Случайная цитата


Если действовать не будешь, ни к чему ума палата. (Шота Руставели)

Финансовый скоринг

Вводные замечания

Рисковые скоринговые таблицы - общий обзор

Терминология рискового скоринга

Вводные замечания

Из-за повышения конкуренции и роста стимулов для лучших результатов кредитные и другие финансовые учреждения вынуждены искать более эффективные пути контроля над расходами. Агрессивные маркетинговые проекты по привлечению новых клиентов и необходимость быстро на них реагировать привели к росту автоматизации процесса запрашивания и предоставления кредитов и страховок. Иными словами, возникает заманчивая перспектива поставить выдачу кредитов на поток, используя некоторый математический формализм и накопленные статистические данные. В целом за эти вопросы отвечает весьма привилегированное лицо, которое на рабочем сленге мы можем назвать риск-менеджер (Р-М). Это очень важное лицо.

В сфере розничного кредитования риск-менеджеру теперь приходится вырабатывать такие решения по предоставлению кредита, с помощью которых можно не только адекватно оценить кредитоспособность клиента, но и сохранить издержки на низком уровне, уменьшая время, затрачиваемое на одного клиента. Также для идеального обслуживания клиентов требуется, чтобы это автоматизированное решение отказывало в кредите как можно меньшему числу кредитоспособных клиентов и в то же время отсеивало как можно больше потенциальных нарушителей. В секторе страхования более критичным является требование устанавливать стоимость полисов пропорционально риску, т. к. потери от страховых премий в этой отрасли увеличиваются

Риск-менеджеры привлекаются для помощи в выборе для привилегированного обслуживания "правильных" клиентов, т. е. клиентов, несущих наименьший риск. Напротив, в отношении к клиентам, демонстрирующим негативное поведение (неплатежи, мошенничество), риск-менеждеры должны вырабатывать стратегии, позволяющие не только вычислять их, но и эффективно принимать меры, чтобы минимизировать дальнейшие потери и компенсировать уже имевшие место потери как можно быстрее. Иными словами, здесь действует старая как мир политика кнута и пряника.

Ключевым понятием являются скоринговые таблицы.

Скоринговые таблицы использовались во многих отраслях для множества задач, включая предсказание нарушений, т. е. неплатежа, банкротства, мошенничества, страховых требований и возврат сумм, не выплаченных клиентами.

Ранее скоринговые таблицы строились специальными агентствами, теперь ситуация изменилась. Учреждения предоставляли данные о клиенте агентствам, а те вырабатывали для них прогнозирующую таблицу. В то время как во многих развитых компаниях давно имелись свои отделы моделирования и расчета рисковых таблиц, в последние несколько лет обозначился общий курс на самостоятельное ведение таблиц. Это произошло по следующим причинам.

Во-первых, появились программные приложения, позволяющие пользователям вести рисковые скоринговые таблицы без крупных вложений в квалифицированных программистов и соответствующую инфраструктуру, например, для этих целей можно использовать STATISTICA. Сложные функции добычи данных стали доступны по щелчку мыши, что позволило пользователю тратить больше времени на выполнение связанной с бизнесом и добычей данных оценки проблемы, а не на отладку сложных программ.

Как только эти инструменты стали доступны, внутреннее ведение скоринговых таблиц стало выгодным вариантом для мелких и средних финансовых учреждений. Отрасль теперь осознала высокую окупаемость инвестиций во внутреннее ведение рисковых таблиц. Опыт показал, что теперь оно может выполняться быстрее, дешевле и с гораздо большей гибкостью, чем раньше. Дешевле, так как стоимость поддержки внутреннего ведения таблиц стало меньше, чем стоимость покупаемых таблиц. Способность к внутреннему ведению скоринговых таблиц также позволило компаниям вести гораздо больше таблиц (с расширенной сегментацией) при тех же расходах. Также скоринговые таблицы стало возможно вести с меньшими расходами времени при правильном выборе программного обеспечения - это значит, что ведение таблиц особого вида смогло быть реализовано эффективнее, что уменьшило потери. Кроме того, компании осознали, что лучшее знание своих внутренних данных и деловых стратегий помогает им получить более эффективные скоринговые таблицы. Тот же результат дает свобода выбора сегментации и возможность установить оптимальное количество и конфигурацию таблиц. Внутреннее ведение рисковых таблиц также обогащает внутреннюю базу знаний организации. Проводимый анализ выявляет скрытую ценную информацию, которая позволяет лучше разбираться в поведении покупателей и разрабатывать лучшие стратегии.

