Оценка кредитоспособности заемщика банком: скоринг как управление кредитным риском

Проблема классификации заемщиков банков (юридических лиц) по степени кредитоспособности

На современном этапе развития банковской системы Республики Беларусь органы надзора и руководство банков пристальное внимание уделяют качеству внутренних систем управления различными рисками. Основным видом риска, с которым сталкиваются в своей деятельности банки, является кредитный риск, или риск дефолта (default risk). Проблема управления кредитным риском является актуальной и для банковского сектора Республики Беларусь, причем ее актуальность растет вследствие укрепления рыночных отношений и усиления конкуренции в белорусском банковском секторе.

В Беларуси планомерно внедряется современная методология управления банковскими рисками на основе Базельского соглашения по капиталу (известного как Базель II). В данном соглашении подчеркивается необходимость использования внутренних банковских вероятностно-статистических моделей и количественных методов оценки кредитоспособности клиентов банка и кредитного банковского портфеля. С мая 2007 г. при Национальном банке функционирует кредитное бюро. Деятельность этого нового института кредитного рынка позволит, в частности, вести кредитные истории заемщиков, то есть собирать сведения о качестве исполнения кредитных обязательств заемщиками в рамках всей банковской системы. Накопление такой информации наряду с информацией о состоянии заемщиков (юридических лиц) является необходимым условием формирования репрезентативной базы статистических данных, пригодной не только для анализа, но и для оценки (прогнозирования) состояния заемщиков коммерческих банков, а также кредитного рынка в целом на основе вероятностно-статистических моделей и методов.

Одним из основных инструментов минимизации кредитного риска является скоринг (scoring). Цель кредитного скоринга — автоматизация принятия решений по выдаче банковских кредитов, а также по условиям кредитования. Кредитный скоринг осуществляется с помощью компьютерных программ, обеспечивающих классификацию потенциальных заемщиков коммерческого банка по степени кредитоспособности на основе доступной информации. На различных этапах кредитной истории заемщика могут решаться различные задачи кредитного скоринга, например:

  1. скоринг по данным на момент подачи заявки (application scoring) — оценка кредитоспособности претендентов на получение кредита поданным, представленным заемщиком при обращении за кредитом (осуществляется с целью принятия решения о возможности предоставления кредита);
  2. скоринг в пределах кредитного периода (behavioural scoring) — оценка вероятности возврата выданных кредитов с целью принятия превентивных мер по снижению потерь банка;
  3. оценка возможности полного или частичного возврата кредита (collection scoring) при нарушении заемщиком сроков погашения задолженности (осуществляется после истечения кредитного периода с целью принятия адекватных мер по возврату кредита).

В зависимости от того, на основании какой информации и с помощью каких методов принятия решений осуществляется классификация заемщиков, выделяют дедуктивный (deductive credit scoring) и эмпирический, или статистический, кредитный скоринг (empirical credit scoring). В дедуктивных скоринговых системах решения основываются лишь на экспертных знаниях специалистов по кредитованию относительно пороговых значений и весовых коэффициентов для анализируемых показателей заемщиков, что является одним из серьезных недостатков подобных систем.

В некоторых обзорных статьях, посвященных кредитному скорингу, принятие решений относительно возможности и условий кредитования клиентов банка на основе исключительно экспертных заключений не рассматривается как разновидность кредитного скоринга, а противопоставляется ему как менее объективный и точный метод классификации заемщиков.

Основными компонентами эмпирических (статистических) систем кредитного скоринга являются реализованные в них статистические модели и методы классификации неоднородных многомерных данных. Выбор в пользу того или иного метода классификации существенно зависит от категории заемщика (юридические или физические лица), а также от вида кредита (например, для физических лиц: потребительские и ипотечные кредиты, кредиты на приобретение автомобиля). Это обусловлено существенным различием статистических моделей тех данных, которые предоставляются заемщиками в различных случаях.

Например, для юридических лиц данные включают показатели, рассчитанные на основе балансовых отчетов, отчета о прибыли и убытках, кредитной заявки, информации об истории клиента и его менеджерах. Для физических лиц это в основном анкетные данные. Очевидно, математические модели данных в том и другом случае могут существенно различаться.

При оценке надежности заемщиков (юридических лиц) белорусские банки могут руководствоваться Инструкцией по анализу и контролю за финансовым состоянием и платежеспособностью субъектов предпринимательской деятельности. При этом анализ заемщиков основывается на вычислении количественных показателей (балансовых коэффициентов) состояния заемщиков на момент заключения кредитного договора и сравнении полученных значений с заданными пороговыми значениями.

