Потребительский кредит

Какие же характеристики являются наиболее «ценными» для  прогнозирования кредитного риска? В Великобритании наиболее часто используются следующие характеристики [1]:

– возраст,

– количество детей (иждивенцев),

– профессия,

– профессия супруга(и),

– доход,

– доход супруга(и),

– район проживания,

– стоимость жилья,

– наличие телефона,

– сколько лет живет  по данному адресу,

– сколько лет работает на данной работе,

– сколько лет является клиентом данного банка,

– наличие кредитной  карточки/чековой книжки.

В других странах набор  характеристик, которые наиболее тесно  связаны с вероятностью дефолта– вероятностью, что заемщик не вернет кредит или задержится с выплатой,– будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта. Поэтому очевидно, что нельзя автоматически перенести модель из одной страны в другую или из одного банка в другой. Даже внутри одного банка существуют различные модели для различных групп клиентов и различных видов кредита.

Скоринг, по существу, является методом классификации всего  интересующего кредитодателя сегмента заемщиков на различные группы, когда неизвестна характеристика, которая разделяет эти группы (вернет клиент кредит или нет), но зато известны другие характеристики, связанные с интересующей кредитодателя.

Широкое применение скоринга началось с распространением кредитных карточек. При том количестве людей, которые ежедневно обращались за кредитными карточками, банкам ничего другого не оставалось, как автоматизировать процесс принятия решений по выдаче кредита. Однако очень скоро они оценили не только быстроту обработки заявлений на выдачу кредита, но и качество оценки риска. По данным некоторых исследований, после внедрения скоринг-систем уровень безнадежного долга сокращался до 50%.

В 1974 г. в США был  принят Закон о предоставлении равных возможностей на получение кредита, который запрещал отказывать в выдаче кредита на основании следующих характеристик: раса, цвет кожи, национальное происхождение, возраст, пол, семейное положение, религия, получение социальных пособий, отстаивание прав потребителей. В Великобритании законодательство допускает использование информации о возрасте и семейном положении, но зато запрещает принимать во внимание какие-либо физические увечья и недостатки (инвалидность) [1]. Для кредитных организаций использование скоринговых систем стало доказательством исполнения этих антидискриминационных законов– у компьютера нет предубеждений.

Помимо установления принципов равноправия в области  кредитования, кредитное законодательство США, как и Закон о потребительском кредите, принятый в Великобритании в том же 1974 г., имели важное значение для формирования службы кредитных бюро.

Значение кредитных  бюро чрезвычайно велико, их существование  позволяет кредитным организациям выдавать ссуды клиентам, которые ранее в этой организации не обслуживались. Кроме того, общепризнанной является ценность предыдущей кредитной истории для прогнозирования вероятности дефолта.

Чтобы иметь возможность  сравнивать клиентов с совершенно разными  признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь. В целях построения модели сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет, иногда такая выборка называется «обучающей». Выборка подразделяется на две группы: «хорошие» и «плохие» риски.

Определение «плохого»  риска может быть разным в зависимости от политики банка, в Западной Европе «плохим» риском обычно считается клиент, задерживающийся с очередной выплатой на три месяца. Иногда к «плохим» рискам относятся клиенты, которые слишком рано возвращают кредит, и банк не успевает ничего на них заработать.

Методы собственно классификации  весьма разнообразны и включают в  себя [1]:

– статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая  регрессия);

– различные варианты линейного программирования. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка и будет минимальной;

– дерево классификации;

– нейронные сети. Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Но наиболее успешной областью их применения стало выявление мошенничества с кредитными карточками благодаря их способности выявлять нестандартные ситуации;

– генетический алгоритм–  основан на аналогии с биологическим  процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т. е. модель, дающая наиболее точную классификацию;

– метод ближайших  соседей– выбирается единица измерения  для определения расстояния между  клиентами. Все клиенты в выборке  получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов– плохих или хороших– больше вокруг него.

На практике используется комбинация нескольких методов, и компании хранят свои скоринговые модели в  строжайшем секрете, поэтому сложно сказать, какой метод лучше.

У каждого из методов  имеются свои преимущества и недостатки, кроме того, выбор того или иного  метода связан со стратегией банка  и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

Точность классификации  проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель строится, на другой– проверяется.

В скоринге существует две  основные проблемы [1]. Первая заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Мы никогда не узнаем, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками.

Но, как правило, отказ  в кредите производится на основании  достаточно серьезных причин. Банки  фиксируют эти причины отказа и сохраняют информацию об «отказниках». Это позволяет им восстанавливать первоначальную популяцию клиентов, обращавшихся за кредитом.

Вторая проблема заключается  в том, что люди с течением времени  меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее «свежих» клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель. На Западе новая модель разрабатывается в среднем раз в полтора года, период между заменой модели может варьироваться в зависимости от того, насколько стабильной была экономика в это время.

Вместе с тем, в Республике Беларусь имеется ряд существенных проблем, влияющих на возвратность кредита.

Первый и главный  для Республике Беларусь недостаток заключается в том, что пока в  стране отсутствует достаточный  объем доступной для исследования информации о кредитоспособности той или иной группы населения. Можно сказать проще: «Нет кредитов - нет кредитных историй. Нет кредитных историй - нет кредитов!»

Следующий важный недостаток заключается в том, что кредитоспособность заемщика зависит не только от его наблюдаемых характеристик, но и общей макроэкономической ситуации. Например, при постоянных выплатах и достаточно высоком уровне инфляции постепенно нагрузка на семейный бюджет по ранним кредитным обязательствам падает, т.к. уменьшается отношение выплат к номинальному доходу заемщика. Аналогичный эффект связан с ростом реальных доходов как по сектору занятости заемщика, так и по стране в целом. Обратное тоже верно.

Кроме того, в Республике Беларусь наблюдается значительный рост волатильности доходов при росте их по абсолютной величине. Таким образом, некредитоспособный вчера заемщик, может сегодня быть кредитоспособным. Соответствующую информацию о его текущей кредитоспособности уже нельзя почерпнуть из прошлой кредитной истории.

Рассмотрим еще одно приложение к белорусской специфике. По той причине, что потребительские кредиты пока приобретает мало потенциальных заемщиков, система скоринга в качестве кредитоспособного считает не только заемщика, который самостоятельно смог вернуть кредит, но и заемщика, который, будучи некредитоспособным, смог просто перезанять деньги, например, у родственников. То есть, формально, кредитоспособным является персона, не только выполнившая свои обязательства, но и заменившая обязательства перед одним кредиторами на обязательство перед другими. Что же будет через год, когда и у родственников тоже появятся обязательства перед банками?

Подытоживая вышесказанное, можно высказать следующую мысль: если классическая скоринговая система  сегодня определила заемщика как кредитоспособного, используя вчерашние данные, то это совсем не значит, что сегодня он так же кредитоспособен, как вчера, и даже не значит, что он действительно был кредитоспособен в прошлом.

И последний немаловажный, хотя и редко обсуждаемый недостаток классических скоринговых систем состоит в том, что решения, принятые с использованием системы кредитного скоринга ранее, влияют на решения принимаемые данной или другой системой впоследствии. Очевидно, что система не в состоянии идеально отделить кредитоспособных заемщиков от некредитоспособных. Соответствующая ошибка постепенно будет накапливаться, поскольку на каждом следующем шаге обучения система использует данные, полученные ею ранее.

Для работы банка на этом основании можно предложить так называемый априорный подход, который оценивает не кредитоспособность заемщика, которая наблюдалась когда-то ранее, а строит прогноз его современной и будущей возможности выполнять свои обязательства. Другими словами, строятся априорные оценки его будущих вероятностных доходов и расходов.

На следующем рисунке  приводится образец анкеты заемщика, отражающей тот набор данных, которые могут быть проанализированы с использованием априорного подхода и использованы ОАО «АСБ Беларусбанк» для скорингового анализа (рис. 3.1).

 

Рисунок 3.1– Образец анкеты, содержащей поля, которые могут быть использованы для оценки кредитоспособности заемщика с использованием априорного подхода.

 

По каждому заемщику может быть проанализировано значительное количество источников дохода. Однако использование каких-либо доходных характеристик при оценке кредитоспособности заемщика не является обязательным. В правилах оценки заложена информация об оценочной величине дохода отдельной демографической или социальной группы заемщиков. При определении кредитоспособности заемщика в рамках системы кредитного скоринга может быть учтен каждый из источников дохода, в том числе и по величине, степени надежности источника, ожидаемой будущей тенденции изменения доходов и волатильности.

Программное решение  управления кредитным риском можно  реализовать в модульной архитектуре, что позволяет проводить пошаговое внедрение управления кредитным риском в банке при кредитовании заемщиков физических лиц. Полный вариант решения включает следующие модули:

1) Модули скоринга:

– экспертный,

– статистический,

– поведенческий,

– макроэкономический;

2) Модуль контроля и управления качеством модели;

3) Модуль адаптации скоринговой модели;

4) Аналитические модули:

– макроэкономический модуль;

5) Модули управления кредитными рисками высокого уровня:

– модуль управления риском портфелей однотипных ссуд,

– модуль аллокации капитала.

Модули скоринга предназначены  для определения кредитоспособности потенциальных заемщиков. Набор данных модулей позволяет производить построение скоринговых карт и оценку заемщиков для различных кредитных программ Банка– потребительское кредитование, экспресс-кредитование, кредитные карты, автокредитование, ипотека.

Модуль экспертного  скоринга используется при отсутствии или недостаточном количестве статистических данных по выданным кредитам. Область применения– все кредитные программы Банка.