CC BY
381
ЭКОНОМИКА И ПРАВО
ВЕСТНИК УДМУРТСКОГО УНИВЕРСИТЕТА
5
2013. Вып. 4
Экономика
УДК 336.717.061
А.А. Банных, А.В. Лётчиков
МЕТОДИКА ОЦЕНКИ КРЕДИТНОГО РИСКА ЗАЕМЩИКА С ПРИМЕНЕНИЕМ СКОРИНГА БЮРО КРЕДИТНЫХ ИСТОРИЙ
Рассматривается проблема включения данных о кредитной истории заемщика в систему оценки риска по кредитной заявке. Предложена методика совмещения оценок, полученных с помощью двух скорингов: скоринга, основанного на социальных параметрах заемщика, и скоринга, основанного на кредитной истории. Оценена эффективность предлагаемой методики на примере регионального розничного банка.
Ключевые слова: кредитный риск, кредитный скоринг, скоринг бюро кредитных историй, коэффициент Джини, критерий Колмогорова-Смирнова.
Скоринговые технологии, основанные на статистических методах, позволяют банкам успешно решать задачи оценки вероятности дефолта заемщика и управления кредитным риском всего банка. Однако всегда остается актуальной проблема недостатка информации о кредитной истории. Немногие финансовые организации располагают качественными и информативными данными о своих заемщиках. С развитием сервисов, предоставляемых бюро кредитных историй (БКИ), банки получили возможность использовать в моделях агрегированные данные о платежной дисциплине заемщиков в виде скорингового балла БКИ. Таким образом, становится актуальной проблема совмещения оценки риска заемщика, основанной на социальных параметрах (анкетного скоринга), и оценки риска заемщика, основанной на кредитной истории (скоринга БКИ), поскольку эффективность прогноза модели в рамках интегральной системы может быть значительно ниже эффективности прогноза каждой скоринго-вой модели, взятой в отдельности. Целью данного исследования является разработка методики оценки риска потенциального заемщика на основе совмещения оценок, полученных с помощью анкетного скоринга банка и скоринга БКИ.
Скоринг БКИ (application scoring), запрашиваемый на этапе выдачи кредита, предсказывает вероятность возникновения у заявителя 90-дневной непогашенной задолженности по кредиту в течение последующих 12 месяцев. Скоринговая оценка рассчитывается на основе информации из кредитных отчетов. При расчете балла учитываются следующие данные, характеризующие поведение заемщика: давность и длительность кредитной истории; глубина и частота возникновения просроченной задолженности, количество открытых и закрытых счетов; типы используемых кредитов (автокредит, ипотека, кредитная карта, розница); сумма задолженности; количество запросов кредитной истории и другая, доступная бюро, информация.
По своей прогностической силе поведенческие данные имеют большее значение, чем демографические характеристики анкетного скоринга, так как они ближе к реальному поведению человека по отношению к обслуживанию долга, чем типичные переменные для скоринга по демографическим данным, таким, как пол, возраст, образование, семейное положение и др. Скоринг по демографическим характеристикам отражает «образ» типичного клиента целевой группы банка, а также, косвенно, социально-экономические показатели конкретного региона. В результате совмещения в модели оценки кредитного риска заемщика поведенческих и демографических данных, повышается ее прогностическая сила.
Построение совмещенной оценки состоит из нескольких этапов: оценки качества скоринга БКИ на портфеле банка, выбора способа совмещения внешних и внутренних оценок.
Качество скоринговой оценки БКИ на портфеле банка проверялось с помощью ретро-скоринга. Ретро-скоринг - это услуга, предоставляемая бюро кредитных историй. Первая часть слова - «ретро», так как расчет скоринговой оценки производится на определенный момент в прошлом. Для целей application scoring балл рассчитывается на момент подачи кредитной заявки. Полученная оценка была сопоставлена с реальным поведением заемщика, на основе полученных результатов был сделан вывод об эффективности моделей на популяции банка.
6 А.А. Банных, А.В. Лётчиков
2013. Вып. 4 ЭКОНОМИКА И ПРАВО
В анализе участвовали три крупнейших кредитных бюро России, совместный охват кредитных историй которых составляет 90% от общего числа потенциальных заемщиков [1].
По каждому бюро была рассчитана доля идентифицированных заявок (Hit Rate). Hit Rate - это показатель, отражающий долю заявок, по которым был получен скоринговый балл. Для расчета использовались одинаковые выборки объемом 200 тыс. заявок, отправленные в три бюро - БКИ1, БКИ2, БКИ3.
Таблица 1
Сравнение показателей Hit Rate
БКИ1 БКИ2 БКИ3
Количество полученных оценок Hit Rate Количество полученных оценок Hit Rate Количество полученных оценок Hit Rate
156 784 47% 158 124 51% 164 836 56%
Наивысший показатель Hit Rate у БКИ3. В этом бюро было рассчитано наибольшее количество оценок.