Данная инструкция носит рекомендательный характер, и банки вправе самостоятельно определять необходимость ее применения, а также использовать другие показатели, например, показатели финансовой устойчивости, деловой активности, показатели, характеризующие структуру баланса, рентабельность, платежную дисциплину, качество обслуживания предыдущих долгов, репутацию заемщика и т. д. Классификация, то есть установление рейтинга заемщиков на основе экспертного анализа показателей состояния заемщиков, является примером дедуктивного кредитного скоринга.

Недостатком такого подхода является автономный анализ состояния заемщика по каждому показателю в отдельности и необходимость экспертного задания пороговых значений для каждого показателя.

Целью данной статьи является сравнительный анализ точности классификации заемщиков на основе балансовых коэффициентов для экспертной методики (условно называемой Алгоритм 1), линейной дискриминантной функции Фишера (Алгоритм 2) и алгоритма классификации на основе логит-модели бинарного выбора (Алгоритм 3).

Алгоритм 2 минимизирует вероятность ошибочной классификации в предположении, что вектор контролируемых признаков для обоих классов имеет нормальный закон распределения, а классы заемщиков отличаются лишь средними значениями контролируемых признаков. Вместе с тем недостатком данного алгоритма классификации является предположение о совместном нормальном распределении контролируемых признаков. Однако на практике данное предположение часто не выполняется. Кроме того, среди контролируемых признаков могут быть качественные переменные, принимающие дискретные значения из заданного множества значений (например, показатели, указывающие на отраслевую и страновую принадлежность заемщика, вид или срок кредита, качество обслуживания ранее полученных кредитов и т. д.). В этом случае описанный алгоритм теряет свои оптимальные свойства и, следовательно, может иметь низкую точность классификации.

В указанных случаях предпочтительнее использование алгоритмов классификации, основанных на моделях бинарного и множественного выбора (Алгоритм 3). Применительно к задаче оценки кредитного риска (риска дефолта) для белорусских коммерческих банков данные алгоритмы описаны в работе. Алгоритм 3 не требует совместного нормального распределения признаков и поэтому, как правило, имеет более высокую точность классификации. Более того, при использовании данного алгоритма среди контролируемых признаков могут быть качественные, то есть принимающие дискретные значения.

Модель бинарного выбора позволяет по имеющимся эмпирическим данным вычислить оценку (прогноз) вероятности дефолта i-ro заемщика для заданного значения вектора факторов. Исследование точности классификации данного алгоритма (прогностической способности модели) основано на использовании классификационных таблиц, содержащих оценки вероятностей ошибок классификации первого и второго рода.

На основе реальных статистических данных о заемщиках белорусского коммерческого банка в статье проводится сравнительный анализ точности классификации заемщиков для перечисленных алгоритмов классификации, исследуются проблемы, которые возникают при практическом применении рассматриваемых подходов и анализируются направления повышения их эффективности.

Данная статья опубликована с целью ознакомления. С полным текстом Вы можете ознакомиться в журнале Банковский вестник. Статья: Исследование эффективности алгоритмов классификации заемщиков банков (на основе балансовых коэффициентов) Владимир МАЛЮГИН, Олег КОРЧАГИН, Наталья ГРИНЬ

В 2009 г. зафиксирован рост объема кредитной задолженности физических лиц на 3 364,8 млрд. руб., или на 26,7%. На 1 января 2010 г. он составил 15 955,4 млрд. руб. Это в основном обусловлено увеличением объема кредитования населения на финансирование недвижимости, который в 2009 г. увеличился на 3 559,5 млрд. руб., или на 52,1%, и на 1 января 2010 г. составил 10 394,9 млрд. руб.. В то же время в 2009 г. значительно сократились объемы кредитования населения на потребительские цели. Так, за 2009 г. объем кредитной задолженности на потребительские цели уменьшился на 194,9 млрд. руб., или на 3,4%, и на 1 января 2010 г. составил 5 560,4 млрд. руб., причиной чему явилось напряженное финансовое состояние населения, снижение его платежеспособности, а также рост просроченной задолженности по этим кредитам. В 2009 г. пролонгированная и просроченная задолженность физических лиц увеличилась на 30,7 млрд. руб., или в 2,3 раза, в том числе просроченная задолженность по потребительским кредитам — на 30,2 млрд. руб., или в 2,3 раза.

Усиление позитивных тенденций в экономике и финансовой сфере страны в 2010 г. позволило Национальному банку продолжить начатое в декабре 2009 г. снижение общего уровня процентных ставок. Так, с начала 2010 г. ставка рефинансирования уменьшалась 5 раз на 0,5 процентного пункта, с 13,5 до 11% годовых, а с 15 сентября 2010 г. ее уровень составил 10,5% годовых. Очередное уменьшение ставки рефинансирования позволит продолжить тенденцию снижения ставок по банковским кредитам, предоставляемым субъектам экономики и населению, что станет дополнительным стимулом к экономическому росту в стране и дальнейшему увеличению объемов кредитования населения.

