Кредитная политика коммерческого банка

     (3.1)

Коэффициент определяет предельно допустимую долю расходов Заемщика / Созаемщика по  кредиту (в части платежей по основному долгу и процентам) в совокупных доходах Заемщика / Созаемщика. Превышение коэффициента свидетельствует о повышенном риске Банка при предоставлении кредитных средств.

Максимальные значения  показателей П/Д, выраженные в процентах, по программам потребительского и ипотечного кредитования устанавливаются Кредитным комитетом. Максимальная сумма предоставляемого кредита  (К) физическому лицу не может превышать следующую расчетную величину:

где  К – максимальная сумма предоставляемого кредита;

      D - среднемесячный доход семьи;

      n - период кредитования в месяцах;

      i - ставка кредитования, процентов годовых;

      ДО - сумма денежных обязательств Клиента. Величина суммы предоставляемого кредита уменьшается при наличии денежных обязательств физического лица.

При оценке кредитоспособности Заемщика ЗАО «ВТБ-24» не учитывает такие факторы как наличие сберегательного счета в банке, наличие недвижимости, страхование жизни Заемщика.

Автор предлагает альтернативную модель оценки кредитоспособности Заемщика – физического лица в банке ЗАО «ВТБ-24».

Помимо расчета платежеспособности Заемщика автор предлагает при предоставлении банком потребительского кредита использовать модель бальной оценки кредита. В этом случае потенциальному заемщику предлагается заполнить специальные стандартные анкеты. Баллы начисляются в зависимости от возраста, пола, семейного положения, месячного дохода, оседлости, занятости в конкретной отрасли и срока работы на определенном месте, наличия сберегательного счета в банке, недвижимости, страхового полиса и т.д. Для принятия положительного решения необходимо, чтобы итоговая сумма баллов превысила определенный уровень.

Упрощенная модель бальной оценки заемщика потребительского кредита, основана на девяти факторах:

1) возраст заемщика: 0,01 балла за каждый год сверх 20 лет при максимуме 0,3 балла;

2) пол: 0,4 балла – женский; 0 – мужской;

3) оседлость: 0,042 балла за каждый год, прожитый в данной местности, при максимуме 0,42 балла;

4) занятость: 0,55 балла за профессию с низким уровнем риска для жизни; 0 – с высоким риском, 0,16 балла – за все остальные профессии;

5) отрасль: 0,21 балла для работников коммунальных служб, государственных и банковских служащих, 0 – для всех остальных;

6) стабильность занятости: 0,059 балла за каждый год на данном месте работы при максимуме 0,59 балла;

7) наличие сберегательного счета в банке: 0,35 балла;

8) наличие недвижимости: 0,35 балла;

9) страхование жизни: 0,19 балла.

Критической в данной модели является сумма в 1,25, т.е. если итоговый балл клиента ниже указанного уровня, ему кредит предоставлен не будет.

Это позволит ЗАО «ВТБ-24» не только рассчитать платежеспособность клиента, но также и учесть дополнительные риски при потребительском кредитовании.

2. Внедрение новых кредитных технологий (например, кредитный скоринг).

Кредитный скоринг используется для автоматизации потребительского кредитования. Кредитный скоринг широко применяется с 1966 года для принятие решения о выдаче/невыдаче кредита. Под кредитным скорингом понимается формальный метод принятия решения о выдаче/невыдаче кредита или максимальной сумме выдаваемого кредита. Классические методы кредитного скоринга опираются на кредитную историю. Тем, не менее, несмотря на то, что данная технология известная достаточно давно, не все банки ее применяют.

Внедрение данной технологии особенно актуально для ЗАО «ВТБ-24» в связи с тем, что одной из приоритетных сфер деятельности ЗАО «ВТБ-24» является расширение клиентского кредитования. Увеличение объема кредитного портфеля планируется как за счет расширения лимитов кредитования основных заемщиков, так и за счет привлечения новых клиентов.

