Потребительское кредитование на примере Сбербанка

Большинство зарубежных банков использует в своей практике два метода оценки кредитоспособности.

- Экспертные системы оценки, при которых банки осуществляют взвешенную оценку как личных качеств потенциального заемщика, так и его финансового состояния. В международной практике такому методу уделяется значительное внимание, активно развивается сеть мониторинга для анализа кредитной истории потенциальных заемщиков. К примеру, в США кредитный инспектор почти всегда запрашивает местное или региональное кредитное бюро о кредитной истории клиента. В США работают свыше двух тысяч кредитных бюро, располагающих данными о большом объеме физических лиц, когда-либо получавших кредиты, об истории погашения этих кредитов и о кредитном рейтинге заемщиков.

- Балльные системы оценки кредитоспособности клиентов, которые создаются банками на основе факторного анализа. Данная система использует накопленную базу данных «хороших», «удовлетворительных» и «неблагополучных» заемщиков, что позволяет установить критериальный уровень оценки заемщика.

Использование балльных систем оценки кредитоспособности клиентов - более объективный и экономически обоснованный метод принятия решений, чем экспертные оценки.

Несомненное преимущество балльной системы оценки заключается в том, что она позволяет быстро и с минимальными затратами труда обработать большой объем кредитных заявок, сократив таким образом операционные расходы. Кроме того, она представляет собой и более эффективный способ оценки заявок, которую могут проводить кредитные инспекторы, не обладающие достаточным опытом работы.

Как правило, под балльной системой оценки подразумевается скоринг.

В российских коммерческих банках наиболее распространенным методом оценки кредитоспособности заемщиков физических лиц является именно скоринговая система оценки.

Скоринговая система оценки потенциальных заемщиков, как правило, предполагает наличие трех разделов: информация по кредиту, сведения о клиенте, финансовое положение клиента.

Скоринг физических лиц представляет собой методику оценки кредитоспособности заемщика, основанную на различных характеристиках клиентов, к примеру: доход, возраст, профессия, семейное положение и т.д. В результате анализа факторов рассчитывается интегрированный показатель, дающий представление о степени кредитоспособности заемщика, исходя из набранных в ходе анализа баллов. И в итоге в зависимости от балльной оценки принимается решение о выдаче кредита и его параметрах либо об отказе в предоставлении кредита.

Приведем примерную структуру скоринговой карты, заполняемой кредитным экспертом.

В первый раздел вносятся данные о кредитном эксперте банка, рассматривающем кредит, номер досье клиента, вид и сумма кредита, способ погашения кредита (аннуитетный платеж, индивидуальный график), предполагаемый график погашения, процентная ставка, предполагаемая дата предоставления кредита, приводятся ответ на вопрос о необходимости страхования, величина страховой премии, общий размер процентов, которые будут уплачены банку.

Во второй раздел вводятся данные о семейном положении, образовании и профессии клиента, опыте работы, стаже на последнем месте работы, работодателе, ежемесячных доходах и расходах потенциального заемщика.

В третьем разделе приводится информация о финансовом состоянии потенциального заемщика: сведения об остатках на текущих и сберегательных счетах, соотношении доходов и расходов.

Сравнивая экспертную и балльную системы оценок, хотелось бы сделать следующее уточнение.

Привлечение банками для оценки кредитоспособности квалифицированных экспертов имеет несколько недостатков: во-первых, их мнение так или иначе является субъективным, во-вторых, люди не могут оперативно обрабатывать большие объемы информации, в-третьих, оплата высококвалифицированных специалистов сопряжена со значительными расходами. В связи с этим банки все чаще проявляют повышенный интерес к таким системам оценки риска, которые позволили бы минимизировать участие экспертов и влияние человеческого фактора на принятие решений.

В свою очередь, скоринговая система оценки представляет собой математическую модель, с помощью которой банк, опираясь на данные о кредитной истории «прошлых» клиентов, может определить, какова вероятность невозврата по потенциальному заемщику.

Последние два суждения формируют следующую проблему: большинство российских коммерческих банков либо не учитывает причину возникновения плохой кредитной истории у заемщика (возможно, случившейся по независящим от него причинам), либо, опираясь на плохую кредитную историю «прошлых» заемщиков, принимает решение не в пользу потенциального заемщика, не имея возможности (а иногда и желания) выяснять причины дефолта «прошлых» заемщиков в период кризиса. Указанная проблема часто незаметна для банковских работников, но ощутимо отражается на клиентах.

Обратимся к истокам формирования скоринговой модели. В целях построения модели оценки кредитоспособности заемщика - физического лица в условиях скоринга сначала осуществляется отбор клиентов кредитной организации, которые уже так или иначе себя зарекомендовали. Такая выборка может варьироваться от нескольких тысяч до сотен тысяч в зависимости от накопленной статистики и объема кредитного портфеля.

Методы классификации кредитов разнообразны и основываются на линейной многофакторной регрессии, логистической регрессии, дереве классификации, нейронной сети, технологии Data Mining (DM). Коротко рассмотрим некоторые из перечисленных методов.

Наиболее простым, на наш взгляд, видится метод линейной многофакторной регрессии, которая задается выражением:

 

= + + +... + , (1)

 

где - вероятность дефолта j-го заемщика;

- весовые коэффициенты;

- анализируемые факторы.

Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, принимающая значения от 0 до 1, а переменные в правой части могут принимать любые значения. Но указанный недостаток может быть устранен либо путем нормирования значений факторов, либо путем построения шкалы интерпретации расчетных финансовых или нефинансовых факторов к заданному масштабу (в текущих условиях от 0 до 1). Приведем пример построения интервальной шкалы для одного из наиболее значимых факторов «Качество кредитной истории заемщика - физического лица» (табл. 2.2-2.4).

 

Таблица 2.2 Кредитный стаж

Кредитный стаж (КСт) (в месяцах)	Балл
< = 12	0,5
12 < КCт < =24	0,6
24 < КCт < = 36	0,7
36 < КCт < = 48	0,8
48 < КCт < = 60	0,9
> 60	1,0

 

Возможные сочетания трех факторов (кредитный стаж заемщика, количество просрочек и их суммарная длительность) представлены в табл.2.3.

Оценка качества кредитной истории по каждому конкретному заемщику происходит в три этапа.

Этап 1. Расчет балла за накопленный кредитный стаж в зависимости от возраста заемщика ( ) (табл. 2.3).

 

Таблица 2.3 Количество и срок всех просрочек заемщика

Количество просрочек (КП)	Суммарная длительность всех просрочек заемщика (ДП) (в днях)
	< = 30	30 < ДП < = 60	> 60
1	0,9	0,5	0,3
2	0,8	0,4	0,2
3	0,7	0,3	0,1
4	0,6	0,2	0,0
5	0,5	0,1	0,0
> 5	0,4	0,0	0,0

 

Этап 2. Расчет балла за образовавшиеся просрочки, исходя из их количества и суммарной длительности ( ) (табл. 2.4). Отсутствие просрочек у заемщика означает, что = 1.

 

Таблица 2.4 Сводная таблица для оценки кредитной истории заемщика

КП = 0	0,500	0,600	0,700	0,800	0,900	1,000
КП = 1, ДП < = 30	0,450	0,540	0,630	0,720	0,810	0,900
КП = 1, 30 < ДП < = 60	0,250	0,300	0,350	0,400	0,450	0,500
КП = 1, ДП > 60	0,150	0,180	0,210	0,240	0,270	0,300
КП = 2, ДП < = 30	0,400	0,480	0,560	0,640	0,720	0,800
КП = 2, 30 < ДП < = 60	0,200	0,240	0,280	0,320	0,360	0,400
КП = 2, ДП > 60	0,100	0,120	0,140	0,160	0,180	0,200
КП = 3, ДП < = 30	0,350	0,420	0,490	0,560	0,630	0,700
КП = 3, 30 < ДП < = 60	0,150	0,180	0,210	0,240	0,270	0,300
КП = 3, ДП > 60	0,050	0,060	0,070	0,080	0,090	0,100
КП = 4, ДП < = 30	0,300	0,360	0,420	0,480	0,540	0,600
КП = 4, 30 < ДП < = 60	0,100	0,120	0,140	0,160	0,180	0,200
КП = 4, ДП > 60	0,000	0,000	0,000	0,000	0,000	0,000
КП > = 5, ДП < = 30	0,250	0,300	0,350	0,400	0,450	0,500
КП > = 5, 30 < ДП < = 60	0,050	0,060	0,070	0,080	0,090	0,100
КП > = 5, ДП > 60	0,000	0,000	0,000	0,000	0,000	0,000

 

Этап 3. Расчет итогового балла для фактора «Качество кредитной истории заемщика - физического лица» осуществляется по формуле:

 

К = х , (2)

 

где - балл за накопленный кредитный стаж;

- балл за образовавшиеся просрочки.

Таким образом, приведенный пример подтверждает возможность устранения названного недостатка линейной многофакторной регрессии путем приведения в соответствие правой и левой частей уравнения.

Логистическая регрессия осуществляет сегментацию прецедентов на основе разбиения факторного пространства n-мерной сеткой, где n - количество значимых факторов.

Не менее распространенным является метод логистической регрессии, который также используют в системах скоринга.

Метод логистической регрессии предполагает использование нескольких переменных, формирующих в сумме итоговый балл каждого потенциального заемщика. Если полученный балл превышает заданный уровень, то при отсутствии другой компрометирующей информации кредит будет предоставлен. Если же балл потенциального заемщика не достигает заданного уровня и нет смягчающих обстоятельств, в кредите, вероятнее всего, будет отказано. В число важнейших переменных, используемых в подобных системах, входят данные о кредитной истории заемщика, сведения о семейном положении, наличии и числе иждивенцев, наличии в собственности у потенциального заемщика движимого и недвижимого имущества, об уровне дохода, о наличии домашнего телефона, количестве и видах банковских счетов, роде занятий и сроке работы на последнем месте.

Одним из наиболее привлекательных способов оценки кредитоспособности физических лиц является использование алгоритмов, позволяющих решать задачи отнесения какого-либо объекта (потенциального заемщика) к одному из заранее известных классов (предоставлять/не предоставлять кредит). Такого рода задачи могут быть решены с помощью одного из методов Data Mining - дерева классификаций, которое является более общим алгоритмом сегментации обучающей выборки прецедентов, чем логистическая регрессия. В отличие от метода логистической регрессии в методе дерева классификаций сегментация прецедентов задается не с помощью n-мерной сетки, а путем последовательного дробления факторного пространства на вложенные прямоугольные области. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение (рис. 2.6)

Рис. 2.6 - Алгоритм правил предоставления кредита

 

Приведенный на рисунке пример строится на данных за прошлые периоды. Отметим, что класс каждой из ситуаций, на основании которых было построено дерево, задается заранее.