Малые кредиты и кредитный скоринг
advertisement
Малые кредиты и кредитный скоринг Виталий Бумаков Консультант по кредитному скорингу LiSim Предоставление малых кредитов является очень важным для любой экономики, в особенности, для развивающихся стран, где большому числу людей нужны относительно малые суммы денег для поддержания стабильного уровня потребления, улучшения материальнобытового положения или начала и развития малого бизнеса. Личные сбережения и деньги, занятые у родственников и друзей, редко бывают достаточными для осуществления небольшой, но значимой инвестиции. Осознавая высокий спрос, все больше финансовых учреждений начинают обслуживать рынок микро и малых кредитов. Если заявитель, обратившийся за кредитом, является работником с установленным окладом и может представить справку о заработной плате из компании, то финансовое учреждение может легко и быстро осуществить оценку его кредитоспособности. Если потенциальный заемщик может предоставить хороший залог, то его шансы на получение кредита также повышаются. Но большая часть населения, нуждающегося в кредитах, не может представить доказательства стабильных доходов или ценные гарантии. С тем, чтобы обслужить данных клиентов, финансовые учреждения имеют два подхода. Наиболее часто используемым является качественный подход, который заключается в выстраивании отношений с текущими и будущими заемщиками. Кредитные специалисты регулярно связываются с потенциальными клиентами на рынках или по соседству с филиалом, где они работают или проживают, для налаживания с ними отношений, основанных на доверии и взаимном интересе. Таким образом, финансовое учреждение получает необходимую информацию о кредитоспособности потенциальных заемщиков и может избежать «плохих» клиентов. По мере укрепления взаимоотношений, клиент может получить доступ к кредитам на большие суммы. Хорошие клиенты могут рекомендовать других потенциальных заемщиков, таким образом, построенный на доверии круг клиентов увеличивается. Данный подход имеет недостатки с точки зрения затрат. Налаживание крепких связей требует времени и усилий. Это, в свою очередь, повышает операционные издержки, что, в конечном итоге, отражается на установлении более высокой процентной ставки для заемщика. Вторым подходом является количественным, который характерен для кредитных рынков с большими однородными популяциями клиентов. В данном методе внимание сосредоточено на кредитной операции, а не на взаимоотношениях с заявителем. Факт что заявитель в отношениях с финансовым учреждением представляет собой лишь одну из характеристик операции и не является более обязательным условием для обращения за кредитом. Финансовые учреждения концентрируются на кредитной операции, информация о которой содержится в заявке на кредит, сопроводительных документах и оценке залога. Коммерческой целью данного (количественного) метода, является покрытие убытков от плохих кредитных операций полученной прибылью от хороших операций, плюс определенная маржа прибыли. Для оценки кредитного риска, что несет каждая кредитная операцией, зачастую прибегают к кредитному скорингу. Кредитный скоринг представляет собой методику применения алгоритмов, полученных при использовании математических и статистических методов, для классификации потенциальных кредитных операций по (взаимоисключающим) группам риска: хороший или плохой кредитный риск. Алгоритмы основываются на прошлом опыте финансово учреждения. Они выявляют те характеристики кредитных операций, которые были факторами кредитного риска. Скоринг помогает финансовым аналитикам в принятии решения о совершении или отклонении кредитной операции. Факторы кредитного риска имеют отдельное влияние на кредитный риск операции. Определение факторов и установление их относительной значимости (весовые коэффициенты) осуществляется с использованием математических и стандартизированных статистических методов. Создание алгоритма требует «обучающую» выборку кредитных операций организации. Выборка состоит из прошлых кредитных операций. О них уже известно, какие хорошие кредитные риски, а какие плохие кредитные риски. Самые значимые характеристики таких операций известны. Как следствие, кредитный скоринг предполагает, что будущие кредитные операции будут иметь хороший или плохой исход, как и прошлые операции с аналогичными характеристиками. Проблема плохих рисков Мы называем плохими кредитными рисками те кредитные операции, в которых не исполняются обязательства перед кредитором. На основании совместно согласованного графика, заемщик