Теоретичнi аспекти управлiння кредитними ризиками
p align="left">На основі критеріїв оцінки фінансового стану позичальника і якісних характеристик боргу, що обслуговується, варто класифікувати кредитні операції в такий спосіб:- “Стандартні” кредитні операції - це операції, по яких кредитний ризик є незначним і складає один відсоток чистого кредитного ризику.
- “Під контролем” - це кредитні операції, по яких кредитний ризик є незначним, але може збільшитися унаслідок виникнення несприятливої для позичальника ситуації і складає п'ять відсотків чистого кредитного ризику.
- “Субстандартні” кредитні операції - це операції, по яких кредитний ризик є значним, надалі може збільшуватися і складає 20 відсотків чистого кредитного ризику, а також є імовірність несвоєчасного погашення заборгованості в повній сумі й у терміни, що передбачені кредитним договором.
- “Сумнівні” кредитні операції - це операції, по яких виконання зобов'язань з боку позичальника/контрагента банку в повній сумі (з урахуванням фінансового стану позичальника і рівня забезпечення) під погрозою, а імовірність повного погашення кредитної заборгованості низька і складає 50 відсотків чистого кредитного ризику.
- “Безнадійні” кредитні операції - це операції, імовірність виконання зобов'язань по яких з боку позичальника/контрагента банку (з урахуванням фінансового стану позичальника і рівня забезпечення) практично відсутній, ризик по таким операціями дорівнює сумі загальної заборгованості.
Таким чином, методика НБУ передбачає оцінку ризику кредитного портфеля банку з позиції ризикованості кредитних операцій, підрозділяючи них на стандартної і нестандартні, шляхом оцінки фінансового стану позичальника і якісних характеристик боргу, що обслуговується [4]. Ці критерії оцінки кредитного ризику формалізовані, обсяг ризику розраховується швидко, але реальність зазначених втрат сумнівна. У банківській практиці метод застосовують для визначення необхідного резерву на можливі втрати по кредитах і включення його у витрати банку.
Третя модель оцінки кредитних ризиків - це скорингова модель.
Однією із самих прогресивних моделей оцінки кредитного ризику, що використовує математичні алгоритми, є скоринг. Скоринг фізичних осіб являє собою складну математичну систему оцінки, засновану на різних характеристиках клієнтів, таких як особистий доход, вік, сімейний стан, професія і багатьох інших. Вони є вхідними змінними моделі, що класифікує потенційних позичальників. У результаті аналізу змінних, що надходять на вхід скорингової системи, на виході системи скоринга виходить інтегрований показник, що і оцінює ступінь кредитоспроможності позичальника по ранговій шкалі: “добрий” позичальник або “поганий” позичальник. Скоринг - є статистичним методом оцінки кредитних ризиків і кредитоспроможності позичальників. Скоринг головним чином використовується при кредитуванні фізичних осіб.
Підвищення прибутковості кредитних операцій безпосередньо зв'язано з якістю оцінки кредитного ризику. У залежності від класифікації клієнта по групах ризику банк приймає рішення, чи варто видавати кредит чи ні, який ліміт кредитування і відсотки варто встановлювати.
Для оцінки кредитного ризику виробляється аналіз кредитоспроможності позичальника, під якою розуміється здатність фізичної особи цілком і в термін розрахуватися по своїх боргових зобов'язаннях [5]. У західній банківській практиці кредитоспроможність трактується як бажання, з'єднане з можливістю вчасно погасити видане зобов'язання. Відповідно до такого визначення основна задача скоринга полягає не тільки в тім, щоб з'ясувати, у стані клієнт виплатити кредит чи ні, але і ступінь надійності й обов'язковості клієнта. У західній банківській системі, коли людина звертається за кредитом, банк може мати наступну інформацію для аналізу:
· анкета, що заповнює позичальник;
· інформація на даного позичальника з кредитного бюро - організації, у якій зберігається кредитна історія всього дорослого населення країни;
· дані рухів по рахунках, якщо мова йде про вже діючого клієнта банку.
Скоринг являє собою класифікаційну задачу, де виходячи з наявної інформації необхідно одержати функцію, що найбільше точно розділяє вибірку клієнтів на “поганих” і “добрих”. Але попередньо необхідно перетворити наявну інформацію у форму, що піддається аналізові. Існує два основних підходи, що придатні для роботи як з кількісними, так і з якісними характеристиками:
1. Перетворити кожну ознаку в окрему двоічну змінну. Цей підхід незручний у тому плані, що приводить до великої кількості перемінних, хоча він не нав'язує ніяких додаткових відносин між залежною і незалежними перемінними.
2. Перетворити кожну характеристику в змінну, котра буде приймати значення, що відповідають відношенню числа «поганих» клієнтів з даною ознакою до числа “добрих” клієнтів з цією же ознакою.
Співвідношення числа “поганих” і “добрих” клієнтів у навчальній вибірці також впливає на якість системи скоринга. Проблему кредитного скоринга можна розглядати як задачу класифікації: знаючи відповіді на питання анкети визначити, до якої групи відноситься позичальник: для “добрих” клієнтів, і для “поганих”. При цьому необхідно розуміти, що абсолютно точна класифікація принципово неможлива. хоча б тому, що той самий набір відповідей може бути даний як “добрим”, так і “поганим” клієнтом.
