Научная статья на тему 'Использование нейронечеткой скоринговой модели в оценке кредитного риска заемщика'

Использование нейронечеткой скоринговой модели в оценке кредитного риска заемщика Текст научной статьи по специальности «Экономика и бизнес»

CC BY
880
129
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
Финансы и кредит
ВАК
Область наук
Ключевые слова
БАНКИ / КРЕДИТНЫЙ РИСК / ЗАЕМЩИК / НЕЙРОННЫЕ СЕТИ / СКОРИНГ

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Бобыль В. В.

В статье отмечается, что современный финансовый кризис обусловил объективную необходимость дальнейшего исследования проблемы определения кредитного риска заемщика. Рассмотрены вопросы использования нейронечеткой скоринговой модели в оценке кредитоспособности физических и юридических лиц, а также определены значения коэффициентов кредитоспособности заемщика при максимальном и минимальном кредитных рисках. Сделан вывод о том, что применение нейронных сетей в скоринговых моделях банка особенно эффективно в том случае, когда исторических данных недостаточно для построения статистической модели или когда в модель вводятся качественные факторы, которые могут быть оценены только экспертным путем.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Бобыль В. В.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Использование нейронечеткой скоринговой модели в оценке кредитного риска заемщика»

Банковское дело

УДК 336.717

ИСПОЛЬЗОВАНИЕ НЕЙРОНЕЧЕТКОЙ

СКОРИНГОВОЙ модели в оценке кредитного риска заемщика

в.в. бобыль,

кандидат экономических наук, доцент кафедры учета, аудита и интеллектуальной собственности E-mail: [email protected] Днепропетровский национальный университет железнодорожного транспорта им. академика В. лазаряна, Украина

В статье отмечается, что современный финансовый кризис обусловил объективную необходимость дальнейшего исследования проблемы определения кредитного риска заемщика. Рассмотрены вопросы использования нейронечеткой скоринговой модели в оценке кредитоспособности физических и юридических лиц, а также определены значения коэффициентов кредитоспособности заемщика при максимальном и минимальном кредитных рисках. Сделан вывод о том, что применение нейронных сетей в скоринговых моделях банка особенно эффективно в том случае, когда исторических данных недостаточно для построения статистической модели или когда в модель вводятся качественные факторы, которые могут быть оценены только экспертным путем.

Ключевые слова: банки, кредитный риск, заемщик, нейронные сети, скоринг

Современный мировой финансовый кризис обусловил повышение интереса к вопросам развития систем управления банковскими рисками. Под механизмом системы риск-менеджмента понимаются процедуры выявления (идентификации), оценки, управления и мониторинга (контроля) банковских рисков. Актуальность приобретает проблема усо-

вершенствования механизма управления кредитным риском.

Особое место в системе риск-менеджмента банка занимают методы оценки кредитоспособности заемщиков юридических и физических лиц. Этому вопросу посвящены работы М.В. Бордаковой [1], А.Н. Борщева [2], Ф.Х. Кодзоева [3], В.И. Корнейчука [4], Н.С. Костюченко [5], В.В. Кулаковского [6], Ю.И. Матигорова [7] и др.

Однако следует отметить, что в большинстве исследований оценка кредитного риска заемщиков построена на базе статистического анализа. Для его реализации требуется значительное количество четкой входящей статистической информации, которая не всегда имеется в условиях значительных изменений факторов внешней среды. Кроме того, во время финансового кризиса большое значение имеют качественные критерии оценки заемщика, которые нельзя представить определенными числовыми параметрами, а можно дать лишь описательно.

В связи с этим предлагается при разработке современных скоринговых систем использовать нейронечеткие технологии, которые позволяют значительно расширить возможность моделирования сложных экономических объектов, процессов,

что очень актуально в условиях финансового кризиса (при отсутствии достоверных данных, неполной и нечеткой

Фазификатор Нечеткая база Машина нечеткого Дезафикатор

(X ^ X) —► знании —► логического вывода —► (У ^ у)

(«Если - Тогда») (* ^ у)

структура скоринговой модели на основе нечеткого логического вывода

статистической информации, сложных нелинейных зависимостях выходов от входов системы).

Построение нейронечеткой модели состоит из двух этапов.

