- •Содержание введение
- •1. Теоретические аспекты оценки кредитоспособности заемщиков - физических лиц
- •1.1. Понятие и сущность кредитоспособности
- •1.2. Особенности кредитоспособности заемщиков - физических лиц
- •1.3. Методические подходы к оценке кредитоспособности заемщиков – физических лиц
- •2. Сравнительный анализ методов оценки кредитоспособности заемщиков - физических лиц в оао «втб24»
- •2.1. Общая информация о банке
- •2.2. Анализ финансового состояния и финансовых показателей деятельности банка
- •2.3. Сравнительный анализ методов оценки кредитоспособности заемщиков – физических лиц
- •3. Основные направления совершенствования оценКи кредитоспособности заемщиков - физических лиц в пао «втб24»
- •3.1. Совершенствование методики оценки кредитоспособности физических лиц
- •3.2. Разработка проекта управления рисками кредитования заемщиков – физических лиц
- •3.3. Оценка экономической эффективности предлагаемых мероприятий
- •Заключение
- •Список использованных источников
- •Приложения
3.2. Разработка проекта управления рисками кредитования заемщиков – физических лиц
Для оценки и анализа кредитных рисков заемщиков физических лиц в ПАО «ВТБ 24» предлагается использовать логико-вероятностную (ЛВ) теорию риска с группами несовместных событий (ГНС), которая отвечает требованиям соглашения «Базель II» к методам количественной оценки кредитных рисков и резервирования. ЛВ-теория риска с ГНС превосходит существующие скоринговые методики по точности, устойчивости и прозрачности, снижает кредитные потери банка и повышает его конкурентоспособность.
Кредитование является основным видом деятельности банков. Каждый банк индивидуален, так как обслуживает различных клиентов в разных районах и регионах, отраслях и сферах банковских услуг, и должен иметь ЛВ-модели кредитного риска физических и юридических лиц, построенные на собственной статистике. Индивидуальности банков способствует также конкуренция.
В настоящее время на рынке имеются скоринговые методики и программные продукты для оценки кредитного риска на основе линейного и квадратичного дискриминантного анализа, нейронных сетей и data mining. ЛВ-теория кредитного риска с ГНС разительно отличается от распространенных скоринговых методик и имеет следующие особенности: использование логического сложения событий вместо арифметического сложения баллов или других показателей;
- адекватная логическая формулировка сценария кредитного риска;
- применение базы знаний по кредитам в виде системы логических уравнений вместо традиционной базы данных;
- построение логической и вероятностных моделей кредитного риска;
- определение вероятностей событий с учетом ГНС и формулы Байеса;
- корректная формулировка целевой функции для идентификации модели риска по статистическим данным;
- использование специальных логических Software.
- абсолютная прозрачность в оценке и анализе риска кредита, множества кредитов банка и самой модели риска;
- возможность управлять кредитным риском, изменяя асимметрию распознавания хороших и плохих кредитов, число параметров и градаций, описывающих кредит.
Оценка и анализ кредитных рисков состоят из двух частей:
1) построение модели кредитного риска по статистике банка, вычисление атрибутов риска множества кредитов банка и анализ кредитной деятельности банка;
2) оценка риска кредита заемщика, вычисление атрибутов риска и анализ риска кредита.
Логико-вероятностная модель кредитного риска имеет следующие достоинства:
- в два раза большая точность в распознавании хороших и плохих кредитов;
- в семь раз большая робастность (устойчивость классификации кредитов);
Изложим основные положения ЛВ-теории риска неуспеха:
Описание кредита. Кредит описывается параметрами, каждый из которых имеет градации. На практике число параметров может быть до 40, а число градаций в параметре - до 30. Например, кредиты физических лиц в одном из банков описывались следующими признаками (параметрами) и их градациями (табл. 21).
Параметр успешности кредита - Y(2 градации).
