Цифровые методы оценки кредитных рисков Текст научной статьи по специальности «Экономика и бизнес»

Цифровые методы оценки кредитных рисков Digital methods for credit risk assessment

УДК 336

Щербаков Сергей Сергеевич,

аспирант, Финансовый университет при Правительстве Российской Федерации, Россия, Москва

Аннотация: В статье исследуются методы и инструменты оценки кредитных рисков в коммерческом банке. Выделено пять основных критериев управления кредитным риском, рассмотрены эконометрические методики анализа и оценки кредитных рисков.

Summary: The article examines the methods and tools for assessing credit risks in a commercial bank. Five main criteria for managing credit risk were identified, and econometric techniques for analyzing and evaluating credit risks were considered.

Ключевые слова: кредитный риск, методы оценки, эконометрический метод анализа, способы снижения кредитного риска.

Keywords: credit risk, assessment methods, econometric analysis method, ways to reduce credit risk.

Введение

Несмотря на периодически возникающие экономические трудности, спады в сфере производства, финансовый рынок продолжает динамичное последовательное развитие. Появление новых инструментов и институтов приводит к формированию всевозможных угроз стабильности данного сектора. Чтобы своевременно и эффективно избегать кризисные явления и минимизировать из последствия, организуется и проводится комплекс мероприятий, направленных на своевременное выявление рисков и управление ими. В настоящее время существует множество различных методик, позволяющих определять риски и управлять ими.

Для каждого банка актуальной, жизненно необходимой задачей является построение стабильной и эффективной системы. Это решается путем повышения уровня капитализации и обеспечения более качественного уровня внутреннего контроля.

В условиях снижения общего уровня кредитования, прогнозируемого на фоне экономической нестабильности, у заемщиков снижаются кредитные возможности. Это

приводит к увеличению случаев невозврата займов и, как следствие - снижение прибыли коммерческих организаций. Очевидно, что минимизировать потери можно, но только по результатам повышения требований к заемщикам еще на этапе одобрения кредита. Провести простую проверку анкетных данных и ознакомиться с информацией Бюро кредитных историй явно недостаточно.

На данном этапе развития банки не могут обойтись без цифровых инструментов, позволяющих изучить, консолидировать информацию о кредиторах, самом процессе и, тем самым существенно снизит кредитные риски.

Качество применяемых методик и их прозрачность

Кредитный риск - это не что иное, как угроза появления убытков у кредитной организации. Эти убытки могут формироваться пот разным причинам: неисполнение, неполное или несвоевременное исполнение заемщиком финансовых обязательств, принятых в соответствии с условиями договора. У любого банка кредитные риски существуют практически по всем направлениям деятельности:

- Ссуды;

- Остатки на корреспондентских счетах;

- Краткосрочные кредиты (в том числе, выдаваемые коммерческим банкам);

- Ценные бумаги, приобретаемые для перепродажи и инвестирования.

Кредитные риски оказывают непосредственное влияние на деятельность банка, состояние его капитала. В связи с этим ведется глубокая аналитическая работа, направленная на анализ, прогнозирование и управление рисками по кредитам. Банк должен уметь определять реальные величины данных категорий, тщательно их анализировать и постоянно вести мониторинг складывающейся ситуации.

Для определения кредитного риска частного заемщика применяются различные подходы - от субъективной оценки специалиста кредитной организации, до применения автоматизированных систем. Как показывает мировая практика, системы, основанные на математических моделях, считаются наиболее точными, надежными, действенными и эффективными. Для формирования максимальной точной модели кредитного риска в первую очередь должна проводиться выборка тех клиентов банка, о которых имеется достаточно много проверенных сведений и точно известно, к какой категории заемщиков они относятся: хороших или плохих. Количество исследуемых лиц может достигать десятков, сотен тысяч и даже миллионов.

Методы и инструменты оценки кредитных рисков

Важно понимать, что процесс управления кредитными рисками для коммерческой организации - это не статичная, а постоянно меняющаяся величина. Для максимальной эффективности должна быть выстроена логическая цепочка последовательно или параллельно выполняемых взаимосвязанных операций, таких как:

- идентификация риска;

- его оценка;

- выработка конкретного набора мероприятий по управлению рисками в узком смысле понятия;

- мониторинг текущей ситуации;

- мониторинг, а, при необходимости, корректировка принимаемых мер.

Применяемые методы и инструменты для оценки кредитных рисков прошли достаточно длинный путь становления и развития. Специалисты стремились выработать идеальную математическую модель, позволяющую произвести необходимые вычисления и с высокой долей вероятности спрогнозировать развитие ситуации.

Наибольшую известность в определенных кругах специалистов банковской сферы получила так называемая Базельская схема взвешивания активов по риску. Однако она носила весьма упрощенческий характер и не позволяла всесторонне оценить ситуацию с учетом требований к размеру капитала и рейтингами кредитов (например, высшего или низшего качества).

