МОДЕЛЬ СКОРИНГОВОЙ ОЦЕНКИ ПОТРЕБИТЕЛЬСКИХ КРЕДИТОВ

курсовая работа по тебе "МОДЕЛЬ СКОРИНГОВОЙ ОЦЕНКИ ПОТРЕБИТЕЛЬСКИХ КРЕДИТОВ " ...

Оглавление


ВВЕДЕНИЕ 3
ГЛАВА.1.ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 5
1.1. ОСОБЕННОСТИ РЫНКА РОЗНИЧНОГО КРЕДИТОВАНИЯ 5
1.2. СТРУКТУРА ПРОЦЕССА РОЗНИЧНОГО КРЕДИТОВАНИЯ 6
1.3. РОЛЬ СИСТЕМЫ КРЕДИТНОГО СКОРИНГА КАК КОНКУРЕНТНОГО ПРЕИМУЩЕСТВА КРЕДИТНОЙ ОРГАНИЗАЦИИ 8
1.4. СИСТЕМА КРЕДИТНОГО СКОРИНГА ПРИ РАССМОТРЕНИИ ЗАЯВОК 10
ГЛАВА.2. ОБЗОР МЕТОДОВ КЛАССИФИКАЦИИ 16
ГЛАВА 3. ФОРМАЛИЗАЦИЯ ЗАДАЧИ И ПОСТРОЕНИЕ МОДЕЛИ 21
3.1ФОРМАЛИЗАЦИЯ ЗАДАЧИ 21
3.2ПОСТРОЕНИЕ МОДЕЛИ ДЛЯ 2Х КЛАССОВ 25
ЗАКЛЮЧЕНИЕ 32
СПИСОК ЛИТЕРАТУРЫ 33
ПРИЛОЖЕНИЕ 34

 

Введение
Кредитование представляет собой основной вид деятельности коммерческого банка, обеспечивающей получение прибыли, направляемой на выплату дивидендов акционерам и формирование резервных фондов банка. Выдавая кредит физическим лицам, банк берет на себя определенный риск, связанный с возможной потерей клиентом платежеспособности, невозможности последнего вернуть выданную сумму и/или процентов по ней в срок и в полном объеме. Задачей любой кредитной организации в таком случае становится минимизация возможного риска, связанного с неплатежеспособностью клиента. Для этого любой банк имеет собственную методику оценки платежеспособности клиента, направленную на отсев «плохих» клиентов, т.е. клиентов, которые в связи с рядом причин могут столкнуться с проблемами возврата долга. В каждом ре гионе в зависимости от социально-экономического развития и уровня жизни населения, а также от кредитной политики банка, используемые веса и коэффициенты могут меняться.
Предметом исследования является новое перспективное направление в анализе кредитоспособности заемщиков, получившее название «кредитный скоринг» (от англ. score – балл, оценка). Суть метода состоит в том, что на основе кредитной истории заемщиков (содержащей факты возврата и не возврата кредитов и анкетные данные заемщиков) строится статистическая модель классификации, позволяющая производить оценку новых кредитных заявок путем расчета суммы баллов (баллы начисляются за ответы анкеты) и сравнения ее с критическим порогом. В случае превышения порога заявка удовлетворяется, в противном случае - получает отказ.
Данный подход приобрел популярность в силу ряда значительных преимуществ. Так, например, полностью исключается фактор «субъективности» при оценке заемщика, значительно повышается скорость выдачи кредита (за счет автоматизации процесса), снижаются операционные расходы и проч.
Цель исследования – исследование скоринговой модели, оценка ее параметров и применение для решения прикладной задачи, а именно – для оценки кредитоспособности заемщиков (физических лиц), претендующих на получение потребительского кредита в банке.
Данная тема представляется в значительной степени актуальной и востребованной, особенно, с учетом значительного роста объемов потребительского кредитования в России.