Параметры кредита:
Z-l - срок кредита (4 градации);
Z2 - сумма кредита (6);
Таблица 21 - Параметры и градации кредитов физических лиц
Номер признака |
Наименование градации |
Номер градации |
Градации параметра |
1 |
Срок кредита |
1 |
До 6 месяцев |
2 |
От 6 месяцев до 1,5 года | ||
3 |
От 1,5 года до 5 лет | ||
4 |
От 5 до 15 лет | ||
2 |
Сумма кредита |
1 |
До 45 000 руб. |
2 |
От 45 000 до 100 000 руб. | ||
3 |
От 100 000 до 200 000 руб. | ||
4 |
От 200 000 до 300 000 руб. | ||
5 |
От 300 000 до 500 000 руб. | ||
6 |
Более 500 000 руб. | ||
3 |
Цель кредита |
1 |
Экспресс-кредиты |
2 |
Потребительский | ||
3 |
На приобретение жилья | ||
4 |
Кредитная история в банке |
1 |
Добросовестная кредитная история |
2 |
Приемлемая кредитная история | ||
3 |
Не пользовался кредитами | ||
5 |
Владение пластиковыми картами банка |
1 |
Нет карты |
2 |
VIS£ Electron (Cirus/Maestro, ICB-card) | ||
3 |
VISA Classic (Eurocard/MasterCard Mass) | ||
6 |
Жилищные условия |
1 |
Наличие в собственности дома, квартиры |
2 |
Проживает в муниципальной квартире, арендует квартиру | ||
3 |
Другие варианты | ||
7 |
Наличие в собственности дорогостоящего имущества |
1 |
Нет такого имущества |
2 |
Автомобиль, приобретенный не ранее чем за 3 года до обращения за кредитом | ||
3 |
Рыночные ценные бумаги на сумму, эквивалентную не менее $1000 | ||
8 |
Возраст заемщика |
1 |
18-25 лет |
2 |
26-50 лет | ||
3 |
50-75 лет | ||
9 |
Должностной уровень |
1 |
Менеджер высшего звена, руководитель фирмы |
2 |
Менеджер среднего звена, начальник отдела | ||
3 |
Специалист высокой квалификации | ||
4 |
Специалист | ||
10 |
Стабильность занятости (период работы в указанной компании) |
1 |
До 2 лет |
2 |
От 2 до 4 лет | ||
3 |
От 4 до 6 лет | ||
4 |
Свыше 6 лет | ||
11
|
Доход чистый по основному месту работы |
1 |
До 10 000 руб. |
2 |
От 10 000 до 15 000 руб. | ||
3 |
От 15 000 до 30 000 руб. | ||
4 |
От 30 000 до 50 000 руб. | ||
5 |
От 50 000 и более | ||
12 |
Количество неработающих членов семьи |
1 |
Нет таковых |
2 |
Менее 2 | ||
3 |
2 и более |
Z3 - цель кредита (3);
Z4 - кредитная история в банке (3);
Z5 - владение пластиковыми картами банка (4);
Z6 - жилищные условия (3);
Z7 - наличие дорогостоящего имущества (3);
Z8 - возраст заемщика (3);
Z9 - должностной уровень (4);
Z10 - стабильность занятости (время работы в указанной компании) (4);
Zn - доход по месту работы (5);
Z12 - количество неработающих в семье (3).
Представление статистики банка по кредитам. Статистические данные по кредитам банка рассматриваются как база данных (БД). Однако в ЛВ-теории риска база данных должна быть преобразована в базу знаний (БЗ).
Значения параметров, имеющих непрерывные значения (срок, сумма кредита, возраст и т.д.), разбиваются на интервалы, которым присваиваются номера или градации (параметры 1, 2, 8, 10, 11). То есть целые и дробные значения параметров и параметра эффективности кредита заменены дискретными значениями (градациями).
Данные по кредитам ПАО «ВТБ 24» представляются в табличном виде (табл. 22).
Таблица 22 - Представление статистики по кредитам в виде табличных БД и БЗ
Номер кредита |
Параметр 1, Z |
… |
Параметр j, Zj |
… |
Параметр n, Zn |
Параметр эффективности кредита, Y |
1 |
|
... |
|
... |
|
|
2 |
|
... |
|
... |
|
|
… |
… |
... |
… |
... |
... |
|
i |
|
... |
Zjr |
... |
... |
Yr |
… |
… |
... |
… |
... |
... |
|
N |
|
... |
|
... |
|
|
В строках находятся кредиты i = 1, 2, ..., N. В столбцах таблицы находятся параметры кредита Z1, ..., Zj, ..., Zn.
В свою очередь параметры имеют градации Zjr, r = 1, 2, ..., Nj, j = 1, 2,..., n, находящиеся в клетках таблицы. В последнем столбце находится параметр эффективности кредита Y, имеющий две градации: градация 1 («хороший», кредит возвращен) или градация 0 («плохой», кредит не возвращен).
Таким образом, в таблице выделяются конечные и счетные множества кредитов, параметров для описания кредита и градаций для каждого параметра.
Параметры и градации рассматриваются как случайные величины или события-параметры и события-градации, приводящие с определенной вероятностью к неуспеху кредита. События-градации для каждого параметра образуют ГНС, для которой используются неклассические правила теории вероятностей и формула Байеса.
События-параметры и события-градации обозначим логическими переменными и будем применять к ним правила логического исчисления. В итоге мы получаем систему логических уравнений с левой и правой частями, или систему логических высказываний, или табличную базу знаний.
С каждой логической переменной левой и правой части БЗ свяжем вероятности ее истинности и ложности. Наибольшее возможное число разных событий-кредитов равно произведению чисел градаций N1, N2, ..., Nj, ..., Nn в параметрах, описывающих кредит. Число кредитов в статистике банка должно быть не меньше 20 х n, где n - число параметров для описания кредитов.
Сценарий риска неуспеха кредита является адекватным, ассоциативным и формулируется для всего множества возможных событий (разных кредитов). Неуспех кредита происходит, если возникают какое-либо одно, два или все инициирующие события-параметры. Заметим, что ни одна из известных скоринговых методик не использует такой сценарий риска.
Структурная модель кредитного риска, представленная на рис. 8, описывает многокомпонентную систему из множества кредитов, отдельных кредитов, параметров кредита и градаций параметров.
┌────────────────────┐
┌──────────────────────────────┤ Множество кредитов ├────────────────────┐
│ └─────────┬──────────┘ │
│ │ │
▼ ▼ ▼
┌─────┴────┐ ┌────┴─────┐ ┌────┴─────┐
│ Кредит 1 │ ... ┌──────────┤ Кредит i ├───┐ ... │ Кредит N │
└──────────┘ │ └─┬──────┬─┘ │ └──────────┘
│ │ │ │
┌───────────────┘ │ │ └──────────────┐
│ │ │ │
▼ ▼ ▼ ▼
┌───────┴────┐ ┌──────────┴──┐ ├───────────┐ ┌────┴─────────────────┐
│ Параметр 1 │ ... │ Параметр j │...│Параметр n │ │Параметр успешности Y │
└────────────┘ └┬────┬──┬────┘ └───────────┘ └──┬──┬────────────┬───┘
┌─────────────────────────┘ │ │ ┌─────────┘ │ │
▼ ┌──────────┘ ▼ ▼ ▼ ▼
┌─────────┴────┐ ┌──────────▼───┐ ┌─────┴─────┐ ┌────────┴─┐ ┌──────┴───┐ ┌────┴──────┐
│ Градация 1 │...│ Градация r │...│Градация Nj│ │Градация 1│...│Градация r│...│Градация Nj│
└──────────────┘ └──────────────┘ └───────────┘ └──────────┘ └──────────┘ └───────────┘
Рис. 8. Структурная модель (граф-модель) кредитного риска
Она соответствует сценарию риска неуспеха кредита и описанию кредита с помощью градации параметров. Структурную модель риска называют еще граф-моделью риска. События-параметры и итоговое событие связаны логическими связями «Или». События-градации для каждого события-параметра составляют ГНС.
Событиям-параметрам и событиям-градациям поставлены в соответствие логические переменные с теми же идентификаторами. Логическая переменная Zj равна 1 с вероятностью Рj, если параметр j привел к неуспеху, и равна 0 с вероятностью Qj = 1 - Pj в противном случае. Логическая переменная Zjr, соответствующая градации r параметра j, равна 1 с вероятностью Pjr и равна 0 с вероятностью Qjr = 1 - Pjr. Вектор Z(i) = (Z1 ..., Zj,..., Zn) описывает объект z из таблицы. При задании объекта z вместо логических переменных Z1, ..., Zj, ..., Zn подставляются переменные Zjr для градаций признаков именно этого объекта i. Используется логическое сложение событий.
Логическая функция (Л-модель) риска неуспеха кредита:
Y = Z1 v Z2 v ... v Zj v ... v Zn. (4)
Л-модель риска неуспеха кредита после ее ортогонализации:
Y = Z1 v Z2Z1 v Z3Z2Z1 v ... (5)
В-модель (В-полином) риска неуспеха кредита:
P = P1 + P2Q1 + P3Q1Q2 + ... (6)
«Арифметика» В-модели риска такова, что для события Y величина риска находится в пределах [0,1] при любых значениях вероятностей инициирующих событий-параметров.
Схема классификации кредитов приведена на рис. 9.
│
«Хорошие» кредиты │ «Плохие» кредиты │
──┼────────────┼──────────────────────────┼────────────────┼───────────────────┼─
│ │ │ │ │
0 Pmin Pad Pmax 1
Рис. 9. Схема классификации кредитов
Риск кредита вычисляется на вероятностной модели кредитного риска, если известны вероятности событий-градаций. Последние определяются при идентификации ЛВ-модели кредитного риска по статистическим данным банка. При решении задачи идентификации вычисляется также допустимый риск Pad по заданному коэффициенту асимметрии распознавания хороших и плохих кредитов.
Задача идентификации В-модели риска сформулирована следующим образом.
Заданы: таблица статистических данных о кредитах, имеющая N кредитов, из которых Ng хороших и Nb плохих кредитов, и В-модель риска (3).
Требуется определить: вероятности Pjr, r = 1, 2, ..., Nj, j = 1, 2, ..., n событий-градаций и допустимый риск Pad, разделяющий кредиты на хорошие и плохие.
Целевая функция: максимизация числа корректно классифицируемых кредитов:
F = Nbb + Ngg, ─► MAXPir (7)
где Ngg, Nbb - соответственно числа кредитов, классифицируемых как хорошие и плохие и статистикой, и В-моделью (совпадающие оценки).
Из выражения (4) следует, что точность В-модели риска в классификации хороших Еg и плохих кредитов Еb и в целом Еm равна:
Eg = (Ng - Ngg) / Ng, (8)
Eb = (Nb - Nbb) / Nb;
Em = (N - F) / N.
Допустимый риск Pad определяется при заданном отношении некорректно классифицируемых хороших и плохих кредитов из-за неэквивалентности ущерба при их неправильной классификации:
Egb = (Ng - Ngg) / (Nb - Nbb). (9)
Задача идентификации является нелинейной задачей оптимизации и решается алгоритмическим итеративным методом с использованием моделирования Монте-Карло или градиентов.
Прозрачность риска кредита и результатов оценки и анализа кредитной деятельности банка обеспечивается вычислением вкладов параметров и градаций в риск кредита, в средний риск всего множества кредитов банка и в точность (целевую функцию) модели кредитного риска. Вклады определяются вычислением разности между значениями характеристик после идентификации ЛВ-модели и значений этих характеристик при придании соответствующим вероятностям событий-градаций нулевых значений.
Таким образом, на каждом уровне структурной модели риска вычисляются следующие характеристики (атрибуты) кредитного риска:
1) количественные оценки риска градации параметра кредита:
- вероятность неуспеха для кредита;
- относительная вероятность неуспеха среди градаций параметра;
- вероятность-частота в множестве кредитов;
- вклад в точность модели риска;
2) количественные оценки риска параметра кредита:
- средняя вероятность неуспеха;
- структурный вес и значимость в модели риска;
- вклад в риск кредита;
- вклад в средний риск множества кредитов;
3) количественные оценки риска кредита:
- риск неуспеха;
- возможные потери;
- цена за риск;
- вклад в риск множества кредитов;
4) количественные оценки риска множества кредитов:
- допустимый риск;
- средний риск;
- коэффициент асимметрии распознавания хороших и плохих кредитов;
- средние потери;
- допустимые потери;
- число кредитов;
- число опасных кредитов;
- энтропия рисков опасных кредитов.