Существенный скачок в развитии и совершенствовании методов оценки кредитных рисков произошел в последнее десятилетие. Именно в этот период времени наиболее явно проявились основные предпосылки для этого, а именно:

- Снижение контроля и внешнего регулирования финансового сектора, которое произошла вследствие значительного сокращения влияния государства в деятельность финансовых учреждений государства. Отменены многие ранее функционировавшие ограничения, что позволило более активно продвигать на рынке новые виды банковских услуг.

- Существенно расширилась сфера банковского кредитования. Рост фиксируется как по объемам проводимых операций, так и по количеству заемщиков.

- Возрастание рисков по забалансовым сделкам, в особенности с производными инструментами.

- Выпуск ценных бумаг, обеспеченный определенными активами (секьютиризация). Это резко повысило роль рынка капитала, как надежного и эффективного механизма привлечения средств. Традиционное кредитования несколько сдало свои позиции, что и

стало основным побуждающим мотивом для банков по разработке новых, более эффективных моделей, позволяющих эффективнее управлять кредитными рисками.

Применение математических методов Классификация методов оценки индивидуальных кредитных рисков, осуществляемая с использованием математических методов, позволяет выделить и исследовать следующие параметры:

- анализ выживаемости;

- вероятное и статистическое моделирование;

- математическое программирование;

- теория игр, нейронные сети и пр.

Статистические и эконометрические методы риска В коммерческих банках широко используются различные методики оценки рисков кредитования. Наибольшее распространение получили следующие виды:

- Скоринговые методики;

- Кластерный анализ;

- Дискриминантный анализ;

- Дерево классификаций;

- Нейронные сети;

- Технологии Data mining;

- Регриссионная модель линейной вероятности;

- Logit-анализ;

Рассмотрим каждую из них подробнее. Скоринговые методики

Суть метода заключается в общей оценке качества заемщика. Анализируются различные характеристики клиентов: возраст и уровень дохода, профессия и занимаемая должность, семейное положение. Полученные переменные данные анализируются и на их основе выстраивается некий график, шкала, позволяющая оценивать заемщика по двум критериям: «хороший» или «плохой». Осуществляется постановка вопроса: «вернет заемщик кредит или нет», и формируется ответ на него с высокой долей вероятности.

Фактически Скоринг - это математическая (статистическая) модель, при помощи которой, используя кредитные истории клиентов, обращавшихся к услугам банка ранее, определяется степень вероятность возврата кредита потенциальным заемщиком в установленные сроки.

Исходными данными для аналитики служит следующая информация, собираемая банками в момент обращения клиента за займом:

- сведения из анкеты, которые вносит непосредственно сам заемщик;

- информация, имеющаяся в кредитном бюро на данного заемщика;

- для клиента банка также интерес представляют имеющиеся данные о движениях по счетам.

Использование скоринга позволяет банку снизить процент невозврата кредита. Отмечается повышение скорости и проявление большей беспристрастности при принятии решений о выдаче кредита или отказе в нем.

Вместе с тем, данный метод далек от совершенства, но не дает никаких объяснений, почему тот или иной человек не платит по счетам, не возвращает кредит. Невозможно точно установить, вернет ли конкретный заемщик деньги в срок и вернет ли их вообще. Можно только констатировать факт невозвратов или возвратов займов людьми такой же профессии, уровня образования и дохода ранее.

Кластерный анализ

Этот метод дает возможность изучить совокупную величину объектов по-отдельности, разбив их на группы, более-менее однородные классы или кластеры. Существует несколько различных вариантов проведения кластер-процедур, при этом иерархические и параллельные позволяют классифицировать несколько десятков наблюдений. А если требуется решить более сложные, объемные задачи, оценить и систематизировать большее число наблюдений, лучшим выбором являются последовательные кластер-процедуры. Именно они позволяют проводить эффективные исследования и аналитику качеств заемщиков. Фактически, осуществляется одно (или несколько взаимосвязанных) наблюдение, после чего фиксируются результаты разбиения на предыдущем шаге.

Как правило, к методикам предъявляется требование, в первую очередь, распознавать вероятность плохих займов и с этой задачей кластерный анализ справляется вполне успешно. Вероятность предугадывания события по этому методу составляет почти 84% (для плохих займов). Хорошие займы предугадываются плохо, точность - не более 21%.

Дискриминантный анализ

При решении задачи классификации объектов методом кластерного анализа практически не принимается в расчет информация о произведенных наблюдениях внутри классов. Используя методику дискриминантного анализа предполагается, что такая информация имеется и она будет учитываться. Здесь исследуемый индивидуум, на основании ряда независимых и переменных признаков причисляется к заранее созданным

(одной-двум и более) группам. Ядро дискриминантного анализа формируется при построении соответствующей функции.

Целью анализа по данному методу является определение множества коэффициентов, позволяющих произвести максимально четкое разделение по группам с учетом представленных коэффициентов.

