Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | кандидат экономических наук |
| Автор | Киблицкий, Сергей Алексеевич |
| Место защиты | Москва |
| Год | 2011 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц"
На правах рукописи
КИБЛИЦКИЙ Сергей Алексеевич
СКОРИНГ-МЕТОДИКА ОПТИМИЗАЦИИ БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ ПРИ КРЕДИТОВАНИИ ФИЗИЧЕСКИХ ЛИЦ
08.00.13 - Математические и инструментальные методы экономики
АВТОРЕФЕРАТ
Диссертации на соискание ученой степени кандидата экономических наук
- 8 ДЕК 2011
Москва, 2011 г.
005004909
Диссертационная работа выпонена в отделе разработки и проектирования информационных систем и технологий Всероссийского НИИ проблем вычислительной техники и информатизации.
Научный руководитель: доктор педагогических наук,
кандидат экономических наук, профессор Князев Валерий Васильевич
Официальные оппоненты: доктор экономических наук, доцент
Трегуб Илона Владимировна
кандидат физ.-мат. наук, доцент Дулькин Вадим Наумович
Ведущая организация: Всероссийский заочный финансово. .. экономический институт
Защита диссертации состоится 28 декабря 2011 г. в 10.00 часов на заседании диссертационного совета Д219.007.01 во ВНИИПВТИ по адресу: 115114, Москва, 2-й Кожевнический пер., д. 8, конференц-зал (ауд. 213).
С диссертацией можно ознакомиться в библиотеке ВНИИПВТИ по адресу: 115114, Москва, 2-й Кожевнический пер., д. 8.
Автореферат разослан л 26 ноября 2011 г.
Ученый секретарь диссертационного совета, кандидат экономических наук
Гвритишвили П.П.
Введение
Актуальность темы исследования. Деятельность российских банков по кредитованию физических лиц находится в периоде взрывоподобного развития. Одним из наиболее эффективных методов оценки клиентов банка для выдачи им кредитов является" скоринговые методики. Скоринг является методом классификации всех потенциальных клиентов банка на различные группы. Основная цель классификации заключается в том, чтобы разделить всех потенциальных клиентов на хороших (т.е. таких, которые с высокой вероятностью вернут кредит и которым кредит следует предоставить) и плохих (т.е. которые, скорее всего, не вернут кредит и которым следует отказать). Причем термины хороший и плохой являются общепринятыми в данной области науки.
Применяемая в скоринге классификация основана на косвенных признаках. Прямые признаки хороших и плохих клиентов отсутствуют. Поэтому приходится пользоваться косвенными, известными характеристиками, такими, например, как доходы заемщика, уже имеющиеся у него займы, возраст, стаж работы на одном месте (если речь идет о физическом лице) и др. На основе этих косвенных признаков и строится комплексный критерий классификации клиентов.
В последние годы появилось достаточно большое число публикаций по скорингу, среди которых следует отметить работы Александрова А.Ю., Андреева Г.В., Заиченко Е.М., Заяц А., Кармокова A.A., Купленкова М.Ю., Churchill G. A., Forgy Е. WД Henley W. ЕД Myers J. HД Nevin J. RД Watson R. R. и др.
Проблемы использование скоринга для анализа кредитоспособности и его внедрения подробно описаны в работах Максутова Ю.Г., Манделя A.C., Наумова М.Ф., Строева A.A., и Бекарева A.B., а управление рисками изложено в работах Барановой Е.А. Давыдова P.A., Ковалева П.П., Коробовой Г.Г., Лепетикова Л.В., Меликьяна Г.Г., Путиловского В.А., Пыхтина C.B., Резвановой Л.М.! Рыковой И.Н., Савинской H.A., Слуцкого АА, Содатовой O.A.,' Сухова М.И., Фисенко Н.В. и других.
Большое количество публикаций в российских и зарубежных средствах массовой информации, освещающих практическую сторону скоринговых методов управления кредитами, являются показателем того, что накоплен большой материал, требующий систематизации и теоретического обобщения.
Таким образом, отмеченная актуальность и недостаточная комплексная проработанность рассматриваемой проблематики определили выбор цели, постановку задач, структуру и содержание исследования.
Цель диссертационного исследования заключается в разработке новой скоринговой методики оптимизации банковской деятельности при
кредитовании физических лиц и выработки методических рекомендаций по её практическому применению.
Комплексную методику скоринга будем связывать с созданием макета программной системы, которая позволяет решать задачи оценки надежности потенциального заемщика и нормативной надежности.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
1. Проведен анализ существующих методов скоринга, применяемых на российском и зарубежных кредитных рынках, выявлены их преимущества и их недостатки, сформулированы актуальные методологические проблемы скоринга.
2. Определены основные проблемы, препятствующие развитию кредитования населения в России, и разработаны рекомендации по их решению;
3. Обоснована система оценки кредитоспособности заемщиков на основе применения модели кредитного скоринга; предложены основные направления расширения целевой аудитории и развития системы кредитования населения.
4. Разработаны экономико-математические модели оценки расчета индивидуальной надежности заемщика и нормативной надежности на базе эволюционно-симулятивной методологии (ЭСМ1). По результатам тестирования моделей на имеющихся данных оценена их работоспособность.
5. Разработана универсальная методика скоринга, которая включает расчет количественных оценок надежности заемщика и нормативной надежности и позволяет оценивать кредитоспособность заемщиков разных категорий, физических лиц, на основе сопоставления этих надежностей.
6. Проведено экспериментальное исследование эффективности комплексной методики; определен круг пользователей программных продуктов реализующих предлагаемую комплексную методику.
Объектом исследования является банковская система кредитования физических лиц.
Предметом исследования являются экономико-математические модели и методы оценки надежности потенциального заемщика и нормативной надежности, закладываемые в скоринг-систему.
Теоретическая и аналитическая база исследования. Исследование проводилось в поном соответствии с ключевыми положениями экономической теории и системного анализа. Его методологическую основу составили труды отечественных и зарубежных ученых в области экономико-математического моделирования, теории вероятностей, математической статистики и других разделов науки. При
' Аббревиатура ЭСМ используется для обозначения эволюционно - симулятивной методологии и также эволюционно - симулятивной модели. Из контекста ясно о чем идет речь
решении конкретных задач использовались известные методы математического программирования, методики и агоритмы решения прикладных экономических задач.
Информационной базой работы выступили научные обзоры материалы периодической печати, нормативные документы' официально опубликованные данные российской и ' зарубежной статистики, доклады и материалы международных НТК, а также аналитические обзоры Всемирного банка, Всемирной торговой организации, РА Эксперт и др.
Работа выпонена в рамках специальности 08.00.13 -Математические и инструментальные методы экономики.
Новизна научного исследования заключается в разработке комплексной методики скоринга, модели которой базируются на равновесии кредитных рисков: завышения и занижения. Наиболее существенные научные результаты, полученные в диссертации:
1. Выявлены методологические проблемы скоринга, которые заключаются в возможности: искажения информации вследствие учета не всего множества потенциальных клиентов; изменения внешних и внутренних условий, делающие модели скоринга не адекватными-ошибок скоринга; лобмана скоринговой системы, невозможность использование существующих западных моделей скоринга.
2. Предложен универсальный подход к разработке скоринговой методики управления кредитными рисками, в основе которой лежат две равновесные эволюционно - симулятивных модели: модель расчета норматива, устанавливающая границу по которой клиент относится к категории хороший или плохой и модель вычисления индивидуальной надежности потенциального заемщика, которая позволяет оценить кредитоспособность клиента.
3. Определены понятия кредитных рисков завышения и занижения:
- применительно к задаче вычисления индивидуальной надежности потенциального заемщика риск завышения возникает в случае если конкретный заемщик не вернет в срок и с процентами выданный кредит а риск занижения возникает в случае отказа выдать кредит кредитоспособному клиенту.
- применительно к задаче нормативной надежности риск завышения это риск признать плохого клиента за хорошего, а риск занижения наоборот - это риск признать хорошего клиента за плохого.
4. Разработаны новые имитационные модели и агоритмы получения оценки надежности заемщика, обеспечивающие оптимизацию кредитных рисков завышения и рисков занижения, то есть их равновесие.
5. Особенностью данного исследования является выбор такого набора исходных данных, которые позволяют количественно оценивать кредитные риски завышения и занижения, определять условия их
равновесия и соответствующие ему значения показателя надежности заёмщика. Отличительной особенностью методики является то, что в ней оперативно учитываются не только имеющиеся характеристические данные (данные, предоставляемые заёмщиком; данные из бюро кредитных историй и пр.), но и данные о точке зрения лиц, принимающих решение (экспертов банков).
6. Разработаны программная реализация предложенных ЭСМ в среде стандартного программного обеспечения Decision. Предложены методические приемы сбора, предварительной подготовки исходной информации и получении результатов расчета как норматива надёжности, так и индивидуальной надежности клиентов. Разработаны диалоговые процедуры исследования ситуации при планировании кредитования.