обязуется в четко установленные сроки погасить кредит частями, с уплатой процентов. В случае, когда клиент не производит частичный платеж вовремя, он ставит финансовое учреждение под угрозу, поскольку оно не может использовать деньги, которые ожидало получить. При таких обстоятельствах, финансовое учреждение принимает меры по возврату причитающейся суммы. Оно также может начислить штрафы с тем, чтобы компенсировать причиненные заемщиком неудобства. Меры по возврату финансовых средств могут быть эффективными, либо могут не быть таковыми, тем самым еще больше увеличивая потери по «плохой» кредитной операции. В целом, небольшие просрочки платежей допускаются, а более длительные или частые задержки указывают на вероятность дефолта (прекращение платежей). В таком случае учреждение рискует потерять предоставленные в кредит деньги и ожидаемые поступления. В результате процедур по обеспечению исполнения договора, заемщик также рискует потерять выручку или заложенные активы, которые зачастую являются единственным источником дохода для его семьи. В случае, когда человек обращается за кредитом, никто не может гарантировать то, что он своевременно и полностью погасит ссуду и заплатит проценты по ней. Со своей стороны, финансовые учреждения требуют залоговое обеспечение, поручителей и другие гарантии, на которые можно рассчитывать в случае неуплаты кредита. Но даже существенный залог не может полностью защитить кредитора от убытков, причиненных невозвратными кредитами. В таком свете, кредитный скоринг представляется очень полезным инструментом. С конца 1990-х годов в странах с переходной экономикой при финансировании небольших личных кредитов и ссуд, выдаваемых деловым предприятиям, постепенно начинает применяться кредитный скоринг. Для разработки алгоритмов кредитного скоринга применяется все большее число методов. Самые прогрессивные методы основаны на искусственных нейронных сетях, деревьях классификации и самообучающихся контролируемых моделях. Классические методы основаны на статистическом дискриминантном анализе и регрессиях. Ввиду отсутствия общепризнанного наилучшего метода, как правило, алгоритм кредитного скоринга содержит скоринговую карту (оценочный лист) и свод правил, которые инструктируют пользователя в процессе оценки кредитного риска ссуды до момента принятия окончательного решения об ее выдаче либо об отказе. 2 Скоринговая карта содержит все факторы кредитного риска из числа известных признаков, характеризующих кредитную операцию – это те данные, которые доступны кредитору. Информация поступает из различных источников, в том числе из заявления на получение кредита и дополняющих его документов. Большинство финансовых учреждений сохраняют данные в компьютеризованных базах данных. Как правило, данные включают социально-демографические характеристики заявителя, коммерческо-демографические характеристики (описание бизнеса, если заявитель управляет малым бизнесом), финансовую информацию, данные о предыдущих кредитах, характеристики кредита (сумма, валюта, процентная ставка) и другие сведения, требуемые финансовым учреждениям для понимания операции и определения ее шансов на успех. В скоринговой карте включены только факторы риска и их весовые коэффициенты при прогнозировании хорошего или плохого кредитного риска. Таблица 1. Пример вымышленной скоринговой карты Фактор риска Статус жилой собственности заявителя Собственник дома Возраст заявителя 40 лет и старше Холост/не замужем Семейное положение заявителя и состав Женат, имеет детей семьи Женат, не имеет детей Вид деятельности Торговля Количество лет в бизнесе Менее 2 лет Годовой доход (совокупный, от деятельности 10.000 долларов США и и заработная плата) выше Текущий уровень задолженности (в том 1.000 – 8.000 долларов США числе предполагаемый кредит) Предыдущие кредиты, полученные в 2 и более учреждении Максимальная просрочка во время Более 30 дней предыдущего кредита Валюта предполагаемого кредита Национальная Запрашиваемая сумма кредита Менее 5.000 долларов США Вес + 18 +6 -5 + 11 +8 + 12 -8 + 15 + 14 + 25 - 45 +5 +6 Рассматриваемая кредитная операция получает балл (весовой коэффициент) за каждый идентифицированный фактор риска. Сумма всех полученных баллов представляет итоговый кредитный балл. Он указывает по особой шкале вероятность того, насколько оцениваемая операция будет иметь хороший или плохой кредитный риск. Как это работает? Метод кредитного скоринга предполагает, что будущие кредитные операции несут хорошие или плохие кредитные риски, как и прошлые операции с