Первый этап (структурная идентификация) заключается в формировании нечеткой базы знаний, воспроизводящей зависимость выхода от входов с помощью лингвистических правил «Если - Тогда», которые генерируются на базе экспериментальных данных. В качестве примера можно привести следующее построение: если <коэффициент текущей ликвидности «хороший»> и <коэффициент финансовой устойчивости «удовлетворительный»^ и <коэффициент обеспечения оборотными средствами «неудовлетворительный»>, тогда <кредитный риск по заемщику - юридическому лицу -. «низкий»>.

На втором этапе проводится параметрическая идентификация: поиск таких параметров нечеткой базы знаний, которые минимизируют отклонение теоретических (рассчитанных по модели) результатов от экспериментальных. Типичная структура нечеткой модели представлена на рисунке.

Как показывает анализ данных рисунка, модель состоит из следующих блоков:

1) фазификатор, который трансформирует фиксированный вектор влияющих факторов Х в вектор нечетких множеств Х, необходимых для выполнения нечеткого логического вывода;

2) нечеткая база знаний, содержащая информацию о зависимости У = f (X) в виде лингвистических правил типа «Если - Тогда»;

3) машина нечеткого логического вывода, которая на основе правил базы знаний определяет значение выходной переменной в виде нечеткого множества У, что соответствует нечетким значениям входных переменных Х;

4) дефазификатор, трансформирующий нечеткое множество У в четкое число У

Вначале логично рассмотреть использование скоринговой нейронечеткой модели при оценке кредитоспособности заемщика - юридического лица (кроме банка). Для этого берутся влияющие факторы в виде следующих коэффициентов:

- общей ликвидности;

- мгновенной ликвидности;

- текущей ликвидности;

- мобильности активов;

- денежного потока заемщика;

- финансовой устойчивости;

- автономности;

- обеспечения собственными оборотными средствами.

Формулы расчета данных коэффициентов представлены в табл. 1.

В качестве значений интегральной оценки уровня кредитного риска заемщика - юридического лица У выберем:

- «0», если были выполнены все условия кредитного договора между заемщиком и банком;

- «1», если условия кредитного договора не выполнены (риск максимальный).

Входные данные для моделирования оценки кредитного риска заемщиков - юридических лиц

Таблица 1

Коэффициенты оценки кредитоспособности заемщика - юридического лица

Коэффициент Формула расчета

Общей ликвидности А / О, о т' где Ао - оборотные активы; От - текущие (краткосрочные) обязательства, состоящие из краткосрочных кредитов и расчетов с кредиторами

Мгновенной ликвидности А / О, в т' где Ав - высоколиквидные активы (средства и их эквиваленты, текущие финансовые инвестиции)

Текущей ликвидности А / О, л т' где Ал - ликвидные активы (высоколиквидные активы, дебиторская задолженность, полученные векселя)

Окончание табл. 1

Коэффициент Формула расчета

Мобильности активов Ал /4, где Ан - необоротные активы

Денежного потока (Нсмп) - (Змп) - З С , где Нсм - среднемесячные поступления на счета заемщика в течение трех последних месяцев (за исключением банковских средств); п - количество месяцев действия банковского договора; Зм - ежемесячные условно-постоянные обязательства заемщика; З. - налоговые платежи и сумма других обязательств перед кредиторами, которые должны быть оплачены со счета заемщика, кроме сумм обязательств, срок погашения которых превышает срок действия банковского договора (по данным последнего баланса); Ск - сумма кредита и проценты по нему

Финансовой устойчивости В + Д к ^п П ' где Вк - собственные средства заемщика; Дт - долгосрочная кредиторская задолженность; П - пассив (валюта баланса)

Автономности Вк/ П, где Вк - собственные средства заемщика

Обеспечения собственными оборотными средствами Вк - А Зк ' где Зк - привлеченные средства (долгосрочная и краткосрочная задолженность заемщика)

(кроме банков) были взяты из реальных кредитных историй КБ «Причерноморье» (Украина). По каждому банковскому договору зафиксированы условия (дата выдачи, планируемая и фактическая даты погашения, объем кредита, процент, тип обеспечения), характеристики хозяйственной деятельности

юридического лица, параметры фактического выполнения договора (исходные данные приведены в табл. 2).

