Скоринговая модель в excel. Кредитный скоринг

Термин «скоринг» в дословном переводе с английского языка означает «подсчет очков». Так называют систему и метод оценки рисков по кредитованию конкретного лица, управления рисками на основе математического прогноза. Банковский скоринг позволяет определить вероятность просрочки выплат, основываясь на информации из кредитной истории и на некоторых других данных. Основным критерием являются баллы, которые раньше начислялись сотрудниками кредитно-финансовых учреждений вручную, а сейчас все чаще рассчитываются специальной программой.

Скоринг эффективно работает в сфере экспресс-кредитования, микрофинансирования, где на рассмотрение заявки у специалиста есть не более часа. В специальную программу заводятся данные потенциального заемщика. Система сравнивает информацию со статистикой. Например, если в базе данных много сведений о том, что люди такого же возраста и/или профессии не возвращали кредиты, то решение может быть отрицательным - банк может отказать без объяснения причин.

Оценка кредитоспособности заемщика − физического лица − в автоматическом режиме основывается на анализе различной информации, среди которой:

• идентификационные данные . Обрабатываются данные паспорта, фото заявителя. Уже на этом этапе определяются мошенники, лица, имеющие плохую кредитную историю;
• социальное положение . Учитывается пол, возраст заявителя, его образование и место работы. Принимается во внимание адрес регистрации и проживания, наличие семьи, иждивенцев;
• финансовое положение . В идеальном варианте необходимо иметь не только достаточный, но и регулярный доход. Некоторые банки учитывают также возможные траты: оплату коммунальных услуг, детского сада и т. д. Многие заявители идут на хитрости, не заявляя об иждивенцах или завышая суммы доходов. При небольших займах это может сработать, но при крупных кредитах банки обычно проверяют данные намного тщательнее;
• кредитная история . В оценке кредитоспособности физического лица информация по предыдущим займам имеет одно из решающих значений. Определяются непогашенные кредиты, наличие просрочек и время, в течение которого они были выплачены. Если ссуды обслуживались аккуратно, то система выдаст высокую вероятность такого же поведения клиента в будущем, увеличив скоринговый балл. Такой же принцип работает и в обратную сторону;
• транзакционное поведение . Параметр оценки доступен для заявителей, являющихся клиентами кредитно-финансового учреждения. Держатели пластиковых карт, депозитных счетов, участники зарплатных проектов чаще получают высокую скоринговую оценку. Системой оцениваются суммы, на которые совершаются покупки, категории точек продаж.

Все данные проверяются по отдельности и сравниваются между собой на наличие противоречий. Должна быть связь между доходами и расходами, должностью и местом проживания и т. д.

Непредвзятость . Скоринговая система оценки кредитоспособности оперирует фактами и цифрами, не учитывая личностные особенности человека. Сотрудник офиса, принимающий заявку, не может никаким образом повлиять на алгоритм подсчета. Кредитный эксперт не вправе безосновательно отказать в выдаче ссуды, если программа оценила заемщика как платежеспособное лицо.

Оперативность . Подсчет баллов в ручном режиме выполняется в форме таблицы. В отдельные строки специалист самостоятельно вводит данные и присваивает баллы, ориентируясь только на собственный опыт и знания. Процесс трудоемкий и долгий, заявителям приходится ждать по часу и более. Современные программы подсчитывают скоринговый балл в сотни раз быстрее.

Финансовая выгода . Банки, использующие скоринговую систему оценки кредитоспособности, часто предлагают более выгодные условия предоставления ссуд. Просчет рисков и автоматический отсев возможных неплательщиков значительно снижает долю невозврата, которую обычно закладывают в процентную ставку. Это выгодно и заемщику, и кредитору.

В первую очередь необходимо сформировать хорошую кредитную историю, без просрочек. Если своевременные выплаты невозможны по объективным причинам, необходимо как можно раньше сообщить об этом в банк и доказать временную неплатежеспособность. Большинство кредиторов идут навстречу клиентам, предоставляя отсрочки платежа, делая перерасчет или предлагая другие решения. В этом случае история не будет испорчена отказами выплат. Если негативные строчки в истории уже есть, их можно компенсировать своевременно выплаченными кредитами.

Еще один способ, позволяющий повысить скоринговую оценку кредитоспособности, - наличие депозита. Открытый вклад в банке дает понять, что у клиента есть средства для выплаты. То же самое относится к держателям зарплатных карт, которые обычно имеют высокий балл.

Чтобы повысить оценку, необходимо внимательно отнестись к заполнению заявления. Рекомендуется указывать достоверные контактные данные и предупредить всех, чьи телефоны вы вписываете в анкету. Если сотрудник банка начнет прозвон, он должен дозвониться до всех абонентов. В противном случае информацию могут признать недостоверной и отказать из-за этого в кредитовании.

Если вам отказали в ссуде по причине того, что программа скоринга сочла вас некредитоспособным, не стоит отчаиваться. Возможно, настройки алгоритма неблагоприятны для вас только в этом банке. Чтобы проверить это, попробуйте пройти скоринг в нашего сайта.

При выдаче кредитов банки стремятся получить максимальную прибыль и гарантировать возврат переданных заемщику средств. Для того чтобы снизить риск просрочек, финансовые организации тщательно анализируют всех претендентов и одобряют только заявки, обязательства по которым будут выполняться с большой вероятностью.

