 μήνες). Τα εν λόγω μοντέλα χρησιμοποιούνται για την εκτίμηση της πιστοληπτικής ικανότητας υφιστάμενων πελατών. Τα μοντέλα αυτά με ακρίβεια προβλέπουν τη μελλοντική συμπεριφορά ενός πελάτη ή μιας ομάδας πελατών (σε ένα δεδομένο χρονικό διάστημα). Η διαδικασία αυτή δίνει τη δυνατότητα στους τραπεζικούς οργανισμούς να κατατάσσουν σε διάφορες κατηγορίες (segments) τους πελάτες τους. Η σημασία των μοντέλων αυτών είναι τεράστια για τα σημερινά τραπεζικά στελέχη που καλούνται να παρακολουθούν το βαθμό έκθεσης του χαρτοφυλακίου τους στον πιστωτικό κίνδυνο, αλλά και να διαχειρίζονται τα κεφάλαια που αναλογούν στον προϋπολογισμό του τμήματός τους με το βέλτιστο δυνατό τρόπο. Στα πλεονεκτήματα των μεθόδων αυτών συγκαταλέγονται: η ταχύτητα, οι αποφάσεις απαιτούν ελάχιστους χρόνους η αμεροληψία, τα ίδια κριτήρια εφαρμόζονται για όλους τους δανειολήπτες η συνέπεια, η σχετική βαρύτητα των κριτηρίων παραμένει σταθερή ο άμεσος έλεγχος της πιστοδοτικής πολιτικής ο περιορισμός των κινδύνων. Η ισχύς των μεθοδολογιών αυτών μπορεί να επηρεαστεί αρνητικά από την κακή ποιότητα των δεδομένων, καθώς και από τη μεροληψία δειγματοληψίας. Με τη σταδιακή μείωση των περιθωρίων κέρδους γίνεται πιο επιτακτική η ανάγκη για την πλήρη αξιοποίηση των credit & behavioural scoring μεθοδολογιών που θα συντελέσουν στην ορθολογική ανάπτυξη των δανειακών χαρτοφυλακίων των τραπεζικών ιδρυμάτων. Η παρακολούθηση των πιστωτικών κινδύνων εκτείνεται σε όλα τα στάδια της πιστωτικής πολιτικής μιας τράπεζας, από την προσέλκυση πελατών έως και την ανάκτηση απαιτήσεων σε οριστική καθυστέρηση. Επομένως, βρίσκεται σε άμεση συνάρτηση με τμήματα των τραπεζικών ιδρυμάτων, όπως αυτά του Marketing, της εξυπηρέτησης πελατών, της είσπραξης καθυστερημένων απαιτήσεων. Κρίσιμο σημείο στη διαχείριση των πιστωτικών κινδύνων και γενικότερα στις εργασίες της καταναλωτικής πίστης αποτελεί η ύπαρξη οργανωμένων πελατοκεντρικών βάσεων δεδομένων, που θα είναι σε θέση να υποστηρίξουν τις όποιες αποφάσεις. Εσωτερικό σύστημα διαβαθμίσεως πελατών (grading system) Το σύστημα αυτό με τη βοήθεια συγκεκριμένων κριτήριων κατατάσσει τους πελάτες σε συγκεκριμένες κατηγορίες επικινδυνότητας. 22

Αναζήτηση οικονομικών στοιχείων του αιτούντα από βάσεις δεδομένων. Με αυτόν τον τρόπο μπορεί κάθε τραπεζικός οργανισμός να ξέρει τη θέση του πελάτη του στην αγορά τη συγκεκριμένη στιγμή, καθώς και τα τυχόν δυσμενή οικονομικά του στοιχεία. Άλλοι τρόποι, ώστε να μπορέσει ο τραπεζικός οργανισμός να μειώσει τον πιστωτικό κίνδυνο, είναι η εξασφάλιση του δανείου είτε με τη λήψη εγγυητή είτε με προκαταβολή, αφού βέβαια υποβληθεί η αίτηση του πελάτη (Αδρακτάς, Αναγνωστόπουλος, 2004). ΚΕΦΑΛΑΙΟ 2 Ο : ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ 2.1 Τεχνητή Νοημοσύνη Ο όρος τεχνητή νοημοσύνη (ΤΝ, εκ του Artificial Intelligence) αναφέρεται στον κλάδο της επιστήμης υπολογιστών ο οποίος ασχολείται με τη σχεδίαση και την υλοποίηση υπολογιστικών συστημάτων που μιμούνται στοιχεία της ανθρώπινης συμπεριφοράς τα οποία υπονοούν έστω και στοιχειώδη ευφυΐα: μάθηση, προσαρμοστικότητα, εξαγωγή συμπερασμάτων, κατανόηση από συμφραζόμενα, επίλυση προβλημάτων κλπ. Ο Τζον Μακάρθι όρισε τον τομέα αυτόν ως «επιστήμη και μεθοδολογία της δημιουργίας νοούντων μηχανών». Η ΤΝ αποτελεί σημείο τομής μεταξύ πολλών πεδίων όπως της επιστήμης υπολογιστών, της ψυχολογίας, της φιλοσοφίας, της νευρολογίας, της γλωσσολογίας και της επιστήμης μηχανικών, με στόχο τη σύνθεση ευφυούς συμπεριφοράς, με στοιχεία συλλογιστικής, μάθησης και προσαρμογής στο περιβάλλον, ενώ συνήθως εφαρμόζεται σε μηχανές ή υπολογιστές ειδικής κατασκευής. Διαιρείται στη συμβολική τεχνητή νοημοσύνη, η οποία επιχειρεί να εξομοιώσει την