Для выявления взаимозависимости указанных показателей рассчитаем их парные коэффициенты корреляции. Результаты расчетов приведены в

Номер кредитной истории Коэффициенты Интегральная оценка уровня кредитного риска заемщика У

Общей ликвидности (1) Мгновенной ликвидности (2) Текущей ликвидности (3) Мобильности активов (4) Денежного потока (5) Финансовой устойчивости (6) Автономности (7) Обеспечения собственными оборотными средствами (8)

1 0,40 0,01 0,24 0,10 -0,27 0,63 0,58 -0,60 1

2 0,25 0,00 0,22 1,70 0,79 -3,01 -1,33 -0,75 1

3 0,63 0,00 0,19 0,68 6,10 -0,11 -10,41 -0,37 1

4 0,95 0,00 0,73 18,62 1,35 -0,11 -80,92 -0,05 1

5 0,38 0,00 0,21 0,47 -3,77 -0,02 -6,00 -0,62 1

6 0,94 0,00 0,74 1,20 0,73 0,36 1,80 -0,06 0

7 7,15 0,37 3,10 0,06 0,51 0,98 0,02 6,15 0

8 7,79 0,00 2,71 0,51 19,04 0,92 0,08 6,79 0

9 0,20 0,01 0,01 0,10 -17,43 0,81 0,23 -0,08 0

10 1,07 0,03 0,82 2,15 -21,87 0,31 2,35 0,05 0

11 1,02 0,00 0,06 0,66 5,99 0,10 9,22 0,02 0

12 1,39 0,00 1,39 0,12 11,01 0,92 0,99 0,39 0

Таблица 2

Входные данные для моделирования оценки кредитного риска заемщика - юридического лица

матрице (обозначения столбцов соответствуют номерам коэффициентов табл. 2).

Как показывает анализ данных матрицы, некоторые пары показателей имеют высокий уровень линейной зависимости (например, коэффициенты общей и текущей ликвидности). В процессе разработки нейронечеткой скоринговой модели определение таких пар позволяет уменьшить количество коэффициентов до пяти, а именно:

- коэффициент мгновенной ликвидности х1;

- коэффициент текущей ликвидности х2;

- коэффициент мобильности активов х3;

- коэффициент денежного потока х4;

- коэффициент финансовой устойчивости х5.

В этом случае оценка кредитного риска юридического лица определяется по формуле

У = г (х1, х2, х3, х4, х5).

Для построения термов для переменных х1, х2, х3 возьмем отрезки, правой границей каждого из которых будет наибольшее значение каждой переменной, а левой - наименьшее. Разделим эти отрезки на три равные части, которым будут отвечать нечеткие термы:

- низкий - Н;

- средний - С;

- высокий - В.

Полученные отрезки приведены в табл. 3.

Для построения термов для переменных х4, х5 возьмем по 4 нечетких термы:

- критический - К;

- низкий Н;

- средний - С;

- высокий - В.

Полученные отрезки приведены в табл. 4.

Нечеткая база знаний в компактном виде представлена в табл. 5.

Анализ данных табл. 5 показывает, что кредитный риск является минимальным, если значение коэффициента мобильности активов и коэффициента денежного потока высокое: коэффициент мобильности активов - более 0,5, а коэффициент денежного потока - более 1,5. При этом коэффициенты мгновенной и текущей ликвидности могут быть:

- средними - значение коэффициента мгновенной ликвидности находится в интервале [0,05 - 0,2), а значение коэффициента текущей ликвидности - в интервале [0,25 - 0,5);

- высокими - значение коэффициента мгновенной ликвидности более 0,2, а значение коэффициента текущей ликвидности более 0,5.

Уровень кредитного риска значительно увеличивается, когда коэффициенты мгновенной и текущей ликвидности являются низкими (значение коэффициента мгновенной ликвидности не достигает 0,05, а значение коэффициента текущей ликвидности меньше 0,25).

Чтобы лучше отражать специфику современного финансового кризиса, данная модель может быть дополнена другими показателями финансо-

Парные коэффициенты корреляции показателей кредитоспособности заемщика - юридического лица

(1) (2) (3) (4) (5) (6) (7) (8)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

(1) 1,000 0,618 0,949 -0,192 0,181 0,458 0,143 0,996

(2) 0,618 1,000 0,676 -0,124 -0,086 0,284 0,118 0,618

(3) 0,949 0,676 1,000 -0,135 0,168 0,505 0,072 0,949

(4) -0,192 -0,124 -0,135 1,000 0,440 -0,052 -0,715 -0,192

(5) 0,181 -0,086 0,168 0,440 1,000 0,210 0,196 0,181

(6) 0,458 0,284 0,505 -0,052 0,210 1,000 0,058 0,458

(7) 0,143 0,118 0,072 -0,715 0,196 0,058 1,000 0,143

(8) 0,996 0,618 0,949 -0,192 0,181 0,458 0,143 1,000

Примечание. Матрица построена на основании данных табл. 2.

