Разработка скоринговой модели оценки кредитного риска

В настоящее время в России наблюдается интенсивный рост рынка кредитования и, в частности, сектора кредитования физических лиц, что неизбежно приводит к увеличению кредитных рисков, которые принимают на себя как отдельные кредитно-финансовые институты, так и банковская система страны в целом. Рост рисков обуславливается одновременно расширением контингента заемщиков и увеличением объемов кредитования. В этой ситуации качество управления кредитными рисками в розничном кредитовании приобретает особую актуальность и становится одним из факторов повышения конкурентоспособности кредитного учреждения на рынке банковских услуг [1].

При принятии решения о выдаче кредита тому или иному лицу банками используются различные методики и подходы к оценке кредитоспособности заемщика. К таковым относятся как субъективные оценки банковских специалистов, так и автоматизированные системы оценки риска. С их помощью банки определяют возможность потенциального заемщика возвратить в необходимый срок основную сумму кредита и уплатить проценты по нему. Эффективное и качественное проведение оценки кредитоспособности потенциального клиента способствует минимизации кредитного риска.

Статистический метод скоринг-анализа является одним из инструментов оценки кредитного риска, который применяется сегодня во многих банках по всему миру. С его помощью проводится оценка кредитоспособности потенциальных заемщиков. Наиболее часто скоринг применяется банками при потребительском экспресс-кредитовании и оформлении кредитных карт.

Целью работы являлась разработка скоринговой модели на основе клиентской базы банка и анализ кредитоспособности заемщиков - физических лиц. При выполнении работы данные использовались с учетом конфиденциальности информации, принятой в банке. Скоринговая модель разрабатывалась на основе проведения канонического дискриминантного анализа.

В работе исследовались два класса заемщиков банка, представленные своими типичными представителями, отобранными из клиентской базы. К первому классу относятся прошлые заемщики с положительными кредитными историями (класс 0), ко второму классу, соответственно, прошлые заемщики, кредитные истории которых содержат сведения о существенной просрочке платежей либо прекращении выплат по кредиту (класс 1). Для проведения анализа из клиентской базы были отобраны данные 350 клиентов, 300 из которых выполняли функции обучающей выборки, а оставшиеся 50 не входили в состав обучающей выборки, а задействовались для оценки качества модели.

На первом этапе исследования формировалось факторное пространство, позволяющее различить рассматриваемые классы заемщиков. В качестве дискриминантных признаков были выбраны следующие семь факторов, имевшихся в информационной базе исследования: количество закрытых договоров (х1), количество договоров в просрочке (х2), сумма полной задолженности по договорам (х3), заработная плата клиента (х4), текущая просрочка (х5), баллы бюро кредитных историй (БКИ) (х6) и возраст (х7).

Дискриминантный анализ проводился средствами универсального статистического пакета IBM SPSS Statistics 20 [2].

В результате проведенного дискриминантного анализа были получено уравнение канонической дискриминантной функции:

DF = - 0,002 x - 0,138 x ₂ - 0,409 x ₅ - 0,004 x ₆ + 0,248 x ,.

В ходе пошагового дискриминантного анализа были исключены два признака: сумма полной задолженности по договорам и заработная плата.

Основные показатели построенной канонической дискриминантной функции приведены в таблице 1.

Таблица 1. Основные статистики канонической дискриминантной функции

Анализ статистических показателей полученной канонической дискриминантной функции позволяет сделать вывод о том, что выбранные дискриминантные признаки обеспечивают высокую степень различения исследуемых классов заемщиков, а построенная дискриминантная функция является состоятельной и обладает хорошей разделяющей способностью.

Анализ стандартизированных коэффициентов канонической функции показал, что наибольший вклад в различение классов заемщиков вносят баллы БКИ (0,842) и текущая задолженность (-0,347). Также

существенный вклад в различение классов вносит количество договоров в просрочке (-0,229). Наименьший вклад в разделение по классам вносят такие признаки как возраст (-0,038) и количество закрытых договоров (-0,019).

На втором этапе дискриминантного анализа проводилась классификация участвующих в исследовании клиентов по двум рассматриваемым классам. На рисунке показано распределение клиентов по числовой оси построенной канонической дискриминантной функции.

Рис. Распределение значений канонической дискриминантной функции

Таблица 2. Результаты классификации

Основные результаты классификации приведены в таблице 2. В результате анализа 77,5% исходных сгруппированных наблюдений были классифицированы верно.

Таким образом, построенная на основе дискриминантного анализа скоринговая модель, дает удовлетворительный результат и может быть использована для оценки кредитоспособности клиента при приня- тии решения о выдаче и параметрах кредита. В условиях жесткой конкуренции кредитных организаций, с одной стороны, закредитованности и низкой кредитоспособности населения, с другой, предложенная модель может стать эффективным ин- струментом снижения кредитных рисков способствующего росту конкурентоспо собности на рынке кредитования.