Ожидается, что в будущем кредитный скоринг будет играть повышенную роль в больших банковских организациях из-за новых требований Базельского соглашения о капиталах (Basel II). Также это приведет к переоценке методологий и страгегий развития для рисковых таблиц на основе рекомендаций окончательного соглашения. В особенности изменения могут потребоваться в определении понятия "неблагонадежного" клиента, и как связать выводимый прогноз с "вероятностью дефолта", "обнаружением дефолта"[exposure at default] и "потерями при дефолте".

Ниже представлен представлен пример реализации скоринговых таблиц для прогнозирования риска, построенный на базе статистики и принципов data mining. Подходы и методы статистики и data mining детально обсуждаются во множестве публикаций и здесь глубоко рассматриваться не будут. Ключевой момент, следовательно, состоит в приложении деловой и корпоративной информации к составлению рисковых таблиц, так, чтобы их составление и применение было деловым решением к деловой проблеме. Хорошие скоринговые таблицы получаются не просто пропусканием данных только через ряд программ или алгоритмов - они строятся, когда данные проходят через аналитический и натренированный ум пользователя.

Рисковые скоринговые таблицы - общий обзор

Рисковый скоринг, наряду с другими прогнозирующими моделями, является средством оценки уровня риска, связанного с кандидатами или клиентами. Хотя оно и не выявляет среди заявок "хорошие" (не ожидается негативного поведения) и "плохие" (ожидается негативное поведение), оно для каждого заданного рейтинга дает статистические шансы, или вероятность, того, что кандидат окажется "хорошим" или "плохим". Эти вероятности или рейтинги, наряду с другими коммерческими факторами, такими как ожидаемая степень одобрения [expected approval rates], доход, churn и потери, затем используются как база для принятия решений.

В простейшей форме, рисковая таблица состоит из группы характеристик, которые согласно статистики являются прогнозирующими при разделении учетных записей на хорошие и плохие. Для справки часть таблицы приведена ниже.

Название характеристики

Атрибут

Приращение рейтинга

ВОЗРАСТ До 23 63
ВОЗРАСТ 23 – 25 76
ВОЗРАСТ 25 – 28 79
ВОЗРАСТ 28 – 34 85
ВОЗРАСТ 34 – 46 94
ВОЗРАСТ 46 – 51 103
ВОЗРАСТ От 51 105
КАРТОЧКИ “AMERICAN EXPRESS”, “VISA OTHERS”, “VISA MYBANK”, “NO CREDIT CARDS” 80
КАРТОЧКИ “CHEQUE CARD”, “MASTERCARD/EUROC”, “OTHER CREDIT CARD” 99
КАРТА EC 0 86
КАРТА EC 1 83
ДОХОД До 500 93
ДОХОД 500 – 1550 81
ДОХОД 1550 – 1850 75
ДОХОД 1850 – 2550 80
ДОХОД От 2550 88
СТАТУС “E”, “I”, “U” 79

Характеристики скоринговой таблицы можно выбрать из любых источников данных, доступных кредитору на момент подачи заявки. Примеры таких характеристик - демографические (напр., возраст, время проживания, работы на одном месте, почтовый индекс), имевшиеся с ним отношения (напр., время, в течение которого он является клиентом банка, число купленных продуктов, статистика оплаты, прошлые страховые требования), данные из кредитного бюро (запросы, профессия, правонарушения, государственные архивы), данные о недвижимости и т. д.

Каждому атрибуту ("Возраст" - это характеристика, "23-25" - атрибут) присваивается рейтинг на основе статистического анализа с учетом различных факторов, таких как предсказательная сила характеристик, корреляция между характеристиками и рабочие характеристики. Общий рейтинг кандидата - это сумма рейтингов всех его атрибутов, присутствующих в таблице.

Нижеследующая таблица является примером отчета, полученного при скоринговом анализе.

