Файл: ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ И ПЛАТЕЖЕСПОСОБНОСТИ ССУДОЗАЕМЩИКОВ КОММЕРЧЕСКИХ БАНКОВ.pdf

Таким образом, проведенный анализ в данной главе показывает несовершенство методики оценки кредитоспособности ссудозаемщика АО «СМП Банк», поэтому необходима разработка мероприятий, направленных на совершенствование методики кредитоспособности ссудозаемщика АО «СМП Банк».

ГЛАВА 3. РАЗРАБОТКА МЕРОПРИЯТИЙ ПО СОВЕРШЕНСТВОВАНИЮ МЕТОДИКИ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ССУДОЗАЕМЩИКА В АО «СМП БАНК»

3.1 Совершенствование оценки кредитоспособности физического лица

Для совершенствования оценки кредитоспособности физического лица предлагается внедрение автоматизации процессов оценки индивидуальных ссудозаемщиков. В частности, можно предложить автоматизацию от компании Experian – такой продукт, как New Business Strategy Manager. Продукт разработан подразделением Experian по аналитической поддержке кредитных решений DecisionAnalytics.

В рамках данного мероприятия можно предложить внедрение скоринговых карт с использованием модели логистической регрессии для всех розничных продуктов банка (кредитных карт, потребительских кредитов, автокредитов и ипотечных займов) на базе программного модуля New Business Strategy Manager (NBSM) от компании Experian, которые позволяют банку вырабатывать стратегии работы с ссудозаемщиками на основании результатов работы скоринговой модели и информации, полученной из бюро кредитных историй.

Сущность кредитного скоринга состоит в том, что каждый параметр оценки кредитоспособности ссудозаемщика имеет реальную оценку. Итоговая сумма баллов – это оценка кредитоспособности ссудозаемщика. Каждый вопрос имеет максимально возможный балл, который выше для таких важных вопросов, как профессия, и ниже, как возраст. Оценка кредитоспособности по методу скоринга New Business Strategy Manager является обезличенной.

Скоринг New Business Strategy Manager работает довольно просто. Сразу после внесения данных заявки в систему она анализирует массу параметров ссудозаемщика физического лица – от экономических (размер дохода, закредитованность и пр.) до социально-демографических (возраст, пол, семейное положение, наличие детей, профессия и т. д.). Кредитный специалист получает на выходе скоринговый балл, после чего проводит дополнительную собственную оценку адекватности и психического здоровья потенциального ссудозаемщика – то есть выполняет работу, которую автоматическая система сделать не может.

Разработка скоринговой модели New Business Strategy Manager строится на анализе предыдущего кредитного опыта. Достаточный объем информации – это одна из главных предпосылок построения модели. Количество данных может варьироваться в зависимости от конкретных моделей, но в целом данные должны удовлетворять требованиям статистической значимости и случайности.

Процесс построения скоринговой модели New Business Strategy Manager часто разбивают на два этапа:

1) построение первичной модели по данным «плохих» и «хороших» клиентов без учета «отклоненных» клиентов;

2) построение конечной модели с учетом анализа отклоненных заявок.

Многие эксперты в области кредитного скоринга отмечают, что анализ отклоненных заявок клиентов требует больших ресурсов и не всегда приводит к улучшению качества конечной скоринговой модели. Наиболее часто используемый вид измерения зависимой переменной – категориальный с двумя категориями. Обычно к категории «плохой» относят клиентов, имеющих просроченную задолженность 90 дней и более.

Для моделирования значений такой переменной идеально подходит логистическая регрессия. Банк может строить различные скоринговые карты New Business Strategy Manager с разными значениями зависимой переменной, вводя дополнительные критерии определения «плохого» и «хорошего» ссудозаемщика, а также меняя срок просрочки платежей.

Примерами зависимой переменной могут быть наличие просроченной задолженности более 30 дней, 60 дней, 90 дней и более по одному кредиту на текущий момент или худший статус за все время кредитной истории, размер просроченной задолженности, количество просрочек более заданного числа дней и др.

В качестве независимых переменных при построении скоринговой модели New Business Strategy Manager могут быть данные из кредитной заявки: социально-демографические данные о ссудозаемщике (пол, семейное положение, возраст, должность, общий стаж работы и стаж работы на последнем месте, срок проживания по текущему адресу, наличие детей, уровень образования, доход ссудозаемщика и доход семьи, работает или на пенсии и др.); информация о запрашиваемом кредите (срок погашения кредита по договору, сумма кредита, размер ежемесячных платежей, размер первоначального взноса, цель кредита, наличие обеспечения и др.); реже используются маркетинговые данные (источник рекламы, проводимая маркетинговая программа, мотив выбора банка).

На практике могут быть построены скоринговые модели со следующими типами независимых переменных: только с количественными, только с категориальными, с категориальными и с количественными переменными.

