МОСКОВСКИЙ  ГОСУДАРСТВЕННЫЙ  УНВЕСИТЕТ ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ 
 
 
 

КОНТРОЛЬНАЯ РАБОТА 
 

По дисциплине «Риск-менеджмент»

На тему: Метод  дерева решений в управлении рисками на примере ОАО «Банк ВТБ-24» 
 

                                                                                                      Выполнила: 

                                                                                                Студентка группы:

                                                                               ЗНМ-501 

                                                                                        Михнюк Ю.В.

                                                                                            Преподаватель :

                                                                                         Бочаров С.А.

Москва, 2012г.

     Содержание 

      Введение

     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.

     Актуальность  темы исследования определяется тем, что метод дерева решений имеет большое значение для разработки эффективных управленческих решений. Метод деревьев решений является одним из наиболее популярных методов, используемых на этапе выбора альтернатив.

     Управленческое решение занимает центральное место в процессе управления. Теория принятия решения как самостоятельное научное направление берет свое начало с работ американских ученых Дж. фон Неймана и О. Моргенштерна. Эти авторы издали в 1944 году небольшую книгу, посвященную разработанной ими теории игр и теории полезности, предложив тем самым первые формализованные модели действия человека в процессе принятия решений.

     Первые  идеи создания деревьев решений восходят к работам Ховленда и Ханта  конца 50-х годов XX века. Однако, основополагающей работой, давшей импульс для развития этого направления, явилась книга Ханта, Мэрина и Стоуна "Experiments in Induction", увидевшая свет в 1966г.

     Сущность  метода, а также принципы и особенности построения дерева решений исследуются в работах М.Мескона, М.Альберта, Ф Хедоури, М. Эддоуса, Р.Стэнсфилда, А.Кабушкина, Н. Елмановой и др.

     Объектом  исследования служит метод дерева решений как процесс выбора альтернативного решения.

     Предметом исследования являются теоретические  и методологические аспекты применения метода дерева решений для достижения целей организации.

     1 Применение метода дерева решений для принятия решений

     1.1 Области применения деревьев решений

     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 областях:

• Банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.
• Промышленность. Контроль за качеством продукции (выявление дефектов), испытания без разрушений (например проверка качества сварки) и т.д.
• Медицина. Диагностика различных заболеваний.
• Молекулярная биология. Анализ строения аминокислот.

     Это далеко не полный список областей, где  можно использовать деревья решений. Не исследованы еще многие потенциальные  области применения.

2.  Дерево решений

     Одним из популярных методов принятия решений являются деревья решений. С помощью этого метода можно принимать решения:

• по социальным и макроэкономическим вопросам;
• по развитию фирмы или в банковской сфере.
• Деревья решений используются также для диагностики в медицине, экономике и бизнесе.

     Основное  отличие деревьев решений от методов  распознавания образов и моделирования  состоит в том, что проводимое исследование основывается на логических рассуждениях, а не на вычислениях. Деревья решений – это один из методов построения экспертных систем на основе правил вывода. Такие системы называются системами прямого логического вывода, так как мы начинаем с фактов, в результате приходим к тому или иному выводу

     Дерево  решений – популярный метод науки управления, используемый для выбора наилучшего направления действий из имеющихся вариантов. "Дерево решений – это схематичное представление проблемы принятия решений". Как и платежная матрица, дерево решений дает руководителю возможность "учесть различные направления действий, соотнести с ними финансовые результаты, скорректировать их в соответствии с приписанной им вероятностью, а затем сравнить альтернативы". Концепция ожидаемого значения является неотъемлемой частью метода дерева решений¹.

     В общем виде дерево решений представлено на рис. 1.

     Рис.1 Дерево решений 

     Методом дерева решений можно пользоваться в ситуациях, подобных описанной  выше, в связи с рассмотрением  платежной матрицы. В этом случае предполагается, что данные о результатах, вероятности и т.п. не влияют на все  последующие решения. Однако дерево решений можно построить под более сложную ситуацию, когда результаты одного решения влияют на последующие решения. Таким образом, дерево решений – это полезный инструмент для принятия последовательных решений.

     На  рис. 1 проиллюстрировано применение метода дерева решений для разрешения проблемы, требующей определенной последовательности решений. Вице-президент по производству из компании, выпускающей электрические газонокосилки, считает, что расширяется рынок ручных косилок. Он должен решить, стоит ли переходить на производство ручных косилок, и если сделать это, – стоит или не стоит продолжать выпуск электрических газонокосилок. Производство косилок обоих типов потребует увеличения производственных мощностей. До принятия решения руководитель собрал релевантную информацию об ожидаемых выигрышах в случае тех или иных вариантов действий и о вероятности соответствующих событий. Эта информация представлена на дереве решений².

