CC BY
45STUD NET
МОГУТ ЛИ ЦИФРОВЫЕ ТЕХНОЛОГИИ УЛУЧШИТЬ КАЧЕСТВО АКТИВОВ В СОВРЕМЕННОМ БАНКЕ?
CAN DIGITAL TECHNOLOGIES IMPROVE THE QUALITY OF ASSETS IN A MODERN BANK?
УДК 33
Родимова Татьяна Сергеевна, Студент магистратуры Факультета финансовых рынков имени профессора В. С. Геращенко, Финансовый университет при Правительстве РФ. rodimova-23 @mail .ru Научный руководитель: Авис Олег Ушерович, к.т.н., доцент Департамента финансовых рынков и банков, Финансовый университет при Правительстве РФ
Rodimova Tatyana Sergeevna, Master's degree student At the faculty of financial markets named after Professor V. S. Gerashchenko, Financial University under the Government of the Russian Federation. [email protected] Scientific supervisor: Avis Oleg Usherovich, Ph. D., associate Professor of the Department of financial markets and banks, Financial University under the Government of the Russian Federation
АННОТАЦИЯ
В эпоху крупных преобразований в сфере IT-технологий, многие компании, в том числе на финансовом рынке стремятся предлагать своим клиентам широкий перечень услуг. Кредитные организации вынуждены следовать новым веяньям и привлекать клиентов самыми разнообразными продуктами, основанными на новых технологиях. В статье рассматривается вопрос улучшения качества оценки кредитоспособности клиентов банка с помощью разработки автоматизированной банковской системы, основанной на математической модели. А также раскрываются новые возможности применения новейших технологий в банковском секторе экономики, позволяющие улучшить как эффективность оценки качества активов банка, так и скорость взаимодействия с существующими и потенциальными клиентами.
ANNOTATION
In an era of major transformations in the field of IT technologies, many companies, including those in the financial market, strive to offer their clients a wide range of services. Credit organizations are forced to follow new trends and attract customers with a variety of products based on new technologies. The article considers the issue of improving the quality of assessing the creditworthiness of Bank clients by developing an automated banking system based on a mathematical model. It also reveals new opportunities for applying the latest technologies in the banking sector of the economy, which can improve both the efficiency of assessing the quality of the Bank's assets, and the speed of interaction with existing and potential customers.
Ключевые слова: Банки, система рейтингования заемщика банка, блокчейн, смарт-контракт.
Keywords: Banks, the system of rating of the borrower of the Bank, the blockchain, smart-contracts.
Не многие кредитные организации могут комфортно существовать на рынке, на котором активно развиваются цифровые технологии. Сегодня стабильные, процветающие традиционные крупные банки не могут вовремя полноценно реагировать на новые вызовы, конкурировать с более динамичными игроками на рынке и уступают своих клиентов новым моделям цифрового банкинга.
Потенциальные клиенты кредитных организаций становиться более требовательными к потребляемым продуктам и услугам, способными удовлетворять их потребности, минимизировав при этой затраты сил и времени. В связи с этим на рынке усиливается конкуренция как со стороны кредитных организаций, действующих по новым моделям ведения бизнеса, основанным на цифровых технологиях (необанки), так и со стороны Fintech-компаний, борющихся за своих клиентов во многих сферах финансового рынка [2]. Конкуренция непременно приводит к необходимости модернизации всех бизнес-процессов в банках.
Технологии бывают разными. Одни из них помогают банкам нарастить количество активов и пассивов, другие же позволяют банкам улучшить их качество.
Оценка кредитоспособности клиента, использовав профиль клиента в Facebooke, автоматизация системы взыскания долгов, борьба с мошенниками - искусственный интеллект (ИИ) в банках мог бы применяться почти во всех областях.
Сегодня ИИ используется в основном в автоматизации ручных процессов, таких как оценка кредитоспособности, оценка качества предоставляемой клиентами информации, выявление и классификация рисков и прочее. Постепенно ИИ начнет использоваться для формирования финансовой отчетности, одобрения выдачи ссуд, расчета стоимости кредита [1].
