CC BY
22Е 1ЕС ТН К НА УК! 1
И ТВОРЧЕСТВА
ОЦЕНКА КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА
Кочкуров Дмитрий Сергеевич, Институт экономики и управления, ФГАОУ ВО «КФУ им. В.И. Вернадского», г. Симферополь
E-mail: Frost5044@yandex.ru
Аннотация. В данной статье были рассмотрены основные виды анализа кредитоспособности заемщика, проведен анализ соответствующих скоринговых моделей, изучены преимущества и недостатки каждой.
Ключевые слова: кредитный риск, скоринговые модели, нейронная
сеть.
В сложившейся сегодня экономической ситуации велик риск роста кредитных рисков, связанных с невозвратом кредитов. Одним из способов снижения кредитных рисков является применение скоринговых технологий, позволяющих быстро оценивать кредитоспособность потенциальных заемщиков на основе их личных данных и кредитных историй.
На данный момент для оценки кредитоспособности физических лиц широко применяется кредитный скоринг - математическая модель оценки кредитного риска, которая основываясь на анализе набора характеристик заемщика позволяет определить его способность вернуть кредит.
По данным Центробанка, доля проблемных кредитов на данный момент составляет около 15 процентов [6], а международные наблюдатели говорят о цифре в два раза большей. Более того, высокий процент невозвратов вызывает повышение процентных ставок по кредитам, что, в конечном счете, отражается на пользователях кредитных продуктов, - снижает доступность кредитов. В данном случае профессионализм управления рисками в сфере розничного кредитования становится невероятно значимым элементом увеличения
ВЕСТНИК НАУКИ И ТВОРЧЕСТВА
конкурентоспособности организации в сегменте банковских услуг.
В работе рассмотрены наиболее распространенные скоринговые модели, использующие различные наборы данных. Выработан ряд предложения по выбору оптимальной модели оценки кредитоспособности заемщика.
В зависимости от типа входных данных о потенциальном заемщике, используемых для анализа кредитоспособности, скоринг делится на 4-х типа:
а) Application-скоринг (кредитный скоринг) - оценка кредитоспособности заемщиков, обратившихся за кредитом по указанным в анкете данным;
б) Fraud-скоринг (скоринг мошенничества) - это скоринг, направленный на выявление возможных мошенников среди лиц, претендующих на получение кредита, или уже существующих клиентов-заемщиков;
в) Collection-скоринг - определение приоритетных направлений работы с неблагонадежными заемщиками;
г) Behavioral-скоринг (поведенческий скоринг) - динамическая оценка ожидаемого поведения клиента, на основании истории транзакций по его счетам - применяется для предупреждения возникновения задолженности [6].
Особого внимания заслуживают методы, используемые в Application- и • Behavioral-анализе, которые могут использоваться как отдельно друг от друга, так и во множестве комбинаций:
- методы статистики (дискретный анализ, линейная регрессия, логистическая регрессия, деревья классификации);
- методы исследования операций (линейное программирование, нелинейная оптимизация);
- методы искусственного интеллекта (нейронные сети, экспертные системы, генетические алгоритмы, метод ближайшего соседа, логико-вероятностные методы, байесовские сети).
Использование статистических методов сводится к построению правила классификации, основанной на линейной скоринговой функции. При этом используются различные подходы [8].
1. Байесовский подход. Предположим, что известны следующие функции и величины:
PG доля «хороших» клиентов, Рв = 1 ~~ - доля «плохих» клиентов;
_ p(x|G), р(х|В) - вероятность того, что «хороший» и «плохой» клиент дадут ответы х;
- L - потери от того, что «хороший» клиент был классифицирован как «плохой»;
- D - потери от классификации «плохого» клиента как «хорошего».
Если допустить нормальность распределения величин p(x|G),p(x|B) с
ВЕСТНИК НАУКИ И ТВОРЧЕСТВА
общей ковариационной матрицей, то можно получить линейное правило:
X | w^x ^ +
+ Wnxn > с
Такое правило означает, что при каждом выборе ответа х присваивается
«счет» s(i) по формуле s(i) = w1x1 н-----h wnxn и означает, что содержит
достаточно информации для классификации классов клиентов. Таким образом,
размерность задачи уменьшается с« с распределениями p(x|G),p(x|B), до 1 с распределениями p(s|G),p(s|B). Нахождение правила классификации тогда
сводится к поиску оптимальной границы с из задачи оптимизации:
L + D -> min.
2. Множественная регрессия. Другой способ получить линейную функцию скоринга - использовать одну из разновидностей линейной регрессии. В простейшем случае определяется зависимая переменная Y, принимает значение 1 в случае «хорошего» клиента и 0 в случае «плохого», и затем используется метод наименьших квадратов для нахождения весов w{, обеспечивает лучшие
предсказания значения у. При использовании линейной регрессии фактически происходит попытка связать вероятность дефолта г. со значениями ответа на
вопрос линейной функции р = wQ + w1X1 + ■■■ + wnXn.
