Оценка кредитоспособности физического лица

n="justify">     Например, скоринговые модели применяются  в основном при предоставлении кредитов на покупку товаров (экспресс-кредитование) и при выдаче кредитных карт.

     2.1.1. История развития скоринга

     Скоринг, по существу, является методом классификации  всей интересующей нас популяции  на различные группы, когда нам  неизвестна характеристика, которая  разделяет эти группы (вернет клиент кредит или нет), на зато известны другие характеристики, связанные с интересующей нас.

     В статистике идеи классификации популяции  на группы были разработаны Фишером  в 1936 г. на примере растений.

     В 1941 г. Дэвид Дюран впервые применил данную методику к классификации кредитов на «плохие» и «хорошие». По времени это совпало со Второй мировой войной, когда почти все кредитные аналитики были призваны на фронт, и банки столкнулись с необходимостью срочной замены этих специалистов. Банки заставили своих аналитиков перед уходом написать свод правил, которыми следовало руководствоваться при принятии решения о выдаче кредита, чтобы анализ мог проводиться неспециалистами. Это и был как бы прообраз будущих экспертных систем.

     В начале 50-х гг. в Сан-Франциско  образовалась первая консалтинговая фирма в области скоринга -- Fair Issac, которая до сих пор является лидером среди разработчиков скоринговых систем.

     Но  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. Однако очень скоро они оценили не только быстроту обработки заявлений на выдачу кредита, но и качество оценки риска. По данным некоторых исследований, после внедрения скоринг-систем уровень безнадежного долга сокращался до 50%.

     В 1974 г. в США был принят Закон  о предоставлении равных возможностей на получение кредита, который запрещал отказывать в выдаче кредита на основании следующих характеристик: раса, цвет кожи, национальное происхождение, возраст, пол, семейное положение, религия, получение социальных пособий, отстаивание прав потребителей. В Великобритании законодательство допускает использование информации о возрасте и семейном положении, но зато запрещает принимать во внимание какие-либо физические увечья и недостатки (инвалидность). Для кредитных организаций использование скоринговых систем стало доказательством исполнения этих антидискриминационных законов - у компьютера нет предубеждений.

     Помимо  установления принципов равноправия  в области кредитования, кредитное  законодательство США, как и Закон  о потребительском кредите, принятый в Великобритании в том же 1974 г., имели важное значение для формирования службы кредитных бюро. В таких бюро записывается кредитная история всех людей, когда-либо обращавшихся за ссудой в любую кредитную организацию страны.

     В кредитных бюро содержатся следующие  виды данных:

     - социально-демографические характеристики;

     - судебные решения (в случае передачи дел о востребовании задолженности по кредиту в суд);

     - информация о банкротствах;

     - данные об индивидуальных заемщиках, получаемые от кредитных организаций по принципу «ты - мне, я - тебе», т. е. банк может получать информацию о клиентах других банков, только если сам поставляет аналогичную информацию.

     Объем и характер информации, хранящейся в бюро, строго регулируется законодательством  каждой страны. В «Банковских технологиях» уже была публикация о кредитных  бюро в сентябре 1999 г. - «Вопросы учреждения кредитного бюро в России». Хотелось бы добавить, что помимо рассмотренных в статье моделей бюро существуют и транснациональные коммерческие компании, такие как Experian, Equifax, TransUnion, Scorex. Эти компании сами используют скоринговые системы, и во многих случаях продают клиентам не «сырую» информацию, а уже готовый интегральный показатель, который вводится в автоматизированную систему кредитной организации.

     Значение  кредитных бюро чрезвычайно велико, их существование позволяет кредитным организациям выдавать ссуды клиентам, которые ранее в этой организации не обслуживались. Кроме того, общепризнанной является ценность предыдущей кредитной истории для прогнозирования вероятности дефолта.

     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 должниками (если клиент задерживается с очередным платежом, какой метод воздействия будет наиболее эффективным), при выявлении мошенничества с кредитными карточками, при определении вероятности, что клиент может перебежать к конкуренту и т. п.

     2.1.2. Сущность скоринга

     Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

     В западной банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа:

• анкета, которую заполняет заемщик;
• информация на данного заемщика из кредитного бюро -- организации, в которой хранится кредитная история всего взрослого населения страны;
• данные движений по счетам, если речь идет об уже действующем клиенте банка.