Таблица 3 Термы для переменных х1, х2, х3

Таблица 4

Термы для переменных х4, х5

Показатель Коэффициенты

х1 х2 х3

Н (низкий) [0,00; 0,05) [0,00; 0,25) [0,00, 0,20)

С (средний) [0,05; 0,20) [0,25, 0,50) [0,20, 0,50)

В (высокий) [0,20; 0,30] [0,50, 1,50] [0,50, 0,70]

Показатель Коэффициенты

х4 х5

К (критический) [-1,00; 0,00) [-1,00; 0,00)

Н (низкий) [0,00; 0,5) [0,00; 0,20)

С (средний) [0,5; 1,5) [0,20; 0,40)

В (высокий) [1,5; 2,5] [0,40; 1,00]

Таблица 5

Компактный вид базы знаний по оценке кредитного риска заемщика - юридического лица

У номер правила Коэффициенты

х1 х2 х3 х4 х5

0 1 Н Н Н К В

2 Н Н В С К

3 Н Н В В К

4 С С В С Н

5 Н Н С К Н

1 6 С С В С С

7 В В Н Н В

8 В В С В В

9 Н Н В В К

10 С С В В С

11 Н Н В В Н

12 В В Н В В

вого состояния заемщика - юридического лица. Возможность дополнения модели факторами-показателями позволяет на основе нейронечеткого подхода создавать подсистемы поддержки принятия эффективных банковских решений о кредитовании корпоративного бизнеса [8].

В свою очередь, для характеристики кредитного риска заемщика - физического лица, по мнению автора, следует использовать следующие количественные и качественные показатели:

- коэффициент обеспечения кредита залогом

х1;

- коэффициент обеспечения кредита совокупным среднемесячным доходом х2;

- возраст заемщика х3;

- наличие постоянной работы х4;

- непрерывный стаж работы х5;

- история погашение кредитов в прошлом х6 .

Методика расчетов этих коэффициентов приведена в табл. 6.

Как и в случае с определением кредитного риска заемщика - юридического лица, интегральной оценкой уровня кредитного риска заемщика - физического лица У будут выступать два значения:

- «0», если выполнены условия кредитного договора между заемщиком и банком;

- «1», если условия кредитного договора не выполнены (кредитный риск - максимальный).

Входные данные для моделирования оценки кредитного риска заемщиков - физических лиц были взяты из реальных кредитных историй КБ «Причерноморье» (табл. 7).

Соответствующие термы для количественных переменных х1, х2, х3, х4, х5, х6 приведены в табл. 8.

Таблица 6

Коэффициенты оценки кредитоспособности заемщика - физического лица

Показатель Формула расчета (значение)

Коэффициент х1 Вз/ Ск, где Вз - стоимость залога (сумма поручительства или сумма договора страхования финансового риска); Ск - сумма кредита и процентов

Коэффициент х2 МД МПК + МВ' где МД - совокупный среднемесячный доход заемщика; МПК - ежемесячные платежи по кредиту, включая проценты; МВ - сумма среднемесячных расходов заемщика

Коэффициент х3 Возраст заемщика, лет

Коэффициент х4 Стаж работы на постоянном месте, лет

Коэффициент х5 Непрерывный стаж работы, лет

Коэффициент х6 В прошлом своевременно погасил кредит или погасил с нарушениями, или не брал кредита

Приведем компактный вид нечеткой базы знаний по оценке кредитного риска заемщика - физического лица в табл. 9.

Как показывает анализ данных табл. 9, значение кредитного риска является минимальным в том случае, если коэффициент обеспечения кредита совокупным среднемесячным доходом является:

- выше среднего - значение коэффициента находится в интервале [1,00 - 1,25);

Таблица 7

Входные данные для моделирования оценки кредитного риска заемщика - физического лица

