Глава 3 Совершенствование управления кредитными операциями в коммерческом банке
3.1 Разработка методик нормирования ссудной задолженности
Одним из способов решить проблемы нормирования ссудной задолженности в кредитном учреждении это деревья решений, которые строят скоринг-модель в виде правил, и модель получается интуитивно понятной и прозрачной. При этом дерево решений способно перестраиваться при добавлении новых примеров, игнорировать несущественные признаки. Кроме того, предусмотрена ручная корректировка правил для исправления противоречий.
Можно привести давно всем известную цепочку связанных событий. Чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратится именно в этот банк; чем больше клиентов обратится в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности. Риск, связанный с невыплатой основного долга и процентов, может быть значительно уменьшен путем оценки вероятности возврата заемщика.
При кредитовании физических лиц характерны небольшие размеры ссуд, что порождает большой объем работы по их оформлению и достаточно дорогостоящая процедура оценки кредитоспособности относительно получаемой в результате прибыли. Для оценки кредитоспособности физических лиц банку необходимо оценить как финансовое положение заемщика, так и его личные качества. При этом кредитный риск складывается из риска не возврата основной суммы долга и процентов по этой сумме.
Сейчас, чтобы оценить риск кредитования заемщика, используется скоринг. Суть этого метода заключается в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку. Суммируя полученные баллы можно получить оценку кредитоспособности.
Каждый параметр имеет максимально возможный порог, который выше для важных проблем и ниже для небольших проблем. До сих пор существует много способов оценить кредитоспособность. Самым известным из них является модель Дюранта. Дюран обнаружил ряд факторов, которые могут максимизировать степень кредитного риска. Он также определяет факторы, которые характеризуют кредитоспособность человека:
1.Пол: женский (0.40), мужской (0)
2.Возраст: 0.1 балл за каждый год свыше 20 лет, но не более чем 0.30
3.Срок проживания в данной местности: 0.042 за каждый год, но не более чем 0.42
4.Профессия: 0.55 – за профессию с низким риском; 0 – за профессию с 5.высоким риском; 0.16 – другие профессии
6.Финансовые показатели: наличие банковского счета – 0.45; наличие
7.недвижимости – 0.35; наличие полиса по страхованию – 0.19
8.Работа: 0.21 – предприятия в общественной отрасли, 0 – другие
9.Занятость: 0.059 – за каждый год работы на данном предприятии
Он также определил, когда человек считается кредитоспособным. Порог составляет 1,25. Если накопленное количество баллов больше или равно 1,25, то потенциальному заемщику предоставляется запрашиваемая сумма.
Одним из способов решения этой проблемы является использование алгоритма, который решает проблему классификации. Задача классификации - задача, которая присваивает одному объекту (потенциальному заемщику) одну из ранее известных категорий (дать / не дать кредит). С помощью дерева решений метод интеллектуального анализа данных может решить эти задачи. Дерево решений является одним из методов автоматического анализа данных. Полученная модель представляет собой метод представления правил в иерархической структуре порядка, где каждый объект соответствует узлу, который дает решение. На рисунке 3.1 показан пример дерева.
Рисунок 3.1 - Пример дерева решений
Сущность этого метода заключается в следующем:
Дерево построено на основании данных за прошлые периоды. Категория каждого случая, на котором основывается дерево, известна заранее. В нашем случае нужно знать, погасили ли основную сумму и проценты, и была ли задержка платежа. При построении дерева все известные случаи учебного образца сначала достигают верхнего узла, затем распределяются между узлами, а затем могут быть разделены на суб-узлы.
Критерием разделения является различные значение любого входного коэффициента. Чтобы определить область, в которой будет происходить разделение, используют индикатор энтропию - меру неопределенности. Выберите поле, раздел которого устраняет большие неопределенности. Чем выше неопределенность, тем больше примесей в узле (которые принадлежат разным классам объектов). Если в узле есть объекты, принадлежащие одному классу, энтропия равна нулю.
Полученная модель используется для определения категории вновь возникшей ситуации (Дать/ Не дать кредит).
