Скоринговые модели оценки кредитного риска Текст научной статьи по специальности «Экономика и бизнес»

СКОРИНГОВЫЕ МОДЕЛИ ОЦЕНКИ КРЕДИТНОГО РИСКА

С. С. САМОЙЛОВА, М. А. КУРОЧКА

В статье рассмотрен скоринг как инструмент управления кредитным риском, его основные характеристики, а также механизм его реализации и методов снижения просроченной задолженности. Кредитные организации имеют сложную многоуровневую систему рисков, всесторонняя и объективная оценка которых играет ключевую роль в обеспечении финансовой устойчивости каждой кредитной организации и стабильного развития банковской системы в целом. Скоринг заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Существуют скоринговые модели, позволяющие оценивать кредитоспособность физических лиц, юридических лиц и субъектов малого бизнеса. Внедрение системы кредитного скоринга позволит банку получить то самое всеми желаемое конкурентное преимущество — длительную выгоду применения создающей потребительскую ценность стратегии, основанной на уникальной комбинации внутрифирменных ресурсов и способностей. Устойчивое конкурентное преимущество дает возможность бизнесу поддерживать и улучшать свои конкурентные позиции на рынке и выживать в борьбе с конкурентами в течение длительного времени.

Ключевые слова: банки, кредит, кредитные риски, скоринг, скоринговые системы, кредитный рынок.

Кредитный риск представляет собой основной банковский риск, управление которым является ключевым фактором, определяющим эффективность деятельности банка. Обычно банки формируют значительную часть своих доходов за счет кредитной деятельности, поэтому особую актуальность представляет оценка потенциальной прибыли по отношению к вероятности непогашения кредита. В узком смысле кредитный риск определяется как существующий для кредитора риск невозврата кредитополучателем заимствованных средств.

В последнее время в нашей стране наблюдается интенсивный рост рынка кредитования и, в частности, сектора кредитования физических лиц. Это 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 [4].

При выдаче кредита банк, прежде всего, интересует кредитоспособность потенциального заемщика, то есть способность полностью и в срок рас-

считаться по своим долговым обязательствам. Именно задаче выбора кредитоспособных заемщиков в основном и служат скоринговые системы.

Сущность скоринга заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Данные критерии имеют различные удельные веса и впоследствии агрегируются в интегральный показатель — совокупный кредитный балл. Величина кредитного лимита в скоринговых системах носит второстепенный характер и определяется исходя из уровня доходов заемщика. Интегральный показатель сравнивается с определенным числовым порогом, который представляет собой так называемую линию безубыточности для банка. Кредит выдается тем клиентам, интегральный показатель которых выше этой линии [1].

Оценка кредитоспособности с использованием скоринговых систем в большинстве случаев строится на не более чем 20 критериях, среди которых: уровень среднемесячного дохода, частота смены места работы, возраст, семейное положение, количество лиц, находящихся на иждивении, образование, наличие недвижимости и личного автомобиля и т. д.

Внедрение скоринговых систем имеет ряд преимуществ, к которым относят:

— возможность снижения издержек и минимизацию операционного риска за счет автоматизации принятия решения о выдаче кредита;

— сокращение времени обработки заявлений и предоставления ответа о выдаче или отказе в кредите;

— централизацию принятия кредитного решения и снижение влияния человеческого фактора при его принятии;

— выявление и предотвращение попыток мошенничества [9].

К недостаткам скоринга относится в первую очередь то, что оценка кредитоспособности возможных заемщиков проводится на основе имеющийся информации о предыдущих, выданных кредитах, а сведений, характеризующих возможное поведение соискателей кредита, которым в выдаче кредита, было отказано, не имеется представления. Также оценка заемщика с использованием скоринговой системе основывается не на оценке реального человека, а на основе имеющейся о нем информации, которую он же и сообщает, и клиент может представить о себе такие данные, которые позволят ему получить положительный результат при разрешении вопроса о выдаче ему кредита [8].

Кроме всего перечисленного, скоринговые системы нуждаются в постоянной доработке и обновлениях, так как по прошествии определенного времени происходит изменение социальных и экономических условий, условий кредитования, и самих людей. В странах запада разработка ско-ринговых моделей осуществляется раз в полтора-два года и во многом зависит от того, насколько стабильна экономика в этот период [4].

Существует несколько типов скоринга:

— скоринг кредитоспособности — оценка кредитоспособности заемщиков, используемая для принятия решения о предоставлении кредита;

— скоринг по прогнозу качества обслуживания долга клиентом — оценка уровня риска существующих заемщиков, позволяющая определить поведенческие особенности клиентов, проявляющие в качестве обслуживания долга;

— скоринг востребования — оценка способов работы с просроченной задолженностью и выбор из нескольких альтернативных наборов наиболее эффективного для последующего воздействия;

— скоринг по оценке вероятности мошенничества — реализующий оценку вероятности мошенничества клиента на основе совокупности признаков проводимой сделки [3].

На основе теоретических данных можно сказать, что развитие скоринга в России сдерживается тем, что в сравнении с западными мерками в нашей стране все еще низкие объемы кредитования и постоянно меняющиеся социальные и эко-

номические условия. Российские кредитные организации не имеют в наличии достаточной информации о клиентах для того, чтобы построить эффективные скоринговые системы, которые бы обеспечивали спрос на розничное кредитование и минимизировали риски банков. В этой ситуации кредитные организации могут воспользоваться двумя способами.

Первый — использование модели, разработанной за границей с обязательной адаптацией к российским условиям, что затратно и долго по времени.

Второй — отказ от использования моделей скоринга еще на первоначальном этапе и выдача кредита всем желающим на основе стандартной проверки, проводимой с целью накопления кредитной истории. После чего использовать полученные данные для разработки собственной ско-ринговой модели, которая будет эффективной, но и весьма дорогостоящей для банка [1].

Кроме скоринговых моделей, ориентированных на оценку кредитоспособности физических лиц, существуют скоринговые модели, позволяющие оценивать кредитоспособность юридических лиц и субъектов малого бизнеса.

Итак, выше мы подробно разобрали эффективную систему кредитного скоринга — такую, какой она должна быть в идеале. Естественно, что решение о внедрении такой системы дается банку нелегко. Причин такого нежелания множество: привычка работать «на глаз» и по «установившейся традиционной методике», вечная несвоевременность и кажущаяся сложность внедрения, и так далее. Да и зачем так сложно, когда есть табличка, «на коленке» составленная рисковиками, которая, пусть неидеально, но работает [5; 2].

Действительно, большая часть отечественных банков уже пользуется некими простейшими подобиями скоринговых систем, позволяющими оценивать заемщика. В какой-то мере эти методики несколько упрощают работу кредитных специалистов. Но такие элементарные программы (около 90 % из них — таблицы характеристик заемщика, выполненные в MS Excel) имеют ряд недостатков, в связи с которыми их нельзя назвать «системами кредитного скоринга» в полном понимании этого слова. Вот некоторые из этих недостатков:

— децентрализованность системы оценки;

— сложность осуществления быстрых решений департамента риска кредитной организации -смена или корректировка методики оценки превращается в длительную процедуру для большого количества точек обслуживания;

— невозможность построения сложной стратегии принятия решения;

— скоринговые модели основаны на экспертных знаниях кредитных аналитиков банка, что ограничивает качество моделей и опосредованно сокращает клиентскую базу;

— возможность обмануть методику оценки -любой человек, имеющий определенные навыки, может «взломать» методику оценки и в дальнейшем «подстроиться» под «хорошего» заемщика. Это касается не только рисков мошенничества, но

Так же нужно отметить конкурентные преимущества. Постоянный рост конкуренции вынуждает многие компании вести все более ожесточенную борьбу за достойное место на рынке. Независимо от того, в какой области работает компания — бытовая электроника, пассажирские авиаперевозки или банковская деятельность, -ее руководству постоянно приходится задавать себе одно и тоже задание — достичь потенциальных конкурентных преимуществ. Для банков ответ на этот задание прост: либо предложить клиентам дополнительные услуги, либо радикально снизить цены. И в любом случае не обойтись без инновационных технологий работы. Несмотря на видимую простоту решения, далеко не все финансовые организации смогли его реализовать [5].

Внедрение системы кредитного скоринга позволит банку получить то самое всеми желаемое конкурентное преимущество — длительную выгоду приме-

и «помощи» заемщикам со стороны кредитных инспекторов (нельзя забывать, что эти, по большей части низкооплачиваемые сотрудники, стремятся к максимальному объему привлеченных кредитов, никак не отвечая за их возврат) [8].

Практический опыт внедрения систем кредитного скоринга в отечественных банках позволяет нам сравнить типовой подход к скорингу, рассмотренный выше, и применение полноценных систем кредитного скоринга. Такое сравнение по ключевым критериям приведено в таблице 1.

нения создающей потребительскую ценность стратегии, основанной на уникальной комбинации внутрифирменных ресурсов и способностей. Устойчивое конкурентное преимущество дает возможность бизнесу поддерживать и улучшать свои конкурентные позиции на рынке и выживать в борьбе с конкурентами в течение длительного времени [6; 7].

Эффективная система кредитного скоринга позволяет банку:

— оперативно корректировать бизнес-модели розничного бизнеса;

— выйти первым на рынок с новым продуктом;

— обеспечить для розничного бизнеса банка гибкость и быстроту;

— быстро и безошибочно принимать стратегические решения;

— эффективно управлять накопленной информацией;

Таблица 1

Сравнение типового подхода и скоринга

Критерии Типовой подход к оценке заемщика Система кредитного скоринга

Первичная обработка кредитной заявки Основывается на экспертных знаниях кредитного специалиста Основывается на объективной информации из различных источников

Процесс оценки идентичных заявок Рассмотрение каждой заявки зависит от конкретного кредитного специалиста и субъективных факторов Идентичные заявки проходят идентичную процедуру оценки

Легкость восприятия «Уже используется», результаты ожидаемы Необходимы культурные перемены, готовность сотрудников к нововведениям

Процесс внедрения Длительное обучение и тренировка каждого кредитного специалиста. Наработка опыта и интуиции Не требует длительного обучения сотрудников. При внедрении необходим контроль со стороны кредитных специалистов высшего звена

Возможность ошибок, злоупотреблений и мошенничества Ошибки возможны в силу человеческого фактора. Злоупотребления и мошенничество возможны и распространены Злоупотребления возможны только на уровне высшего звена кредитных специалистов. Ошибки могут быть связаны с некачественными скоринговыми моделями. Мошенничество возможно, однако его вероятность заметно снижается

Гибкость При внедрении нового кредитного продукта необходима разработка новых инструкций и обучение персонала. Процесс длительный и мало поддающийся контролю При внедрении нового кредитного продукта необходимо создание новых скоринговых моделей и стратегий (или внесение изменений в уже имеющиеся). Процесс полностью контролируемый. Качество вновь созданных моделей (стратегий) может быть проверено без запуска в работу. Дополнительное обучение персонала не требуется

— строить и развивать бизнес, опираясь на точные данные и математический анализ [8; 3].