Формула определения дискриминантной функции выглядит так:

D=b1*x1+b2*x2+. ,.+bn*xn+a (здесь х1 и х2 - это значения переменных, соответствующих исследуемым случаям, а x1 — xn и а - коэффициенты, подлежащие оценке).

Точность дискриминантного анализа выше, чем у ранее рассмотренного варианта (кластерного), но результат по-прежнему остается неубедительным.

Дерево классификаций

Данный метод построен на совершенно ином принципе исследования объекта. За основу здесь берется некое факторное пространство, которое последовательно дробится по вложенным областям. Прежде всего производится выборка сегментов по наиболее значимому фактору. Далее процедура повторяется раз за разом до тех пор, пока дробление не приведет к существенной разнице между положительными и отрицательными прецедентами.

Здесь также нет исчерпывающего ответа, будет кредит хорошим или плохим. Метод не дает возможности оценить все риски и установить допустимые их пределы.

Нейронные сети

Методика нашла применение при определении кредитоспособности юрлиц, позволяет анализировать выборки меньшего размера по сравнению с исследованиями потребительских кредитов. Кредитные организации оценили эффект от использования нейронных сетей для установления фактов мошенничества с кредитными картами.

Однако при оценке рисков по кредитам нейросеть использовать нецелесообразно. Методика не позволяет дать ответ, почему конкретному заявителю (заемщику) не следует давать кредит.

Технологии Datamining

Суть метода заключается в использовании алгоритмов, позволяющих определить закономерность между различными факторами при исследовании больших объемов данных. Аналитика проводится по максимальным векторам взаимосвязи, учитываются множественные факторы, а также применяются алгоритмы, позволяющие априори отсечь все слабые зависимости.

Таким образом, по результатам проведенного исследования и определения факторов, влияющих на кредитоспособность, вычисляется сила влияния на кредитоспособность заемщика. Чем большее влияние оказывает тот или иной фактор, тем выше бал ему присваивается.

Методики на основе Ва1аштт§ могут работать на малых объемах данных, минимальных выборках. Но по мере увеличения выборок прозрачность становится менее ощутимой. Невозможно получить количественную оценку риска и установить его допустимые пределы.

Регрессионная модель линейной вероятности

Задача анализа - построить модель, при помощи которой можно получить максимально точные оценки значений зависимой переменной, исследовав и произведя определенные вычисления по значениям зависимых показателей. И в данном методе есть свои недостатки, основной из них заключается в нахождении ряда прогнозных значений вне установленного моделью интервала

Ьо§к-анализ - это лучшая методика на данный момент времени, позволяющая оценить риски кредитования для коммерческих банков с наивысшей степенью вероятности. Получаемые результаты существенно точнее по сравнению с методами кластерного и дискриминационного анализа. Заключение

Оценив текущую ситуацию на рынке в вопросах эффективности существующих моделей по исследованию и оценке кредитных рисков с помощью цифровых методов, можно сделать ряд выводов:

1. Существующие программные средства и методики, которыми пользуются коммерческие банки недостаточно эффективны.

2. Предлагаемые западными коллегами скоринговые модели не позволяют гарантировать точность результатов, имеют низкую робастность и прозрачность.

3. Ощущается острая необходимость в разработке новых или модернизации существующих моделей, созданию более точных, эффективных и действенных программных средств, которые будут обладать такими важными преимуществами, как: точность, робастность, прозрачность, возможность автоматизации анализа и оценки рисков.

4. По мнению автора, наиболее перспективной моделью является Ьо§к-анализ, метод, позволяющий реально оценить кредитные риски банка.

Список использованной литературы

1. Churchill G.A., Nevin J.R., Watson R.R. The role of credit scoring in the loan decision. // Credit World. -1977. — March.

2. Myers J.H., Forgy E.W. The development of numerical credit evaluation systems. // Journal of American Statistical Association. — 1963. — September.

3. Sugato B. Semi-supervised Clustering: Probabilistic Models, Algorithms and Experiments http://cs.utexas.edu/users/sugato/papers/sugatophdthesis.pdf

4. Eibe F. Data mining. Practical machine learning tools and techniques. Eibe, I.Witter. — 2005. — 525 c.

5. Sholom M.W. Text minig. Predictive methods of analyzing unstructured information. M. W. Sholom, N.Indurkhya, T.Zhang, F.J.Damarau. — 2004. — 236 c.

6. Аптекман А., Калабин В., Клинцов В. и др.Цифровая Россия: новая реальность. URL:https://www.mckinsey.com/~/media/mckinsey/locations/europe%20and%20middle%20eas t/russia/our%20insights/digital%20russia/digital-russia-report.ashx

7. Плаксин С., Абдрахманова Г., Ковалева Г.Интернет-экономика в России: подходы к определению и оценке // Форсайт. Т. 11. № 1. С. 55—65. URL: https://cyberleninka.ru/article/n/internet-ekonomika-v-rossii-podhody-k-opredeleniyu-i-otsenke

8. Егоров Д.В.Финансовые аспекты цифровой экономики // Банковское дело. 2017. № 12. С. 38—40.