CC BY
58Скоринговые модели как интеллектуальная собственность банка
Мешкова Елена Ивановна,
к.э.н., доцент Департамента банковского дела и финансовых рынков Финансового факультета Финансового университета при Правительстве Российской Федерации E-mail: eimeshkova@fa.ru
Данилова Екатерина Николаевна,
студент Финансового университета при Правительстве Российской Федерации E-mail: keth.danilova@yandex.ru
Кредитный риск по-прежнему остается наиболее значимым в деятельности кредитных организаций. Особенно это актуально в периоды финансовой нестабильности вне зависимо от того, какие факторы: внутренние или внешние ее вызывают. При управлении кредитными рисками одной из ключевых задач является оценка кредитоспособности заемщиков. Результаты оценки индивидуального риска являются основанием для анализа риска всей ссуды. Оценка риска невозврата кредита заемщиком осуществляется двумя основными подходами -на основе экспертного, субъективного мнения экспертов или с помощью автоматизированных скоринговых систем. В статье рассматриваются особенности построения скоринговых моделей и их влияние на политику банка в области управления рисками. Особое внимание уделено признанию моделей как интеллектуальной собственности банка и анализируются примеры российской практики.
Ключевые слова: скоринговые модели, интеллектуальная собственность, коммерческие банки, кредитный риск, кредитный скоринг.
Одной из ключевых отраслей на финансовом рынке является банковская сфера. Банки - это основной драйвер развития не только финансовых рынков, но и всей экономики. Финансовая стабильность банка и его бесперебойная работа обеспечивает непрерывное функционирование всех отраслей системы. За счет такого влияния банковская отрасль жестко регулируется и контролируется Центральным банком.
Вместе с тем финансовая устойчивость кредитных организаций в значительной степени зависит от уровня кредитного риска, который несут банки. В условиях, когда кредитная деятельность по-прежнему остается основным направлением банковской деятельности и основным источником формирования доходов, кредитный риск также является для банков определяющим. На рисунке 1 представлены данные по уровню проблемных кредитов в портфелях крупнейших российских банков. Анализ проводился на основе данных финансовой отчетности с применением информационной базы данных Orbis Bank Focus компании Bureau van Di-jk Electronic Publishing (BvDEP). Доля проблемных кредитов колеблется от 2,5% по Московскому Кредитному Банку до почти 18% по Банку Дом.РФ.
20,00 18,00 16,00 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00
Hill
■ I
Hill
# <5*
f у
V///S/S///SS*
•Р* Л?
¿V
Рис. 1. Доля не приносящих доход (НПД) ссуд в совокупном объеме кредитного портфеля по крупнейшим российским банкам, 2020 год Источник: составлено авторами на основе Orbis Bank Focus
Об уровне принятого банками кредитного риска можно судить также по уровню сформированных кредитными организациями резервов на возможные потери. Данные резервы формируются банками на основе формализованных регулятор-ных требований и, наш взгляд, характеризую кредитный риск по совокупному банковскому портфелю. Информация об уровне сформированных банками резервов представлена на рисунке 2. Мы видим, что ожидаемые потери в результате реализации кредитного риска оценены банками в размере от 4 до почти 18%%.
Для того, чтобы поддерживать финансовую стабильность, управляя кредитным риском, банки используют многочисленные финансовые и математически модели, так как их деятельность свя-
сз о
со £
m Р
сг
от А
=Е
зана со значительным риском утраты собственных средств. Прежде чем выдать кредит, банк анализирует кредитоспособность заемщика и вероятность того, что выданная ссуда будет погашена. Такая деятельность формирует кредитный риск, которому подвержен каждый банк и оценка этого риска имеет ключевое значение для каждого финансового института.
20,00 18,00 16,00 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00
llllM. lililí
* ✓ ,</ /УУ" / /" о/ s
if <f <f f if f ./
f j?
VoV
Рис. 2. Уровень резервов по кредитному портфелю крупнейших российских банков, 2020 год Источник: составлено авторами на основе Orbis Bank Focus
Оценить кредитоспособность заемщика можно различными способами. Наиболее часто применяемый на практике - это использование скоринго-вых моделей1.
