2000 (Скоринговые системы в кредитовании физических лиц)

6

Скоринговые системы в кредитовании физических лиц

Скоринговые системы как средство минимизации кредитного риска

Продолжающийся бурный рост рынка кредитования физических лиц неизбежно влечет за собой принятие дополнительных кредитных рисков как на отдельное кредитное учреждение, так и на банковскую систему в целом. Это связано с двумя основными факторами:

1) вовлечением в процесс розничного кредитования в качестве заемщиков нового контингента физических лиц и как следствие увеличением общего количества действующих кредитных договоров;

2) ростом среднего объема розничного кредита.

Экстенсивное развитие розничного кредитования проходит в условиях жесткой продуктовой и ценовой конкуренции основных участников рынка, что неизбежно ведет к снижению доходности данного направления банковского бизнеса. В этой ситуации качество управления кредитными рисками в розничном кредитовании становится не просто важным вопросом, а одним из конкурентных преимуществ/недостатков для кредитных учреждений, развивающих данный вид кредитования.

Конкурентная борьба идет не просто за доли расширяющегося рынка (в отличие, например, от торговли), а за "высококачественные" доли рынка, то есть за кредитоспособных заемщиков. Здесь необходимо пояснить термин "кредитоспособность". Данное понятие означает не только возможность (исходя из уровня и оценки стабильности доходов), но и желание потенциального заемщика вовремя и должным образом погасить задолженность. По существу реальным конкурентным преимуществом розничных банков становится уровень их кредитного "зрения", понимаемого как способность осуществлять выбор кредитоспособных заемщиков с высокой надежностью и минимальными затратами времени и ресурсов.

Методы покрытия кредитных рисков, связанные с созданием сложной для восприятия потенциального заемщика системы комиссий (за рассмотрение заявки, за открытие ссудного счета, за ведение и обслуживание ссудного счета и т.д.), себя практически исчерпали. Не случайно в последнее время и Банк России, и Федеральная антимонопольная служба уделяют пристальное внимание вопросам раскрытия коммерческими банками информации о реальных затратах потенциальных заемщиков по потребительским кредитам. Причем это относится не только к экспресс-кредитам или овердрафтному кредитованию держателей банковских карт, но и к другим видам розничного кредитования, в частности предусматривающим использование залогов или поручительств в качестве обеспечения. Причина в том, что затраты и потери банков в связи с обращением взыскания на предмет залога достаточно велики. В значительной степени это может относиться и к поручительствам - например, к поручительствам физических лиц, когда заемщик и поручители проживают в средних и небольших городах и работают на одном из градообразующих предприятий. По сути, выдача кредита (даже при наличии обеспечения) целесообразна при высокой доле уверенности в кредитоспособности потенциального заемщика.

Именно задаче выбора кредитоспособных заемщиков в основном служат скоринговые системы. Хотя многие авторы связывают возникновение скоринга с именем Дэвида Дюрана, который, уходя в 1941 г. в армию, оставил своим коллегам-банкирам краткие рекомендации по отбору кредитоспособных заемщиков; по-видимому, скоринг в той или иной форме существовал еще с тех времен, когда начали систематически предоставляться займы в денежной или натуральной форме неограниченному кругу лиц.

В современной практике работы банков скоринговые системы используются уже достаточно давно - начиная с середины 50-х годов, когда в Сан-Франциско начала свою деятельность одна из первых и лидирующих ныне компаний по разработке скоринговых систем Fair Isaac Corporation (1956 г.) . Fair Isaac Corporation обслуживает 7 из 10 крупнейших банков в мире, 97 из 100 крупнейших банков Америки и 50 крупнейших эмитентов кредитных карт.

Английский глагол score имеет среди своих значений следующие: подсчитывать очки, вести счет; как существительное score, в частности, означает количество набранных очков, оценку. Скоринговая система - это алгоритм или методика, позволяющие на основе данных о потенциальном заемщике оценить его кредитоспособность. По существу система призвана дать категоризированную оценку степени кредитного риска по потенциальному заемщику. В простейшем и наиболее значимом для практики случае эта оценка бинарна: "выдать кредит" (или "заемщик кредитоспособен") либо "отказать в выдаче кредита" (или "заемщик некредитоспособен"). Величина кредитного лимита в скоринговых системах второстепенна. Как правило, основой расчета кредитного лимита служит оценка уровня доходов заемщика при условии его кредитоспособности. В качестве данных о потенциальном заемщике выступает доступная кредитору информация, как содержащаяся в представляемых заемщиком документах, так и получаемая "со слов" самого заемщика. Зачастую эти два вида данных имеют непустое пересечение: например, данные о доходах, указываемые заемщиком в анкете, подтверждаются соответствующими справками и документами об уровне этих доходов. Фрагмент примерного (возможного) перечня данных для скоринга может иметь следующий вид:

- уровень среднемесячного дохода за последние 6 месяцев;

- стаж работы на последнем месте работы;

- возраст;

- семейное положение;

- количество лиц, находящихся на иждивении;

- образование;

- должностной статус;

- наличие в собственности недвижимости;

- др.

Каждый вид используемой в скоринге информации обычно называют характеристикой или фактором (например, стаж работы на последнем рабочем месте; семейное положение и т.п.). Некоторые характеристики потенциального заемщика (возраст) имеют числовой характер, некоторые (образование) - дискретный нечисловой (категоризированный). Очевидно, что в скоринге целесообразно использовать наиболее существенные, важные для правильного принятия решения относительно оценки кредитоспособности характеристики. Их выбор ограничен наличием информации о заемщике и степенью ее документального подтверждения. Тем не менее в анкетах и представляемых заемщиком документах содержится достаточно данных для организации первоначальных работ по скорингу. Определение конкретной системы факторов для скоринга может быть сделано как на основе экспертных оценок кредитных работников, так и с использованием статистических методов.