Качество прогноза, полученного с помощью моделей бюро, оценивалось с помощью коэффициента Джини и критерия Колмогорова-Смирнова. Коэффициент Джини позволяет судить о дискриминирующей способности модели, то есть способности отличать «хороших» и «плохих» заемщиков. Статистика KS показывает, насколько на определенном уровне скорингового балла и ниже доля плохих кредитов превышает долю хороших. Чем значительнее разница между долей плохих и хороших кредитов, тем выше данный показатель и эффективнее работа скоринговой модели [2].
Таблица 2
Показатели Gini и KS
Показатель БКИ1 БКИ2 БКИ3 Анкетный скоринг
Индекс Gini 0,54 0,32 0,59 0,47
Статистика KS 38,50 23,70 43,60 45,30
Интерес также представляет кумулятивное распределение «хороших» и «плохих» заемщиков. Качество модели тем лучше, чем меньше «хороших» заемщиков модель будет отсекать при одобрении 50% «плохих».
Таблица 3
Кумулятивное распределение «хороших» и «плохих»
Модель Кумулятивный процент «плохих» Кумулятивный процент «хороших»
БКИ1 50,97% 12,43%
БКИ2 50,56% 27,95%
БКИ3 50,18% 12,56%
Анкетный скоринг 50,33% 10,90%
Как видно из таблиц 2 и 3, БКИ2 проигрывает по своим прогностическим качествам двум другим бюро.
Существует несколько методов построения интегральной системы оценки. При последовательной стратегии заявитель, не прошедший определенный этап, не переходит на следующий. При последовательном подходе клиент оценивается сначала на основе анкетного скоринга, затем - с помощью скоринга БКИ. Клиенты, набравшие по первой модели балл ниже порогового, отсеиваются, и дальнейшая работа системы в отношении данных клиентов прекращается. При матричном подходе к применению общей системы оценки ее элементы функционируют совместно; между прогнозами отдельных частей системы допускается компромисс. Например, клиент может получить низкий показатель по одной из скоринговых моделей и высокий - по другой; его общая оценка в таком случае будет удовлетворительной [2].
Методика оценки кредитного риска заёмщика... 7
ЭКОНОМИКА И ПРАВО 2013. Вып. 4
Рис. ROC-кривые для скоринговых оценок трех бюро
При совмещении анкетного скоринга и скоринга БКИ было опробовано несколько подходов [3], в том числе последовательный и матричный. Итоговый вариант комплексной оценки риска заемщика получен следующим образом. На первом этапе на основе данных ретро-скоринга была построена матрица оценок вероятностей. Каждый элемент матрицы — это историческая оценка вероятности дефолта по группе клиентов с определенным сочетанием скоринговых баллов по двум моделям. Далее были рассчитаны поправочные коэффициенты к оценке вероятности дефолта, получаемой на основе
Рг -
модели анкетного скоринга (табл. 4). Формула для расчета поправочного коэффициента k = , где
аг
k - поправочный коэффициент; рг,- - историческая оценка вероятности дефолта, рассчитанная на основе ретро-скоринга, в г-м диапазоне по анкетному скорингу и в --м диапазоне по скорингу БКИ; аг -средний скоринговый балл по г-му диапазону анкетного скоринга.
Таблица 4
Матрица вероятностей и коэффициенты для БКИ3
Диапазон баллов Матрица вероятностей Коэффициенты
Диапазон баллов БКИ Диапазон баллов БКИ
анкетного Больше От 755 до От 722 до Менее 678 Больше От 755 до От 722 до Менее 678
скоринга или равно 722 включ. 678 или равно 722 678
755 включ. 755 включ. включ.
От 0 до 2% 0,34% 1,01% 1,34% 3,30% 0,31 0,91 1,21 2,98
От 2 до 4% 0,86% 1,82% 3,19% 7,10% 0,30 0,63 1,10 2,44
От 4 до 6% 1,43% 2,94% 3,68% 9,69% 0,29 0,60 0,75 1,98
От 6 до 8% 1,96% 4,42% 5,78% 12,88% 0,28 0,64 0,83 1,86
От 8 до 10% 2,40% 3,41% 7,60% 17,63% 0,27 0,38 0,85 1,97
От 10 до 12% 3,32% 6,17% 8,45% 20,63% 0,30 0,56 0,77 1,88
От 12 до 14% 4,32% 5,75% 6,94% 19,74% 0,33 0,44 0,54 1,53
От 14 до 16% 4,37% 4,75% 11,30% 23,51% 0,29 0,32 0,76 1,58
От 16до 18% 4,50% 6,67% 11,66% 25,93% 0,27 0,39 0,69 1,53
Более 18% 7,57% 7,54% 14,02% 31,89% 0,30 0,30 0,56 1,28
8
А.А. Банных, А.В. Лётчиков
2013. Вып. 4 ЭКОНОМИКА И ПРАВО
Окончательная оценка вероятности дефолта заемщика получена путем умножения анкетного скорингового балла на поправочный коэффициент, соответствующий группе заемщика, определяемой на основе набранных баллов.