Кредитный скоринг - это статистический анализ, выполняемый кредиторами и финансовыми учреждениями для определения кредитоспособности человека или малого бизнеса. Кредитный скоринг используется кредиторами для принятия решения о предоставлении кредита или отказе в нем. Он может повлиять на многие финансовые операции, включая ипотечные кредиты, автокредиты, кредитные карты и частные ссуды.
Оценка кредитного риска с применением ско-ринговых моделей имеет целый ряд преимуществ, которые систематизированы на рисунке 3.
Снижение риска невозврата кредита
Принятие решения по выдаче кредита происходит быстро и беспристрастно
Модели позволяют эффективно управлять кредитным портфелем
Не нужно затрачивать много времени на обучение сотрудников кредитного отдела
Есть возможность проведения экспресс-анализ заявки на кредит в присутствии клиента
Рис. 3. Преимущества оценки кредитного риска с применением скоринговых моделей Источник: составлено авторами
Процесс разработки модели достаточно длинный. На первых этапах ставится задача на разработку и план разработки модели. Это важно,
1 Скоринговая модель это статистическая модель для пров гноза вероятности попадания клиента в категорию «good» / «bad» в течение Outcome period с момента выдачи кредита, где Outcome period это период времени после выдачи кредита, в течение которого определяется поведение заемщика по данному кредиту.
так как каждая модель имеет определенную цель и не может строиться абсолютно для всех клиентов банка. Например, существуют разные модели для оценки новых клиентов банка и лояльных клиентов, или разные модели для оценки физических и юридических лиц. Далее формируется выгрузка и происходит сортировка данных. Когда формируется выборка не обязательно, что все переменные будут использованы в модели. Наоборот, из трехсот переменных выбираются 10-15 наиболее сильных, которые будут формировать итоговый балл клиента.
Одним из основных условий построения ско-ринговой модели является достаточный объем данных, который основан прежде всего на анализе предыдущей кредитной истории банка. Чем больше данных имеет банк, чем шире и глубже его кредитный опыт, тем качественнее будет модель. Несмотря на то, что для каждой модели выборка данных меняется, она всегда должна удовлетворять требованиям статистической значимости. Данные для построения скоринговой модели как правило содержат внутренние данные банка о заемщиках: персональная информация, кредитная история, финансовое положение и так далее. Зачастую, банк не имеет доступ к полной информации о клиенте, и данные пополняются из внешних источников, например данные кредитных бюро и телефонных операторов.
Каждая скоринговая модель строится и разрабатывается под определенный сегмент клиента, кредитный продукт или сектор рынка. Это влияет и на формирование выборки. Например, выборка по потребительским кредитам не сможет дать качественных результатов при построении скоринговой карты по автокредитованию. Также существует и требования к историческому периоду, т.е. время за который собираются данные. Данные по кредитной истории заемщика за три месяца не смогут описать его поведение на горизонте года или трех лет.
Выбор зависимой переменной обуславливается целью построения скормодели. Цели могут быть общими, как например, сокращение дефолтов по кредитным счетам, и конкретными, например, сокращение числа отказов в течение двух недель по страховкам, которые сопровождают выдачу кредита. Примером зависимой переменной может быть статистика дефолтов по клиентам. В качестве независимых переменных при построении скоринговой модели могут быть данные из кредитной заявки: социально-демографические данные о заемщике, информация о запрашиваемом кредите, реже используются маркетинговые данные. Из общего пула переменных в итоговой модели будут использоваться только те, которые статистически значимы и удовлетворяют необходимым условиям.
Оценка качества модели определяется с помощью коэффициента Джини. Расчет индекса основан на ROC-кривой. ROC-кривая - это графическая интерпретация качества бинарного класси-
фикатора (дефолт/недефолт), зависимость доли верных положительных классификаций (чувствительность) от доли ложных положительных классификаций (1-специфичность) при изменении порога решающего правила.
Коэффициент Джини рассчитывается как:
GINI = AUROC*2-1, (1)
где AUROC - это область под кривой ROC.
На практике, в банках устанавливается пороговое значение в 45%, так как ниже этого значения модель уже не может гарантировать качественно отделение хороших заемщиков от плохих.
