Современные методы прикладной информатики в задачах анализа данных

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ 

РОССИЙСКОЙ ФЕДЕРАЦИИ 

Федеральное государственное автономное образовательное  

учреждение высшего образования 

«ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ» 

Инженерно-технологическая академия 

 
 

 

 
 
 
 

Ростов-на-Дону  Таганрог 

Издательство Южного федерального университета 

2021 

А. Н. ЦЕЛЫХ
А. А. ЦЕЛЫХ
Э. М. КОТОВ

СОВРЕМЕННЫЕ МЕТОДЫ 

ПРИКЛАДНОЙ ИНФОРМАТИКИ 

В ЗАДАЧАХ АНАЛИЗА ДАННЫХ

Учебное пособие

по курсу

МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО 

АНАЛИЗА ДАННЫХ

УДК 004.056.5(075.8) 
ББК  32.97я73 
         Ц349 
Печатается по решению кафедры информационно-аналитических систем  
безопасности Института компьютерных технологий и информационной  

безопасности Южного федерального университета 

(протокол № 5 от 20 февраля 2020 г.) 

Рецензенты: 

доктор технических наук, профессор, заведующий кафедрой         информатики  

Таганрогского института им. А.П. Чехова (филиал) РГЭУ (РИНХ)  

Я. Е. Ромм 

доктор технических наук, профессор, профессор кафедры  

информационно-аналитических систем безопасности  

Южного федерального университета С. Л. Беляков 

         Целых, А. Н. 
Ц349      Современные методы прикладной информатики в задачах анализа 

данных : учебное пособие по курсу "Методы интеллектуального анализа 
данных" / А. Н. Целых, А. А. Целых, Э. М. Котов ; Южный федеральный 
университет.  Ростов-на-Дону ; Таганрог : Издательство 
Южного федерального университета, 2021.  130 с. 

ISBN 978-5-9275-3783-9 
Пособие посвящено рассмотрению актуальных проблем оценки рисков 

при рассмотрении кредитных заявок. В пособии была предложена структура 
и схема системы поддержки принятия решений в сфере банковского кредитования 
с применением модулей искусственного интеллекта, таких как 
нейронная сеть и нечеткая логика. Проанализирована инвестиционная привлекательность 
регионов РФ. Рассмотрены и модифицированы методы защиты 
от несанкционированного доступа, которые должны повысить надежность 
и информационную безопасность клиентов банковского сектора. Пособие 
предназначено для студентов высших учебных заведений, обучающихся по 
направлению 10.03.01 Информационная безопасность по курсу «Методы интеллектуального 
анализа данных». 

УДК 004.056.5(075.8)  

                          ББК 32.97я73  

ISBN 978-5-9275-3783-9  

© Южный федеральный университет, 2021 
© Целых А. Н., Целых А. А., Котов Э. М., 2021 
© Оформление. Макет. Издательство  
    Южного  федерального университета, 2021 

СОДЕРЖАНИЕ

 

СОДЕРЖАНИЕ .............................................................................................. 3 
ВВЕДЕНИЕ ..................................................................................................... 5 
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР ................................................... 12 

1.1. Технология блокчейн ........................................................................... 12 
1.2. Классификация систем поддержки принятия решений ...................... 14 
1.3. Методики оценки рисков в банковском кредитовании ...................... 17 
1.4. Архитектура системы поддержки принятия решений ........................ 21 

ГЛАВА 2. ПРОЕКТИРОВАНИЕ СИСТЕМЫ ПОДДЕРЖКИ 
ПРИНЯТИЯ РЕШЕНИЙ ............................................................................ 28 

2.1. Структура систем поддержки пр инятия решений ............................. 28 
2.2. Схема СППР в кредитовании ............................................................... 31 
2.3. Формирование начальной базы знаний ............................................... 37 

ГЛАВА 3. ДИНАМИЧЕСКАЯ МОДЕЛЬ ДЕНЕЖНО-КРЕДИТНОЙ 
ПОЛИТИКИ  БАНКА .................................................................................. 43 

3.1. Формирование эконометрической модели инвестиционной 
привлекательности банковского кредитования ......................................... 43 
3.2. Основные понятия теории временных рядов ...................................... 44 
3.3. Приведение временного ряда к стационарной форме ........................ 45 
3.4. Тестирование ВР на стационарность. Понятие единичного  
корня и Нуль-гипотезы ............................................................................... 47 
3.5. Классификация моделей ....................................................................... 49 

ГЛАВА 4. ПОСТРОЕНИЕ РАСЧЕТНОЙ МОДЕЛИ 
ПРОГНОЗИРОВАНИЯ ............................................................................... 52 

