Совершенствование методики оценки заемщиков - физических лиц банка "Авангард" - Оценка кредитоспособности заемщика - физического лица (на примере банка Авангард)
Рассмотрим возможность применения одного из методов оценки риска при кредитовании физических лиц банком "Авангард", основанного 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. Данная статья посвящена одному из ключевых моментов в кредитовании физических лиц - определению кредитоспособности потенциального заемщика.
При кредитовании физических лиц характерны небольшие размеры ссуд, что порождает большой объем работы по их оформлению и достаточно дорогостоящая процедура оценки кредитоспособности относительно получаемой в результате прибыли.
Для оценки кредитоспособности физических лиц банку "Авангард" необходимо оценить как финансовое положение заемщика, так и личные качества заемщика. При этом кредитный риск складывается из риска невозврата основной суммы долга и процентов по этой сумме.
Сейчас для оценки риска кредитования заемщика используется скоринг кредитование. Сущность этой методики 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 второстепенных. На сегодняшний день известно достаточно много методик кредитного скоринга.
Одной из самых известных является модель Дюрана. Дюран определил группы факторов, позволяющих максимально определить степень кредитного риска. Также он определил коэффициенты для различных факторов, характеризующих кредитоспособность физического лица:
Пол: женский (0.40), мужской (0)
Возраст: 0.1 балл за каждый год свыше 20 лет, но не больше чем 0.30
Срок проживания в данной местности: 0.042 за каждый год, но не больше чем 0.42
Профессия: 0.55 - за профессию с низким риском; 0 - за профессию с высоким риском; 0.16 - другие профессии
Финансовые показатели: наличие банковского счета - 0.45; наличие недвижимости - 0.35; наличие полиса по страхованию - 0.19
Работа: 0.21 - предприятия в общественной отрасли, 0 - другие
Занятость: 0.059 - за каждый год работы на данном предприятии
Также он определил порог, перейдя который, человек считался кредитоспособным. Этот порог равен 1.25. Т. е. если набранная сумма баллов больше или равна 1.25, то потенциальному заемщику выдается испрашиваемая им сумма.
Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень плохо адаптируема. А используемая для оценки кредитоспособности система, должна отвечать настоящему положению дел.
Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что он востребован. В России наоборот - данное обстоятельство говорило о том, что человек либо не может ужиться с коллективом, либо это малоценный специалист, а соответственно повышается вероятность просрочки в платежах.
Другим примером различия весовых коэффициентов может служить то, что если в России наличие личного автомобиля говорило о хорошем финансовом положении заемщика, то сейчас это наличие практически ни о чем не говорит. Таким образом адаптировать модель просто крайне необходимо, как для разных периодов времени, так и для разных стран и даже для разных регионов страны.
Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран. Т. е. специалисты, которые будут заниматься такой адаптацией должны быть высоко квалифицированными, а значит и очень высокооплачиваемые. Это должны такие люди, чтобы они были в состоянии оценить текущую ситуацию на рынке. Результатом такого рода проделанной работы будет набор факторов с весовыми коэффициентами плюс некий порог (значение), преодолев который человек, обратившийся за кредитом, считается способным погасить испрашиваемую ссуду плюс проценты.
Полученные результаты являются по большей части субъективным мнением и, как правило, плохо подкрепленные статистикой (статистически необоснованные). Как следствие всего этого, полученная модель не в полной мере отвечает текущей действительности.
Финансовым результатом такого подхода будет то, что в процентной ставке кредитования предлагаемой банком большую долю будет занимать часть, покрывающая риск неплатежей.
Итак, основные недостатки скоринговой системы оценки кредитоспособности физических лиц это:
- - Высокая стоимость адаптации используемой модели под текущее положение дел; - Большая вероятность ошибки модели при определении кредитоспособности потенциального заемщика, обусловленная субъективным мнением специалиста.
Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений.
Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Пример дерева приведен на рис. 3.1.
Рис. 3.1 Пример дерева решений
Сущность этого метода заключается в следующем. На основе данных, за прошлые периоды строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. В нашем случае должно быть известно, была ли возвращена основная сумма долга и проценты, и не было ли просрочек в платежах. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются по узлам, которые в свою очередь также могут быть разбиты на дочерние узлы.
Критерий разбиения - это различные значения какого-либо входного фактора.
