Кредитная политика коммерческого банка

 

На практике эта длительность оказывается различной для разных видов риска. Более того, эти периоды  для разных рисков могут быть смещены  по времени, то есть период наиболее принципиального  воздействия для одного вида риска  может наступать ранее либо позднее  соответствующего периода для другого  вида риска.

 

Для оценки общих потерь кредитного портфеля мы, для простоты, будем  рассматривать некоторый усредненный  период принципиального воздействия  разных рисков, который назовем периодом активной фазы кризиса.

 

Валютный риск влияет более  сложным образом. Во-первых, изменения  валютного курса в сторону  возрастания (ДS > 0) либо coкрaщения (ДS < 0) изменяют знак вклада валютного  риска в изменение капитала. Во-вторых, даже при фиксированном изменении  валютного курса знак вклада в  изменение капитала может изменяться в зависимости от соотношения  значений параметров портфеля кредитов и величины привлеченных средств.

 

Выражение помимо членов, которые  содержат изменения риск - факторов по отдельным видам риска (их воздействие  рассмотрено выше), включает в себя к тому же члены, которые содержат произведения изменений разных риск - факторов. Такие члены описывают  взаимодействие соответствующих рисков, то есть представляют потери, связанные  с одновременным присутствием нескольких рисков.

 

В обычных условиях, когда  относительные изменения риск-факторов невелики, нелинейные члены дают малый  депозит в общие потери, и поэтому  взаимодействием рисков в этом случае можно пренебречь. Другое дело - период кризиса. В это время относительные  изменения, по крайней мере, некоторых  риск - факторов могут достигать  больших величин. Причем члены, описывающие  взаимодействие таких рисков, могут  давать депозит и потери, сравнимый  и даже значительно превосходящим  вклады от отдельных видов риска.

 

Комплексная разработка теоретических  и практических вопросов формирования и реализации механизма управления кредитным риском коммерческого  банка является знaчительной экономической  проблемой, решение которой позволит принципиально повысить качество кредитного портфеля. Для решения этой цели требуется внедрять прогрессивной  зарубежный и российский теоретический  и практический опыт в части оценки кредитных рисков, использовать единые подходы к анализу кредитоспособности персональных заемщиков, качества кредитов и бизнес-риска персональных заемщиков. С другой стороны, требуется осуществлять последовательный анализ качества кредитного портфеля банка в целом и его  структуры.

 

Такой подход будет способствовать принципиальному ограничению степени  влияния кредитного риска на банковскую систему страны, и, следовательно, способствовать укреплению ее стабильности и эффективности.

 

3.2 Использование инновационных  методов анализа данных с целью  снижения кредитного риска

 

Для coкрaщения риска при  операциях кредитования физических лиц рассмотрим метод, основанный на иcпoльзoвaнии технологии интеллектуального  анализа данных. Можно привести давно  всем известную цепочку связанных  событий: чем меньше рискует банк при предоставлении кредита, тем  меньше процентная ставка предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк; чем больше клиентов обратиться в банк, тем большую  прибыль получит банк, а это  одна из основных целей коммерческой деятельности.

 

Риск, связанный с невозвратом  суммы основного долга и процентов  можно значительно снизить, оценивая вероятность возврата заемщиком  кредита. В последнее время для  оценки риска кредитования заемщика в мировой практике широкое распространение  получил скоринг. В России ему  к тому же уделяют должное внимание.

 

Сущность этого метода состоит в том, что каждый фактор, характеризующий заемщика, имеет  свою количественную оценку, т.е. баллы. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально вероятный порог, который выше для знaчительных вопросов и ниже для второстепенных.

 

На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных  является модель Дюрана. Дюран определил  группы факторов, разрешающих максимально  определить степень кредитного риска. Но эта модель как любая другая не идеальна и имеет ряд недостатков.

 

Основным недостатком  скоринговой системы оценки кредитоспособности физических лиц является то, что  она весьма формализована, плохо  адаптируема. Хорошая методика для  оценки кредитоспособности система, обязана  отвечать реальному положению дел. Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что  он востребован. В иных станах наоборот - данное обстоятельство говорит о  том, что человек или не может  ужиться с коллективом, или это  малоценный специалист, а соответственно повышается вероятность просрочки  в платежах.

 

Таким образом адаптировать модель просто крайне необходимо, как  для различных периодов времени, так и для различных стран  и даже для различных регионов страны.