похожими характеристиками. Представим ситуацию, когда предполагаемая операция получила итоговый скоринговый балл 75. Если в обучающей выборке 9 из 10 операций с аналогичным кредитным баллом (75) были хорошими кредитными рисками, и только 1 из 10 была плохим риском, тогда мы можем считать, что предполагаемая операция имеет 10% шансов стать плохим кредитным риском (10% = 1 / 10). Если финансовое учреждение утвердит 100 кредитов с аналогичной кредитной оценкой, то около 10 из них будут плохими кредитными рисками, тогда как другие 90 кредитов будут выплачены полностью и своевременно. Будучи осведомленным о такой вероятности, финансовое учреждение может определить для себя уровень приемлемого кредитного риска. 3 Таблица 2. Пример распределения баллов кредитного скоринга Диапазон Хорошие Плохие Сумма в % от Доля баллов риски риски диапазоне общего плохих рисков (%) 0 – 10 430 655 1.085 11,8 60,4 11 – 15 901 226 1.127 12,3 20,1 16 – 25 910 127 1.037 11,3 12,2 26 – 40 1.318 102 1.420 15,5 7,2 41 – 50 1.387 64 1.451 15,8 4,4 51 – 70 1.492 26 1.518 16,5 1,7 71 – 80 898 12 910 9,9 1,3 81 + 625 4 629 6,9 0,6 ИТОГО 7.961 1.216 9.177 100,0 13,0 Безусловно, для принятия правильного решения финансовому учреждению необходимо знать, сколько убытков повлечет за собой неудачная (плохая) операция по выдаче кредита и сколько будет получено прибыли в случае хорошей кредитной операции. Также важно знать о затратах, связанных с ошибочной классификацией. В случае, когда хорошая кредитная операция классифицируется как плохая (ошибка первого рода), то финансовое учреждение отказывает клиенту кредит и, тем самым, несет убытки в виде упущенной выгоды: стоимости упущенной хорошей коммерческой возможности. В случае ошибки второго рода (плохая операция оценивается как хороший кредитный риск) убытки намного выше. Кредит выдается, но операция несет плохой кредитный риск, и кредитор теряет деньги. Кредитный скоринг дает возможность правильно оценить общую сумму убытков, тем самым, финансовое учреждение может предусмотреть соответствующие гарантии и резервы на возможные потери в соответствии с рекомендациями Базельского соглашения или своими собственными политиками. Каждый кредитор должен заранее принять решение о том, какие кредитные операции будут учитываться как плохие кредитные риски. Финансовое учреждение будет стремиться избежать таких убыточных операций. Определение плохого кредитного риска зависит от учреждения, целевых клиентов и кредитного продукта. Как правило, серьезные просрочки по выплатам характерны для плохих кредитных рисков. В микро и малом кредитовании общепризнанным определением плохого кредитного риска является операция, по которой идет просрочка выплаты на протяжении 30 последовательных дней или более. В чем отличие кредитного скоринга в малом кредитовании? Как указывалось ранее, намного легче оценивать кредитоспособность служащего, имеющего постоянную работу и стабильный оклад. Но в странах с переходной экономикой людей, нуждающихся в малых кредитах и занятых на стабильной работе, относительно немного. Большинство потенциальных заемщиков малых кредитов имеет нерегулярные доходы и нуждается в кредитах для поддержания стабильного уровня потребления, увеличение шансов на хорошее трудоустройство, или создания собственного рабочего места посредству занятия экономической деятельностью, приносящей небольшой доход. Компании, нуждающиеся в заимствовании, могут представить детальные отчеты о прибылях и убытках, отчеты о движении денежных средств и исчерпывающие балансовые отчеты. Финансовые учреждения могут легко оценить прибыльность и стабильность таких 4 компаний при условии надежности представленной информации. Потенциальные заемщики, управляющие малым бизнесом, в редких случаях могут представить достоверные отчеты о прибылях и убытках или балансовые отчеты своих компаний. Большая часть бухгалтерских данных хранится в голове собственника бизнеса. Если кредитору требуется проанализировать финансовое положение подобных малых компаний, то необходимо восстановить данные, как правило, с помощью кредитного специалиста, который также должен убедиться в том, что раскрываемая информация последовательна и точна. В том случае, когда компания еще мала, разницы между юридическим лицом (компанией) и физическим лицом (заявителем) не существует. Индивидуальные кредиты могут быть использованы в коммерческих целях, в то время посредством малых бизнес кредитов могут финансироваться личные проекты, такие как организация свадьбы. В таких условиях успех кредитной операции