Оценка кредитоспособности заемщика – физического лица часто осуществляется с помощью (от английского scoring - «подсчет очков»). Скоринговая модель анализирует факторы, влияющие на риск невозврата займа, и выдает рекомендации по одобрению заявки или отказу. При оформлении кредита заемщику в первую очередь предлагается заполнить анкету. Именно на основе этих данных выставляется оценка. За каждый параметр клиент получает определенное количество баллов, действуют повышающие и понижающие коэффициенты. Итоговый результат раньше подсчитывали вручную банковские сотрудники, сегодня это делается автоматически в специальных программах.

Где применяется скоринг

Скоринговая модель широко используется в области микрофинансирования и экспресс-кредитования, где рассмотрение данных потенциального заемщика и принятие решения занимают менее 1 часа. Для проверки кредитоспособности в специальную программу вносят информацию из заполненной заявки. Система автоматически сравнивает указанные потенциальным заемщиком данные со статистикой. Так, если в базе есть сведения о том, что люди аналогичного возраста или профессии нередко не возвращают кредит, то решение по заявке может быть отрицательным. В таких случаях банк или микрофинансовая организация обычно отказывает потенциальному заемщику без объяснения причин.

Преимущества скоринговой системы ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

Быстрота принятия решений. Если анализом платежеспособности заемщика занимается сотрудник банка, это потребует много времени. Специалисту необходимо самостоятельно проверить каждый параметр, вручную внести все полученные результаты и сделать вывод. С помощью современных скоринговых систем оценки кредитоспособности данные обрабатываются быстро, а значит, и решение принимается оперативно.

Объективность. Даже опытный и квалифицированный специалист может допустить ошибку в подсчетах или сформировать предвзятое мнение из-за личного отношения к клиенту. Скоринг-балл – гораздо более объективный показатель кредитоспособности, потому что он высчитывается в автоматическом режиме. Сотрудник банка не может повлиять на работу алгоритма.

Финансовая выгодность. Использование скоринговой модели оценки кредитоспособности позволяет значительно уменьшить долю невозврата. Это не только увеличивает прибыль банка, но и дает ему возможность предлагать более выгодные тарифы для клиентов. Уровень невозврата прямо влияет на процент по кредитам, поэтому добросовестные плательщики также заинтересованы в его снижении.

От чего зависят результаты скоринга

Итоговая оценка при использовании любой скоринговой модели складывается из целого ряда показателей. В первую очередь проверяются паспортные данные заемщика, информация о месте проживания и другие контактные данные. Это предварительный этап, на котором отсеиваются претенденты с недействительными документами. Затем происходит анализ других факторов.

• Личная информация о клиенте. Скоринг-оценка учитывает семейное положение заемщика и наличие у него несовершеннолетних детей. Также принимается во внимание продолжительность стажа на последнем месте работы.
• Платежеспособность претендента. Один из самых значимых факторов, влияющих на скоринг-балл. Чтобы получить одобрение, важно доказать наличие не только достаточных для погашения займа средств, но и регулярных выплат. Для оценки финансового положения и кредитоспособности в большинстве случаев (особенно при выдаче крупных кредитов) требуется предоставить документы с места работы: справку 2-НДФЛ или по форме банка. Иногда учитываются также расходы претендента (на содержание иждивенцев, коммунальные услуги и т. д.).
• Кредитная история. При скоринговой оценке кредитоспособности клиентов обязательно проводится проверка задолженностей и просрочек по ранее взятым ссудам. Банк может при наличии согласия получить данные по претенденту из бюро кредитных историй (БКИ), в которых отражается вся необходимая информация. Также системой принимается во внимание наличие или отсутствие регулярных выплат по действующим займам. В БКИ фиксируется история заявок, сделанных претендентом: наличие большого процента отказов от других финансовых организаций может снизить оценку.

• Транзакционное поведение. Если заемщик является зарплатным клиентом или имеет депозит в банке, скоринг-балл при определении кредитоспособности может быть повышен. При этом учитывается размер накоплений на счете и их динамика.

Все данные скоринговая система проверяет по отдельности и сравнивает их между собой, чтобы выявить возможные противоречия. Подтверждением достоверности указанных сведений является наличие связи между доходами и расходами потенциального заемщика, местом работы и адресом проживания и т. д.

Анализ данных скоринга

На основе полученного результата система выносит решение:

• одобрение - оценка высокая, заявка может передаваться на следующий уровень;
• отказ - претендент набрал слишком низкий балл, поэтому рассмотрение запроса прекращается;
• требуется дополнительный анализ - у системы недостаточно данных для выставления адекватной оценки. В этом случае специалист банка самостоятельно изучает анкету заявителя и уточняет информацию. Для подтверждения спорных аспектов у претендента могут затребовать дополнительные документы. После ручного рассмотрения по заявке принимается окончательное решение.

Как получить высокий скоринг-балл

Исключить просрочки по займам. Чтобы увеличить шансы на хорошую оценку и одобрение заявки, нужно иметь чистую кредитную историю. Это значит, что у претендента не должно быть просрочек по другим займам или непогашенных долгов. Поэтому даже при возникновении финансовых трудностей важно следить за своей кредитной историей. Лучше вовремя предоставить банку документальное подтверждение временной неплатежеспособности и разработать схему реструктуризации долга или отсрочки. Это позволит закрыть текущий кредит и повысить вероятность одобрения нового.

Открыть банковский вклад. В большинстве банков можно получить дополнительные скоринг-баллы при наличии счета, поэтому лучше заранее завести депозит.

Указать в заявке только реальные сведения. На оценку также влияет аккуратность в заполнении анкеты. Информация должна быть объективной и правдивой: сомнения в достоверности сведений могут стать причиной для отказа в кредите.

