Диссертация (1138316), страница 15

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 15)

Однако для преодоленияпроблемидентификации(мультиколлинеарностиинеточностиоценок), по крайней мере, одна независимая переменная, котораясодержится в уравнении отбора, не должна входить в наборнезависимых переменных уравнения выхода. Другими словами,необходимо найти переменную, которая оказывает в большей степени89влияниенавероятностьодобренияипотечнойзаявки,чемна вероятность дефолта.Долгое время существенным ограничением для реализацииэмпирических работ в области моделирования кредитного рискапри ИЖКявлялосьотсутствиепубличнодоступныхданныхпо ипотечным кредитам.

По этой причине эмпирические работыбазировались на небольших выборках из частных источников.Отсутствие работ по оценке кредитного риска при ИЖК с учетомкоррекции проблемы выборочной селективности во многом объяснялосьотсутствием данных по обеим категориям ипотечных заявок—одобренным и отклоненным.В одной из первых работ [Follain, 1990] представленатеоретическая модель для описания процесса выбора ипотечногокредитам клиентом, которая состоит из 3-х компонентов: 1) выборсоотношения суммы кредита к стоимости приобретаемого жилья(Кредит/Залог, LTV); 2) выбор фиксированной либо плавающейпроцентной ставки; 3) обслуживание ипотечного кредита согласноусловиямкредитногоили объявлениедефолта,соответствующегодоговора,включаярешения.рефинансированиевыборПозднеевремени[Rachils,ссуды,принятийYezer,1993]представляют теоретическую модель процесса ИЖК, следуя подходу,предложенному в работе [Maddala, Trost, 1982]. Модель состоит изсистемы 4-х уравнений: 1) вероятность подачи кредитной заявки;2) вероятность выбора конкретных параметров ипотечного кредита;3) вероятностьодобрения/отклонениякредитнойзаявки;4) вероятность дефолта ипотечного заемщика.Обе работы обсуждают подходы к оцениванию таких системуравнений, отмечая наличие проблемы выборочной селективности,и подчеркиваютнеобходимостьизучения90процессовпринятиярешений при ИЖК, однако носят исключительно теоретическийхарактер.

С середины 90-х гг. XX в. стали появляться публичнодоступные данные по американскому рынку ипотеки—FederalHousing Administration (FHA) foreclosure data, The Boston Fed Studydata, The Home Mortgage Disclosure Act data (HMDA), а такжеэмпирические работы, посвященные изучению процессов принятийрешений при ИЖК и апробирующие параметрические инструментыоценки кредитного риска с учетом коррекции проблемы выборочнойселективности.В продолжение работы [Rachils, Yezer, 1993], [Yezer et al., 1994]представляют эмпирические результаты оценивания предложеннойсистемы одновременных уравнений с помощью симуляционныхметодов.

Авторы показывают, что изолированное моделированиепроцесса кредитного андеррайтинга и дефолта ипотечного заемщикаприводит к смещенным оценкам параметров. Позднее аналогичныерезультаты получены в эмпирических работах [Munnell et al., 1996],[Phillips, Yezer, 1996], [Ross, 2000] и др. путем сравнения оценокпараметров пробит-модели и двойной пробит-модели.Эмпирические результаты работы [Ross, 2000] свидетельствуютотом,чтобольшинстводля вероятностиодобренияоценокпараметровипотечноговуравнениизаемщикаимеютпротивоположный знак в уравнении для вероятности дефолта, однакоэтовернотолькопослекоррекцииоценокнавыборочнуюселективность.

Чем больше доступно информации о характеристикахзаемщика, включая его кредитную историю и другие риск факторы,темвышевероятностьминимизациипроблемывыборочнойселективности. Автор также отмечает важность поиска болееподходящихинструментовдлярасчетакорреляциимеждуненаблюдаемыми детерминантами процесса одобрения/отклонения91ипотечной заявки и процесса дефолта ипотечного заемщика.К переменным, объясняющим вероятность одобрения ипотечнойзаявки, но не вероятность дефолта, относятся сложившиеся условияна кредитном рынке в момент оформления кредитной сделки, а такжехарактеристикиОПИК.Вместестем,предположениеосопоставимости процессов кредитного андеррайтинга в двух наборахиспользуемых в работе [Ross, 2000] данных (HMDA data и FHA loans)является в определенной степени дискуссионным.В работе [Bajari et al., 2008] для оценки PD ипотечного дефолтаиспользуетсядвойнаяпробит-модельприусловиичастичнойнаблюдаемости (bivariate probit model with partial observability),которая впервые была исследована в работе [Poirier, 1980].

Модель PDипотечного заемщика строится на основе теории опционов [Deng etal., 2000]. Авторы моделируют разницу залоговой стоимости жильяи непогашенного остатка ипотечного кредита, а также и вероятностьдефолта ипотечного заемщика, рассматривая 4 причины объясненияипотечного дефолта: падение цен на рынке недвижимости; ожидания низких относительных цен на недвижимость; рост контрактных процентных ставок относительно рыночныхставок; неспособность погашать ипотечные обязательства по причиненехватки ликвидности (в первую очередь, дохода).Назаключительномэтапеосуществляетсяверификацияэконометрических моделей PD ипотечного заемщика.

С этой цельютестируется гипотеза о правильности спецификации модели путемпроверкистатистическойзначимостипрогнозногозначениязависимой переменной и ее квадрата в исходном регрессионном92уравнении PDпрогнозной20. В качестве статистических критериев оценкиточностивышеупомянутыхидискриминационнойэконометрическихмоделейспособностиPDипотечногозаемщика используются критерии, в том числе предложенныеМетодическими рекомендациями по реализации подхода к расчетукредитного риска на основе внутренних рейтингов банков [ЦБ РФ,2012]. К ним относятся: AUC—area under curve—площадь под ROC кривой(отражающей зависимость частоты истинно положительныхи ложноположительных заключений) (табл.

2.2.); коэффициент Джини (Gini), вычисляемый на основе тождестваGini  ( AUC  0,5)  2 ; процент правильных прогнозов.Таблица 2.2Прогностическая ценность моделиЗначение AUC0,5свыше 0,5–0,70,8свыше 0,8–0,9свыше 0,92.4.НейросетевоеПрогностическая ценность моделиСлучайный классификаторНизкое качество моделиСреднее качество моделиХорошее качество моделиОтличное качество моделимоделированиевероятностиипотечного дефолтаВ качестве возможной альтернативы параметрическим моделямрассматриваютсянепараметрическиемодели,вчастности,построенные с использованием искусственных нейронных сетей.

Идеясозданияискусственныхнейронныхсетейпоявиласьвходеисследований в области искусственного интеллекта, а именнов результате попыток воспроизвести способность биологических20linktest в STATA.93нервныхсистем обучаться и исправлять ошибки, моделируяструктуру человеческого мозга. Основой искусственной нейроннойсети является искусственный нейрон (рис. 2.2).Рис. 2.2. Искусственный нейронИскусственный нейрон, как и его естественный прототип –биологический нейрон, имеет группу синапсов (входов), которыесоединены с выходами других нейронов, а также аксон – выходнуюсвязь данного нейрона – откуда сигнал возбуждения или торможенияпоступает на синапсы других нейронов, имеющих определеннуюинтенсивность (вес) [Круг, 2002].

Каждый нейрон характеризуетсясвоим текущим состоянием по аналогии с нервными клеткамиголовного мозга, которые могут быть возбуждены и заторможены.Текущее состояние нейрона определяется как взвешенная сумма еговходов (16):nS   xi  wi ,(16)i 1где xi – входные сигналы,wi – веса соответствующих синапсов21.Текущее состояние нейрона сравнивается с порогом активации.В результате получается величина активации нейрона. Сигналактивациипреобразуетсяспомощью21функцииактивацииВеличина синаптической связи, которая по своему физическому смыслу эквивалентнаэлектрической проводимости.94и в результатеНелинейнаяполучаетсяфункциявыходнойf(S)сигналназываетсятакженейрона:Y=f(S).активационной,сжимающей функцией или функцией возбуждения нейрона.Сложность задачи и ее особенности определяют выборструктуры нейронной сети.

Теоретически число слоев и числонейронов в каждом слое нейронной сети может быть произвольным,однако фактически оно ограничено ресурсами компьютера илиспециализированной микросхемы, на которых обычно реализуетсянейронная сеть22. Для нейронных сетей характерен принциппараллельной обработки сигналов [Круглов, 2006].Нейронные сети зарекомендовали себя в качестве эффективногоинструмента оценки кредитного риска, используемого в кредитномскоринге [Wu, Wang, 2000; Atiya, 2001; Angelini et al., 2008; Yu et al.,2008].Обзорработпонейросетевомумоделированиюв потребительском кредитовании представлен в [Порошина, 2012b].В работе [Kumar, Ravi, 2010] представлен обзор эмпирических работпо применению статистических методов и методов искусственногоинтеллектакпроблемепрогнозированиябанкротствабанкови компаний.

Характеристики

Список файлов диссертации