Для определения поля, по которому будет происходить разбиение, используется показатель, называемый энтропия - мера неопределенности. Выбирается то поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к различным классам) находятся в одном узле. Энтропия равна нулю, если в узле будут находиться объекты, относящиеся к одному классу.
Полученную модель используют при определении класса (Давать/Не давать кредит) вновь возникших ситуаций (поступила заявка на получение кредита).
При существенном изменении текущей ситуации на рынке, дерево можно перестроить, т. е. адаптировать к существующей обстановке.
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 (рис. 3.2) по причине практической уникальности каждого из значений.
Рис. 3.2 Настройка определяющих и целевых факторов
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'.
После процесса построения дерева решений при помощи программы Tree Analyzer получаем следующую модель оценки кредитоспособности физических лиц, описывающую ситуацию, относящуюся к определенному банку. Эта модель представлена в виде иерархической структуры правил - дерева решений (рис. 3.3).
Рис. 3.3 Дерево решений - модель определения кредитоспособности физических лиц
Анализируя полученное дерево решений (см. рис. 3) можно сказать следующее:
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'. А 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 лица.
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 4 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:
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%)
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 (рис. 3.4), в котором, последовательно отвечая на вопросы, можно получить ответ на вопрос: 'Давать ли кредит'.
Рис. 3.4 Окно 'Эксперимент'
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 %)
Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности.
Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально)
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.
Приведенный выше пример - это достаточно грубый вариант того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц в банке "Авангард". Хотя и при таком первом приближении наблюдаются положительные результаты.
Дальнейшие усовершенствования могут затрагивать такие моменты как:
- - более точный подбор определяющих заемщика факторов; - изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя; - в данной статье ни слова не говориться об очистке данных, хотя, как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.
В третьем разделе работы было рассмотрено совершенствование методов оценки кредитоспособности заемщиков физических лиц в банке "Авангард". Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений. Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности.
Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально)
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.
Данный вариант - пример того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц в банке "Авангард". Хотя и при таком первом приближении наблюдаются положительные результаты. Дальнейшие усовершенствования могут затрагивать такие моменты как: более точный подбор определяющих заемщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя; в данной статье ни слова не говориться об очистке данных, хотя, как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.
Похожие статьи
-
ЗАКЛЮЧЕНИЕ - Оценка кредитоспособности заемщика - физического лица (на примере банка Авангард)
В современных условиях финансового кризиса от методов оценки кредитоспособности предприятий зависит не только стабильность того или иного банка, но и...
-
Проблемы оценки кредитоспособности заемщика в банке "Авангард" Как показывает мировая практика, значительная часть дохода банков формируется в результате...
-
Порядок получение кредита в банке "Авангард" следующий: 1) Заемщик заполняет заявление на получение кредита и анкету (в офисах или на сайте Банка). 2)...
-
ВВЕДЕНИЕ - Оценка кредитоспособности заемщика - физического лица (на примере банка Авангард)
Актуальность темы исследования. Проблема своевременного возвращения кредитов, выданных физическим лицам, актуальна для большинства банковских учреждений,...
-
Кредитоспособность мелких предприятий может оцениваться таким же образом, как и способность к погашению долга у крупных и средних заемщиков - на основе...
-
Мировая банковская практика выработала ряд основополагающих принципов кредитования частных лиц, которые должны соблюдаться кредиторами и заемщиками в...
-
Процесс кредитования связан с действиями многообразных факторов риска, способных привести к непогашению кредита и процентов по нему. К факторам зависящим...
-
Если в качестве обеспечения по Кредитному договору применяются поручительства физических лиц (без другого обеспечения), включая поручительства по...
-
На данный момент БЦК использует для оценки группы риска отдельной ссуды и кредитного портфеля в целом Инструкцию НБ РК от 30.06.97 г. N062а. Согласно...
-
Модель анализ кредитоспособность заемщик Второй подход к оценке кредитоспособности предприятия - заемщика - модели на основе комплексного анализа....
-
Цель выпускной квалифицированной работы, которая состояла в исследовании особенностей кредитования физических лиц в дополнительном офисе №8612/0601 г....
-
Дополнительный офис именуемый в дальнейшем Банк, принимает на себя кредитный риск, а именно риск того, что контрагент не сможет погасить задолженность в...