Апробация и внедрение результатов исследования. Основные положения диссертационного исследования докладывались и получили одобрительную оценку на Международной летней школе молодых ученых "Мировой финансовый кризис и его влияние на развитие финансовых систем" (Москва, 2009), Vll-й Международной научной конференции Устойчивое развитие горных территорий в условиях глобальных изменений (Владикавказ, 2010), а также на семинарах кафедр: "Менеджмента" МГУТУ, "Прикладной информатики" ВЗФЭИ и секции "Информационные технологии управления социально-экономическими системами" при НТС ВНИИПВТИ.
Результаты диссертационной.. работы используются ООО КБ Атайэнергобанк для оптимизации деятельности банка по кредитованию физических лиц и выработки предложений по снижению его финансовых рисков. Отдельные положения диссертации будут использоваться в рамках дисциплины "Исследование операций", а также в преподавании специального курса "Информационные технологии в банковской деятельности".
Результаты . внедрения подтверждены соответствующими документами.
Публикации. Основные положения по материалам диссертации нашли отражение в 5 научных публикациях, авторским объём 3,45 пл., все они размещены в журналах, рекомендованных ВАК.
Структура и содержание работы обусловлены логикой, целью исследования. Диссертация содержит 3 главы, 18 рисунков, 10 таблиц, 124 страницы текста и список литературы из 97 наименований.
ОСНОВНЫЕ ПОЛОЖЕНИЯ
Работа состоит из введения, трех глав, заключения и двух приложений.
В первой главе диссертации исследуется сущность скоринга, рассматриваются основные его достоинства и недостатки, особенности
применения скоринга в России, виды скоринга, технология скоринга при кредитовании физических лиц, управление портфелем проблемных кредитов, формулируются основные методологические проблемы скоринга.
Скоринг является методом классификации всех потенциальных клиентов банка на различные группы. Основная цель классификации заключается в том, чтобы разделить всех потенциальных клиентов на хороших, т.е. тех, кто с высокой вероятностью вернут кредит, и плохих, которые, скорее всего, не вернут кредит и которым следует отказать. Причем термины хороший и плохой являются общепринятыми в данной области науки.
Применяемая в скоринге классификация основана на косвенных признаках. Прямые признаки хороших и плохих клиентов отсутствуют. Поэтому приходится пользоваться косвенными, известными характеристиками, такими, например, как доходы заемщика! уже имеющиеся у него займы, возраст, стаж работы на одном месте (если речь идет о физическом лице) и др. На основе этих косвенных признаков и строится комплексный критерий классификации клиентов.
В России, в сравнении со странами Европы и США, развитие скоринга происходит достаточно медленными темпами. У отечественных банков недостаточно данных для создания действенных скоринговых моделей. При нынешнем течении событий банки могут предпринять два вида мер: один способ - применять на практике модель, спланированную заграничными странами, адаптировав её к особенностям российской экономики и социальным нормам. Другой способ состоит в создании таких технологий скоринга, которые могли бы успешно работать на достаточно плохой исходной информации.
К положительным чертам скоринга можно отнести:
- понижение уровня издержек и операционного риска;
- рост скорости рассмотрения заявлений и, следовательно, более быстрое принятие решений о кредите;
- передача управления принятием кредитных решений к единому центру, а также сведение к нулю присутствия человеческого фактора в данном процессе;
- обнаружение и борьба с разного рода злоумышленниками.
Вместе с тем, скорингу присущи методологические проблемы,
которые связаны с тем, что;
- классификация производится только на клиентах, которым дали кредит, при этом остается неизвестным, как бы повели себя клиенты, которым в кредите было отказано;
- люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее свежих клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель;
- качество скоринговых моделей недостаточно надежно;
- у недобросовестного клиента остается возможность обмануть скоринговую систему, предоставив о себе ложные сведения.
Обзор компаний, реализующих скоринговые системы на отечественном рынке, и их программных продуктов (Credit Scoring Solution, EGAR Application Scoring, автоматизированная система РОСНО по предоставлению предстраховой экспертизы, dm-Score, Deductor, KXEN, "Франклин&Грант. Финансы и аналитика", Forecsys Scoring Pilot и др.) показывает, что рынок программного обеспечения находится в стадии формирования и развития. При этом большинство поставщиков программного обеспечения не раскрывают деталей агоритмов скоринга, лежащих в основе предлагаемых ими продуктов. Не более 10% банков в настоящее время используют покупные скоринговые системы. Таким образом, перспективы для роста данного рынка весьма велики.
В настоящее время достаточно активно для решения задач в условиях неопределенности и риска используются эволюционно-симулятивные модели (ЭСМ). Применение этих моделей позволяет учесть риски, которые возникают вследствие того, что хороший клиент по ошибке может быть отнесен к категории плохих и наоборот.
Вторая глава диссертации посвящена разработке комплексной методики скоринга, основанной на двух взаимосвязанных ЭСМ, а именно, модели надежности индивидуального заемщика и модели нормативной надежности заемщика. Отнесение заемщика к классу хороших или к классу плохих основывается на сопоставлении индивидуальной и нормативной надежности. Если индивидуальная надежность не ниже нормативной - заемщик относится к классу хороших, иначе - к классу плохих.
При разработке ЭСМ мы пользуемся понятиями, которые используют кредитные аналитики: характеристики клиентов (в математической терминологии - факторы и исходные показатели) и признаки - значения, которые принимают переменные. Если представить себе анкету, которую запоняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы. Кредитоспособного клиента и риск выдачи ему кредита называют хорошим, некредитоспособного и его риск - плохим.
Особенности ЭСМ скоринга становятся наглядными при их сопоставлении с моделями, ставшими традиционными. При построении традиционных моделей основная сложность заключается в определении характеристик, которые следует включать в модель и весовых коэффициентов, которые дожны им соответствовать.
Рассмотрим кратко эти подходы и дадим им характеристики. Линейная многофакторная регрессия имеет вид: р = W0 + W,X, + W2X2 + ... + WnXn (1)
где р - вероятность дефота, IV - весовые коэффициенты, х -характеристики клиента. Недостаток данной модели заключается в том, что левая часть этого уравнения представляет собой вероятность, которая дожна принимать значения в интервале от 0 до 1, а переменные правой части могут принимать любые, в том числе и отрицательные значения.
Логистическая регрессия предполагает построение зависимости в виде:
од (р/( 1-р)) = ы0+ щх-! + щхг + ... + шпхп. (2)
Для применения логистической регрессии так же необходимы достаточно сложные расчеты, которые предполагают применение соответствующих компьютерных систем. Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не дожно быть сильно коррелированных независимых переменных.
Применение линейного программирования, как и регрессионные методы, направлено на построение линейной скоринговой модели.
Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите.
Генетический агоритм применяется для подбора коэффициентов регрессионной зависимости с помощью процесса, подобного процессу естественного отбора. На этом же принципе основан и метод группового учета аргументов.
При использовании метода ближайших соседей выбирается единица измерения и способ задания расстояния между клиентами. В результате все клиенты в выборке получают определенное пространственное положение.
На практике используется комбинация нескольких методов, и компании хранят свои скоринговые модели в строжайшем секрете, поэтому сложно сказать, какой метод лучше.
Предлагается использовать новый подход к разработке скоринговой методики управления кредитными рисками, которая базируется на эволюционно-симулятивной методологии.
Скоринговая модель оптимизации банковской деятельности при кредитовании физических лиц.
Пусть Р1_ искомая надежность конкретного клиента, а N норматив (эталон), устанавливающий границу по которой клиент относится к категории хороший или плохой. Иначе говоря, если Р1_ > N. то клиент хороший, если же РЬ < N - то клиент плохой.
Структурная формулировка эволюционно-симулятивной модели (ЭСМ) для расчета РЬ имеет вид:
Fa = p(e)
F^PL.Fa) = Ф,(е), если PL > Fa Fz(PL,Fa) = Ф2(е), если PL <; Fa.
PL [{1,2}
где р(е), Ф-|(е), Фг(е) - имитационные модели, е - номер статистического испытания, М - знак математического ожидания, ?а -реализация фактического значения утверждаемого показателя, р1^,ра) - издержки завышения, Р2^,Ра) - издержки занижения, выражают систему условий для установления значения надежности конкретного клиента.
Структурная формулировка ЭСМ для вычисления норматива N имеет вид:
minMF(N,Fa) (9)
Для завершения построения моделей необходимо придать конкретный содержательный смысл имитационным моделям р(е), Ф,(е) и Ф2(е) в формулировках (3) - (6) и (7) - (9).
В качестве модели р(е) в (3) мы будем рассматривать регрессионную зависимость (1) при следующих предположениях:
1. В качестве массива данных рассматриваются не только клиенты получившие кредит, но все клиенты, включая тех, которым было отказано в кредите.
2. Вероятность дефота р принимает любые значения на интервале [0;1], а не только два значения: 0 или 1.
Это предполагает выпонение специальных процедур обработки исходной информации, а именно:
- разделение всего массива данных на кластеры (подмножества) достаточно близких друг к другу признаков;
- расчет для каждого кластера вероятности отсутствия дефота как отношения количества правильно обслуживаемых займов к общему числу займов данного кластера;
- приписывание каждому сочетанию признаков вероятности отсутствия дефота равной этой оценке для кластера.
