Проблемы, возникающие при оценке кредитоспособности заемщика

Кроме того, банк по возможности должен убедиться и в том, что заемщик захочет вернуть кредит и уплатить проценты по нему. Это также трудная задача, поскольку касается таких характеристик заемщика, как личные качества, моральный облик, репутация и т.д.

 

3.2 Решение проблем и пути совершенствования методов оценки кредитоспособности заемщика

На современном этапе существуют возможности для решения такого рода проблем, что способствует успешной реализации кредитной политики коммерческого банка.

Для решения ключевой задачи кредитной политики ЗАО «ДКИБ» - улучшения оценки кредитоспособности заемщика необходимо:

. Разработать автоматизированную систему оценки кредитоспособности заемщиков банка

. Использовать расширенный набор финансовых коэффициентов, поскольку применение ограниченного их количества снижает качество проводимого анализа;

. Использовать для анализа кредитоспособности, в дополнение к анализу на основе финансовых коэффициентов, анализ денежного потока клиента;

. Кроме традиционного анализа финансового положения предприятия-заемщика необходимо анализировать моральные качества клиента и его способность заработать деньги для погашения кредита, поскольку от этого, как показывает опыт, в значительной степени зависит своевременность и полнота возвращения заемных средств;

. Прибегать к услугам независимых аудиторских компания, для более детального и глубокого выяснения положения дел потенциального заемщика.

. Предлагать клиентам открытие расчетных счетов в ЗАО «ДКИБ» для отслеживания использования денежных средств.

С целью наиболее полного сбора информации о заемщике и его репутации банк использует изучение его финансовых отчетов и документов, выезды сотрудников на места для личного интервью с клиентом, запросы в банки, предприятия, страховые компании и другие учреждения об опыте их общения с данным клиентом, использование возможностей межбанковских структур (как пример можно привести межбанковскую службу безопасности, которая занимается сбором, обработкой и предоставлением информации о заемщиках).

Новой и наиболее эффективной с точки зрения отбора и дальнейшего «отсева» неблагонадежных заемщиков, возврат которыми полученного кредита вызывает сомнения у банка, а также снижения кредитного риска кредитного портфеля и, следовательно, коммерческого банка в целом, является методика оценки кредитоспособности основанная на нейронных сетях.

Дело в том что основным показателем кредитоспособности заемщика в практике банков Кыргызстана, является его кредитный рейтинг.

Процесс присвоения кредитного рейтинга заключается в переходе от группы показателей, в основном финансовых, к единственному интегрированному значению - рейтингу. Инструментом такого перехода в большинстве случаев служит уравнение линейной зависимости. При этом веса показателей, участвующих в расчете рейтинга, устанавливаются банками на субъективной основе. Однако там, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо, основным инструментом становятся нейросетевые методы.

Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью нейронных сетей, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика.

НС нелинейны по своей природе и представляют собой мощный метод моделирования, воспроизводящий сложные зависимости.

Основной областью приложений НС был военно-промышленный комплекс. Однако широкие возможности решения банковских и финансовых задач привели к тому, что ряд крупных разработчиков НС занялся созданием систем, нацеленных на решение исключительно банковских проблем. Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью НС, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика.

Применительно к анализу кредитоспособности заемщика обучение НС происходит следующим образом: имеется совокупность предприятий с уже присвоенными кредитными рейтингами. Этим рейтингам соответствуют значения количественных и качественных показателей, содержащиеся в кредитном досье. В процессе наблюдений НС вычисляет вес каждого показателя, учитывающегося при расчете кредитного рейтинга. Полученные значения весов корректируются до тех пор, пока рассчитываемые с помощью этих весов кредитные рейтинги всей исходной совокупности заемщиков не совпадут с заданными значениями. В этом случае ошибка обучения будет сведена к нулю, а НС воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом.

Процесс решения задачи с помощью НС начинается со сбора данных для обучения. Обучающий набор данных представляет собой уже известную информацию, для которой указаны значения входящих и выходящих переменных. Выбор переменных, по крайней мере первоначальный, может осуществляться интуитивно. На первом этапе рассматривается вся совокупность переменных, которые способны оказывать влияние на результат. Затем это множество сокращается.