При значительных изменениях состояния рынка деревья могут быть перестроены, то есть адаптироваться к существующим условиям.
Чтобы продемонстрировать этот метод, образец рассматривался как необработанные данные, состоящие из 1000 записей, каждая из которых была описанием характеристик заемщика и параметром, описывающим его поведение при погашении кредита.
При составлении деревьев использовались следующие факторы, определяющие заемщика: номер паспорта, Ф.И.О, адрес, размер, срок, цель кредита, среднемесячный доход, среднемесячный расход, основное направление расходов и т.д. В этом случае поля: «N паспорта», «имя», «адрес», «название организации» определяются алгоритмом уже в начале построения дерева решений как неподходящее из-за практической уникальности каждого значения.
Целевым полем является поле «Дать кредит», которое принимает «да» и «нет». Эти значения можно объяснить следующим образом: «Нет» - плательщик либо сильно задерживал платеж, либо не возвращал часть денег «Да» - противоположность «Нет».
Анализируя полученное дерево решений, можно сказать следующее:
1. Используя дерево решений, вы можете проанализировать важные факторы. Это возможно, потому что критерий максимального устранения неопределенности используется при определении параметров на каждом уровне иерархии, через которые узлы делятся на под-узлы. Поэтому более важным фактором для классификации является расстояние (глубина) от корня дерева, что менее важно.
2. Можно отметить, что в полученном дереве отсутствуют такие индикаторы, как «кредитный лимит», «кредитный период», «средний месячный доход» и «средняя ежемесячная стоимость». Этот факт можно объяснить наличием таких показателей, как «кредитная безопасность» в исходных данных. Этот фактор является точным обобщением четырех указанных показателей, и алгоритм, который строит дерево решений, выбирает его.
Очень важной особенностью этой модели является то, что правила, определяющие, принадлежит ли заемщик группе, написаны на естественном языке. Например, на основе установленной модели вы получите следующие правила:
1. Если обеспеченность займа = Да и срок проживания в данной местности более 5.5 лет, и возраст > 19.5 лет и наличие недвижимости = Да и наличие банковского счета = Да то Давать кредит = Да (Достоверно на 98%).
2. Если обеспеченность займа = Да и срок проживания в данной местности более 5.5 лет, и наличие недвижимости = Да и количество лет > 21.5 и срок работы на данном направлении, лет <= 5.5 и пол = Муж и наличие банковского счета = Нет и основное направление расходов = одежда, продукты питания и т.п. то давать кредит = Нет (Достоверно на 88%)
Правильно строя данные из прошлых периодов, дерево решений имеет очень важную функцию. Эта функция называется «способностью обобщения», то есть, если есть новая ситуация (как упоминалось потенциальными заемщиками), то, вероятно, будет довольно много этой ситуации. Поэтому мы можем с уверенностью сказать, что новообращенные заемщики ведут себя так же, как заемщики, чьи характеристики очень похожи на характеристики вновь измененных заемщиков.
Ответ: кредит давать: да (достоверно на 96%)
Примеры полученных результатов: Обеспечение кредита: Да. Наличие недвижимости: Да. Пол: Муж, Банковский счет: Нет. Основные области расходов: Покупка товаров длительного пользования.
С помощью этого метода вышеуказанные недостатки системы оценки кредитного рейтинга можно немедленно устранить.
Это:
1. Поскольку алгоритм построения модели классификации (дерева решений) является адаптивной моделью (с небольшим вмешательством), стоимость адаптации минимизируется.
2. Поскольку алгоритм выбирает наиболее важный фактор, определяющий окончательный ответ, качество результата достаточно велико. Кроме того, результаты статистически обоснованы.
Дерево решений предназначено для выполнения задачи по снижению риска в рамках кредитного бизнеса физического лица. Хотя в первом приближении наблюдались положительные результаты.