Тестовая выборка используется после построения модели логистической регрессии для проверки ее достоверности. Для кредитного скоринга – это, прежде всего, способность модели отличать «хороших» ссудозаемщиков от «плохих». Проверка достоверности модели заключается в ее применении и сравнении результатов на контрольной и тестовой выборке. Модель должна давать корректные прогнозы не только на обучающей совокупности, но и на практике при ее применении. Обычно используют стратегию генерализации модели на основе двух выборок. Схожие показатели точности, полученные на обучающей и тестовой выборке – признак того, что на практике скоринговая модель будет работать примерно также.

Например, среди 700 клиентов предварительной выборки 50 оказались «плохими». Оценка доли «плохих» клиентов по имеющимся данным для построения модели составила около 0.07 или 7%. При таком значении оценки доли, предположим, мы хотим ошибиться не более чем на 5%, что будет соответствовать допустимой предельной ошибке оценки доли 0.0035. При этом мы хотим получить результаты с надежностью не менее 99%. В этом случае z-значение стандартного нормального закона распределения составит около 2.58.

Первая стратегия подготовки данных для построения модели логистической регрессии при малом количестве «плохих» ссудозаемщиков и большом объеме выборки может быть следующей. Можно взять 100% всех «плохих» ссудозаемщиков и случайным образом отобрать часть «хороших» наблюдений. После реализации такого алгоритма доля «плохих» к «хорошим» наблюдениям может составлять от 0.1 до 0.5.

Вторая стратегия может быть более предпочтительна при небольшом объеме выборки. Суть ее в перевзвешивании данных, чтобы добиться нужного соотношения «плохих» и «хороших» наблюдений в выборке для построения модели. Перевзвешивание данных, в отличие от корректировки выборки за счет случайного отбора, дает, как правило, более надежные оценки параметров модели логистической регрессии.

При таком подходе следует избегать двух основных ошибок, которые могут привести к смещению коэффициентов логистической регрессии. Во-первых, если брать часть «хороших» наблюдений, а не все, то их следует отбирать на основе механизма случайного отбора, чтобы наблюдения были независимыми.

Например, отобрав каждое третье «хорошее» наблюдение в данных, мы рискуем получить зависимые наблюдения. Во-вторых, «плохие» и «хорошие» наблюдения должны быть сформированы по одной методике и на основе одинаковых критериев отбора данных, рассмотренных выше.

После корректировки выборки и оценки параметров модели логистической регрессии ее способность классифицировать редкие события улучшится. Коэффициенты же при независимых переменных останутся практически неизменными. Если логистическая регрессия используется для разработки скоринговой карты, то значений коэффициентов при независимых переменных будет достаточно.

Меняя пропорции «успехов» и «неуспехов» в выборке при построении модели логистической регрессии, изменится оценка значения константы модели. Для оценки правильной вероятности наступления моделируемого события риска в случае перевзвешивания данных, значение константы корректируется.

Необходимые расчеты с использованием модели логистической регрессии будут осуществляться при помощи программного обеспечения.

В таблице 3.1 приведены данные о затратах по реализации мероприятия по совершенствованию оценки кредитоспособности ссудозаемщика – физического лица.

Таблица 3.1 – Затраты для реализации мероприятия по совершенствованию оценки кредитоспособности ссудозаемщика – физического лица, тыс.руб.

Таким образом, для реализации мероприятия по совершенствованию оценки кредитоспособности ссудозаемщика – физического лица потребуются затраты в сумме 1990,4 тыс.руб.

3.2 Оценка эффективности предложенных мероприятий

Решение о внедрении такой системы дается банку нелегко. Причин такого нежелания множество: привычка работать «на глаз» и по «установившейся традиционной методике», вечная несвоевременность и кажущаяся сложность внедрения, и так далее.

Действительно, большая часть отечественных банков уже пользуется некими простейшими подобиями скоринговых систем, позволяющими оценивать заемщика. В какой-то мере эти методики несколько упрощают работу кредитных специалистов. Но такие элементарные программы (около 90 % из них – таблицы характеристик заемщика, выполненные в MS Excel) имеют ряд недостатков, в связи с которыми их нельзя назвать «системами кредитного скоринга» в полном понимании этого слова.

Таблица 3.2 – Сравнение типового подхода и скоринга 

Практический опыт внедрения систем кредитного скоринга в отечественных банках позволяет нам сравнить типовой подход к скорингу, рассмотренный выше, и применение полноценных систем кредитного скоринга. Такое сравнение по ключевым критериям приведено в таблице.

На основании экспертных оценок, представим прогноз плана снижения уровня невозврата кредитов за счет внедрения предложенных мероприятий по совершенствованию методики оценки ссудозаемщиков – юридических и физических лиц АО «СМП Банк».