CC BY
43
♦-----------------------------------------------
пании-инициатора сделки. Так, в 1999 г. «Кузбассэ-нерго» создал компанию «Вексельный центр», которая скупала долги «Кузбассэнерго» за свои векселя. В результате было приобретено таким образом около 200 млн руб. задолженности, на данную схему согласились примерно 270 кредиторов. Также в 1999 г ТНК оплачивала долги «Черногорнефти» своими векселями. В этом случае векселя были авалированы Внешторгбанком.
В 2003 г ЗАО «Нефтегазбанк» выпустил векселя на сумму около 1,3 млрд руб. Выпущенные векселя были использованы «Нефтегазбанком» для приобретения 52,64% акций АХК «Азот». Также в 2003 г. «Петербургский мельничный комбинат» выпустил шестимесячные векселя на сумму 400 млн руб. для финансирования
приобретения «Ленинградского комбината хлебопродуктов им. С.М. Кирова». А уже в 2004 г группа «Лен-стро», в которую входят вышеуказанные компании, осуществила размещение облигационного займа на 500 млн руб., 400 млн руб. из которых были направлены на погашение вексельного займа, а остальные - на развитие производства упомянутых предприятий.
1. Гвардин C.B. Финансирование слияний и поглощений в России. М.: БИНОМ; Лаборатория знаний, 2006.
2. Кредитный вестник. 2008. № 83 // URL: http:// www.akm.ru/rus/rc/kv/4.htm
3. Рудык Н.Б., Семенкова E.B. Рынок корпоративного контроля: слияния, жесткие поглощения и выкупы долговым финансированием. М.: Финансы и статистика, 2000.
УДК 336.77
ИСПОЛЬЗОВАНИЕ СКОРИНГОВЫХ МОДЕЛЕЙ ДЛЯ СТРАТЕГИЧЕСКОГО УПРАВЛЕНИЯ СУБПОРТФЕЛЕМ ПОТРЕБИТЕЛЬСКИХ
КРЕДИТОВ
A.A. Фатьянова,
соискатель кафедры денег и кредита, СГСЭУ
ВЕСТНИК. 2009. № 2(26)
В настоящее время банки могут формировать портфели однородных кредитов, каждый из которых не превышает 0,5% от величины собственных средств (капитала) банка. Признаки однородности кредитов определяются банками самостоятельно, для них банк обозначает стандартные условия предоставления, основанные на внутренних правилах и кредитной политике банка.
Очевидно, что к таким кредитам могут быть отнесены в первую очередь кредиты предприятиям среднего и малого бизнеса (в том числе и индивидуальным предпринимателям), а также потребительские кредиты (под которыми понимаются кредиты, предоставляемые физическим лицам без учета индивидуальных предпринимателей, но включая ипотечные кредиты).
В условиях мирового экономического кризиса конкуренция на данном рынке все более ужесточается. Бум потребительского кредитования, наблюдавшийся в последние три года, заниженные требования к заемщикам - все это нашло свое отражение в росте объемов и доли просроченной задолженности по потребительским кредитам. За рассматриваемый период она увеличилась в 11 раз, и, по нашему мнению, ситуация в ближайшее время вряд ли улучшится. Известно, что темпы роста общей суммы выданных потребительских кредитов намного опережают рост доходов населения. По мнению ведущих банковских аналитиков, в ближайшее время банки могут столкнуться с проблемой отсутствия у населения финансовых возможностей оплачивать свои долги. Международный опыт полностью подтверждает это явление.
Это неизбежно влечет за собой принятие дополнительных кредитных рисков. Методы покрытия кредитных рисков, связанные с созданием сложной для восприятия потенциального заемщика системы комиссий, себя практически изжили. В последнее время и Банк России и Федеральная антимонопольная служба уделяют пристальное внимание вопросам раскрытия коммерческими банками информации о реальных затратах потенциальных заемщиков по потребительским кредитам [2, с. 95 - 103].
Банкам приходится искать способы получения информации о клиенте, подтверждающей его способность вернуть кредит Каждый банк вырабатывает свою систему оценки. Все эти системы сближает только то, что они похожи на небольшие и несложные тесты.
♦
♦
Конкурентная борьба идет не просто за доли расширяющегося рынка, а за кредитоспособных заемщиков. По существу реальным конкурентным преимуществом банков становится уровень их кредитного «зрения» [1], понимаемого как способность осуществлять выбор кредитоспособных заемщиков с высокой надежностью и минимальными затратами времени и ресурсов.