Дальнейшие улучшения могут повлиять на такие факторы, как: детерминанты заемщика для более точных выборов, например, вместо двух значений целевых параметров, вы можете использовать в качестве вероятности того, что деньги будут выпущены вовремя целевому значению больше информации (возврат / Без возврата / отсутствия времени) или с использованием предварительно обработанных исходных данных может значительно улучшить качество результатов и важный шаг в решении любых проблем в анализе данных интегрированного подхода.
Исходя из вышесказанного, можно сказать, что дерево решений в настоящее время решает некоторые проблемы с подсчётом. Однако в настоящее время «экспресс-кредит» не требует более 1 часа времени подачи заявки, и обычно 30 минут действительно теряют свою актуальность. Это рискованно для банков, потому что невозможно провести проверки качества заемщиков в течение 30 минут. Это часто используется мошенниками, поэтому просроченная задолженность по этим кредитам очень высока.
Поскольку банки стали проявлять меньший интерес к таким продуктам, как экспресс-кредиты и коммерческие кредиты, они стали обращаться к нецелевым потребительским кредитам и кредитам к пластиковым картам. Для этого решения многие финансовые и кредитные учреждения прилагают все усилия для изменения законодательства (особенно когда действует директива центрального банка, предусматривающая обязательное раскрытие реальных процентных ставок) и рост кредитных рисков в области «прямых кредитов».
Исходя из вышеперечисленных проблем Россельхозбанка, можно предложить меры, которые помогут снизить риск анализа кредитоспособности физических лиц.
Потребительское кредитование в так называемых «точках» действительно становится менее привлекательным не только с точки зрения рисков, но и с точки зрения возврата капитала.
Следовательно, первая мера по сокращению невозврата кредита заключается в прекращении выдачи кредитов в торговых точках и в прямом обращении в банк.
По моему мнению, подавляющее большинство «активных» заемщиков, которые нуждаются в более чем 50-70 000 рублях, в настоящее время более склонны ждать два или три дня, чтобы принять решение о классическом плане ненаправленных кредитов и получить кредиты по гораздо более низким процентным ставкам. Для кредитования комиссия не взимается.
Это означает, что второй мерой по сокращению погашения кредитов Россельхозбанка является расширение нецелевых кредитов под гарантию юридических лиц. Их кредитный риск - самый низкий, а не экспресс-кредит. Это большое преимущество при постоянном увеличении числа дефолтов, и проблема привлечения средств стала более серьезной (в любом случае для банков всех типов оценки, которые не занимают высшие позиции).
Кстати, ненаправленные кредиты хороши, потому что поиск источника рефинансирования не является непреодолимой задачей. Даже большое количество кредитов требует от 5 до 7 лет обслуживания кредита. Поиск такого кредита намного проще, чем выдача ипотечного кредита на 15-25 или даже 30 лет.
Например, объем выданных срочных кредитов на 2016 год составил 2 833 000 рублей. процентная ставка по ним составляла 15% годовых, что составило 431 916 рублей. Сумма непогашенных средств для срочных кредитов физическими лицами на 2016 год составляет 292 650 рублей, соответственно, банк получил меньшую прибыль по этой процентной сумме.
Если срочный кредит не используется, банк выдаст 2 833 000 рублей за нецелевые кредиты по годовой ставке 18%. Процентный доход за год составит 518 299 рублей. И если кредит не будет возвращен, банк сможет заложить залог, потому что залог является одним из обязательных условий для кредита.
Вышеуказанный расчет нецелевого дохода по кредитам может быть включен в текущий доход и также может использоваться для предоставления кредитов юридическим и физическим лицам.
Я считаю, что для Россельхозбанка третьей мерой по снижению невозвратов по кредитам является страхование потребительского кредита, которое обеспечивает страховое покрытие потребительского кредитного риска. С точки зрения страховых компаний потери банка являются наиболее адекватными - погашение задолженности по займам, процентов и расходов на сокращение потерь. По окончании периода ожидания производится оплата по требованию банка и предоставляется минимальное количество документов - набор стандартных банковских форм. Таким образом, банк освобождается от уплаты долга от должника - это является обязанностью страховой компании, и банк получает свои убытки в течение определенного периода времени.
