Управление кредитование в коммерческом банке

     Скоринг является математической или статистической моделью, с помощью которой на основе кредитной истории "прошлых" клиентов банк пытается определить, какая  вероятность того, что конкретный потенциальный заемщик вернет кредит в определенный срок.

     Скоринг используется главным образом во время кредитования физических лиц, особенно при выдаче потребительских  кредитов, не обеспеченных залогом.

     Основное  задание скоринга заключается в  том, чтобы выяснить не только, состоятельный  клиент ли выплатит кредит, но и степень  надежности и обязательности клиента (таблица 1.5). 

     Таблица 1.5 – Определение класса заемщика — физического лица по результатам  оценки его финансового состояния.

      В упрощенном виде скоринговая модель составляет взвешенную сумму определенных банком характеристик.

     Перечень  характеристик для оценки уровня кредитного риска заемщика — физического  лица определяется банком самостоятельно. Чаще всего используют такие характеристики, как возраст, количество детей/иждивенцев, профессия, чистый доход, дополнительный доход на семью, длительность работы на последнем месте работы, длительность клиентских отношений с банком, наличие  счета и др. Но прежде всего кредитный  скоринг учитывает такие параметры, как погашение заемщиком задолженности  в прошлом, текущий уровень задолженности, длительность кредитной истории  и др.

     Результатом скоринга является рассчитанный интегральный показатель (sсоrе), который вычисляется  как сумма определенных характеристик  с разными взвешивающими коэффициентами. Чем выше значение интегрального показателя, тем выше надежность клиента. В соответствии со значением интегрального показателя банк может упорядочить перечень своих клиентов по степени роста кредитоспособности.

     Интегральный  показатель каждого клиента сравнивается с каким-то числовым порогом или  линией разделения, что, собственно говоря, является линией безубыточности и рассчитывается исходя из того, сколько в среднем  необходимо клиентов, которые платят в срок, для того, чтобы компенсировать убытки от непогашения одного кредита. Клиентам с интегральным показателем  выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии — нет.

     Внедрение кредитного скоринга в практическую деятельность отечественных банков даст возможность:

• повысить эффективность управления кредитным портфелем банка на основании принятия взвешенных и обоснованных решений;
• снизить операционные расходы благодаря экономии рабочего времени работников кредитного отдела, поскольку в сравнении с традиционным анализом кредитной заявки снижается количество документации, которая обрабатывается;
• использовать качественно новые системы принятия решений относительно выдачи кредита и совершенствование моделей кредитования.

     В последнее время скоринг становится все более популярным не только во время оценки кредитного риска, но и  в других отраслях: при маркетинговом  исследовании (для определения вероятности, что именно эта группа клиентов будет  пользоваться этим видом продукции); работе с должниками (для определения  наиболее эффективного метода возмещения убытков); выявлении мошенничества  с кредитными карточками; определении  вероятности, что клиент может перейти  к конкуренту и др. Банки все  чаще пользуются технологией "быстрой  оценки" не только при выдаче потребительских  кредитов, но и при кредитовании мелкого бизнеса. Для проведения скоринга в этом случае необходим  минимальный пакет документов, а  решение о выдаче кредита принимается  после анализа основных данных о  бизнесе клиента. Как правило, это  сведения об объеме дохода от реализации продукции (работ, услуг), количество торговых мест, торговую площадь этих объектов, а также о личном имуществе  владельца бизнеса.

     Банки Украины предоставляют кредиты  по большей части заемщикам, которые  принадлежат к классам "А", "Б" и "В". Заемщикам, которые по результатами оценки финансового состояния попали К классам "Г" или "Д", кредиты  выдают в отдельных случаях, например, для рефинансирования уже выданного  ранее кредита, для реализации программы  санации предприятия-заемщика или  при условии наличия высоколиквидного обеспечения и тому подобное[26].

     Методология построения скоринговых систем.

     Методы  и подходы, лежащие в основе скоринговых  систем, весьма разнообразны. К основным известным и используемым в настоящее  время методам могут быть отнесены следующие:

     1. Линейный дискриминантный анализ.

     Дискриминантный анализ – это раздел математической статистики, содержанием которого является разработка методов решения задач  различения (дискриминации) объектов наблюдения по определенным признакам. Применительно  к скорингу объекты наблюдения –  это данные о потенциальном заемщике, признаки – характеристики (факторы). Дискриминируются заемщики на два класса: кредитоспособные и некредитоспособные. Процедуры дискриминантного анализа  можно разделить на две группы. Первая группа процедур предназначена  для описания (интерпретации) различия между существующими классами, вторая – для проведения классификации  новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они относятся.

     Пусть имеется множество объектов наблюдения (кредитных договоров с данными  по заемщикам и результатом –  кредит погашен должным образом  или имели место проблемы). Каждая единица наблюдения характеризуется  несколькими факторами (переменными): xij – значение j-й переменной у i-го объекта, при i = 1...N; j = 1...p. Все множество объектов разбито на несколько подмножеств (два и более), или классов. Из каждого подмножества взята выборка объемом nk, где k – номер подмножества (класса) при к = l...g. Признаки, которые используются для того, чтобы отличать один класс (подмножество) от другого, называются дискриминантными переменными (предикторами). Каждая из этих переменных должна измеряться либо по интервальной шкале, либо по шкале отношений.