4.1. Подготовка исходных данных ............................................................. 52 
4.2. Конструирование признаков (Feature Construction) ............................ 52 
4.3. Предварительный анализ модели ........................................................ 60 
4.4. Диагностика результирующей модели ................................................ 63 
4.5. Оценка результирующей модели ......................................................... 69 

Содержание 

4 

ГЛАВА 5. ИССЛЕДОВАНИЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ........ 71 

5.1.  Статический прогноз ............................................................................ 71 
5.2. Динамический прогноз ......................................................................... 73 
5.3. Теоретические основы методологии формирования  
инвестиционного портфеля ......................................................................... 77 
5.4. Применение институциональных инструментов при  
формировании инвестиционного портфеля ценных бумаг ....................... 79 
5.5.  Показатели эффективности инвестиций на фондовом  рынке .......... 81 
5.6. Построение оптимального портфолио ................................................. 84 

ГЛАВА 6. АВТОМАТИЗИРОВАННЫЕ БАНКОВСКИЕ  
СИСТЕМЫ И  ОНЛАЙН-БАНКИНГ ....................................................... 87 

6.1. История развития автоматизированных банковских систем .............. 87 
6.2. Классификация АБС, ДБО .................................................................... 95 
6.3. Сервис онлайн-банкинга ..................................................................... 104 
6.4. Меры по повышению эффективности информационной защиты .... 115 

ЗАКЛЮЧЕНИЕ .......................................................................................... 122 
СПИСОК ЛИТЕРАТУРЫ ......................................................................... 126 

 

 

ВВЕДЕНИЕ

 

Прогнозы развития банковского дела и статистические данные указывают 
на явный рост рисков, связанных с деятельностью кредитных отделов. 
По данным на начало 2020 г. общий объем задолженности населения 
по потребительским кредитам составляет 17,02 трлн руб. Очевидно, что 
банкам необходимо внедрять в свой рабочий процесс более современные 
методы выявления и снижения кредитных рисков. Суть этих методов за-
ключается в повышении эффективности системы банковского кредитова-
ния с целью снижения показателей по кредитным рискам. Кредитное ре-
шение зависит от имеющихся данных о клиенте банка, а также от условий 
выдачи кредита. Важно понимать, что для более точного прогнозирования 
развития кредитной ситуации, необходимо учитывать не только количе-
ственные сведения о клиенте (средний доход, возраст и т.д.), но и каче-
ственные (пол, группа здоровья и т.д.). 

Таким образом, на данный момент актуальна задача создания систе-

мы поддержки принятия решений в банковском кредитовании с целью сни-
зить риски невыплат по кредитам. 

Важнейшим приоритетом государственной экономической политики 

является обеспечение роста конкурентоспособности страны в целом, что 
невозможно без ускоренного развития банковского сектора. 

Среди наиболее существенных задач государственной политики в 

этой сфере следует выделить следующие: первое и самое главное ‒ форми-
рование стратегии денежно-кредитного регулирования в едином комплексе 
с общеэкономической, промышленной, финансовой политикой государства 
с целью концентрации ресурсов на основных народнохозяйственных зада-
чах. Второе ‒ расширение деятельности кредитных организаций по при-
влечению средств юридических лиц и населения и их эффективного вло-
жения в региональный сектор экономики. Третье ‒ укрепление системной 
устойчивости банковской системы, выведения с рынка банковских услуг 

Введение 

6 

нежизнеспособных кредитных организаций, поддержание справедливой 
конкуренции на рынке банковских услуг, повышение качества капитала и 
уровня реальной капитализации кредитных организаций в качестве оказы-
ваемых ими услуг. 

В последнее время рост спроса на навыки в области data-science рос 

быстрее, чем уровень квалификации специалистов. Сегодня трудно пред-
ставить себе бизнес, который не выиграл бы от подробного анализа дан-
ных, которые проводят ученые и алгоритмы машинного обучения. По-
скольку искусственный интеллект проникает во все уголки отрасли, трудно 
удовлетворить потребности ученых в данных для каждого возможного слу-
чая использования. Для уменьшения давления, создаваемого этим дефици-
том, многие компании начали разрабатывать структуры, способные ча-
стично автоматизировать процесс, обычно реализуемый датасаентистами. 

Кибернетизация умственного труда приводит к передаче машинам 

областей деятельности человека, которые до сих пор были привилегией ин-
теллектуальных работников. Для улучшения обслуживания своих клиен-
тов, повышения производительности и увеличения доходов Большая Се-
мерка коммерческих банков США теперь отдает предпочтение этому виду 
технологического прогресса, вкладывая средства в ИИ-приложения. Соот-
ветственно Искусственный интеллект (ИИ) становится все более полезным 
и для центральных банков. 