При этих предположениях мы можем построить имитационную модель р(е) в (3) следующим образом: заменяем в (1) признаки клиентов
X|, = 1.....п на факторы f, i = 1.....n, то есть на случайные величины.
Поскольку задача (3) - (6) предназначена для оценки кредитоспособности конкретного потенциального заемщика, то конкретные значения признаков этого заемщика, взятые из его анкеты,
Fa = р(е)
мы будем рассматривать как математические ожидания. Так как у нас отсутствует информация о возможных отклонениях признаков (вследствие ошибки или умысла), то будем считать их равномерно распределенными на конечном интервале с заданным математическим ожиданием и предельным отклонением, скажем, в 20% от номинала.
Обратимся теперь к имитационной модели издержек завышения ЧЛ(е) в (4). Нам необходимо ответить на вопрос, что будет, если данный конкретный заемщик не вернет в срок и с процентами выданный кредит? Очевидно, что в этом случае возникнет потеря выданного кредита. Размер этой потери будет пропорционален размеру выданного кредита К и размеру превышения PL над Fa. Таким образом, имеем: F,(PL,Fa) = Ф^е) = К * (PL - Fa), при PL > Fa. Имитационная модель издержек занижения Ф2(е) в (5) выражает издержки, которые возникнут в случае отказа выдать кредит кредитоспособному клиенту. Эта величина пропорциональна размеру выданного кредита К, ставке процента по кредиту R и размеру превышения Fa над PL. Таким образом:
F2(PL,Fa) = Ф2(е) = К * R * (Fa - PL), при Fa > PL. Так как К входит в качестве сомножителя и в Ф^е) и в Ф2(е) то его можно сократить. В результате получаем:
F^PL.Fa) = Ф,(е) = (PL - Fa), при PL > Fa (4')
F2(PL,Fa) = Ф2(е) = R * (Fa - PL), при Fa > PL (5')
В модели (7) - (9) р(е), Ф^е) и Ф2(е) имеют другой смысл. Модель р(е) так же имеет вид (1). Признаки клиентов x, i = 1,...,п также
заменяются на факторы f, = 1.....п, но, в отличие от (3) в (7)
совместные реализации значений факторов задаются всем массивом имеющееся информации о клиентах кредитного учреждения.
Риск завышения Ф-|(е) в (8) это риск признать плохого клиента за хорошего. Этот риск пропорционален вероятности некредитоспособности клиента, то есть величине 1 - р, где р задается выражением (1).
Риск занижения Ф2(е) в (8) это риск признать хорошего клиента за плохого. Этот риск пропорционален вероятности кредитоспособности клиента, то есть р.
Таким образом, имеем:
F(PL,Fa) = ^1 _ (l-p)>PL->.-Fa ^
> [y2(PL,Fa),PL<Fa [ p,PL<Fa (8)
где р задано соотношением (1).
Итак, комплексная методика скоринга с применением ЭСМ состоит з том, чтобы рассчитать N решив задачу (7) - (9). При возникновении вопроса о том, стоит ли выдать кредит конкретному потенциальному заемщику, нужно ввести его данные в модель (3) - (6) и рассчитать PL. Если PL > N кредит выдавать следует, иначе - нет.
Практическая реализация этой идеи предполагает программную реализацию предложенных ЭСМ в среде модуля Equilibrium инструментальной системы Decision. При этом возникает ряд нетривиальных методических вопросов. К числу этих вопросов относится, прежде всего, разработка имитационных моделей в составе ЭСМ и соответствующие способы подготовки исходных данных.
Пусть х1р х2.....хп - характеристики потенциального клиента,
претендующего на получение кредита, w0, wh ... wn - коэффициенты линейной регрессии, р - вероятность дефота. Поскольку нас интересует не просто значение 0 или 1, а вероятность дефота, которая может принимать любое значение в интервале [0;1] то можно было бы выпонить следующую предварительную подготовку информации:
- составить группы клиентов (кластеры) с одинаковым или близким сочетанием характеристик;
- подсчитать, сколько в каждом кластере имеется тех клиентов, которым кредит фактически был выдан (хороших клиентов);
- оценить вероятность выдачи кредита клиенту из данного кластера как отношение числа хороших клиентов к общему числу клиентов.
Поскольку число характеристик л достаточно велико (около 20) то деление интервала возможных значений каждой характеристики скажем на 10 равных частей приведет к возникновению 10" кластеров (например, Ю20), что, очевидно, слишком велико и поэтому практически не реализуемо.
В связи с этим необходимо избежать указанного способа формирования кластеров или использования кластеров вообще. В частности, можно предложить имитационную модель получения реализаций вероятности р выдачи кредита в зависимости от реализации
значений характеристик Xi, i = 1.....п основанную на следующих
агоритмах:
- рассматривать статистические данные каждой характеристики i как реализации xо,i = 1п, где е - номер статистического испытания;
- выбрать стандартную, например, 10%-ую окрестность А вокруг точки {x*,i = l,...,n}, иначе говоря А = {[х"х'*0,l],i = h-,n}, где в
квадратных скобках указан интервал стороны в пространстве Е";
- из имеющегося массива фактических данных об обращениях за кредитами находим совокупность Q таких обращений, характеристики которых попадают в окрестность А;
- в качестве реализации вероятности р выдачи кредита принимаем отношение количества выданных кредитов из Q к общему числу обращений в Q.
'' Данный агоритм может быть формализован. Мы приведем формализацию этого агоритма на языке VBA. Пусть имеется массив запросов за кредитами, и: к - номер элемента, i - номер характеристики,
К - количество элементов массива, I - количество характеристик. Тогда массив исходных статистических данных о запросах на кредиты и о выданных кредитах имеет вид: x(i,k), = 1,...,|, к = 1,...,К. Объем массива достаточно велик, в частности, К может достигать десятков тысяч. Пусть: xv(i) - верхняя граница характеристики k, xn() - нижняя граница; х(0,к) принимает значение 1 - если кредит выдан и 0 - если нет: xe() -реализация характеристики i в интервале [xn(i); xv()], р(е) - реализация вероятности выдачи кредита, полученная в статистическом испытании е, Е - общее число статистических испытаний. Тогда агоритм статистических испытаний имеет вид (10). For е = 1 to Е For i = 1 to I
xe() = xn(i) + (xv(i) - xn(i)) * rnd Next i
V = 0: W = 0 For k = 1 to К D = 0
For = 1 to I
Ifx(i,k) >xe(i)*0,9 andx(i,k) <xe(i) * 1,1 then D = D+1 (10)
If D = I then
V = V+1:W = W + x(0,k) End if Next k p(e) = W/V Next e
Данный агоритм требует достаточно больших вычислительных мощностей, но, тем не менее, он практически реализуем. При этом, однако, данный подход не лишен еще одного существенного недостатка! присущего всякой статистической информации. Он отражает фактическое положение. В частности, статистические данные о выданных и не выданных кредитах отражает сложившуюся практику и политику кредитного учреждения, которая совершенно не обязательно является хорошей или хотя бы удовлетворительной. Поэтому данный агоритм применим в случае, если имеется некоторое эталонное кредитное учреждение, которое хорошо, в каком-то смысле почти идеально, выдает кредиты.
В этой связи возникает необходимость получать реализации не столько фактических условий выдачи кредитов, сколько желаемых с точки зрения достаточно квалифицированных экспертов. Поскольку характеристик много, то по указанным выше причинам выделить кластеры и экспертно их оценить невозможно. Очевидно, что экспертам нельзя предложить 1020 вариантов кластеров для сопоставления.
Вместе с тем, можно экспертно оценить желаемые значения каждой характеристики и оценить предпочтения характеристик. Пример оценок для 3-х характеристик и 3-х интервалов представлен в таблице 1. Из
этой таблицы .однозначно понятны основные технические особенности формирования оцениваемых величин и сами экспертные оценки.
Во 2-ой строке таблицы даны экспертные оценки важности характеристик, сделанные в той же 5-бальной шкале.
Таблица 1: Экспертные оценки характеристик.
Характеристики
Q(1) = 5 Q(2) = 4 Q(3) = 5
Доход, тыс.руб/мес. Недвижимость, мн.руб. Уже имеющиеся кредиты, мн.руб.
Значения х(1,1) Оценка Ef(1,j) Значения x(2,j) . Оценка Ef(2,j) Значения x(3.j) Оценка Ef(3j)
[80; 1000] 5 [9; 100] 5 [80; 1000] 0
[25;80] 3 [3;9] 3 [0,5.80] 2
[0; 25) 0 Го; 3] 0 [0; 0,5] 4
Используя данные таблицы 1 можно рассчитать бальную экспертную оценку для любого конкретного клиента с помощью следующего агоритма:
- для калодой характеристики i по таблице 1 находим интервал, которому принадлежит его характеристика x(,j), тем самым каждому ставится в соответствие j, что можно обозначить: j = f();
- соответственно найденному j находим по таблице 1 экспертную оценку характеристики Ef(ij);
- считая, что Q() - вес характеристики, бальную экспертную оценку
В рассчитываем по формуле: В = q()* Ef (i, j)j=IW.
