Применение нейросетевых технологий для оценки компетентности персонала в задачах контроля операционного риска кредитной организации
Аннотация
Статья посвящена вопросам контроля операционных рисков кредитной организации, связанных с действиями персонала. Контроль операционных рисков является важным аспектом деятельности кредитной организации. Несмотря на то, что Банк России в регламентирующих документах подробно описал набор действий, которые должны проводить банки для контроля операционных рисков, на практике кредитные организации испытывают серьезные трудности в процессе работы с операционным риском, связанным с действиями персонала. Это может объясняться, прежде всего, сложностью идентификации и формализации указанного риска. Одним из основных источников операционных рисков, связанных с действиями персонала, является недостаточная квалификация сотрудников. Это может привести к снижению доступности и качества услуг, предоставляемых кредитными организациями, а также к возможным финансовым и репутационным потерям. Целью проводимых авторами исследований является совершенствование системы контроля операционных рисков кредитной организации с использованием технологий искусственного интеллекта, включающих разработку инструментария оценки в автоматизированном режиме уровня критичности влияния компетентности персонала на возникновение событий операционного риска. Для достижения поставленной цели была разработана искусственная нейронная сеть (ИНС) с использованием высокоуровневой библиотеки Keras на языке Python. В работе определен набор основных показателей, оказывающих наиболее существенное влияние на возможность возникновения операционного риска, связанного с действиями персонала кредитной организации. В статье приводятся результаты проверки сформированных наборов обучающих и тестовых данных с помощью пакетов прикладных программ, реализующих математические методы, позволяющие дать оценку непротиворечивости сформированных наборов данных. В работе приведены графики, показывающие результаты обучения и тестирования построенной искусственной нейросети. Полученные результаты являются новыми и могут позволить кредитным организациям в значительной степени повысить эффективность своей работы благодаря цифровизации решения задач контроля уровня операционного риска, связанного с действиями персонала.
Скачивания
Литература
Bank of Russia (2015) No. 3624-U dated 15.04.2015 Proposal of the Bank of Russia “On cooperation with the risk and Capital management system of a credit institution and a banking group”. Available at: https://cbr.ru/faq_ufr/dbrnfaq/doc/?number=3624-Y (accessed 10 April 2024) (in Russian).
Chumakova E.V., Korneev D.G., Gasparian M.S., Makhov I.S. (2023) Assessment of the level of criticality of operational risk of the bank on the basis of neural network technologies. Applied Informatics, vol. 18, no. 2 (104), pp. 103–115 (in Russian).
Chumakova E.V., Korneev D.G., Gasparian M.S., Ponomarev A.A., Makhov I.S. (2023) Building a neural network to assess the level of operational risks of a credit institution. Journal of Theoretical and Applied Information Technologies, vol. 101, no. 11, pp. 4205–4213.
Hasan A., Anika N., Kendezi A., Mahdavian A., Islam S., Sakib S., Nnange M. (2023) The impact of knowledge and human resource management on the success of organizations. Available at: https://www.researchgate.net/publication/371292735 (accessed 10 April 2024).
Mainelli M., Yeandle M. (2006) Best execution compliance: new techniques for managing compliance risk. The Journal of Risk Finance, vol. 7, no. 3, pp. 301–312.
Peng J., Liyuan B. (2023) Construction of enterprise business management analysis framework based on big data technology. Heliyon, vol. 9(6), article e17144. https://doi.org/10.1016/j.heliyon.2023.e17144
van Liebergen B. (2017) Machine learning: A revolution in risk management and compliance? Journal of Financial Transformation, vol. 45, pp. 60–67.
Bodyanskiy Y.V., Tyshchenko A.K., Deineko A.A. (2015) An evolving radial basis neural network with adaptive learning of its parameters and architecture. Automatic Control and Computer Sciences, vol. 49, pp. 255–260. https://doi.org/10.3103/S0146411615050028
Belalov R.M. (2021) Testing as a method of control and assessment of the formation of competencies. Vestnik “Consciousness”, vol. 23, no. 1, pp. 18–23 (in Russian).
Elkina K.V., Pak G.Yu., Mamontova E.O. (2015) Theoretical aspects of the personnel support system of the enterprise. Politics, Economics and Social Sphere, no. 1, pp. 48–54 (in Russian).
Krichevsky M.L., Dmitrieva S.V., Martynova Yu.A. (2018) Neural network assessment of personnel competencies. Labor Economics, vol. 5, no. 4, pp. 1101–1118 (in Russian).
Ashby S. (2022) Fundamentals of operational risk management: Understanding and implementing effective tools, policies, and frameworks. London: Kogan Page.
Kosheleva N.N. (2012) Correlation analysis and its application for calculating Spearman’s rank correlation. Actual Problems of Humanities and Natural Sciences, no. 5, pp. 23–26 (in Russian).
Health Perfect (2023) Cheddock-Snedekor scale. What is it, correlation coefficient, determination assessment. Available at: https://healthperfect.ru/shkala-cheddoka-snedekora.html (accessed 10 April 2024) (in Russian).
Peer D., Stabinger S., Rodríguez-Sánchez A. (2021) conflicting_bundle.py—A python module to identify problematic layers in deep neural networks. Software Impacts, vol. 7, article 100053. https://doi.org/10.1016/j.simpa.2021.100053
Wang H., Mao K., Wu W., Luo H. (2023) Fintech inputs, non-performing loans risk reduction and bank performance improvement. International Review of Financial Analysis, vol. 90, article 102849. https://doi.org/10.1016/j.irfa.2023.102849
Huang H., Hwang G.-J., Jong M. S.-Y. (2022) Technological solutions for promoting employees’ knowledge levels and practical skills: An SVVR-based blended learning approach for professional training. Computers & Education, vol. 189, article 104593. https://doi.org/10.1016/j.compedu.2022.104593
Romanadze E. K., Semina A. P. (2019) Overview of personnel evaluation methods in modern organizations. Moscow Economic Journal, no. 1, pp. 602–610 (in Russian). https://doi.org/10.24411/2413-046Х-2019-11072
Wu Y., Cheng S., Li Y., Lv R., Min F. (2023) STWD-SFNN: Sequential three-way decisions with a single hidden layer feedforward neural network. Information Sciences, vol. 632, pp. 299–323. https://doi.org/10.1016/j.ins.2023.03.030
Indratmo, Howorko L., Boedianto J.M., Daniel B. (2018) The efficacy of stacked bar charts in supporting single-attribute and overall-attribute comparisons. Visual Informatics, vol. 2, no. 3, pp. 155–165. https://doi.org/10.1016/j.visinf.2018.09.002
Aguilera-Martos I., García-Vico Á.M., Luengo J., Damas S., Melero F.J., Valle-Alonso J.J., Herrera F. (2023) TSFEDL: A python library for time series spatio-temporal feature extraction and prediction using deep learning. Neurocomputing, vol. 517, pp. 223–228. https://doi.org/10.1016/j.neucom.2022.10.062
