CC BY
7
Инновационные подходы также играют важную роль в стратегиях управления кредитным портфелем [5]. Ведущие банки активно внедряют новые технологии, такие как блокчейн, искусственный интеллект и большие данные, для оптимизации процессов выдачи кредитов, мониторинга рисков и анализа кредитного портфеля.
Таким образом, стратегии управления кредитным портфелем, основанные на опыте ведущих банков, включают в себя диверсификацию рисков, активное управление кредитными рисками, использование технологий и инновационных подходов, а также индивидуальные подходы к клиентам. Реализация этих стратегий позволяет банкам обеспечить стабильность и доходность своего кредитного портфеля в условиях динамично меняющейся экономической среды. Список использованной литературы:
1. Боброва И.В. "Стратегии управления кредитным портфелем: опыт ведущих банков". - Москва: Издательство "Кредитная аналитика", 2015.
2. Зайцев П.А. "Анализ и стратегии управления кредитным портфелем". - Санкт-Петербург: Издательство "Банковское дело", 2018.
3. Лебедева Е.А. "Управление кредитным портфелем в условиях изменяющегося рынка". - Москва: Издательство "Финансы и статистика", 2017.
4. Смирнов А.Н. "Стратегии управления кредитным портфелем: мировой опыт и российская практика". -Москва: Издательство "Финансы и статистика", 2019.
5. Фомина О.И. "Оптимизация управления кредитным портфелем: методы и практика". - Санкт-Петербург: Издательство "Питер", 2016.
© Мардеева Л. Р., 2024
УДК 336.71
Тараненко С.Н.
Аспирант,
НОУ ВПО «Санкт-Петербургский Гуманитарный университет профсоюзов»,
Санкт-Петербург, РФ
АНАЛИЗ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В ОБЛАСТИ ОЦЕНКИ РИСКОВ КРЕДИТНЫХ ОРГАНИЗАЦИЙ
Аннотация
Современная оценка рисков предполагает использование отдельных математических моделей. Постоянное развитием методов математического моделирования открывает новые возможности для повышения эффективности и надежности процессов оценки рисков. В зависимости от области применения модели, эффективность ее использования может значительно отличаться.
Ключевые слова.
Финансы, кредит, кредитные организации, банки, математическое моделирование, математическое моделирование в финансах.
Введение. В последние десятилетия значительно возрос интерес к разработке и применению математических моделей для оценки кредитных рисков. Это обусловлено не только увеличением объема и сложности кредитных операций, но и развитием компьютерных технологий, которые позволяют обрабатывать большие объемы данных и проводить сложные расчеты. Математическое моделирование кредитных рисков включает в себя использование статистических методов, вероятностных моделей и
алгоритмов машинного обучения для анализа и прогнозирования вероятности дефолта заемщиков, а также потенциальных потерь в случае наступления дефолта.
Целью данной работы является изучение и анализ существующих математических моделей оценки кредитных рисков. Работа включает в себя теоретический обзор основных подходов к моделированию кредитных рисков, анализ применения этих подходов и рекомендации по выбору моделей в зависимости от области применения моделей.
Важность данной темы обусловлена актуальностью проблемы управления рисками в финансовом секторе и постоянным развитием методов математического моделирования.
Результаты исследования. В современной практике оценки кредитных рисков используется ряд математических методов и инструментов. Эти подходы позволяют кредитным организациям анализировать и прогнозировать риски, связанные с кредитными операциями. В таблице 1 представлен обзор наиболее распространенных из них.
Таблица 1
Обзор математических методов и инструментов в области кредитных рисков
Наименование Особенности Пример
Статистический анализ и вероятностные модели включает в себя регрессионный анализ, анализ временных рядов, логистическую регрессию и другие статистические инструменты. модель Altman Z-score, модель KMV, логит- и пробит-модели, метод монте-Карло
Кредитный скоринг используется для оценки кредитоспособности заемщиков. Скоринговые модели обычно основаны на анализе большого количества данных о заемщиках и их кредитной истории. FICO Score, VantageScore
Модели оценки дефолта предназначенные для прогнозирования вероятности дефолта заемщика. Эти модели часто используются для оценки кредитного портфеля. Merton, модель CreditMetrics
Методы машинного обучения и искусственного интеллекта позволяют обрабатывать большие объемы данных и выявлять сложные нелинейные зависимости. случайные леса, градиентный бустинг, нейронные сети
Методы оценки потерь при дефолте (LGD) и вероятности дефолта показатели используются для расчета ожидаемых потерь и капитала, необходимого для покрытия рисков оценка LGD (Loss Given Default) и PD (Probability of Default)
Портфельные модели модели учитывают корреляции между различными кредитами и их влияние на общий риск портфеля модель CreditMetrics, модель CreditPortfolioView
Стресс-тестирование и сценарный анализ Позволяют оценить влияние различных экстремальных экономических условий на кредитный портфель. Используются для проверки устойчивости финансовых учреждений в условиях кризиса Stress Testing, VaR.
