Споживче кредитування та його розвиток в УкраСЧнi
Дипломная работа - Банковское дело
Другие дипломы по предмету Банковское дело
або з одного банку в iншiй. Навiть усерединi одного банку iснують рiзнi моделi для рiзних груп клiСФнтiв i рiзних видiв кредиту.
З метою побудови моделi спочатку видiляСФться вибiрка клiСФнтiв кредитноСЧ органiзацiСЧ, про яких уже вiдомо, гарними позичальниками вони себе зарекомендували чи нi, iнодi така вибiрка називаСФться навчальною. Вона може варiюватися вiд декiлькох тисяч до сотнi тисяч, що не СФ проблемою на Заходi, де кредитний портфель банку може складатися з десяткiв мiльйонiв клiСФнтiв. Вибiрка пiдроздiляСФться на двi групи: гарнi i поганi ризики. Це виправдано в тiм змiстi, що банк при ухваленнi рiшення про кредитування на першому етапi вибираСФ з двох варiантiв: давати кредит або не давати. При всiй дитячостi визначень гарний/поганий, це саме тi термiни, що використовуються кредитними аналiтиками.
Визначення поганого ризику може бути рiзним у залежностi вiд полiтики банку, у Захiднiй РДвропi поганим ризиком звичайно вважаСФться клiСФнт, що затримуСФться з черговою виплатою на три мiсяцi. РЖнодi до поганого ризику вiдносяться клiСФнти, що занадто рано повертають кредит, i банк не встигаСФ нiчого на них заробити.
Таким чином, скоринг являСФ собою класифiкацiйну задачу, де виходячи з наявноСЧ iнформацiСЧ необхiдно одержати функцiю, що найбiльше точно роздiляСФ вибiрку клiСФнтiв на поганих i гарних.
Методи власне класифiкацiСЧ досить рiзноманiтнi i мiстять у собi [68]:
статистичнi методи, заснованi на дискримiнантному аналiзi (лiнiйна регресiя, логiстична регресiя);
рiзнi варiанти лiнiйного програмування;
дерево класифiкацiСЧ або рекурсiйно-партицiйний алгоритм (РПА);
нейроннi мережi;
генетичний алгоритм;
метод найближчих сусiдiв.
Традицiйними i найбiльш розповсюдженими СФ регресiйнi методи, насамперед лiнiйна багатофакторна регресiя :
р = wo + w1x1 + w2x2 + тАж + wnxn , (3.2)
де р iмовiрнiсть дефолта, w ваговi коефiцiСФнти, x характеристики клiСФнта.
Недолiк даноСЧ моделi полягаСФ в тiм, що в лiвiй частинi рiвняння знаходиться iмовiрнiсть, що приймаСФ значення вiд 0 до 1, а перемiннi в правiй частинi можуть приймати будьяк значення вiд до + .
Логiстична регресiя дозволяСФ перебороти цей недолiк:
log (p/(1p)) = wo + w1x1 + w2x2 + тАж + wnxn... (3.3)
Для застосування логiстичноСЧ регресiСЧ необхiднi набагато бiльш складнi розрахунки для одержання вагових коефiцiСФнтiв i, отже, бiльш могутня компютерна база й удосконалене компютерне забезпечення. Але при сучасному рiвнi розвитку компютерноСЧ технiки це не СФ проблемою, i в даний час логiстична регресiя СФ лiдером скорингових систем.
Перевага логiстичноСЧ регресiСЧ ще й у тiм, що вона може пiдроздiляти клiСФнтiв як на двi групи (0 поганий, 1 гарний), так i на кiлька груп (1, 2, 3, 4 групи ризику).
Усi регресiйнi методи чуттСФвi до кореляцiСЧ мiж характеристиками, тому в моделi не повиннi бути сильно корельованi незалежнi перемiннi.
Лiнiйне програмування також приводить до лiнiйноСЧ скоринговоСЧ моделi. Провести абсолютно точну класифiкацiю на поганих i гарних клiСФнтiв неможливо, але бажано звести помилку до мiнiмуму. Задачу можна сформулювати як пошук вагових коефiцiСФнтiв, для яких помилка i буде мiнiмальною.
Дерево класифiкацiСЧ i нейроннi мережi являють собою системи, що роздiляють клiСФнтiв на групи, усерединi яких рiвень ризику однаковий i максимально вiдрiзняСФться вiд рiвня ризику iнших груп. Нейроннi мережi використовуються головним чином при визначеннi кредитоспроможностi юридичних осiб, де аналiзуються вибiрки меншого розмiру, нiж у споживчому кредитi. Але найбiльш успiшною областю СЧх застосування стало виявлення шахрайства з кредитними картками завдяки СЧх здатностi виявляти нестандартнi ситуацiСЧ.
Генетичний алгоритм заснований на аналогiСЧ з бiологiчним процесом природного добору. У сферi кредитування це виглядаСФ в такий спосiб: маСФться набiр класифiкацiйних моделей, якi пiддаються мутацiСЧ, схрещуються, i в результатi вiдбираСФться найсильнiший, тобто модель, що даСФ найбiльш точну класифiкацiю.
При використаннi методу найближчих сусiдiв вибираСФться одиниця вимiру для визначення вiдстанi мiж клiСФнтами. Усi клiСФнти у вибiрцi одержують визначене просторове положення. Кожен новий клiСФнт класифiкуСФться виходячи з того, яких клiСФнтiв поганих або гарних бiльше довкола нього.
На практицi використовуСФться комбiнацiя декiлькох методiв, i компанiСЧ зберiгають своСЧ скоринговi моделi в найсуворiшому секретi, тому складно сказати, який метод краще.
Цiль процесу розробки скоринг карт побудувати найбiльш повний профiль ризику для кожного клiСФнта. Такий широкий пiдхiд робить скорингкарти не тiльки бiльш ефективними, але i менш сприйнятливими до змiн в однiй окремiй областi. Такий профiль ризику повинний мiстити в собi характеристики, що вiдбивають стiльки незалежних типiв iнформацiСЧ, скiльки можливо.
Так, кредитна скорингкарта користувача повинна мiстити в собi:
демографiчну iнформацiю про клiСФнта (вiк, мiiе проживання, регiон i стаж роботи);
роздiл кредитних характеристик, що вiдбивають володiння нерухомiстю, професiю, платоспроможнiсть,деяку фiнансову iнформацiю;
ступiнь довiри клiСФнтовi у вiдношеннi погашення боргiв (загальний коефiцiСФнт неповернення боргу);
а також iншу значиму для розгляду iнформацiю про iснуючих позичальникiв.
Профiль позичальника також допомагаСФ при наступному монiторингу скорингкарт по