Поэтому банки, активно работающие на рынке потребительского кредитования, испытывают необходимость в точных аналитических системах определения кредитоспособности заемщика. Между тем наиболее эффективное решение этой проблемы уже давно найдено и активно используется в большинстве западных банков - это система кредитного скоринга.
Кредитный скоринг - технический прием, предложенный американским экономистом Д. Дюраном в начале 1940-х гг. для отбора заемщиков по потребительскому кредиту. Скоринг представляет собой математическую модель, с помощью которой на основе кредитной истории прошлых клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок. В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель. Чем он выше, тем выше надежность клиента. Интегральный показатель каждого клиента сравнивается с неким числовым порогом, клиентам с интегральным показателем выше этого порога выдается кредит; с показателем ниже этого порога - нет.
Главная цель скоринговых моделей - добиться монотонной зависимости скорингового балла от вероятности обнаружить в заемщике определенное желательное (или нежелательное) свойство. Этим свойством может выступать в той или иной ситуации:
- достижение дефолта за определенный период времени с отчетной даты;
- классификация заемщика как мошенника;
- результативность действий, применяемых в отношении заемщика подразделениями по работе с просроченной задолженностью;
- степень экономических потерь по кредиту в случае дефолта заемщика.
По существу, система призвана дать категоризиро-ванную оценку степени кредитного риска по потенциальному заемщику. В качестве данных о потенциальном заемщике выступает доступная кредитору информация: возраст должность, стаж работы на последнем месте, среднемесячный доход, семейное положение, количество иждивенцев, образование, наличие в собственности недвижимости.
Каждый вид используемой в скоринге информации обычно называют характеристикой или фактором. Очевидно, что выбор факторов обусловлен, с одной стороны, наличием достоверной информации о заемщике, с другой стороны - степенью их важности для принятия правильного решения относительно оценки кредитоспособности.
Определение конкретной системы факторов для скоринга может быть сделано как на основе экспертных оценок, так и с использованием статистических методов. Статистические методы эффективны при на-
личии достаточного по объему массива данных по кредитным историям клиентов банка. В тех случаях, когда количество дефолтов (или других негативных событий) недостаточно для построения статистической модели, решение выносится на основе экспертной оценки.
Если говорить о том, насколько банки готовы к внедрению скоринга, то здесь складывается интересная ситуация. Большинство крупных банков вплотную подошло к полномасштабному внедрению скоринговых систем. Средние же банки только осознают потребность в скоринге, и эта потребность тем выше, чем выше кредитная активность этих банков.
Безусловно, большинство банков используют централизованные системы оценки заемщиков, однако это системы с простейшей отчетностью. Порядка 90% используемых сегодня методик оценки заемщиков реализованы в табличном редакторе Microsoft Excel. С одной стороны, это упрощает вычисления и гарантирует прозрачность для менеджера. С другой стороны, очевидны негативные аспекты:
- децентрализованность системы оценки;
- невозможность построения сложной стратегии принятия решения;
- скоринговые карты основаны на экспертных знаниях кредитных аналитиков;
- смена или корректировка методики оценки превращается в длительную процедуру;
- открытость методики оценки повышает риск мошенничества.
Статистические методы и подходы, лежащие в основе скоринговых систем, весьма разнообразны. К основным используемым в настоящее время методам могут быть отнесены следующие:
1. Линейный дискриминантный анализ - разделение объектов наблюдения по определенным признакам. Применительно к скорингу это данные о потенциальном заемщике (факторы). Дискриминируются заемщики на два класса: кредитоспособные и некредитоспособные.
Линейная дискриминантная функция имеет вид:
D(X) = w0 + w1x1 + w2x2 + ... + wxn , (1)
где w - весовые коэффициенты, x - характеристики клиента.
Для случая дискриминации на два класса решающее правило выглядит следующим образом: если D(X) > 0, объект X (потенциальный заемщик) относится к 1-му классу (кредитоспособен), если D(X) < 0 - ко 2-му (некредитоспособен).