На ряду с коэффициентом Джини используются такие инструменты как: распределительная сила модели, корреляционный анализ и показатель Information Value, который отражает, насколько хорошо выбранная переменная объясняет поведение заемщика. Качество переменных играет основную роль при моделировании, так как каждая переменная должна объяснять поведение заемщика. IV оценивает степень взаимосвязи между независимыми переменными и бинарной зависимой в кредитном скоринге. Также необходимо, чтобы переменная была стабильная, PSI - Индекс стабильности популяции оценивает степень изменений в текущей выборке валидации в сравнении с выборкой разработки.
IV =
: WOE,
(2)
i=1
где к - число категорий независимой переменной.
После построения модели строиться рассчитывается скоринговая карта, которая присваивает определенный скоринговый балл каждому заемщику. Хотя кредитный скоринг ранжирует кредитный риск заемщика, он не дает оценки вероятности дефолта заемщика. Как порядковый рейтинг, он оценивает только рискованность заемщика от самого высокого к самому низкому. Таким образом, кредитный скоринг страдает от своей неспособности определить, является ли заемщик А в два раза более рискованным, чем заемщик В.
Еще одним интересным ограничением кредитного скоринга является его неспособность явно учитывать текущие экономические условия. Например, если кредитный рейтинг заемщика А равен 800 и экономика входит в рецессию, кредитный рейтинг заемщика А не будет корректироваться, если поведение заемщика А не изменится.
Основная цель скоринговой модели - это оценить риск наступления дефолта контрагента. Формирование качественного кредитного портфеля невозможно без проведения оценки уровня кредитного риска и дефолта заемщика. Оценка дефолта важна: во-первых, по требованию Центрального банка и рекомендациям Базельского комитета, а во-вторых, для точной и адекватной внутренней оценки кредитного риска.
Возникновение обязательств, свидетельствующих о невозможности погашения заемщиком сво-
их обязательств - «индикаторы дефолта» определяются положением Банка России № 483-П:
- Реструктуризация
- Просрочка свыше 90 дней
Однако, скоринговая модель - это не только набор целевых переменных и бизнес логики. Первоначально скоринговая модель - это программный код, который пишется на открытой платформе. Сейчас наиболее часто используется язык программирования Python и Jupyter Notebook -программное обеспечение с открытым исходным кодом, открытыми стандартами и сервисами для интерактивных вычислений. При этом различное программное обеспечение - это объект интеллектуальной собственности.
Согласно ст. 1295 ГК РФ «Авторские права на произведение науки, литературы или искусства, созданное в пределах установленных для работника (автора) трудовых обязанностей (служебное произведение), принадлежат автору.». Поэтому любой программный код - это интеллектуальная собственность его разработчика.
Сложности возникают тогда, когда этот код или программа была написана программистом, которого наняла компания. В таком случае возникает спор кому принадлежат права на данное изобретение. В России, чтобы права на ПО перешли компании, должно быть соблюдено три критерия:
1. Написание кода - это обязанность сотрудника,
закрепленная в трудовом договоре.
2. Софт или программа разработана по техническому заданию работодателя.
3. Сотрудник получил авторское вознаграждение.
В западной практике этот момент регулируется грамотным составлением трудового договора, в котором четко прописано, что все, что создано сотрудником в рабочее время и на оборудовании компании является собственностью компании.
В Российской же практике, чтобы точно признать интеллектуальные права за компанией необходимо также иметь должностную инструкцию и соглашение о неразглашении коммерческой тайны.
С другой стороны, любую модель можно запатентовать, но возникает вопрос в целесообразности. Скоринговая модель, которая разрабатывается каждый банком индивидуально основываясь на собственных данных и под «своего» клиента. Модель, построенная для одного типа заемщика в одном банке, с очень малой вероятностью будет иметь такую же точность в другом банке. С другой стороны, скоринговые модели основаны на математической статистике, которые широко известны и давно разработаны и используются банками, а на рынке математические теоремы не патентуются, поэтому инструменты, которые используются для построения моделей, зачастую имеют открытый код.
Поэтому практика выдачи патента на скоринго-вые модели не распространена, особенно в России. Чтобы банку было экономически выгодно регистрировать модель как частную собственность,
сз о со от m Р от
от А
=Е
она должна иметь определенные конкурентные преимущества, как если бы была бы выставлена на продажу.