 

Для адаптации скоринговой  модели оценки кредитоспособности физических лиц специалисту требуется проделывать  путь, подобный тому, что проделал Дюран. То есть специалисты, которые будут  заниматься такой адаптацией должны быть высоко квалифицированными, и  должны профессионально оценить  текущую ситуацию на рынке. Результатом  проделанной работы будет набор  факторов с весовыми коэффициентами плюс некий порог (значение), преодолев  который, человек, обратившийся за кредитом, считается способным погасить испрашиваемую  ссуду плюс проценты. Полученные итоги  являются по большей части субъективным мнением и, как правило, плохо  подкреплены статистикой, т.е. являются статистически необоснованные.

 

Как следствие, полученная модель не в полной мере отвечает текущей  действительности.

 

Краеугольным камнем методики является качество исходных данных. От них напрямую зависит качество построенной  модели. Чтобы обеспечить его, требуется  придерживаться следующего алгоритма:

 

выдвижение гипотезы - предположение  о влиянии тех либо других факторов на исследуемую задачу. Данную задачу решают эксперты, полагаясь на свой опыт и знания. Результатом на данном этапе является список всех факторов;

 

сбор и систематизация данных - представление данных в  формализованном виде, подготовка данных в конкретном виде (например, соблюдение упорядоченности по времени);

 

подбор модели и тестирование - комбинирование разных механизмов анализа, оценка экспертами адекватности полученной модели. Возврат на предыдущие шаги при невозможности получения  приемлемых результатов (например, проверка очередной гипотезы);

 

использование приемлемой модели и ее развитие;

 

Именно с помощью такого подхода составлены анкеты - заявки на получение кредита. Экспертами в  данной области были выявлены факторы, наиболее влияющие на результат. Эту  информацию и заполняют в анкетах  потенциальные заемщики. Помощь в  проверке гипотез может оказать  реализованный в Deductor факторный  анализ. Данный инструмент выявляет значимость тех либо других факторов.

 

Итак, задача заключается  в построении модели оценки (классификации) потенциальных заемщиков. Решение  цели к тому же должно обладать большой  достоверностью классификации, возможностью адаптации к любым условиям, простотой  использования модели.

 

Пользуясь приведенной методикой, была предложена гипотеза о том, какие  факторы влияют на кредитоспособность человека. По мнению экспертов, по этим факторам можно учесть суммарный  риск. Тем самым должно достигаться  и отнесение потенциального заемщика к способным вернуть кредит либо не способным.

 

"Дерево решений" (Приложение  В) - один из методов автоматического  анализа данных. Получаемая модель - это способ представления правил  в иерархической, последовательной  структуре, где любoму объекту  соответствует единственный узел, дающий решение.

 

Сущность метода заключается  в следующем:

 

На основе данных, за прошлые  периоды строится "дерево". Причем класс каждой из ситуаций, на основе которых строится "дерево", заранее  известен. В нашем случае должно быть известно, была ли возвращена главная  сумма долга и проценты, и не было ли просрочек в платежах.

 

При построении "дерева" все известные ситуации обучающей  выборки сначала попадают в верхний  узел, а потом распределяются по узлам, которые в свою очередь  к тому же могут быть разбиты на дочерние узлы. Критерий разбиения - это  разные значения какого-либо входного фактора. Для определения поля, по которому будет происходить разбиение, используется показатель, называемый энтропия - мера неконкретности. Выбирается то поле, при разбиении по которому устраняется больше неконкретности. Неконкретность тем выше, чем больше примесей (объектов, относящихся к  разным классам) находятся в одном  узле. Энтропия равна нулю, если в  узле будут находиться объекты, относящиеся  к одному классу.

 

Полученную модель используют при определении класса (Давать / Не давать кредит) вновь возникших  ситуаций (поступила заявка на получение  кредита).

 

При принципиальном изменении  текущей ситуации на рынке, "дерево" можно перестроить, то есть адаптировать к существующей обстановке.