Очевидно, что если все характеристики имеют наивысшую оценку 5,
то кредит выдавать безусловно можно и р = 1. При этом предельная
верхняя бальная оценка равна B = ]Tq()*5=5*q(). Если же все
-i =i
оценки характеристик равны 0, то кредит выдавать не стоит, при этом очевидно, В = 0 и р = 0. Мы имеем, следовательно, условия нормирования бальных оценок, позволяющие пересчитать их в вероятности. Отсюда, вероятность р выдачи кредита клиенту равна:
Q(i)*Ef(i)
р = Ч-= wЧ--
5*Q(i) 5*Q()
-i -i
Обозначим через р(е) - реализацию вероятности выдачи кредита полученную в статистическом испытании е; к - номер интервала (xn(i,k), xv(,k)], i = 1,...,1, к = 1,...,3; R() - номер реализации интервала для характеристики i в статистическом испытании е.
Агоритм реализации вероятности выдачи кредита таков:
For е = 1 to Е : В = 0: ВМ = О For i = 1 to I
D = xn(,1) + ((xv(i,3) - xn(i,1)) * Rnd For к = 1 to 3
If xn(i,k) < D and xv(i,k) > D then R(i) = К Next к
В = В + Q{) * Ef(i, R(i; BM = BM + Q(i) * 5 Next
p(e) = В / BM
Next e J
Агоритмы (11) представляют собой запись сформулированных правил на формализованном агоритмическом языке.
При программной реализации моделей (3) - (6) и (7) - (9) содеожание имитационных моделей р(е) в (3), Ф,(е) в (4) и Ф2(е) в (5) и в (8) раскрывается следующим образом: для расчета N в качестве модели р(е) в (3) может быть принят агоритм (10), если имеется эталонная кредитная организация, или агоритм (11). Необходимая аргументация для построения Ф,(е) и Ф2(е) была высказана выше. Таким образом, имеем:
F,(N,Fa) = Ф,(е) = р(е), при No > Fa (4')
F2(N,Fa) = Ф2(е) = (1 - р(е)), при No < PL (5')
где р(е) задано агоритмом (11).
При расчете PL имитационные модели (10) и (11) не подходят в роли р(е), так как эти агоритмы не учитывают особенностей конкретного клиента. Рассмотрим агоритм, лишенный указанного недостатка. Пусть xf() - значение характеристики i у конкретного клиента, являющегося соискателем кредита. Придавая этой величине некоторые стандартные отклонения, скажем в 30%-ом интервале, можно рассчитать реализации характеристик, характерные конкретному клиенту. Далее применяется агоритм (12):
For е = 1 to Е В = 0: ВМ = 0 For i = 1 to I
D = xf() * 0,7 + xf(i) * 0,6 * Rnd For k = 1 to 3
If xn(i,k) < D end xv(,k) > D then R(i) = К Next k
В = В + Q(i) * Ef(i, R(i)): BM = BM + Q(i) * 5 Next i
p(e) = В / BM Next e
Этот агоритм имеет следующий смысл: для каждой реализации находятся соответствующие интервалы и экспертные оценки по таблице 1 и рассчитываются реализации вероятности выдачи кредита р(е) подобно тому, как это происходит в агоритме (11).
Аргументы необходимые для построения имитационной модели издержек завышения Ч*,(е) и издержек занижения Ф2(е) применительно к расчету PL нами были высказаны выше (см. уравнение (8'))
Таким образом, имеем:
F,(PL,Fa) = Ф,(е) = (PL - Fa), при PL > Fa (4")
F2(PL,Fa) = Ф2(е) = Rc * (Fa - PL), при Fa > PL (5")
где Rc - ставка процента по кредиту
Итак, мы в среде модуля Equilibrium для расчета N применяется модель (10), (4'), (5'), (6), а для расчета PL модель (12) (4") (5") (9)
Практическая реализация предложенных подходов позволит по нашему мнению, не только сделать более надежными скорингшые расчеты, но, с учетом программной реализации, упростить их Вначале необходимо подготовить модель, то есть провести необходимые экспертизы, ввести массивы данных в модуль Equilibrium. Корректировка экспертных оценок дожна проводиться сравнительно редко только в случае существенного изменения ситуации. Столь же редко может выпоняться расчет оптимальной нормативной величины вероятности возврата кредита N.
При наличии подготовленной указанным способом модели расчеты для оценки кредитоспособности клиента обращающегося в кредитную организацию с помощью модели (11), (4"), (5"), (9), могут выпоняться оперативно, в режиме диалога.
Кроме того, рассматривается оценка кредитного риска при потребительском кредитовании на основе модели Маркова. При этом используется вероятность погашения просроченной задоженности
которая может рассчитываться с помощью модели (12) (4") (5") (9)
Третья глава диссертации посвящена практической'реализации предложенной комплексной методики, диалоговым процедурам и вычислительным экспериментам.
При проведении тестирования моделей мы ограничились 5-ю характеристиками клиента и 3-мя интервалами, на которые разбиваются области значений каждой характеристики. Исходная информация характеризующая клиентскую базу кредитной организации, показана в таблице 2, где приняты следующие обозначения: Q(i) i = 1 5 - вес характеристики номер i, экспертно оцененный в 5-бальной шкале; x(i,j),
Pfr ' ~к1-'' граница интервала значений j характеристики i; tU'.J;, i - 1,...,5; j - 1,...,3 - экспертная оценка интервала] характеристики
Информация, представленная в таблице 2 является основной необходимой для применения ЭСМ-и для расчета No. Эта информация в виде Excel - таблицы вводится в Equilibrium.
Кроме исходной информации таблицы 2 модель норматива имеет еще^ь показателей настройки, перечень которых показан на рис 1
Первые два показателя: количество характеристик клиента и количество интервалов на которые делятся области значений
характеристик дожны соответствовать данным таблицы 2. Остальные 3 исходных показателя являются коэффициентами, позволяющими сдвигать границы интервалов значений.
Показатель Сдвиг верхней границы позволяет сдвигать верхние границы всех интервалов, показатель Сдвиг средней границы позволяет сдвигать границу между средним и верхним интервалами, а показатель Сдвиг нижней границы позволяет сдвигать границу между нижним и средним интервалами.
___________Таблица 2: Характеристики клиентов кредитного учреждения.
Характеристики
Q(l) = 5
Доход тыс.руб/мес.
Значения x(l,j)
[80;200]
[25;80]
[0; 25]
Характеристики
Оценка Ef(l,j)
Q(2) = 4
Недвижимость, мн.руб.
Значения х(2)
Оценка Ef(2)
0(3) = 5
Уже имеющиеся кредиты, мн.руб.
Значения х(3)
[80;150]
[0,5;80j
[0; 0,5]
Оценка Ef(3)
Q(4) = 3 0(2) = 4
Стаж, лет. Возраст, лет.
Значения Оценка Значения Оценка Ef(2)
х(1) Ef(l) х(2)
[2;5] 3 [30;6С1] 1
Ю;2] 2 [18;30] 5
Ю; 01 0 [0; 18] 2
После загрузки модуля Equilibrium и модели Скоринг эталон автоматически будет загружена исходная информация. В частности, на листе Имитаторы будет размещена таблица 2 (положение этой таблицы изменять нельзя) и Форма 1 на лист Варианты, как это показано на рис. 1.
Щстем. в Decision - ЬнаЧ Л1№ лI I 'вл г ч I 4 ....:. Д.tni*]
Библиотека равновесных моделей Расчет ! еренс Бамданмы* 1 .... ..,,... _ S X
,i С ArialCyr . 10 .,(*], Ч % Щ % : X,* " . Д Х I
; | .-'.L. , . \f/i Й й й С-'Ж: У jf 31
В10 f, <>
I . А ....__ 1 В Г с 0 ь. Х Ч
I 1 ФОРМА 1: Прямой расчет
щ ИСХОДНЫЕ ДАННЫЕ
3 4 ФАКТОМ Ч Размер- Cfne '!
4 N? ИСХОДНЫЕ ПОКА ЗАТЕЛИ ность Значение r,
5 : 1 Количество характеристик клиента Шт SM
6 2 Количество интервалов в характеристике Шт_____ 3.WJ
7:3 Сдвие верхней г/>анины Доли ее. l.M
""8'.. 4 Сдвиг средней Доли сд. 1.1> 0
У1 s Cdnte нижнеи гранимы Доли ед. 7.й>
1Л ! i*> И 1 У И; \в^ринты/ Риски / Имит.>тоь; /' ; "] < 1 | J г
Готово Х
Рис. 1: Фрагмент таблицы с параметрами настройки ЭСМ-и эталона
надежности
После вода исходной информации можно перейти непосредственно к вычислительным экспериментам. Выпонение диалоговой процедуры
Расчет -> Прямой/Обратный - Прямой расчет позволяет визуализировать графики рисков, как это показано на рис. 2.