Во-первых, основанием для патента будут служить более сложные математические модели, которые можно применять повсеместно и на разных типах клиента.
Во-вторых, такую модель можно будет использовать и в других банках со схожим кредитным портфелем или схожим портретом клиента.
В-третьих, такая модель должны быть автономной и может быть интегрирована в другие системы принятия решений о выдачи кредита.
Так в 2017 году Сбербанк объявил о внедрении усовершенствованной модели скоринга и далее 2020 году банк отправляет заявку на патент. Особенность системы в том, что для выдачи кредита госбанку больше не нужны информация из бюро кредитных историй и анкетные данные клиента. Чтобы клиент получил необходимые скоринго-вые баллы, ему достаточно пользоваться любой картой банка. Подход к оценке клиента здесь отличается от общепринятого. В первую очередь, банк оценивает заемщика не по кредитной истории, а на основе банковских транзакций. Банк получает портрет идеального клиента на основе информации о его расходах по банковской карте: где расплачивается клиент, какие у него расходы и поступления по карте и какие статьи расходов. Например, люди, которые закупаются продуктами в Азбуке Вкуса и в Пятерочке это два совершенно разных профиля клиента. И такая модель может использоваться различными банками, как крупными, так и среднего размера.
Таким образом, даже несмотря на то, что ско-ринговое моделирование - это достаточно узкоспециализированная область, не имеющая широкого применения, она играет ключевую роль в финансовой стабильности банка. Более того, она может быт рассмотрена как экономический актив, приносящий дополнительную стоимость банку. Хотя сейчас такие модели и не отражаются в балансе банка, качественная модель приносит огромную выгоду кредитным организациям.
Литература
1. Валидация моделей оценки кредитного риска МСФО (IFRS) 9 // Deloitte, мая 2020 года
2. «Гражданский кодекс Российской Федерации (часть четвертая)» от 18.12.2006 N 230-Ф3 (ред. от 11.06.2021) (с изм. и доп., вступ. в силу с 01.08.2021), ст. 1229., ст. 1295
3. Mumtaz Asad How to Develop a Credit Risk Model and Scorecard // Asad Mumtaz, август 2013
4. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // А.С. Сорокин, апрель 2014 -Интернет-журнал «Науковедение» - ISBN: 180EVN214
5. Сбербанк Система оценки клиентов (ско-ринг) // TAdviser, 21.09.2021, URL: https://www. tadviser.ru/index.php/Продукт: Сбербанк_Си-стема_оценки_клиентов_(скоринг)
SCORING MODELS AS AN INTELLECTUAL PROPERTY OF A BANK
Meshkova E.I., Danilova E.N.
Financial University under the Government of the Russian Federation
Credit risk remains the most significant in the activities of credit institutions. This is especially true during periods of financial instability, regardless of what factors: internal or external cause it. Assess the creditworthiness of borrowers is one of the key tasks in the bank risk management. The results of the individual risk assessment are the basis for the risk analysis of the entire loan. Risk assessment of non-repayment loan can be carried out in two main approaches. The first one is based on the subjective opinion of experts and the second one is using automated scoring systems. The article discusses the features of building scoring models and their impact on the bank's risk policy. Particular attention is paid to the recognition of models as the intellectual property of a bank and examples of Russian practice are analyzed.
Keywords: scoring models, intellectual property, credit risk, credit scoring, commercial bank.
References
1. Validation of IFRS 9 credit risk assessment models // Deloitte, May 2020
2. "Civil Code of the Russian Federation (part four)" dated 18.12.2006 N 230-FZ (as amended on 11.06.2021) (as amended and supplemented, entered into force on 01.08.2021), article 12229, Article 1295
3. Mumtaz Asad How to Develop a Credit Risk Model and Score-card // Asad Mumtaz, August 2013
4. Sorokin A.S. Construction of scoring maps using a logistic regression model // A.S. Sorokin, April 2014 - Online magazine "Science" - ISBN: 180EVN214
5. Sberbank Customer rating system (scoring) // TAdviser, 09/21/2021, URL: https://www.tadviser.ru/index.php/Product: Sberbank_Client_evaluation_system_(scoring)
Q.
e