Обратить внимание на актуальность контактов в анкете. Чтобы повысить скоринговую оценку кредитоспособности, необходимо указывать в анкете только реальные контактные данные. Сотрудник банка должен иметь возможность дозвониться до всех абонентов, телефоны которых вписал потенциальный заемщик. Если связаться с ними не удастся, указанные данные могут признать недостоверными. Это один из поводов отказать в кредитовании.

Если скоринговая оценка оказалась слишком низкой и заявка была отклонена, это может свидетельствовать о том, что модель и алгоритм конкретного банка не подходят заемщику. Финансовые организации часто используют собственные системы, в которых учитывается разный набор факторов.

Что делать при отказе

При низком скоринг-балле система обычно просто отклоняет заявку, при этом клиенту не сообщается о причинах такого решения. Сотрудники банка часто рекомендуют повторить обращение через несколько месяцев. В качестве альтернативы можно попробовать подать заявку в другую финансовую организацию. Однако делать это следует с осторожностью: все отказы фиксируются в кредитной истории, а если их слишком много, оценка снижается. Чтобы еще до обращения в банк узнать о наличии и количестве отклоненных заявок, можно отправить запрос в БКИ.

Скоринговая модель не дает объективных и релевантных результатов, если клиент обращается за займом в первый раз. Для таких случаев некоторые банки используют только ручную обработку заявок специалистами. При этом фактически таким клиентам часто предлагают менее выгодные условия, повышенные процентные ставки и уменьшенную сумму ссуды. Так банк снижает убытки от возможного невозврата. Однако если погасить первый заем вовремя и без просрочек, это отразится в кредитной истории, поэтому уже в следующий раз можно будет рассчитывать на более высокую оценку.

Чтобы воспользоваться услугами НБКИ по разработке и/или использованию методик скоринговой системы, заполните форму заявки на сайте.

Как уже отмечалось, для построения модели оценки кредитного риска необходим некий набор переменных, к которым предъявляется следующее требование - выбранные переменные должны влиять на кредитоспособность заемщика и «сила» такого влияния не должна быстро изменяться с течением времени. Говоря другими словами, скоринговая оценка основывается на гипотезе, что кредитному качеству заемщика можно сопоставить одно число и что выявленная зависимость указанного числа от факторов риска кредитоспособности стационарна. Сама суть скоринговой системы достаточно проста, но за внешней простотой скоринга скрывается ряд “подводных камней”.

Первый “подводный камень” скоринга - это сложность в определении, какие характеристики следует включать в модель, и какие весовые коэффициенты должны им соответствовать. Именно от выбора исходных данных в большей степени зависит качество итоговой оценки и, в конечном счете, эффективность оценки риска и доходность кредитного портфеля. К этой проблеме имеется несколько подходов, классическим подходом является, безусловно, обучающая выборка компаний-клиентов, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет. Помимо этого, предъявляются определенные требования и к размеру выборки - он должен быть адекватным сложности создаваемой модели. В большинстве моделей, которые обсуждаются в литературе, это требование выполняется лишь частично. Например, в широко известной модели Альтмана, которая оценивает кредитоспособность крупных заемщиков, количественный состав обучающей выборки был явно мал - всего 22 переменные. В целом, размер выборки не является проблемой в западных странах, однако в нашей стране для разработки действительно эффективной системы нужны исторические данные по выданным кредитам, что является проблемой для многих российских банков. Для этого банкам нужно выдать кредиты, оценить, какая часть из них является «хорошей», а какая «плохой» (кредиты не были возвращены) и только после этого банк может приступить к созданию системы скоринга. В этих условиях значимость информации, сохраняемой в БКИ, существенно возрастает. В силу сказанного можно сделать однозначный вывод: от применения “готовых” западных систем к нашим заемщикам нет никаких оснований ожидать повышения эффективности кредитного портфеля.

Как происходит оценка риска невозврата кредитов потенциальными заемщиками? Рассмотрим процедуру оценки на примере юридических лиц. Основная идея заключается в том, что в качестве “характеристик” потенциального заемщика в пространство исходных факторов должны быть включены такие параметры, которые присутствуют у любого юридического лица. Отсюда и делается, казалось бы, вполне логичный вывод - такие параметры есть, и это финансовые индикаторы. Вот второй “подводный камень”: так как по своей сути финансовые индикаторы отражают характеристики потоков денежных средств предприятия и вычисляются на основе данных отчетности, то они достаточно сильно коррелированны, то есть взаимосвязаны между собой. А коррелированность пространства факторов риска не может не сказаться на качестве итоговой оценки, причем, естественно, в худшую сторону, так как размерность пространства просто уменьшается - из множества финансовых коэффициентов можно составить всего несколько агрегированных параметров, которые и будут “настоящими” входными данными скоринговой системы.

В качестве примера, подтверждающего наличие указанной нами проблемы можно привести довольно интересное исследование финских авторов, проведенное после банковского кризиса в Финляндии в 1992 году - “Choosing Bankruptcy Predictors Using Discriminant Analysis, LOGIT Analysis and Genetic Algorithms”, в котором на основе трех методов, используемых в качестве математического аппарата в скоринговых системах, по известным финансовым коэффициентам 37 финских компаний-банкротов был проведен выбор наиболее значимых параметров для данного типа анализа (приложение 2) Скажи, кто твой заемщик, и я скажу кто ты. 08.10.2003:

Данный пример показывает, что из финансовых коэффициентов, количество которых составляет 31 по каждой из 37 компаний-банкротов, достаточно четко можно выделить всего 7 агрегированных факторов, то есть пространство входных данных, из-за взаимосвязанности финансовых коэффициентов между собой, не 31-мерное, а лишь 7-мерное (приложение 2, табл.2).