Статистические методы эффективны при наличии достаточного по объему массива данных (значения факторов и результат погашения кредита - погашен или не погашен в срок). Если данных нет или их объем незначителен, то скоринг на основе экспертных оценок - разумное решение, во всяком случае, это лучше, чем отсутствие скоринга вообще.

Несмотря на начало работы по формированию в России системы бюро кредитных историй (БКИ), скоринговые системы не теряют своей актуальности. Это обусловлено двумя обстоятельствами:

1) расширением рынка розничного кредитования за счет вовлечения в процесс физических лиц, не бравших ранее кредиты в банках и не имеющих кредитных историй;

2) ограниченными возможностями БКИ по оценке кредитоспособности потенциальных заемщиков: кредитные отчеты БКИ содержат основную часть кредитной истории, то есть точно определенный перечень информации о фактически имевшем место исполнении/неисполнении потенциальным заемщиком (субъектом кредитной истории) обязательств по ранее выданным ему кредитам и займам. Сама по себе эта информация чрезвычайно важна: потенциальному заемщику с негативной кредитной историей новый кредит, скорее всего, не будет выдан. Однако выдача кредита заемщику с положительной кредитной историей не может проходить в "автоматическом режиме" - в любом случае необходима квалификация заемщика, оценка его кредитоспособности. Факты положительной кредитной истории заемщика и момент обращения за новым кредитом могут быть сильно разнесены во времени; в уровне доходов, обязательствах, собственности, условиях жизни заемщика, а следовательно, и в его кредитоспособности могли произойти серьезные изменения.

Методология построения скоринговых систем

Методы и подходы, лежащие в основе скоринговых систем, весьма разнообразны. К основным известным и используемым в настоящее время методам могут быть отнесены следующие.

1. Линейный дискриминантный анализ

(линейные дискриминантные функции)

Дискриминантный анализ - это раздел математической статистики, содержанием которого является разработка методов решения задач различения (дискриминации) объектов наблюдения по определенным признакам. Применительно к скорингу объекты наблюдения - это данные о потенциальном заемщике, признаки - характеристики (факторы). Дискриминируются заемщики на два класса: кредитоспособные и некредитоспособные. Процедуры дискриминантного анализа можно разделить на две группы. Первая группа процедур предназначена для описания (интерпретации) различия между существующими классами, вторая - для проведения классификации новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они относятся.

Пусть имеется множество объектов наблюдения (кредитных договоров с данными по заемщикам и результатом - кредит погашен должным образом или имели место проблемы). Каждая единица наблюдения характеризуется несколькими факторами (переменными): xij - значение j-й переменной у i-го объекта, при i = 1...N; j = 1...p. Все множество объектов разбито на несколько подмножеств (два и более), или классов. Из каждого подмножества взята выборка объемом nk, где k - номер подмножества (класса) при к = l...g. Признаки, которые используются для того, чтобы отличать один класс (подмножество) от другого, называются дискриминантными переменными (предикторами). Каждая из этих переменных должна измеряться либо по интервальной шкале, либо по шкале отношений.

Интервальная шкала позволяет количественно описать различия между свойствами объектов. Для задания шкалы устанавливаются произвольная точка отсчета и единица измерения. Примерами таких шкал являются возраст заемщика, уровень его среднемесячного дохода за последние 6 месяцев и т.д.

Шкала отношений - частный случай интервальной шкалы. Она позволяет соотносить категоризированные предикторы. Теоретически число дискриминантных переменных не ограничено, но на практике их выбор осуществляется на основании содержательного анализа исходной информации и соответствующих статистических процедур оценки вклада каждого предиктора в процесс формирования правильных решений по классификации. Число объектов наблюдения должно превышать число дискриминантных переменных как минимум на два, то есть p < N. Дискриминантные переменные должны быть линейно независимыми. Еще одним предположением при дискриминантном анализе является нормальность закона распределения многомерной величины, то есть каждая из дискриминантных переменных внутри каждого из рассматриваемых классов должна быть подчинена нормальному закону распределения. В случае когда реальная картина в выборочных совокупностях отличается от выдвинутых предпосылок, следует решать вопрос о целесообразности использования процедур дискриминантного анализа для классификации новых наблюдений, так как при этом затрудняются расчеты каждого критерия классификации. Линейная дискриминантная функция имеет вид:

D(X) = w0 + w1x1 + w2x2 +... + wnxn,

где wi- коэффициенты.

Для случая дискриминации на два класса решающее правило выглядит следующим образом: если D(X) = 0, - ко 2-му. Необходимо отметить, что дискриминантный анализ является достаточно грубым и приближенным методом для скоринга в силу сделанных предположений и линейности самой дискриминантной функции. Однако данный метод важен в начале разработки скоринговых систем для оценки важности ("просеивания") предикторов.

2. Многофакторная логистическая регрессия

Логика построения уравнения логистической регрессии аналогична построению линейной дискриминантной функции:

log(p/(1-p)) = w0 + w1x1 + w2x2 + ... + wnxn,

где р - вероятность дефолта (невозврата кредита),

w - весовые коэффициенты,

х - характеристики клиента.

В результате распознавания или классификации по предъявляемому объекту - потенциальному заемщику уравнение логистической регрессии дает оценку вероятности дефолта (невозврата) кредита. Если разработчиками скоринговой системы заранее установлено определенное пороговое значение этой вероятности для разделения двух классов объектов (например, "надежный заемщик" и "проблемный заемщик"), такая конструкция будет способна в автоматическом режиме формировать вывод о допустимости или недопустимости выдачи кредита. Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

3. Кластерный анализ