Интегрированные подходы Сочетание различных методов и моделей для получения более полной и точной оценки кредитных рисков. -
Источник: составлено автором.
Эти методы и инструменты представляют собой основу для разработки эффективных стратегий управления кредитными рисками в кредитных организациях. Они помогают не только минимизировать потенциальные убытки, но и оптимизировать кредитный портфель, улучшая его доходность и устойчивость. Выделяют традиционные и современные методы оценки кредитных рисков, основные характеристики представлены в таблице 2.
Таблица 2
Традиционные и современные методы оценки кредитных рисков
Характеристика Традиционные методы Современные методы
Основа методов Качественный анализ и опыт кредитных аналитиков Количественный анализ
Ключевые методы Финансовый анализ заемщика; анализ кредитной истории, оценка залога, экспертные оценки Кредитный скоринг, статистические и вероятностные модели, модели на основе машинного обучения, портфельные модели, стресс-тестирование и сценарный анализ
Характеристика Традиционные методы Современные методы
Преимущества Индивидуальный подход, простота и понятность: Обработка больших данных, объективность и последовательность, прогностическая способность
Недостатки Субъективность и ограниченная обработка данных. Сложность и непрозрачность, зависимость от качества данных
Области наиболее эффективного применения когда важен индивидуальный подход и когда доступ к большим объемам данных ограничен или невозможен когда необходимо обрабатывать большие объемы данных и когда требуется высокая степень объективности и прогностической способности
Источник: составлено автором.
В идеале, наиболее эффективный подход может заключаться в комбинировании традиционных и современных методов, что позволяет использовать преимущества обоих подходов и минимизировать их недостатки. Например, предварительный анализ с использованием современных методов может быть дополнен детальным индивидуальным рассмотрением наиболее рискованных случаев с применением традиционных методов [1].
В таблице 3 представлен обзор и анализ ключевых математических моделей, используемых в оценке кредитных рисков. Эти модели разработаны для количественной оценки рисков и помогают кредитным организациям принимать обоснованные решения.
Важно понимать, что выбор конкретной модели зависит от множества факторов, включая специфику кредитной организации, доступные данные, требуемую точность прогнозов и регуляторные требования. Оценка точности модели заключается в сравнении прогнозируемых результатов с фактическими данными. Это включает анализ показателей, таких как процент правильных классификаций, ошибок первого и второго рода. Модели, основанные на машинном обучении, часто демонстрируют высокую точность в прогнозировании дефолтов, но могут быть подвержены переобучению и потере точности при изменении рыночных условий. Надежность модели оценивается её способностью сохранять точность и предсказательную силу в течение длительного времени и в различных экономических сценариях.
Традиционные модели, такие как Altman Z-score, хотя и могут быть менее точными в некоторых случаях, часто демонстрируют большую стабильность и надежность на протяжении времени. Altman Z-score обычно лучше работает с традиционными компаниями, имеющими длительную финансовую историю. Она проста в использовании, но может быть менее точной в условиях быстро меняющейся экономической среды. [2, 3]
Модель KMV более эффективна для компаний с активно торгуемыми акциями, так как она основывается на рыночных данных. Она может быть более точной в прогнозировании краткосрочных рисков, но требует доступа к актуальным рыночным данным и более сложна в реализации [4].
Таблица 3
Обзор ключевых математических моделей в области кредитных рисков
Характеристика Модель Altman Z-Бсоге Модель CreditMetrics Модель КММ Логит- и пробит-модели Модели на основе машинного обучения
История возникновения разработана Эдвардом Альтманом в 1968 году. разработана J.P. Morgan в 1997 году. разработана компанией КММ, (Кеалхофер, Васичек и Мертон). разработана Олсоном в 1980 году. продолжают разрабатываться
Применение для прогнозирования вероятности банкротства компании. для оценки кредитного риска и потенциальных изменений в кредитном рейтинге заемщика. для оценки вероятности дефолта заемщика. в кредитном скоринге в кредитном скоринге, основанном на алгоритмах машинного обучения.