А теперь обратим внимание на следующий “подводный камень”, который затрудняет процесс создания скоринговых моделей: Как можно заметить из таблицы 4.1., само количество значимых параметров, и, естественно, их веса, непостоянно и меняется от периода к периоду.

Таким образом, модель скоринга с фиксированным количеством параметров не может быть постоянно максимально эффективной в динамике. Причиной этого является тот факт, что за разные временные отрезки до банкротства для описания кредитоспособности заемщиков необходимо разное количество факторов риска.

Таблица 4.1

Выбор значимых переменных для предсказания банкротств и динамика модели

Более того, состав этих факторов изменяется от года к году, что делает крайне затруднительным сбор статистической информации для создания моделей скоринга. Фактически, полученные финскими исследователями данные указывают на необходимость сбора и накопления максимально широкого состава данных, которые потенциально могут быть полезными для моделирования кредитоспособности заемщиков. Естественно, все вышеперечисленные “подводные камни” влияют, прежде всего, на точность итоговой оценки. В вышеупомянутой публикации точность итоговой оценки для моделей скоринговых систем, построенных с применением разных методов, проверялась на той же самой выборке, на которой система и “обучалась”, что делать категорически нельзя, потому что на такой выборке ошибок быть практически и не должно. Однако проверка точности скоринговых оценок, полученных при помощи двух применяемых методов, даже на этих данных показала наличие ошибочных оценок (от 2.7 % до 28.4 % случаев, см. табл. 4.2.).

Приведенные данные можно интерпретировать следующим образом: граница между «хорошими» и «плохими» заемщиками в пространстве факторов риска имеет сложную геометрию. Сложность этой границы определяет высокий уровень требований к используемым для обучения скоринговой модели данным (их составу и количеству), причем геометрия границы такова, что даже нелинейные методы классификации (генетические алгоритмы) дают значительный процент ошибок.

Таблица 4.2.

Точность скоринговых оценок

Безусловно, все перечисленные “подводные камни” сказались на результатах в полной мере. Хотелось бы еще раз подчеркнуть, что изначально целью скоринговой системы является только отнесение потенциального заемщика к одной из двух групп - “хороший” или “плохой”, и скоринг не ставит перед собой цель сравнивать заемщиков одной из этих групп между собой. Однако при неправильном выборе исходных факторов риска или при неучете значимых факторов мы вполне можем столкнуться с ситуацией, когда в пространстве итоговых оценок не выделяются две группы компаний (“хорошая” и “плохая”) или даже с ситуацией, когда выделяются три и больше групп.

На основании приведенных результатов можно сделать следующие выводы:

• ? Точность итоговой оценки уровня кредитоспособности в очень большой степени зависит от исходных данных (выбора факторов риска и их «весов»).
• ? Коррелированность пространства факторов риска ухудшает итоговую точность оценки (из-за снижения фактической размерности пространства исходных данных).

К тому же огромные ошибки в итоговых оценках дают право говорить о том, что для скоринга юридических лиц в качестве исходных данных одних только финансовых коэффициентов недостаточно.

Теоретически, для разработки действительно эффективной системы скоринга необходима значительная выборка компаний за несколько лет с уже известными результатами (вернули / не вернули кредит) и “обучение” системы на этой выборке, но в России подобной статистики пока просто не существует. Более того, говоря о значимости информации, сохраняемой в БКИ для создания национальных моделей скоринга нельзя не упомянуть о том, что крайне желательна регламентация той информации, которая собирается в бюро о заемщиках. Отсутствие стандартов на состав предоставляемой информации будет резко обеднять значимость самого закона в контексте скоринга.

В силу того, что на западе системы скоринга имеют уже солидную историю, логично было бы предположить, что их можно свободно применять в нашей стране, не создавая своих собственных. Однако внедрение западных систем в России существенно затруднено. У России есть свои особенности, связанные с нестабильностью экономики страны в целом, «перекосом» в развитии отраслей и межотраслевых связей, большой долей теневых доходов и др., что, соответственно, сказывается на параметрах отдельных потенциальных заемщиков.

Приведенные рассуждения относительно систем скоринга кредитоспособности юридических лиц применимы и для скоринговой оценки физических лиц. В частности, проиллюстрируем конкретным примером сложность использования западных систем скоринга в России (таблица 4.3.). Использование западных систем скоринга затруднено тем, что там одним из самых значимых показателей является возраст потенциального заемщика (для Великобритании, Франции и Германии): чем старше человек, тем его скоринг выше (он трактуется как надежный заемщик). Очевидна логика работы такой системы на Западе - проработавший всю жизнь человек успел накопить как средства, так и кредитную историю. У нас, с очевидностью, эта логика будет инвертированной: чем старше заемщик, тем его скоринг (кредитоспособность) ниже.

Таблица 4.3.

Сравнение показателей скоринга в разных странах для физических лиц

Великобритания	Германия
Количество детей/иждивенцев	Количество детей/иждивенцев	Цель кредита
Профессия	Квалификация	Профессия
Профессия супруга(и)	Семейное положение	Семейное положение
	Способность погашать задолженность	Чистый годовой доход
Доход супруга(и)	Наличие обеспечения	Участие клиента в финансировании сделки
Район проживания
Стоимость жилья	Способ найма жилища	Владение недвижимостью
Наличие телефона	Сфера занятости
Сколько лет живет по данному адресу	Наличное имущество
Великобритания	Германия
	Трудовая деятельность у последнего нанимателя	Сколько лет работает на данной работе
Сколько лет является клиентом данного банка	Кредиты, полученные в банке ранее	Срок кредита
Наличие кредитной карточки/чековой книжки	Информация кредитно-справочного бюро	Сумма на банковском счете

При анализе переменных, включенных в модели скоринга, и их сравнительной значимости, возникает масса и других вопросов (о значимости профессионализма заемщика, о его доходе, о длительности работы на одном месте и.т.д.). Веса этих переменных в западных моделях скоринга сильно отличаются от российских (на примере значимости возраста заемщика можно говорить, что меняется не только вес переменной, но и ее знак).