Другим решением проблемы роста задолженности является получение информации о кредитном статусе заемщика и предоставление правовой защиты кредитным учреждениям и нормативным правовым нормам БКИ. Проблема «карманного» бюро создает потенциальные риски для конфиденциальности заемщика. Когда появляется БКИ, заинтересованы все стороны, вовлеченные в процесс кредитования:
1- Заемщик с положительной кредитной историей. Поскольку невозможно провести реалистичную оценку кредитного риска, таким заемщикам не нужно платить более высокие процентные ставки за использование банковских кредитов. Из-за времени, затрачиваемого на сбор и обработку документов и документов, требуемых банками при подаче заявок на получение займов, процедура предоставления займов будет значительно упрощена;
2- Кредитная организация больше не будет удовлетворена равной процентной ставкой всех заемщиков. Банк сможет более эффективно распределять имеющиеся ресурсы, устанавливая дифференцированные процентные ставки для заемщиков с положительными и отрицательными кредитными отчетами.
Недостаточная информация о партнерах, предоставленная при заключении сделки, привела к неэффективному распределению кредитных ресурсов. В результате кредиторы часто не могут точно оценить будущие доходы и риски, связанные с заимствованными инвестиционными проектами заемщика. Таким образом, банки устанавливают одинаковые процентные ставки по кредитам для всех, что вызывает проблему отрицательных выборов.
По мере ухудшения ситуации в нефинансовом секторе оценки рисков и выбор заемщиков становятся все более сложными, а процентные ставки становятся все выше, заставляя лучших заемщиков покидать рынок. В то же время ненадежные заемщики соглашаются на неблагоприятные условия, потому что они знают, что они вряд ли вернут свои кредиты. Хотя на рынке есть надежные заемщики, последствия могут быть риском политики кредитного риска или собственной кредитоспособности кредитора, или они хотят ограничить выдачу кредитов как можно больше. Сотрудничество с кредитным бюро позволит банкам значительно упростить процесс выдачи кредитов и устранить начальный этап клиента, чья кредитная история отрицательная.
Исходя из вышесказанного, мы можем еще раз подчеркнуть в главе 3, что основным недостатком системы оценки для оценки отдельных лиц является низкая адаптивность. Система, используемая для оценки репутации, должна соответствовать текущей ситуации. Например, в Соединенных Штатах, если человек поменял много мест работы, это считается плюсом, что указывает на то, что он имеет спрос. Напротив, в Советском Союзе этот факт показывает, что один человек либо не может справиться с работой, либо является специалистом низкого качества, поэтому возможность отсрочки платежа возрастет.
Чтобы адаптироваться к скоринговой модели оценки кредитоспособности физических лиц, специалистам необходимо разработать аналогичный путь, разработанный Дюраном . То есть специалисты, специализирующиеся на таких приспособлениях, должны быть высококвалифицированными и, следовательно, высокооплачиваемыми. Методика «дерева решений», описанная в этой главе, еще не доказана, как методы интеллектуального анализа данных (особенно деревья решений) могут использоваться для достижения идеальной версии задачи: снижение риска операций с розничными кредитами. Несмотря на такое предварительное приближение, наблюдаются положительные результаты.
Дальнейшие улучшения могут повлиять на следующие моменты: более точно определить детерминанты заемщика, изменить фактические настройки проблемы, например, вместо двух значений целевого параметра, вы можете использовать более подробную информацию (возврат / невозврат / не своевременно) или использовать вероятность оплаты валюты вовремя как целевое значение, хотя, как показывает практика, в этой статье не упоминается очистка данных, но использование предварительной обработки исходных данных может значительно улучшить качество результатов и является важным этапом при комплексном подходе к решению любой задачи анализа данных.
С экономической точки зрения, по моему мнению, Россельхозбанк более благоприятен для привлечения целевых кредитов, чем прием безвозвратных срочных кредитов, поскольку банки не могут достоверно проверять данные клиентов при использовании рейтингов.
Достарыңызбен бөлісу: | 