На протяжении всего 2018 года крупнейшие мировые и отечественные банки совершенствовали систему кредитования физических лиц с помощью технологии ИИ. Например, ПАО «Сбербанк» выпустил проект iPavlov, предназначенный для взаимоотношения с клиентами на «естественном» для них языке. Так же к 2020 году планируется запустить систему DeepReply, которая предполагает оптимизировать работу непосредственно с клиентами в банках. Более того банк создал систему для оценки имущества, находящего под залогом, главной основой которой является обучение нейронной сети [4].
Программисты Модульбанка смогли обучить ИИ самостоятельному кредитованию. Нейронная сеть способная изучить клиентскую базу, проанализировать реальность деятельности клиента и определить уровень его надежности, а после, на основании результатов проделанной работы, выдать овердрафт.
И тем не менее задача по кредитованию бизнеса с помощью ИИ все еще является сложной. Так как статистических данных меньше и получить их сложнее, то и обучение ИИ приостанавливается. Более того, стоит отметить, что и fintech-компании, кредитующие бизнес, на данным момент не демонстрируют высоких темпов роста, как прогнозировалось ранее. Применять ИИ в своей деятельности кредитные организации начнут через несколько лет, когда появятся большие и общедоступные базы данных, на основе которых можно будет обучать ИИ.
Также на протяжении последних лет банки уделяли все больше внимания разработке собственных систем рейтингования заемщика, позволяющих им с минимальными трудозатратами провести качественный анализ финансового состояния своих клиентов.
Система рейтингования заемщика - это автоматизация процесса оценки финансового состояния текущих и потенциальных заемщиков Банка.
В основе разработки одной из таких систем лежит рейтинговая модель, основанная на математических методах количественной оценки компонентов кредитного риска таких как - PD, LGD, EAD и М.
M (maturity) - срок до погашения кредитного требования.
PD (probability of default) - вероятность дефолта.
EAD (exposure at default) - величина кредитного требования, подверженная риску дефолта.
LGD (loss given default) - уровень потерь по кредитному требованию, которое находится в состоянии дефолта.
Основной задачей применения количественных оценок компонентов кредитного риска (PD, LGD, EAD и М) является получение совокупного уровня кредитного риска по сделке в целях принятия взвешенного решения о заключении сделки, а в случае ее заключения - подтверждения способности Клиента обслуживать существующие обязательства в течение всего срока действия договора.
При программировании системы рейтингования заемщика разработчиками закладывается расчет кредитного риска для всех кредитных требований, по следующей формуле: КРП = б • Кр •
EAD, (1)
где: КРП — величина кредитного риска, б — поправочный коэффициент, Кр — коэффиент риска,
EAD (exposure at default) — величина кредитного требования, подверженная риску дефолта.
Данный параметр показывает оценочную величину риска на дату дефолта в будущем, учитывая ожидаемые изменения величины риска после отчетной даты, в том числе погашение основного долга и суммы процентов в сроки, установленные договорами или в иные сроки, а также суммы начисленных процентов по просроченным платежам.
Расчет коэффициента риска для кредитных требований к корпоративным, суверенным заемщикам и финансовым организациям, по которым не произошел дефолт (PD Ф 100%), рассчитывается по следующей формуле:
Кр = Г^ (С(РД)+У^(0.999)) _ ] • LGD • l + (M—2.5)fo ^ L V Vl—R J 1—1.5b
(2)
где: PD — (probability of default) вероятность дефолта (в %). LGD — (loss given default) уровень потерь при дефолте; M - эффективный срок требования, который в рамках базового IRB-подхода к оценке кредитного риска принимается равным 2,5 годам для всех требования кроме РЕПО (для них - 6 месяцев, то есть 0,5) R — значение показателя корреляции;
b - значение показателя корректировки на срок до погашения и равен:
b = (0,11852 - 0,05478 * ln(PD))2
(3)
N - стандартное нормальное распределение N(0,1);
Значение показателя корреляции по кредитным требованиям к малым и средним предприятиям, отнесенным к классу кредитных требований к корпоративным заемщикам, рассчитывается по формуле:
1-e-kPD , 1-e-fcPDx
R = R-min 1-е-к + R-max (1 1-e-fc )
(4)
где:
Rmin,Rmax - минимальное и максимальное значения корреляции для заданного типа требований;
k- коэффициент, характеризующий зависимость корреляции от PD. Данный показатель для всех требований, кроме прочих розничных требований, равен 50.
Вероятность дефолта (PD) Контрагента в общем случае для любого из вариантов рассчитывается исходя из определения рейтинга клиента (таблица 1).
