Анализ кредитной политики банка ЗАО ВТБ 24

Таблица 2.5- Структура ссудной задолженности ВТБ 24(ЗАО)

Показатели	2007 г.	2008 г.	2009 г.	Удельный вес 2007, %	Удельный вес 2008, %	Удельный вес 2009, %
Ссудная задолженность	260951716	455798210	564821327	100	100	100
В том числе:
Кредиты юридическим  лицам	99221185	182319284	225928530	38,02	40,00	40,00
Кредиты предоставленные физическим лицам – индивидуальным предпринимателям	19620429	29406336	36440086	7,52	6,45	6,45
Кредиты предоставленные  физическим лицам	137343008	227899105	282410663	52,63	50,00	50,00
Просроченные кредиты	4767094	16173485	20042048	1,83	3,64	3,64

 

Анализ структуры кредитного портфеля по состоянию на 01 января 2009 года показывает, он сформирован из кредитов, предоставленным юридическим лицам, в т.ч коммерческое кредитование 40,00% и кредиты физическим лицам – индивидуальным предпринимателям 6,45%; на 50% - физическим лицам. Таким образом, за анализируемый период наибольшее изменение в структуре кредитного портфеля произошло по статье коммерческое кредитование, изменение в относительном выражении составило 2,98%.

Рассмотрим структуру  кредитного портфеля за 2007 г. и 2009г, которые изображены на рисунках 2.1 и 2.2.

Рисунок 2.1 –Структура кредитного портфеля ВТБ 24(ЗАО) за 2007 г.

Рисунок 2.2 –Структура кредитного портфеля ВТБ 24(ЗАО) за 2009 г.

Сопоставляя два рисунка можно сделать следующие выводы. Кредиты юридическим лицам увеличились на 2%, а кредиты физичиским лица и кредиты индивидуальным предпринимателям уменьшились. Данные обстоятельства можно обосновать таким фактором как экономический кризис, который повлиял на обеспеченность кредитов.

В целом качество кредитного портфеля можно оценить как удовлетворительное, что говорит об эффективности  проводимой кредитной политики ВТБ24 (ЗАО) за анализируемый период. Однако отделению необходимо уделить особое внимание на рост просроченной задолженности заемщиков в общем ссудном портфеле, что говорит о необходимости повышения эффективности системы мониторинга и управления кредитным риском.

 

Выводы к  главе 2

 

1) Изложены особенности кредитной политики ВТБ 24 (ЗАО). ВТБ 24 (ЗАО) предоставляет кредиты заемщикам на цели, предусмотренные их уставом для осуществления текущей и инвестиционной деятельности. Предоставление банком кредитов основывается на учете необходимых потребностей заемщиков в заемных средствах, наличии достаточных гарантий для своевременного их возврата.

2) Проведен анализ качества кредитного портфеля ВТБ 24 (ЗАО). Кредитный портфель представляет собой состав и структуру выданных кредитов по отраслям, видам обеспечения и срокам. При анализе кредитного портфеля банка можно отметить, что в 2009 удельный вес просроченных ссуд остался на прежнем уровне 3,64 %. Наибольшее увеличение доли просроченных ссуд наблюдается 2008-2009 гг.. – 3,64, по сравнению с 2007 годом 1,83%.

Перейдем к 3 главе  и рассмотрим предложения по совершенствованию кредитной политики банка.

3 МЕРОПРИЯТИЯ  ПО СОВЕРШЕНСТВОВАНИЮ КРЕДИТНОЙ  ПОЛИТИКИ БАНКА ВТБ 24(ЗАО)

 

3.1 Использование технологий интеллектуального анализа данных как способа снижения просроченной задолжности

 

Для уменьшения задолжности при операциях кредитования физических лиц рассмотрим метод, основанный на применении технологии интеллектуального анализа данных (Data Mining). Можно привести давно всем известную цепочку связанных событий: чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк; чем больше клиентов обратиться в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности. Риск, связанный с невозвратом суммы основного долга и процентов можно значительно снизить, оценивая вероятность возврата заемщиком кредита. В последнее время для оценки риска кредитования заемщика в мировой практике широкое распространение получил скоринг. В России ему также уделяют должное внимание. Сущность этого метода состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных⁷.

Рисунок 3.1- Определение  группы заемщиков

Таблица 3.1 - Группы кредитоспособности заемщика

Годовой доход, руб.	Пол	Возраст	Количество  детей	Группа
Более 50 000	Не имеет значения	Не имеет значения	Не имеет значения	А
Менее 50 000	Мужской	18-25		С
		25-35		В
		Более 35		А
	Женский	18- 25		С
		25-35	1-2	А
			Более 2	В
		Более 35	Не имеет значения	В

 

На  основе  полученной  информации  можно  сделать определенные выводы, например:

1)  к  числу  самых   добросовестных  клиентов  относится женщина в возрасте  от  25  до  35  лет,  имеющая  одного  или двух  детей, среднегодовой  заработок  которой  составляет менее 50 тыс. рублей;

2) одним из самых ненадежных  клиентов является человек (независимо  от пола) в возрасте от 18 до 25 лет,  не имеющий детей, среднегодовой заработок которого составляет менее 50 тыс. рублей.

Затем для каждой группы устанавливаются лимиты кредита, проценты по нему и срок возврата. На базе всей этой информации  может строиться или корректироваться  скоринговая система, которой и пользуется кредитный менеджер банка, опираясь при оценке клиента уже не только на предположения, но и на вполне обоснованные данные, что так или иначе способствует снижению кредитного риска⁸.

Алгоритм построения приведенного выше дерева решений можно разбить на два этапа. Первый — создание дерева(tree building). В ходе его выполнения программа сканирует данные в базе заемщиков с целью выявления у клиента характеристик,  наиболее  удобных  для  «расщепления».  Затем имеющаяся информация классифицируется в соответствии с найденными  признаками.  Само  собой  разумеется,  что количество групп риска, равно как и характеристик клиентов,  значительно  больше,  чем изображено на схеме(см.Рис.3.1). Чтобы интерпретация результатов была удобной для использования, следует держать под контролем размер дерева решений, не давая ему чрезмерно разрастаться. По этому на втором этапе DM системы в случае необходимости производят сокращение (pruning) «точек ветвления» дерева⁹.

Безусловным  плюсом  большинства современных программных продуктов,  предназначенных  для  сбора  данных  и обнаружения  скрытых  множественных  взаимосвязей  между ними, является то, что они не требуют от пользователя глубоких знаний в области программирования и структур данных. Более того, результаты анализа могут быть интерпретированы

в интуитивно понятной и доступной форме, что существенно расширяет круг потенциальных пользователей и поклонников инструментов Data Mining.

Выявление  профилей кредитоспособности  клиентов- не единственная область применения технологии Data Mining в кредитных учреждениях. Наряду с этим, используя все те же инструменты и элементарную логику, можно получить ответ и на другие не менее важные для банка вопросы, в том числе:

1. Какой категории граждан подойдут с наибольшей вероятностью те или иные банковские продукты?
2. Как лучше дистанцироваться от конкурентов?
3. Какая реклама будет наиболее эффективной для привлечения клиентов?
4. Какова вероятность покупки той или иной услуги или продукта в связке с другой услугой или продуктом?
5. Каковы тенденции потребительского поведения?

Список  можно  продолжить,  поскольку круг  решаемых с  помощью  DM  задач  ограничивается  лишь  целесообразностью  их  выполнения  и качеством  данных,  имеющихся в базе банка или кредитного бюро¹⁰.

Для демонстрации подобной технологии будет использоваться программа Tree Analyzer из пакета Deductor ver.3. В качестве исходных данных была взята выборка, состоящая из 1000 записей, где каждая запись – это описание характеристик заемщика плюс параметр, описывающий его поведение во время погашения ссуды. При обучении дерева использовались следующие факторы, определяющие заемщика: "N Паспорта"; "ФИО"; "Адрес"; "Размер ссуды"; "Срок ссуды"; "Цель ссуды"; "Среднемесячный доход"; "Среднемесячный расход"; "Основное направление расходов"; "Наличие недвижимости"; "Наличие автотранспорта"; "Наличие банковского счета"; "Наличие страховки"; "Название организации"; "Отраслевая принадлежность предприятия"; "Срок работы на данном предприятии"; "Направление деятельности заемщика"; "Срок работы на данном направлении"; "Пол"; "Семейное положение"; "Количество лет"; "Количество иждивенцев"; "Срок проживания в данной местности"; "Обеспеченность займа"; "Давать кредит". При этом поля: "N Паспорта", "ФИО", "Адрес", "Название организации" алгоритм уже до начала построения дерева решений определил как непригодные (рисунок 3.2) по причине практической уникальности каждого из значений¹¹.

Целевым полем является поле "Давать кредит", принимающий значения "Да"(True) и "Нет"(False). Эти значения можно интерпретировать следующим образом: "Нет" – плательщик либо сильно просрочил с платежами, либо не вернул часть денег, "Да" – противоположность "Нет". Факторы для построения дерева были собраны и консолидированы в хранилище данных Deductor Warehouse.

Рисунок 3.2 - Настройка определяющих и целевых факторов

Методология хранилища  такова, что информация хранится в  процессах, каждый процесс имеет  определенный набор измерений и  фактов. Т.е. процесс реализован по стандартной схеме "Звезда", в центре которой хранятся факты, а измерения являются лучами. В данном случае процесс отображает выдачу кредита заемщику. Наиболее ценной информацией процесса является статус кредита. Хороший кредит – тот, который заемщик вернул в срок и в полном объеме, плохой – обратная ситуация.

Рисунок 3.3 - Дерево решений – модель определения кредитоспособности физических лиц

Анализируя полученное дерево решений (см. рисунок 3.3) можно сделать вывод, что при помощи дерева решений можно проводить анализ значащих факторов. Такое возможно благодаря тому, что при определении параметра на каждом уровне иерархии, по которому происходит разделение на дочерние узлы, используется критерий наибольшего устранения неопределенности. Таким образом, более значимые факторы, по которым проводится классификация, находятся на более близком расстоянии (глубине) от корня дерева, чем менее значимые. Например, фактор "Обеспеченность займа" более значим, чем фактор "Срок проживания в данной местности". Фактор "Основное направление расходов" значим только в сочетании с другими факторами. Еще одним интересным примером значимости различных факторов служит отсутствие в построенном дереве параметра "Наличие автотранспорта", что говорит о том, что на сегодняшний день это наличие не является определяющим при оценке кредитоспособности физического лица¹².

Можно заметить, что такие  показатели как "Размер ссуды", "Срок ссуды", "Среднемесячный доход" и "Среднемесячный расход" вообще отсутствуют в полученном дереве. Данный факт можно объяснить тем, что в исходных данных присутствует такой показатель как "Обеспеченность займа", и т.к. этот фактор является точным обобщением четыре вышеописанных показателей, алгоритм построения дерева решений выбрал именно его.

Очень важной особенностью построенной модели является то, что  правила, по которым определяется принадлежность заемщика к той или иной группе записаны на естественном языке. Например, на основе построенной модели получаются следующие правила:

1. ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5,5 И Количество лет > 19,5 И Наличие недвижимости = Да И Наличие банковского счета = Да ТО Давать кредит = Да (Достоверно на 98%)
2. ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5.5 И Наличие недвижимости = Да И Количество лет > 21.5 И Срок работы на данном направлении, лет <= 5.5 И Пол = Муж И Наличие банковского счета = Нет И Основное направление расходов = Одежда, продукты питания и т.п. ТО Давать кредит = Нет (Достоверно на 88%).

Правильно построенное  на данных прошлых периодов дерево решения обладает одной еще очень важной особенностью. Эта особенность называется способность к обобщению. Т.е. если возникает новая ситуация (обратился потенциальный заемщик), то, скорее всего, такие ситуации уже были и достаточно много. Вследствие чего можно с большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых очень похожи на характеристики вновь обратившегося. На основе построенной модели можно определять принадлежность потенциального заемщика к одному из классов. Для этого необходимо воспользоваться диалоговым окном "Эксперимент" программы Tree Analyzer (рисунок 3.4), в котором, последовательно отвечая на вопросы, можно получить ответ на вопрос: "Давать ли кредит".

Пример получения результата. Вопросы: Обеспеченность займа: Да > Наличие недвижимости: Да > Пол: Муж > Наличие банковского счета: Нет > Основное направление расходов: Покупка товаров длительного пользования.

Ответ: Кредит давать: Да (достоверно на 96 %).

Рисунок 3.4 - Окно "Эксперимент"

 

Используя такой подход можно устранить сразу оба  вышеописанных недостатка скоринговой  системы оценки кредитоспособности. То есть:

1. Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) – это самоадаптируемые модели (вмешательство человека минимально).
2. Качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.