Конъюнкт урные риски
Рисл завышения - - , рДк занижения'
[Ристзав. - Риск зан. | Ч . Рисл зав. + Риск зан.
Рис. 2: Графики рисков при расчете норматива надежности
клиента.
Кривые рисков имеют следующие особенности: риск завышения -это вероятность выдать кредит нехорошим (некредитоспособным) клиентам Этот риск показан крупным пунктиром. Кривая риска не убывает. Риск занижения - это вероятность не выдать кредит хорошему (кредитоспособному) клиенту. Кривая риска не возрастает Этот риск показан меким пунктиром.
Минимаксный риск, равный абсолютной по величине разности риска завышения и риска занижения представлен сплошной линией обращающейся в ноль. Именно в точке, в которой обнуляется минимаксныи риск, находится искомый нормативный риск (по горизонтальной оси). Совокупный риск, равный сумме рисков занижения и завышения, представлен кривой с точкой.
Именно такой характер кривых рисков свидетельствует о том что равновесие рисков существует, что области определения функций рисков пересекаются.
Следует уточнить, почему в данной задаче следует применять минимаксныи критерий, а не совокупный критерий. Дело в том что в данном случае норматив надежности клиента используется не как уставка некоего механизма регулирования, по отклонению от которой вырабатывается некоторое управляющее воздействие, а как эталон который используется для отбраковки нехороших клиентов
С учетом сказанного, в качестве результата расчета следует принять значение Оптимума под заголовком ПЛАН, распечатанное в Форме 1 (см. рис. 3), а именно 0,54. Эта же величина распечатывается как расчетный показатель под заголовком Эталон надежности.
ХЩ^ябтогмриовл(|.. полепи*. Р*чл1 . |*дл*%> Х ' Х - & х ! У-и А л : .Г .1 и. -р V Х ' Х.. Е,Г 11 1. Ш М Г"* Х 10 - Ш* а Ш* * $ * & . - л,Л;' Щ В16 ' Х о ' I
.л Р г о , Е . . н . I . 1 ФОРМА 1: П р я м о 1/ расчет МШ ШОО *
И';х-.КШ>!Е пньыи 'Чг.;-У!ми г отимтАцнонт-го моста 1 . 1 . !
Хэ 'ХХ 4 . .5 : 7 КХОДНЫЕ пбкШгён ПЯЛЬ V
7: 3 Р ! Л э; Ьмчмие Д.ЭДОЛ * >.у>.шп*р1ктт* . . [Жт-* Х:рс}>чй срлишь- Чт Дог-..*<л. ' . .. '
10: 0 11' 7 -11---- - Ярялел ? Ой
12. ! Дот *.
Из; э Х Х "
15 1л ' " --рглигвт. 1......
%\ п 3/гулон цдммк-ои Ло/'н л.1. 1 _ л!"
И л И\ВЛ|МН1Ь|/РП'.>П / 1 ;! готово. . > . \ ., . Х . Х : Г- ' ;
Рис. 3: Результат прямого оптимизационного расчета эталонной надежности
Представляет интерес исследование влияния сдвига границ интервалов характеристик. Для того, чтобы установить как сдвиг средней границы повлияет на эталон необходимо выпонить диалоговую процедуру:
Расчет Ч> Зависимости Ч> Фактор или показатель Ч> выбрать Сдвиг средней границы Ч> от 0,5 --> до 1,5 -* Количество точек = 10 Ч выбрать Эталон надежности --> выбрать Кубический Ч Нет.
На рис. 4 сплошной линией показана фактическая зависимость, а пунктиром - сглаживающая кривая в виде кубического полинома, построенная с помощью метода наименьших квадратов.
Как видно из графика, со сдвигом средней границы эталонная надежность увеличивается от 0,53 до 0,57. Это указывает, что желательно увеличить число интервалов хотя бы до 5.
Обратимся к моделированию индивидуальной надежности Р1_. Для того, чтобы загрузить модель индивидуальной надежности достаточно выпонить диалоговую процедуру:
Библиотека равновесных моделей -* Скоринг, индивидуальная надежность клиента.
После этого появится Форма 1 на лист Варианты, позволяющая вводить индивидуальные характеристики клиента, как это показано на рис. 5.
Этого достаточно для того, чтобы перейти к вычислительным экспериментам. Чтобы рассчитать индивидуальную надежность достаточно выпонить диалоговую процедуру:
Расчет Ч> Прямой/Обратный Ч Прямой расчет
I 300 1.400
ЧЭталоннадежности, Долиед. - -Тренд !
Рис. 4: Зависимость эталона надежности клиента от сдвига средней границы интервалов значений характеристик Как и при расчете эталонной надежности, система распечатает графики рисков которые показаны на рис. 6. Обозначения кривых рисков на рис. 6 такие же как и на рис. 2 и свойства кривых рисков (монотонное возрастание риска завышения, монотонное убывание риска занижения, наличие минимума у разности рисков) так же соблюдаются на рис 6. Существенное отличие графиков кривых на рис. 6 от графиков кривых на рис 2 состоит в резкой асимметричности.
библиотека раеновкни* поделей Расчет' , Сервис Вам данных ? " * АГИ|С" * Ш ' 3 11 , Л,1 ; .
^ХРусский . Общий -аВВ1 1181
А2 /;
10 11,! 12 Г м .< >
ФОРМА 1: Прям о и расче т
ИСХОДНЫЕ ДАННЫЕ
ФАКТОРЫ И ВХОДНЫЕ ПОКАЗАТЕЛИ
Кышчъсаюо характеристик итюнтл
Ежтстньш доход клиента
Нед&ешт юань ттаачз
Крединш. которые уж* взял клиент
Стаж на последней месте работы
Воз/тег
Стаъы по кредиту
М ДВариаи гы /рискй^Графи'си'/
Размерность
Тыс.руб./)а<
Мн. руб.
Тыс.руб.
Значение
.55.(1(1
70. 00 .100
Рис. 5: фрагмент таблицы с индивидуальными характеристиками клиента
Это указывает на то, что риск завышения в данном случае существенно быстрее возрастает, чем риск занижения. При этом индивидуальная надежность доставляет минимум минимаксному риску.
Результат так же распечатывается в форме 1. В частности, это Оптимум под заголовком ПЛАН в правой верхней части на рис. 7 и Индивидуальная надежность в разделе Расчетные показатели.
Как видно из рис. 7 индивидуальная надежность = 0,51. Поскольку она меньше эталонной надежности, равной 0,54 (см. рис. 2 и 3), то данный соискатель кредита недостаточно' надежен и ему следовало бы отказать в выдаче кредита.
Возникает вопрос, какие характеристики и насколько клиенту следовало бы изменить, чтобы стать достаточно надежным соискателем кредита. На эти вопросы также можно получить ответы в диалоге. Для этого достаточно построить зависимости индивидуальной надежности от характеристик клиента, перечисленных в Форме 1 (см. рис. 8)
В качестве примера рассмотрим влияние имеющейся задоженности на надежность. Для этого выпоним диалоговую процедуру:
Расчет Ч> Зависимости Ч> Фактор или показатель Чу выбрать Кредиты, которые уже взял клиент -> от О,1 - до 3 Ч> Количество точек = 10 Ч> выбрать Индивидуальная надежность выбрать Кубический Ч> Нет.
Из графика на рис. 8 видно, что надежность клиента падает 0,55 до 0,50 при увеличении задоженности от 0,1 мн.руб. примерно до 0,68 мн.руб. Следовательно, если клиент снизит свои доги до 0,5 мн.руб. он сможет получить новый кредит.
Приведенные вычислительные эксперименты показывают, что предлагаемая технология является достаточно простой, удобной и она достаточно комплексно учитывает все характеристики клиента.
Ч&" &5**>1ле* ймтм
д ......" ' ..... ,
: ФОРМА 1:П Ряхой р'аГчёт
-И'",л Но а
------- - .....:.........,......; - : .; , I' I I
Рис. 7. Результат расчета индивидуальной надежности.............
лор^ГаГГиГ^Г Щ Г*Щ"" Щ ""
задоженности
даннСьГхТ\о1Гч1Н^;Р1Гбо^;ГпТоВ Т0М' ЧТОбЫ На имеющихся У б-ка
результатом погашения ппоВо закРытым ФЗДитам (с известным включающую, в частности пт^пп ^Т^ системы,
имеющихся) хараетешстик пп наиболее значимых (из числа
^Йгг^ л5=
Список научных трудов, опубликованных по теме диссертации.
Публикации в сборниках, рекомендованных ВАК:
1. Киблицкий С.А. Скоринг как метод оценки кредитного риска и эволюционно-симулятивный метод/ Журнал "Информатизация и связь" №5, 2011.-0,5 п.л.
2. Киблицкий С.А. Экономико-математическая модель скоринга в среде инструментальной системы Decision/ "Информатизация и связь" №7, 2011.-0,4 п.л.