Расчет LGD осуществляется по следующей формуле:
LGD = LGDo6ecLGDKon
(6)
В рамках базового IRB-подхода для старших необеспеченных требований LGD принимается равным 45%. Для субординированных
требований - 75%.
Таблица 1., Соотношение рейтинга клиента и PD
Рейтинг Среднегодовая вероятность дефолта Контрагента PD
AAA 0,45%
АА 2,35%
A 1,59%
ВВВ 2,29%
ВВ 3,12%
B 3,98%
ССС 6,17%
СС 8,55%
С 10,3%
SD 26,44%
D 100,00%
Расчет LGD состоит из следующих шагов:
• определяется сумма в дефолте за каждый период жизни обязательства в состоянии дефолта;
• определяется LGD за каждый период жизни обязательства в состоянии дефолта, как отношение суммы в дефолте за рассматриваемый период к сумме на момент выхода в дефолт;
Автоматизация процесса оценки финансового состояния текущих и потенциальных заемщиков Банка имеет следующие преимущества:
• увеличение скорости рассмотрение заявок, поступающих от потенциальных клиентов;
• снижение риска возникновения ошибок сотрудников банка, вызванных человеческим фактором;
• создание унифицированной системы оценки потенциальных заемщиков.
Однако на текущий момент данная Система рейтингования заемщика имеет свои недоставки, и главный из них - частичная автоматизация процесса кредитования и управления риском. Программа может лишь оценить кредитоспособность заемщика, но не может предложить способы минимизации выявленного риска, не может упростить процедуры выдачи ссуд для клиентов и т.д.
По мнению автора, перспективное направление развитие банковских систем рейтингования заемщика по оценке качестве активов заключается в использовании технологии В1оск^а1п. В отличие от большинства баз данных, технология В1оск^а1п предполагает, что информация хранится на множестве компьютеров - участников сети. Одним из главных преимуществ технологии является относительная неуязвимость к атакам мошенников, так как В1оск^ат имеет сложную архитектуру сети. Это и делает применение технологии в банковском секторе весьма привлекательной.
Например, банки могли использовать В1оск^а1п для выдачи кредитов по примеру смарт-контрактов.
Смарт-контракт - это ряд условий, вносимых сторонами сделки и закодированных языком программирования, при выполнении которых происходит обмен какими-либо активами, например, денежными средствами, ценными бумагами и т.д. Обмен происходит на автоматической основе сразу после того, как будут выполнены все прописанные условия соглашения, исполнение которых также контролируется программой в автономном режиме без участия третей стороны [5].
Например, в рамках ипотечных банковских продуктов общий доступ к информации о заемщике, цифровой версии записей из земельного реестра, документов на право собственности и т.д., хранящихся в системе, построенной на технологии В!оск^ат, может содействовать автоматизации всего процесса
кредитования, начиная с подачи анкеты клиентом, оценки кредитного риска и заканчивая передачей прав на собственность.
Смарт-контракт может ускорить и облегчить трудоемкую и сложную работу по оформлению юридической документации - потенциальных клиентов банк будет идентифицировать по принципу процедур KYC (знай своего клиента), т.е. информация о клиенте будет проверена по записям, хранящимся в Blockchain.
Однако использование смарт-контрактов сталкивается с проблемой ограниченности платформ при первоначальном получении данных из внешнего мира. То есть чтобы использовать базу данных, построенную по принципу Blockchain, необходимо прежде всего занести в нее первоначальную информацию. Для этого используются так называемые Оракулы, которые трансформируют информацию, полученную из внешних источников (например, уже существующая база данных клиентов банка), для проверки условий умных контрактов в понятном для них виде [5].
Данные, полученные из системы рейтингования заемщика банка по анализу кредитоспособности потенциального клиента с помощью Оракула могут быть конвертированы в язык, понятный Blockchain, обеспечив технологию смарт-контрактов данными, необходимыми для полноценного функционирования. Это позволит применить технологию смарт-контрактов для выдачи кредитов.
Однако кроме переноса информации на базу Blockchain, есть еще ряд проблем и одна из главных - соответствие юридических договоров, которые будет генерировать система, действующему законодательству, меняющимся нормативным требованиям.
