Описание издания | Свежий номер | Архив | Приобрести/Подписаться |
Международная банковская практика: скоринговая оценка корпоративных клиентовПрактика выдачи корпоративных кредитов по-прежнему остается актуальной: обслуживание корпоративных клиентов как оптовых покупателей всегда было одним
из приоритетных направлений банковской деятельности. Современная экономическая ситуация и здоровая конкуренция подталкивают банки к расширению кредитного предложения в области корпоративного кредитования. Наряду
с понижением процентной ставки простота оформления
и скорость предоставления кредита становятся факторами конкурентной борьбы банков за новых клиентов. На сегодняшний момент решение о предоставлении кредита компании зачастую принимается «вручную» на основе проведенного банком финансового анализа состояния компании-заемщика, поэтому внедрение в банках автоматизированных систем оценки кредитоспособности компаний является крайне актуальным, помогая банковским учреждениям выйти на качественно новый уровень управления своей доходностью. Как же на практике осуществляется скоринговая оценка корпоративных заемщиков? В своей статье мы хотели бы поделиться западным опытом управления рисками в корпоративном секторе. Исторически кредитный скоринг возник около 50 лет назад в форме так называемых скоринговых карт. Устройство и использование скоринговой карты несложно (рис. 1). Характеристики для скоринга могут быть выбраны из любого имеющегося в распоряжении источника данных о потенциальном заемщике. Подобными характеристиками могут служить демографические факторы (например, сектор экономики, к которому относится основная деятельность компании-заемщика; страна регистрации; как долго существует компания и т.п.), характеристики, отражающие уже существующие отношения между клиентом и банком (например, как долго компания является клиентом банка, количество используемых кредитных продуктов, на- сколько ответственно она подходит к осуществлению оплаты, предыдущие обращения в банк) и, наконец, финансовые данные о компании (например, годовой оборот, прибыль, размер капитала, число сотрудников и т.д.). На основании статистических исследований каждому признаку назначается определенное количество баллов (чем выше кредитоспособность и добросовестность клиента по тому или иному признаку, тем более высокий балл мы этому признаку присваиваем). При этом принимается во внимание предикативная (прогнозная) сила каждого такого фактора, наличие корреляций между ними и другие статистические характеристики исследуемой совокупности объектов. Окончательный балл компании-претенден-та — это сумма баллов для каждого признака скоринговой карты, которые она набрала в результате. В зависимости от этого количества баллов определяется максимальный размер ссуды, которую банк готов предоставить данному корпоративному заемщику. Таким образом, знания об имеющихся корпоративных клиентах позволяют нам прогнозировать профиль потенциальной компании — заемщика банка. Поскольку со временем данные обновляются, естественно, периодически происходит модификация самой скоринговой карты: некоторые признаки становятся более значимыми, а другие отходят на второй план. Коррекция карт производится регулярно, а ее периодичность зависит от объема кредитов. Скоринговый балл претендента, обратившегося за кредитом, сравнивается с баллами корпоративных клиентов, уже существующих в банке, и на этой основе делаются определенные выводы о его возможном поведении в будущем. Прогнозная модель строится с помощью таких аналитических методов, как логистическая регрессия или нейронные сети. Затем вычисляется вероятность дефолта первого (второго, третьего...) платежа и строится соответствующая PD-модель. В результате вычисляется определенный балл отсечения, после сопоставления с которым принимается решение о предоставлении кредита. Если балл, набранный компанией-соискателем, выше балла отсечения, то выносится положительное решение, а вот если ниже, то банк вынужден отказать такой компании в выдаче денег (рис. 2). На основе полученных баллов мы распределяем наших корпоративных клиентов по классам риска с соответствующим уровнем вероятности дефолта (PD). Например, вероятность 0,356 означает, что данный контрагент с вероятностью 35,6% будет иметь просроченную задолженность в следующем году (точнее, в ближайшие 12 месяцев). Аккуратность и стабильность подобной PD-модели (рис. 3) на практике достаточно высока, что обеспечивается достаточно хорошим качеством данных о корпоративных клиентах, имеющихся в банках благодаря информации, регулярно предоставляемой ими (финансовой отчетности и т.п.). Для построения хорошей прогнозной модели важно правильно выбрать временной период, предшествующий дате дефолта (отмечена темно-серым цветом на рис. 4). Международными стандартами Базеля II определен минимальный преддефолтный временной промежуток. На практике такой наблюдательный период составляет от 12 до 36 месяцев (отмечен светло-серым цветом). После окончания «наблюдательного» периода мы берем еще три месяца («Просрочка более 90 дней» — это определение дефолта, установленное Базелем II), чтобы получить все просроченные контракты, отобранные из «наблюдательного» периода. Хотелось бы добавить несколько слов и о LGD-модели (Loss Given Default/сумма задолженности), предсказывающей вероятность выхода из просроченной задолженности. Она гораздо сложнее. Так, по мнению всеми уважаемого Moody’s, предсказать поведение дефолтного клиента затруднительно ввиду того, что оно сильно диверсифицировано: клиент может выплатить кредит полностью, но не оплатить проценты; может оплатить сумму долга частично; может выплачивать общую сумму долга годами и т.д. Принимая также во внимание, что реальных дефолтов в российских банках пока накоплено недостаточно, то говорить о статистически релевантной LGD-модели в корпоративном секторе пока преждевременно. Хотя, в принципе, в западных банках с применением продвинутых аналитических подходов (линейной регрессии, нейронных сетей и т.д.) Recovery Rate (процент вероятности возвращения дефолтного клиента обратно в «хорошего») вычисляется достаточно точно. Касаясь вопросов моделирования, невозможно обойти вниманием валидацию моделей, которая также является обязательным требованием Базеля II. Любая, даже идеально построенная модель должна быть апробирована и подтверждена на предмет точности своих прогнозов. Валидация моделей может производиться разными способами. Наиболее часто встречается out-of-sample validation, когда большая часть имеющихся данных (примерно 70%) используется для построения модели, а оставшаяся часть (не задействованная в моделировании) идет на ее валидацию. Этот подход позволяет убедиться, что «успешная» на одних данных модель продолжает строить точные прогнозы и на других данных кредитного портфеля. Неудобство применения метода возникает лишь при недостаточном количестве данных, которые вам приходится еще при этом делить. Здесь хочется отметить, что статистически релевантными результатами считаются те, что получены на выборке, содержащей как минимум 2000 записей и достаточное количество дефолтов. На рисунке 5 приведен график, отражающий эффективность работы модели. Как видите, большее количество дефолтов дает нам более качественную модель: Известна также out-of-time validation, когда для валидации модели используются данные другого временного промежутка, а затем результаты работы модели сравниваются (например, текущий год с предыдущим). Если модель ведет себя ровно во времени, то это подтверждает ее стабильность. Сравнение производится различными статистическими методами (более подробное описание можно найти в статье Benchmarking Quantitative Default Risk Models: A Validation Methodology (см. список литературы)). Валидация PD-моделей (где у нас участвуют две основные категории клиентов — «хорошие» и «плохие») несколько отличается от валидации LGD-моделей, где мы имеем дело только с должниками. Здесь требуется дополнительная информация: размер просроченной задолженности, размер произведенных выплат, ожидаемая вероятность возврата средств (Predicted Recovery Rate) и т.п. На рисунке 6 приведен пример валидации LGD-модели c помощью метода усредненных квадратов (ошибка измеряется величиной MSE): Чем больше значение MSE, тем хуже прогнозная сила построенной модели. Заканчивая тему моделирования, хотелось бы также коснуться еще такого интересного вопроса, как стресс-тестинг. Этот метод позволяет «глубже» узнать кредитный портфель, позволяя рассчитать потенциальные потери на сильно изменяющемся рынке. Для российских банков с их динамично растущим портфелем это особенно актуально, когда возможность возникновения очередного «черного вторника» не кажется такой уж нереальной. Для реализации моделирования в корпоративном секторе используются разные средства программного обеспечения. Мы рассмотрим в нашей статье SAS Enterprise Miner, продукт, хорошо зарекомендовавший себя в мировой банковской практике. На рисунке 7 представлена общая схема скорингового проекта, включающая в себя сбор данных — проверку качества данных — статистический анализ данных — кластерный анализ и группировки признаков — построение моделей различными аналитическими методами — выбор оптимальной модели — отчетность (в виде скоринговой карты и графиков). Данный продукт, удобный в использовании и обладающий большим набором функциональных возможностей, позволяет нам также провести сегментацию с целью выявления группы клиентов с наиболее высоким уровнем риска (мошенников и должников), составляя так называемый «Профиль риска». В результате каждый корпоративный клиент банка зачисляется в соответствующий класс риска и получает внутренний рейтинг. Ежемесячно производится мониторинг кредитного портфеля и отслеживается динамика «эволюции» клиента. Система внутренних рейтингов клиентов позволяет нам проактивно реагировать на негативные тенденции и эффективно предотвращать потенциальные дефолты. Литература1. Moody’s Investor Service, Global Credit Research, Special comments (2000). 2. Sobehart J.R., Keenan S.C, Stein K.M. Benchmarking Quantitative Default Risk Models: A Validation Methodology // Global Credit Research (2000). 3. Blaschke W., Matthew T.J., Majnoni G. and Peria S.M. Stress Testing of Financial Systems: An Overview of Issues, Methodologie // IMF Working paper (2001). 4. Кордичев А.С., Катилова Н.В. Кредитный скоринг: выявление мошенничества // Материалы 3-й конференции «Управление рисками в банковских учреждениях», Москва, www.raexpert.ru 5. Кордичев А.С., Катилова Н.В. Разработка скоринговых карт // Банковский ритейл. 2007. № 3. |
АСН – Агентство Страховых Новостей: СМИ о страховании на сайте. |