зависит от личности заявителя, характера семьи и род доходов. Финансовому учреждению необходимо рассмотреть все эти аспекты. Более того, поскольку основные данные не всегда точны, то также важны косвенные данные. Соседи заявителя, деловые партнеры, местные общественные деятели или клиенты, все они могут предоставить ценную информацию о сущности предстоящей кредитной операции. Подведем итоги, кредитный скоринг в процессе предоставления малых кредитов отличается от классического розничного кредитного скоринга главным образом ввиду специфики данных и практики их сбора. В целом, алгоритм кредитного скоринга не может заменить работу кредитных специалистов, как это происходит в других однородных крупных кредитных рынках в развитых странах. Кредитный скоринг дополняет, упрощает и сопровождает работу кредитных специалистов. Финансовое учреждение наращивает объемы кредитования путем принятия быстрых и более точных кредитных решений, проведения менее затратной оценки кредитной операции, создания достаточных резервов на покрытие убытков по кредитам, лучшего понимания факторов кредитного риска и используя другие выгоды, которые приносит надлежащая надежная оценка кредитного риска. Роль статистики и математики Статистический алгоритм кредитного скоринга по своему определению является объективным, в сравнении с решениями кредитных специалистов, которые могут быть в той или иной мере субъективными. Оценка кредитных специалистов основывается на прошлом опыте, имеющихся знаниях и, в какой-то степени, интуиции. С практикой они совершенствуют свои навыки в отборе плохих кредитных рисков, однако субъективные решения все же могут иметь место. Что происходит, когда опытный кредитный специалист уходит из компании? Возможно, часть приобретенных им знаний будет потеряна, поскольку он не сможет передать с аккуратностью весь свой опыт и знания менее опытным коллегам. Кредитный скоринг обеспечивает то, чтобы знания, приобретенные из прошлого опыта, остались в кредитной компании и были доступны для всех пользователей. Компания может раскрыть своим сотрудникам структуру алгоритма кредитного скоринга или сохранить его в секрете, но кредитный скоринг будет продолжать давать достоверную оценку кредитного риска. Алгоритмы кредитного скоринга являются точными, поскольку для определения факторов кредитного риска, присущих хорошим и плохим кредитным рискам, используются математические и статистические процедуры. Проблема заключается в многомерном анализе, который становится сложнее по мере выявления все большего числа факторов риска. При расчете относительной значимости каждого фактора риска статистические процедуры учитывают 5 существующие сложные взаимодействия и способны точно определить отдельную долю каждого фактора в кредитном риске операции. Алгоритм кредитного скоринга построен на обучающей выборке, состоящей из недавно истѐкших операциях, о которых уже известно, хорошими или плохими кредитными рисками они являлись. Такая выборка должна представлять совокупность кредитных операций: репрезентативность. Поскольку прошлые кредитные операции в процессе оценки кредитов отбирались кредитными специалистами, то генеральная совокупность операций с известным кредитным риском является пристрастной: выборка не содержит какую-либо информацию о кредитном поведении отклоненных операций. Мы не знаем, что стало бы с отклоненными кредитными операциями, если бы они были утверждены кредитными специалистами. Это создает проблему. Если алгоритм кредитного скоринга не «отсекает» большую часть ранее отклоненных операций, то кредитным специалистам необходимо не терять бдительности в процессе кредитного скоринга. Представьте финансовое учреждение, которое систематически отказывает в кредитовании водителям такси по любым субъективным или объективным причинам. Алгоритм кредитного скоринга не сможет выявить какую-либо информацию о кредитном риске водителей такси. В случае использования алгоритма кредитного скоринга, он не обязательно будет отказывать всем водителям такси. Они будут оценены с использованием общих факторов кредитного риска и могут получить кредиты, если кредитные специалисты перестанут делать собственный отбор. Если же водители такси в действительности являются рисковой категорией, то финансовое учреждение берет на себя риск, о котором не подозревает. К счастью, другое преимущество кредитного скоринга заключается в том, что кредитные операции оцениваются с применением относительно большого набора факторов риска. Даже если не будет учтен один фактор риска (например, коммерческая деятельность = «водитель такси»), велика вероятность того что высокий кредитный риск будет выявлен посредством других факторов риска. Такие рискованные кредитные операции будут отклонены в большинстве случаев, поскольку их кредитная оценка (балл) будет ниже допустимого уровня (балловый порог). Различные исследования подтвердили, что несколько значимых факторов риска могут прогнозировать кредитный риск практически также хорошо, как и все имеющиеся факторы риска. Многие финансовые учреждения могут выбрать более радикальный подход, признав все ранее отказанные операции как плохие кредитные риски. В данном случае алгоритм “отсечет” все потенциальные операции аналогичные тем, которые ранее систематически отклонялись кредитными специалистами. Такие алгоритмы кредитного скоринга не полностью объективны. Они могут отражать субъективные практики, унаследованные от кредитных специалистов. В целях правильного решения данной проблемы необходимо утвердить экспериментальные кредитные операции. Посредством временного и поступательного снижения требований кредитных специалистов, учреждение узнает о последующем кредитном поведении операций, которые были приняты системой кредитного скоринга, но которые были бы отклонены кредитными специалистами при нормальных условиях. Такое решение может временно увеличить объем кредитного портфеля под риском, но в обмен на это предоставит новые данные для разработки более совершенных и более объективных алгоритмов кредитного скоринга. До такого момента желательно не использовать алгоритм кредитного скоринга в качестве единственного метода отбора. Он должен дополнять процедуру оценки кредитных специалистов. Каждый алгоритм разрабатывается с применением репрезентативной учебной выборки, и его устойчивость подтверждается на репрезентативной «тестовой» выборке. Также оценивается 6 экономическая значимость алгоритма. Если нет дополнительных выгод от использования кредитного скоринга, то не имеет смысла его внедрять. Если соблюдаются предварительные статистические и экономические предпосылки, то в процесс отбора потенциальных кредитных операций вводится и используется алгоритм кредитного скоринга. Эффективность использования кредитного скоринга регулярно подтверждается отчетами о функционировании системы. Общее правило кредитного скоринга заключается в формировании обучающей выборки, состоящей минимум из 1.000 плохих кредитных операций и, по крайней мере, аналогичного количества хороших операций. Специалистам из научных и профессиональных кругов удается разработать эффективные алгоритмы кредитного скоринга с небольшими выборками (100 хороших и 100 плохих кредитных операций), однако предпочтительно иметь большее число наблюдений в выборке. Поскольку кредитный скоринг предполагает, что будущие кредитные операции окажутся либо хорошими, либо плохими кредитными рисками, как это произошло с прошлыми операциями с аналогичными характеристиками, важно исключить старые операции из обучающей выборки во избежание обучения на устарелом опыте. В практике предоставления малого кредитования кредиты, выданные более 2-3 лет назад, считаются старыми, особенно если экономическая и социальная среда достаточно динамичны. Необходимо принять дополнительные меры предосторожности в случаях, когда бизнес цикл меняется с рецессии на бурный рост и наоборот. Данные о малых кредитах Как отмечалось ранее, при предоставлении малых кредитов, специфика характеристик кредитных операций делает кредитный скоринг особенным. Были определены пять обширных категорий факторов кредитного риска. Очень важны (1) социально-демографические переменные и (2) демографические переменные бизнеса (коммерческо-демографические характеристики). Субъективные качественные характеристики, описывающие заявителя или его бизнес, такие как статус заявителя в обществе или его управленческие навыки тоже могут иметь способность прогнозировать кредитный риск и нужно их учитывать в процессе разработки скоринговых алгоритмов. Социально-демографические характеристики дают описание заявителя и его семьи. Коммерческо-демографические характеристики описывают деятельность, генерирующую доход. (3) Финансовые показатели предназначены для описания финансового положения заявителя, его бизнеса и семьи, по отдельности и в совокупности. (4) Характеристики запрашиваемого кредита также влияют на кредитный риск: как правило, кредиты в местной валюте менее рискованные, чем кредиты в иностранной валюте; кредиты с меньшими сроками погашения менее рискованные, чем с более долгосрочными сроками погашения и т.д. Кредитные бюро редко концентрируются на заемщиках малых кредитов, но если доступны данные из бюро, то кредитные отчеты играют важную роль в точном прогнозировании кредитного риска. Известно, что (5) прошлое кредитное поведение заявителя является универсальным фактором кредитного риска. Если клиент допускал серьезные просрочки в прошлом, то есть вероятность того, что это произойдет вновь. В отсутствие кредитных бюро, финансовое учреждение может сконцентрироваться на старых заемщиках. По заявителям, которые хотят повторно обратиться за кредитами, в учреждении уже есть информации об их прошлом кредитном поведении. На деле, ввиду того, что прошлое кредитное поведение представляет собой серьезный фактор кредитного риска, большинство финансовых учреждений решают применять алгоритмы кредитного скоринга отдельно: для заявителей, имеющих кредитную историю и для заявителей без истории. Алгоритмы, использующие прошлое кредитное поведение, обычно называются «поведенческими» алгоритмами. 7 Для того чтобы алгоритм кредитного скоринга точно прогнозировал риск, прошлые и будущие кредитные операции должны формировать однородную статистическую генеральную совокупность. Финансовое учреждение может скорректировать свои кредитные продукты и надлежащие политики с тем, чтобы в большей или меньшей степени стандартизировать заявителей и их потребности в финансировании. Разнородные генеральные совокупности необходимо разделить на более унифицированные кластеры и необходимо разработать специальные алгоритмы для каждой группы внутри совокупности. Как определяются факторы риска? Определение факторов кредитного риска является трудоемкой, но познавательной работой. Используется учебная выборка. Определенно, помимо класса риска кредитной операции (хороший или плохой кредитный риск) данные выборки должны включать все другие характеристики, определяющие операцию, такие как: социально-демографические данные, коммерческо-демографические характеристики, финансовое положение, прошлое кредитное поведение (при наличии) и, безусловно, сумму кредита, валюту, срок погашения и другие схожие характеристики. С точки зрения статистики, чем больше у операции характеристик, тем выше шансы определения значимых факторов риска. На первом этапе характеристики анализируются индивидуально. Дискретные переменные (которые могут принимать определенные значения, лучшими примерами которых являются пол и семейное положение) анализируются легче. Для каждой рассматриваемой характеристики мы рассчитываем удельный вес признака (WE), показывающий долю плохих кредитных рисков, содержащих данную характеристику, больше ли она, равна или меньше доли плохих кредитных рисков в учебной выборке. Данный показатель раскрывает характеристики, которые присущи большей части хороших или плохих кредитных рисков. Если, допустим, женщины (W), в основной своей массе, представляют собой хорошие кредитные риски, тогда в выборке доля плохих кредитных рисков среди женщин (Wb) будет ниже доли плохих кредитных рисков во всей совокупности выборки (P): Wb W Pb Wb P и WE(Wb ) Pb W 1. P Если удельный вес признака значительно меньше или больше чем 1, то характеристика является фактором риска. Непрерывные переменные требуют больших усилий. Возраст и доход являются хорошими примерами, и они требуют сегментации по диапазонам (обычно 5 - 10%), а удельный вес признака рассчитывается для каждого сегмента. Логические объяснения могут и должны быть найдены при рассмотрении распределения плохих кредитных рисков по различным характеристикам. Это нормально, когда уровень плохих рисков снижается, в то время как деловой опыт заемщика повышается. Также могут быть выявлены нелогичные взаимосвязи, что является признаком того, что финансовое учреждение, возможно, было субъективно в отношении отдельных кредитных операций. Зачастую это относится к таким характеристикам, как состояние заявителя. Кредитные специалисты склонны полагать, что более состоятельные заемщики более дисциплинированы в погашении кредита, и, как следствие, они получают больше кредитов и на большие суммы. Однако на некоторых кредитных рынках была отмечена другая, нелинейная зависимость между благосостоянием и кредитным риском. Хорошее кредитное поведение улучшается с повышением достатка заемщика 8 до определенного порога, после чего оно существенно ухудшается. Удельный вес признака определяет такие изменения. На втором этапе анализируются взаимосвязи между характеристиками. Например, регрессионный анализ предполагает отсутствие сильной корреляции