Три ключевых направления Big data, меняющие финансовую торгов-

лю. 

1. Переход от ручного к количественному трэйдингу. 
2. Минимизация риска. 
3. Сентиментальный анализ в дополнение к финансовому анализу. 
В краткосрочной перспективе фондовый рынок является иррацио-

нальным движением под влиянием торговли эмоциями. Анализ настроений 
‒ это новая тенденция для прогнозирования акций, основанная на выявле-
нии корреляции между настроениями общественности и настроениями 
рынка. Результаты показывают, что контент в социальных сетях может 
оказать влияние на цену акций посредством анализа настроений. В попытке 
улучшить точность прогнозирования было проведено много исследований, 
в которых использовались различные подходы к анализу. 

Большие данные во многом влияют на то, как совершаются финансовые 
торговые операции. Это помогает совершать более быстрые и точные 

Введение  

7 

сделки, тем самым снижая риск и максимизируя прибыльность торговых 
стратегий. Тем не менее, следует отметить, что аналитика больших данных 
не может постоянно прогнозировать рыночные сценарии. У него есть недостатки, 
такие как неполнота шаблонов данных. Однако в целом аналитика 
больших данных дает гораздо больше преимуществ, чем недостатков для 
финансовой торговли. Вот почему это все больше становится неизбежной 
необходимостью для финансовых учреждений. 

Исследование McKinsey & Company показывает, что несмотря на то, 

что 90 процентов всех цифровых данных было создано за последние несколько 
лет, до сих пор был проанализирован только 1 процент из них. 

За последнее время аналитика больших данных переживала экспоненциальный 
рост и по праву может считаться полноценной отраслью. In-
ternational Data Corporation (IDC) предсказал в 2016 г., что продажи аналитике 
больших данных решений достигнет $187 млрд к 2019 г. (в реальности 
$189,1). К 2022 г. IDC ожидает, что выручка BDA по всему миру составит 
274,3 млрд долларов и лидирующей отраслью потребления этих технологий 
станет банковский сектор (13,9 %) [1]. 

Хотя сегодня ИИ обычно используется только на низкоуровневых 

ролях, технологический прогресс и снижение затрат, вероятно, будут все 
глубже и глубже внедрять ИИ в основные функции Центральных банков, и 
со временем каждый Центробанк реализует свой собственный, специфический, 
движок искусственного интеллекта. 

XX в. ‒ эпоха информационных технологий ‒ все в различных сферах 

нашей жизни упрощается, чтобы угодить конечному потребителю. Виртуальные 
регистратуры и электронные очереди, покупка билетов на общественный 
транспорт и заказ доставки продуктов питания, все это и многое-
многое другое в наши дни можно сделать с помощью Интернета. Неудивительно, 
что многие корпорации, предприятия, фирмы и организации давно 
обеспечили возможность личного общения со своими клиентами и сотруд-
никами через виртуальные офисы. 

Интернет-банкинг является ярким примером высочайшего качества 

обслуживания своих клиентов, представляющий из себя способ дистанци-
онного банковского обслуживания. Пользователь имеет доступ к сервису 
интернет-банкинга в любое время, в любом месте и с любого цифрового 
устройства, подключенного к сети Интернет. Для выполнения различных 
операций со своего компьютера или ноутбука клиенту не нужно устанав-

Введение 

8 

ливать никакое дополнительное программное обеспечение, что является 
большим плюсом для начинающего и неопытного пользователя. 

Как один из видов дистанционного банковского обслуживания, ин-

тернет-банкинг у многих вызывает особый интерес. Он представляет 
наиболее перспективное и прогрессивное направление развития банков-
ской деятельности, а также динамично и бурно развивающийся сектор 
рынка электронной коммерции. 

Интернет-банкинг зародился в Америке. Первым банком без физиче-

ских филиалов, доступ к которому можно было получить только через ин-
тернет, стал Security First Network Bank. Он был основан в штате Кентукки 
в октябре 1995 г. В США в то время существовало ограничение на откры-
тие филиалов банков в других штатах, именно это и стало одной из глав-
ных причин создания подобной системы. Она дала SFNB возможность 
предоставлять услуги клиентам, которые проживали в других штатах. По-
сле реализации и успешного запуска сервиса от SFNB интернетбанкинг 
начал стремительно приобретать массовый характер. Среди банков появи-
лась мода на виртуальные кабинеты для клиентов. Отличительной чертой 
интернет-банков от обычных в то время стало то, что при относительно не-
больших вложениях они получили возможность обслуживать огромные 
территории, а следовательно, и большее количество людей. Вдобавок к 
этому виртуальные банки могли позволить более выгодные условия по 
вкладам и кредитам для своих клиентов, благодаря экономии на организа-
ционных процессах. 