Таким образом, коммерческим банкам в условиях роста проблемной задолженности физических лиц с целью привлечения потенциальных заемщиков, имеющих выбор равнозначных предложений от других банков, необходимо использовать более технологичные способы оценки кредитоспособности клиента, позволяющие ускорить процесс принятия решений без ущерба качеству кредитного портфеля банка. Кроме того, многие банки совместно с торговыми организациями широко используют проекты по продаже товаров в кредит, а также экспресс-кредитование.

Анализ практики деятельности белорусских банков показывает, что единой методики для оценки кредитоспособности кредитополучателей — физических лиц в республике нет. Каждый банк самостоятельно определяет набор используемых показателей (факторов), а также процедуру оценки кредитоспособности клиента. При кредитовании населения оценка надежности заемщиков проводится на основе анализа таких показателей, как доходы и расходы заемщика, отношение ежемесячной суммы платежей по кредиту к среднемесячной сумме чистых доходов клиента. Иногда рассматривается размер бюджета прожиточного минимума. На основе данных показателей рассчитывается коэффициент кредитоспособности, от значения которого зависит максимально возможная сумма кредита. Другие показатели заемщика, как правило, не анализируются.

Одним из современных подходов к минимизации кредитного риска, в рамках которого используются автоматизированные системы принятия решений по выдаче банковских кредитов и условиям кредитования, является кредитный скоринг (credit scoring). Кредитный скоринг осуществляется с помощью компьютерных скоринговых систем, обеспечивающих классификацию потенциальных заемщиков коммерческого банка по степени кредитоспособности на основе доступной информации. В скоринговых системах на основании базы данных, указанных в заявке заемщика, вычисляется специальное число, или количество баллов (score), которое затем используется при принятии решения относительно принадлежности заемщика к тому или иному классу кредитоспособности.

В 1941 г. Дэвид Дюран впервые применил методику классификации заемщиков на два класса кредитоспособности — «надежных» и «проблемных». Он определил не только группы факторов, позволяющие максимально определить степень кредитного риска, но и коэффициенты, характеризующие кредитоспособность частного клиента. Таким образом, заемщик, который преодолел пороговое значение, набрав достаточное количество баллов, потенциально мог получить запрашиваемую сумму. Несколько позже, с появлением новых массовых кредитных продуктов (кредитных карт), к идее скоринга обратилось большинство финансовых учреждений США и стран Западной Европы. Банки стран СНГ стали использовать разные вариации скоринга на этапе зарождения розничного кредитования в конце 90-х гг. прошлого века. С развитием этого вида бизнеса и усилением конкуренции необходимость в качественных и технологичных системах оценки кредитоспособности заемщика возросла.

Изначально кредитный скоринг основывался на специальных таблицах, называемых скоринговыми картами, которые конкретному значению каждого из показателей, характеризующих заемщика, ставят в соответствие определенный скоринговый балл. При этом пороговое значение суммарного скорингового балла, разделяющее заявки клиентов на принятые и те, кому отказано в выдаче кредита, называется баллом отсечения (cut-off score). Все необходимые характеристики в этом случае задавались экспертным путем. В дальнейшем, по мере развития математико-статистического инструментария, используемого для классификации многомерных неоднородных данных в различных сферах человеческой жизнедеятельности, все новые модели данных и методы классификации находили применение в задачах кредитного скоринга. Так, на различных этапах формирования данного подхода для классификации заемщиков были предложены разнообразные статистические методы и алгоритмы, различающиеся модельными предположениями и уровнем априорной информации относительно моделей данных, в том числе: линейный дискриминантный анализ, модель множественной линейной регрессии, логит- и пробит-модели бинарного выбора, метод линейного программирования, метод ближайших соседей, деревья решений (классификационные деревья), нейронные сети, генетические алгоритмы.

Целью кредитного скоринга обычно является получение следующей информации. ласс клиента. Чаще всего выделяется два класса — «надежный» и «ненадежный». В более сложных случаях может рассматриваться еще несколько промежуточных классов. Клиентам банка, попавшим в промежуточные классы, может быть принято решение выдать кредит, но на других условиях (больший процент, меньший срок или дополнительные гарантии), либо принятие решения осуществляется индивидуально экспертами кредитного отдела с использованием дополнительной информации.

  • • Апостериорная вероятность класса клиента. Для каждого класса указывается вероятность, с которой данный клиент ему принадлежит.
  • • Оценка вероятности дефолта. Для принятия решения данная вероятность сравнивается с пороговым значением допустимой вероятности дефолта. Последняя определяется служащими банка на основании дополнительных расчетов.
  • • Суммарный скоринговый балл, или счет (score), — количественная оценка кредитоспособности потенциального заемщика (чем больше счет, тем последняя выше).

Обычно данная оценка пропорциональна вероятности успешного возврата кредита, поэтому либо по счету определяется вероятность дефолта и на этом основании принимается решение, либо, в зависимости от того, в какой промежуток попал счет, определяется класс клиента и на основании этого — условия выдачи кредита.