Характеристика Модель Altman Z-Бсоге Модель CreditMetrics Модель KMV Логит- и пробит-модели Модели на основе машинного обучения
Суть основные используемые показатели: рентабельность активов, ликвидность, финансовый леверидж, оборачиваемость активов и размер резервного капитала, высокая точность за два года до возникновения финансовых проблем. учитывает вероятность перехода между различными кредитными рейтингами и оценивает влияние этих переходов на стоимость портфеля использует стоимость акций компании и волатильность ее акций для оценки риска дефолта. Модель основана на теории опционов и предполагает, что капитал компании можно рассматривать как опцион на ее активы. основаны на логистической (логит) и нормальной (пробит) функциях распределения вероятностей. Позволяют оценить вероятность наступления события (например, дефолта) на основе набора финансовых и нефинансовых показателей. анализ большего количества переменных и их взаимосвязей с помощью моделей случайного леса, градиентного бустинга, нейронных сетей, позволяющий получить высокоточный прогноз кредитных рисков.
Преимущества легкость применения и понимания. Использует стандартные финансовые показатели. Хорошо зарекомендовала себя в прогнозировании банкротства. учитывает изменения в кредитном рейтинге и их влияние на портфель. Подходит для оценки рисков всего портфеля. основана на рыночных данных, что обеспечивает актуальность оценок. Использует теорию опционов для оценки риска дефолта. подходят для анализа больших наборов данных. Могут учитывать широкий спектр переменных. высокая точность и способность обрабатывать сложные нелинейные зависимости. Гибкость в выборе и комбинировани и различных типов данных.
Недостатки Менее эффективна для новых компаний без долгой финансовой истории. Не учитывает изменения в экономической среде и отраслевые особенности. Требует сложных расчетов и больших объемов данных. Может быть сложной в понимании и реализации. Зависит от точности и доступности рыночных данных. Может быть сложной для понимания и применения без специализированны х знаний. Требуют точной спецификации модели и выбора релевантных переменных. Могут быть чувствительны к выбору и обработке данных. Могут быть "черными ящиками", затрудняющими интерпретацию результатов. Требуют больших объемов качественных данных и вычислительных ресурсов.
Источник: составлено автором.
Модели вероятности дефолта PD эффективны для оценки вероятности дефолта заемщика, но могут не учитывать потенциальный размер убытков. Модели потерь при дефолте LGD фокусируются на оценке потенциальных убытков в случае дефолта, но могут быть сложными в применении из-за необходимости оценки стоимости залога и восстановления долга. Портфельные модели полезны для оценки рисков на уровне всего портфеля, учитывая корреляции между различными активами. Они помогают оптимизировать распределение рисков, но могут быть сложными в настройке и требуют обширных данных. Индивидуальные оценки полезны для детального анализа отдельных кредитных сделок, но могут не учитывать взаимосвязи между различными кредитами в портфеле. Традиционные методы полезны для получения глубокого понимания финансового состояния конкретного заемщика. Они предоставляют прозрачные и понятные результаты, но могут быть ограничены в обработке больших объемов данных. Методы машинного обучения предлагают высокую точность и способны обрабатывать большие и
разнообразные наборы данных. Однако они могут быть сложными в интерпретации и требуют значительных вычислительных ресурсов. Важным аспектом является способность модели адаптироваться к специфике различных типов заемщиков и кредитных продуктов. Например, модели, разработанные для корпоративных клиентов, могут быть неэффективны при оценке рисков розничных кредитов [5]. Эффективность модели также определяется её соответствием регуляторным требованиям, особенно в контексте Базельских соглашений и других нормативных актов. Модели должны не только оценивать риски, но и соответствовать требованиям прозрачности и проверяемости. Сравнительный анализ показывает, что нет универсальной модели, идеально подходящей для всех ситуаций. Выбор модели зависит от конкретных целей оценки, доступности данных, регуляторных требований и специфики кредитной организации. Часто наиболее эффективным подходом является комбинация различных моделей.
Выводы. Выбор подходящей модели оценки кредитных рисков зависит от множества факторов, включая характеристики кредитного портфеля, специфику заемщиков, доступные данные и регуляторные требования. Ниже представлены рекомендации по выбору моделей в зависимости от области применения моделей:
1. Для крупных корпоративных заемщиков:
Рекомендуется использовать модели, основанные на финансовом анализе, такие как А^тап Z-score, а также модели, учитывающие рыночные данные (например, модель KMV). Эти модели хорошо подходят для оценки кредитоспособности крупных компаний с устоявшейся финансовой историей.
2. Для розничных кредитных портфелей:
Системы кредитного скоринга на основе статистических и машинного обучения эффективны для оценки рисков в розничном сегменте. Они позволяют быстро обрабатывать большие объемы данных и учитывать множество факторов, влияющих на кредитоспособность.
3. Для активно торгуемых акций:
Модели, основанные на рыночных данных, такие как модель KMV, могут быть более предпочтительными, так как они быстро реагируют на изменения рыночных условий. Также полезным может быть применение стресс-тестирования для оценки устойчивости портфеля к экстремальным экономическим сценариям.