     Прогнозы  полезны для планирования и осуществления  деловых операции только в том случае, если компоненты прогноза тщательно продуманы, а ограничения, содержащиеся в прогнозе, откровенно названы. Существует несколько способов сделать это:

     Спросите  себя, для чего нужен прогноз, какие  решения будут на нем основаны. Этим определяется потребная точность прогноза. Некоторые решения принимать опасно, даже если возможная погрешность прогноза – менее 10%. Другие решения можно принимать безбоязненно даже при значительно более высокой допустимой ошибке.

     Определите  изменения, которые должны произойти, чтобы прогноз оказался достоверным. Затем с осмотрительностью оцените вероятность соответствующих событий.

     Определите  компоненты прогноза. Подумайте об источниках данных.

     Определите, насколько ценен опыт прошлого в  составлении прогноза. Не настолько ли быстры изменения, что основанный на опыте прогноз будет бесполезным? Дают ли данные по подобным продуктам (или вариантам развития) основания для составления прогноза о судьбе вашего продукта? Насколько просто или недорого можно будет получить надежную информацию об опыте прошлого?

     Определите, насколько структурированным должен быть прогноз. При прогнозировании  сбыта может быть целесообразно  выделить отдельные части рынка (развивающиеся потребители, стабильные потребители, крупные и мелкие потребители, вероятность появления новых потребителей и т.п.).

     Используя дерево решений, руководитель находит  путем возврата от второй точки к  началу наиболее предпочтительное решение  – наращивание производственных мощностей под выпуск косилок обоих типов. Это обусловлено ожидаемым выигрышем (3 млн. долл.), который превышает выигрыш (1 млн. долл.) при отказе от такого наращивания, если в точке А будет низкий спрос на электрические косилки.

     Руководитель  продолжает двигаться назад к  текущему моменту (первой точке принятия решений) и рассчитывает ожидаемые значения в случаях альтернативных действий – производства только электрических или только ручных косилок. Ожидаемое значение для варианта производства только электрических косилок составляет 6,5 млн. долл. (0,7 х 8 млн. долл. + 0,3 х 3 млн. долл.). Подобным образом рассчитывается ожидаемое значение для варианта выпуска только ручных косилок, которое равно всего 4,4 млн. долл. Таким образом, наращивание производственных мощностей под выпуск косилок обоих типов является наиболее желательным решением, поскольку ожидаемый выигрыш здесь наибольший, если события пойдут, как предполагается.³

     Дерево  решений позволяет представить  проблему схематично и сравнить возможные  альтернативы визуально. Этот метод  можно использовать в применении к сложным ситуациям, когда результат принимаемого решения влияет на последующие.

      1.3 Порядок построения дерева решений

     В наиболее простом виде дерево решений  – это способ представления правил в иерархической, последовательной структуре. Основа такой структуры – ответы "Да" или "Нет" на ряд вопросов.

     На  рис. 2 приведен классический пример дерева решений, задача которого – ответить на вопрос: "Играть ли в гольф?"⁴ Чтобы решить задачу, т.е. принять решение, играть ли в гольф, следует отнести текущую ситуацию к одному из известных классов (в данном случае – "играть" или "не играть"). Для этого требуется ответить на ряд вопросов, которые находятся в узлах этого дерева, начиная с его корня.

     Первый  узел нашего дерева "Солнечно?" является узлом проверки, т.е. условием. При положительном ответе на вопрос осуществляется переход к левой части дерева, называемой левой ветвью, при отрицательном – к правой части дерева. Таким образом, внутренний узел дерева является узлом проверки определенного условия. Далее идет следующий вопрос и т.д., пока не будет достигнут конечный узел дерева, являющийся узлом решения. Для нашего дерева существует два типа конечного узла: "играть" и "не играть" в гольф.

     В результате прохождения от корня  дерева (иногда называемого корневой вершиной) до его вершины решается задача классификации, т.е. выбирается один из классов – "играть" и "не играть" в гольф.

     Целью построения дерева решения в нашем случае является определение значения категориальной зависимой переменной.

     Итак, основными элементами дерева решений  являются:

     Корень  дерева: "Солнечно?" 

     Рис.2.  Дерево решений "Играть ли в гольф?" 

     Внутренний  узел дерева или узел проверки: "Температура воздуха высокая?", "Идет ли дождь?"

     Лист, конечный узел дерева, узел решения  или вершина: "Играть", "Не играть"

     Ветвь дерева (случаи ответа): "Да", "Нет".

     В рассмотренном примере решается задача бинарной классификации, т.е. создается дихотомическая классификационная модель. Пример демонстрирует работу так называемых бинарных деревьев.

     В узлах бинарных деревьев ветвление  может вестись только в двух направлениях, т.е. существует возможность только двух ответов на поставленный вопрос ("да" и "нет").