Внедрение системы кредитного скоринга позволяет банку получить целый ряд преимуществ: начиная от снижения времени принятия решения по кредитной заявке и заканчивая оптимизацией бизнес-процессов в целом. Основным же преимуществом является снижение дефолтности кредитного портфеля банка за счет скорингового анализа и рей-тингования заемщиков.

Если кредитная организация правильно и адекватно использует кредитный скоринг, то получает эффективное конкурентное преимущество для поддержания и улучшения своих конкурентных позиций на рынке и выживания в борьбе с конкурентами в течение длительного времени.

Литература

1. Зобова Е. В., Самойлова С. С. Управление кредитным риском в коммерческих банках // Социально-экономические явления и процессы. Тамбов, 2012. № 12 (046). С. 74-81.

2. Коротаева Н. В. Проблемы и перспективы развития в России безналичных розничных платежей // Социально-экономические явления и процессы. Тамбов, 2012. № 12 (046).

3. Международная конвергенция измерения капитала и стандартов капитала: уточненные рамочные подходы (Базель 2). М., 2004.

4. О типичных банковских рисках: Указание оперативного характера Банка России № 70-Т от 23.06.2004. Доступ из справ.-правовой системы «Кон-сультантПлюс».

5. Пищулин А. Г. Система кредитного скоринга: необходимости и преимущества. 2011. URL: www.gaap.ru

6. Развитие финансовой системы в условиях модернизации экономики России: колл. монография. Тамбов, 2013.

7. Турлачева М. А., Малышкина Д. Н. Современные тенденции развития кредитования аграрного сектора в России // Саяпинские чтения: сборник материалов круглого стола. Вып. 7. гл. ред. В. М. Юрьев. Тамбов, 2014.

8. Усачев С. Кредитный скоринг // Банки и технологии. 2008. № 04.

9. Юрченко Е. Г. Совершенствование управления кредитным риском в сфере потребительского кредитования на основе скоринга востребования // Управление риском. 2009. № 2. С. 44-50.

* * *

SCORING MODELS OF THE ASSESSMENT OF CREDIT RISK

S. S. Samoylova, M. A. Kurochka

In article scoring as the instrument of credit risk management, its main characteristics, and also the mechanism of its realization and methods of decrease in arrears is considered. The credit organizations have difficult multilevel system of risks, the comprehensive and which objective assessment plays a key role in ensuring financial stability of each credit organization and stable development of a banking system as a whole. Scoring consists in determination of cumulative credit point of the borrower as a result of his assessment on a number of criteria. There are the scoring models, allowing to estimate solvency of natural persons, legal entities and subjects of small business. Introduction of system of credit scoring will allow bank to get that all desirable competitive advantage — long benefit of application of the strategy creating consumer value based on a unique combination of intra firm resources and abilities. Steady competitive advantage gives the chance to business to support and improve the competitive positions in the market and to survive in fight against competitors for a long time.

Key words: banks, credit, credit risks, scoring, scoring systems, credit market.

Скоринговая система оценки кредитоспособности Текст научной статьи по специальности «Экономика и бизнес»

УДК 336.77.01

А. С. Волкова

студент,

кафедра финансов и бухгалтерского учета, ЧОУВО «Санкт-Петербургский академический

университет»

СКОРИНГОВАЯ СИСТЕМА ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

Аннотация. В статье рассмотрена скоринговая система кредитоспособности заемщика. Сравнивается зарубежный и отечественный опыт ее применения. Описаны основные проблемы и отличия применения скоринговой системы в Российской Федерации.

Ключевые слова: банк, кредит, оценка кредитоспособности, скоринговая система, кредитный

риск.

A.S. Volkova, Saint-Petersburg Academic University

SCORING SYSTEM CREDITWORTHINESS

Abstract. The article describes the scoring system creditworthiness of the borrower. Compares foreign and domestic experience of its application. Describes the basic issues and differences of application of scoring system in the Russian Federation.

Keywords: bank credit, credit rating, scoring system, credit risk.

В Российской Федерации с развитием системы коммерческих банков остро встал вопрос о выявлении, оценке и регулировании его рисков.

Мировой финансовый кризис в 2008 году хорошо показал, что абсолютно любой банк рискует стать неплатежеспособным вне зависимости от того с какими показателями он в него вошел и какую поддержку оказало правительство в вопросе стабилизации экономики страны в целом и банковского сектора в частности. В кризис необходимо анализировать не только собственные банковские риски, но и необходимо анализировать изменения политической и экономической ситуации в России. Также следует использовать зарубежный опыт и максимально адаптировать апробированные на практике западные методики.

Оценка кредитоспособности заемщика является важнейшим этапом на пути принятия банком положительного (или отрицательного) решения о выдаче ссуды. От принятия верного решения зависит, получит ли банк прибыль или понесет убытки.

В системе оценки кредитоспособности заемщика часто применяют скоринговые модели.

Скоринговая оценка кредитоспособности заемщика подразумевает анализ различных факторов и присвоение в соответствии с этим баллов (англ. score — баллы, очки).

Скоринговую модель можно представить в виде абсолютной суммы баллов по скоринговой карте или взвешенной сумме факторов риска кредитного качества заемщика. В первом случае модель выглядит следующим образом:

S = Al + A2 +…Ak,

где S — значение скоринга;

Al + A2 +…Ak — баллы, которые характеризуют значимость параметров клиента.

Во втором случае:

S = AI • XI + A2 • X2 +…Лк • Хк,

где S — значение скоринга;

XI, Х2…Хк- параметры клиента;

AI + A2 +…Лк — баллы, которые характеризуют значимость параметров клиента [2].

Банки также используют свои скоринговые системы, они зашифрованы в клиентской анкете. Такой экспресс-метод позволяет оценить возможность кредитования в течение 15-20 минут. В данном анализе используются такие характеристики как доход, семейное положение, профессия, возраст и др. В соответствии с данным анализом делаются выводы о возможности кредитования и устанавливаются размер лимитов.

В Америке, при оценке платежеспособности клиента, зачастую используют информацию скорингового агентства FICO. Есть и другие скоринговые агентства как: NextGen, VantageScore, CE Score. Но FICO является лидером в данном сегменте, на его долю приходится около 60% американского кредитования.

Точные формулы расчета являются закрытой информацией, но FICO раскрыл основные составляющие оценки:

35% — предыдущие кредитные истории,

30% — сумма и количество кредитных счетов,

15% — продолжительность кредитной истории,

10% — данные об открытии новых кредитных счетов,

10% — типы взятых займов [1].

Сегодня FICO полномасштабно развернулся в 22 странах. Программа FICO начала применятся в России с конца 2008 года. Максимальное количество баллов в шкале FICO 850, а балл ниже 400 присваивается уже к сомнительному заемщику, если балл ниже 300, то клиенту, скорее всего, откажут в кредитовании.

В Российской Федерации крупнейшим скоринговым агентство является НБКИ (Национальное бюро кредитных историй), которое учреждено в 2005 году по инициативе Ассоциации российских банков и действует на основании Федерального закона «О кредитных историях». На сегодняшний день НБКИ обладает самой большой базой кредитных историй в Российской Федерации.

Наиболее востребованные кредиторами разработки НБКИ — это скоринг-бюро, система мониторинга финансового поведения заемщиков «Сигнал 2.0», верификация паспортных данных по базам государственных органов, инструменты предотвращения кредитного мошенничества, в частности, система «НБКИ-AFS» (Anti Fraud Service) и скоринговая карта, ранжирующая кредитные заявки по вероятности кредитного мошенничества, — Anti Fraud Score [5].

Если сравнивать западные агентства и наши, то в России, конечно, лучше использовать отечественные адаптированные аналоги. Наше кредитование моложе и имеет ряд существенных отличий, например, у многих граждан кредитная история отсутствует вовсе.

Необходимо отметить важный недостаток использования скоринга в России,

№ 5 (57) — 2016

137

кредитоспособность заемщика зависит не только от его наблюдаемых характеристик, но и от общей макроэкономической ситуации.

Кроме того, в Российской Федерации наблюдается значительный рост волатиль-ности доходов при росте их по абсолютной величине. Таким образом, некредитоспособный вчера заемщик, может сегодня быть кредитоспособным. Соответствующую информацию о его текущей кредитоспособности уже нельзя почерпнуть из прошлой кредитной истории.

Список литературы:

1. The 5 Biggest Factors That Affect Your Credit // Investopedia -крупнейшая в мире цифровая финансовая образовательная платформа [Электронный ресурс]. — URL: http://www.investopedia.com/articles/pf/10/credit-score-factors.asp (дата обращения: 20.02.2016).

2. Алиев Б.Х. Кредитный риск: теория и практика оценки и прогнозирования. -М.: Перо, 2013.

3. Костюченко Н.С. Анализ кредитных рисков: учебное пособие для студентов высших учебных заведений, обучающихся по специальности «Финансы и кредит» / Наталья Костюченко. — Санкт-Петербург: Скифия, 2012.

4. Метелев К.А. Формализованная методология оценок и регулирования банковских кредитных рисков в условиях неопределенности: монография / К.А. Метелев; М-во образования и науки РФ, Гос. образоват. учреждение высш. проф. образования Рос. гос. торгово-экон. ун-т, Омский ин-т (фил.). — Омск: Омский ин-т (филиал) РГТЭУ, 2010. — 322 с.

5. Национальное бюро кредитных историй [Электронный ресурс] // Национальное бюро кредитных историй. — URL: http://www.nbki.ru/company/ (дата обращения: 20.02.2016).

Скоринговые модели как средство управления кредитными рисками в российских банках Текст научной статьи по специальности «Экономика и бизнес»

УДК 336.77

СКОРИНГОВЫЕ МОДЕЛИ КАК СРЕДСТВО УПРАВЛЕНИЯ КРЕДИТНЫМИ РИСКАМИ В РОССИЙСКИХ БАНКАХ

© Данилович В. Ю., Курганская Г. С., 2017

Иркутский государственный университет, г. Иркутск

В данной статье авторами были проанализированы скоринговые системы, как средства управления рисками, кроме того в статье были описаны история появления скоринга, факторы кредитных рисков и актуальные для Российских банков подходы и методы управления кредитными рисками.

Ключевые слова: банк, кредит, скоринг, ссуда, риски, управление рисками, скоринговые системы, факторы кредитных рисков.