Номер кредитной истории Коэффициенты У

х1 х2 х3 х4 х5 х6

1 2,49 0,00 54 5 33 Не брал кредита 1

2 2,33 1,50 56 24 33 Не брал кредита 1

3 1,35 1,44 45 7 23 Не брал кредита 1

4 3,55 0,00 47 0 28 Погасил кредит с нарушением 1

5 1,44 1,00 41 4 21 Не брал кредита 1

6 1,00 1,38 33 7 15 Погасил кредит своевременно 0

7 1,00 0,84 43 8 23 Не брал кредита 0

8 1,00 1,05 55 13 37 Погасил кредит своевременно 0

9 1,00 1,14 21 11 1 Погасил кредит своевременно 0

10 1,00 1,00 37 0 15 Погасил кредит своевременно 0

11 0,93 1,26 27 3 8 Не брал кредита 0

12 1,00 1,55 34 7 7 Погасил кредит своевременно 0

13 1,00 1,29 22 1 1 Погасил кредит своевременно 0

14 1,00 1,11 51 0 34 Не брал кредита 0

15 3,98 0,82 45 8 21 Не брал кредита 0

Таблица 8

Термы для переменных х1, х2, х3, х4, х5, х6

Показатель Коэффициенты

х1 х2 х3 х4 х5 х6

Терма 1 Низкий - Низкий - Низкий - Низкий - Низкий - Низкий -

Н [0,00; 0,50) Н [0,00; 0,50) Н < 25 Н [0; 1) Н [0; 3) Н «не брал» или «с нарушениями погасил»

Терма 2 Ниже среднего - НС Ниже среднего - НС Средний - Средний - Средний - Высокий -

[0,50; 1,00) [0,50; 0,75) С [25; 50) С [1; 3) С [3; 5) В «своевременно погасил»

Терма 3 Средний - Средний - Высокий - Высокий - Высокий - -

С [1,00; 2,00) С [0,75; 1,00) В >= 50 В >= 3 В >= 5

Терма 4 Высокий -В >= 2,00 Выше среднего - ВС [1,00; 1,25) — — — —

Терма 5 — Высокий -В >= 1,25 — — — —

Таблица 9

Компактный вид базы знаний по оценке кредитного риска заемщика - юридического лица

У Номер кредитной Коэффициенты

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

истории х1 х2 х3 х4 х5 х6

1 1 В Н В В В Н

2 В В В В В Н

3 С В С В В Н

4 В Н С Н В Н

5 С ВС С В В Н

0 6 С В С В В В

7 С С С В В Н

8 С ВС В В В В

9 С ВС Н С Н В

10 С ВС С Н В В

Окончание табл. 9

У Номер кредитной истории Коэффициенты

х1 х2 х3 х4 х5 х6

11 НС В С В В Н

12 С В С В В В

13 С В Н С Н В

14 С ВС В Н В Н

15 В С С В В Н

- высоким - значение коэффициента больше 1,25, а показатель погашения кредитов в прошлом высокий (своевременное погашение).

При этом коэффициент обеспечения кредита залогом может быть средним (значение коэффициента находится в интервале [0,75 - 1). Уровень кредитного риска значительно увеличивается тогда, когда показатель погашения кредитов в прошлом низкий (ранее физическое лицо не брало кредит или погасило его с нарушением).

Итак, можно сделать некоторые выводы. Применение нейронных сетей в скоринговых моделях оценки кредитного риска заемщиков юридических или физических лиц особенно эффективно в том случае, когда исторических данных недостаточно для построения статистической модели, или когда в модель вводятся качественные факторы, которые могут быть оценены только экспертным путем. В условиях финансового кризиса именно нейронечеткие модели могут быть использованы современными банками в процессе управления портфельным и индивидуальным кредитным риском.

Нейронечеткие модели позволяют:

- определять оптимальное значение финансовых показателей заемщика, при котором кредитный риск банка будет минимальным;

- проводить анализ тенденций влияния финансовых показателей заемщика на уровень его кредитоспособности;

- определять диапазон изменений каждого из финансовых коэффициентов, при котором уровень кредитного риска остается в пределах установленных лимитов;

- оценивать кредитный риск по различным банковским продуктам, которые предлагаются юридическим и физическим лицам;

- продолжать кредитование с минимальными рисками в условиях кризиса;

- оперативно осуществлять мониторинг уровня и качества спроса на кредитные услуги со стороны корпоративного бизнеса и населения;

- снижать операционные расходы по анализу кредитоспособности заемщиков;

- расширять номенклатуру банковских продуктов.

Список литературы

1. Бордакова М.В. Исследование понятия «рейтинговая система оценки кредитного риска» // Финансы и кредит. 2012. № 37. С. 61-69.