Разработка собственной скоринговой модели предполагает решение ряда прикладных задач, а именно: 1) исследование предметной области; 2) анализ исходных данных; 3) выбор метода классификации; 4) оценка параметров классифицирующей функции;
 

Скоринг заявок (application-скоринг) включает себя одну или несколько скоринговых моделей, рассчитывающих скоринговый балл, по которому определяется, будет ли разрешена выдача кредита и какие параметры кредита будут назначены: кредитный лимит, первоначальный взнос, и т.п. (см. рис.2). На рис. 9 представлены четыре скоринговые модели: М1 – расчет скорингового балла, М2 – расчет вероятности дефолта, М3 – расчет вероятной задолженности в момент дефолта, М4 – расчет вероятных убытков от дефолта; и П – расчет некоторых кредитных правил, в результате которых корректируются параметры предоставления кредита с учетом уровня риска по клиенту: П1 – процентная ставка по кредиту, П2 – первоначальный взнос, П3 – срок кредитования, П4 – оптимальная сумма кредита, П5 – обеспечение, П6 – требования по действующему(им) кредиту(ам) (например, снизить задолженность до некоторого размера, погасить действующий кредит) и т.д. Рис.2. Пример использования нескольких скоринговых моделей и правил кредитной политики в скоринге заявок на кредитВ зависимости от суммы запрашиваемого кредита, от клиента (например, клиент уже имеет положительную кредитную историю в данном банке, или является руководителем фирмы, расчетный счет которой открыт в данном банке и ежемесячный оборот не менее определенной суммы) логика процесса, представленного в Приложении1 , может быть настроена таким образом, что используются не все внешние источники, и, следовательно, снижаются затраты банка на организацию процесса проверки заявки. Используемые внешние источники информации могут быть, например, данные Пенсионного фонда РФ и другие. При настройке бизнес-процесса по принятию решению о выдаче кредита система кредитного скоринга должна учитывать основные факторы риска, наличие которых приводит к неопределенности в ожидании возврата долга, а их вклад – к той или иной величине ожидаемых убытков. Эти факторы риск-менеджерами могут быть выделены, и рассчитываться в системе вероятность их наступления, данная информация по заявке выдается для кредитных специалистов для принятия решения, либо факторы заложены в модель и отдельно не вычисляются. Фактор риска и его вклад в общий кредитный риск для определенного сегмента участников заявки/анкеты чаще всего используется для формализации экспертных суждений. Базовыми факторами риска являются следующие факторы [11, 12]. 1. Изменение расходов. Платежеспособность семьи, член(ы) которой является участником кредитного договора, определяется общей потребительской культурой всех членов семейства. Увеличение личных расходов кем-либо из членов или общее решение о направление средств на приобретение предметов общего пользования, может привести к снижению возможности обслуживания долга. 2. Изменение количества иждивенцев. Платежеспособность семьи, в которую входит участник кредитной заявки, меняется с изменением количества иждивенцев. К увеличению иждивенцев и падению свободных доходов приводит рождение детей, объединение семьи с престарелыми родителями одного из членов семейства, потеря трудоспособности одного из членов семьи (не участника кредитной заявки). 3. Смерть участника кредитной заявки. В случае если данный риск застрахован, данный фактор может не использоваться. 4. Полная потеря трудоспособности в результате несчастного случая или умышленная. В случае если данный риск застрахован, данный фактор может не использоваться. 5. Возникновение новых обязательств. В качестве одной из причин сокращения свободных доходов, рассматривается возможность возникновения новых обязательств у участника кредитной заявки: получение еще одного кредита или возникновение требований исполнения поручительских обязательств. 6. Изменение спроса на рабочую силу. На локальном рынке может меняться структура спроса на рабочую силу, что может привести к потере источника дохода и снижению востребованности участника кредитной заявки на рынке труда. Соответствующие процессы рассматриваются как фактор риска, который может привести к потере источника дохода. 7. Потеря источника дохода. Одной из причин дефолта или общей вероятности выполнения своих обязательств может быть вероятность потери источника дохода в силу причин связанных с самим физическим лицом и его источником дохода. Например, банкротство компании – источника дохода, сокращение штата или поиск лучшего источника дохода. 