Банки в наше время играют огромную роль. Банк это финансово-кредитная организация, предоставляющая услуги финансового характера населению. Банк можно назвать посредником между теми, у кого есть деньги, и теми, кто в них нуждается. Локомотивный продукт практически любого банка — кредит, а основным источником дохода являются проценты по кредиту, которые выплачивают заемщики, взяв на себя кредитные обязательства. Однако многие банки терпят убытки, в первую очередь из-за невозврата кредитов [1]. Для того чтобы минимизировать кредитные риски и отгородить себя от возможных потерь, банки используют так называемую скоринговую систему. В большом потоке

кредитных заявок банки стараются отбросить наименее привлекательных и рискованных заемщиков, чтобы уделить время наиболее интересным заявкам. Банки автоматизировали систему управления рисками посредством скоринговой модели. Скоринг произошел от английского слова «Score», что в переводе означает счет. Скоринговая система начисляет баллы в своей анкете, которую разработали оценщики кредитных рисков, и рассчитывает кредитоспособность клиента. Проблема скоринга, довольно, актуальна в банковской системе, ведь данная модель является основным индикатором оценки риска при принятии кредитного решения. Однако такие решения не всегда идеальны, так как система принимает

29 Бизнес-образование в экономике знаний

№ 1 • 2017

решения, которые могут не соответствовать действительному положению дел, из-за чего банк может выдать кредит неплатежеспособному клиенту или наоборот не выдать хорошему заемщику [4]. Скоринг — это система оценки заемщиков, которая основана на математико-статистических методах. Цель скоринга — это оценить уровень платежеспособности клиента по некоторым факторам и отобрать потенциальных заемщиков. Кредитные менеджер, во время собеседования с заемщиком, собирает максимум информации о нем, после чего скоринговая система обрабатывает информацию, начисляя баллы за каждый благоприятный фактор [6].

Самая первая скоринговая модель появилась в банках США, когда, во время Второй мировой войны, практически все кредитные инспекторы были призваны защищать родину. По просьбе банков и других кредитных организаций, перед уходом, кредитные аналитики разработали модель для принятия решений о выдаче кредита. Этой моделью смогли воспользоваться даже неспециалисты. Следующий шаг в развитии скоринга — это консалтинговая компания Fair Issac Corporation (FIC), которая занималась развитием скоринговых моделей. Сегодня FIC продолжает разрабатывать скоринговые системы для банков. А используемая шкала FICO (Таблица 1), которую создала компания FIC, применяется в большинстве банков США. Во внимание принимаются следующие составляющие: качество кредитной истории, наличие и размер текущих долгов, длительность отношений с кредиторами, соотношение количества поданных заявок и выданных кредитов, типы выданных кредитов [9].

Таблица 1. Шкала FICO — показатель качества

заемщика [11]

Баллы Описание

750+ Отличный кредитный балл. Заемщику выдается кредит на самых выгодных условиях

700-750 Хороший кредитный балл. Нет проблем с выдачей кредита. Заемщик получает кредит под хороший процент.

640-700 Средний кредитный балл. Банк может выдать заемщику кредит, но на не очень выгодных условиях. Также вероятен отказ банка.

580-640 Слабый кредитный балл. Долгий процесс принятия решения о выдаче кредита заемщику и высокие процентные ставки

Меньше 580 Плохой кредитный балл. Отказ Банка в выдаче кредита заемщику.

Существуют в Америке и другие скоринговые системы, к примеру: система оценки кредитных

рисков NextGen; конкурирующая с FICO система VantageScore, для создания которой объединились три крупнейших бюро кредитных историй (БКИ) США — Equifax, Experian и TransUnion; система CE Score, доступная заемщикам бесплатно, однако платная для банков. Тем не менее, на долю FICO приходится примерно 60 % американского кредитного рынка.

На развитие скоринга повлияло еще два фактора. В США был принят закон, о равных возможностях получения кредита, который обязал банки рассматривать все заявки (борьба с расовой дискриминацией). Следующий фактор — это развитие информационных технологий, которые могли обрабатывать большой количество поступающих кредитных заявок [9]. Скоринговые системы делятся на несколько видов, самые популярные из них:

• Скоринг на основании кредитной истории учитывает кредитную историю потенциального заемщика (ссуды различных банков, просрочки (если они есть), попытки взять ссуду у банка, наличие кредитных карт). Главный недостаток такого подхода очевиден. Выборка классифицируется только по клиентам, которым уже давали кредит. Оставалось неизвестным, как повели бы себя те клиенты, которым было отказано в кредите или которые за ним даже не обращались

[9].

• Социо-демографический скоринг — это оценка заемщика на основании таких показателей как возрастной и половой признак, семейное положение, наличие иждивенцев, стаж работы, профессия. Так же скоринг учитывает уровень заработной платы, обычно, за последний год [9].

Кредитный менеджер проводит собеседование и анкетирование с потенциальным заемщиком, после чего вносит данные в программу. На основании этих данных скоринговая система присваивает баллы за каждый фактор, а в конце процедуры относит заемщика к определенной «группе риска» и дает заключение о возможности предоставления кредита. Несмотря на скоринговую систему, в каждом банке существует собственная система оценки потенциальных заемщиков. Например, есть определенные пороги по уровню заработной платы, если значение ниже поставленного порога, клиент получает отказ банка еще на уровне прескоринга. В условиях кризиса, для минимизации финансовых рисков некоторые банки ввели мораторий на выдачу ссуды неработающим пенсионерам, чей доход потенциально не сможет обеспечить полного погашения кредита. Помимо этого, сотрудники могу визуально оценивать потенциального контрагента, чье девиантное или даже неадекватное поведение или неприемлемый внешний вид может стать преградой к получению ссуды. После всех, вышеизложенных методов оценки, заявка должна пройти этап андеррайтинга и получить одобрение у департамента анализа рисков и службы

безопасности. В случае, если все этапы пройдены, это еще не гарантия получения кредита. В условиях нестабильной экономики в регионах, внутренний контроль имеет право отказать клиенту, однако оформление страхового договора, дает высокие шансы на успех заемщика [2].

Управление кредитными рисками занимает отдельное место в эффективном менеджменте любого банка. Под кредитным риском подразумевается невыполнение контрагентом своих кредитных обязательств по тем или иным причинам. Наиболее распространенный кредитный риск — дефолт заемщика, когда контрагент не выполняет обязательства перед банком по возврату денежных средств согласно условиям кредитного соглашения в силу экономической неспособности или нежелания. Факторы кредитного риска носят как внешний характер, так и внутренний. Внешние факторы связаны с возможностью реализации кредитного риска из-за неспособности заемщика погасить задолженность перед банком. В то время как, внутренние факторы связаны с ошибками кредитных менеджеров, департамента анализа рисков или других сотрудников, которые были допущены в ходе оформления заявки или оценки заемщика [3].

Таблица 2.Внутренние факторы кредитного риска _[3]

Внутренние факторы

Факторы, связанные с деятельностью заемщика

Факторы, связанные с деятельностью банка-кредитора

Характеристика кредитного риска

факторов

• Содержание и условия коммерческой деятельности заемщика

• Кредитоспособность заемщика

• Уровень менеджмента заемщика

• Репутация заемщика

• Банкротство заемщика

• Мошенничество со стороны заемщика

• Адекватность выбора кредитной политики

• Структура кредитного портфеля

• Квалификация персонала

• Ошибочные действия кредитных работников

• Качество технологий

• Тип рыночной стратегии

• Способность разрабатывать и продвигать новые кредитные продукты

Проблема кредитного скоринга в России довольно актуальна на сегодня. У каждого банка своя кредитная политика, но общая задача — минимизировать риски при выдаче кредитов.

Сейчас банки, в основном, выбирают консервативную политику, что, на наш взгляд, является правильным решением, особенно после кризиса 2008 года, когда в США ипотечные менеджеры выдавали ссуду практически всем подряд. В российской практике существует два основных подхода оценки риска кредитования, которые, обычно, применяются в сочетании друг с другом[10]:

• Субъективное заключение кредитных менеджеров

• Автоматизированные системы скоринга.

Основной задачей этих двух подходов является

выяснение вероятности возврата кредита контрагентом. В России скоринговые системы, в большей степени, используются для оценки рисков при кредитовании физических лиц, чем юридических. Автор отмечает, что это связано, прежде всего, с трудностью оценки финансового состояния компаний, так как все компании разные по своей деятельности, работают в разных секторах, и у каждой компания разные масштабы. Для определения рисков кредитования юридических лиц, помимо скоринговых систем, используется мониторинг финансового состояния компании путем оценки стоимости бизнеса и его активов [10]. Для розничного кредитования все намного проще, так как потенциальные заемщики сегментируются на «хороших» и «плохих». В России банки стали использовать скоринговые модели в начале нового века. С высокой конкуренцией и активным развитием потребительского кредитования, без скоринговых систем, банкам невозможно будет конкурировать на рынке [5]. Кредитный скоринг подразделяется на несколько типов. Далее мы рассмотрим, какие типы актуальны для Российских банков, а какие нет.

• Application-скоринг. Application-скоринг — оценка кредитоспособности заемщиков для получения банковской ссуды. Вопрос оценки потенциального заемщика на стадии получения кредита стоит для российских банков довольно остро. Специалисты отмечают, что доля просрочки достигает 8,3 % и продолжает расти. Таким образом, можно сказать, Application-скоринг наиболее актуальный тип скоринга для России [8] .

• Collection-скоринга. В последнее время российские банки отмечают необходимость увеличить использование Collection-скоринга. Этот тип скоринга помогает проводить планомерную работу с просроченной задолженностью до момента ее передачи в коллекторский отдел. Опыт показывает, что значительную часть задолженности в ходе этой работы удается ликвидировать [8].

• Behavioral-скоринг. Behavioral-скоринг — это оценка динамики состояния кредитного счета заемщика. Такая модель может спрогнозировать изменения платежеспособности контрагента на основании различных факторов. Поведенческий

31 Бизнес-образование в экономике знаний

№ 1 • 2017

скоринг позволяет определить оптимальные для заемщика сроки погашения, суммы и лимиты, однако, к сожалению, такой тип скоринга используется только в крупных государственных банках, таких как Сбербанк, ВТБ, Россельхозбанк [8].

• Fraud-скоринг. Совместно с

вышеописанными типами скоринга и службой безопасности, банки используют Fraud-скоринг, который позволяет определить вероятность мошеннических действий со стороны клиента [8].

В заключение, хочется отметить, что с развитием информационных технологий и появлением автоматизированных скоринговых систем, процесс принятия решений о выдаче кредита стал намного удобнее, безопаснее и быстрее. В условиях конкурентной борьбы на рынке кредитования невозможно представить банк, который не использовал бы скоринговые системы и другие методы управления кредитными рисками. В настоящее время, повышенный спрос заемщиков на кредиты обязывает банки использования политики управления кредитными рисками [7]. Всякий риск — это вероятность, как благоприятного, так и негативного исхода. Чтобы не потерпеть убытки банкам необходимо минимизировать риски, а скоринговые системы позволяют сделать это. ■

1. Голубев А. А. Финансы и кредит: Учеб. Пособие /

A. А. Голубев, Н. П. Гаврилов, — СПб.: СПб ГУИТМО, 2006. — 95 с.

2. Ермаков С. Л. Работа коммерческого банка по кредитованию заёмщиков: Методические рекомендации / С. Л. Ермаков, — М.: Алес, 2005. — 145 с.