Большое внимание уделяется диверсификации кредитного портфеля. Увеличение числа потенциальных заемщиков будет проводиться за счет расширения и активизации работы филиальной сети, представленной практически во всех промышленных регионах страны. План стратегического развития ЗАО «ВТБ-24» предполагает также высокие темпы развития деятельности по обслуживанию частной клиентуры.

В планах ЗАО «ВТБ-24» на 2009 год – обеспечение серьезного прироста прибыли, как за счет увеличения доходности операций, эффективного управления риском, так и за счет оптимизации издержек.

Основными источниками дохода Банка являются кредитование населения, малого и среднего бизнеса, крупных корпоративных клиентов, торговля ценными бумагами и обслуживание VIP-клиентуры. ЗАО «ВТБ-24» планирует увеличить портфель розничных потребительских кредитов в 2,5 раза по сравнению с 2008 годом.

Решение состоит в создании адаптивных систем кредитного скоринга, опирающихся на демографическую, ситуационную и историческую информацию.

Демографическая информация - это анкетная информация о клиенте.

Ситуационная информация - информация о том за каким кредитом, в какое место и время пришел клиент. В случае револьверного кредитования такая информация отсутствует.

Историческая информация - информация об истории финансовых операций с клиентом. Пока что в большинстве случаев такая информация отсутствует.

С полученной информацией производится два основных действия - проверка информации (банки не хотят выдавать кредит тому, кто их обманывает) и кредитный скоринг.

Проверка информации должна включать:

- проверку информации на полноту и непротиворечивость (в случае необходимости информация уточняется);

- проверка информации по внешним базам данных. В большинстве случаев банк может получить базы для проверки демографических данных таких, как прописка и владение автотранспортом. Часть этих проверок может быть интегрирована, а часть требовать выгрузки данных и проверки вручную инспектором безопасности;

- проверка информации на соответствие данных данным других анкет. Такие проверки могут выявить, например, ситуацию, когда жена уже получила кредит, а муж подал заявку на еще один потребительский кредит.

Для скоринга обычно предлагается использовать нейронную сеть. Свойство универсальной аппроксимации нейронной сети говорит о том, что она работает по крайней мере не хуже любого наперед заданного метода или модели кредитного скоринга. Нейронная сеть обучается на конкретных демографических и ситуационных данных.

Как и со всякой системой, основанной на системах искусственного интеллекта, с нейронной сетью самое сложное - ее обучение и запуск в эксплуатацию. В начальный момент отсутствует история выдачи кредитов, и вряд ли конкуренты поделятся информацией. Более того, данные разнятся по регионам, и те признаки, которые были важны в одном регионе, могут в другом не работать.

Соответственно, предлагается взять сначала как можно больше анкетных и ситуационных данных о клиенте. В дальнейшем те пункты анкеты, которые не влияют на кредитный риск, отбросить.

Начальное обучение нейронной сети производится на основе специально сгенерированной выборки анкет и простой скоринговой модели и экспертных оценок.

Другой проблемой, сопряженной с использованием нейронной сети является некоторая непрозрачность для человеческого понимания принимаемых ею решений. Решение, предлагаемое разработчиками данных автоматизированных систем, состоит в:

- извлечении правил из нейронной сети для понимания факторов, влияющих на кредитные риски и управления ими;

- утверждении и использовании в операционной деятельности дерева решений.

Одна из таких программ «NTRScoring» представляет собой модуль управления взаимоотношениями с клиентами интегрированной банковской системы (ИБС) и включающий в себя систему скоринга - расчета кредитного рейтинга, и настраиваемый на основе правил и регламентов, принятых в кредитной организации.

Система реализует отработанный и содержательный бизнес-процесс работы с клиентом в части предоставления им продуктов (как правило, кредитов того или иного вида). Бизнес-процесс может быть настроен на условия в конкретном банке.