4. Для новых или быстрорастущих компаний:
Модели, основанные на машинном обучении, могут быть более эффективными, так как они способны учитывать нестандартные показатели и выявлять скрытые закономерности в поведении заемщиков.
5. Для инвестиционных и кредитных компаний:
Портфельные модели, такие как CreditMetrics или CreditPortfolioView, подходят для оценки рисков на уровне всего портфеля, учитывая корреляции между различными активами и их влияние на общий риск.
6. Для индивидуального анализа заемщиков:
В ситуациях, когда требуется детальный анализ отдельных заемщиков или сделок, целесообразно использовать комбинацию традиционных методов (например, финансовый анализ) и современных подходов (например, элементы машинного обучения).
Выбор модели должен основываться на тщательном анализе потребностей кредитной организации и специфики её кредитного портфеля. В идеале, следует стремиться к созданию гибкой и адаптивной системы оценки рисков, которая может сочетать различные подходы и модели в зависимости от текущих условий и задач.
Список использованной литературы: 1. Грибов, А.Ф., Моделирование финансовой деятельности. — Москва: КноРус, 2021. — 374 с.
2. Шарич, Э. Э. Оценка банкротства на основе статистических и математических моделей: недостатки и ограничения // УЭПС: управление, экономика, политика, социология. - 2020. - № 4. - С. 77-81.
3. Яковенко, А.Е. Модели оценки финансовых рисков // Вестник студенческого научного общества ГОУ ВПО "Донецкий национальный университет". - 2022. - Т. 3, № 14. - С. 259-264.
4. Гребенькова, М.А. Использование математических моделей при оценке кредитных рисков // Финансовые рынки и банки. - 2018. - № 1. - С. 32-40.
5. Ерешко, Ф.И. Оценка рисков в моделях с иерархической структурой // Тенденции развития Интернет и цифровой экономики: Труды VI Международной научно-практической конференции, Симферополь-Алушта, 01-03 июня 2023 года. - Симферополь: ИП Зуева, 2023. - С. 19-25.
© Тараненко С.Н., 2024
УДК 332.143:353
Устюгов Ю.А.
доктор технических наук, Почётный профессор ЧОУ ВО "Сибирская академия финансов и банковского дела",
г. Новосибирск, РФ
МЕТОД ОЦЕНКИ ЭФФЕКТИВНОСТИ, УПУЩЕННЫХ ВОЗМОЖНОСТЕЙ И МНОГОСЛОЙНОЙ ОПТИМИЗАЦИИ ONLINE АДАПТИВНОГО УПРАВЛЕНИЯ ВЗАИМОСВЯЗАННЫМ КОМПЛЕКСОМ ПРОЦЕССОВ "СОЦИАЛЬНО - ЭКОНОМИЧЕСКОЕ РАЗВИТИЕ ТЕРРИТОРИИ ^ ПОВЫШЕНИЕ УРОВНЯ И КАЧЕСТВА ЖИЗНИ ЕЁ НАСЕЛЕНИЯ"
Аннотация
В рамках разрабатываемой методологии оптимальных социально-экономических взаимодействий (СЭВ) на территории, представленной в статьях автора 2012-2022 гг. на платформе Elibrary.RU, предложен метод решения сформулированной в статье проблемы оптимального online управления сложнейшими многомерными многослойными взаимосвязанными процессами СЭВ, охватывающими всю жизнедеятельность на территории, - "Социально-экономическое развитие территории" ^ "Повышение уровня и качества жизни населения территории" (СЭРТ^ПКЖНТ), включающее автономное адресное адаптивное управление всеми СЭВ одновременно во всех локациях СЭВ (на территории их десятки тысяч), обеспечивающее (в парадигме и признаковом пространстве метода) максимальные уровни СЭРТ и КЖНТ и максимальный вклад всех участников СЭВ в СЭРТ^ПКЖНТ. Метод позволяет при заданных и редактируемых в online режиме исходных данных (их сотни тысяч - миллионы) синхронизировать работу асинхронно функционирующих локаций СЭВ, количественно оценивать результативность, эффективность и упущенные социально-экономические возможности в online управлении СЭРТ^ПКЖНТ, определять оптимальное поведение и личный вклад в СЭРТ^ПКЖНТ каждого участника СЭВ в каждой локации СЭВ в пространстве социально-экономических изменений отдельно по каждой стратегической цели (СЦ) СЭРТ и СЦ ПКЖНТ и любой их комбинации. Метод может быть полезен органам публичной власти всех уровней, а также магистрантам, аспирантам, докторантам, специалистам, исследующим проблемы оптимального управления жизнедеятельностью на территории.