3. Митрофанова К. Б. Понятие кредитного риска и факторы, на него влияющие / К. Б. Митрофанова // Молодой ученый. — 2015. — № 2. — С. 284-288.

4. Тен В. В. Проблемы анализа кредитоспособности заемщика / В. В. Тен //Банковское дело. — 2006. — № 3.

5. Черкашенко В. Н. Этот «загадочный» скоринг /

B. Н. Черкашенко // Банковское дело- 2006. — № 3.

6. Кредитный скоринг, оценка заемщика, балы, рейтинги [Электронный ресурс] // — справ.-информ. портал. — Электрон. дан. — М., 2016. — URL: http://aUcred.ru/articles/kreditnyj_skoring.html (Дата обращения: 28.11.2016)

7. Кредитный скоринг: реальные возможности [Электронный ресурс] / А. Коптелов // — Статья: справ.-информ. портал. — Электрон. дан. — М., 2015. — URL: http://www.cnews.ru/articles/kreditnyy_skoring_realnye_voz mozhnosti (Дата обращения: 27.11.2016)

8. Национальные особенности кредитного скоринга [Электронный ресурс] / В. А. Клапчук // Журнал -Электрон. дан. — М., 2014. — URL: http://www.factoringpro.ru/index.php/credit-scoring-statya/407-skoring-vibor (Дата обращения: 29.11.2016)

9. Скоринг как метод оценки кредитного риска [Электронный ресурс] // Статья — Электрон. дан. — М., 2002. — URL: http://www.cfin.ru/finanalysis/banks/scoring.shtml (Дата обращения: 29.11.2016)

10. Управление кредитными рисками [Электронный ресурс] // Статья — Электрон. дан. — М., 2005. — URL: http://www.cfin.ru/fmanalysis/banks/kreditrisks_management .shtml (Дата обращения: 29.11.2016)

11. What is a Good Credit Score Rating? [Электронный ресурс] // — Электрон. дан. — М., 2016. — URL: http://www.moolanomy.com/1805/what-is-a-good-credit-score/ (Дата обращения: 29.11.2016)

СПИСОК ЛИТЕРАТУРЫ

Голубев А. А. Финансы и кредит: Учеб. Пособие / А. А. Голубев, Н. П. Гаврилов, — СПб. : СПб ГУИТМО, 2006. — 95 с.

Ермаков С. Л. Работа коммерческого банка по кредитованию заёмщиков: Методические рекомендации / С. Л. Ермаков, — М.: Алес, 2005. -145 с.

Митрофанова К. Б. Понятие кредитного риска и факторы, на него влияющие / К. Б. Митрофанова // Молодой ученый. — 2015. — № 2. — С. 284-288.

Тен В. В. Проблемы анализа

кредитоспособности заемщика / В. В. Тен //Банковское дело. — 2006. — № 3.

Черкашенко В. Н. Этот «загадочный» скоринг / В. Н. Черкашенко // Банковское дело- 2006. — № 3.

Кредитный скоринг, оценка заемщика, балы, рейтинги [Электронный ресурс] // — справ.-информ. портал. — Электрон. дан. — М., 2016. — URL: http://aUcred.ru/articles/kreditnyj_skoring.html (Дата обращения: 28.11.2016)

Кредитный скоринг: реальные возможности [Электронный ресурс] / А. Коптелов // — Статья: справ.-информ. портал. — Электрон. дан. — М., 2015.

— URL: http://www.cnews.ru/articles/kreditnyy_skoring_realny e_vozmozhnosti (Дата обращения: 27.11.2016)

Национальные особенности кредитного скоринга [Электронный ресурс] / В. А. Клапчук // Журнал — Электрон. дан. — М., 2014. — URL: http://www.factoringpro.ru/index.php/credit-scoring-statya/407-skoring-vibor (Дата обращения: 29.11.2016)

Скоринг как метод оценки кредитного риска [Электронный ресурс] // Статья — Электрон. дан. -М., 2002. — URL:

http://www.cfin.ru/finanalysis/banks/scoring.shtml (Дата обращения: 29.11.2016)

Управление кредитными рисками [Электронный ресурс] // Статья — Электрон. дан. — М., 2005. -URL:

http://www.cfin.ru/finanalysis/banks/kreditrisks_mana gement.shtml (Дата обращения: 29.11.2016)

What is a Good Credit Score Rating? [Электронный ресурс] // — Электрон. дан. — М., 2016.

— URL: http://www.moolanomy.com/1805/what-is-a-good-credit-score/ (Дата обращения: 29.11.2016)

Scoring models as a way of credit risk management in Russian banks.

© Danilovich V., Kurganskaya G., 2017

In this article, the authors analyzed the scoring system, as a way of risk management, in addition, in this article, the authors also described the history of the emergence of

scoring, credit risks factors and topical approaches and methods of credit risk management for Russian banks.

Keywords: bank, credit scoring, credit risks, risk management, scoring system, credit risk factors.

Скоринговая модель оценки кредитоспособности заёмщиков в КПК

В настоящее время скоринг становится все более актуальным особенно при оценке риска при разнообразных видах кредита. Кредитный скоринг- это анализ оценки кредитных рисков клиентов, которые подают заявку в банк на получение различных видов кредита.

Целью данной статьи является изучение скоринга, позволяющего минимизировать риски при рассмотрении заявок в кредитных кооперативах, сократить время принятия решений по выдаче кредитов. Различные технологии, в т.ч. компьютерные и вычислительные постоянно меняются и совершенствуются и поэтому сегодня бальная методика — одна из нескольких технологий, применяемых в скоринге.

Основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и степень финансовой надежности и обязательности клиента. Скоринг оценивает, насколько пайщик «достоин» кредита.

В России применение скоринга тормозится не столько объективными, сколько субъективными причинами, связанными с недоверчивым отношением банковских и финансовых менеджеров к математическим, финансовым и статистическим методам. Не так уж много требуется, чтобы начать анализировать своих клиентов — кредитная история прошлых клиентов и статистический пакет.

Скоринговая система может заменить большую часть кредитных аналитиков или специалистов. Хотя система кредитного скоринга не заменяет, а дополняет работу кредитного эксперта. Это является финансовым инструментом на кредитном или банковском рынках.

В РФ внедрение скоринга происходит постепенно. При его применении сначала можно сделать автоматизированную систему предварительной оценки клиентов-заёмщиков, которая будет автоматически отсеивать заведомо «плохие» риски, а при рассмотрении кредитными специалистами предлагать риски «хорошие» и «пограничные».

Скоринг — системы позволяют банковским и кредитным аналитикам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от политической, экономической и финансовой ситуации в стране и в микрофинансовом секторе и определять оптимальное соотношение кредитных операций между доходностью и уровнем риска.

Проводя научно-исследовательскую работу на примере данных Сбербанка РФ при помощи скоринговой модели рассмотрим приобретение физическим лицом автомобиля в кредит. Для этого клиент, будущий заёмщик заполняет анкету в банке в кредитном отделе.

Чтобы успешно пройти скоринг, требуется внимательно заполнить каждый пункт кредитной заявки, чего многие потенциальные заемщики не делают или не хотят делать, и получают отказы. При заполнении кредитной анкеты система по результату анализа каждого пункта присваивает клиенту определённые баллы, по сумме которых рассчитывается кредитный риск: низкий, ниже среднего, средний, выше среднего и высокий.

Сумма баллов кредитного скоринга — это число, обозначающее кредитоспособность заявителя. Чем больше общее число баллов, тем выше кредитоспособность заёмщика.

Как правило, выделяют 16 независимых показателей, составляющих модель кредитного скоринга пайщика. Большинство из этих факторов — социально-демографические переменные

1. Пол
2. Место жительства заёмщика.
3. Образование
4. Наличие офиса кооператива поблизости от места жительства пайщика.
5. Семейное положение.
6. Возраст
7. Количество иждивенцев.
8. Срок займа.
9. Занятость
10. Продолжительность работы у последнего работодателя.
11. Продолжительность работы у текущего работодателя.
12. Период займа.
13. Частота пользования услугами кооператива.
14. Ежемесячный чистый доход.
15. Кредитная история.
16. Займы в других организациях.

Большую часть информации, которую может получить кредитный инспектор от потенциального заёмщика — индивидуальная беседа и анкетирование. Кредитный инспектор просит пайщика заполнить опросник, либо лично задаёт пайщику вопросы, по всем 16 пунктам.

Содержание заявления – анкеты, которую заполняет соискатель кредита, должно отвечать следующим требованиям:

• включать всю необходимую информацию для принятия решения о выдаче кредита, скоринга и иных процедур проверки;
• требовать разумного времени для заполнения;
• содержать вопросы, ответы на которые используются для детального анализа клиентской базы и, возможно, разработки новых методик скоринга. 

Примерная модель кредитного скоринга для кредитного кооператива

Общее число баллов, которое может собрать пайщик — 50, что означает максимальную кредитоспособность пайщика и минимальный уровень риска. Самое маленькое число баллов — 2, означающее неудовлетворительный уровень риска.

В данной модели выделено четыре группы риска. Самое высокое качество займа, 44-50 баллов, обладает наименьшим уровнем риска. При количестве баллов менее 25, пайщик обладает наивысшим уровнем риска и высокой степенью невозврата займа.

Классификационная модель кредитного скоринга в КПК

В данном случае мы используем классификационную скоринговую модель, анализируя такие характеристики заёмщика, как возраст, доход, семейное положение, историю платежей, разделяя потенциальных заёмщиков на 4 уровня риска.

Как следует из текущей модели кредитного скоринга, семейное положение — достаточно сильный показатель кредитного риска. Мы можем предположить, что женатые претенденты менее опасны и более кредитоспособны, потому что они несут ответственность за членов своих семей. Другой фактор, который делает женатых претендентов более кредитоспособными — общий доход.

Уровень образования, как показывает модель кредитного скоринга, является существенным фактором оценки кредитоспособности заёмщика. Претенденты с высшим образованием, как правило, редко просрачивают платежи и погашают займ вовремя. Они обладают лучшей финансовой грамотностью, кроме того, дипломированным специалистам легче найти работу в случае сокращения на текущей. Во многих микрофинансовых организациях образование является фундаментальным компонентом кредитного скоринга. Считается, что должники с высшим образования не выполняют взятых на себя обязательств меньше, по сравнению с заёмщиками со средним образованием.

Практика показывает, что чем старше человек, тем меньшей кредитоспособностью он обладает, потому что у молодых претендентов меньше обязанностей и меньше иждивенцев по сравнению с претендентами более старшего возраста. Следовательно, молодые возрастные группы более кредитоспособны при сравнении со старшим поколением. Срок займа также является существенным фактором и показывает значительные результаты, поскольку краткосрочные кредиты менее опасны, нежели долгосрочные.

Занятость — также не менее важный фактор оценки уровня кредитного риска. Он помогает узнать, каким доходом располагает потенциальный заёмщик и способен ли он осуществлять ежемесячные платежи по займу. Как правило, безработные не обладают стабильным уровнем дохода и не располагают достаточными финансовыми ресурсами в погашении займа.