3. Киблицкий С.А. Вычислительные эксперименты с эволюционно-симулятивными моделями скоринга/ "Информатизация и связь", №7 2011.-0,5 п.л.
4. Киблицкий С.А. Экспериментальный анализ применения скоринг-системы для кредитования физических лиц/ Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. Ссыка на домен более не работает2011/08/pdf/49.pdf 1470.
Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ), №58(04), 2011. (1,75 п.л.).
5. Киблицкий С .А., Параметрический анализ скоринг-системы на базе эволюционно-симулятивной методологии/ Экономические и гуманитарные науки,№12, 2011. - 0,3 п.л.
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Киблицкий, Сергей Алексеевич
Введение
Глава 1 Методологические проблемы скоринга
1.1 Сущность скоринга, его достоинства и недостатки
1.2 Применение скоринга в России
1.3 Виды скоринга
1.4 Технология скоринга при кредитовании физических лиц
1.5 Управление портфелем проблемных кредитов
1.6 Методологические проблемы скоринга
Выводы к первой главе
Глава 2 Эвог комп юционно-симулятивнь
2.1 Эволюционно-симулятивные модели скоринга
2.2 Реализация эволюционно-симулятивных моделей скоринга в среде модуля Equilibrium инструментальной системы Decision и методические приемы подготовки исходной информации
2.3 Оценка кредитного риска при потребительском кредитовании на основе модели Маркова и эволюционно-симулятивной модели скоринга
Выводы к второй главе
Глава 3 Пран скор ггическая реализация комплексной методики инга
3.1 Вычислительные эксперименты с эволюционно-симулятивными моделями скоринга
3.2 Управление кредитными рисками при высокой волатильности рынков
3.3 Методические принципы определения рейтинга инвестиционной надежности предприятий-заемщиков на основе эволюционно-симулятивного моделирования
Выводы к третьей главе
Диссертация: введение по экономике, на тему "Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц"
Актуальность темы исследования. Скоринг является методом классификации всех потенциальных клиентов банка на различные группы. Основная цель классификации - разделить всех потенциальных клиентов на хороших, то есть тех которые с высокой вероятностью вернут кредит и которым кредит следует предоставить, и плохих, которые, скорее всего, не вернут кредит и которым следует отказать. Причем термины хороший и плохой являются общепринятыми в данной области науки.
Применяемая в скоринге классификация основана на косвенных признаках. Прямые признаки хороших и плохих клиентов отсутствуют. Поэтому приходится пользоваться косвенными, известными характеристиками, такими, например, как доходы заемщика, уже имеющиеся у него займы, возраст, стаж работы на одном месте (если речь идет о физическом лице) и др. На основе этих косвенных признаков и строится комплексный критерий классификации клиентов.
В последние годы появилось достаточно большое число публикаций по скорингу, среди которых следует отметить работы Александрова А.Ю., Андреева Г.В., Заиченко Е.М., Степанова В., Заяц А., Кармокова A.A., Купленкова М.Ю., Churchill G.A., Forgy E.W., Henley W.E., Myers J.H., Nevin J.R., Watson R.R. и др.
Широкое применение скоринга началось с распространением кредитных карточек. При том количестве людей, которые ежедневно обращались за кредитными карточками, банкам ничего другого не оставалось, как автоматизировать процесс принятия решений по выдаче кредита.
В Российской Федерации, в сравнении со странами Европы и США, развитие скоринга происходит достаточно медленными темпами. У отечественных банков недостаточно данных для создания действенных скоринговых моделей. При нынешнем течении событий банки могут предпринять два вида мер: один способ - применять на практике модель, спланированную заграничными странами, адаптировав её к особенностям российской экономики и социальным нормам. Другой способ состоит в создании таких технологий скоринга, которые могли бы успешно работать на достаточно плохой исходной информации.
В настоящее время скоринг становится все более популярным не только при оценке риска при различных видах кредита, но и в других областях: в маркетинге (для определения вероятности, что именно эта группа клиентов будет пользоваться этим видом продукции); при работе с дожниками (если клиент задерживается с очередным платежом, скоринг в этом случае нацелен на выбор наиболее эффективного метода воздействия); при выявлении мошенничества с кредитными карточками; при определении вероятности, что клиент может перейти к конкуренту и т. п.
К положительным чертам скоринга можно отнести:
- понижение уровня издержек и операционного риска;
- рост скорости рассмотрения заявлений и, следовательно, более быстрое принятие решений о кредите;
- передача управления принятия кредитных решений единому центру, а также сведение к нулю присутствия человеческого фактора в данном процессе;
- обнаружение и борьба с разного рода злоумышленниками.
Вместе с тем, скорингу присущи несколько глубоких методологических проблем.
Первая проблема возникает в том случае, когда классификация производится только на клиентах, которым дали кредит. При этом остается неизвестным, как бы повели себя клиенты, которым в кредите было отказано. Не исключено, что часть из них оказалась бы хорошими заемщиками. Эту проблему можно преодолеть за счет того, что отказ в кредите производится на основании конкретных причин. Эти причины фиксируются банками и сохраняются, что позволяет восстанавливать первоначальный массив всех потенциальных клиентов.
Вторая проблема заключается в том, что люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее свежих клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель. В Европе обновление скоринговых систем производится не реже одного раза в два года, причём при обновлении специалисты ориентируются на основные экономические показатели текущего года.
Третья проблема заключается в самом качестве скоринга, его надежности. В решении этой проблемы может помочь применение эволюционно-симулятивного метода (ЭСМ) [2;3]. С помощью ЭСМ можно учесть риски, которые возникают вследствие того, что хороший клиент по ошибке может быть отнесен к категории плохих и наоборот.
Четвертая проблема в том, что у недобросовестного клиента остается возможность обмануть скоринговую систему, предоставив о себе ложные сведения.
Наличие указанных проблем делает актуальной тему диссертационного исследования, которое направлено на разрешение некоторых из них.
Цель диссертационного исследования заключается в разработке новой скоринговой методики оптимизации банковской деятельности при кредитовании физических лиц и выработки методических рекомендаций по её практическому применению.
Комплексную методику скоринга мы будем связывать с созданием макета программной системы, которая позволяет решать задачи оценки надежности потенциального заемщика и нормативной надежности.
Для достижения указанной цели в работе поставлены следующие задачи:
1. Провести анализ существующих методов скоринга, применяемых на российском и зарубежных кредитных рынках, выявить их преимущества и их недостатки, сформулировать актуальные методологические проблемы скоринга.
2. Определить основные проблемы, препятствующие развитию кредитования населения в России, и разработать рекомендации по их решению;
3. Обосновать систему оценки кредитоспособности заемщиков на основе применения модели кредитного скоринга; предложить основные направления расширения целевой аудитории и развития системы кредитования населения.
4. Разработать экономико-математические модели оценки расчета индивидуальной надежности заемщика и нормативной надежности на базе эволюционно-симулятивной методологии. По результатам тестирования моделей на имеющихся данных оценить их работоспособность.
5. Разработать универсальную методику скоринга, которая включает расчет количественных оценок надежности заемщика и нормативной надежности и позволяет оценивать кредитоспособность заемщиков (физических лиц) разных категорий, на основе сопоставления этих надежностей.
6. Провести экспериментальное исследование эффективности комплексной методики; определить круг пользователей программных продуктов, реализующих предлагаемую комплексную методику.
Объектом исследования является система кредитования населения.
Предметом исследования являются экономико-математические модели и методы оценки надежности потенциального заемщика и нормативной надежности, закладываемые в скоринг-систему.
Теоретическая и аналитическая база исследования. Исследование проводилось в поном соответствии с ключевыми положениями экономической теории и системного анализа. Его методологическую основу составили труды отечественных и зарубежных ученых в области экономико-математического моделирования, теории вероятностей, математической статистики и других разделов науки. При решении конкретных задач использовались известные методы математического программирования, методики и агоритмы решения прикладных экономических задач.
Информационной базой работы выступили научные обзоры, материалы периодической печати, нормативные документы, официально опубликованные данные российской и зарубежной статистики, доклады и материалы международных НТК, а также аналитические обзоры Всемирного банка, Всемирной торговой организации, РА Эксперт и др.
Работа выпонена по специальности 08.00.13 - Математические и инструментальные методы экономики.
Новизна научного исследования заключается в разработке комплексной методики скоринга, модели которой базируются на равновесии кредитных рисков: завышения и занижения. Наиболее существенные научные результаты, полученные в диссертации:
1. Выявлены методологические проблемы скоринга, которые заключаются в возможности: искажения информации вследствие учета не всего множества потенциальных клиентов; изменения внешних и внутренних условий, делающие модели скоринга не адекватными; ошибок скоринга; лобмана скоринговой системы; невозможность использование существующих западных моделей скоринга.
2. Предложен новый универсальный подход к разработке скоринговой методики управления кредитными рисками, в основе которой лежат две равновесные эволюционно-симулятивных модели: модель расчета норматива, устанавливающая границу по которой клиент относится к категории хороший или плохой и модель расчета индивидуальной надежности заемщика, позволяющая определить к какой группе он относится.
3. Определены понятия кредитных рисков завышения и занижения:
- применительно к задаче вычисления индивидуальной надежности потенциального заемщика риск завышения возникает в случае, если конкретный заемщик не вернет в срок и с процентами выданный кредит, а риск занижения - в случае отказа выдать кредит кредитоспособному клиенту.
- применительно к задаче нормативной надежности риск завышения это риск признать плохого клиента за хорошего, а риск занижения наоборот - признать хорошего клиента за плохого.
4. Разработаны новые имитационные модели и агоритмы получения оценки надежности заемщика, обеспечивающие оптимизацию кредитных рисков завышения и занижения, то есть их равновесие.
5. Особенностью данного исследования является выбор такого набора исходных данных, который позволяет количественно оценивать кредитные риски завышения и занижения, определять условия их равновесия и соответствующие ему значения показателя надежности заёмщика. Отличительной особенностью методики является то, что в ней оперативно учитываются не только имеющиеся характеристические данные (данные, предоставляемые заёмщиком; данные из бюро кредитных историй и пр.), но и данные о точке зрения лиц, принимающих решение (экспертов банков).
6. Разработана программная реализация предложенных ЭСМ в среде стандартного программного обеспечения Decision. Предложены методические приемы сбора, предварительной подготовки исходной информации и получении результатов расчета как норматива надежности, так и индивидуальной надежности клиентов. Разработаны диалоговые процедуры исследования ситуации при планировании кредитования.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Киблицкий, Сергей Алексеевич
1. Исследована сущность скоринга, выявлены его достоинства и недостатки.
2. Выявлены специфические особенности применения скоринга в России.
3. Проанализированы программные продукты, применяемые в скоригне.
4. Выявлены особенности различных видов скоринга в частности: скоринга заявителя, поведенческий скоринг, скоринг для работы с просроченной задоженностью, скоринг против мошенников, скоринг отклика; скоринг потерь.
5. Исследованы технологии скоринга при кредитовании физических лиц: линейный дискриминантный анализ, многофакторная логистическая регрессия, кластерный анализ, деревья решений, нейронные сети, метод минимизации структурного риска.
6. Рассмотрена технология управления портфелем проблемных кредитов и выявлена роль скоринга.
7. Сформулированы методические проблемы скоринга: искажение информации вследствие учета не всего множества потенциальных клиентов; изменение внешних и внутренних условий, делающие модели скоринга не адекватными; ошибки скоринга; возможность лобмана скоринговой системы.
8. Предложены 2 эволюционно-симулятивные модели скоринга. Одна модель предназначена для расчета надежности потенциального заемщика, а другая модель предназначена для расчета норматива надежности потенциального заемщика.
9. Предложен агоритм (имитационная модель) получения реализаций надежности заемщика на основе его индивидуальных данных.
10. Предложен агоритм (имитационная модель) получения реализаций надежности заемщика на основе информации о займах.
11. Определены понятия риска завышения и риска занижения при скоринге.
12. Разработана комплексная методика скоринга, основанная на сопоставлении индивидуальной надежности потенциального заемщика и нормативной надежности.
13. Разработана программная реализация предложенных эволюционно-симулятивных моделей в среде стандартного программного обеспечения.
14. Показано, что целесообразно применение предложенных эволюционно-симулятивных моделей скоринга и моделей на основе цепей Маркова.
15. Выпонены вычислительные эксперименты с эволюционно-симулятивными моделями скоринга. Показано, что предложенные модели не только технически реализуемы, но и практически эффективны.
16. Разработаны методические приемы сбора и предварительной подготовки исходной информации для применения предложенных моделей на практике.
17. В процессе расчетов получены графики рисков при расчете норматива надежности и графики рисков при выдаче кредитов конкретному заемщику. По виду графиков установлено, что как норматив надежности, так и индивидуальная надежность доставляют равновесие риску завышения и риску занижения в соответствующих условиях.
18. Разработаны диалоговые процедуры исследования ситуации при планировании кредитования.
19. Исследованы особенности управления кредитными рисками при высокой волатильности рынков.
20. Рассмотрены методические принципы определения рейтинга инвестиционной надежности предприятий-заемщиков на основе эволюционно-симулятивных моделей скоринга.
21. Рассмотрена возможность взаимного допонения спрэдов доходности и индивидуальных надежностей при скоринге.
Диссертация: библиография по экономике, кандидат экономических наук , Киблицкий, Сергей Алексеевич, Москва
1. Александров А.Ю. Управление проблемными активами в кризисных условиях // Проблемы современной экономики. - 2009. - №1 (29). - С.236-240. - 0,3 п.л.
2. Александров А.Ю. Применение кредитного скоринга в целях управления проблемными активами // Российское предпринимательство. 2009. - № 10 (выпуск 2). - С. 96-100. - 0,4 п.л.
3. Александров А.Ю. Децентрализованная система управления проблемными активами в условиях экономического кризиса // Проблемы современной экономики. 2009. - №4 (32). - С.213-217. - 0,3 п.л.
4. Андреева Г.В. Скоринг как метод оценки кредитного риска Ссыка на домен более не работаетfinanalysis/banks/scoring. shtml.
5. Андреева Г. В. Ссыка на домен более не работаетfinanalysis/banks/scorinq.shtml.
6. Заиченко Е.М. Инструменты управления финансовыми рисками банка при реализации розничных услуг // Финансы и кредит, 2009, № 21 (357). С. 41-45.
7. Заиченко Е.М., Юрченко Е.Г. Совершенствование управления кредитным риском в сфере потребительского кредитования на основе скоринга востребования // Управление риском, 2009, № 2 (50). С. 44-50.
8. Кармоков A.A. Сравнительный анализ современного состояния банковской системы РФ, в том числе КБР /Кармоков A.A.// Сборник научных трудов ученых и соискателей: 7 регион наука и практика. -Нальчик: ФГОУ ВПО КБГСХА, 2006. -С. 263-269. -0,44 п.л.
9. Купленков М.Ю. Рейтинги в системе инвестиционной привлекательности предприятия. Текст. / М.Ю. Купленков/Яранспортное дело России. М.:2006., № 9. (0,38 п.л.).
10. Купленков М.Ю. Комплексные методы оценки рейтинга инвестиционной надежности Текст. / М.Ю. Купленков // Сб. науч. трудов Управление инновациями и инвестиционной деятельностью., Выпуск 7. М.: ГАСИС, 2007, (0,66 п.л.).
11. Купленков М.Ю. Статистические модели анализа инвестиционной надежности предприятия-заемщика. Текст. / М.Ю. Купленков // Материалы Всероссийской научно-практической конференции Современная Россия: экономика и государство.- М.: ГАСИС, 2005 (0,31 п.л.).
12. Лихтенштейн В.Е., Росс Г.В. Информационные технологии в бизнесе. Применение инструментальной системы Decision в микро и макроэкономике. М.: Финансы и статистика, 2008.
13. Лихтенштейн В.Е., Росс Г.В. Информационные технологии в бизнесе. Применение инструментальной системы Decision в решении прикладных экономических задач. М.: Финансы и статистика, 2009.
14. Нортон М. Нервный бизнес//Банковские технологии. 1995. № 3. С. 73.
15. Степанова В., Заяц А. Анализ состояния банка. \\ Банковские технологии. 1996. № 8. С. 58.
16. Henley W. Е. Statistical aspects of credit scoring. Ph.D. thesis. Open University. 1995.
17. Churchill G. A, Nevin J. R., Watson R. R./fThe role of credit scoring in the loan decision. Credit World. March/1977.
18. Myers J. H., Forgy E. W. The development of numerical credit evaluation systems//Journal of American Statistical Association. September/1963.1. До п ол hител ьная
19. Абрютина M.С. Финансовый анализ коммерческой деятельности. М.: Финпресс, 2002.
20. Автоматизация банковской деятельности/Со ст. АОЗТ "Московское финансовое объединение"; Под. общ. ред. СИ. Кумок, 1994.
21. Автоматизированные системы обработки учетно-аналитической информации: Учебник/Д.С. Рожнов, В.Б.Либерман, Э.А. Умнова и др.; Под ред. проф. B.C. Рожнова. М.: Финансы и статистика, 1992.
22. Амзин А. Скоринг, спам и немножко заботы о пользователях // Компьютерра. 2003, № 45.
23. Андреева Г. В. Скоринг как метод оценки кредитного риска. // Банковские технологии. 2000. № 6: Ссыка на домен более не работаетflnanalysisAanks/scoring.shtml.
24. Бауман Е. В.,Дорофеюк А. А. Классификационный анализ данных // В кн. Избранные труды Международной конференции по проблемам управления. Т. 1. М: СИНТЕГ, 1999.
25. Беляков А. Г., Мандель А. С. Анализ достоверности выводов, формируемых с помощью экспертно-статистических систем. М.: Институт проблем управления Ч препринт, 2002. 64 с.
26. Блэк Ю. Сети ЭВМ. Протоколы, стандарты, интерфейсы. М.: Мир, 1990.
