Банковская система и ее определяющей элемент - коммерческие банки является несущей конструкцией рыночной экономики. Иначе говоря, без цивилизованной и надежной банковской системы нет, и не может быть эффективной рыночной экономики. Для того чтобы банковский капитал превратился в мощный стимул экономического роста и повышения уровня жизни, необходимо существенно повысить эффективность банковских кредитов.

      В силу специфики банковской деятельности одним из основных банковских рисков (по объему вложений, по степени неопределенности результата) является риск осуществления кредитных операций. На этой основе банки должны быть способны предложить экономике те кредитные инструменты, которые будут наиболее востребованы и являються актуальными в том или ином периоде развития экономики. В современной экономике коммерческие банки являются ведущими учреждениями на рынке потребительского кредита. Потребительский кредит имеет важное социально-экономическое значение: способствует повышению уровня жизни населения, повышению платежеспособного спроса и, как следствие, развитию производства товаров народного потребления. Все это особенно актуально в переходный период, когда необходимо запустить механизм развития экономики за счет внутреннего рынка. С учетом той роли, которую играет потребительский кредит в развивающейся экономике, отсутствие достаточной теоретической проработки развития потребительского банковского кредитования на основе снижения рискованности данного вида операций несет ощутимые неудобства всем участникам системы потребительского кредитования — банки для снижения риска ужесточают условия кредитов, значительная часть населения не обладает тем уровнем платежеспособности и кредитоспособности, которые позволяют привлекать кредиты коммерческого банка.[1]

      В условиях усиливающейся межбанковской конкуренции успех предпринимательской деятельности будет сопутствовать тем банкам, которые лучше овладеют современными методами управления банковскими процессами [11].

      Рост объемов кредитных портфелей банков делает особенно актуальными проблемы управления рисками. Без решения этой проблемы невозможна оптимизация кредитной деятельности коммерческих банков.

      Изложенные выше аспекты, а также недостаточный уровень развития теоретических и методологических проблем анализа риска обуславливают выбор темы магистерской работы и свидетельствуют об ее актуальности.

      Научная новизна полученных результатов определяется обоснованием концептуальных подходов и разработкой модели управления потребительским кредитованием, выраженной в комплексной оценке и регулировании кредитных рисков на основе применения методов статистического анализа и экономико-математического моделирования.

      В разрабатываемой системе будет использоваться скоринговая модель, включающая в себя два метода: нейронные сети и генетические алгоритмы.

      С помощью нейронных сетей будет проводиться анализ кредитной истории прошлых лет и на основании полученных результатов будут выдаваться рекомендации и предпочтения при выдаче кредитных продуктов. Далее с помощью генетических алгоритмов на основании входящих параметров системы, а именно анкет, заполняемых заёмщиком будет строиться классификационная модель, которая на выходе будет относить заёмщика к определенному классу, в соответствии которому будут приниматься решение о выдаче кредита.

      Именно в сочетании этих двух методов в скоринговой модели и будет проявляться научная новизна данной магистерской работы.

      Целью данного исследования является оптимизация кредитной деятельности коммерческих банков и разработка компьютеризованной системы управления потребительским кредитованием с целью удовлетворения интересов банка, связанных с минимизацией кредитных рисков.

Для достижения поставленной цели были решены следующие задачи:


• изучение сферы потребительского кредитования коммерческими банками;



• выявление критерия оптимизации - уменьшение денежных потерь, связанных с выдачей коммерческими банками потребительских кредитов;



• проанализированы концептуальные подходы к оценке и регулированию кредитных рисков;



• изучены и проанализированы модели и методы оценки и регулирования кредитных рисков.

      Объектом данного исследования является деятельность коммерческих банков, а так же кредитный риск, возникающий в коммерческом банке при осуществлении потребительского кредитования.

      Предметом исследования являются теоретические, методические и практические аспекты управления риском потребительского кредитования с учетом баланса интересов кредитора и заемщиков.

      Теоретическую и методологическую основу исследования составляет всестороннее изучение трудов отечественных и зарубежных ученых-экономистов и практиков в области исследования потребительского кредита, кредитного риска и путей его снижения.

      Данные исследования и их анализ, а так же разработанная позже компьютеризированная система, могут использоваться кредитным отделом любого банка и будут полезны для любого кредитного эксперта или риск-менеджера.

      На кафедре АСУ проблемами кредитных рисков занималась магистр Шепелева М.В. Ее работой "Разработка экспертной системы оценки рисков при кредитовании физических лиц" руководила доцент Жукова Т.П.   В ДонНТУ этими вопросами занималась магистр ФЭМ Андропова И.А., тема ее работы «Оценка и управление кредитными рисками», магистр ФВТИ Мамедова Т.А., тема ее работы "Модель оценки эффективности риск-менеджмента в Интернет-компании", магистр ФКИТА Борисов Н.Е., тема его работы «Разработка компьютеризированной подсистемы оценки рисков операций с пластиковыми картами в условиях Путиловского отделения ПИБ».