Ранее мы показали, что оценка кредитоспособности проводится на основе всестороннего анализа деятельности заемщика. Это, например, и расчет финансовых коэффициентов, и определение величины денежного потока, и учет отраслевых особенностей деятельности, макроэкономического положения в стране. Совокупность такой информации о деятельности заемщика и представляет собой набор входящих переменных. Такому набору данных соответствуют уже рассчитанные значения кредитных рейтингов, т.е. выходящие переменные.

Вопрос о том, какие данные взять в качестве входных для НС, - один из самых сложных. Это объясняется несколькими причинами. Во-первых, при решении реальных задач часто неизвестно, как прогнозируемый показатель связан с имеющимися данными. Поэтому собираются разнообразные данные в больших объемах; среди этих данных предположительно есть и важные, и такие, ценность которых не известна и сомнительна. Во-вторых, в задачах нелинейной природы среди параметров могут быть взаимозависимые и избыточные. Например, каждый из двух параметров может сам по себе ничего не значить, но вместе они несут чрезвычайно важную информацию. Поэтому попытки ранжировать параметры по степени значимости могут оказаться неправильными. И наконец, иногда лучше просто убрать некоторые переменные, в том числе несущие значимую информацию, чтобы уменьшить число входных переменных, а значит, и сложность задачи, и размеры сети. Проблема значительного усложнения расчетов за счет незначительного увеличения числа входящих переменных получила название «проклятие-размерности».

Единственный способ получить гарантию того, что входящие данные выбраны наилучшим образом, - перепробовать все возможные варианты входных наборов и выбрать наилучший. На практике сделать это невозможно из-за огромного количества вариантов. Одно из действенных средств решения вопроса генетический алгоритм отбора входных данных.

Разработки в области нейронных сетей показали возможность использования НС в качестве надежного и действенного инструмента анализа в сфере расчета кредитных рисков заемщиков - юридических и физических лиц.

На этапе обучения на вход НС необходимо подавать информацию, характеризующую экономическую деятельность заемщика. Такая информация может быть основана на уже существующих кредитных досье коммерческого банка. В качестве выходящей информации, необходимой для обучения НС, используются уже рассчитанные на основании входящих показателей кредитные рейтинги. В процессе обучения НС выявляет нелинейные зависимости между показателями и рейтингом. Обучение НС происходит по методу обратного распространения ошибки. Цель обучения состоит в минимизации ошибок при присвоении кредитных рейтингов заданной совокупности предприятий. Обучение идет до тех пор, пока веса показателей, а следовательно, и функция связи показатели - рейтинг не «научится правильно» классифицировать предприятия, т.е. пока рассчитанные НС рейтинги не будут совпадать с заданными. После завершения обучения на вход НС будем подавать информацию аналогичного формата, по которой необходимо определить значение кредитного рейтинга.

Итак, можно сделать выводы:

. Нейронные сети представляют собой инструмент моделирования, способный воспроизводить сложные нелинейные зависимости. Одно из главных приложений НС в банковской сфере - оценка кредитоспособности заемщика.

. Изучение нелинейных связей происходит во время так называемого обучения сети, когда значения входящих переменных сопоставляются с выходным результатом. Наиболее распространенным алгоритмом обучения является метод обратного распространения. В том случае, если существует большой набор входящих переменных и невозможно определить степень влияния переменной на результат, используют генетический алгоритм, позволяющий воспроизводить биологические процессы.

. Если на этапе обучения сети сопоставить финансовые показатели заемщика и значение его кредитного рейтинга, то полученные зависимости можно использовать в дальнейшем при анализе новых заемщиков.

. В процессе обучения можно опираться не только на количественные, но и на качественные показатели, например, фазу экономического цикла и качество менеджмента. Это позволяет практически исключить возникновение субъективных ошибок.

. Нейронные сети представляют собой качественно новый, надежный инструментарий работы по оценке кредитоспособности заемщика.

Таким образом, на основе вышеприведенного анализа можно сделать вывод, что для повышения эффективности оценки кредитоспособности банку следует:

Оптимизировать оценку кредитоспособности заемщика за счет автоматизации системы оценки кредитоспособности и более тщательного анализа заемщика.

Использование помимо классических методик оценки кредитоспособности заемщика, факторные модели, как Ж. Де Поляна, Спрингейта, R-модели и Альтмана.

Одновременно наряду с применяемыми моделями ввести практику использования нейронных сетей, что позволит проводить более качественную оценку кредитоспособности заемщика, а это в свою очередь будет вести к снижению риска неплатежеспособности.

 

Заключение

 

Подводя итоги, еще раз целесообразно подчеркнуть актуальность темы. Все больше и больше внимания уделяется состоянию заёмщика, обратившегося за кредитом в банк. Цель любого кредитора - это полный анализ финансового состояния заёмщика в динамике, анализируя который будет легко сказать, сможет ли данная компания погасить кредит и проценты по нему целиком и в срок. И уже в зависимости от полученных результатов банк решает, на какой срок стоит выдавать кредит, в каком объёме и какой должен быть залог.

В этой связи в дипломной работе изучены методы оценки кредитоспособности заемщика, применяемые в практике большинства коммерческих банков Кыргызстана а так же методика, применяемая одним из ведущих коммерческих банков - ЗАО «Демир Кыргыз Интернэйшнл Банк».

Автором была произведена комплексная оценка кредитоспособности крупного предприятия - ЗАО «Шоро». Оценка кредитоспособности заемщика ЗАО «Шоро» с помощью финансового анализа состояния предприятия, финансовых коэффициентов кредитоспособности и по бальной методике оценки кредитоспособности заемщика, применяемой в ЗАО «Демир Кыргыз Интернэйшнл Банк»

Так же были рассчитаны дополнительные модели Альтмана, R-model, Ж. Де Паляна и модель Спрингейта.

На основании проведенной оценки кредитоспособности заемщика можно сделать следующие выводы:

. При оценке кредитоспособности заемщика с помощью вертикального и горизонтального анализов выяснилось, что на конец 2012 года совокупные активы компании составили 227,2 млн. сом, увеличившись с началом года на 25%. Основной причиной послужило увеличение балансовой стоимости основных средств за счет покупки оборудования. Это связано, прежде всего, со стабильным ростом компании, который заключается в расширении производственной базы предприятия.

Доля краткосрочных обязательств в 2014 году увеличилась на 13,6% и составила 26%, но доля долгосрочных обязательств и собственного капитала снизились на 4% (39,9%) и 9,6% (34,1%) соответственно. Увеличение доли краткосрочных обязательств связано с выпуском долговых ценных бумаг.

Выручка ЗАО «Шоро» за анализируемый период имеет тенденцию роста так к концу 2011 года данный показатель увеличился на 9,8%, приравняв выручку предприятия к 148,6 млн. сом, при этом рост в абсолютном выражении составил на 13,3 млн. сом. А к концу в связи с ростом покупательной активности 2012 году сумма выручки выросла на 27,5% и составила 205,1 млн. сом.

Себестоимость произведенной продукции компании увеличилась на 30% к концу 2014 года, при увеличении выручки от реализации на 27,5%, обеспечив рост чистой прибыли предприятия на конец анализируемого периода на 12,9% составив 18,1 млн. сом.

. При оценки кредитоспособности заемщика с помощью группы финансовых коэффициентов выяснилось:

Что показатели ликвидности ЗАО «Шоро» не удовлетворяют нормативам коэффициентов значениям. Показатель текущей ликвидности компании в 2014 году был равен 1,4, коэффициент быстрой ликвидности 0.7 и коэффициент абсолютной ликвидности 0.06. Такое положение данных показателей свидетельствует о высоком объеме краткосрочных обязательств компании, что составляет 26% от валюты баланса в 2014 году. Это связано с выпуском долговых ценных бумаг на сумму 45 млн. сом.

В 2014 году компания использовала в хозяйственной деятельности почти в два раза больше заемных средств, нежели собственный капитал, тому свидетельство показатель коэффициента соотношения заемных и собственных средств равный 1,93. Что характеризует достаточно высокий уровень риска финансовой устойчивости.