Здебільшого, які б математичні міркування не закладалися в підставу скорингової моделі, скоринг являє собою зважену суму факторів ризику кредитної якості позичальників:
(4)
Де S - значення скоринга, X1,X2...Xk - параметри клієнта, що входять в оцінку його кредитної якості, a1,a2...ak - ваги, що характеризують значимість відповідних параметрів клієнта (фактори ризику його кредитоспроможності) для формування його кредитного скоринга .
Скорингові моделі описані на рисунку 1:
Рисунок 1 - Моделі скоринга
Моделі скоринга поєднує властивість - геометрична інтерпретація. Усі моделі скоринга поза залежністю від застосовуваного для їхньої побудови математичного апарата, можна представити в наступному виді:
Рисунок 2 - Геометрична інтерпретація скорингової моделі
Позичальники двох класів зображені на рисунку овалами. Верхній овал позначає - “поганих” позичальників, нижній - “добрих”. По осях на графіку розміщені фактори ризику кредитоспроможності - змінні Х1 і Х2. Модель скоринга шукає, використовуючи статистику раніше оброблених кредитів, такий погляд на дані в просторі факторів ризику, щоб під цим кутом зору об'єкти різних класів були максимально не схожі один на одного. Цей кут зору позначений на рисунку прямої, що проходить між двома овалами. Перпендикуляр до цієї прямої є віссю скоринга, проектування на яку образів “поганих” і “добрих” позичальників дає можливість відрізнити їх друг від друга. Функція щільності позичальників різних класів при проектуванні на вісь скоринга Z стають відмінними один від одного. У такий спосіб у моделях з'являються чисельні значення коефіцієнтів, що зважують вхідні в моделі фактори ризику. Ці коефіцієнти є результатом процедури навчання, коли для настроювання моделі їй пред'являються наявні статистичні дані і вона підбирає коефіцієнти таким чином, щоб точність розпізнавання класів позичальників була максимальною.
Автоматизовані скорингові системи оцінки ризиків, засновані на новітніх математичних методах, можуть істотно знизити кредитні ризики і відповідно збільшити банківський прибуток по кредитних операціях. Тому правильний вибір математичних методів є базовою ланкою в побудові ефективної і надійної системи оцінки кредитних ризиків.
Методи класифікації досить різноманітні і містять у собі:
· статистичні методи, засновані на дискримінантному аналізі (лінійна регресія, логістична регресія);
· різні варіанти лінійного програмування;
· дерево класифікації або рекурсіонно-партиціоний алгоритм;
· нейронні мережі;
· генетичний алгоритм;
Зазначені методи можуть застосовуватися як по окремості, так і в різних комбінаціях. Повнота різних досконалих методів для рішення однієї і тієї ж задачі порозумівається чисто прагматичним підходом: використовувати те, що працює, а не намагатися пояснити причину дефолтів або залежність від макроекономічних показників.
Одним з математичних методів, який використовується для розробки математичних моделей є нейронні мережі
У наші дні зростає необхідність у системах, що здатні не тільки виконувати один раз запрограмовану послідовність дій над заздалегідь визначеними даними, але і здатні самі аналізувати інформацію, що знову надходить, знаходити в ній закономірності, робити прогнозування і т.д. У цій області додатків найкращим образом зарекомендували себе так звані нейронні мережі -- системи, що самонавчаються, що імітують діяльність людського мозку. Нейронна мережа приймає вхідну інформацію аналізує її способом, аналогічним тому, що використовує наш мозок. Під час аналізу мережа навчається (здобуває досвід і знання) і видає вихідну інформацію на основі придбаного раніше досвіду.
Нейронні мережі щонайкраще виявляють себе там, де мається велика кількість вхідних даних, між якими існують неявні взаємозв'язки і закономірності. У цьому випадку нейромережі допоможуть автоматично дати різні нелінійні залежності, сховані в даних. Це особливо важливо в системах підтримки прийняття рішень і експертних системах.
Штучний нейрон імітує в першому наближенні властивості біологічного нейрона. На вхід штучного нейрона надходить деяка множина сигналів, кожний з яких є виходом іншого нейрона. Кожний вхід помножається на відповідну вагу, аналогічну синаптичній силі, і всі добутки підсумовуються, визначаючи рівень активації нейрона. На рисунку 3 представлена модель, що реалізує цю ідею. Хоча мережеві парадигми досить різноманітні, в основі майже всіх їх лежить ця конфігурація. Тут множина вхідних сигналів, позначених x1, x2,…,xn надходить до штучного нейрона. Ці вхідні сигнали, у сукупності позначені вектором X, відповідають сигналам, що надходять до синапсів біологічного нейрона. Кожний сигнал помножується на відповідну вагу w1, w2,…,wn і надходить на сумуючий блок, позначений У. Кожна вага відповідає “силі” одного біологічного синаптичного зв'язку. (Множина ваг у сукупності позначається вектором W.) Сумуючий блок, що відповідає тілу біологічного елемента, алгебраїчно складає зважені входи, створюючи вихід, який назвемо NET. У векторних позначеннях це може бути записане в компактному вигляді (5).