Рейтинг Количество Суммарное количество Число «хороших» Суммарное число «хороших» Число «плохих» Суммарное число «плохих» Предельная доля «плохих» Суммарная доля «плохих» Степень одобрения [?]
273 – 279 842 842 840 840 2 2 0,24 0,24 1,81
267 – 273 511 1353 510 1350 1 3 0,2 0,22 2,91
262 – 267 574 1927 570 1920 4 7 0,7 0,36 4,14
256 – 262 2087 4014 2070 3990 17 24 0,81 0,6 8,63
250 – 256 1756 5770 1740 5730 16 40 0,91 0,69 12,41
245 – 250 2338 8108 2310 8040 28 68 1,2 0,84 17,44
239 – 245 2917 11025 2880 10920 37 105 1,27 0,95 23,71
233 – 239 3774 14799 3720 14640 54 159 1,43 1,07 31,83
228 – 233 2766 17565 2700 17340 66 225 2,39 1,28 37,77
222 – 228 3366 20931 3300 20640 66 291 1,96 1,39 45,01
216 – 222 4492 25423 4380 25020 112 403 2,49 1,59 54,67
211 – 216 4210 29633 4080 29100 130 533 3,09 1,8 63,73
205 – 211 3455 33088 3360 32460 95 628 2,75 1,9 71,16
199 – 205 4419 37507 4260 36720 159 787 3,6 2,1 80,66
194 – 100 1549 39056 1440 38160 109 896 7,04 2,29 83,99
188 – 194 2006 41062 1890 40050 116 1012 5,782,46 88,31

Выделенная строка в таблице сообщает следующее: 

  • Для диапазона рейтингов 245-250 ожидаемая доля "плохих" равна 1,2%. Это значит, что 1,2% кандидатов с рейтингом от 245 до 250 скорее всего будут "плохими". 
  • Суммарная доля "плохих", т. е. доля "плохих" среди всех кандидатов с рейтингом выше 245, равна 0,84%. 
  • Acceptance rate для 245 равна 17,44%, т. е. 17,44% всех кандидатов имеют рейтинг выше 245.

На основе факторов, описанных выше, компания может решить, например, отказывать всем кандидатам с рейтингом ниже 200, или назначать им большую цену ввиду того, что они представляют больший риск. Понятие "плохого" клиента определяется главным образом при помощи таких отрицательных показателей, как банкротство, мошенничество, правонарушения, отказ от выполнения обязательств и отрицательная чистая приведенная стоимость (NPV).

Информация о рисковом рейтинге в сочетании с другими факторами, такими как средняя степень одобрения [approval rate] и потенциал дохода/прибыли для каждого уровня риска, могут использоваться для разработки новых стратегий отбора заявлений, которые будут максимизировать доход и минимизировать невозвращенный долг. Примерами стратегий для кандидатов с высоким уровнем риска являются:

  • отказ в предоставлении кредита или услуги, если уровень риска слишком высок,
  • меньший стартовый кредитный лимит или максимальное значение кредита на кредитной карточке,
  • увеличенная цена при оплате в рассрочку или требование залога при ипотеке или ссудах на автомобиль,
  • увеличенная процентная ставка по ссуде,
  • увеличенный страховой взнос по страховым полисам,
  • требование предоставить залог при коммунальных услугах [utilities services],
  • требование заплатить вперед при оплате сотовой связи,
  • запрет на международную связь от телекоммуникационных компаний,
  • помещение под наблюдение ввиду потенциальных мошеннических действий.

Напротив, кандидатам с высоким рейтингом могут быть выданы большие кредиты по более выгодным процентным ставкам, могут быть предоставлены услуги более высокого разряда, например, золотые или платиновые карточки, или дополнительные продукты, предлагаемые компанией.

Рейтинги заявлений можно также использовать для due diligence policies. Например, кандидат с очень высоким или очень низким рейтингом может быть принят или отвергнут сразу же без получения дальнейшей информации о недвижимости, подтверждения доходов или проверки базового актива.

