Кредитование физических лиц

 

На сегодняшний день существует несколько основных методик оценки кредитоспособности клиентов. Системы  отличаются друг от друга количеством  показателей, которые применяются  в качестве составных частей общей  оценки заемщика, а также разными  подходами к характеристикам  и приоритетностью каждого из них. Существуют следующие способы  оценки кредитоспособности физических лиц:

1) скоринговые модели;

2) методика определения  платежеспособности;

3) андеррайтинг.

Банк применяет каждую из моделей для разных видов кредитования и корректирует ее в индивидуальном порядке (табл. 1.4) [10].

Анализ практики белорусских  банков показывает, что единой методики для оценки кредитоспособности физических лиц в республике нет.  Каждый банк самостоятельно определяет набор  используемых показателей (факторов), а также процедуру оценки кредитоспособности клиента. При кредитовании населения оценка надёжности заёмщиков проводится на основе таких показателей, как доходы и расходы заёмщика, отношение ежемесячной суммы платежей по кредиту к среднемесячной сумме доходов клиента. Иногда рассматривается размер бюджета прожиточного минимума. На основе данных показателей рассчитывается коэффициент кредитоспособности, от значения которого зависит максимально возможная сумма кредита. Другие показатели заёмщика, как правило, не анализируются. Одним из современных подходов к минимизации кредитного риска является кредитный скоринг. Скоринг кредитоспособности – математическая или статистическая модель оценки кредитоспособности, результаты которой используются кредитодателем при принятии решения о предоставлении кредита. Сущность скоринга заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Данные критерии имеют различные удельные веса и впоследствии агрегируются в интегральный показатель – совокупный кредитный балл. Если говорить упрощенно, то система дает ответ на главный вопрос: выдать кредит потенциальному кредитополучателю или нет? Величина кредитного лимита в скоринговых системах носит второстепенный характер и определяется исходя из уровня доходов заемщика. Интегральный показатель сравнивается с определенным числовым порогом, который представляет собой так называемую линию безубыточности для банка. Кредит выдается тем клиентам, интегральный показатель которых выше этой линии. Кредитный скоринг осуществляется с помощью компьютерных скоринговых систем, обеспечивающих классификацию потенциальных заёмщиков коммерческого банка по степени кредитоспособности на основе доступной информации. В скоринговых системах на основании базы данных, указанных в заявке заёмщика, вычисляется специальное число, или количество баллов, которое затем используется при принятии решения относительно принадлежности заёмщика к тому или иному классу кредитоспособности [11. C.39].

База данных для построения скоринговой модели (собственная или приобретенная) должна содержать всю возможную информацию по клиентам за последние 2–5 лет, в том числе клиентский номер (в Беларуси хороший способ идентификации – личный номер, который совпадает со страховым номером в фонде социальной защиты, кстати, там есть база данных по доходам изо всех официальных источников за последние 5 лет), банковский продукт, решение по кредитной заявке, дату открытия счета, статус задолженности, баланс на счету и т.д. Далее из выборочной совокупности должны быть исключены:

1. все нестандартные случаи (аномально большие суммы кредита,  необычные цели для займа, реструктуризированные обязательства, клиенты с нестандартными условиями выплат и др.), 

2. отказы в выдаче кредита  по причинам, обусловленным единой  политикой банка (несовершеннолетние, банкроты, двойные заявки и др.), 

3. инсайдерские кредиты  (VIP, сотрудники банка и др.), 

4. сторно, незаконченные  или находящиеся в процессе  обработки кредитные анкеты, 

5. нестандартное поведение  клиента после выплаты кредита (подделка документов и мошенничество, кражи и потери кредитных карт, смертельные случаи и др.). 

Все остальные данные в  выборке должны быть разбиты на категории: «хороший» (платежеспособный), «плохой» (неплатежеспособный) клиент или «отказ»  в  выплате  кредита. Перед тем как переходить к анализу скоринговых показателей и построению первичной модели, банку необходимо точно сформулировать свое определение «плохого» случая (дефолта). Примерами определения дефолта в мировой практике являются: уровень просроченной задолженности (свыше 30 дней, 60 дней или 90 и более дней) на текущий момент или худший статус за все время кредитной истории, а также списание со счета, 3 раза задолженность свыше 30 дней, 2 раза задолженность свыше 60 дней, один раз задолженность свыше 90 дней, просроченная задолженность в размере свыше 500 000 руб. и т. д. Базель II дефилирует понятие дефолта как существование просроченной задолженности на счету свыше 90 дней когда-либо на протяжении всей кредитной истории.

Банк свободен сам выбирать для себя, какое понятие дефолта лучше всего использовать при построении скоринговой модели. После точного определения и документации понятия дефолта всех розничных клиентов, попадающих в эту категорию, необходимо охарактеризовать как «неплатежеспособных», а остальных – как «платежеспособных». Размер выборки, придерживаясь грубого правила, должен составлять около 1500 «плохих» случаев и 1500 «хороших». При небольших объемах бизнеса можно использовать и меньшие базы данных по розничным клиентам, тем не менее, минимальная  статистически  значимая  выборка  считается 600 случаев. Для  того  чтобы классифицировать текущих клиентов, находящихся в процессе погашения кредита, обычно определяют «показательный период» (performance window) – это период, в течение которого большинство счетов проявляют себя с позиции дефолта. Типичным «показательным периодом» является период 18 месяцев, т.е. все новые счета, использующиеся для построения скоринговой модели, наблюдают в течение 18 месяцев для классификации их в категории «плохой» или «хороший» плательщик.

Следующим основным этапом построения модели является выбор и  анализ независимых переменных. Основным источником данных являются анкетные данные клиента на момент подачи кредитной заявки, например: 

•   Демографические показатели: возраст, пол, национальность, местопроживание, длительность проживания в актуальном месте жительства, образование,  профессия,  длительность  трудоустройства,  наличие  собственности,  семейное положение, наличие детей и др.; 
•   Данные по запрашиваемому кредиту: цель кредита, общий размер займа, срок финансирования, первоначальный взнос, отношение размера займа к размеру обеспечения по кредиту и др.; 
•   Финансовые показатели: при учете количественных характеристик в модели рекомендуется избегать абсолютных величин и использовать коэффициенты, как например: сумма задолженности к доходу, ежемесячные выплаты по кредиту к ежемесячному доходу, месячный свободно располагаемый бюджет к ежемесячному доходу, ежемесячные выплаты по кредиту к месячному свободно располагаемому бюджету и др.; 
• Маркетинговые показатели:  источник  поступления кредитной анкеты, проводимая программа, побуждающий мотив и др. 

        Следующим основным источником информации является внутренняя кредитная история банка и информация, полученная в бюро кредитных историй на момент подачи анкеты. Используемыми скоринговыми переменными могут являться: количество текущих счетов клиента, количество и наличие кредитных карт, общая сумма всех кредитов, время получения последнего кредита, наличие у клиента других продуктов этой финансовой организации, состояние текущего счета, утилизация существующих лимитов, рейтинги бюро кредитных историй и др. 

Анализ скоринговых показателей  необходимо начинать с проверки их состоятельности и поиска возможных ошибок. В случае неполного наличия данных  в  выборке  необходимо  проанализировать  причину  их  отсутствия. Следующим этапом анализа независимых переменных является проверка

их статистической значимости. Основные статистические методы, использующиеся  в  анализе  отдельных  характеристик,  основываются  на  сравнении распределения «плохих» и «хороших» клиентов ими являются:

• статистика χІ; 
• коэффициент Крамера V;
• информационное Значение.

Статистика χІ используется для сравнения двух выборок и  определения их схожести. В данном случае сравнивается распределение  «платежеспособных» и «неплатежеспособных»  клиентов  для  каждой  анализируемой  отдельно  пере менной.  Статистика χІ определяется по формуле:

       

 χІ (ν) = ∑ (xi – E)І / E, (1)

 

где ν – число  степеней  свободы, xi – наблюдаемое  значение, E – ожидаемое значение. 

Если χІ меньше критического значения (по грубому правилу 0,5), то гипотеза H0 об одинаковом распределении «платежеспособных» и «неплатежеспособных» клиентов подтверждается, и, следовательно, анализируемая переменная не является статистически значимой. 

Коэффициент Крамера V –  это коэффициент, полученный на основе стати-стики χІ, который принимает значения от 0 до 1, где 0 говорит о том, что две выборки идентичны, а 1, что они абсолютно разные. Коэффициент рассчитывается по формуле:

                                                 ⎯⎯⎯---⎯⎯⎯

Коэффициент Крамера V  = √χІ/N(k – 1), (2)

 

где  χІ – статистика  χІ, N – объем  выборки, k – наименьшее  число  строк  и столбцов в выборке.

Данный коэффициент позволяет  таким образом сравнивать относительную значимость отдельных скоринговых показателей. Обычно значения его лежат в промежутке 0,06 – 0.35, чем больше значение, тем статистически значимее переменная. 

Информационное Значение (IV) – считается самой распространенной мерой определения значимости переменных и измерения разницы в распределении  «плохих» и «хороших» клиентов. Информационное Значение определяется по формуле:

IV = ∑ (Gi – Bi) ℓn (Gi/Bi), (3)

 

где Gi – процент всех «хороших»  случаев, Bi – процент всех «плохих» случаев. 

По грубому правилу  значения данного коэффициента трактуются следующим образом: 

• менее 0,02 – статистически незначимая переменная;
• 0,02 – 0,1 – статистически мало значимая переменная;
• 0,1 – 0,3 – статистически значимая переменная;
• 0,3 и более – статистически сильная переменная.

Заключительным  моментом  анализа  скоринговых  показателей  является группировка внутри переменных на классы. При  группировке  на классы  внутри  независимых  показателей  следует  руководствоваться  следующими основными критериями:

• размер группы – в каждом классе должно содержаться не менее 4-5% выборки;
• коэффициент дефолта (bad rate) – процентное соотношение «неплатежеспособных» клиентов ко всем клиентам в группе;
• WOE (Weight of Evidence) – измеряет статистическую значимость каждого класса переменной и рассчитывается как ℓn (Gi/Bi), где Gi – процент всех «хороших» случаев, Bi – процент всех «плохих» случаев;
• здравый смысл.

Таким  образом,  если  внутри  скоринговой  переменной  существуют  две подгруппы небольшого размера, которые ведут себя одинаково, имеют сравнимый коэффициент дефолта и одинаковый WOE, то имеет смысл сгруппировать их в один класс, если это не противоречит здравому смыслу. При анализе интервальных переменных следует построить график коэффициента дефолта или WOE и сгруппировать схожие значения в классы. Важно иметь ввиду, что любая группировка должна быть в первую очередь логична и полученные связи между  различными  подгруппами  и  платежеспособностью  клиентов  должны быть объяснимы с точки зрения ведения бизнеса. 

За основу банковской скоринговой  системы анализа платежеспособности физических лиц могут быть взяты  различные  статистические модели. Основными из них являются:

• множественная линейная регрессия,
• множественная логарифмическая регрессия,
• нейросети,
• деревья решений.

Множественная линейная регрессия связывает поведение зависимой переменной (платежеспособность клиента) с линейной функцией ряда независимых переменных (скоринговыми характеристиками). Она находит наилучшую линейную зависимость путем минимизации суммы стандартных отклонений и имеет следующую формулу:

yi = β1xi1 + β2xi2 + βjxij + ... + βmxim, (4)

где yi–зависимая переменная (платежеспособный/неплатежеспособный  клиент), xi – независимые переменные (скоринговые характеристики), β – параметры модели (скоринговые веса). 

Полученные в результате построения модели β значения –  это параметры, которые определяют характер связи между наблюдаемым  значением переменной «платежеспособность клиента» и соответствующими скоринговыми характеристиками. β значения являются скоринговыми весами. 

Множественная логарифмическая  регрессия также как и множественная линейная  регрессия связывает поведение зависимой переменной  с функцией ряда независимых переменных. Она находит наилучшее статистическое соответствие и имеет формулу:

Logit (ρi) = α + β1x1 + βjxj + ... + βmxm, (5)

где ρi = Prob(yi=yi/xi) – вероятность  позитивного случая,  α – независимый параметр логарифмической регрессии, xi – независимые переменные (скоринговые характеристики), β – параметры модели (скоринговые веса). 

В  логарифмической  регрессии  скоринговые  баллы  трансформированы  в 

вероятности со значениями от 0 до 1.