Еще одной из важных переменных для скорнга физических лиц являются доходы потенциальных заемщиков. В нашей стране, они часто не совпадают с реальными (рис. 4.1.) Черкашенко В.Н. Этот «загадочный» скоринг, Банковское дело, № 3, 2006. Таким образом, не имея достоверной информации и доходах, банки должны уметь оценивать, используя скоринг, соответствие заявленного дохода другим параметрам заявителя. Использование при скоринге заемщиков требований к доказательству своих доходов будет снижать привлекательность банковского кредита для заемщика и те из банков, которые на это пойдут, будут, скорее всего, терять часть своей клиентской базы.

Рис. 4.1.

Однако ситуация далеко не безнадежна, и учиться не на собственном печальном опыте, выдавая “плохие кредиты” и набирая статистику, все-таки можно. Скоринговая система должна “обучаться” на некоторой выборке, а если выборка мала, то можно использовать модели, эту выборку «размножающие» и/или имитирующие, исходя из имеющихся данных. В данном случае можно использовать опыт персонала банка, осуществляющего кредитование населения. Он позволяет сконструировать скоринговые модели, называемые экспертным скорингом. Для этого, во-первых, выявляются факторы риска, определяющие кредитоспособность. Во-вторых, на этих факторах риска необходимо сгенерировать выборку «искусственных» заемщиков. Эта выборка может быть предъявлена экспертам, которые превратят ее в обучающую выборку, классифицировав всех заемщиков на «плохих» и «хороших». После этого выборка может быть предъявлена программе скоринга для обучения. Понятно, что обучить систему также эффективно, как и на реальных данных, в те же сроки таким образом невозможно, однако данный подход, безусловно, будет гораздо эффективнее, чем “готовые” западные системы.

Более того, внедрение скоринговой методики оценки кредитоспособности заемщиков осложнено сильной дисперсностью наших регионов по условиям социально-экономического развития, система оценки риска будет различаться от региона к региону.

Для группировки регионов России Черкашенко В.Н. в статье «Этот «загадочный» скоринг» 35 были выбраны следующие экономические свойства: темп роста ВРП, отношение инвестиций в регионе к ВРП, объем основных фондов к ВРП, отношение занятого в экономике населения к общей численности населения, отношение экспорта из региона к ВРП, среднедушевые доходы. Эти характеристики, по мнению автора, определяют перспективность регионов для кредитования. Решение о группировке регионов по этим свойствам не является тривиальной задачей - пространство переменных шестимерно, так что «увидеть» структуру, имеющуюся в данных, не представляется возможным. Для решения данной задачи автором был использован метод, который гарантированно обеспечивает одно важнейшее свойство - использованный метод проецирует многомерные образы регионов на плоскость без нарушения свойств образов в исходном пространстве; близкие по используемым свойствам с исходном пространстве остаются близкими и на плоскости. Результаты такого анализа региональной неоднородности РФ приведены на рисунке (Рис. 4.2.).

Те регионы, показатели которых похожи находятся на двумерной карте рядом друг с другом, в соседних ячейках, и окрашены в один и тот же цвет. Как видно из приведенных результатов, регионы России распадаются на 8 групп, которые отличаются по своим свойствам. В контексте скоринговой оценки это означает, что для эффективного скоринга нам необходимо восемь моделей скоринга, структура которых может быть и одинаковой, но вот веса входящих в эти модели факторов риска должны обязательно отличаться.

Рис. 4.2.

В первую группу входят регионы, характеризующиеся высоким уровнем инвестиций, большой долей активного населения и высокими среднедушевыми доходами. Эффективность использования основных фондов там выше среднего. Это означает, что данный кластер привлекателен с точки зрения кредитования как населения, так и экономики.

Таким образом, прямой перенос какой-либо западной модели оценки кредитного скоринга на российскую почву, без основательной переделки, затруднен (фактически, надо создавать восемь новых моделей скоринга для выявленных групп регионов). Черкашенко В.Н. Этот «загадочный» скоринг // Банковское дело, № 3, 2006 г.

Подведем итог сказанному. Для построения скоринговой модели должно быть избыточное количество переменных - факторов, которые характеризуют заемщика. Причем со временем (при изменении макроэкономической ситуации, финансового состояния заемщика) меняется интерпретация данных, возрастает или напротив снижается значимость отдельных факторов. Значения этих факторов, заявляемые заемщиками, особенно по доходам, тоже вызывают сомнения. Поэтому скоринговая модель, учитывая данные факты, должна на основе имеющихся статистических данных уметь высчитывать реальные значения факторов.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Анализ платежеспособности заемщика и поручителя. Получение кредита во время кризиса физическим лицом. Совершенствование методики оценки платежеспособности физических лиц. Совершенствование механизма оценки кредитоспособности индивидуальных заемщиков.

дипломная работа , добавлен 29.08.2013


Особенности и теоретических представления бизнес-моделей. Характеристика бизнес-моделей европейских энергокомпаний, на примере интегрированной бизнес-модели E.ON AG, а также оценка современных их изменений. Анализ препятствий развития энергосбережения.