Т.е., «счет клиента» связывается не с вероятностью дефолта р(вк), а с
отношением р(В|ж}/р(С|д:} ;
3. Дискриминантный анализ.
4. Линейное программирование.
5. Генетические алгоритмы представляют собой метод оптимизации, не накладывает стандартных ограничений на целевую функцию (гладкость, выпуклость и т.д.). К генетическим алгоритмам относят два наиболее популярных метода - метод ближайшего соседа и деревья классификации.
Нейронные сети - это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма.
Байесовские сети позволяют представить многомерные распределения
ВЕСТНИК НАУКИ И ТВОРЧЕСТВА
р(Б|х),р(£|х) в виде комбинаций нескольких более низкой размерности. О этом в ходе построения модели могут быть учтены причинно-следственные связи.
Преимуществом этого метода является возможность вывода по неполным данным. Если информация о потенциальном заемщике не является полной, то алгоритм вывода обнаружит вероятность дефолта, основываясь только на доступных данных [1].
Логико-вероятностный подход основывается в сочетании методов математической логики и теории вероятности. Этот подход можно рассматривать как специальный вид нелинейной регрессии. В качестве параметров модели здесь выступают вероятности дефолта, связанного с той или иной ответ на вопрос в анкете.
Оценочная величина - вероятность дефолта. Для идентификации значений параметров используется специально адаптированные алгоритмы оптимизации [2].
Для эффективной оценки заемщиков, банковское учреждение чаще использует две или более скоринговых моделей. Поэтому очень часто возникает • проблема принятия окончательного решения, когда решение моделей противоречит друг другу.
Существует множество способов определения эффективности моделей (общая точность модели, ошибка I и II рода, ЯОС-кривая и т.д.). Но не всегда они эффективными, поэтому банк чаще всего использует экспертную оценку.
Как показывает практика, экспертное мнение довольно эффективным методом оценки, но также имеет негативные стороны, приводит к необъективной оценки клиента [4].
Была разработана модель, исключающая влияние человеческого фактора, модель принятия окончательного решения.
Допустим, что две скоринговые модели (т = 2), независимо друг от друга принимают решения о предоставлении кредита, которое может находится в одном из двух возможных состояний с известными вероятностями
р(рт)'Р(р|) + рЫ = 1 • Пусть известны вероятности ошибок первого и второго
рода личных решений независимых экспертов рсод = 1,2.
Тогда коллективное решение Б = т, т = Т|2 является оптимальным с точки зрения минимума средней вероятности ошибки на множестве возможных ситуаций, а именно:
где = - функция, показывающая, какое решение (г^) приняла
«
ВЕСТНИК НАУКИ И ТВОРЧЕСТВА
скоринговая модель. Если в ситуации 5т ,„ ф т2 коллективное решение Б = 1 принимается в пользу при условии
Согласно этому можно сделать вывод, что при выполнении неравенства в первом случае, то кредит предоставляется клиенту, если во втором - банк не предоставляет кредит [3], [4].
Наиболее существенным научным результатом, что отражает новизну и теоретическое значение исследования являются оценка заемщика на основе нескольких моделей и в случае противоположных решений каждой модели, окончательное решение принимается, основываясь на построенной модели принятия коллективного решения. Кроме этого, полученный результат может быть полезным основой для дальнейших теоретических и практических • исследований в данном направлении.
Литература:
1. Churchill G. A, Nevin J. R, Watson R. R: The role of crédit scoring in the loan décision. Credit World. - March, 1977; Myers J. H, Forgy E. W. The development of numerical credit evaluation systems // Journal of American Statistical Association. -September, 1963 - 15000 р. - ISBN 0-87168-441-1.
2. Челноков В. А. Деньги, кредит, банки: учеб. пособие / В. А. Челноков. - М.: ЮНИТИ: ЮНИТИ-ДАНА, 2005. - 366 с. - Библиогр .: с. 362. - 30000 экз. -ISBN 5-238-00817-1.
3. Жуковская О. А., Файнзильберг Л. С. интервальной обобщение байесовской модели принятия коллективного решения в конфликтных ситуациях // Кибернетика и системный анализ. - 2005. - №3. - С. 133-144
4. Жуковская О. А. Интервальные модели принятия коллективных решений в конфликтных ситуациях // Международная конференция «Проблемы управления и приложения ». Минск, 2005.. 32 с. - 1000 экз.- ISBN 5-215-01358-6.
5. Ким Дж. А. Факторный, дискриминантного и кластерный анализ / Дж. О Ким, Ч. У Мюллер. - М .: Финансы и статистика, 1989. - 215 с. - 35000 пр. - ISBN 58135-0145-2.
6. Новостной портал РИА. [Электронный ресурс]. - Режим доступа: http://ria.ru/ economy/20150226/1049813101 .html (Дата обращения 26.01.2016)
И решение D = 2 в пользу v2 при условии
(2)
(1)
»
45