2. Многофакторная логическая регрессия дает оценку вероятности невозврата кредита. Если разработчиками скоринговой системы заранее установлено определенное пороговое значение этой вероятности для разделения двух классов объектов (например, надежный заемщик и проблемный заемщик), то такая модель будет способна в автоматическом режиме формировать вывод о допустимости или недопустимости выдачи кредита.
Уравнение логической регрессии аналогично линейной дискриминантной функции и имеет вид:
log(p/(1 - p)) = w0 + w1x1 + w2x2 + ... + wnxn, (2)
где p - вероятность невозврата кредита, w. - весовые коэффициенты, x. - характеристики клиента.
♦--------------------------------------------------
3. Деревья решений - сегментация объектов осуществляется путем последовательного дробления факторного пространства Х1, Х2, ..., Хп на вложенные прямоугольные области. Первый шаг - разделение по самому значимому фактору, последующие шаги - повторение процедуры до тех пор, пока никакой вариант последующей сегментации не даст значимого различия между соотношениями объектов разных сегментов по сравнению с полученными ранее.
4. Нейронные сети дают возможность по обучающей выборке объектов (массиву данных по заемщикам с известным результатом погашения кредита) конструировать структуру, состоящую из нейронов и связей и
сходных между собой объектов, которые принято называть кластерами.
В скоринговых системах в качестве таких групп выступают в простейшем случае два: надежные и проблемные заемщики. На основе обучающей выборки кластерный анализ позволяет рассчитать расстояние между двумя основными группами объектов и определить центры каждой группы в пространстве Х1, Х2, ..., Хп Таким образом, по каждому объекту (потенциальному заемщику) вычисляются расстояния до каждой группы (надежные заемщики и проблемные заемщики), и классифицируемый объект относится к той группе, расстояние до которой оказывается минимальным (таблица).
Анализ скоринговых моделей
Ситуа ция в ба нке Оптимальная модель Основные преимущества модели Основные недостатки модели
Средний или мелкий банк, информация о заемщиках недостаточна Простая балльная экспертная модель - Не требуются исторические данные о заемщиках; - не требуются специальные знания - Эффективность зависит от знаний экспертов; - не требуются специальные знания
Средний банк с высокой кредитной активностью, информация о заемщиках имеет простую структуру Модели на основе линейной дискриминантной или логической регрессии - Модель строится на тестовом наборе данных; - линейные модели; - большой выбор производных методов анализа; - самые устойчивые модели; - достаточно просты в реализации - Требуются исторические данные о заемщиках; - требуются специальные знания; - способны отражать только относительно простой класс зависимостей; - чувствительны к корреляции между характеристиками
Крупный банк, информация о заемщиках имеет простую структуру Модель на основе деревьев решений - Модель строится на основе тренировочного набора данных; - нелинейная модель; - возможен анализ причин отказа; - нечувствительны к корреляции между характеристиками - Требуются специальные знания; - существенно сложнее для реализации, чем линейные модели
Крупный банк, информация о заемщиках имеет сложную структуру, искаженную некорректными значениями Нейронные сети - Нелинейная модель; - модель строится на основе тренировочного набора данных; - способна к обучению; - способна отражать зависимости любой сложности - Трудоемкий процесс выбора и настройки модели; - для эксплуатации требуют отдельную программную среду; - самая неустойчивая модель
Крупный банк с высокой кредитной активностью, необходима сегментация заемщиков для разработки новых кредитных продуктов Кластерный анализ - Модель строится на основе тренировочного набора данных; - часто используется в системах прогнозирования; - позволяет выявить скрытые зависимости; - дает возможности визуального анализа данных - Трудоемкий процесс выбора и настройки модели; - неустойчивая модель
предназначенную для отнесения предоставляемого объекта (потенциального заемщика) к одному из вышеназванных классов (надежные заемщики или проблемные заемщики).
5. Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные объекты (потенциальных заемщиков), каждый их которых описывается набором характеристик (факторов) Х1, Х2, ..., X. Целью кластерного анализа является образование групп
Каждая из рассмотренных моделей имеет свои достоинства и недостатки, выбор той или иной модели зависит от ситуации в банке.
1. Мальцев Э.В. Скоринговые системы в кредитовании физических лиц // Банковский ритейл. 2006. № 1.
2. Письмо ФАС России и ЦБ РФ «О рекомендациях по стандартам раскрытия информации при предоставлении потребительских кредитов» от 26.05.2005 № ИА/7235, 77-Т.