реферат , добавлен 04.05.2010


Виды моделей. Модели принятия решений. Причины, по которым может быть снижена эффективность моделей. Виды управленческих решений. Управление запасами. Модель линейного программирования. Экономический анализ. Этапы построения моделей.

реферат , добавлен 28.03.2007


Основные модели развития организаций. Сравнительный анализ моделей жизненного цикла организаций. Распространенные схемы жизненных циклов организаций. Стадии развития предприятий. Особенности организаций, находящихся на разных стадиях своего развития.

реферат , добавлен 20.07.2012


Разработка стратегии управления конкурентоспособностью торгового предприятия экономическими методами (на примере магазина автозапчастей "Авто-Форд"). Характеристика методов оценки конкурентоспособности предприятия, ее экономико-математическая модель.

дипломная работа , добавлен 19.09.2015


Теоретические аспекты применения современных моделей управления на предприятии, недостатки и преимущества. Краткая характеристика деятельности ООО "Твин Фуд". Обоснование экономической эффективности рекомендаций по совершенствованию моделей управления.

дипломная работа , добавлен 03.06.2014


Стадии жизненного цикла информационной системы (ИС). Проблемы спирального цикла. Проблемы внедрения при использовании итерационной модели жизненного цикла. Положительные стороны применения каскадного подхода. Поэтапная модель с промежуточным контролем.

лабораторная работа , добавлен 02.02.2015

Исторически скоринг как подход был впервые использован в биологических исследованиях во второй половине 30-х гг. 20 века для сортировки объектов, которые было невозможно рассортировать на основании какого-либо одного признака, а другим способом или сильно затруднено, или даже невозможно. К примеру, так сортировались черепа (по принадлежности одному или другому племени) или луковицы ирисов (по принадлежности тому или иному сорту).

Термин «скоринг » означает математический подход, с помощью которого на основании набора известных (или измеряемых) характеристик объекта прогнозируется определенная искомая характеристика, которую на момент оценки прямо измерить невозможно, при этом намеренно избегается поиск каких-либо причинно-следственных связей.

Кредитный скоринг - это использование скоринговых решений в процессе кредитования, причем как физических лиц, так и юридических (особенно предприятий малого и среднего бизнеса).

Первостепенная задача, которую решают при кредитовании с помощью скоринга, - это управление рисками .

Spiegel - большой американский ритейлер - весьма рано начал использовать кредитный скоринг. Другой такой фирмой стала Household Finance Corp. Уже в 1946 г. ее президент Е.Ф. Вандерлик разработал Credit Guide Score для оценки новых заявителей, однако внедрение шло с трудом (впоследствии менеджеры его филиалов признавались, что они сначала выдавали кредиты, а потом подгоняли баллы, чтобы оправдать принятое решение).

В 1956 г. на американском финансовом рынке произошло событие, которое кардинально изменило ситуацию в сфере кредитного скоринга. Американцы - инженер Бил Файр и математик Эрл Айзек, работавшие в Стэнфордском исследовательском институте, придумали первую кредитную скоринговую модель . Партнеры разработали математический алгоритм, вычисляющий уровень кредитоспособности заемщика в цифровом выражении. Другими словами, алгоритм позволяет просчитывать кредитные риски в виде трехзначного числа, которое является кредитным рейтингом. Они организовали компанию Fair, Isaac and Company (в 2003 г. она была переименована в Fair Isaac Corporation, а в 2009 г. - FICO).

В России массовое использование скорингов в розничном кредитовании также стало уже повсеместной практикой. Российские банки активно используют и внешние скоринги FICO, и собственные скоринговые карты, разработанные в том числе и с помощью американских консультантов.

В семидесятые годы прошлого века, с одной стороны, началось бурное развитие средств вычислительной техники, а с другой - бум кредитования. И тогда скоринговые системы начало внедрять у себя большинство банков. Более того, некоторые из них разработали собственные системы, не прибегая к помощи сторонних компаний.

Когда в середине девяностых годов в России началось постепенное внедрение скоринговых систем, то отечественные банки столкнулись с дилеммой: разрабатывать их самостоятельно или покупать у западных производителей. Спустя 15 лет появился и третий вариант: отдать скоринг на аутсорсинг.

С 29 июля 2013 г. Сбербанк при выдаче розничных кредитов использует интегральную оценку заемщика, которая основана на Скоринг Бюро 3 поколения (сервис предоставляется Объединенным Кредитным Бюро (ОКБ)) и системе внутреннего скоринга самой кредитной организации.

Тестирование сервиса показало, что совместное использование двух скоринговых моделей дает дополнительный эффект, повышая качество интегральной модели банка более чем на 10%.

С появлением в конце 60-х гг. кредитных карт и банки, и другие эмитенты поняли полезность кредитного скоринга. Большое количество клиентов, подающих заявки на кредитные карты каждый день, сделало невозможным - ни экономически, ни с точки зрения трудозатрат - никакое другое решение, кроме как автоматизация принятия решения о кредитовании. При использовании кредитного скоринга эти организации быстро обнаружили, что эта методика является существенно более надежным прогнозом, нежели экспертные оценки (процент дефолтов снизился на 50% и более).

Виды кредитного скоринга

Как правило, выделяют минимум три области применения кредитного скоринга:

1. скоринг заявлений (application scoring);
2. поведенческий скоринг (behaviour scoring);
3. скоринг по взысканию (collection scoring).