     Бинарные  деревья являются самым простым, частным случаем деревьев решений. В остальных случаях, ответов  и, соответственно, ветвей дерева, выходящих  из его внутреннего узла, может  быть больше двух.

     Рассмотрим  более сложный пример. База данных, на основе которой должно осуществляться прогнозирование, содержит следующие ретроспективные данные о клиентах банка, являющиеся ее атрибутами: возраст, наличие недвижимости, образование, среднемесячный доход, вернул ли клиент вовремя кредит. Задача состоит в том, чтобы на основании перечисленных выше данных (кроме последнего атрибута) определить, стоит ли выдавать кредит новому клиенту.

     Как мы уже рассматривали в лекции, посвященной задаче классификации, такая задача решается в два этапа: построение классификационной модели и ее использование.

     На  этапе построения модели, собственно, и строится дерево классификации  или создается набор неких  правил. На этапе использования модели построенное дерево, или путь от его корня к одной из вершин, являющийся набором правил для конкретного клиента, используется для ответа на поставленный вопрос "Выдавать ли кредит?"

     Правилом  является логическая конструкция, представленная в виде "если : то :"

     На  рис. 3. приведен пример дерева классификации, с помощью которого решается задача "Выдавать ли кредит клиенту?". Она является типичной задачей классификации, и при помощи деревьев решений получают достаточно хорошие варианты ее решения.

     Как видно из рисунка, внутренние узлы дерева (возраст, наличие недвижимости, доход  и образование) являются атрибутами описанной выше базы данных. Эти атрибуты называют прогнозирующими, или атрибутами расщепления. Конечные узлы дерева, или листы, именуются метками класса, являющимися значениями зависимой категориальной переменной "выдавать" или "не выдавать" кредит.

     Каждая  ветвь дерева, идущая от внутреннего  узла, отмечена предикатом расщепления. Последний может относиться лишь к одному атрибуту расщепления данного  узла. Характерная особенность предикатов расщепления: каждая запись использует уникальный путь от корня дерева только к одному узлу-решению. Объединенная информация об атрибутах расщепления и предикатах расщепления в узле называется критерием расщепления.

     На  рис3. изображено одно из возможных  деревьев решений для рассматриваемой  базы данных. Например, критерий расщепления "Какое образование?", мог бы иметь два предиката расщепления и выглядеть иначе: образование "высшее" и "не высшее". Тогда дерево решений имело бы другой вид.

     Таким образом, для данной задачи (как и  для любой другой) может быть построено множество деревьев решений различного качества, с различной прогнозирующей точностью. 

     Рис. 3 Дерево решений "Выдавать ли кредит?" 

     Качество  построенного дерева решения весьма зависит от правильного выбора критерия расщепления. Над разработкой и усовершенствованием критериев работают многие исследователи.

     Метод деревьев решений часто называют "наивным" подходом. Но благодаря целому ряду преимуществ, данный метод является одним из наиболее популярных для решения задач классификации.

     1.4 Преимущества деревьев решений

     Рассмотрев  основные проблемы, возникающие при  построении деревьев, было бы несправедливо  не упомянуть об их достоинствах:

• быстрый процесс обучения;
• генерация правил в областях, где эксперту трудно формализовать свои знания;
• извлечение правил на естественном языке;
• интуитивно понятная классификационная модель;
• высокая точность прогноза, сопоставимая с другими методами (статистика, нейронные сети);
• построение непараметрических моделей.

     В силу этих и многих других причин, методология деревьев решений является важным инструментом в работе каждого специалиста, занимающегося анализом данных, вне зависимости от того практик он или теоретик.

     2. Применение дерева решений для снижения кредитного риска на примере Банка ВТБ-24

     2.1 Характеристика ОАО "Банка ВТБ-24"

     Банк  ВТБ24 — один из крупнейших участников российского рынка банковских услуг. Входит в международную финансовую группу ВТБ и специализируется на обслуживании физических лиц, индивидуальных предпринимателей и предприятий малого бизнеса.

     Сеть  банка формируют более 600 офисов в 69 регионах страны. Банк предлагает клиентам основные банковские продукты, принятые в международной финансовой практике.

     В числе предоставляемых услуг: выпуск банковских карт, ипотечное и потребительское кредитование, автокредитование, услуги дистанционного управления счетами, кредитные карты с льготным периодом, срочные вклады, аренда сейфовых ячеек, денежные переводы. Часть услуг доступна клиентам в круглосуточном режиме, для чего используются современные телекоммуникационные технологии.

     Основным  акционером ВТБ24 является ОАО Банк ВТБ (98,92% акций). Уставный капитал ВТБ24 составляет 50,7 млрд рублей, размер собственных  средств (капитала) — 116,2 млрд рублей.