2. Борщева А.Н. Новые подходы к определению понятий «кредитный риск» и «управление кредитным риском коммерческого банка» // Вопросы экономики и права. 2010. № 30. С. 94-97.

3. Кодзоева Ф.Х. Оценка кредитоспособности заемщика в системе банковского контроля за кредитным риском // Наука и общество. 2011. № 2. С.162-165.

4. КорнейчукВ.И. Организация системы управления кредитным риском банка // Финансовая аналитика: проблемы и решения. 2011. № 7 С. 36-46.

5. Костюченко Н. С. Анализ кредитных рисков. СПб.: Скифия. 2010. 440 с.

6. Кулаковский В.В. Управление кредитным риском. Оценка зависимости между рейтингом заемщика и вероятностью его дефолта // Управление финансовыми рисками. 2009. № 2. С. 98-103.

7. Матигорова И.Ю. Характеристика основных подходов к оценке кредитного риска. Экономическая наука и практика. Чита: Молодой ученый. 2012. С. 68-69.

8. Бобиль В.В. Антикризове управлшня бан-ювськими ризиками. Дншропетровськ: Свщлер А.Л. 2012. 270 с.

Finance and credit Banking

ISSN 2311-8709 (Online) ISSN 2071-4688 (Print)

USE OF NEURO-FUZZY SCORING MODEL IN BORROWER'S CREDIT RISK ASSESSMENT

Vladimir V. BOBYL'

Abstract

The article states that the current financial crisis dictates the objective need to further investigate the problem of identifying the credit risk of a borrower. It considers the use of a neuro-fUzzy scoring model in the assessment of individuals' and legal entities' solvency and defines borrower's solvency ratios in case of maximum and minimum credit risk. The author makes a conclusion that the application of neural networks in the scoring models of a bank is especially effective when historical data are not enough for a statistical model creation, or when qualitative factors are introduced into a model, which can be estimated only by expertise.

Keywords: banks, credit risk, borrower, neural networks, neuro-fuzzy, scoring

References

1. Bordakova M.V. Issledovanie ponyatiya "reitin-govaya sistema otsenki kreditnogo riska" [Investigation of the "rating system of credit risk assessment" concept]. Finansy i kredit - Finance and credit, 2012, no. 37, pp. 61-69.

2. Borshcheva A.N. Novye podkhody k oprede-leniyu ponyatii "kreditnyi risk" i "upravlenie kreditnym riskom kommercheskogo banka" [New approaches to the definitions of "credit risk" and "credit risk management of a commercial bank"]. Voprosy ekonomiki i prava - Problems of economics and law, 2010, no. 30, pp. 94-97.

3. Kodzoeva F.Kh. Otsenka kreditosposobnosti zaemshchika v sisteme bankovskogo kontrolya za kreditnym riskom [Assessment of borrower's solvency

in the system of a bank's control over credit risk]. Nauka i obshchestvo - Science and society, 2011, no.2,pp.162-165.

4. Korneichuk V.I. Organizatsiya sistemy uprav-leniya kreditnym riskom banka [Organization of a system of control over bank's credit risk]. Finansovaya analitika: problemy i resheniya - Financial analytics: science and experience, 2011, no. 7, pp. 36-46.

5. Kostyuchenko N.S. Analiz kreditnykh riskov [Credit risk analysis]. St. Petersburg, Skifiya Publ., 2010,440 p.

6. Kulakovskii V.V. Upravlenie kreditnym riskom. Otsenka zavisimosti mezhdu reitingom zaemshchika i veroyatnost'yu ego defolta [Credit risk management. Assessment of correlation between borrower's rating and the probability of borrower's default]. Upravlenie finansovymi riskami - Financial risk management, 2009, no. 2, pp. 98-103.

7. Matigorova I.Yu. Kharakteristika osnovnykh podkhodov k otsenke kreditnogo riska. Ekonomicheskaya nauka i praktika [The characteristic of main approaches to credit risk assessment. Economic science and practice]. Chita, Molodoi uchenyi Publ., 2012, pp. 68-69.

8. Bobil' V.V. Antikrizove upravlinnya bankivs 'kimi rizikami [Crisis management of bank risks]. Dnepropetrovsk, Svidler A.L. Publ., 2012, 270 p.

Vladimir V. BOBYL'

Dnepropetrovsk National University of Railway Transport named after Academician V. Lazaryan, Dnepropetrovsk, Republic of Ukraine [email protected]

i Надоели баннеры? Вы всегда можете отключить рекламу.