 

Для демонстрации подобной технологии будет использоваться программа Tree Analyzer из пакета Deductor ver.3. В качестве исходных данных была взята выборка, состоящая из 1000 записей, где каждая запись - это описание характеристик  заемщика плюс параметр, описывающий  его поведение в процессе погашения  ссуды. При обучении дерева использовались следующие факторы, определяющие заемщика: "N Паспорта"; "ФИО"; "Адрес"; "Размер ссуды"; "Срок ссуды"; "Цель ссуды"; "Среднемесячный доход"; "Среднемесячный расход"; "Основное направление расходов"; "Наличие недвижимости"; "Наличие  автотранспорта"; "Наличие банковского  счета"; "Наличие страховки"; "Название организации"; "Отраслевая принадлежность предприятия"; "Срок работы на данном предприятии"; "Направление  деятельности заемщика"; "Срок работы на данном направлении"; "Пол"; "Семейное положение"; "Число  лет"; "Число иждивенцев"; "Срок проживания в данной местности"; "Обеспеченность займа"; "Давать кредит". Причем поля: "N Паспорта", "ФИО", "Адрес", "Название организации" алгоритм уже до начала построения дерева решений определил как  непригодные (рисунок 3.3) по причине  практической уникальности каждого  из значений.

 

Целевым полем является поле "Давать кредит", принимающий значения "Да" (True) и "Нет" (False). Такие  значения можно интерпретировать следующим  образом: "Нет" - плательщик или  сильно просрочил с платежами, или  не вернул доля денег, "Да" - противоположность "Нет". Факторы для построения дерева были собраны и консолидированы  в хранилище данных Deductor Warehouse. (Приложение Г)

 

Методология хранилища такова, что информация хранится в процессах, каждый процесс имеет конкретный набор измерений и фактов. Т.е. процесс реализован по стандартной  схеме "Звезда", в центре которой  хранятся факты, а измерения являются лучами. В данном случае процесс  отображает выдачу кредита заемщику. Наиболее ценной информацией процесса является статус кредита. Хороший кредит - тот, который заемщик вернул в срок и в полном размере, плохой - обратная ситуация.

 

При построении модели оценки кредитоспособности огромную помощь эксперту окажет разнообразная аналитическая  отчетность. Поскольку данные в хранилище  представлены в многомерном виде, то, без сомнений, наиболее удобно получать отчетность в виде набора срезов кросс - таблиц.

 

Анализируя полученное дерево решений можно сделать вывод, что при помощи дерева решений  можно осуществлять анализ значащих факторов. Такое возможно благодаря  тому, что при определении параметра  на каждом уровне иерархии, по которому происходит разделение на дочерние узлы, используется критерий наибольшего  устранения неконкретности. Таким образом, более значимые факторы, по которым  проводится классификация, находятся  на более близком расстоянии (глубине) от корня дерева, чем менее значимые. Например, фактор "Обеспеченность займа" более значим, чем фактор "Срок проживания в данной местности". Фактор "Основное направление расходов" значим исключительно в сочетании  с иными факторами. Еще одним  интересным примером значимости разных факторов служит отсутствие в построенном  дереве параметра "Наличие автотранспорта", что говорит о том, что на сегодняшний  день это наличие не является определяющим при оценке кредитоспособности физического  лица.

 

Можно заметить, что такие  показатели как "Размер ссуды", "Срок ссуды", "Среднемесячный доход" и "Среднемесячный расход" вообще отсутствуют в полученном дереве. Данный факт можно объяснить тем, что в исходных данных присутствует такой показатель как "Обеспеченность займа", и т.к этот фактор является точным обобщением четыре вышеописанных  показателей, алгоритм построения дерева решений выбрал именно его.

 

Очень знaчительной особенностью построенной модели является то, что  правила, по которым определяется принадлежность заемщика к той либо другoй группе записаны на конечном языке.

 

Правильно построенное на данных прошлых периодов дерево решения  обладает одной еще весьма знaчительной  особенностью. Тaкая особенность  называется способность к обобщению. То есть если возникает новая ситуация (обратился потенциальный заемщик), то, скорее всего, такие ситуации уже  были и достаточно много. Вследствие чего можно с большой долей  уверенности сказать, что вновь  обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых весьма похожи на характеристики вновь обратившегося. Также можно  определять принадлежность потенциального заемщика к одному из классов. Для  этого требуется воспользоваться  диалоговым окном "Эксперимент".

 

Используя такой подход можно  устранить сразу оба вышеописанных  недостатка скоринговой системы  оценки кредитоспособности. То есть:

 

Стоимость адаптации сводится фактически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это  самоадаптируемые модели (вмешательство  человека минимально).