     Деятельность  ВТБ24 осуществляется в соответствии с генеральной лицензией Банка России № 1623 от 13.07.2000 г.​

     2.2 Анализ кредитоспособности  клиента при помощи методики  дерева решений

     Схему дерева решений используют, когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего или исходов испытаний.

     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".

     Рассмотрим  возможность применения метода для  оценки кредитоспособности клиента  N. Для финансирования проекта клиенту нужно занять сроком на один год 15000 руб. Банк может одолжить ему эти деньги под 15% годовых или вложить в дело со 100%-ным возвратом суммы, но под 9% годовых. Из прошлого опыта банкиру известно, что 4% таких клиентов ссуду не возвращают. Что делать? Давать ему заем или нет? Перед вами пример задачи с одним решением, поэтому можно воспользоваться как таблицей доходов, так и "деревом". Рассмотрим оба варианта.

     Решение 1 (по таблице доходов).

     Максимизируем ожидаемый в конце года чистый доход, который представляет собой  разность суммы, полученной в конце  года, и инвестированной в его  начале. Таким образом, если заем был  выдан и возвращен, то чистый доход составит:

     Чистый  доход = ((15000 + 15% от 15000) – 15000) = 2250 руб. 

     Таблица 1. Чистый доход в конце года, руб.

     Если  банк решает выдать заем, то максимальный ожидаемый чистый доход равен 1560 руб.

     Решение 2 (по "дереву" решений) (рис.4).

     В данном случае также используем критерий максимизации ожидаемого чистого дохода на конец года.

     Рис. 4. "Дерево" решений для примера 1.

     Далее расчет ведется аналогично расчетам по таблице доходов. Ожидаемый чистый доход в кружках А и В  вычисляется следующим образом:

     В кружке А:

     Е (давать заем) = {17250 · 0,96 + 0 · 0,04} – 15000 == 16500 – 15000 = 1560 руб.

     В кружке Б:

     Е (не давать заем) = {16350 · 1,0 – 15000} = 1350 руб.

     Поскольку ожидаемый чистый доход больше в  кружке А, то принимаем решение выдать заем.

     Мы  рассмотрели простой пример, но применение метода дерева решений возможно и в более сложных случаях, когда необходимо учесть большее число параметров для принятия решения.

     Заключение

     Дерево  решений – способ отображения  информации, имеющих много различных  уровней и связей. Обычно представляет построенную по иерархическому принципу: главная цель или вершина дерева целей → подчиненные ей подцели первого, второго и последующих уровней (ветви дерева).

     Дерево  решений – популярный метод науки  управления, используемый для выбора наилучшего направления действий из имеющихся вариантов.

     Дерево  решений позволяет представить  проблему схематично и сравнить возможные  альтернативы визуально. Этот метод  можно использовать в применении к сложным ситуациям, когда результат  принимаемого решения влияет на последующие.

     Качество  работы рассмотренного метода деревьев решений зависит как от выбора алгоритма, так и от набора исследуемых  данных. Несмотря на все преимущества данного метода, следует помнить, что для того, чтобы построить  качественную модель, необходимо понимать природу взаимосвязи между зависимыми и независимыми переменными и подготовить достаточный набор данных.

     На  примере анализа определения  кредитоспособности клиента мы рассмотрели  возможность применения дерева решений  в целях снижения кредитного риска.

     Список литературы

1. Диев В. С. Управленческие решения: неопределенность, модели, интуиция.– Новосибирск, 1998.
2. Елманова Н. Построение деревьев решений// КомпьютерПресс, № 12, 2003
3. Кабушкин А. Менеджмент. – М.: Дело, 2000. – 257 с.
4. Констрент Х. Талант Менеджера: пер с англ. – Нью-Йорк, 1992
5. Мескон М., Альберт М.,. Хедоури Ф. Основы менеджмента: пер. с англ.–М.: Дело 2002. – 704 с.
6. Планкетт Л. Выработка и принятие управленческих решений. – М. 1984
7. Решения для организаций //Коммерсант, №10, 2002. – С.14-16
8. Российские организации //Эксперт,  №28, 2002. – 52-54
9. Смирнов Э. А. Разработка управленческих решений.– М: ЮНИТИ-ДАНА, 2001
10. Фахрутдинова А.З., Бойко Е.А. Разработка управленческих решений. – Новосибирск: СибАГС. 2003. – С.264.
11. Эддоус М., Стэнсфилд Р. Методы принятия решений. – М.,1997 г.
12. Якокка Ли. Карьера менеджера. – Мн.: "Парадокс", 1996 г.
13. Практический менеджмент. Методы и приемы деятельности руководителя/Авт.-сост. Н.Я. Сацков. – Д.: Сталкер, 1998. – 448 с.