-
Выдача кредитов физическим лицам -- достаточно популярная и распространенная услуга в Сбербанке России. Банк готов предложить населению большое...
-
Подходы к оценке кредитоспособности заемщиков Кредитоспособность заемщика зависит от многих факторов, оценить и рассчитать каждый из которых непросто....
-
Методика банков США Ряд американских экономистов описывает систему оценки кредитоспособности, построенную на сальдовых показателях отчетности....
-
Классификационные модели анализа кредитоспособности заемщика И в нашей стране, и во всем мире существует множество методик оценки финансового положения...
-
Модели анализа кредитоспособности заемщиков - Кредитная политика коммeрческого банка
Современные практические методы анализа кредитоспособности заемщиков коммерческого банка основываются на комплексном применении как финансовых так и...
-
ПРОБЛЕМЫ АВТОКРЕДИТОВАНИЯ ФИЗИЧЕСКИХ ЛИЦ КОММЕРЧЕСКИМ БАНКОМ Кредитование физических лиц является весьма значимой для банков операцией. Однако...
-
Принципы кредитования отражают сущность кредита, а также требования объективных экономических законов в сфере кредитных отношений. В современных условиях...
-
Кредитование физических лиц: сущность, понятие и значение в деятельности коммерческих банков. Кредитная политика - основа организации кредитного процесса...
-
Развитие кредитования физических лиц в условиях рыночной экономики Одним из новых кредитных продуктов Банка является кредитование работников предприятия...
-
В условиях нынешней экономической ситуации в Казахстане потребительское кредитование является еще одной областью риска для банков, поскольку большинство...
-
Основные достоинства и недостатки методики по оценке кредитоспособности заемщика При анализе методики по оценке кредитоспособности заемщика АКБ "Банка...
-
Методика оценки целесообразности предоставления банковского кредита, разработана для определения банками платежеспособности предприятий, наделяемых...
-
Кредитоспособность заемщика зависит от многих факторов. Уже это само по себе означает трудность, поскольку каждый фактор (для банка - факторы риска)...
-
Понятие, цели и задачи оценки кредитоспособности банком В современной экономике Казахстана в период становления и развития нового типа экономических...
-
Понятие и сущность кредитоспособности заемщика Кредитоспособность клиента коммерческого банка - способность клиента полностью и в срок рассчитаться по...
-
Методика оценки целесообразности предоставления банковского кредита, разработана для определения банками платежеспособности предприятий, наделяемых...
-
Кредитоспособность заемщика - это его комплексная правовая и финансовая характеристика, представленная финансовыми и нефинансовыми показателями,...
-
В случае использования математических моделей не учитывается влияние "качественных" факторов при предоставлении банками кредитов. Эти модели лишь отчасти...
-
Классификационные модели оценки кредитоспособности заемщиков Среди подходов к оценке кредитоспособности заемщиков можно выделить две группы моделей: 1)...
-
Предложения по совершенствованию кредитного обслуживания физических лиц в дополнительном офисе Анализ кредитного портфеля, проведенный во второй главе...
-
Методика оценки целесообразности предоставления банковского кредита разработана для определения банками платежеспособности предприятий, наделяемых...
-
В соответствии с "Регламентом кредитования физических лиц ОАО "Сбербанком России" и его филиалами" (Редакция 4) № 229-4 от 31.08.2011 г. (в действующей...
-
Зарубежный опыт оценки Оценка кредитоспособности физических лиц основывается на изучении факторов, определяющих его репутацию, способность погасить ссуду...
-
Процесс кредитования физических лиц включает несколько этапов. Основываясь на практике российских банков, их можно представить следующим образом. Клиент,...
-
ООО "РУСФИНАНСБАНК" специализируется на потребительском кредитовании физических лиц и предлагает следующие направления: кредит на приобретение...
-
Коммерческие банки, расположенные на территории Российской Федерации, предоставляют гражданам несколько видов кредитов, как в рублях, так и в иностранной...
-
Кредитование субъектов хозяйствования является одной из основных функций в деятельности банковских учреждений, в процессе которой они сталкиваются с...
-
Актуальность исследования обусловлена тем, что в настоящее время одним из самых динамично развивающихся рынков в России является рынок потребительского...
Совершенствование методики оценки заемщиков - физических лиц банка "Авангард" - Оценка кредитоспособности заемщика - физического лица (на примере банка Авангард)