Отправляет email-рассылки с помощью сервиса Sendsay

Эксклюзивные статьи для банковских специалистов

Рассылка закрыта

При закрытии подписчики были переданы в рассылку "Психология финансового изобилия" на которую и рекомендуем вам подписаться.

Вы можете найти рассылки сходной тематики в Каталоге рассылок.

←   Октябрь 2007   →
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Автор
bezumnyj.shlyapnik@yandex.ru

Статистика

2.140 подписчиков
-1 за неделю
←   Все выпуски   →

Эксклюзивные статьи для банковских специалистов


Издательский дом Регламент Издательский дом
"РЕГЛАМЕНТ"

www.reglament.net 		 
Сегодня мы знакомим Вас с материалом из Методического журнала "Банковское кредитование" #5/2007..

Оригинал статьи находится на нашем сайте.

Методический
журнал
 

Банковское кредитование
#5/2007
 

Международная банковская практика: скоринговая оценка корпоративных клиентов

Практика выдачи корпоративных кредитов по-прежнему остается актуальной: обслуживание корпоративных клиентов как оптовых покупателей всегда было одним из приоритетных направлений банковской деятельности. Современная экономическая ситуация и здоровая конкуренция подталкивают банки к расширению кредитного предложения в области корпоративного кредитования. Наряду с понижением процентной ставки простота оформления и скорость предоставления кредита становятся факторами конкурентной борьбы банков за новых клиентов.
 

На сегодняшний момент решение о предоставлении кредита компании зачастую принимается «вручную» на основе проведенного банком финансового анализа состояния компании-заемщика, поэтому внедрение в банках автоматизированных систем оценки кредитоспособности компаний является крайне актуальным, помогая банковским учреждениям выйти на качественно новый уровень управления своей доходностью.

Как же на практике осуществляется скоринговая оценка корпоративных заемщиков? В своей статье мы хотели бы поделиться западным опытом управления рисками в корпоративном секторе.

Исторически кредитный скоринг возник около 50 лет назад в форме так называемых скоринговых карт. Устройство и использование скоринговой карты несложно (рис. 1). Характеристики для скоринга могут быть выбраны из любого имеющегося в распоряжении источника данных о потенциальном заемщике. Подобными характеристиками могут служить демографические факторы (например, сектор экономики, к которому относится основная деятельность компании-заемщика; страна регистрации; как долго существует компания и т.п.), характеристики, отражающие уже существующие отношения между клиентом и банком (например, как долго компания является клиентом банка, количество используемых кредитных продуктов, на- сколько ответственно она подходит к осуществлению оплаты, предыдущие обращения в банк) и, наконец, финансовые данные о компании (например, годовой оборот, прибыль, размер капитала, число сотрудников и т.д.).

 
 

На основании статистических исследований каждому признаку назначается определенное количество баллов (чем выше кредитоспособность и добросовестность клиента по тому или иному признаку, тем более высокий балл мы этому признаку присваиваем). При этом принимается во внимание предикативная (прогнозная) сила каждого такого фактора, наличие корреляций между ними и другие статистические характеристики исследуемой совокупности объектов. Окончательный балл компании-претенден-та — это сумма баллов для каждого признака скоринговой карты, которые она набрала в результате. В зависимости от этого количества баллов определяется максимальный размер ссуды, которую банк готов предоставить данному корпоративному заемщику.

Таким образом, знания об имеющихся корпоративных клиентах позволяют нам прогнозировать профиль потенциальной компании — заемщика банка. Поскольку со временем данные обновляются, естественно, периодически происходит модификация самой скоринговой карты: некоторые признаки становятся более значимыми, а другие отходят на второй план. Коррекция карт производится регулярно, а ее периодичность зависит от объема кредитов.

Скоринговый балл претендента, обратившегося за кредитом, сравнивается с баллами корпоративных клиентов, уже существующих в банке, и на этой основе делаются определенные выводы о его возможном поведении в будущем. Прогнозная модель строится с помощью таких аналитических методов, как логистическая регрессия или нейронные сети. Затем вычисляется вероятность дефолта первого (второго, третьего...) платежа и строится соответствующая PD-модель.

В результате вычисляется определенный балл отсечения, после сопоставления с которым принимается решение о предоставлении кредита. Если балл, набранный компанией-соискателем, выше балла отсечения, то выносится положительное решение, а вот если ниже, то банк вынужден отказать такой компании в выдаче денег (рис. 2).

 
 

На основе полученных баллов мы рас-пределяем наших корпоративных клиентов по классам риска с соответствующим уровнем вероятности дефолта (PD). Например, вероятность 0,356 означает, что данный контрагент с вероятностью 35,6% будет иметь просроченную задолженность в следующем году (точнее, в ближайшие 12 месяцев). Аккуратность и стабильность подобной PD-модели (рис. 3) на практике достаточно высока, что обеспечивается достаточно хорошим качеством данных о корпоративных клиентах, имеющихся в банках благодаря информации, регулярно предоставляемой ими (финансовой отчетности и т.п.).

 
 

Для построения хорошей прогнозной модели важно правильно выбрать временной период, предшествующий дате дефолта (отмечена темно-серым цветом на рис. 4). Международными стандартами Базеля II определен минимальный преддефолтный временной промежуток. На практике такой наблюдательный период составляет от 12 до 36 месяцев (отмечен светло-серым цветом). После окончания «наблюдательного» периода мы берем еще три месяца («Просрочка более 90 дней» — это определение дефолта, установленное Базелем II), чтобы получить все просроченные контракты, отобранные из «наблюдательного» периода.

Хотелось бы добавить несколько слов и о LGD-модели (Loss Given Default/сумма задолженности), предсказывающей вероятность выхода из просроченной задолженности. Она гораздо сложнее. Так, по мнению всеми уважаемого Moody’s, предсказать поведение дефолтного клиента затруднительно ввиду того, что оно сильно диверсифицировано: клиент может выплатить кредит полностью, но не оплатить проценты; может оплатить сумму долга частично; может выплачивать общую сумму долга годами и т.д. Принимая также во внимание, что реальных дефолтов в российских банках пока накоплено недостаточно, то говорить о статистически релевантной LGD-модели в корпоративном секторе пока преждевременно. Хотя, в принципе, в западных банках с применением продвинутых аналитических подходов (линейной регрессии, нейронных сетей и т.д.) Recovery Rate (процент вероятности возвращения дефолтного клиента обратно в «хорошего») вычисляется достаточно точно.

 
 

Касаясь вопросов моделирования, невозможно обойти вниманием валидацию моделей, которая также является обязательным требованием Базеля II. Любая, даже идеально построенная модель должна быть...



Полную версию материала читайте на нашем сайте:
Продолжение >>





В избранное