между факторами риска. Невозможность обойти это ограничение не снижает в целом прогнозирующую способность алгоритма, но отдельные факторы риска могут иметь нелогичные весовые коэффициенты (баллы), приводя финансовое учреждение в замешательство. Если в учебной выборке состоящие в браке заемщики являются хорошими кредитными рисками и почти все имеют детей, то заемщики с детьми также будут являться хорошими рисками. Очевидно, что при таких обстоятельствах существует высокая корреляция между двумя факторами риска. Финансовому учреждению необходимо знать о таких ситуациях и принимать это во внимание при разработке алгоритма кредитного скоринга. К счастью, некоторые статистические методы не навязывают такое ограничения. Финансовые учреждения могут объединить все выявленные факторы риска и создать скоринговую карту. Если весовой коэффициент фактора риска определен на основе мнения кредитных специалистов или других экспертов, то мы имеем идеальный пример инструмента кредитного рейтинга. Аналогичная упрощенная процедура предполагает присваивание одинаковых весовых коэффициентов наиболее важным плохим факторам кредитного риска. Такие рейтинговые скоринговые карты могут быть в определенной степени полезны при выявлении плохого кредитного риска, однако при расчете весовых коэффициентов каждого фактора, кредитный скоринг требует применения математических и статистических методов. Одним из наиболее популярных методов для выполнения такой задачи является логистическая регрессия. Распределение баллов Как упоминалось, алгоритм кредитного скоринга разрабатывается с применением репрезентативной учебной выборки, и его корректность (робастность) проверяется на репрезентативной тестовой выборке. Каждой операции в тестовой (или учебной) выборке присваивается скоринговый балл с использованием разработанной скоринговой карты. Результаты выстраиваются в порядке возрастания (или убывания) полученного итогового скорингового балла, как показано в Таблице 2. Для удобства операции группируются в диапазоны баллов, так чтобы число операций в каждом диапазоне представляло от 5 до 10% от общего количества операций. Если финансовое учреждение прогнозирует кредитоспособность, то следует заметить, что по мере увеличения скорингового балла доля плохих операций снижается. Не избежать того, что малое число хороших операций получат низкие скоринговые баллы, а незначительное число плохих кредитных рисков получат высокие баллы. Окончательное распределение скоринговых баллов будет использовано в качестве измерительной шкалы для оценки кредитного риска каждой потенциальной кредитной операции. Распределение кредитов является показателем качества скоринговой карты. Низкие баллы должны объединять большие доли плохих кредитных рисков, тогда как высокие баллы должны концентрировать большие доли хороших кредитных рисков. Могут быть рассчитаны различные критерии соответствия предсказаний алгоритма данным. Они отражают то, насколько хорошо прогноз скоринговый карты соответствует наблюдаемым данным в тестовой выборке. 9 Наконец, распределение скоринговых баллов используется для определения линии (порог) раздела баллов с помощью которой определяется, классифицируется ли операция как хороший кредитный риск и выдача ссуды утверждается, или она классифицируется как плохой кредитный риск и заявителю отказывают. В зависимости от размера потерь вследствие ошибочной классификации и стратегии учреждения, порог может быть увеличен для более строгих политик выдачи кредитов, либо может быть снижен для применения менее требовательного подхода. Восходящее (ВКРБ) и нисходящее кумулятивное распределение баллов (НКРБ), представленные ниже, помогают увидеть результаты использования различных линий раздела баллов. Представим, что учреждение принимает решение классифицировать все кредитные операции с баллами ниже 16 как плохие кредитные риски, тогда доля плохих кредитных рисков в отклоненном сегменте составит 39,83%. Отказ в финансировании всех потенциальных операций с баллом ниже 16 приведет к снижению доли плохих рисков финансового учреждения с 13,25% до 4,81%. Кредитор должен ожидать, что кредитный скоринг исключит около ¼ потенциальных операций. Зная о своих потерях вследствие ошибочной классификации, финансовое учреждение может оценить выгоды от внедрения кредитного скоринга и стратегии утверждения кредитов. Таблица 3. Пример восходящего (ВКРБ) и нисходящего (НКРБ) кумулятивного распределения баллов Диапа Хороши Плохой Сумм % от Доля Диапа Хороши Плохо Сумм % от Доля зон й а общег плохих зон й й а обще плохих ВКРБ о рисков НКРБ го рисков (%) (%) 0 – 10 430 655 1.085 11,82 60,37 все 7.961 1.216 9.177 100 13,25 0 – 15 1.331 881 2.212 24,10 39,83 11 + 7.531 561 8.092 88,18 6,93 0 – 25 2.241 1.008 3.249 35,40 31,02 16 + 6.630 335 6.965 75,90 4,81 0 – 40 3.559 1.110 4.669 50,88 23,77 26 + 5.720 208 5.928 64,60 3,51 0 – 50 4.946 1.174 6.120 66,69 19,18 41 + 4.402 106 4.508 49,12 2,35 0 – 70 6.438 1.200 7.638 83,23 15,71 51 + 3.015 42 3.057 33,31 1,37 0 – 80 7.336 1.212 8.548 93,15 14,18 71 + 1.523 16 1.539 16,77 1,04 Итого 7.961 1.216 9.177 100 13,25 81 + 625 4 629 6,85 0,64 После внедрения кредитного скоринга, необходимо постоянно проводить мониторинг алгоритма кредитного скоринга с целью обеспечения сохранения ожидаемой дискриминационной способности кредитного риска. Чем дальше друг от друга кривая совокупных хороших операций и кривая совокупных плохих операций, тем выше эффект алгоритма кредитного скоринга. 10 График 1. Представление восходящего кумулятивного распределения баллов 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% никто 0 – 10 0 – 15 0 – 25 0 – 40 Хорошие риски 0 – 50 0 – 70 0 – 80 все Плохие риски При использовании кредитного скоринга, на определенный период времени финансовое учреждение остается «слепым» в отношении недавно выданных кредитов. Микро и малые кредитные операции требуют нескольких месяцев для выявления их истинной группы риска (являются ли они хорошими или плохими кредитными рисками). В таких обстоятельствах, финансовому учреждению необходимо на постоянной основе проводить работу по распределению баллов, используя выборки последних кредитных операций, о которых уже известно, хорошие или плохие кредитные риски они представляют. Эти операции анализируются для того, чтобы определить, не теряет ли алгоритм своей силы. Ввиду упомянутого «слепого» промежутка времени, финансовому учреждению необходимо обновлять алгоритм при первых признаках ухудшения его способности идентифицировать плохие риски, поскольку даже небольшие изменения могут привести к росту убытков по плохим кредитам. Финансовые учреждения также должны отслеживать ручные коррекции окончательного решения о выдаче кредита. Отдельные случаи допустимы. Предполагается, что кредитный аналитик владеет важной информацией недоступной алгоритму. Но если практика ручной коррекции распространяется, то это указывает, либо на нежелание кредитных специалистов доверят скорингу, поскольку алгоритм ослабел, либо сотрудники ошибочно игнорируют скоринг и ставят учреждение под угрозу. В любом случае необходимо детально разобраться в проблеме. Заключение Кредитный скоринг играет важную роль в совершенствовании и диверсификации предложения микро и малых кредитов. Даже если метод в большей степени характерен для количественного подхода (ориентированного на кредитные операции, а не на малоимущих клиентах), элементы качественного подхода (базирующегося на установлении взаимоотношений с заемщиками), нужны для оптимального внедрения кредитного скоринга в области микрокредитования. Быстрая и надежная оценка кредитного риска дает множество преимуществ. Финансовые учреждения увеличивают объемы кредитования (и прибыль) путем принятия более быстрых и точных кредитных решений, проведения менее дорогостоящих оценок кредитных операций, создания адекватных резервов на покрытие убытков по проблемным кредитам, лучшего понимания факторов кредитного риска. Данные преимущества необходимо сравнивать с затратами на разработку, внедрение и сопровождение инструмента кредитного скоринга. Кредитный скоринг в малом кредитовании немного отличается от классического розничного кредитного скоринга. Эти различия возникают из-за особенностей заемщиков, 11 которые требуют особые методы сбора необходимых данных. В таких условиях алгоритм кредитного скоринга не может полностью заменить кредитного специалиста. Напротив, скоринг дополняет и упрощает его работу. Алгоритмы кредитного скоринга генерируют более объективные и правильные кредитные решения благодаря тому, что для определения факторов кредитного риска, присущих хорошим и плохим кредитным рискам, применяются математические и статистические процедуры. Возникает этическая дилемма в отношении отклоненных хороших кредитных рисков. Заявки хороших кредитных рисков, получившие низкие скоринговые баллы, отклоняются наряду с большинством заявок плохих рисков. Такая ситуация представляет собой упущенную выгоду, чем финансовое учреждение жертвует для того, чтобы иметь менее рисковый, и в то же время, более крупный кредитный портфель. 12
