Перспективные и новые методики оценки кредитоспособности

Страница 1

В России все большее распространение наряду с традиционными способами оценки кредитоспособности получает скоринг – кредитование, а также оценка кредитоспособности заемщика на основе интеллектуального анализа данных Data Mining (с использованием деревьев решений). Текстильные стропы читать далее.

Система «кредит – скоринг» в США – специальная шкала для измерения рейтинга заемщика, представляющая начисление баллов клиенту в зависимости от уровня его кредитоспособности. Скоринг используется главным образом при кредитовании физических лиц и 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.

Важная черта системы «кредит – скоринг» заключается в том, что она не может применяться по шаблону, а должна разрабатываться исходя из особенностей, присущих банку, его клиентуре, учитывая характер банковского законодательства и традиции страны, то есть подлежит обязательному наблюдению и видоизменению.

Сегодня известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран выделил группы факторов, позволяющих максимально определить степень кредитного риска, и коэффициенты для различных факторов, характеризующих кредитоспособность физического лица: пол, возраст, срок проживания в данной местности, профессия, финансовые показатели, работа, занятость.

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 кредитоспособности.

Сейчас банки требуют от потенциальных клиентов широкий перечень документов, которые являются официальным основанием для получения кредита. Несмотря на то, что не существует официальной процедуры работы с ними, и каждый банк по своей собственной схеме собирает эти документы, в целом они должны содержать все необходимые сведения о заемщике.

Среди преимуществ скоринговых систем банкиры указывают снижение уровня невозврата кредита, быстроту и беспристрастность в принятии решений, возможность эффективного управлении кредитным портфелем, отсутствие необходимости длительного обучении персонала.

Основной недостаток скоринговой системы оценки кредитоспособности физических лиц – низкая адаптируемость. Используемая же для оценки кредитоспособности система должна отвечать положению дел. Например, в США считается плюсом, если человек поменял место работы – это говорит о его востребованности. В нашей стране наоборот - данное обстоятельство свидетельствует, что человек либо не может ужиться с коллективом, либо он малоценный специалист, и, соответственно, повысится вероятность просрочки в платежах.

В России скоринг будет скорее применим к юридическим, нежели к физическим лицам, потому что у российских банков накоплено больше информации о предприятиях.

Еще одним вариантом решения поставленной задачи является применение алгоритмов, методом математического анализа данных, то есть отнесения какого - либо потенциального заемщика к одному из известных классов. Такого рода задачи с большим успехом решаются одним из методов Data Mining – при помощи «деревьев решений». Получаемая модель – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Сущность этого метода заключается в следующем. На основе данных за прошлые годы строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются и могут быть разбиты на дочерние узлы. Критерий разбиения – это различные значения какого – либо входного фактора. В определении поля, по которому происходит разбиение, используется показатель, называемый энтропия, или мера неопределенности. Выбирается поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к разным классам) находятся в одном узле.

Страницы: 1 2