После внедрения и распространения банковских интернет-сервисов 

жизнь людей несколько упростилась. Они стали забывать о проблемах 
длинных очередей и необходимости планирования своего дня, подстраива-
ясь под режим работы отделения своего банка. 

Банковские интернет-системы выгодны как для клиентов, так и для 

самих банков. Юридические лица имели возможность дистанционно рабо-
тать с банком по системе «Банк-Клиент», однако развитие интернет-
банкинга позволяет пользоваться сервисом с еще большим удобством, ведь 
операции можно совершать абсолютно с любого компьютера, да еще и без 
предварительной установки программного обеспечения. Также банковские 
интернет-системы очень сильно упрощают работу компаниям с разветв-
ленной сетью дочерних организаций. Каждый филиал такой компании име-
ет свой счет в банке, поэтому контроль над сетью финансовых потоков со 

Введение  

9 

стороны головного офиса осуществляется постфактум. В системе «Интер-
нет-Банк» у финансового топ-менеджмента есть возможность контролиро-
вать финансовые потоки в режиме реального времени. Филиалы компаний 
осуществляют свою платежно-расчетную деятельность через Интернет, но 
при условии дополнительной авторизации со стороны финансового дирек-
тора. Однако количество корпоративных клиентов интернет-систем резко 
не увеличивается: компании, которые смогли успешно синхронизировать 
свое бухгалтерское программное обеспечение и систему «Банк-Клиент», не 
спешат отказываться от нее. 

Но идеальных банковских систем не бывает, в наше время они под-

вержены частым атакам со стороны огромного числа мошенников, в инте-
ресах которых нажиться за счет других людей. Г лавной опасностью для 
пользователей интернет-банкинга являются подставные платежные опера-
ции. С каждым годом банковские системы совершенствуются, но вместе с 
ними и технические приемы, которыми пользуются злоумышленники для 
реализации своих преступных замыслов. 

Данная работа является актуальной, потому что в нашей повседнев-

ной жизни происходит все более активная интеграция банковских сетевых 
информационных систем. Нам предоставляется возможность максимально 
комфортно пользоваться практически всеми финансовыми и информаци-
онными сервисами и услугами банков в любое удобное для нас время из 
практически любой точки земного шара с помощью сети Интернет. Однако 
в рамках развитой системы применения информационных технологий и их 
доступности возникает большая угроза финансовых потерь при лояльном 
или поверхностном отношении к обеспечению безопасности своих личных 
данных. В связи с этим важно уметь отличать качественно проработанный 
и защищенный виртуальный кабинет того или иного банка от ресурсов, 
разработанных мошенниками, деятельность которых нацелена на кражу 
финансовых активов. 

Цель учебного пособия заключается в проектировании системы под-

держки принятия решений с использованием методов нечеткой логики и 
нейронных сетей, позволяющей оценивать новые кредитные проекты и 
принимать обоснованные решения по ним. 

Для достижения поставленной цели необходимо было решить ряд за-

дач: 

Введение 

10 

 изучить актуальные задачи банка в сфере кредитования физиче-

ских 

 лиц; 
 изучить существующие методы оценки рисков кредитных заявок; 
 предложить концепцию системы поддержки принятия решений в 

сфере банковского кредитования; 

 спроектировать систему поддержки принятия решений с учетом 

специфики Банка России; 

 оценить экономическую эффективность применения предложен-

ной системы в банковских организациях. 

Объектом исследования пособия являются методы, обеспечивающие 

комплексную поддержку принятия решений в банковском кредитовании. 

Предметом исследования пособия является часть системы поддержки 

принятия решений в банковском кредитовании. 

В работе применяются следующие алгоритмы: 
 на основе имеющейся статистки невыплат по кредитам строится 

кредитная база банка, по данным которой составляется база прецедентов и 
тестирующая выборка, которая послужит для обучения нейронной сети. 
Это дает возможность принимать решения на основе имеющегося опыта и 
создать правила, которые позволят оценивать новые кредитные проекты, 
для которых еще нет данных в базе прецедентов; 

 в условиях неопределенности используется аппарат нечеткой логи-

ки, а нечеткая база знаний строится на основе экспертного опыта. Это дает 
возможность при отсутствии полной информации о кредитной ситуации 
принять обоснованное решение. 