Эти атрибуты полностью определяют риск и используются для управления кредитной деятельностью банка. По результатам анализа атрибутов риска градаций, параметров, кредитов и множества кредитов возможно оптимизировать саму модель кредитного риска для повышения ее точности с определением оптимального числа параметров, градаций в каждом параметре и асимметрии распознавания хороших и плохих кредитов.
ПАО «ВТБ 24» может использовать простую формулу для цены (процента) за риск кредита:
Ci = Cad + k (Prisk - Pad), (10)
где Сi - стоимость i-го кредита; Cad - цена за допустимый риск;
k - коэффициент.
Технология построения и использования ЛВ-модели кредитного риска включает в себя ряд операций.
1. Табличное «стандартное» представление статистических данных о кредитах.
2. Построение сценарной и структурной моделей кредитного риска.
3. Определение событий-параметров и событий-градаций.
4. Определение групп несовместных событий (ГНС).
5. Дискретизация распределений случайных событий-градаций.
6. Построение логической модели кредитного риска.
7. Ортогонализация логической модели кредитного риска.
8. Построение вероятностной модели кредитного риска.
9. Идентификация (оптимизация) В-модели кредитного риска по статистике банка с учетом ГНС и формулы Байеса.
10. Выбор коэффициента асимметрии распознавания хороших и плохих объектов.
11. Определение допустимого кредитного риска.
12. Вычисление количественных атрибутов риска для градаций, параметров, кредита и множества кредитов.
13. Анализ кредитной деятельности банка по значениям атрибутов риска.
14. Управление кредитной деятельностью банка с назначением оптимального числа параметров, градаций в каждом параметре и асимметрии распознавания кредитов.
Рассмотрим варианты представленной методики:
1. ПАО «ВТБ 24» представляет статистические данные по выданным ранее кредитам. Файл со статистикой в обезличенном виде создается банком самостоятельно, затем архивируется и отправляется по e-mail. Обновление статистики и построение новой ЛВ-модели кредитного риска проводятся периодически через 1-4 квартала.
Форма обезличенного файла по статистике кредитов банка:
N
n
N1, N2, ..., Nn
Y1 Z11 Z21 ... Zn1
Y1 Y12 Z22 ... Zn2
....................
YN ZN2 ZN2 ... ZNn,
где N - число кредитов;
n - число параметров;
N1, N2, ..., Nn - число градаций в каждом параметре;
Y11, Y2, ..., YN - признак успешности кредита (1 - «хороший»; 0 - «плохой»);
Z11, ..., ZNn - значение градаций параметров.
Данные ПАО «ВТБ 24» служат для обучения ЛВ-модели риска. Числа хороших и плохих кредитов подсчитываются по файлу автоматически. Также подсчитываются числа одинаково описанных кредитов и устанавливается, какие градации параметров не используются для описания кредитов. Это позволяет контролировать данные заказа 1 и результаты обучения ЛВ-модели риска. Для кредитного риска юридических лиц категории клиентов представляются в виде градаций 1, 2, 3, ... параметра «Категория клиента». Этот параметр располагается в последнем столбце таблицы, и для него вычисляются дополнительные атрибуты риска.
Построение В-модели кредитного риска банка занимает время до 12 часов. Определяются атрибуты риска для градаций, параметров и множества кредитов, а также показатели качества (атрибуты) модели риска: ее точность и асимметрия распознавания. Для юридических лиц для «категорий клиентов» вычисляются дополнительно следующие атрибуты: частота категорий во всех кредитах, в плохих и хороших кредитах, а также среднее значение риска кредитов для категорий. Это позволяет оценить адекватность разделения клиентов на категории.