      Проблемами управления кредитными рисками занимаются как украинские ученые (В.Я.Вовк, В.И. Грушко, И.В. Волошин, А.М. Герасимович и другие), так и зарубежные (А.В. Беляков, Х.В. Грюнинг, Е.Б. Герасимова, Н.Е. Егорова и другие). Однако, несмотря на такое количество работ, эта проблема не исследована полностью, она нуждается в дополнительной разработке в современных условиях, которые бы учитывали специфику работы отечественных банков.

      Разработкой программных продуктов занимается много зарубежных и отечественных фирм: SAS-Credit Scoring for Banking, R-Style Softlab, EGAR Technology, НР и многие другие.

      Оптимальное управление кредитованием коммерческими банками тесно связано с качеством оценки кредитного риска. В зависимости от классификации клиента по группам риска банк принимает решение, стоит ли выдавать кредит или нет, какой лимит кредитования и проценты следует устанавливать.

      В мировой практике существует два основных метода оценки риска кредитования, которые могут применяться как отдельно, так и в сочетании с друг другом: субъективое заключение экспертов или кредитных инспекторов и автоматизированные системы скоринга.

      Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

Существует несколько типов скоринга [5]:


• Application-скоринг - оценка кредитной способности претендентов на получение кредитаю Осуществляется с целью принятия решения о возможности предоставления кредита.



• Веhavioгаl-скоринг - оценка вероятности возврата уже віданніх кредитов. Осуществляется в пределах кредитного периода с целью выявления риска дефолта и принятия превентивных мер по снижению этих рисков.



• Сollection-скоринг - оценка возможности полного или частичного возврата кредита заемщиком при нарушении им сроков погашения задолженности. Осуществляется после истечения кредитного периода с целью принятия адекватных мер по возврату кредита.



• Fraud-скоринг - оценка вероятности мошенничества потенциального заемщика.

      Исходя из проведенных исследований скоринговая система, которую ждет украинский рынок, должна в первую очередь поддерживать Application-скоринг и Сollection-скоринг. Что касается Веhavioгаl и Fraud скорингов, то об их необходимости только сейчас начали задумываться крупнейшие игроки розничного рынка. [3]

      Кредитные аналитики оперируют следующими понятиями: «характеристики» клиентов (в математической терминологии - переменные, факторы) и «признаки» - значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы.

      В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

      Интегральный показатель каждого клиента сравнивается с неким числовым порогом, или линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем нужно клиентов, которые платят в срок, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии - нет.

      Все это выглядит очень просто, однако сложность заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать.

     Для прогнозирования кредитного риска наиболее часто используются следующие характеристики:

• возраст;
• количество детей/иждивенцев;
• профессия;
• профессия супруга(и);
• доход;
• доход супруга(и);
• стоимость жилья;
• наличие телефона;
• сколько лет проживает по данному адресу;
• сколько лет работает на данной работе;
• наличие кредитной карточки/чековой книжки.

      В настоящее время скоринг становится все более популярным не только при оценке риска при различных видах кредита, но и в других областях: в маркетинге (для определения вероятности, что именно эта группа клиентов будет пользоваться этим видом продукции), при работе с должниками (если клиент задерживается с очередным платежом, какой метод воздействия будет наиболее эффективным), при выявлении мошенничества с кредитными карточками, при определении вероятности, что клиент может перебежать к конкуренту и т. п.

      Таким образом, скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».[4]

      Методы классификации клиентов весьма разнообразны и включают в себя [8]:

• статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия);
• различные варианты линейного программирования;
• дерево классификации или рекурсионно-партиционный алгоритм (РПА);
• нейронные сети;
• генетический алгоритм;
• метод ближайших соседей;
• Байесовские сети;
• логико-вероятностные методы.

      Традиционными и наиболее распространенными являются регрессионные методы, прежде всего линейная многофакторная регрессия:

P = W₀+W₁X₁+W₂X₂+...+W_nX_n   ,

где P - вероятность дефолта, W - весовые коэффициенты, X - характеристики клиента.

      Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, которая принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от минус бесконечности до плюс бесконечности .

      Логистическая регрессия позволяет преодолеть этот недостаток:

log(P/(1-P)) = W₀+W₁X₁+W₂X₂+...+W_nX_n   ,

      Для применения логистической регрессии необходимы гораздо более сложные расчеты для получения весовых коэффициентов и, следовательно, более мощная компьютерная база и усовершенствованное компьютерное обеспечение. Но при современном уровне развития компьютерной техники это не является проблемой, и в настоящее время логистическая регрессия является лидером скоринговых систем.

      Преимущество логистической регрессии еще и в том, что она может подразделять клиентов как на две группы (0 - плохой, 1 - хороший), так и на несколько групп (1, 2, 3, 4 группы риска).

      Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

      Линейное программирование также приводит к линейной скоринговой модели. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка и будет минимальной.

      Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите.

      Генетический алгоритм основан на аналогии с биологическим процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т. е. модель, дающая наиболее точную классификацию.

      При использовании метода ближайших соседей выбирается единица измерения для определения расстояния между клиентами. Все клиенты в выборке получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов - плохих или хороших - больше вокруг него.

      На рисунке 1 представлены примеры сегментаций заемщиков для трех методов классификации: метода логистической регрессии, метода дерева решений и метода нейронной сети.

Рисунок 1 - Сегментация клиентов (рисунок анимирован, для запуска обновите страницу)

      На практике используется комбинация нескольких методов, и компании хранят свои скоринговые модели в строжайшем секрете, поэтому сложно сказать, какой метод лучше. Можно только делать лишь приблизительные заключения.

      У каждого из методов имеются свои преимущества и недостатки, кроме того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

      Точность классификации проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель строится, на другой - проверяется.

      В скоринге существует две основные проблемы:

1. Первая заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Мы никогда не узнаем, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками.
2. Вторая проблема заключается в том, что люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей.

      Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее «свежих» клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель. На Западе новая модель разрабатывается в среднем раз в полтора года, период между заменой модели может варьироваться в зависимости от того, насколько стабильной была экономика в это время.

      В Украине внедрение скоринга тормозится не столько объективными, сколько субъективными причинами, связанными с недоверчивым отношением банковских менеджеров к математическим и статистическим методам. Не так уж много требуется, чтобы начать анализировать своих клиентов - кредитная история прошлых клиентов и статистический пакет, - а отдача будет колоссальной. Среди преимуществ скоринговых систем западные банкиры указывают, в первую очередь, снижение уровня невозврата кредита. Далее отмечается быстрота и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

      Для достижения цели будущей магистерской работы необходимо решить следующие задачи:

1. выполнить формализацию задачи;



2. разработать алгоритм программы, который минимизирует потери по кредитным рискам;



3. выбрать современное техническое обеспечение для разрабатываемой подсистемы;



4. получить компьютеризованную подсистему оптимального управления потребительским кредитованием.

      Изучено, сформировавшееся на сегодняшний день, состояние проблемы оптимального управления потребительским кредитованием. Решено, что критерием оптимальности в данной работе выступает уменьшение денежных потерь, связанных с выдачей коммерческими банками потребительских кредитов.

      Выявлено, что одним из наилучших и перспективных методов оценки рисков и кредитоспособности клиентов является скоринговый метод. Входными данными для построения скоринговой системы будут являться анкетные данные клиента. На выходе скоринговой системы клиент будет отнесен к одному из классов, и в зависимости к какому классу он попал, клиенту будет дан или не дан кредит.

      Проведено исследование и анализ существующих методов классификации клиентов. Наиболее результативным будет применение двух методов - нейронные сети и генетические алгоритмы.

      В результате планируется получить компьютерезированную подсистему, на выходе которой заёмщик будет отнесен к одному из классов, и в зависимости от того в какой класс он попал будет вынесено решение о выдаче кредита.

      На данный момент складывается благоприятная ситуация для полноценной работы кредитных организаций со скоринговыми решениями, т.к. сегодня технологический уровень обеспечения кредитных организаций достаточно высок и это уже не является препятствием для внедрения скоринговых систем, как это было 3-4 года назад.

      Очень важно, чтобы конечный потребитель скоринговых систем понимал, что скоринг - это необходимость и наиболее оптимальный и эффективный инструмент работы на рынке потребительского кредитования. И если только первый шаг со стороны кредитной организации сделан, то компания -разработчик и интегратор скоринговых систем должна приложить все усилия для того, чтобы скоринговые решения по своим показателям эффективности, функциональности и качества были наиболее приемлемы в каждом индивидуальном случае.

      Таким образом, был проанализирован процесс оптимизации управления потребительским кредитованием. Было показано, что данный процесс невозможен без устранения рисков, которые возможны при кредитовании.

      На основании рассмотренных материалов в данной работе будет разрабатываться скоринговая система, использующая генетический алгоритм и нейронные сети. Данная система позволит банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.[2]

      Примечание: данные материалы не являются окончательным вариантом магистреской работы. Окончательное написание и защита работы предполагается на декабрь 2008г.