Скоринг заявлений - это определение кредитоспособности (уровня риска дефолта) заявителя при принятии решения о предоставлении кредита на основании данных, доступных в момент подачи заявления, - информации собственно из заявления, собственных данных кредитной организации, данных из кредитного бюро, а также других доступных баз данных (например, по утерянным паспортам).

При этом принимается не только решение о предоставлении кредита, но и о размере и условиях кредитования.

После того как кредит выдан, необходимо отслеживать его использование и возврат. И если в случае кредитов с фиксированными условиями, т.е. ключевым является определение кредитоспособности клиента на момент выдачи кредита, то для кредитной линии - в том числе револьверной кредитной карты - ситуация отличается коренным образом. Неизвестно, как клиент будет пользоваться кредитом - сразу выберет весь кредитный лимит или только его часть, как будет возвращать - сразу все или только минимальный установленный платеж, и не изменится ли его кредитоспособность через шесть месяцев или через год. И это - область поведенческого скоринга , где под этим названием на самом деле скрывается целый набор решаемых задач.

В первую очередь это оценка риска просрочки платежа и/или невозврата и определение тех действий, которые необходимо предпринять, - в этом поведенческий скоринг переходит в скоринг по взысканию (collection scoring).

Следующей задачей, решаемой в рамках поведенческого скоринга, является определение доходности/убыточности клиента для кредитной организации. Для этого отслеживается история его транзакций на протяжении определенного отрезка времени (например, шести месяцев) и согласно установленным критериям определяется его «ценность», а потом на основании уже известных клиентских историй и профилей клиентов прогнозируется будущая «доходность» клиентов, находящихся в кредитном портфеле в данный момент.

В этом же классе определение таких важных параметров клиентов, как вероятность их ухода (attrition), склонность их к использованию данного или других продуктов (propensity), а также к увеличению объемов использования (up-sale) или приобретения других продуктов (cross-sell).

Следует сделать два крайне важных замечания:

1) данные по транзакциям используются для выявления и предотвращения мошенничества (и это тоже относят к поведенческому скорингу);

2) для поведенческого скоринга все в большей степени используются данные не только по конкретному счету (продукту), а весь комплекс данных по клиенту, т.е. как именно он пользуется всем набором используемых продуктов.

Прагматический подход, т.е. отказ от поиска причинно-следственных связей между параметрами и использование выявленных зависимостей между параметрами для прогнозирования поведения клиента (вероятности дефолта по кредиту), вызывает у многих довольно сильное отторжение и приводит к определенным законодательным ограничениям в этой области в некоторых странах.

Основы разработки рейтинговой таблицы, ее проверки и настройки

Несмотря на то что, у каждого банка своя «система ценностей», ни один банк не обходится без типичных скоринговых вопросов.

1. Личные данные . Пол, возраст, семейное положение, наличие или отсутствие иждивенцев, образование.

Пол . Система с большей симпатией относится к женщинам, так как по статистике слабый пол более ответственно подходит к погашению своих обязательств.

Возраст . Наиболее привлекательным для банка является клиент в возрасте от 25 до 45 лет. Чем дальше человек находится от этого возрастного диапазона, тем меньше его балл.

Семейное положение . Как правило, наличие семьи, даже в том случае, если отношения не узаконены формально, является плюсом. Стабильные отношения, планирование бюджета, с точки зрения банка, дисциплинируют потенциального заемщика.

Иждивенцы . Если у потенциального заемщика всего один ребенок, это, как правило, не лишает балла, однако чем больше детей, тем ниже балл.

Образование . Человек со средним образованием воспринимается как недостаточно успешный и стабильный, потенциально способный пренебречь своими обязательствами по кредиту, в отличие от человека, получившего высшее образование.

2. Финансовые показатели . Общий трудовой стаж, общий стаж на последнем или последних двух-трех местах работы, профессия, уровень заработной платы и общих расходов.

Чем стабильнее человек в плане своего трудоустройства , тем выше его балл. Частая смена мест работы, непродолжительность работы на каждом из них говорят о нестабильности потенциального заемщика и, как следствие, его дохода.

Тип профессии . Наиболее привлекательными для банка являются специалисты, рабочие, госслужащие, руководители среднего звена (постоянная работа по найму). Недолюбливают банкиры руководителей компаний, финансовых директоров, нотариусов (занимающихся частной практикой), а также владельцев и совладельцев бизнеса. Важно понимать, что в отличие от наемных сотрудников собственник своего дела не имеет ежемесячного фиксированного дохода. То же можно сказать об индивидуальных предпринимателях - таким заемщикам лучше подавать документы как физическим лицам.

Несомненно, банк обратит внимание на соотношение расходов и доходов . С одной стороны, система анализирует, насколько сопоставимы расходы на оплату кредита с финансовыми возможностями клиента и не будет ли обременительным для него дополнительный кредитный договор. С другой стороны, если заемщик заявляет о высоких доходах, но при этом запрашивается незначительная сумма, это вызывает как минимум настороженность. Для чего человеку с доходом в 50 тыс. руб. кредит в 6 тыс.?

Очень внимательно банки относятся к наличию ранее взятых и непогашенных кредитов . Если у заемщика уже имеются ежемесячные выплаты по кредитному договору, то банк спрогнозирует платежеспособность человека с очень большим (для себя) запасом.

3. Сопутствующая информация .

Дополнительный источник дохода (дополнительное место работы, доход созаемщика), наличие автомобиля, гаража, дачи, земельного участка в личной собственности, несомненно, добавят баллов. Примерно также обстоят дела с уже имеющимися погашенными кредитами: отсутствие былых просрочек, своевременное погашение своих обязательств перед кредитной организацией, отсутствие текущих просрочек воспринимаются положительно. Чем больше баллов заемщик набрал, тем больше он нравится банку.