Выбор алгоритмов для включения в скоринговую систему существенно зависит от типа используемых статистических данных о заемщиках.

В целом возможно сочетание любой комбинации из перечисленных типов данных. С точки зрения построения или выбора статистических алгоритмов кредитного скоринга существенным является то, что перечисленные выше данные описываются как количественными (непрерывными), так и качественными (дискретными — номинальными или ординальными) признаками. В связи с этим возникает проблема классификации заемщиков в пространстве разнотипных признаков, модель которых не может быть описана некоторым известным законом распределения вероятностей. В частности, наличие дискретных признаков делает заведомо неадекватным предположение о совместном нормальном распределении классификационных признаков, которое является существенным для популярного в системах кредитного скоринга линейного дискриминантного анализа.

Невысокая эффективность систем кредитного скоринга при практическом применении может быть следствием ряда проблем, возникающих на этапе разработки скоринговой модели, формирования обучающей выборки и обучения (оценивания параметров) используемых статистических алгоритмов. К числу таких проблем можно отнести:

  1. неоптимальный выбор состава классификационных признаков (наличие большого числа малоинформативных признаков и отсутствие важных классификационных признаков);
  2. нерепрезентативность обучающей выборки (недостаточный объем, плохо формализованные классы заемщиков);
  3. существенное различие в объемах выборок, соответствующих различным классам заемщиков, например, значительное превышение числа надежных заемщиков над числом ненадежных заемщиков в обучающей выборке;
  4. наличие аномальных (резко выделяющихся) наблюдений в обучающей выборке, а также других типов неоднородности, обусловленных не принадлежностью заемщиков к рассматриваемым классам надежности, а другими факторами неоднородности (например, типом и сроком кредита);
  5. неточности в используемых данных, носящие технический либо преднамеренный характер и т. д.

Многие белорусские банки, несмотря на предложения «готовых решений» в данной области со стороны ряда ГГ-компаний, разрабатывают собственные скоринговые системы.

В то же время решение возникающих при этом проблем (включая подготовку данных) требует от разработчиков высокой квалификации в области методов многомерного статистического анализа данных. Специалистов сданной квалификацией пока еще недостаточно в аналитических подразделениях банков. Цель предлагаемого исследования — анализ типичных проблем, возникающих при разработке систем кредитного скоринга, на основе экспериментальной оценки точности классификации заемщиков для традиционно используемых в системах кредитного скоринга физических лиц статистических алгоритмов. На различных наборах экспериментальных данных, включая данные по заемщикам одного из белорусских банков, исследуются проблемы, возникающие при разработке и практическом применении алгоритмов, и указываются способы их преодоления.

Методы построения и конкретный вид решающего правила классификации зависят от дополнительных модельных предположений относительно вероятностной модели наблюдений, которые, в свою очередь, обусловлены особенностями реально наблюдаемых показателей.

Алгоритмы кредитного скоринга. В данном исследовании проводится сравнительный анализ трех часто используемых в системах кредитного скоринга физических лиц статистических алгоритмов классификации:

  • алгоритм линейного дискриминантного анализа (ЛДА);
  • алгоритм на основе логит-модели бинарного выбора (ЛМ);
  • алгоритм на основе дерева решений (ДР).

Описание данных. Для экспериментального исследования эф-фективности описанных алгоритмов использовались две выборки.

  • Первую выборку можно квалифицировать как «хорошо организованную» на основе реальных данных репрезентативную выборку, которая может использоваться для тестирования статистических алгоритмов кредитного скоринга. Эта выборка включает данные по 1000 заемщикам (объем выборки Ti = 1000) с известной кредитной историей.
  • Вторая выборка сформирована на реальных анкетных данных о 1800 заемщиках (Тг = 1800) белорусского коммерческого банка, получивших кредит на потребительские нужды и завершивших его выплату в 2006 г., для которых также был известен класс кредитоспособности.

Соотношение между надежными заемщиками, у которых не было просрочек по погашению кредита, и ненадежными приблизительно равно 11 для первой выборки и 41 для второй выборки. То есть в первой выборке надежные и проблемные заемщики в количественном соотношении представлены одинаково, а во второй — данных по надежным заемщикам в 4 раза больше, чем по проблемным.

Примеры основных показателей, традиционно используемых в моделях кредитного скоринга для физических лиц. Как правило, данные показатели делятся на 4 основных группы: демографические характеристики, финансовые характеристики, характеристики занятости и поведенческие характеристики.

Наиболее информативными считаются финансовые и поведенческие характеристики. Однако включение в анализ информации о демографических характеристиках и характеристиках занятости заемщика часто позволяет повысить уровень точности классификации заемщиков физических лиц.

Читайте также:

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *