Автореферат Шепелева М.В. Разработка экспертной системы оценки кредитных рисков

Важная роль в экономических преобразованиях отведена банкам, которые регулируют денежный оборот страны, аккумулируют денежные ресурсы и перераспределяют их. Одновременно банки владеют рычагами влияния на финансовую, инвестиционную, производственную и другие сферы экономики, а также на развитие экономических и общественных отношений.

В процессе своей активной деятельности банки сталкиваются с различного рода рисками. Неэффективное управление рисками в банковской деятельности может привести учреждение к банкротству, а в силу его положения в экономике, и к целому ряду банкротств, связанных с ним предприятий, банков и частных лиц.

Основным видом деятельности банка является кредитная, которая обеспечивает в среднем 50 % доходности всех активов, и, как правило, высокая доходность непосредственно сопровождается повышенным риском. С увеличением объемов кредитования актуализируются и задачи управления кредитным риском банка. В этой связи разработка методов оценки и механизма регулирования кредитных рисков обеспечивает укрепление финансового положения банка.

Кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций. Непогашение кредитов, особенно крупных, может привести банк к банкротству, а в силу его положения в экономике, к целому ряду банкротств, связанных с ним предприятий, банков и частных лиц. Поэтому управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка. Кредитование всегда было и остается приоритетной экономической функцией банков.

Исследованию теоретических проблем управления и оценки кредитных рисков посвящено много работ отечественных и зарубежных ученых. Авторами этих исследований являются ученые Украины: В.Я.Вовк, И.В. Волошин, А.М. Герасимович, В.И. Грушко, Л.О. Примостка, О.В. Хмеленко, Я.И. Чайковский, Р.И. Шевченко, а также зарубежные: А.В. Беляков, Е.Б. Герасимова, Х.В. Грюнинг, Н.Е. Егорова, С.Н. Кабушкин, Т.В. Осипенко, В.Т. Севрук. Однако, несмотря на такое количество работ, чувствуется потребность в фундаментальных научных работах, посвященных комплексной оценки кредитного риска и формирования аналитического инструментария его регулирования, которые бы учитывали специфику работы отечественных банков.

Разработкой программных продуктов на основе методов финансового анализа занимается много зарубежных и отечественных фирм: SAS-Credit Scoring for Banking, R-Style Soft lab, «Аналитические технологии для бизнеса» - dm Score, Camel, STATISTICA, WARD, EQUIS, Hyper Logic.

Изложенные аспекты и недостаточный уровень развития теоретических и методологических вопросов анализа риска кредитных операций в системе анализа банковской деятельности обуславливают выбор темы магистерской работы и свидетельствуют о ее актуальности.

Целью данного исследования является разработка экспертной системы экономически обоснованного механизма оценки и регулирования кредитного риска с целью удовлетворения интересов банка, связанных с минимизацией риска кредитного портфеля банка и повышением его качества.

Для достижения поставленной цели были решены следующие задачи:

- определены особенности управления кредитным риском банка, в соответствии с которыми проанализированы действующие методики оценки и регулирования совокупного кредитного риска банка;

- проанализированы концептуальные подходы к совершенствованию оценки и регулирования кредитного риска;

- проанализирован комплекс моделей и методов, формирующих механизм оценки и регулирования кредитного риска;

Объектом данного исследования является кредитная деятельность банка, а также кредитный риск, как неотъемлемая составляющая любой кредитной операции.

Предметом исследования выступает теоретический и методологический инструментарий оценки и регулирования риска кредитного портфеля банка.

Научная новизна полученных результатов определяется обоснованием концептуальных подходов и разработкой модели комплексной оценки и регулирования кредитных рисков на основе применения методов статистического анализа и экономико-математического моделирования. В разрабатываемой системе будут использоваться скоринговая модель, включающая в себя два метода: нейронные сети и классификационные деревья решений. С помощью нейронных сетей будет проводиться анализ кредитной истории прошлых лет и на основании полученных результатов будут выдаваться рекомендации и предпочтения при выдаче кредитных продуктов. Далее с помощью классификационного метода деревьев решений на основании входящих параметров системы, а именно анкет, заполняемых заёмщиком будет строиться классификационная модель, которая на выходе будет относить заёмщика к определенному классу, в соответствии которому будут приниматься решение о выдаче кредита. Таким образом методика нейронных сетей будет являться основой для построения классификационной модели деревьев решений. Именно в сочетании этих двух методов в скоринговой модели и будет проявляться научная новизна.

Практическая значимость полученных результатов определяется выбором приоритетных направлений оценки кредитного риска банка на основе фактического и прогнозного значения уровня риска, что позволяет обеспечить практическую реализацию модели оценки, повысить доходность кредитных операций, и уменьшить потери по кредитам. Разработанная экспертная система может использоваться кредитным отделом любого банка, а также будет служить отличным и гибким инструментом для любого кредитного эксперта или риск-менеджера.

Одной из самых рискованных банковских операций является кредитование. Это объясняется как самой природой кредита, так и тем, что эта операция занимает видное место в балансах большинства коммерческих банков. При осуществлении кредитных операций банк сталкивается с кредитным риском, то есть с риском не уплаты заемщиком основного долга и процентов.

Экономическое значение риска заключается в возможности управления им. Значимость управления риском как вида деятельности, заключается в возможности, во-первых, прогнозировать в определенной степени наступление рискового события, во-вторых, заблаговременно принимать необходимые меры к снижению размера возможных неблагоприятных последствий.

Для эффективной оценки кредитных рисков важно правильно подобрать метод оценки кредитоспособности заемщика и кредитного портфеля банка. Существует множество методов для оценки кредитных рисков, которые имеют свои достоинства и недостатки [4,11,12]. Сравнительный анализ методик приведен в таблице 1 [14]:

Таблица 1 - Сравнительный анализ методик оценки кредитного риска

Методика	Информационная база	Процедура оценки	Результат
1. Методика НБУ	• информация о финансовом состоянии заемщика • обслуживание заемщиком кредитной задолженности • уровень обеспечения ссуды	Оценка финансового состояния заемщика. Определение качественных характеристик текущего состояния ссуды.	Распределение ссуд по четырем рисковым категориям: • стандартные • под контролем • сомнительные • безнадежные
2. Скоринг	• анкетные данные • информация на заемщика из кредитного бюро • движения по счетам	• сбор информации • построение математической модели: - выбор метода классификации - определение критериев категорий риска	Распределение кредиторов по рисковым категориям (обычно -2-4 категории)
3. Математические методы 3.1 Credit metrics/ Credit VaR	• информация рейтинговых агентств: - текущее состояние рейтинга - вероятность перехода в другие рейтинговые категории	• сбор информации • определение периода для построения оценки • оценка распределения вероятности изменения стоимости кредитного портфеля заемщика по методике VaR	Функция распределения вероятности, отражающая степень рискованности
3.2 Методика КМV	• структура капитала предприятия • изменение доходности • стоимость активов в динамике	• сбор информации • определение периода для построения оценки • оценка распределения вероятности изменения стоимости предприятия путем построения модели Мертона.	Функция распределения вероятности, отражающая степень рискованности
3.3 Подход Credit Suisse Financial Prodacts (CSFP) с использованием Credit Risk+	информация рейтинговых агентств о вероятности дефолта	• сбор информации • определение периода для построения оценки • оценка вероятности дефолта, через представление в виде распределения Пуассона	Функция распределения вероятности, отражающая степень рискованности
4 Методика Базельского комитета 4.1 Стандартизованный подход (Standardized Apporoach)	• оценки кредитного рейтинга внешними рейтинговыми агентствами • оценки кредитного рейтинга Организацией экономического сотрудничества и развития	• распределение заемщиков на категории согласно формальным параметрам ссуды • определение рисковых весов категорий согласно критериям; установленным комитетом	Присвоение каждой категории заемщиков рискового веса
4.2 Основной IRB-подход (Foundation IRB (Internal ratings-based) Apporoach)	• вероятность дефолта (РD) • уровень потерь в случае дефолта (LGD) • сумма ссудных потерь (ЕAD) • срок (М	• определение вероятности дефолта банком (остальные параметры определяет комитет) • определение взвешенных оценок риска по формулам, представленным комитетом	Присвоение каждой категории заемщиков рискового веса
4.3 Развитый IRB-подход (Advanced IRB Apporoach)		• определение вероятности дефолта • определение уровня потерь в случае дефолта • определение суммы ссудных потерь • определение срока (М), оставшегося до погашения ссуды • определение взвешенных оценок риска по формуем, представленным комитетом	Присвоение каждой категории заемщиков рискового веса

Для построения экспертной системы оценки кредитных рисков для физических лиц очень рационально будет использовать скоринговую модель, основанную на математических и статистических методах. Назначение кредитного скоринга - автоматизированное принятие решений по выдаче кредитов частным лицам.

В зависимости от типа используемых входных данных о потенциальном заёмщике выделяют следующие типы скоринга [8,9]:

- Кредитный скоринг (скоринг по данным заявки, application scoring) - принятие решения о выдаче кредита новым клиентам по данным, указанным в заявке.

- Поведенческий скоринг (behaviour scoring) - динамическая оценка состояния кредитоспособности существующего заёмщика, основанная на данных об истории трансакций по его счетам (график погашения задолженности, оборот по текущим счетам, запрос новых кредитов). По результатам оценки может определяться текущий лимит кредита для заёмщика; меры, принимаемые в случае задержки платежей; маркетинговые ходы, которые могут быть направлены на клиента.

Система скоринга может использоваться не только на стадии продажи кредитного продукта, но и при его проектировании, поскольку с её помощью можно определить проанализировать кредитоспособность группы потенциальных заёмщиков, под которую проектируется продукт, и, выделив основные качества заёмщиков, способствующие снижению риска, направить основные маркетинговые усилия именно на таких заёмщиков.

В западной банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа:

В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель – score, чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности. Интегральный показатель каждого клиента сравнивается с неким числовым порогом, или линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем нужно клиентов, которые платят в срок, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии - нет.

Наиболее часто используются следующие характеристики для оценки кредитного риска:

Скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».

Модели скоринга объединяет свойство – геометрическая интерпретация [3].

Рисунок 1 Геометрическая интерпретация скоринговых моделей

Заемщики двух классов изображены на рисунке овалами. Верхний овал обозначает - «плохих» заемщиков, нижний - «хороших». По осям на графике размещены факторы риска кредитоспособности – переменные Х1 и Х2. Модель скоринга ищет, используя статистику ранее обработанных кредитов, такой взгляд на данные в пространстве фактором риска (на рисунке это пространство двумерное, в общем случае оно многомерное), чтобы под этим углом зрения объекты разных классов были максимально не похожи друг на друга. Этот угол зрения обозначен на рисунке прямой, проходящей между двумя овалами. Перпендикуляр к этой прямой является осью скоринга, проецирование на которую образов «плохих» и «хороших» заемщиков дает возможность отличить их друг от друга. Функция плотности заемщиков разных классов при проецировании на ось скоринга Z становятся отличными друг от друга. Т.о. в моделях появляются численные значения коэффициентов, взвешивающих входящие в модели факторы риска. Эти коэффициенты являются результатом процедуры обучения, когда для настройки модели ей предъявляются имеющиеся статистические данные, и она подбирает коэффициенты таким образом, чтобы точность распознавания классов заемщиков была максимальной.

Скоринговые модели являются первичным индикатором кредитоспособности потенциального заемщика. На их основе эксперт принимает окончательное решение о выдаче кредита. Далее на анимированном рисунке 2 из 4-х кадров будет представлен алгоритм функционирования скоринговой системы, структура принятия решения при предоставления кредита, многоступенчатая скоринг-модель, адаптированная к условиям конкретного банка:

Рисунок 2 Этапы внедрения скоринговой модели в АБС (анимация из 4-х кадров)

В настоящее время для кредитного скоринга используются методы статистики: дискриминантный анализ, линейная регрессия, логистическая регрессия, деревья классификации; исследования операций: линейное программирование, нелинейная оптимизация и искусственного интеллекта: нейронные сети, экспертные системы, генетические алгоритмы, методы ближайших соседей, Байесовские сети, логико-вероятностные методы. Указанные методы могут применяться как по отдельности, так и в различных комбинациях.

Наиболее рационально использовать скоринговую модель, включающая в себя два метода: нейронные сети и классификационные деревья решений. С помощью нейронных сетей будет проводиться анализ кредитной истории прошлых лет и на основании полученных результатов будут выдаваться рекомендации и предпочтения при выдаче кредитных продуктов. Далее с помощью классификационного метода деревьев решений на основании входящих параметров системы, а именно анкет, заполняемых заёмщиком будет строиться классификационная модель, которая на выходе будет относить заёмщика к определенному классу, в соответствии которому будут приниматься решение о выдаче кредита.

Алгоритм построения систем оценки риска на основе нейронных сетей следующий:

3) Конструирование, обучение и оценка качества сети:

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.

Таким образом можно отметить что алгоритм построения деревьев решений является достаточно гибким и оптимальным и применимым в скоринговых моделях для оценки рисков при кредитовании физических лиц.

Перед банком стоят следующие задачи в отношении кредитной политики:

Для решения всех вышеперечисленных задач следует выбрать такую модель оценки которая бы являлась оптимальной, адаптивно изменялась при любой макроэкономической обстановке, учитывала особенности бизнес процессов, оценивала бы автоматически кредитные заявки и учитывала бы экономическую ситуацию на локальном рынке. Модель, соответствующая всем этим параметрам является – скоринг, включающий в себя различные методы оценки кредитных рисков. Оптимальность данной модели будет зависеть от многих факторов. Для оценки кредитоспособности физических лиц наиболее результативным и оптимальным является применение скоринговой модели в сочетании двух методов - нейронных сетей и деревьев решений. С помощью нейронных сетей будет производиться оценка риска на основании кредитной истории за предыдущий год, в результате получим данные, которые будут учитываться при построении классификационного метода деревьев решений. Входящими параметрами классификации будут являться данные из анкет для получения кредита, заполненных заёмщиками. В результате получиться экспертная система на выходе которой заёмщик будет отнесен к одному из классов, и в зависимости от того в какой класс он попал будет вынесено решение о выдаче кредита.

Таким образом, были рассмотрены методы оценки кредитных рисков и кредитоспособности заемщика, а также их различные математические модели. Было выяснено, что одним из наилучших и перспективных методов оценки рисков и кредитоспособности является скоринговый метод.

В Украине внедрение скоринга должно осуществляться постепенно. Для начала можно сделать автоматизированную экспертную систему предварительной оценки заемщиков, которая будет автоматически отсеивать заведомо «плохие» риски, а на рассмотрение кредитного комитета предлагать риски «хорошие» и «пограничные». В качестве исходного материала для скоринга используется разнообразная информация о прошлых клиентах, на основе которой с помощью различных методов классификации делается прогноз о кредитоспособности будущих заемщиков. В качестве математической модели для скорингового метода наилучшими, при оценке кредитоспособности физических лиц являются нейронные сети и деревья решений. Данные методы наиболее быстро и четко произведут оценку факторов и выдадут результат - распределение заемщиков по категориям риска. Следовательно, на основании рассмотренных материалов в данной работе будет разрабатываться экспертная скоринговая система, использующая методы деревьев решений и нейронные сети. Данная система позволит банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.

Примечание: Окончательная готовность работы - январь 2007 года. Полный текст выпускной работы Вы можете получить у автора.