ανθρώπινη νοημοσύνη αλγοριθμικά χρησιμοποιώντας σύμβολα και λογικούς κανόνες υψηλού επιπέδου, και στην υποσυμβολική τεχνητή νοημοσύνη, η οποία προσπαθεί να αναπαράγει την ανθρώπινη ευφυΐα χρησιμοποιώντας στοιχειώδη αριθμητικά μοντέλα που συνθέτουν επαγωγικά νοήμονες συμπεριφορές με τη διαδοχική αυτοοργάνωση απλούστερων δομικών συστατικών («συμπεριφορική τεχνητή νοημοσύνη»), προσομοιώνουν πραγματικές βιολογικές διαδικασίες όπως η εξέλιξη των ειδών και η λειτουργία του εγκεφάλου («υπολογιστική νοημοσύνη»), ή αποτελούν εφαρμογή στατιστικών μεθοδολογιών σε προβλήματα ΤΝ( Βικιπαίδεια, - Eλεύθερη εγκυκλοπαίδεια). Οι περιοχές έρευνας της ΤΝ που συγκεντρώνουν το μεγαλύτερο ενδιαφέρον σήμερα είναι οι εξής: 1. Νευρωνικά Δίκτυα (Neural Networks) 2. Γενετικοί Αλγόριθμοι (Genetic Algorithms) 3. Γενετικός Προγραμματισμός (Genetic Programming) 4. Έμπειρα Συστήματα (Expert Systems) 5. Ασαφή Συστήματα (Fuzzy Systems) 6. Δένδρα Αποφάσεων (Decision Trees) 23

2.1.1. Νευρωνικά Δίκτυα (ΝΔ) Τα Νευρωνικά Δίκτυα (Γιαλκέτση, 2005) είναι ένας κλάδος της τεχνητής νοημοσύνης και αποτελούν μια επιστημονική προσπάθεια μοντελοποίησης της λειτουργίας των νευρώνων του ανθρώπινου εγκεφάλου. Έχουν την ικανότητα να εκτελούν υπολογισμούς με μαζικό παράλληλο τρόπο και η αρχιτεκτονική τους βασίζεται στην αρχιτεκτονική των Βιολογικών Νευρωνικών Δικτύων καθώς χρησιμοποιούν δομές και διαδικασίες που μιμούνται τις αντίστοιχες του ανθρώπινου εγκέφαλου. Υπάρχουν και τα Τεχνητά Νευρωνικά Δίκτυα(Γιαλκέτση, 2005) τα οποία είναι μοντέλα επεξεργασίας πληροφοριών και δεδομένων, που αποτελούνται από ένα πλήθος τεχνητών νευρώνων οργανωμένων σε δομές παρόμοιες με αυτές του ανθρώπινου εγκεφάλου. Επίσης, τα μοντέλα των ΤΝΔ είναι αλγόριθμοι γνωστικών διαδικασιών, όπως η μάθηση και η βελτιστοποίηση, τα οποία βασίζονται σε έννοιες οι οποίες προέρχονται από την έρευνα της φύσης του ανθρώπινου εγκεφάλου. Τα Τεχνητά Νευρωνικά Δίκτυα χωρίζονται σε τρία είδη μάθησης: Μάθηση με επίβλεψη (supervised learning), κατά την οποία τα ΤΝΔ εκπαιδεύονται με συγκεκριμένες εισόδους και επιθυμητές εξόδους οι οποίες, ταιριάζουν με τις εισόδους. Αυτά τα ζεύγη εισόδων-εξόδων δίνονται από τον άνθρωπο ή από το σύστημα το οποίο περιέχει το Τεχνητό Νευρωνικό Δίκτυο. Βαθμολογημένη μάθηση (graded learning), όπου η έξοδος χαρακτηρίζεται ως «καλή» ή «κακή» με βάση μια αριθμητική κλίμακα και τα βάρη αναπροσαρμόζονται με βάση αυτό τον χαρακτηρισμό. Μάθηση χωρίς επίβλεψη (unsupervised learning), όπου μια μονάδα εξόδου εκπαιδεύεται να ανταποκρίνεται σε ομάδες προτύπων που υπάρχουν στην είσοδο. Αντίθετα από την επιβλεπόμενη εκμάθηση, εδώ δεν υπάρχουν εκ των προτέρων καθορισμένα σύνολα κατηγοριών στα οποία θα ταξινομηθούν τα πρότυπα. Εδώ το σύστημα πρέπει να αναπτύξει την δικιά του αναπαράσταση των ερεθισμάτων εισόδου. Τέλος τα ΤΝΔ μπορούν ακόμη να εκτελέσουν και τη λειτουργία της ανάκλησης η οποία είναι η διαδικασία υπολογισμού ενός διανύσματος εξόδου για συγκεκριμένο διάνυσμα εισόδου και τιμές βαρών. Πλεονεκτήματα των ΤΝΔ: έχουν την ικανότητα να παράγουν αποτελέσματα από πολύπλοκα ή ημιακριβή δεδομένα, μπορούν να χρησιμοποιηθούν για να εξάγουν πρότυπα και να ανιχνεύσουν τάσεις που είναι αρκετά περίπλοκες για να προβλεφθούν είτε με άλλες υπολογιστικές τεχνικές είτε από την ανθρώπινη παρατήρηση και εμπειρία, έχουν την δυνατότητα της προσαρμοσμένης μάθησης μπορούν δηλαδή να μαθαίνουν πώς να εκτελούν εργασίες βασιζόμενα πάνω σε δεδομένα που έχουν δοθεί για την εκπαίδευσή τους ή από αρχική εμπειρία, έχουν την δυνατότητα της αυτοοργάνωσης μπορούν να δημιουργήσουν την δική τους οργάνωση ή αναπαράσταση των πληροφοριών που λαμβάνουν κατά τη διάρκεια του χρόνου εκπαίδευσης, 24