Оценка кредитоспособности физического лица

     Традиционными и наиболее распространенными являются регрессионные методы, прежде всего  линейная многофакторная регрессия:  

р = w_o + w₁x₁ + w₂x₂ + … + w_nx_n , 

     где р - вероятность дефолта,

     w - весовые коэффициенты,

     x - характеристики клиента.

     Недостаток  данной модели заключается в том, что в левой части уравнения  находится вероятность, которая  принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от - Ґ до + Ґ.

     Логистическая регрессия позволяет преодолеть этот недостаток:  

log (p/(1-p)) = w_o + w₁x₁ + w₂x₂ + … + w_nx_n. 

     Для применения логистической регрессии  необходимы гораздо более сложные  расчеты для получения весовых коэффициентов и, следовательно, более мощная компьютерная база и усовершенствованное компьютерное обеспечение. Но при современном уровне развития компьютерной техники это не является проблемой, и в настоящее время логистическая регрессия является лидером скоринговых систем.

     Преимущество  логистической регрессии еще  и в том, что она может подразделять клиентов как на две группы (0 - плохой, 1 - хороший), так и на несколько групп (1, 2, 3, 4 группы риска).

     Все регрессионные методы чувствительны  к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

     Линейное  программирование также приводит к линейной скоринговой модели. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка и будет минимальной.

     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. Но наиболее успешной областью их применения стало выявление мошенничества с кредитными карточками благодаря их способности выявлять нестандартные ситуации.

     Генетический  алгоритм основан на аналогии с биологическим процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т. е. модель, дающая наиболее точную классификацию.

     При использовании метода ближайших соседей выбирается единица измерения для определения расстояния между клиентами. Все клиенты в выборке получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов - плохих или хороших - больше вокруг него.

     На  практике используется комбинация нескольких методов, и компании хранят свои скоринговые  модели в строжайшем секрете, поэтому  сложно сказать, какой метод лучше. Можно только делать приблизительные  заключения, основываясь на научных публикациях, ниже приводится сравнительная таблица точности классификации для различных методов, составленная профессором Л. Томасом.

     Сравнение следует производить только горизонтально, потому что авторы использовали разные определения «хороших» рисков и проводили исследования на различных популяциях и выборках. Таблица показывает процент правильно классифицированных клиентов. Цель всех приведенных исследований заключалась в сравнении эффективности различных методов классификации, поэтому не следует делать вывод, что данные цифры показывают эффективность скоринговых систем в целом, так как уже говорилось, что коммерческие системы используют несколько методов.

     У каждого из методов имеются свои преимущества и недостатки, кроме  того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

     Точность  классификации проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель строится, на другой - проверяется.

     Известной методикой является модель Д. Дюрана, появившаяся в США в 40-е года. Дюран выделил группы факторов, позволяющих  определить степень кредитного риска. Он выделил следующие коэффициенты при начислении баллов:

• Возраст -0,1 балл за каждый год свыше 20 лет (максимум - 0, 30)
• Пол - женский (0, 40), мужской (0)
• Срок проживания - 0, 042 за каждый год в данной местности (максимально - 0, 42)
• Профессия - 0, 55 - за профессию с низким риском, 0 - за профессию с высоким риском, 0, 16 - другие профессии
• Работа - 0, 21 - предприятия в общественной отрасли, 0 - другие
• Занятость - 0, 059 - за каждый год работы на данном предприятии
• Финансовые показатели - наличие банковского счета - 0, 45, наличие недвижимости - 0, 35, наличие полиса по страхованию - 0, 19.

     Таким образом, Дюран определил границу  выдачи ссуды как 1, 25 и более. Если набранная сумма баллов менее 1, 25, следовательно, заемщик является неплатежеспособным, а если более, то кредитоспособным.

     2.1.4. Ограничения, связанные с применением скоринга

     В скоринге существует две основные проблемы.

     Первая  заключается в том, что классификация  выборки производится только на клиентах, которым дали кредит. Мы никогда  не узнаем, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками.

     Но, как правило, отказ в кредите  производится на основании достаточно серьезных причин. Банки фиксируют  эти причины отказа и сохраняют  информацию об «отказниках». Это позволяет им восстанавливать первоначальную популяцию клиентов, обращавшихся за кредитом.

     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.

     На  Западе новая модель разрабатывается  в среднем раз в полтора  года, период между заменой модели может варьироваться в зависимости от того, насколько стабильной была экономика в это время.

     Для России, вероятно, максимальным периодом будет полгода, да и то при условии, что в этот период не произойдет никаких кардинальных потрясений типа событий августа 1998 г.

     В настоящее время ведутся исследования того, как вводить социально-экономические  характеристики в модель с тем, чтобы  она служила дольше.

     2.1.5. Перспективы развития скоринга

     В России использование скоринг-систем тормозится, прежде всего, низкими объемами кредитования. Но с экономическим ростом ситуация начнет меняться.

     Само  по себе небольшое по сравнению с  западными кредитными организациями  количество заемщиков препятствием не является, необходимо только следить  за количеством характеристик по отношению к величине выборки.

     Отсутствие  кредитных бюро, безусловно, также  не способствует развитию скоринга. Но, с другой стороны, на Западе существует проблема проверки достоверности информации, которую человек указывает о  себе в анкете. В России большая часть такой информации содержится в паспорте. Банкам достаточно иметь паспортные данные и данные трудовой книжки - вот и исходный материал для анализа.

     Еще один неблагоприятный фактор - недостаточная  распространенность таких универсальных статистических пакетов, как SAS и SPSS. Кроме того, существуют и другие программы, доступные по цене, которые могут делать линейную многофакторную регрессию, а для начала этого вполне достаточно.

     Вполне  вероятно, что в России скоринг  сначала будет применяться не для физических лиц, а для юридических просто потому, что у банков накоплено гораздо больше информации о предприятиях, при этом используются балльные системы оценки риска различной сложности и с различным уровнем автоматизации. Отличие балльной системы от скоринговой заключается в том, что в первой значимость того или иного коэффициента или финансового показателя определяется субъективно, а во второй производится привязка коэффициентов к уровню риска.

     На  Западе при кредитовании юридических лиц скоринг-модели распространены не настолько широко, как в потребительском кредите. Это связано с тем, что для разработки модели очень трудно набрать достаточное количество компаний, сходных друг с другом: компании сильно отличаются по размеру, обороту, секторам экономики. Чем крупнее предприятие, тем труднее подобрать аналогичные предприятия для сравнения.

     В последние годы большие сдвиги произошли  в разработке скоринг-моделей для  малого бизнеса. Применение скоринга для  малого и среднего бизнеса оказалось возможным именно в силу большого количества сходных между собой предприятий.

     В заключение хотелось бы отметить, что  в России внедрение скоринга тормозится не столько объективными, сколько  субъективными причинами, связанными с недоверчивым отношением банковских менеджеров к математическим и статистическим методам. Не так уж много требуется, чтобы начать анализировать своих клиентов - кредитная история прошлых клиентов и статистический пакет, - а отдача будет колоссальной. Среди преимуществ скоринговых систем западные банкиры указывают, в первую очередь, снижение уровня невозврата кредита. Далее отмечается быстрота и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

     В России внедрение скоринга должно осуществляться постепенно. Для начала можно сделать  автоматизированную систему предварительной  оценки заемщиков, которая будет  автоматически отсеивать заведомо «плохие» риски, а на рассмотрение кредитного комитета предлагать риски «хорошие» и «пограничные». Но даже не вводя автоматизацию, можно оценить связь отдельных характеристик клиента с вероятностью дефолта как для физических, так и для юридических лиц - знание таких характеристик может послужить существенной поддержкой кредитным инспекторам.

     Итак, скоринг представляет собой автоматизированные системы оценки кредитного риска, которые  широко используются в США и Западной Европе. В качестве исходного материала  для скоринга используется разнообразная  информация о прошлых клиентах, на основе которой с помощью различных статистических и нестатистических методов классификации делается прогноз о кредитоспособности будущих заемщиков. Скоринг-системы позволяют банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.

     2.2. Оценка платежеспособности заемщика

     Более сложная и тщательная оценка заемщика применяется при выдаче физическим лицам кредитов на неотложные потребительские  нужды. Это, как правило, среднесрочные  ссуды на покупку дорогих вещей, оплату каких-либо услуг и работ. Примером может служить приобретение дорогостоящей мебели, плата за обучение, финансирование ремонта жилья и т.п. В этом случае многие крупные коммерческие банки определяют платежеспособность заемщика на основании документов с места работы о доходах и размерах удержаний, а также по данным анкеты. Результат вычисляется как среднемесячный доход за вычетом всех обязательных платежей, скорректированный на поправочный коэффициент и умноженный на срок кредита. Исходя из полученной суммы рассчитывается максимальный размер кредита. Полученная величина корректируется с учетом влияющих факторов: предоставленного обеспечения кредита, информации, содержащейся в заключениях службы безопасности и юридического департамента банка, остатка задолженности по ранее полученным ссудам.