Рассчитав таким образом значения вероятности дефолта заемщика, используя баллы анкетного скоринга и баллы каждого из бюро, сравним коэффициенты Gini и
Таблица 5
Показатели Gini и KS совмещенных моделей
БКИ1 + Анкетный скоринг БКИ2 + Анкетный скоринг БКИ3 + Анкетный скоринг
Индекс Gini 0,69 0,67 0,71
Статистика KS 52,20 49,80 55,10
Как видно из таблицы, индексы Gini и KS увеличились при использовании значений скоринго-вых баллов любого из БКИ. Можно включить в систему оценки кредитного риска заемщика баллы внутренней модели, а также двух БКИ, модели которых показали наилучшие результаты - БКИ1 и БКИ3. Для этого был определен приоритет оценки одного из бюро. Самый высокий показатель Hit Rate у третьего БКИ, поэтому его оценка была выбрана за основу. Схема использования баллов выглядит следующим образом:
Балл БКИ1 Балл БКИ3 Балл, используемый в модели
есть есть БКИ3
есть нет БКИ1
нет есть БКИ3
нет нет Анкетный скоринг
Коэффициент Gini и статистика ^ по модели с тремя баллами содержатся в таблице 6.
Таблица 6
Показатели Gini и KS совмещенной модели по двум бюро
Индекс Gini Статистика KS
БКИ1 + БКИ3 + Анкетный скоринг 0,73 56,50
Разработанная методика оценки кредитного риска заемщика с применением скоринга БКИ помогает улучшить качество прогноза, полученного с помощью анкетного скоринга. Данный алгоритм может применяться в любой финансовой организации, имеющей собственную модель и получающей скоринговые оценки БКИ. Итоговую оценку вероятности дефолта заемщика удобно использовать для расчета риска по портфелю в целом, а также для управления кредитным риском в соотношении с доходностью кредитного портфеля.
СПИСОК ЛИТЕРАТУРЫ
1. Бюро кредитных историй готовятся работать по западному образцу // Эксперт. 2012. №46 (828). URL: http://rn.expert.ru/expert/2012/46/popast-v-istoriyu
2. Руководство по кредитному скорингу / под ред. Элизабет Мэйз; пер. с англ. И.М. Тикота; науч. ред. Д.И. Во-роненко. Минск: Гревцов Паблишер, 2008. 464 с.
3. Корчагин И.С. Использование баллов БКИ в аппликационном скоринге // Риск-менеджмент в кредитной организации. 2013. №3(11). С. 12-20.
4. Энциклопедия финансового риск-менеджмента / под ред. А.А. Лобанова и А.В. Чугунова. 4-е изд., испр. и доп. М.: Альпина Бизнес Букс, 2009. 932 с.
5. Siddiqi N. Credit risk scorecards: developing and implementing intelligent credit scoring. Canada: John Wiley & Sons, Inc. 1969. 196 c.
6. Груздев А.В. Метод бинарной логистической регрессии в банковском скоринге // Риск-менеджмент в кредитной организации. 2012. №1(05). С. 71-88.
7. Груздев А.В. Метод бинарной логистической регрессии в банковском скоринге // Риск-менеджмент в кредитной организации. 2012. №2(06). С. 92-107.
Поступила в редакцию 01.10.13
ЭКОНОМИКА И ПРАВО
Методика оценки кредитного риска заёмщика.
9
2013. Вып. 4
A.A. Bannykh, A. V. Letchikov
Method of credit risk assessment with the use of credit bureau scoring
The article covers the problem of including credit history data into the credit risk assessment system. The method of combining estimates is proposed. The estimates are obtained with the aid of two scorings, one is based on the social parameters of the applicant, the second one is based on the credit history data. The effectiveness of the proposed method is shown by example of the regional retail Bank.
Keywords: credit risk, credit scoring, credit Bureau scoring, Gini coefficient, Kolmogorov-Smirnov criterion.
Банных Александра Андреевна, аспирант
Лётчиков Андрей Владимирович,
доктор физико-математческих наук, профессор
ФГБОУ ВПО «Удмуртский государственный университет» 426034, Россия, г. Ижевск, ул. Университетская, 1 (корп. 4) E-mail: [email protected]
Bannykh A.A., postraduate student Letchikov A.V.,
doctor of physics and mathematics, professor Udmurt State University
462034, Russia, Izhevsk, Universitetskaya st., 1/4 E-mail: [email protected]