27. Брага В.В. Компьютеризация бухгатерского учета: Учебное пособие для вузов. ВЗФЭИ. М.: АО "Финстатинформ", 1996.
28. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.: Наука, 1980.
29. Возможности универсальных бухгатерских программ.
30. Экономика и жизнь. 1997. - №12.
31. Волобуев А.П., Мищенко В.Ф. Выбор бухгатерских программ на основе их классификации. Бухгатерский учет. 1997. - № 3.
32. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.
33. Глухов В.В., Медников М.Д., Коробко С.Б. Математические методы и модели для менеджмента. СПб.: Лань, 2000.
34. Гулинии B.C. Выставка "Бухгатерский учет и аудит' 96". Бухгатерский учет. 1996. - №5.
35. Гулинин B.C. Шестой международный конкурс программного обеспечения Бизнес-Софт 97. Бухгатерский учет. 1997. - № 12.
36. Дейт К. Руководство по реляционной СУБД DB-2. Пер с англ. с предисловием М.Р. Когаловского. М: Финансы и статистика, 1988.
37. Диго СМ. Проектирование и использование баз данных: Учебник. М.: Финансы и статистика, 1995.
38. Дубова Н. Управление распределенной корпорацией в версии CA Unicenter TNG. Computerworld, Россия. - 1997. - № 14.
39. Игнатов А. Кредитный скоринг в RS-Loans: от концепции к практике, Ссыка на домен более не работаетrubrs.asp7art id=246&rubr id=385&gid-472& page=l.
40. Инновации как способ развития банковского бизнеса. 2003, ИТАР-ТАСС, Урал, htrp://itartass.ur.ru/pub/print.php?id=l28.
41. Информационные системы в экономике. Под ред. В.В. Дика. -М.; Финансы и статистика, 1996.
42. Инфософт от бухгатерского учета к корпоративным системам. Бухгатерский учет. - 1996 - №9.
43. К. Шеннон. Работы по теории информации и кибернетике. М. Иностранная литература, 1963.
44. Каган Б.М. Электронные вычислительные машины и системы. -М.: Энергоатомиздат, 1991.
45. Киблицкий С.А. Скоринг как метод оценки кредитного риска и эволюционно-симулятивный метод/ Журнал "Связь и информатизация",2011.
46. Киблицкий С.А. Экономико-математическая модель скоринга в среде инструментальной системы Dcision/ Журнал "Связь и информатизация" 2011.
47. Киблицкий С.А., Росс В.Г. Вычислительные эксперименты с эволюционно-симулятивными моделями скоринга/ Журнал "Связь и информатизация" 2011.
48. Киблицкий С.А., Параметрический анализ скоринг-системы на базе эволюционно-симулятивной методологии/ Экономические и гуманитарные науки,№12, 2011. 0,3 п.л.
49. Ключко В.И. Кодирование информации. Курс лекций. Краснодар, КубГТУ, 1998.
50. Комлев П.В. Пять лет на рынке бухгатерских программ. Бухгатерский учет. 1996 - №1.
51. Компьютерные технологии обработки информации. Под ред. СВ. Назарова. М.: Финансы и статистика, 1995.
52. Конюховский П.В. Микроэкономическое моделирование банковской деятельности. СПб.: Питер, 2001.
53. Короткий С., ТУРБО БУХГАТЕР бухгатерия будущего. PC WEEK.-1997. -№ 4.
54. Короткий С. Нейронные сети: агоритм обратного распространения.
55. Кредитование физических лиц. Деньги и кредит, 1993, №5.
56. Крейнес А. Единообразие мать порядка. Computerworld Россия. -1997 -№48.
57. Липский В. Комбинаторика для программистов М.: Мир, 1988.
58. Мамиконов А.Г. Проектирование АСУ: Учебник для специальности АСУ вузов. М: Высш. шк., 1987.
59. Мандель А. С. Экспертно-статистические системы и метод анализа иерархий // В кн. Управление большими системами. Материалы Международной научно-практической конференции. М.: НПО Син-тег, 1997.
60. Мандель А. С. Марковские процессы принятия решений: экспертно-статистический подход // В сб. Теория активных систем. Труды международной научно-практической конференции (17-19 ноября 2003 г., Москва, Россия). М.: ИПУ, 2003 г. Т. 1. С. 114-116.
61. Мандель А. С. Метод аналогов в прогнозировании коротких временных рядов: экспертно-статистический подход // Автоматика и телемеханика, № 4, 2004 г.
62. Мандель А. С. Моделирование действий экспертов в процессе принятия ими прогностических решений // Автоматизация в промышленности, № 7, 2004 г. С. 50-54.
63. Мандель А. С. Экспертно-статистические системы в задачах управления и обработки информации. Часть I // Приборы и системы управления, № 12, 1996.
64. Мандель А. С. Экспертно-статистические системы в задачах управления и обработки информации. Часть II // Приборы и системы управления, № 2, 1997.
65. Мишеин АМ. Теория экономических информационных систем. -М; Финансы и статистика, 1993.
66. Нанс Б. Компьютерные сети. М.: БИНОМ, 1996.
67. Никитина Т.В. Банковский менеджмент. СПб.: Питер, 2001.
68. Одинцов Б.Е., Романов А.Н. Советующие информационныесистемы в экономике. М.: Юнити, 2000.
69. Озкарахан Э. Машины баз данных и управление базами данных. Пер. с англ.- М: Мир, 1989.
70. Основы теории вычислительных систем. С.А.Майоров, Г.И. Новиков, Т.И. Алиев и др. М.; Высшая школа, 1987.
71. Пахако О. Составляющие информационной системы предприятия. Экономика и жизнь, 1997. - №14.
72. Пещанская И.В. Организация деятельности коммерческого банка. М.: ИНФРА-М, 2001.
73. Попов Э.В. и др. Статистические и динамические экспертные системы: Учеб. пособие. Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика. 1997.
74. Поппель Г., Гольдстайн Б. Информационная технология -милионные прибыли. М.: Экономика, 1990.
75. Представление и использование знаний. Пер, с яп. X. Уэно, Т. Кояма, Т. Окамото и др.; Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989.
76. Программные продукты БЭСГУ. Экономика и жизнь. 1997.7.
77. Ревенко П.В. Программный продукт нового поколения -Интегратор. Бухгатерский учет. 1995. - № 4.
78. Ревунков Г.И. и др. Базы и банки данных и знаний: Учебник. Г.И. Ревунков, Э.Н.Самохвалов, В.В. Чистов; Под ред. В.Н.Четверикова. М.: Высш. шк.,1992.
79. Свиридепко С.С. Современные информационные технологии. -М.: Радио и связь, 1989.
80. Семенов М.М. и др. Автоматизированные информационные технологии в экономике: Учеб. пособие для агроэкономических специальностей вузов. М.И. Семенов, В.И. Лойко, Т.П. Барановская; Под общ. ред. И.Т.Трубилина. Краснодар: Изд-во Куб-ГАУ, 1998.
81. Смирнов А.Д. Архитектура вычислительных систем. М.: Наука, 1990.
82. Советов Б .Я. Информационная технология: Учебник для вузовпо спец. Автоматизированные системы обработки информации и управления -М.: Высш. шк.,1994.
83. Советов Б.Я., Яковлев С.А. Построение сетей интегрального обслуживания. Л.: Машиностроение, 1990.
84. Справочник по искусственному интелекту. В 3-х томах. Под ред. Э.В. Попова и Д.А. Поспелова. - М.: Радио и связь, 1990.
85. Финансовое моделирование в программе Project Expert. Экономика и жизнь. 1997. -№14.
86. Шварц М. Сети связи: протоколы, моделирование и анализ. В 2-х ч. Пер. с англ. М.: Наука, 1992.
87. Шварцман Б. Об организации бухгатерских программ. Экономика и жизнь. 1997. - №14.
88. Шеннон К. Работы по теории информации и кибернетике. Пер. с англ.; Под ред. Р.Л.Добрушина, О.Б. Лупанова. М.:Изд-во И-Л., 1963.
89. Шикин Е.В., Боресков A.B., Зайцев A.A. Начала компьютерной графики. М.: Диалог - МИФИ, 1993.
90. Шуремов ЕЛ. Феномен л1С Бухгатерский учет. - 1996. - № 8.
91. Щербаков В. БЭСТ технология автоматизации торговли. Экономика и жизнь. - 1997. -№5.
92. Эффективная работа с СУБД. А. Горев, Р. Ахаян, С. Макашарипов. -СПб.: Питер, 1997.
93. Якубайтис Э. А. Информационные сети и системы. М.: Финансы и статистика, 2001.
94. J. Ross Quinlan. С4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.1. Ьп
Похожие диссертации
- Риски коммерческих банков при кредитовании физических лиц и способы их минимизации
- Трансформация банковской деятельности под воздействием информационных технологий
- Влияние розничного кредитования на производство и реализацию общественного продукта в России
- Оценка кредитоспособности физических лиц на основе теории нечетких множеств
- Моделирование и анализ кредитоспособности физических лиц на основе аппарата нечеткой логики