     Кредитные аналитики оперируют следующими понятиями: «характеристики» клиентов (в математической терминологии - переменные, факторы) и «признаки» - значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы.

     В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

     Интегральный  показатель каждого клиента сравнивается с неким числовым порогом, или  линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем  нужно клиентов, которые платят в  срок, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии - нет.

     Все это выглядит очень просто, однако сложность заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать. К этой проблеме имеется несколько подходов, которые будут рассмотрены в разделе «Методы классификации клиентов».

     Философия скоринга заключается не в поиске объяснений, почему этот человек не платит. Скоринг выделяет те характеристики, которые наиболее тесно связаны с ненадежностью или, наоборот, с надежностью клиента. Мы не знаем, вернет ли данный заемщик кредит, но мы знаем, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому мы давать кредит этому человеку не будем.

     В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, т. е. если человек по формальным признакам близок к группе с плохой кредитной историей, то ему кредит не дадут. Поэтому даже при очень высокой степени использования автоматизированных систем скоринга осуществляется субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, доказывающей, что человек, классифицированный как ненадежный, на самом деле «хороший», и наоборот.

     Какие же характеристики являются наиболее «ценными» для прогнозирования  кредитного риска? В Великобритании наиболее часто используются следующие характеристики:

• Возраст;
• Количество детей/иждивенцев;
• Профессия;
• Профессия супруга(и);
• Доход;
• Доход супруга(и);
• Район проживания;
• Стоимость жилья;
• Наличие телефона;
• Сколько лет живет по данному адресу;
• Сколько лет работает на данной работе;
• Сколько лет является клиентом данного банка;
• Наличие кредитной карточки/чековой книжки.

     В других странах набор характеристик, которые наиболее тесно связаны  с вероятностью дефолта - вероятностью, что заемщик не вернет кредит или задержится с выплатой, будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта. Поэтому очевидно, что нельзя автоматически перенести модель из одной страны в другую или из одного банка в другой. Даже внутри одного банка существуют различные модели для различных групп клиентов и различных видов кредита.

     2.1.3. Методы классификации клиентов

     Итак, в нашем распоряжении имеется большой объем разнообразной информации о клиентах. В этом океане сведений даже кредитному инспектору со значительным опытом работы иногда сложно сориентироваться при ответе, скажем, на вопрос - какой клиент представляет больший риск: разведенный бездетный мужчина-предприниматель или замужняя женщина-адвокат с тремя детьми, при том что уровень дохода у них одинаков? Чтобы иметь возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь.

     В целях построения модели сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет, иногда такая выборка называется «обучающей». Она может варьироваться от нескольких тысяч до сотни тысяч, что не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов.

     Выборка подразделяется на две группы: «хорошие»  и «плохие» риски. Это оправдано  в том смысле, что банк при принятии решения о кредитовании на первом этапе выбирает из двух вариантов: давать кредит или не давать. При всей «детскости» определений «хороший»/«плохой», это именно те термины, которые используются кредитными аналитиками.

     Определение «плохого» риска может быть разным в зависимости от политики банка, в Западной Европе «плохим» риском обычно считается клиент, задерживающийся с очередной выплатой на три месяца. Иногда к «плохим» рискам относятся клиенты, которые слишком рано возвращают кредит, и банк не успевает ничего на них заработать.

     Таким образом, скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».

     Но  предварительно необходимо преобразовать  имеющуюся информацию в форму, поддающуюся анализу. Существует два основных подхода, которые пригодны для работы как с количественными, так и с качественными характеристиками:

     1. Преобразовать каждый признак в отдельную двоичную переменную. Этот подход неудобен в том плане, что приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений между зависимой и независимыми переменными.

     2. Преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа «плохих» клиентов с данным признаком к числу «хороших» клиентов с этим же признаком. Более усложненный вариант - взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его «рискованности».

     Методы  собственно классификации весьма разнообразны и включают в себя:

• статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия);
• различные варианты линейного программирования;
• дерево классификации или рекурсионно-партиционный алгоритм (РПА);
• нейронные сети;
• генетический алгоритм;
• метод ближайших соседей.