В качестве методологической основы работы использовались прин-

ципы и методы системного анализа, принципы и методы представления и 
анализа знаний, теория матриц, нечеткая логика, нейронные сети. 

Научная новизна работы состоит в том, что предложена концепция 

построения комплексной системы поддержки принятия решений в сфере 
банковского кредитования. Концепция объединяет в себе как новые, так и 
известные ранее методы проведения мониторинга и анализа кредитных 
рисков. В ходе научного исследования разработан прототип системы под-
держки принятия решений, обеспечивающей автоматизацию процесса 
определения уровня риска по кредитному заявлению. Выполнено теорети-

Введение  

11 

ческое обоснование, практическая реализация и разработка методики по-
строения системы поддержки принятия решений. 

В результате выполнения работы была: 
 предложена концепция системы поддержки принятия решений в 

банковском кредитовании, которая, в отличие от существующих, для моде-
лирования функций СППР использует нечеткую логику и нейронные сети; 

 разработана методика построения системы поддержки принятия 

решений на базе нейронных сетей и нечеткой логики, которая позволяют 
оценивать кредитоспособность клиента и вычислять вероятность риска 
кредитного проекта; 

 разработана структура системы поддержки принятия решений на 

базе нейронных сетей и нечеткой логики; 

 оценена экономическая эффективность применения предложенной 

системы в банковских организациях. 

Практическая значимость полученных результатов заключается в 

разработанном прототипе системы поддержки принятия решений на базе 
нейронных сетей и нечеткой логики, а также в предложенной методике по-
строения системы поддержки принятия решений, которая позволяет прово-
дить анализ данных клиентов, нуждающихся в банковском кредитовании. 

В работе приводится классификация систем поддержки принятия ре-

шений. Рассматриваются методы обработки данных о клиенте при рас-
смотрении кредитной заявки. Рассмотрены критерии оценки кредитного 
риска, предложенные экономистом Дэвидом Дюраном, сравнивается метод 
Центрального банка и методика Базельского комитета. 

Предложена структура системы поддержки принятия решений, опре-

делены основные этапы ее работы. Проводится анализ кредитных историй 
физических лиц, в результате которого определяются группы людей, полу-
чившие отрицательную оценку по кредитной истории. В итоге формирует-
ся начальная база знаний. 

Проектируется и разрабатывается база данных системы, строится ее 

физическая модель с выделением основных сущностей и их атрибутов. 
Разрабатывается прототип системы поддержки принятия решений. 

Проводится оценка и характеристика затрат на реализацию предло-

женной системы поддержки принятия решений, определяются необходи-
мые для ее внедрения ресурсы, проводятся расчеты планируемой прибыли 
и планируемых затрат. 

АНАЛИТИЧЕСКИЙ ОБЗОР

1.1. Технология блокчейн 

Создание благополучной экономической обстановки подразумевает 

тщательное внимание к рискам банковского кредитования физических лиц. 
В настоящее время потребительский кредит является наиболее востребо-
ванным банковским продуктом. Статистика по данному типу кредитования 
оказывает значительное влияние на общие показатели банковской системы 
и на уровень развития среднего и малого бизнеса. 

В работе будем рассматривать розничный кредит, другими словами, 

кредит для физических лиц, т.е. заем, выдаваемый населению на личные 
нужды. Получить его можно непосредственно через филиал банка. 

По данным статистики в настоящее время сумма невыплат по роз-

ничным кредитам только увеличивается. На 01.01.2008 г. долг населения 
составлял 2,97 трлн руб., на 01.07.2016 г. ‒ 10,5 трлн руб., а по данным на 
14.12.19 г. ‒ 17,02 трлн руб.. Поэтому рассмотрение методов принятия решений 
на основе оценки рисков кредитования очень актуально на данный 
момент. Все эти кредиты были выданы на основе существующих методов 
оценки кредитных рисков. Безусловно, роль кредитования очень велика. Во 
времена депрессии страдает не только малый и средний бизнес, но также и 
обычное население. Именно кредитование помогает населению пережить 
кризис и обеспечивает ему финансовую поддержку [2]. 

Главным фактором стабильной работы банковской системы является 

повышение показателей розничного кредитования в сочетании со снижением 
числа невыплат, что требует повышения эффективности оценки рисков 
по данному типу банковской услуги. 

В настоящее время в основе методов оценки риска в банковском кредитовании 
лежат общие принципы. Эти методы можно разделить следующим 
образом: