УДК 336.77(476)
DOI 10.35231/25419501_2021_2_33
Глушанина П. В.
Современные методы оценки кредитоспособности клиентов банков в Республике Беларусь*
В статье рассматриваются существующие современные сложные математические способы оценки кредитных рисков. Поскольку лишь своевременная и адекватная оценка вероятных рисков кредитора, возникающих в отношении нарушения кредитополучателем условий кредитного договора, позволяет банку-кредитору своевременно и максимально результативно защититься от реализации кредитного риска. автором обоснована необходимость ускоренного внедрения современных математических и иных технологических методов оценки кредитных рисков в практику работы банков Республики Беларусь.
Ключевые слова: банки, кредит, кредитные риски, оценка кредитных рисков, Республика Беларусь.
ГРНТИ: Экономика / Экономические науки: 06.73.55 Банки.
ВАК: 08.00.10
ОШвМапта Р. V.
Modern methods of assessing the creditworthiness of bank clients
in the Republic of Belarus
The article discusses the current sophisticated mathematical methods of assessing credit risks. Since only timely and adequate assessment of the creditor's probable risks arising from the borrower's breach of the loan agreement, allows the lending bank to protect itself from the implementation of credit risk in a timely and most effective way, the author justified the need for accelerated implementation of modern mathematical and other technological methods of credit risk assessment in the practice of banks of Belarus.
Key words: banks, credit, credit risks, credit risk assessment, the Republic of Belarus.
JEL classifications: G 21
© Глушанина П. В., 2021
* Статья подготовлена на основе лучшего секционного доклада X-й всерос. науч.-практ. конф. студентов и аспирантов с международным участием «Проблемы и пути социально-экономического развития: город, регион, страна, мир» (10 июня 2021 г., СПб.: ЛГУ им. А.С. Пушкина). Научный руководитель канд. экон. наук, доц. В.А. Лукашевич.
Развитие современной банковской системы Республики Беларусь происходит в условиях постоянно возрастающей конкуренции на рынке кредитных услуг. При этом рост объема предоставленных потребительских кредитов соответственно приводит к росту проблемной задолженности. В таких условиях одной из основополагающих задач кредитодателя остается оценка кредитоспособности заявителей до предоставления им кредита. От правильного определения кредитоспособности потенциального клиента зависит качество кредитного портфеля, эффективность кредитной деятельности банка и его прибыль. Своевременная и адекватная оценка вероятных рисков кредитора, возникающих в отношении нарушения кредитополучателем условий кредитного договора, позволяет банку-кредитору своевременно и максимально результативно защититься от реализации кредитного риска.
В связи с этим очевидна важность адекватной оценки кредитоспособности не только потенциальных кредитополучателей, но и должников непогашенных ранее выданных кредитов. В случае возникновения проблемной задолженности банк применяет такой метод управления последним, как формирование специального резерва по активам, подверженным кредитному риску. Поскольку резерв формируется за счет расходов банка, что отражается в отчете о прибылях и убытках и снижает прибыль. В свою очередь финансовый результат (Прибыль/Убыток) соответственно отражается в разделе «Капитал» баланса банка.
В связи с этим большое значение приобретает внедрение современных сложных математических способов оценки кредитных рисков, правильное применение которых может значительно повысить эффективность деятельности банков Республики Беларусь.
Так, мировая современная банковская практика больше ориентирована на скоринг, как на механизм количественной оценки факторов
риска, имеющих отношение к способности и стремлению должника погасить его задолженность перед банком. Целью моделей кредитного скоринга является расчёт общего показателя риска по совокупности факторов риска, выраженный в виде количественной оценки, которая косвенно измеряет вероятность неисполнения обязательств по кредиту.
Статистическая теория предлагает различные методы построения и оценки скоринговых моделей. Эти модели могут быть сгруппированы в параметрические и непараметрические модели.
Исторически наиболее популярными параметрическими моделями являются линейный дискриминантный анализ (ЛДА) и логистическая регрессия. Обе модели имеют достоинства быть концептуально простыми и широкодоступными в статистических программных пакетах. Линейный дискриминантный анализ был первым параметрическим методом, предложенным для целей кредитного скоринга. Этот подход вызвал критику в связи с категоричностью данных и тем фактом, что ковариационные матрицы хороших и плохих кредитных групп, как правило, различаются. Логистическая регрессия позволяет преодолеть эти недостатки.
К непараметрическим методам кредитного скоринга относятся нейронные сети, генетическое программирование, экспертные системы, метод опорных векторов, метод «ближайшего соседа» и деревья решений [3, с. 3].
Дискриминантный анализ - это классификационный метод, который использует данные, собранные из выборки клиентов, чтобы провести границу, основанную на дискриминантной функции, которая отделяет группу неплатежеспособных клиентов от группы надежных.
Логистическая регрессия направлена на присвоение зависимой переменной двух групп (0 и 1). В нашем случае одна группа представляет платежеспособных клиентов, а другая - неплатежеспособных.
Поэтому метод логистической регрессии позволяет прогнозировать вероятности. Этот метод используется для предсказания двоичных (т.е. хороших или плохих) исходов от независимых переменных.
Преимущество метода логистической регрессии состоит в том, что он не предполагает многомерной нормальности и матриц равных ко-вариаций как дискриминантный анализ, а включает в себя нелинейные эффекты и использует логистическую кумулятивную функцию при прогнозировании по умолчанию [4, с. 44].
Дерево решений или рекурсивное разделение является непараметрическим методом и состоит из нескольких слоев узлов: первый слой состоит из корневого узла, а последний слой - из листовых узлов [2, с. 20].
Часто на практике получившиеся деревья довольно велики, потому что дерево принятия решений может быть выращено до тех пор, пока все листья не будут содержать только хорошие кредитные заявки или только плохие кредитные заявки. Преимущество деревьев решений: отображение и обоснование связей между условными объектами, что облегчает задачу формирования пояснений об объектах и выводов о связях между объектами.
Нейронная сеть состоит из большого количества элементов, называемых нейронами, которые упорядочены слоями. Каждый нейрон связан с другим через синаптические связи. Нейрон получает входы от других нейронов и производит выход, который передаётся другим нейронам назначения. Каждый вход умножается на вес соответствующей связи, и все эти значения суммируются. Затем активация оценивается путем применения к взвешенной сумме входов определенной функции (линейной, ступенчатой, сигмоидальной). Одной из ключевых характеристик является то, что все нейроны и слои распо-
ложены в прямом направлении и обратная связь не допускается. Можно использовать несколько скрытых слоев, однако в большинстве случаев одного скрытого слоя достаточно, чтобы привести любую непрерывную функцию в соответствие с любой желаемой степенью точности. Результат такого кредитного скоринга - это классификация заемщиков на группы, обычно две. Таким образом, из нейронных сетей получаются только два результата. Нейронные сети работают лучше, если количество независимых переменных больше [4, с. 45].
Экспертная система - это компьютерная программа, которая хранит и управляет знаниями специалистов, а также обрабатывает их таким образом, чтобы пользователи могли получить нужную информацию или выполнить определенные задачи в индивидуальном порядке. База знаний содержит все данные, факты и правила обработки данных и фактов. Правила выражаются в математических и логических уравнениях. В базе знаний есть структурные блоки "if-then" правил.
С помощью метода опорных векторов полезная информация извлекается из финансовых данных, хотя для полноценного применения их классификационных возможностей требуются большие массивы данных. Метод опорных векторов даёт лучшие результаты классификации, чем параметрические методы и такой широко используемый непараметрический метод, как нейронные сети, который считается одним из наиболее точных [5, с. 3].
Метод опорных векторов - это новая техника, подходящая для задач бинарной классификации, которая связана с элементами непараметрической прикладной статистики, нейронными сетями и машинным обучением и включает их.
Из-за потенциально опасных последствий кредитного риска важно провести всесторонний анализ банковских возможностей по оценке, администрированию, наблюдению, контролю, осуществлению и возврату кредитов, авансов, гарантий и прочих кредитных инструментов. Следовательно, выбор метода моделирования для кредитного скорин-га является актуальной задачей коммерческого банка, так как правильный выбор с учетом имеющихся данных может значительно способствовать повышению точности практики кредитного скоринга. Для белорусского банковского сектора характерны такие методы оценки кредитоспособности как метод экспертной оценки и балльный метод.
Интенсивная конкуренция, сильный рост рынка потребительского кредитования в нашей стране требуют адекватной и быстрой оценки рисков. Чем более предсказуемым будет кредитный риск, тем менее неплатежеспособным будет население нашей страны в будущем. Таким образом, этот факт лишь подчеркивает актуальность данной темы. Оценка кредитного риска - достаточно сложный процесс, требующий знаний, ресурсов и времени, а потребительское кредитование должно быть осмотрительным решением, основанным на передовых математических и статистических методах, и для заемщика и кредитора.
Список литературы
1. Аюпов А. А., Вавилов Д. Л., Шерстобитова А. А. Оценка кредитоспособности заемщика на основе альтернативных методик // Инновационное развитие экономики. - 2018. - № 1 (43). - С. 201-211.
2. Kocenda E., Vojtek M. Default Predictors and Credit Scoring Models for Retail Banking. CESIFO WORKING PAPER NO.2862, 2009.
3. Bastos J. Credit Scoring with boosted decision trees. CEMAPRE, School of Economics and Management (ISEG), Technical University of Lisbon, 2008. Available: http://mpra.ub.unimuenchen.de/8156/ [Accessed March 14, 2021].
4. Genriha I., Voronova I. Methods for Evaluating the Creditworthiness of Borrowers, Ekonomika un uznëmëjdarbiba. Nr.22, 2012, p. 42-49.
5. Hardle W., Moro R.A., Schafer D. Predicting Bankruptcy with Support Vector Machine. SFB 649 Discussion Paper 2005-009, 2005.
References
1. Ayupov A. A., Vavilov D. L., Sherstobitova A. A. Ocenka kreditosposobnosti zaemshchika na osnove al'temativnyh metodik. Innovacionnoe razvitie ekonomiki. 2018. № 1 (43). P. 201-211.
2. Kocenda E., Vojtek M. Default Predictors and Credit Scoring Models for Retail Banking. CESIFO WORKING PAPER NO.2862, 2009.
3. Bastos J. Credit Scoring with boosted decision trees. CEMAPRE, School of Economics and Management (ISEG), Technical University of Lisbon, 2008. Available: http://mpra.ub.unimuenchen.de/8156/ [Accessed March 14, 2021].
4. Genriha I., Voronova I. Methods for Evaluating the Creditworthiness of Borrowers. Ekonomika un uznëmëjdarbiba. Nr. 22, 2012, p. 42-49.
5. Hardle W., Moro R.A., Schafer D. Predicting Bankruptcy with Support Vector Machine. SFB 649 Discussion Paper 2005-009, 2005.