8. Ненахождение источника дохода. Время, в течение физическое лицо может найти новый источник дохода, является вероятностной величиной, зависящей от показателей самого заемщика. В зависимости от причины потери источника дохода (банкротство источника на свободном рынке или структурное изменение спроса на рабочую силу) стоит ожидать разного времени, которое участник кредитной заявки затратит на поиски нового источника. Данный механизм определяет фактор риска, связанный с тем, что во время сниженной платежеспособности, участник заявки накопит такую величину просроченной задолженности, с которой не в состоянии будет расплатиться позже. 9. Трендовое изменение дохода. По разным источникам дохода, в зависимости от структуры спроса, может наблюдаться трендовое изменение средней величины доходов, например, снижение. Трендовое изменение доходов является важным фактором риска для долгосрочных кредитных продуктов. 10. Волатильность дохода. Доходы в тех или иных секторах экономики и в зависимости от формы получения дохода могут испытывать значительные колебания вокруг средних значений. Это является существенным фактором риска, поскольку временно участник кредитной заявки за счет снижения доходов, может потерять платежеспособность. 11. Задержка в доходах. Доходы участников кредитной заявки, получаемые, главным образом, в форме заработной платы могут быть задержаны компанией-плательщиком. Это является существенным фактором риска, поскольку временно участник кредитной заявки за счет снижения доходов, может потерять платежеспособность. 12. Валютный риск. Отличие валюты дохода от валюты обязательств, является фактором риска. Падение покупательной способности валюты дохода приводит к увеличению нагрузки на бюджет семьи, член которой является участником кредитной заявки. Тогда возможные критерии для использования в скоринговых моделей могут быть следующие: вероятность дефолта; вероятность возникновения просроченной задолженности; вероятность досрочного погашения; ожидаемые убытки от дефолта: - с учетом основного обеспечения; - дополнительного обеспечения; ожидаемый срок погашения кредита; ожидаемый срок до возникновения дефолта; ожидаемый срок до возникновения первой просроченной задолженности. Рис.3. Возможность расширяемости набора параметров в скорингеТаким образом, система кредитного скоринга должна давать кредитным аналитикам гибкость в определении критериев кредитоспособности и в выборе анализируемых характеристик физического лица, возможность создания правил кредитной политики, объединения нескольких скоринговых моделей и создания правил по анализу их результатов, возможность расчета в системе дополнительных параметров кредита (см. рис. 3). В случае необходимости ручного просмотра заявки система кредитного скоринга передает заявок на специалиста нужного уровня (служба безопасности, кредитный инспектор, кредитный эксперт и т.д.). III. Скоринг мошенничества (fraud-скоринг) включает в себя методологию и процессы по выявлению и предотвращению мошеннических действий со стороны потенциальных заемщиков. Скоринг по выявлению попыток мошенничества помогает принимать незамедлительные решения по определению тех заемщиков, чьи обращения по выдаче кредита должны быть отклонены, либо отложены для более детального рассмотрения. Глава.2. Обзор методов классификацииКонкретный вид модели (классифицирующей функции, условия классификации) напрямую зависит от выбора исследователем метода классификации. Для решения задачи скоринга принято выделять следующие [13]:линейная логит-регрессия;деревья классификации;дискриминантный анализ;генетические алгоритмы;математическое программирование;нейросетевые алгоритмы;Метод ближайших соседей.Линейная регрессияТрадиционными и наиболее распространенными являются регрессионные методы, прежде всего линейная многофакторная регрессия: , гдегде р – вероятность дефолта, w – весовые коэффициенты, x – характеристики клиента. Особенность данной модели заключается в том, что в левой части уравнения находится вероятность, которая принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от -  до + . Логистическая регрессия обеспечивает приемлемую область значений объясняемой переменной. В результате модель принимает вид: .Недостатки регрессионных моделей, тем не менее, довольно существенны, и определяются в основном ограничениями метода наименьших квадратов. Так, например, существенная корреляция между объясняющими переменными (возникающая вследствие наличия так называемых «перечислимых» типов данных) приводит к значительным погрешностям и ставит вопрос о применимости этого метода оценки (поэтому в модели не должно быть сильно коррелированных независимых переменных).Математическое программированиеЛинейное программирование также приводит к линейной скоринговой модели. 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. Основная проблема здесь заключается в формировании целевой функции и определении допустимого множества решений. В случае нелинейной классифицирующей функции могут быть использованы нелинейные методы оптимизации.Методы являются в основном вспомогательными и служат для оптимизации некоторой целевой функции () с помощью подбора коэффициентов при аргументах классифицирующей функции.Статистические методыДеревья классификации - это метод, позволяющий предсказывать принадлежность наблюдений или объектов к тому или иному классу категориальной зависимой переменной в зависимости от соответствующих значений одной или нескольких предикторных переменных. Дерево классификации представляет собой иерархическую ациклическую сеть, каждая из вершин (узлов) которой содержит бинарное (неделимое) условие. Последовательный проход дерева по ветвям позволяет определить принадлежность классифицируемого объекта к тому или иному классу. Основная сложность здесь – выбор структуры дерева и определение условий, расположенных в узлах. Основное достоинство этого метода – независимость от типа объясняющих переменных. Так, например, сочетание непрерывных и категориальных переменных в дискриминатном анализе значительно ухудшают результаты классификации из-за различного масштаба данных. В деревьях классификации эта проблема решается с помощью различных типов ветвления узлов дерева. Недостаток метода заключается в том, что при наличии значительного числа классифицирующих переменных результаты классификации являются трудно обозримыми, а дерево достаточно сложно построить.Отнесение заемщиков к той или иной группе риска производится на основе результатов, полученных при прохождении дерева.Кластерный анализ используется в основном на описательном этапе анализа, когда необходимо на основе набора наблюдений определить исходное число классов (в задаче скоринга это означает необходимость определить число групп риска заемщиков). Для этого используют некоторую меру расстояния между наблюдаемыми объектами, и, в соответствии с некоторым правилом, объединяют наблюдения в однородные совокупности (таксоны). Самыми распространенными являются метод ближайшего соседа (когда производится последовательное формирование таксонов – так называемый агломеративный метод) и метод k средних (используется, когда число классов заранее известно и необходимо отнести наблюдения к тому или иному классу).Достоинством кластерного анализа можно назвать его простоту и наглядность. Однако в качестве недостатка можно указать сильную зависимость от качества исходных данных.При решении задачи отнесения заемщиков к той или иной группе риска, каждый новый клиент классифицируется исходя из того, каких клиентов – плохих или хороших – больше вокруг него. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. На практике, нейросети позволяют объединить в себе все известные методы классификации, и, соответственно, получить лучшие результаты, особенно, в случае наличия нелинейных связей в объекте исследования. Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга (Patterson, 1996). Структура нейронной сети представляет собой совокупность слоев нейронов, каждый из которых преобразует входной сигнал в соответствии с некоторым весом. Выходной сигнал в совокупности с сигналами других нейронов поступает в следующий слой. Простейший пример нейронной сети – линейная многофакторная регрессия, где нейроны содержат объясняющие переменные.Подбор весовых коэффициентов называется «обучением нейронной сети». Процесс обучения является достаточно сложным и зависит от типа нейронной сети. Достоинством метода является его универсальность и достаточно хорошие результаты (в том числе в практике решения экономических задач прогнозирования), а также одновременное использование объясняющих переменных разных типов.В качестве недостатков метода можно указать значительную зависимость от выбранной структуры нейронной сети, а также невозможность интерпретировать веса нейронов (т.е. нейросеть представляет собой так называемый «черный ящик», структуру которого объяснить невозможно, а можно лишь интерпретировать результаты классификации).Для задачи классификации заемщиков нейронная сеть может быть настроена таким образом, чтобы на выходе она непосредственно выдавала бы класс, к которому принадлежит заемщик с данными характеристиками.Генетический алгоритм основан на аналогии с биологическим процессом естественного отбора. Этот подход используется в основном для получения лучшей модели из совокупности. Для этого исходные модели (например, с разным набором объясняющих переменных) «мутируют», «скрещиваются» и «умирают», передавая по наследству свой геном (набор переменных) в результате чего остается одна или несколько «сильнейших особей» (моделей). При использовании метода 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.Главной проблемой применения данного метода является выбор способа определения «расстояния» между реализациями (метрики в факторном пространстве). Для этого необходимо задать числовую меру различий между значениями каждого признака и между различными признаками заемщика (половой принадлежностью, возрастом, уровнем образования и т. д.). Очевидно, что объективного решения эта проблема не имеет и, следовательно, результаты применения указанного метода будут находиться под сильным субъективным влиянием разработчика. Кроме того, использование данного метода требует больших объемов вычислений, необходимых для расчета «расстояний» между реализациями.Таблица. 1.Сравнение методов классификацииПризнак сравненияЛинейная (логит-) регрессияДеревья классификацииНейронные сетиКластерный анализДискриминантный анализ1. Характеристика метода классификацииЗаписывается уравнение множественной линейной регрессии, и его аргументы оцениваются по методу МНКСтроится дерево решений, каждое из узлов которого содержит правило классификацииСтроится многослойная сеть нейронов, каждый слой может содержать один из методов классификации Исходные наблюдения объединяются в поле кластеров (таксонов) на основе рассчитываемого расстоянияОпределяется уравнение гипер-плоскости, наилучшим способом разделяющей исходные наблюдения 2. Чувствительность к масштабу исходных данныхНезначительнаяОтсутствуетОтсутствуетНезначительнаяЗначительная3. Чувствительность к корреляции объясняющих переменныхЗначительнаяОтсутствуетОтсутствуетНезначительнаяЗначительная4. Линейность оценкиДаНетНетДаДа5. Ограничения на объем исходной выборкиКоличество классифицирующих признаков + 2ОтсутствуютЗависит от структуры сети, по крайней мере не меньше количества классифицирующих признаковПо крайней мере по одному наблюдению каждого классаКоличество классифицирующих признаков + 16. Признак принадлежности объекта к классуОцененное значение объясняемой переменной уравнения регрессии сравнивается с экспертным пороговым значением.Принадлежность к классу определяется однозначно путем последовательного обхода узлов дерева решений.Принадлежность к классу определяется на выходе алгоритма нейросети.Принадлежность к классу определяется исходя из того, наблюдений какого класса «ближе» всего.Рассчитывается значение дискриминантной функции и сравнивается с пороговым значением.7. Возможность оценки вклада атрибутовДаЗатрудненаНетЗатрудненаДаУ 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, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях. Глава 3. Формализация задачи и построение моделиФормализация задачиКак уже отмечалось, наиболее эффективный путь снижения риска кредитного портфеля заключается в тщательной оценке кредитоспособности физических лиц, претендующих на получение кредита. В условиях потребительского кредитования проблема оценки кредитоспособности заемщика в значительной степени усугубляется большим объемом кредитных заявок и высокой скоростью оформления кредита. Эти обстоятельства накладывают ряд ограничений на выбор метода оценки заемщика. В Поэтому наиболее предпочтительным направлением является автоматизация выдачи потребительского кредита, основанная на «экспресс-оценке» заемщика. Для решения подобных задач на современном этапе развития информационных технологий используется скоринговая оценка заемщиков (credit scoring).3.1.1.Содержательная постановка задачиВыдача любого кредита сопряжена с определенным риском, который принимает на себя банк, по сути, доверяя клиенту свободные денежные средства на некоторый срок под определенный процент, при этом, не имея полной уверенности в будущей кредитоспособности заемщика. Естественно предполагать, что при определенных обстоятельствах даже самый надежный клиент банка может столкнуться с проблемой возврата суммы. Однако в совокупности «надежные» клиенты исправно исполняют свои обязательства в отличие от ряда «ненадежных» заемщиков, которые, понадеявшись на стабильный рост своих доходов, обращаются за кредитом, а затем, столкнувшись с трудностями, не успевают производить выплаты в срок, или, что самое худшее, объявляют о своей несостоятельности (банкротстве). Соответственно банк, в целях минимизации риска невозврата, пытается выявить заявки подобных клиентов и отказать им в выдаче кредита. Таким образом, банк выделяет для себя множество «плохих» и «хороших» заемщиков (в общем случае можно выделить большее количество групп – в зависимости от степени риска, который берет на себя банк при выдаче кредита).