     Интервальная  шкала позволяет количественно  описать различия между свойствами объектов. Для задания шкалы устанавливаются  произвольная точка отсчета и  единица измерения. Примерами таких  шкал являются возраст заемщика, уровень  его среднемесячного дохода за последние 6 месяцев и т.д.

     Шкала отношений – частный случай интервальной шкалы. Она позволяет соотносить категоризированные предикторы. Теоретически число дискриминантных переменных не ограничено, но на практике их выбор  осуществляется на основании содержательного анализа исходной информации и соответствующих статистических процедур оценки вклада каждого предиктора в процесс формирования правильных решений по классификации. Число объектов наблюдения должно превышать число дискриминантных переменных как минимум на два, то есть p < N. Дискриминантные переменные должны быть линейно независимыми. Еще одним предположением при дискриминантном анализе является нормальность закона распределения многомерной величины, то есть каждая из дискриминантных переменных внутри каждого из рассматриваемых классов должна быть подчинена нормальному закону распределения. В случае когда реальная картина в выборочных совокупностях отличается от выдвинутых предпосылок, следует решать вопрос о целесообразности использования процедур дискриминантного анализа для классификации новых наблюдений, так как при этом затрудняются расчеты каждого критерия классификации. Линейная дискриминантная функция имеет вид: 

     D(X) = w₀ + w₁x₁ + w₂x₂ +... + w_n x_n, (1.10) 

     где w_i- коэффициенты.

     Для случая дискриминации на два класса решающее правило выглядит следующим  образом: если D(X) <= 0, объект Х относится  к 1-му классу, если D(X) >= 0, - ко 2-му. Необходимо отметить, что дискриминантный анализ является достаточно грубым и приближенным методом для скоринга в силу сделанных  предположений и линейности самой  дискриминантной функции. Однако данный метод важен в начале разработки скоринговых систем для оценки важности ("просеивания") предикторов.

     2. Многофакторная логистическая регрессия.

     Логика  построения уравнения логистической  регрессии аналогична построению линейной дискриминантной функции: 

      log(p/(1-p)) = w₀ + w₁x₁ + w₂x₂ + ... + w_nx_n, (1.11) 

     где р – вероятность дефолта (невозврата кредита),

     w – весовые коэффициенты,

     х – характеристики клиента.

     В результате распознавания или классификации  по предъявляемому объекту – потенциальному заемщику уравнение логистической  регрессии дает оценку вероятности  дефолта (невозврата) кредита. Если разработчиками скоринговой системы заранее  установлено определенное пороговое  значение этой вероятности для разделения двух классов объектов (например, "надежный заемщик" и "проблемный заемщик"), такая конструкция будет способна в автоматическом режиме формировать  вывод о допустимости или недопустимости выдачи кредита. Все регрессионные  методы чувствительны к корреляции между характеристиками, поэтому  в модели не должно быть сильно коррелированных  независимых переменных.

     3. Деревья решений.

     В методе деревьев решений сегментация (классификация) объектов осуществляется путем последовательного дробления  факторного пространства Х₁, Х₂,..., X_m на вложенные прямоугольные области. Первый шаг – разделение по самому значимому фактору (характеристике). Последующие шаги – повторение процедуры до тех пор, пока никакой вариант последующей сегментации не даст значимого различия между соотношением объектов разных классов по сравнению с полученными ранее сегментами. Количество разветвлений, факторы, по которым в узлах дерева решений осуществляется ветвление, и пороговые значения факторов в узлах дерева решений определяются в методе автоматически.

     4. Нейронные сети.

     Идея  нейронных сетей возникла в результате попыток смоделировать поведение  живых существ, воспринимающих действия внешней среды и обучающихся  на собственном опыте. Нейронные  сети дают возможность по обучающей выборке объектов (массиву данных по заемщикам с закрытыми кредитными договорами и с известным результатом погашения кредита) конструировать структуру, состоящую из нейронов и связей и предназначенную для отнесения предъявляемого объекта (потенциального заемщика) к одному из вышеназванных классов ("надежные заемщики" или "проблемные заемщики"). Применительно к скоринговым системам нейросеть рассматривается как черный ящик, содержание которого (нейроны, количество слоев нейронов, расположение нейронов по слоям, вес нейронов и т.д.) не имеет какой-либо смысловой трактовки или явного смысла.

     5. Метод минимизации структурного  риска В. Вапника

     Этот  метод лежит в основе предлагаемого  на российском рынке программного продукта по скорингу KXEN. Очевидно, что лучшей решающей функцией будет функция, минимизирующая уровень ошибки классификации (ожидаемый риск). Однако напрямую, только по обучающей выборке, оценить ожидаемый риск невозможно. Если размерность пространства функций f(X; a) (своеобразная оценка сложности семейства функций, среди которых ищется оптимальная решающая функция) ограничена, то может быть получена оценка сверх ожидаемого риска. Ожидаемый риск рассматривается как сумма двух рисков: эмпирического (уровень ошибок классификации на обучающей выборке) и риска использования пространства функций f(X; a) размерности (N) (мера ошибок классификации вследствие неполноты (с точки зрения задач классификации) пространства функций f(X; a)). Принцип минимизации структурного риска, предложенный В. Вапником, состоит в выборе такого семейства решающих функций и нахождении в этом семействе такой оптимальной решающей функции, которая удовлетворительно классифицирует объекты обучающей выборки и не является чрезмерно сложной (имеющей большую размерность)[10].