В настоящее время кредитный скоринг основывается на методах статистических исследований или исследований операций (operational research). Статистические подходы включают в себя дискриминационный анализ, в основе которого лежат линейная регрессия и более эффективная логарифмическая регрессия и классификационные деревья (classification trees), иногда называемые алгоритмами рекурсивного разделения. Методы исследования операций включают в себя определенные варианты линейного программирования. Большинство разработчиков скоринговых моделей применяют один или несколько вышеуказанных методов, часто в комбинации. Кроме того, в разработке скоринговых моделей используется ряд методов непараметрической статистики и подходы моделирования с помощью «искусственного интеллекта». Так, в последние десятилетия испытывались подходы нейронных сетей, экспертных систем, генетических алгоритмов и методы «ближайших соседей». Весьма интересно, что к одной и той же классификационной проблеме применяются столь разнообразные методы. Отчасти это обусловлено исключительно прагматическим подходом к проблеме снижения риска при выдаче кредитов: если работает - надо использовать! Цель - спрогнозировать, кто не справится с возвратом, а не дать объяснение, почему не справится, или подтвердить ту или иную гипотезу о связи между невыплатой и определенными экономическими или социальными параметрами (что отчасти и спровоцировало бурные обсуждения и принятие акта ECOA).

Построение скоринговых моделей

Для построения скоринговых моделей (причем независимо от выбранного математического подхода) берется репрезентативная выборка из предыдущих заявителей (от нескольких тысяч до сотен тысяч - что не проблема для отрасли, обслуживающей десятки миллионов клиентов). Для каждого заявителя из выборки извлекается полная информация из анкеты-заявления и информация из его кредитной истории за фиксированный период времени (обычно 12, 18 или 24 мес.). Затем принимается экспертное решение, какую историю считать приемлемой, т.е. является ли клиент «хорошим» или «плохим».

Эмпирические требования к базе данных, используемых для построения скоринговой модели:

• размер выборки - не менее 1500 всего, не менее 500 плохих;
• четкое определение критерия «плохой/хороший»;
• четкое определение временного отрезка - периода жизни продукта (зависит от самого продукта и может меняться от месяца - мобильный телефон до десятилетий - ипотека);
• стабильность состава клиентской группы - демография, миграции, сохранение привычек потребления;
• неявное, но обязательное требование: стабильность экономических, политических, социальных и прочих условий.

При построении кредитных моделей существенным является выбор временного горизонта - отрезка времени между подачей заявления (выдачей кредита) и классификацией «плохой/хороший». Анализ показывает, что процент дефолта как функция длительности нахождения клиента с организацией поначалу растет и только через 12 месяцев (кредитные карты) и даже более (разовые займы) начинает стабилизироваться. Таким образом, меньший временной горизонт приводит к недооценке и не учитывает полностью всех характеристик, предсказывающих дефолт. С другой стороны, временной горизонт более двух лет оставляет модель подверженной к сдвигам в составе клиентской группы в течение этого времени, т.к. как состав клиентов в выборке в начале временного горизонта может оказаться существенно отличным от состава клиентов, приходящих в настоящее время. Фактически используются два единовременных среза (в начале и в конце временного горизонта) для создания модели, которая стабильна по времени (за пределами начального временного отрезка). Это и диктует выбор длины временного отрезка - временного горизонта при моделировании.

Далее построение скоринговой модели превращается в классификационную проблему, где входными характеристиками (или параметрами) являются ответы на вопросы анкеты-заявления и параметры (или данные), получаемые в результате проверок из различных организаций (например, полиции, судов, местных советов, кредитных бюро и т.д.), а выходными характеристиками (ответом) - искомым результатом - является разделение клиентов на «хороших и плохих» согласно имеющимся кредитным историям, сопоставленным по этим входным характеристикам.

Собственно рейтинговая таблица (scorecard) - это система придания численных баллов (счета) характеристикам (или параметрам) заемщика для получения искомого числового значения, которое отражает, с какой вероятностью у заемщика по отношению к другим заемщикам произойдет некое событие или он совершит определенное действие (аспект «по отношению» в определении очень важен).

Кредитная рейтинговая таблица , например, не показывает, какой уровень риска следует ожидать (скажем, какой процент кредитов данного типа, вероятно, не будет возвращен); вместо этого она показывает, как данный заем, скорее всего, будет вести себя по отношению к другим займам. Например, ожидается ли, что процент невозвратов или дефолтов для кредитов с данным набором атрибутов будет больше или меньше, чем у кредитов с другим набором.

Большинство рейтинговых таблиц построены с помощью расчета регрессионной модели - статистической модели, которая проверяет, как отдельный параметр (характеристика) влияет на другой параметр или (чаще всего) на целый набор других параметров.

Регрессионная модель дает в результате своего применения набор коэффициентов (factors), называемых регрессионными, которые можно интерпретировать как корреляцию между искомыми параметрами (которые необходимо определить) и объясняющими параметрами, сохраняя неизменными все остальные воздействия на искомые параметры. Эти коэффициенты превращаются в веса баллов (point weights) в рейтинговой таблице.

Следует отметить, что качество скоринговых моделей следует постоянно проверять и мониторинг является обязательной процедурой в процессе эксплуатации. Со временем могут меняться как экономические условия, так и поведенческие особенности заемщиков, и только своевременная подстройка или даже замена скоринговых моделей обеспечат эффективное управление кредитными рисками.