Не стоит обделять вниманием такой немаловажный фактор, как кредитная история. Благодаря кредитной историей вы можете оценить предыдущий опыт пайщика во взаимодействии с финансовыми учреждениями, посмотреть количество и частоту просрочек, его возможности в погашении обязательств.

Конечно, кредитный скоринг не может целиком и полностью заменить кредитного инспектора, потому что принятие решение о выдаче займа лежит на работнике КПК и техника, используемая в кредитном скоринге лишь помогает кредитному инспектору принять правильное решение. По сути, кредитный скоринг содержит в себе элементы, которые нельзя игнорировать при принятии решения.

По результатам данной оценки кредитор, т.е. кредитный кооператив принимает решение по кредитной заявке. Проведённый анализ позволяет сделать вывод, к какой категории качества относится заёмщик. Если кредитные кооперативы повсеместно будут применять скоринговые системы, то они качественно достигнут многих поставленных целей и задач. Скоринг позволит дополнительно определять причины и факторы, влияющие на кредитоспособность заемщика, установив взаимосвязь между банками и информацией о клиенте-заёмщике от кредитного бюро.

В целом, можно выделить следующие преимущества кредитного скоринга:

• возможность снижения издержек и минимизация операционного риска за счет автоматизации принятия решения о выдаче кредита;
• сокращение времени обработки заявлений и предоставления ответа о выдаче или отказе в кредите;
• выявление и предотвращение попыток мошенничества;
• помощь в отслеживании ситуации по счетам, управлении портфелем, большое значение для систем раннего предупреждения.

Однако кредитный скоринг имеет ряд недостатков:

• классификация выборки производится только на клиентах, которым дали кредит; при этом отсутствует возможность узнать поведение клиентов, которым в кредите было отказано;
• скоринговые модели необходимо разрабатывать на выборке из наиболее «свежих» клиентов с учетом изменения социально-культурного уровня, периодически проверять качество работы системы, и когда качество ухудшается, разрабатывать новую модель;
• программа оценивает не реального человека, а информацию, которую он о себе сообщает, и хорошо подготовленный клиент может представить данные о себе так, что практически гарантированно получит кредит; 
• сотрудники не имеют достаточной подготовки, чтобы разрабатывать стратегии на основе скоринга и управлять ими, а также осуществлять эффективный мониторинг результатов работы модели;
• системы управленческой информации неадекватны для эффективной оценки, мониторинга и валидации модели;
• ненадлежащее применение моделей кредитного скоринга к продуктам, подгруппам заявителей или географическим регионам, не для которых они были разработаны, без проверки эффективности.

Скоринговые методы оценки платежеспособности предприятия

Рассмотрим модели банкротства предприятия, и более детально методы оценки платежеспособности предприятия.

Что такое скоринговая модель оценки предприятия?

Скоринговый подход к оценке платежеспособности предприятия заключается в анализе статистики по предприятиям по их исполнению обязательств перед кредиторами, информация о которых содержится в бюро кредитных историй. Поэтому скоринговые модели иногда в литературе называют кредитные скоринговые модели (credit-score) или кредитные оценочные модели. Таким образом, можно сказать, что кредитные скоринговые модели – статистические модели оценки платежеспособности предприятия.

История скорингового подхода к оценке

Ранее скоринговые модели разрабатывались исключительно для оценки кредитоспособности физических лиц в целях выдачи кредитов банками. Данный подход был впервые предложен Д. Дюраном в 1941 году для классификации клиентов банков по двум классам: кредитоспособные и некредитоспособные. Для определения класса рассчитывались показатели, позволяющие сделать вывод о его риске банкротства. Баллы для скоринговых моделей рассчитываются с помощью инструмента логистической регрессии. На ее основе, к слову, также строятся logit-модели оценки риска банкротства физических лиц и предприятий.

Задача скорингового подхода оценки платежеспособности предприятия

Задача скоринговой модели оценки платежеспособности предприятия  заключается в классификации его по степени финансового риска. Скоринговый подход схож с рейтинговым подходом оценки предприятия, так как в нем также присутствует рейтинг (класс) у предприятия, помимо этого присутствуют балльная оценка и присвоение рейтинга финансовым показателям.

Отличие заключается в том, что в результате присваивается рейтинг и предприятие относится к классу платежеспособности, т.е. производится помимо оценки еще и классификация. Также в результате скоринга получается рейтинг у предприятия и рейтинг у финансовых коэффициентов, описывающих предприятие.

Про другие подходы к оценке финансового состояния предприятия смотрите в статье: “Оценка финансового состояния предприятия”

Скоринговые модели оценки платежеспособности предприятия

Рассмотрим отечественные скоринговые модели оценки платежеспособности предприятия. Проанализируем две отечественные скоринговые модели Донцовой-Никифоровой и Савицкой. Данные модели предназначены для оценки риска банкротства отечественных предприятий. Итак, начнем.

Скоринговая модель Донцовой-Никифоровой (1999 г.)

Донцова Л.В.

Экономисты Донцова Л.В. и Никифорова Н.А. предлагают скоринговую модель оценки платежеспособности предприятия, которая позволяет отнести предприятие к одному из шести классов платежеспособности, на основании оценки шести финансовых коэффициентов.

Примечание:

В модели оценки основной упор делается на коэффициенты ликвидности (коэффициент текущей ликвидности, коэффициент быстрой ликвидности, коэффициент абсолютной ликвидности), а также на коэффициенты оборачиваемости (коэффициент обеспеченности собственными оборотными средствами, коэффициент обеспеченности запасов).

Расчет финансовых коэффициентов в скоринговой модели

н.п. и к.п. – значение строки баланса на начало периода и конец периода соответственно.

Скоринговая модель Савицкой (2007 г.)

Савицкая Г.В.

Профессор Г.В. Савицкая предлагает свою скоринговую кредитную модель оценки финансового состояния предприятия. Отличие заключается в том, что в модели классификация предприятия происодит по пяти классам и для этого используются три финансовых коэффициента.

 Примечание:

Два из трех финансовых коэффициента определяют платежеспособность предприятия, где коэффициент текущей ликвидности определяет краткосрочную ликвидность, а коэффициент финансовой независимости – долгосрочную ликвидность предприятия.

Коэффициент финансовой независимости = коэффициент автономии.

Расчет финансовых коэффициентов в скоринговой модели

Резюме

Подведем итоги разбора кредитных скоринговых моделей оценки платежеспособности предприятия. Один из неоспоримых плюсов заключается в том, что данные модели были разработаны для отечественных предприятий.  Одна из трудностей оценки по таким моделям заключается в большой громоздкости расчетов и зачастую непонятности в использовании балльной оценки финансовых коэффициентов. Использование их хорошо сочетать с другими методиками оценки финансового состояния.

Спасибо за внимание! Удачи!
Автор: Жданов Василий Юрьевич, к.э.н.

Применение скоринговой модели для оценки кредитного рейтинга руководителей

1 Применение скоринговой модели для оценки кредитного рейтинга руководителей Маргарита Янеска 1, Коста Сотироски 1, Сюзана Талеска 1 1 Экономический факультет Прилеп, Горце Петров bb, Прилеп, Македония Резюме Один из наиболее часто используемых методов оценки кредита Рейтинг контрагентов — это модель кредитного скоринга или кредитный скоринг.Экономическое давление, приводящее к увеличению спроса на ссуды, наряду с усилением конкуренции на рынке предприятий и развитием вычислительных методов и технологий, приводит к развитию статистической модели кредитного скоринга, а также для ускорения процесса принятия решений, связанных с одобрение кредита. Кредитный скоринг используется для повышения точности утверждения кредитов кредитоспособным клиентам, что может привести к увеличению прибыли или отказу от кредитоспособных клиентов.Ключевые слова Кредитный рейтинг, модель кредитного рейтинга, кредитный риск. 1. Принципы создания модели кредитного скоринга Банки используют различные инструменты и системы, которые используются для принятия решения об одобрении или отклонении кредитной заявки отдельно. С точки зрения управления кредитными рисками можно отметить, что наиболее важным инструментом стал кредитный скоринг, статистически производный инструмент для принятия решений, который включает скоринговую карту и набор статистических показателей. [5]. Прогнозирование кредитоспособности соискателя кредита имеет особое значение для каждого кредитора.Действительно, предоставление ссуды соискателю ссуды, который просрочил погашение или не выплачивает ссуду, на самом деле приводит к убыткам для банка, а с другой стороны, отказ соискателя ссуды, который является потенциально хорошим, приводит к снижению прибыль для банка. Следовательно, кредитор должен принять два типа решений: во-первых, должен ли он предоставить кредит новому заявителю, и, во-вторых, как поступать с существующими заявителями, включая тот факт, что возникает вопрос, должен ли он увеличивать их кредитные лимиты? [7].Система кредитного скоринга присуждает соискателю ссуды баллы, сумма которых представляет собой числовое значение, указывающее, насколько вероятно, что заемщик задержит выплату ссуды. [2] Система кредитного скоринга назначает количественную меру, называемую точкой, потенциального клиента, и эта точка отражает будущее поведение при погашении предоставленного кредита. Аналитики, разработавшие систему кредитного скоринга, определили те характеристики соискателя кредита, которые лучше всего предсказывают возврат кредита. Статистические процедуры присваивают каждой характеристике числовое значение или балл, чтобы система оценок измеряла относительную важность данной характеристики для прогнозирования выплаты ссуды.Классические методы при определении того, предоставлять ли кредит конкретному заемщику, используют субъективную оценку кредитных аналитиков, основанную на их предыдущем опыте принятия решений. Управление кредитным портфелем может осуществляться с помощью классического кредитного анализа. [1] А именно, если увеличивается просрочка погашения ссуд, руководству необходимо будет уменьшить сумму выданных ссуд, но нет возможности уведомить кредитного специалиста, насколько и как снизить риск. Однако при использовании системы кредитного скоринга кредитный менеджмент может уведомить об уровне кредитного рейтинга, который предлагается повысить с до 2, что снизит возможные потери.Основными причинами использования кредитного скоринга являются следующие: [5] — уменьшение безнадежных долгов, — повышение операционной эффективности. А именно, поскольку процесс оценки кредитоспособности при применении кредитного скоринга автоматизирован, исключен ручной способ оценки риска, — Обеспечение большего контроля над кредитным портфелем путем мониторинга процесса скоринга и характеристик портфеля. Кредитный скоринг позволяет кредитному менеджменту: — Лучше управлять кредитным риском, обеспечивая более точные и последовательные решения.- Снижает операционные расходы, так как экономит время кредитных аналитиков. — Внедрение единой системы для принятия кредитных решений и управления кредитной политикой в ​​разных местах для населения. С точки зрения данных, используемых при их производстве, существует два типа кредитного скоринга: 5 TEM Journal Volume 3 / Number 1/14.