Вышеуказанные примеры направлены на использование на стадии подачи заявления. Рисковые рейтинги таким же образом можно использовать для уже имеющихся клиентов. В этом контексте данные о поведении клиентов в отношении компании могут использоваться для предсказания негативного поведения клиента. На основании тех же рассуждений, что и раньше (напр., ожидаемые уровни риска и прибыльности), к счетам могут применяться различные действия, такие как:

  • предложение новых продуктов и улучшение уже предоставляемых продуктов,
  • повышение кредитного лимита,
  • разрешение некоторым клиентам, использующим возобновляемый кредит, превышения кредитного лимита,
  • штрафы за потенциально мошеннические операции,
  • предложение более выгодной цены за возобновление ссуды или страховки,
  • решение, выдавать ли кредитную карту заново кредитную карту после истечения срока действия, или нет,
  • более строгий сбор платежей с нарушителей или отправка данных о них в агентства сбора платежей, [collection]
  • приостановка или лишение телефонной связи или кредитных услуг,
  • помещение под наблюдение ввиду потенциальных мошеннических действий.

Рисковые рейтинги, кроме того, что они являются средством оценки уровня риска, также успешно применялись в других операционных областях, таких как:

  • рационализация процесса принятия решений, т. е. заявления с высоким и пограничным риском направляются более опытному персоналу для более тщательного рассмотрения, в то время как заявки с низким риском назначаются младшему персоналу.
  • уменьшение времени обработки заявлений с помощью автоматического принятия решений,
  • оценка качества портфелей, которые предполагается приобрести,
  • установка экономического и регуляторного распределения капитала [],
  • установка цен для обеспечения надежности [securitization] портфелей дебиторов,
  • сравнение качества бизнеса с разных каналов/регионов/поставщиков.

Рисковый скоринг, таким образом, дает кредиторам возможность последовательного и объективного принятия решений на основании эмпирически полученной информации. В сочетании с деловым знанием, технологии прогнозирующего моделирования позволяют риск-менеджерам увеличить эффективность процесса риск-менеджера и контроль над ним.

Терминология рискового скоринга

Виды скоринговых таблиц:

Таблицы для заявлений: используются для прогнозирования уровня риска лиц, претендующих на продукты и услуги, главным образом на основании информации в заявлении и внешних данных, например, из кредитного бюро, списков недвижимости, архивов страховых требований.

Поведенческие таблицы: используются для прогнозирования уровня риска существующих клиентов, главным образом на поведении клиентов в отношении компании.

Скоринговые таблицы также делятся в зависимости от информации и методов, используемых при их ведении:

Оценочные: таблицы, составляемые на основании субъективных критериях экспертов. Также их называют таблицами, основанными на знаниях.

Индивидуальные: таблицы, разработанные статистически на основании данных о клиентах компании, включая внешние и внутренние данные.

Типовые: таблицы, разработанные статистически на основании данных, собранных с многих компаний, как правило, из одной отрасли. Также их называют таблицами на основании объединенных данных.

Таблицы, разработанные статистически на основании только данных, полученных от кредитных бюро. Могут быть как предназначенными для заявлений, так и поведенческими.

Содержание скоринговых таблиц определяется следующим образом:

Характеристика: элемент данных, например, возраст, количество требований в прошлом, количество банкротств, отношение суммы кредита к заемной стоимости, и. т. д., включенный в таблицу. Количество характеристик в таблице зависит от нескольких факторов, но, как правило, лежит в диапазоне 6-18.

Атрибуты: значения, лежащие в основе характеристик.

Определения, используемые в процессе ведения таблиц:

Оценка отказов: процесс, посредством которого выявляется поведение кандидатов, которым ранее было отказано. Это делается для оценки поведения всего множества кандидатов в противоположность оценке только тех клиентов, которые были приняты.

Виды определения нарушений в зависимости от временных интервалов.

Текущее: нарушение в данный момент времени, напр., нарушение 31 декабря 1999 года.

Ever: нарушение в любой момент данного периода времени. Также называется "наихудшим нарушением". Пример - наличие нарушения в любые 90 дней с января по декабрь 2001 год.

Другие определения:

NPV: Чистая приведенная стоимость. Обозначает приведенную стоимость всех будущих доходов минус потоки потерь при соответствующей ставке дисконтирования и тд.

Заметим, что такие таблицы можно с успехом составлять с помощью STATISTICA.


В начало