Кредитный калькулятор

В этой статье рассматривается программная реализация универсального кредитного калькулятора. Основное внимание уделяется внутреннему устройству модуля, ключевым алгоритмам, структурам данных и подходам, обеспечивающим точность, гибкость и удобство интеграции с интерфесом масок кодовых ячеек.

1. Общая архитектура

Модуль построен вокруг центральной функции CreditCalculator, которая выступает фасадом для двух независимых алгоритмов расчёта: аннуитетного и дифференцированного. Все вспомогательные функции инкапсулированы, а возвращаемые данные стандартизированы в виде именованных кортежей (NamedTuple) и таблиц DataFrame из пакета DataFrames.jl.

Основные компоненты:

• CreditCalculator – диспетчер, выполняющий валидацию входных параметров и выбор метода.
• calculate_annuity / calculate_differentiated – чистые функции, реализующие финансовые формулы.
• compare_payment_types – сервисная функция для сравнения двух схем.
• print_payment_schedule – функция вывода (side‑effect) для форматированного отображения.

Такой дизайн обеспечивает разделение ответственности: вычисления отделены от ввода/вывода, а возвращаемые структуры могут быть использованы для последующего анализа или визуализации.

2. Входные параметры и валидация

Функция CreditCalculator использует именованные аргументы с типизацией, что повышает читаемость кода и позволяет задавать значения в любом порядке:

function CreditCalculator(; amount::Float64, rate::Float64, term::Int, 
                          payment_type::String="annuity", 
                          start_date::Date=today(), 
                          loan_type::String="consumer")

Валидация выполняется на входе:

• Проверка, что сумма, ставка и срок положительны.
• Проверка, что payment_type принадлежит множеству {"annuity", "differentiated"}.

Это предотвращает некорректные вычисления на раннем этапе и даёт понятные сообщения об ошибках.

3. Алгоритмы расчёта

3.1. Аннуитетные платежи

Аннуитетный коэффициент вычисляется по классической формуле:

где r = ставка / (100 * n) – месячная процентная ставка, n – срок в месяцах.

Особенности реализации:

• Ежемесячный платёж рассчитывается как amount * coef.
• Для каждого месяца вычисляются проценты на остаток и сумма погашения основного долга.
• Коррекция последнего платежа: из‑за округлений может накопиться погрешность, поэтому на последнем шаге сумма основного долга принудительно устанавливается равной остатку, а платёж пересчитывается. Это гарантирует, что итоговый остаток станет равным нулю.
• Все суммы округляются до двух знаков после запятой с помощью round(..., digits=2).
• Данные накапливаются в DataFrame путём последовательных вызовов push!.

3.2. Дифференцированные платежи

Здесь ежемесячная часть основного долга фиксирована:

Проценты за месяц рассчитываются от текущего остатка. Платёж уменьшается линейно.

Особенности:

• В отличие от аннуитета, не требуется корректировка последнего платежа, так как остаток обнуляется ровно после последней выплаты (при условии точного деления суммы на целое число месяцев).
• Для удобства сравнения сохраняются первый и последний платежи.
• При построении таблицы principal_part округляется только при выводе, но в расчётах используется полная точность, чтобы избежать накопления ошибок.

4. Структуры возвращаемых данных

Оба варианта возвращают NamedTuple с одинаковыми полями, что позволяет писать обобщённый код:

(loan_type = ..., payment_type = ..., amount = ..., rate = ..., term = ...,
 total_payment = ..., total_interest = ..., overpayment_percent = ...,
 payments_table = DataFrame(...))

Для аннуитета дополнительно есть поле monthly_payment, для дифференцированного – first_payment и last_payment. Такая структура удобна для последующей обработки.

Таблица платежей payments_table содержит колонки:

• month – номер месяца (Int)
• date – дата платежа (Date)
• payment – сумма платежа (Float64)
• principal – часть, идущая на основной долг (Float64)
• interest – часть, идущая на проценты (Float64)
• remaining_debt – остаток долга после платежа (Float64)

Использование DataFrame позволяет применять к результатам все возможности пакета DataFrames.jl (фильтрация, агрегация, объединение) без дополнительных преобразований.

5. Обработка граничных условий

В коде предусмотрены следующие краевые случаи:

• Нулевые или отрицательные параметры – выбрасывается ошибка.
• Неверный тип платежа – ошибка с понятным сообщением.
• Для аннуитета при term = 1 формула аннуитетного коэффициента всё ещё работает, а коррекция последнего платежа гарантирует точность.
• При дифференцированном расчёте principal_part не округляется, чтобы избежать накопления ошибок при длительных сроках.

6. Тестирование и примеры использования

Представленные в наброске четыре примера служат не только демонстрацией, но и неявными тестами. Рассмотрим, какие аспекты они проверяют.

Пример 1. Аннуитетный кредит

• Проверяет корректность расчёта аннуитетного коэффициента.
• Убеждается, что последний платёж скорректирован и остаток обнулён.
• Демонстрирует округление до копеек.

Пример 2. Ипотека (дифференцированные платежи)

• Проверяет работу с датами (передача start_date и вычисление дат через Dates.Month).
• Выводит полный график через print_payment_schedule, подтверждая корректность форматирования.
• Сравнивает первый и последний платежи, чтобы убедиться в линейном убывании.

print_payment_schedule - вывод графика платежей. Функция print_payment_schedule принимает на вход результат CreditCalculator и выводит форматированный отчёт. Её реализация использует строковые манипуляции (rpad, Dates.format) и итерацию по строкам DataFrame. Такой подход отделяет представление от логики расчёта – при необходимости легко заменить вывод на другой (например, в файл или HTML).

Пример 3. Сравнение типов платежей

• Проверяет, что функция compare_payment_types возвращает структуру с тремя полями.
• Сравнивает числовые значения переплат, подтверждая, что аннуитет даёт немного большую переплату при одинаковых параметрах.

compare_payment_types - функция сравнения, она дважды вызывает CreditCalculator с разными payment_type и формирует итоговую таблицу. Таблица создаётся как DataFrame с тремя колонками: показатель, значения для аннуитета и для дифференцированного. Это демонстрирует, как результаты одного модуля могут быть использованы для построения более сложных отчётов.

Пример 4. Анализ данных таблицы платежей

• Показывает, как извлечь первые пять строк (first).
• Вычисляет максимум, минимум и сумму процентов – тем самым проверяется, что колонки payment и interest содержат корректные числовые данные.
• Демонстрирует, что возвращаемый DataFrame полностью функционален и может использоваться для статистического анализа.

Вывод

Разработанный модуль демонстрирует эффективное использование возможностей Julia: множественная диспетчеризация через именованные аргументы, типобезопасность, удобные структуры данных (NamedTuple, DataFrame) и функциональную композицию. Такой подход позволяет легко поддерживать код, добавлять новые типы расчётов (например, с учётом досрочного погашения) и интегрировать калькулятор в более крупные финансовые приложения. Тестовые примеры одновременно служат документацией и подтверждением корректности алгоритмов.