Назначение данной системы в следующем:

- создание единой базы данных по клиентам Банка, зарегистрированных в рамках Системы;

- автоматизация процессов регистрации и обработки заявок клиентов Банка на предоставление Продуктов в рамках Системы;

- автоматизация процесса принятия решения о кредитоспособности клиентов на основе процедуры скоринга;

- обеспечение целостности информации по клиентам в Системе;

- накопление кредитной истории клиентов Банка;

- автоматизация процедур управления продуктами;

- обеспечение целостности информации по кредитам в Системе;

- получение статистической и аналитической информации по использованию продуктов Банка;

- анализ истории предоставления кредитов;

- расчет и перерасчет скоринговых коэффициентов.

Система выполняет следующие функции:

- регистрация и ведение заявок клиентов на предоставление Продукта;

- выполнение проверок зарегистрированных заявок;

- выполнение расчета кредитного рейтинга клиента (скоринг);

- регистрация и ведение информации о клиентах;

- управление статусами клиентов;

- сбор информации о клиентах от других модулей Системы;

- предоставление информации о клиентах другим модулям Системы;

- регистрация событий, связанных с жизненным циклом клиента;

- регистрация и ведение информации о кредитах;

- регистрация событий, связанных с жизненным циклом кредита;

- управление статусами кредитов;

- сбор информации о кредитах от других модулей Системы;

- предоставление информации о кредитах другим модулям Системы.

Схема бизнес-процессов в части предоставления продуктов следующая:

- регистрация заявок клиентов на предоставление Продуктов (заявка содержит подробную информацию о клиенте);

- уточнение данных клиента;

- предварительная проверка заявок на полноту и достаточность предоставленной информации;

- проверка на наличие информации о клиенте в «черном списке»;

- проведение расчета кредитного рейтинга клиента на основании зарегистрированной заявки;

- выполнение проверки информации на внешние условия;

- утверждение заявки кредитным инспектором;

- при необходимости согласование условий предоставления Продукта с клиентом;

- формирование пакета документов для подписания клиентом;

- регистрация клиента в Системе;

В разных странах набор характеристик, описывающих заемщиков, и их относительный вес в оценке кредитного риска различаются, как различны экономические условия жизни и национальный менталитет. Поэтому нельзя автоматически переносить модель из одной страны в другую. В российских условиях параметры одного региона не переносимы на ситуацию другого региона, на его уровни зарплат и рисков. Более того, не дает эффекта даже перенос скоринговой модели из одного банка в другой, поскольку клиентская база каждого банка имеет свои особенности.

Предлагается разработка и внедрение системы скоринга, позволяющей оценивать кредитный риск заемщика и всего кредитного портфеля на основании уникальной модели, адаптивной к данным. Модель скоринга физических лиц может базироваться на анкетных данных заемщиков, экспертных знаниях менеджмента банка, численных оценках, полученных на статистике «плохих» и «хороших» кредитов, численных оценках, построенных на объективной региональной и отраслевой информации.

В результате работы модели по оценке конкретного заемщика формируется кредитный портрет потенциального заемщика, позволяющий производить:

                 процедуру разделения потенциальных заемщиков на «плохих», которым не может быть выдан кредит, и «хороших», которым кредит может быть выдан;

                 расчет индивидуальных параметров кредитной сделки для конкретного заемщика (лимит, процент, срок, график погашения кредита);

                 расчет риска и управление кредитным портфелем по всем ссудам, выдаваемым частным лицам.

Методология решения базируется на анализе специфики деятельности банка. При этом учитываются как группы клиентов (отраслевая и региональная принадлежность и др.), так и кредитные продукты банка для физических лиц. Исходя из потребностей банка в развитии бизнеса и имеющихся данных, могут быть построены скоринговые модели, основанные на экспертных знаниях банковского менеджмента, на статистических данных, на учете макроэкономических данных о социально-экономическом развитии конкретных регионов и отраслей. Наиболее мощными по точности оценки кредитного риска являются модели, использующие комплексный подход, т.е. учет всех данных и экспертных знаний менеджмента банка.