2 1.1. Общая модель кредитного скоринга. Общая модель кредитного скоринга построена для прогнозирования будущего погашения ссуды, используя только информацию из кредитного бюро, такую ​​как история погашения ссуды, размер кредитного риска и аппетит к дополнительному риску. [4] На основе такой базы данных путем применения статистических методов и методов искусственного интеллекта создается модель кредитного рейтинга, которая включает те характеристики соискателя кредита, которые наилучшим образом предсказывают будущее поведение при погашении ссуды; 1.2. Удобная модель кредитного скоринга. Эта модель основана на данных о клиентах конкретного финансового учреждения. Фактически, он разработан специально для каждого кредитора. К данным, имеющим кредитора, применяются процедуры, подкрепленные статистическими и другими методами, поэтому указываются те особенности соискателя кредита, которые важны для регулярного погашения кредита. Преимущество индивидуализированной пользователем модели кредитного скоринга состоит в том, что она включает в себя низкую стоимость, универсальность и высокую доступность.Однако преимущество скорректированной модели кредитного скоринга состоит в большей точности, чем у общей модели кредитного скоринга, и основанием является тот факт, что они полностью понятны пользователю и не являются «черным ящиком» [3]. Банки, впервые применяющие кредитный скоринг, обычно начинают с общего, а затем вводят скорректированный кредитный скоринг. Итоговые оценки, то есть баллы, получаются путем суммирования двух способов. Кроме того, обе системы (общая и скорректированная) имеют свое место в системе оценки кредита соискателя кредита.Фактически при расчете кредитного скоринга используется модель, состоящая из списка вопросов с определенным количеством баллов за каждый ответ. В модели используются только те сведения, которые позволяют прогнозировать будущее поведение при погашении кредита. Собирая все баллы, полученные из кредитной заявки и кредитного отчета, банк получает ряд баллов, которые отвечают на вопрос — какова вероятность того, что конкретный соискатель ссуды погасит ссуду в соответствии с согласованными условиями без задержки.Этот кредитный скоринг фактически представляет собой список рисков. Следовательно, чем больше очков, тем меньше риск, или чем меньше очков, тем больше риск. Но необходимо определить предельное значение, которое выбирает «хороших» соискателей кредита из «плохих». «Плохой» заявитель на ссуду обычно определяется с помощью отрицательных показателей, таких как банкротство, обман, преступность, снижение риска и отрицательная чистая приведенная стоимость [8]. Претенденты на ссуду, набравшие больше баллов, чем обычно, считаются хорошими, и им банк предоставляет кредит, а тех, чьи баллы ниже указанного лимита, банк не предоставляет ссуду.Модель кредитного скоринга включает набор функций, которые распределяются по индивидуальным атрибутам. Каждый атрибут или ответ имеет статистически полученный балл или «вес». Карточка оценок включает до 15 функций, имеющих от 2 до 2 атрибутов. Пример оценочной карты, используемой для оценки бизнес-субъектов, приведен в таблице 14. Оценка рассчитывается для каждого заявителя на ссуду с использованием оценочной карты, когда ему присваивается количество баллов в зависимости от выбранных атрибутов. Баллы всех отдельных атрибутов собираются для получения общего балла, который затем сравнивается с предельными значениями, и на основе этого сравнения принимается решение об утверждении или отклонении кредитной заявки.Лимит — это наивысший уровень, на котором финансовое учреждение готово работать. 2. Преимущества и недостатки модели кредитного скоринга Модель кредитного скоринга позволяет банкам предлагать ссуды соискателям ссуды, которые имеют солидную собственность и хорошую кредитную историю. Модель кредитного скоринга имеет следующие преимущества: [6] — Она объективна и последовательна, — Если она хорошо организована, может устранить дискриминацию в отношении некоторых претендентов, — Относительно дешево, — Относительно проста и легко интерпретируется, — Используемая методология При подготовке этих моделей используется общий и понятный: — Банк может добиться лучшего обслуживания своих соискателей ссуды с возможностью быстрого утверждения или отклонения запросов.Сегодня есть причины «за» и «против» кредитного скоринга. Как правило, с одной стороны, скоринг эффективен и ускоряет процесс кредитования, поэтому у кредитного специалиста не может возникнуть пристрастия, но с другой стороны могут быть некоторые уникальные особенности, которые скоринг не будет учитывать, и которые кредитный инспектор заметил бы. [9] Если мы наблюдаем преимущество кредитного скоринга при предоставлении кредита, то в целом можно указать следующее: — С использованием кредитного скоринга процесс кредитования происходит намного быстрее и эффективнее, — Использование системы кредитного скоринга снижает затраты на заработную плату и что влияет на снижение стоимости кредита, TEM Journal Volume 3 / Number 1/

3 — Кредитный скоринг обеспечивает вероятность того, задержит ли клиент погашение кредита или нет, с высокой точностью возможно, что процент по ссуде скорректирует риск.Это влияет на увеличение прибыльности, что, безусловно, является желательной целью как для соискателя кредита, так и для банка. С другой стороны, недостатки модели кредитного скоринга следующие: — Если переменная не удовлетворяет определенным необходимым допущениям, то статистическая достоверность модели сомнительна. Модель не может дать адекватных результатов с течением времени. Однако в этом случае модель не будет предсказуемой. Если, например, банк намерен выдавать кредитные карты студентам с использованием модели оценки кредитоспособности, которая разработана на выборках, не содержащих студентов, то эта модель не сможет отличить хороших клиентов от плохих.[6] Следовательно, модель должна время от времени дополняться и обновляться для получения надежных результатов; — Кредитный скоринг — это механическая система для анализа соискателя кредита, поэтому существует опасность того, что некоторые данные могут быть неправильно проанализированы и интерпретированы. В качестве иллюстрации этой проблемы можно привести случай Лоренца Линдси, члена высшего руководства центрального банка США, чей запрос на выдачу кредитной карты был отклонен в 1995 году, хотя это был человек с высокой зарплатой, которая раньше не было плохих кредитов.[] Причина такой интерпретации системы проистекает из того факта, что в предыдущем периоде банки запрашивали у кредитных бюро отчет о его кредитной истории или данные, которые были приняты как свидетельствующие о высоком кредитном риске при оценке кредитоспособности. 3. Практический пример — кредитный скоринг клиентов Stopanska banka-ad Скопье, Республика Македония. Использование кредитного скоринга при оценке кредитной заявки клиента будет показано на примере. А именно, предположим, что два человека обращаются за потребительским кредитом в размере 4 денаров на покупку бытовой техники.В запросе на потребительский кредит человек «А» заявил, что ему 32 года, он женат и является отцом маленького ребенка, а человек «Б» заявил, что ему 4 года, он женат и является отцом двух молодых дети. Кроме того, в заявлении человек «А» указал два года опыта работы учителем начальной школы с его ежемесячной нетто-зарплатой 18 денаров, но у него нет другого дохода в семье. Кроме того, как часть подтверждающей документации в заявке на получение кредита, он представил квитанцию ​​о выслуге лет и заработной плате.Лицо «Б» заявило, что проработало 12 лет инспектором в администрации с чистой месячной зарплатой 28 денаров, и у него нет других доходов в семье. Чтобы определить уровень задолженности соискателей ссуды, банк запросил информацию у кредитного бюро, в которой указано, что лицо «А» уже выплатило потребительский ссуду в другом банке, при этом ежемесячный платеж по ссуде составляет одну треть его нетто. оплата труда. Кроме того, информация кредитного реестра показывает, что в предыдущие два года лицо «А» использовало другой потребительский кредит, который погашался иногда с задержкой.В банке у соискателя ссуды был только банковский счет, через который он получал зарплату, и, кроме того, он использовал депозит или другие кредитные услуги. Информация из кредитного реестра для лица «Б» показала, что он использовал ссуду, ежемесячный платеж которой составлял 15% от чистой заработной платы (4 денара), и он регулярно погашал кредит. В банке у него был банковский счет, через который он брал зарплату и депозит. В запросе ссуды лица («А» и «Б») заявили, что являются арендаторами. Информацию из запроса потребительского кредита, а также информацию, полученную из других источников, кредитный инспектор вводит в компьютер и затем вычисляет общее количество баллов, которые получили лица «А» и «Б».Данные обработки заявок на получение потребительского кредита, а также индивидуальные и общие баллы, которые получили соискатели ссуды, представлены в Таблице 1. Как видно из таблицы, максимальное количество баллов, которые могут быть получены от соискателей ссуды, основано на все критерии были. Более того, в соответствии с уровнем допустимого риска, определяемым кредитной политикой банка, определено, что он будет принимать запросы на потребительские кредиты, если соискатель кредита наберет не менее 1 балла, а запросы с менее чем 8 баллами автоматически будут отклонены.Индивидуальные баллы, которые получил человек «А» на основе определенных критериев, приведены в третьем столбце таблицы, и их сумма показывает, что у него было всего 5 баллов, в то время как баллы, полученные человеком «В», равны 16. и они приведены в четвертом столбце. В противном случае можно отметить, что человек «А» набрал максимальное количество баллов по последнему критерию (возрасту), тогда как в других обстоятельствах он сдал довольно плохо. Это особенно касается ежемесячного дохода, когда человек «А» набрал только 3 из 5 возможных баллов.Кроме того, соискатель кредита получил низкую оценку с точки зрения уровня задолженности и пришел к выводу, что у него плохая кредитная история. Лицо «Б» максимальное количество баллов проявило за выслугу лет и имело отличную кредитную историю 52 Журнал ТЕМ Том 3 / Номер 1/14.

4 т.е. регулярно возвращаемые кредиты и собственный счет и сберегательный вклад в банке. Баллы, которые получил человек «А», находятся в интервале неопределенности (), так что компьютерная программа не может принять решение о принятии или отклонении кредитной заявки.Следовательно, кредитному специалисту потребуется больше времени для рассмотрения заявки на кредит, и он может запросить дополнительную информацию о лице «А», но в любом случае его слово будет решающим. Однако, учитывая, что с новым займом, ежемесячный платеж которого составляет динары, и по старому аннуитету, который составляет 5,94 динара (или 33% от чистой заработной платы), общая сумма выплаты составит 9455 динаров в месяц. Таким образом, общая ежемесячная выплата долгов лица «А» достигнет более 5% (52,52%) [11] от чистой заработной платы, и, вероятно, запрос потребительского кредита будет отклонен, поскольку его ежемесячный доход не гарантирует полного погашения кредита. .Лицо «Б» набрало 16 баллов, что, несомненно, означает принятие заявки на кредит. Кредитный риск этого соискателя кредита не превышает допустимую сумму в одну треть чистой заработной платы. К моменту выставления оценок, вместе с предыдущим кредитом, он отвечает за 27,55% своей чистой заработной платы или всего динара (4 динара из предыдущего платежа и динара из нового платежа). Из кредитного скоринга можно сделать вывод, что кредитная заявка лица «А» была отклонена из-за большого кредитного риска — более 5% (52.52%), в то время как кредитная заявка лица «Б» принимается из-за его кредитного риска, который не превышает более одной трети его чистой заработной платы. Таблица 1: Оценка заявки на ссуду с использованием кредитного скоринга Характеристики Баллы Очки лица «А» Ежемесячный чистый доход менее денаров -15 денаров 15–3 денаров 3–6 денаров более 6 денаров Стаж работы без работы без работы менее 1 года от 1 до 3 года от 3 до 5 лет более 5 лет Кредитная история Плохая (просрочки или не t Пункты «Б» платят долги) Нет кредитной истории Средняя (иногда просрочка погашения) Отлично (регулярное погашение долгов) Отношения с банком Есть нет банковского счета Только транзакционный счет Сберегательный депозит Транзакционный счет и сберегательный депозит Статус жилья Неизвестен Арендатор С родителями Собственная квартира Возраст — 3 года 3-5 лет более 5 лет Итоговый вывод Классический кредитный анализ имеет недостатки последовательности, возникающие из-за субъективного подхода к оценке кредитоспособности заявители на получение кредита.Этого оказалось недостаточно для управления кредитным риском. Поэтому существуют новые методы или количественные методы, которые преодолевают эти недостатки, т.е. их объективность помогает принимать качественные бизнес-решения. Система кредитного скоринга присваивает потенциальному клиенту количественный показатель (балл), отражающий будущую динамику погашения кредита. Этот количественный показатель кредитных менеджеров позволяет: улучшить управление рисками, улучшить принятие решений, снизить операционные расходы и внедрить последовательную систему принятия кредитных решений и кредитной политики в разных местах.Ссылки [1]. Льюис, Э. М. (1992). Введение в кредитный скоринг. Сан-Рафаэль, Калифорния: Афина Пресс. [2]. Элизабет Мейс, редактор, Справочник по кредитному скорингу, Glenlake Publishing Company, Ltd., Чикаго, стр. 89, (1). [3]. Элизабет Мейс, Справочник по кредитному скорингу, The Glenlake Publishing, Ltd., Fitzroy Dearborn Publishers, Чикаго и Лондон, стр. 5, (1). [4]. Элизабет Мэйс, Фреда Элизабет Мэйс, Моделирование кредитного риска: дизайн и применение, Издательство Фицрой Дирборн, Чикаго и Лондон, с. 2, (1998).Журнал ТЕА Том 3 / Номер 1/

5 [5]. Хелен Макнаб, Антея Винн, Принципы и меры управления рисками потребительских кредитов, CIB Publishing, Кентербери, стр. 5, стр. 7, (). [6]. Кауэт, Дж. Б., Альтман, Э. И., и Нараянан, П. (1998). Управление кредитным риском: следующая большая финансовая проблема (Том 2). John Wiley & Sons, [7]. Лин К. Томас, Дэвид Б. Эдельман, Джонатан Н.Crook, Кредитный скоринг и его приложения, Общество промышленной и прикладной математики, Научный центр Университетского города, Филадельфия, стр.1, (2). [8]. Сиддики, Н. (5). Карты оценки кредитного риска: разработка и внедрение интеллектуальной оценки кредитоспособности (Том 3). Джон Вили и сыновья. [9]. Питер Уивер, Кредитный скоринг для бизнеса, Nation’s Business, стр. 36 (июнь 1998 г.). []. Тимоти К. В. и Скотт М. С. (3). Управление банком. Thomson South-western, [11] denari.nspx, (посещение 1, 13 ноября.) Автор, ответственный за переписку: Маргарита Янеска Учреждение: экономический факультет Прилеп, Горце Петров bb, Прилеп, Македония 54 TEM Journal Volume 3 / Number 1/14.

.

Как P2P-платформы оценивают кредитоспособность заемщиков?

Мир однорангового кредитования (P2P) состоит из трех элементов: кредитора, заемщика и платформы. Основанная на концепции краудфандинга, P2P-платформа позволяет людям находить заемщиков, заинтересованных в получении необеспеченных кредитов.

Заемщики проверяются, проверяются по многим причинам, прежде чем они будут внесены в список на платформе. P2P-компании следуют различным параметрам для оценки заемщика, причем основными факторами являются личность, профиль риска и кредитная история.
Заемщик должен предоставить свой PAN, подтверждение адреса, выписку из банка и данные о доходах с кредитной платформой. Большинство P2P-платформ запрашивают годовой доход в размере 2–3 лакх рупий за наемный класс.

После онлайн-обсуждений P2P-компании проводят тщательную проверку заемщика как по месту жительства, так и на рабочем месте.

«Если он хороший заемщик, мы можем заставить его жить в течение двух-трех часов. Если он (заемщик) находится в удаленном месте, это может занять до 48 часов, опубликуйте физическое подтверждение », — говорит Раджат Ганди, основатель и генеральный директор Faircent.com. В отличие от банков, платформы P2P не полагаются исключительно на квитанции о заработной плате и Форму 16 для предоставления личных займов. Частные предприниматели также могут воспользоваться необеспеченными кредитами на платформе при условии, что они соответствуют критериям приемлемости.

«В случае индивидуальных предпринимателей, зарабатывающих 5 лакх рупий в год, мы проверяем, регулярно ли они подают ITR. Им могут быть предоставлены ссуды после проверки их банковской выписки, а также подтверждения личности и адреса », — говорит Апурв Гауде, ИТ-директор и руководитель отдела продуктов Finzy.

Следы в социальных сетях

Компании, занимающиеся онлайн-кредитованием, могут также использовать нетрадиционные источники, такие как Facebook, Twitter и сайты электронной коммерции, для оценки кредитоспособности заемщика. Это означает, что если вы слишком часто проверяли предложения по кредитным картам и личные ссуды, это может не произвести хорошего впечатления у этих кредитных фирм, основанных на данных.

Большинство P2P-кредитных компаний используют такие технологии, как анализ данных и социальное моделирование, чтобы понять профиль заемщика. P2P-компании ищут альтернативные способы проверки личных данных заявителя, движения денежных средств и данных о погашении.

Классификация рисков

Люди с кредитным рейтингом ниже 700 вряд ли получат ссуду в банке. Но P2P-компании делят заемщиков на разные категории, а именно: очень высокий риск, высокий риск, средний риск, низкий риск и очень низкий риск. В зависимости от финансовой истории человека, дохода и платежеспособности заемщик получает рейтинг от соответствующей платформы.

Заемщики с очень высоким профилем риска имеют более высокое соотношение доходов к долгу. Таким образом, высока вероятность возврата, но волатильность может быть выше.Банки и финансовые учреждения чаще игнорируют таких заемщиков. Точно так же профили с очень низким или минимальным риском предлагают самую низкую норму прибыли для кредиторов и могут доставить удовольствие каждому банку.

Нет черных списков в P2P
Банки обычно имеют определенный список сфер и профилей, которые они не поддерживают. P2P-компании смотрят на каждого заемщика как на отдельного человека и стараются предлагать индивидуальные ссуды в соответствии с его или ее требованиями.

Но это не означает, что кто угодно может получить ссуду на P2P.Несмотря на гибкость, существуют нормы KYC и алгоритм оценки кредитоспособности. «Мы получаем около 40 000 заявок, из которых только 1500 человек работают. То есть одобрено только 5 процентов », — добавляет Ганди из Faircent.

.

Машинное обучение для андеррайтинга и кредитного скоринга — текущие возможности

Появление машинного обучения в финансах вызвало большой интерес к использованию ИИ для автоматизации процессов от обнаружения мошенничества до обслуживания клиентов. Хотя некоторые варианты использования не так широко распространены, как другие, наше исследование заставляет нас полагать, что в ближайшие пять лет банки продолжат инвестировать в машинное обучение для процессов, связанных с рисками, включая андеррайтинг.

В интервью, посвященном подкасту AI в индустрии , мы поговорили с Джеем Будзиком, техническим директором ZestFinance, о том, как андеррайтеры могут использовать кредитные модели на основе машинного обучения для увеличения бизнеса и снижения рисков, используя преимущества новых источники данных, которые теперь доступны в цифровом виде и готовы для использования в модели машинного обучения.

Эти модели бросают вызов традиционным методам оценки кредитоспособности, включая оценки FICO и простые оценочные карты. В этой статье мы обсуждаем способы, с помощью которых машинное обучение может расширить клиентскую базу кредитора, чтобы охватить так называемых «кредитных невидимок» (людей с недостаточной кредитной историей или без нее) и тех, чьи кредитные рейтинги неточно отражают их риск.

Мы начинаем с новых источников данных: как FICO и традиционные кредитные рейтинги слишком узки для обслуживания ключевых демографических групп, которые в результате часто полностью блокируются для кредитных счетов.

Традиционные переменные кредитного рейтинга Vs. Новые источники данных

Оценки FICO: обзор

За последние тридцать лет оценка FICO и аналогичные кредитные рейтинги стали стандартом в кредитном моделировании. FICO позволяет банкам, компаниям, выпускающим кредитные карты, и другим кредиторам объективно оценивать кредитоспособность соискателей кредита. Оценка рассчитывается на основе пяти факторов, каждый из которых состоит из нескольких переменных с разным весом, каждая из которых составляет процент от общей оценки FICO:

1. Кредитная история (35%): Кредитная история состоит из наличия недостатков и положительных счетов в кредитном отчете.Эти недостатки включают просроченные платежи, банкротства, потери права выкупа и аналогичные случаи, которые представляют неспособность человека выплатить свой долг.
2. Использование кредита (30%): FICO учитывает, в частности, сколько кредитного лимита используется в данном платежном цикле, сколько кредитных счетов у него открыто и сколько авансового платежа приходится на рассрочку ссуд переменные.
3. Длина кредитной истории (15%): Чем дольше один держит открытые кредитные счета (пока они их используют), тем лучше их рейтинг FICO.
4. Типы кредитов (10%): Оценка FICO зависит от того, насколько разнообразны их кредитные линии. Типы кредита включают ипотеку, автокредиты и кредитные карты.
5. Давность (10%): баллов FICO учитывает, среди прочих переменных, как давно человек подал заявку на кредит, погасил счет или увеличил свой баланс.

Кредит-невидимка и уловка-22 кредитной истории

Общим для всех этих факторов является необходимость ранее приобретенных кредитных линий.В результате традиционные кредитные рейтинги часто являются препятствием для доступа к «невидимым кредитам». По данным Бюро финансовой защиты потребителей (CFPB), в 2015 году было 26 миллионов кредитных невидимых американцев, то есть почти каждый десятый американец. Кроме того, CFPB обнаружил, что «потребители в районах с низким доходом с большей вероятностью не имеют кредитной истории или текущей кредитной истории, достаточной для получения кредитного рейтинга».

Этим слоям населения с большей вероятностью понадобятся ссуды для крупных покупок, но отсутствие у них кредитной истории не позволяет им получить одобрение на ссуды и кредитные линии, когда андеррайтеры используют традиционные кредитные рейтинги для их оценки: это ловушка-22.

Есть также заемщики с кредитным рейтингом, который неточно отражает риск, который они представляют для кредиторов. Experian обнаружила, что миллениалы в среднем имеют кредитный рейтинг около 638, что меньше, чем в среднем по США, и намного меньше, чем у предыдущих поколений. Компания признает, что это частично связано с возрастом заемщиков лет; их кредитные истории тонкие, и кредитная история составляет 30% их оценок FICO. В результате кредиторы могут не одобрить их выдачу ссуд, потому что их оценки слишком низкие, хотя они могут не представлять такого большого риска; они просто молоды.

Хотя FICO и традиционные кредитные рейтинги оказались полезными для старшего поколения американцев среднего класса, эти баллы могут быть менее полезными для миллениалов и американцев с низким доходом, которые привыкли делать покупки с помощью дебетовых карт. Эти кредитные невидимые заемщики не обязательно являются рискованными, но кредиторы редко их одобряют, потому что без кредитного рейтинга их риск неясен.

Задача «изменения с течением времени»

По данным компании, оценки FICO не сильно меняются с течением времени.ZestFinance считает, что это может затруднить для оценок FICO различие между следующими двумя людьми:

• Кто-то с несколькими просроченными платежами пять лет назад в своем кредитном отчете, но кто не производил просрочку с
• Кто-то, кто никогда имели просроченный платеж по их кредитному отчету до последних нескольких месяцев, в течение которых они пропустили несколько платежей подряд

FICO и традиционные модели кредитования могут иметь проблемы с учетом того, как жизнь этих двух заемщиков изменилась с течением времени и повлияла на их способность платить свои долги.Это может вызвать проблемы, в частности, для молодых людей, многие из которых борются с долгами.

Experian сообщил об опросе Opploans, который показал, что примерно каждый четвертый представитель поколения миллениума считает, что он не получил должного образования о том, как создать хороший кредит. Тот же опрос показал, что 15% миллениалов регулярно пропускают платежи по кредитным картам.

Они могут найти свою финансовую опору в более позднем возрасте, что позволит им легко производить платежи вовремя, но традиционные кредитные рейтинги не отражают это немедленно.Этим заемщикам может быть сложно получить одобрение на получение ссуды из-за плохой кредитной истории, которую они создали, когда были моложе, а неспособность открыть кредитные счета будет держать их оценки на низком уровне. И снова уловка-22.

Новые источники данных могут быть решением.

Новые источники данных для кредитного скоринга

В то время как оценка FICO может включать в себя дюжину или две переменных, согласно Будзику:

Модели, которые мы запускаем в производство для наших клиентов, как правило, имеют сотни или тысячи переменных в них.У нас есть один с 2200 переменными, который занимается автокредитованием.

Больше данных означает более детализированные модели кредитования, и эти модели могут дать страховщику гораздо более точную картину того, является ли заявитель на ссуду риском. Новые источники данных могут включать:

• Публичные записи о незавершенных судебных делах
• Марка и модель автомобиля, который претендент на автокредитование хочет купить
• Спутниковые снимки собственности, на которую заемщик хочет снять ипотека
• Виды продуктов, которые заемщик покупает по своей кредитной карте

Эти категории данных каким-то образом влияют на кредитоспособность соискателя кредита, но традиционные модели кредитования не принимают во внимание ни один из них.

Преимущество машинного обучения

Согласно Будзику:

Чтобы иметь возможность учитывать больше переменных, [кредиторам] нужны новые алгоритмы, которые могут их обрабатывать. Машинное обучение предлагает решение этой проблемы. ML может учитывать все эти переменные, но не допускать ошибок. Традиционные методы подсчета баллов могут быть сбиты с толку такими вещами, как корреляции и ограничения математики.

При машинном обучении количество источников данных, которые могут учитываться в кредитной модели, теоретически бесконечно.Существует бесчисленное множество переменных, которые могут предсказать способность заявителя выплатить ссуду, а машинное обучение хорошо помогает находить закономерности в больших наборах данных. Кредитные модели на основе машинного обучения могут учитывать данные, которые пока неизвестны, для прогнозирования вероятности возврата займа заемщиком.

Например, Zest работал с Discover, чтобы использовать данные о потребительских расходах компании-эмитента кредитных карт для создания новой модели для своего бизнеса по предоставлению личных кредитов на сумму 7,5 миллиардов долларов. Zest утверждает, что модель оценивала сотни точек данных соискателей, что в 10 раз больше, чем ранее использовалась кредитная модель Discover.

Разработчики моделей якобы обнаружили, что история покупок в дисконтных магазинах увеличивает шансы заявителя на получение личной ссуды, в то время как заявитель, указывающий полное юридическое имя работодателя в заявке на получение кредита, снижает ее.

Кандидаты, которые звонили в Discover со стационарного или мобильного телефона, а не через Skype или другие услуги интернет-телефона, считались более безопасными, поскольку их легче отследить до человека.

Кроме того, комбинации этих источников сами по себе создают свои собственные точки данных.Например, тот факт, что соискатель кредита иногда покупает аксессуары для своего автомобиля, может не повлиять на его способность самостоятельно выплатить свой автокредит.

Но это в сочетании с маркой автомобиля, для которого заявитель хочет взять ссуду, может указывать на более низкую или более высокую вероятность того, что заявитель вернет этот ссуду. Страховщикам практически невозможно определить такие отношения, но они в значительной степени являются ценностью машинного обучения.

Кроме того, машинное обучение может быть гораздо более гибким, чем традиционные кредитные модели.На разработку новой кредитной модели может уйти год или больше, что может помешать банку не отставать от меняющейся экономической ситуации.

Клиенты и рынки могут измениться относительно быстро. Некоторое программное обеспечение машинного обучения для кредитного андеррайтинга поставляется с автоматическим управлением рисками, что может позволить кредиторам переоборудовать модели менее чем за месяц, чтобы они могли адаптировать свое андеррайтинг по мере развития экономики.

Что означают кредитные модели на основе машинного обучения для кредиторов

Машинное обучение может позволить банкам и другим кредиторам увеличивать доход за счет утверждения большего числа невидимых соискателей кредита и большего количества соискателей, чьи кредитные рейтинги рисуют неполную картину их кредитоспособности.ZestFinance, например, утверждает, что помог Prestige Financial Services увеличить количество разрешенных кредитов на 14% с помощью кредитной модели на основе ML.

В то же время кредиторы могут увеличить выручку без увеличения риска. Андеррайтеры могут начать отказываться от заявителей на получение кредита, которые более рискованны, чем предполагает их кредитный рейтинг. В результате кредиторы могут уменьшить убытки, которые они несут от этих заемщиков.

Машинное обучение также может позволить более точное ценообразование с учетом рисков. Как обсуждалось ранее, кредитные модели на основе машинного обучения могут учитывать гораздо больше данных, чем традиционные модели, что позволяет получить более детальную картину платежеспособности заявителя.В результате кредиторы могут гораздо более детально определять процентные ставки, которые они предлагают заемщикам.

ML может выявить незначительные различия между двумя очень похожими заемщиками, и эти различия, возможно, стоит использовать, предложив одному заемщику более высокую процентную ставку. Это может увеличить размер прибыли для каждого заемщика, не увеличивая время андеррайтера на тщательное изучение заявки заемщика. В результате кредиторы могли увидеть значительный рост доходов при увеличении масштаба.

Что это значит для потребителей

Модели машинного обучения, учитывающие новые источники данных, могут оценивать невидимых кандидатов на получение кредита в отличие от традиционных моделей, ориентированных исключительно на кредитную историю.В результате использования моделей кредитования на основе машинного обучения кандидаты могут обнаружить, что кредиторы одобряют их, хотя раньше они этого не делали. Молодые люди с недостаточной кредитной историей могут начать наращивать свой кредит, потому что кредиторы могут начать их привлекать.

Точно так же в будущем миллениалы могут обнаружить, что кредитные ошибки их прошлого не мешают им получить ссуду для крупных покупок в будущем, когда они будут в большей степени способны выплатить свои ссуды.

Кроме того, Будзик указывает:

Вместо того, чтобы одобрять людей, которые собираются объявить дефолт … создавать беспорядок, предлагая кредит людям, которые не будут в состоянии платить, кредиторы могут избежать этого и предотвратить это. для потребителей

Как обсуждалось ранее, соискатели ссуды с хорошими кредитными рейтингами могут представлять больший риск, чем отражает их оценка.Кандидат с оценкой около 700 баллов, имеющий проблемы с законом, может быть вынужден заплатить штраф в рассрочку в течение года. Такое решение может повлиять на способность заявителя выплатить ссуду, повлиять на их кредитный рейтинг и нанести им еще больший долгосрочный ущерб их будущему.

Кредитная модель на основе машинного обучения, учитывающая незавершенные судебные дела, может предполагать, что андеррайтер не одобряет заявителя полностью, даже если его кредитный рейтинг указывает на то, что он достоин получения кредита.По сути, кредиторы могут застраховаться от более рискованных потребителей, не выполняющих свои обязательства по своим кредитам, не одобряя их в первую очередь.

Эта статья спонсировалась ZestFinance и была написана, отредактирована и опубликована в соответствии с нашими прозрачными правилами Emerj по спонсируемому контенту . Узнайте больше о привлечении нашей исполнительной аудитории, ориентированной на ИИ, на нашей рекламной странице Emerj .

Изображение заголовка Кредит: Баланс

.

Регуляторы поддерживают альтернативу для оценки кредита

• Сегодняшние новости
• Retail
• исследования
• Trackers®
• Подкасты
• PYMNTS TV
• MasterClass
• Темы
  • Искусственный интеллект
  • B2B
  • Банковское дело
  • Big Tech Compliance
  • 000
  • 000 Connections
  • 9000 3 -Border Payments
  • Cybersecurity
  • Digital Identification
  • Digital Payments in Emerging Economies
  • Gig Economy
  • Healthcare Payments
  • Internet of Things
  • SMBs Main Street
  • Open Banking
  • Real -Временные платежи
  • Ресторанные технологии
  • Регулируют
  • Торговля по подписке
  • Путевые платежи
  • Чек на всю зарплату — Amazon против Walmart
• Подписка

Разделы

Сегодняшние платежи 9000B

• МНЕНИЕ
• ИССЛЕДОВАНИЯ
• TRACKERS®
• Подкасты
• PYMNTS TV
• Темы

• Credit Row One
  • BB
  • • BB
    • Второй ряд
      • Подключенные автомобили
      • Бесконтактные платежи
      • Коронавирус
      • Международные платежи
      • Кибербезопасность
    • Третья строка
      • Цифровая идентификация
      • Цифровые платежи

      в развивающихся странах Gig Economy

      • Healthcare Payments
      • Internet of Things
    • Row Four
      • Main Street SMB
      • Open Banking
      • Payments Real-Time Payments
      • Restaurant Technology
      • Regulate Five
    • Row
  Row
  • Travel Payments
  • Whole Paycheck — Amazon Vs Walmart
  • Row Six

  .

  No related posts.