Тем не менее, в мировой практике уже существуют прецеденты использования смарт-контрактов в банковской сфере, в частности в сфере кредитования. Испанский банк Banco Bilbao Vizcaya Argentaría выдал своему клиенту ссуду на сумму 75 млн евро. Сделка была проведена через использование смарт-контракта в сети Ethereum [5].
Таким образом, если удастся преодолеть текущие проблемы, то автоматизированный процесс оценки кредитоспособности клиента позволит минимизировать кредитный риск, а система умных контрактов позволит увеличить скорость выдачи ссуды и обслуживания клиента в целом. Такая система, независимая от человеческого фактора, позволит более эффективно организовать одно из важнейших направлений деятельности коммерческих организаций - кредитование.
Выводы
По нашему мнению, сегодня банковская структура превращается из вертикально ориентированной системы (банк вверху, клиенты в низу пирамиды) в fintech-сервис, который по своей сути вращается около целей и задач клиента с мобильным устройством. Чтобы сохранить лидирующие позиции на рынке современным кредитным организациям необходимо либо создавать свои цифровые продукты, либо сотрудничать с fintech-компаними.
Одно из направлений такого сотрудничества - совершенствование систем оценки кредитоспособности клиентов Банка с помощью создания систем рейтингования заемщика. На основе математической модели, разрабатывается программа, способная как улучшить качество оценки активов кредитной организации, так и стать неотъемлемой частью новой системы взаимодействия между банком и его клиентом, построенной по принципу смарт-контрактов.
Список литературы:
1. Бутенко Е.Д. Искусственный интеллект в банках сегодня: опыт и перспективы // Финансы и кредит. 2018. .№1 (769). // Электронный ресурс: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-bankah-segodnya-opyt-i-perspektivy;
2. Джефф Кофлин «Эра необанков: как fintech-компании вытесняют с рынка традиционные банки», FOREBS, 7 ноября 2019, // Электронный ресурс: https://yandex.ru/turbo?text=https%3A%2F%2Fwww.forbes.ru%2Ffinansy-i-investicii%2F3 86819-era-neobankov-kak-finteh-kompanii-vytesnyayut-s-rynka-tradicionnye-banki;
3. Демьянова Е.А. Актуальные вопросы стоимостной оценки компаний в условиях Fintech // СРРМ. 2018. №1 (106). // Электронный ресурс: https://cyberleninka.ru/article/n/aktualnye-voprosy-stoimostnoy-otsenki-kompaniy-v-usloviyah-finteh;
4. Каблучко Юлия Владимировна Применение искусственного интеллекта в банковской сфере // Вопросы науки и образования. 2018. №16 (28). // Электронный ресурс: https://cyberleninka.ru/article/n7primenenie-iskusstvennogo-intellekta-v-bankovskoy-sfere.
5. Центральный Банк Российской Федерации, Аналитический обзор по теме «смарт-кнтракты» // октябрь 2018 г. // Электронный ресурс: https://cbr.ru/Content/Document/File/47862/SmartKontrakt_18- 10.pdf
List of references:
1. Butenko E. D. Artificial intelligence in banks today: experience and prospects / / Finance and credit. 2018. №1 (769). // Electronic resource:
https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-bankah-segodnya-opyt-i-perspektivy;;.
2. Jeff Coughlin "The era of neobanks: how fintech companies displace traditional banks from the market", FOREBS, November 7, 2019, / / Electronic resource: https://yandex.ru/turbo?text=https%3A%2F%2Fwww.forbes.ru%2Ffinansy-i-investicii%2F3 86819-era-neobankov-kak-finteh-kompanii-vytesnyayut-s-rynka-tradicionnye-banki;
3. Demyanova E. A. Actual issues of valuation of companies in the conditions of Fintech / / SRRM. 2018. №1 (106). // Electronic resource: https://cyberleninka.ru/article/n/aktualnye-voprosy-stoimostnoy-otsenki-kompaniy-v-usloviyah-finteh;
4. Yulia V. Kabluchko application of artificial intelligence in the banking sector // Questions of science and education. 2018. №16 (28). // Electronic resource: https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-bankovskoy-sfere.
5. Central Bank of the Russian Federation, Analytical review on the topic "smart contracts" / / October 2018 / / Electronic resource: https://cbr.ru/Content/Document/File/47862/SmartKontrakt_18- 10.pdf
