Библиографическое описание:

Матигорова И. Ю. Характеристика основных подходов к оценке кредитного риска [Текст] // Экономическая наука и практика: материалы междунар. науч. конф. (г. Чита, февраль 2012 г.). — Чита: Издательство Молодой ученый, 2012. — С. 68-69.

В современных условиях задача управления кредитными рисками является одной из приоритетных для банков. После кризисного периода банки стремятся увеличить объёмы кредитных портфелей, снижая процентные ставки, возобновляя кредитные программы и рекламные мероприятия. В этот период необходимо особое внимание уделять отбору потенциальных заёмщиков, так как наряду с увеличением спроса на заёмные средства со стороны организаций для реабилитации после тяжёлых последствий экономического кризиса наблюдается и ухудшение результатов финансово-хозяйственной деятельности организаций.
Для оценки кредитного риска Базельское соглашение (Базель II) предлагает использовать одну из двух методологий: измерение кредитного риска на основе стандартизованного подхода и измерение кредитного риска на основе применения внутренних рейтинговых систем банка [2, c. 33]. В современных российских условиях, когда большую часть кредитного портфеля банков составляют заемщики, не имеющие рейтингов международных агентств, построить гибкую систему оценки кредитного риска с помощью стандартного подхода достаточно затруднительно. Именно поэтому для российской банковской системы наиболее актуальными становятся модели оценки кредитного риска на основе внутренних рейтингов банков.
Одной из главных проблем, стоящих перед банками, ориентированных на применение внутренних рейтинговых систем, является выбор методики оценки кредитного риска (вероятности дефолта). В соответствии с данным подходом для оценки каждого параметра требуется разработать специальную математическую модель. К настоящему моменту коммерческими банками развитых стран разработано и протестировано множество математических моделей для оценки кредитного риска заемщиков. Комплексный обзор позволил классифицировать существующие подходы и представить их в виде таблицы 1.
Обзор существующих методик крайне важен для выбора, внедрения и адаптации наиболее приемлемой модели. При этом, делая выбор в пользу того или иного подхода, необходимо учитывать доступный математический инструментарий, природу и качество исходных данных, горизонт планирования и преследуемые цели исследования [3, c.23].
Поэтому, если говорить о специфики российской банковской практики, то первая группа подходов непосредственно не применима к большей части стандартных заёмщиков российских банков, так как модели основаны на рыночных данных, а в российской действительности не всегда ведётся статистика о стоимости фирмы и её волатильности, которая необходима для расчёта. Таким образом, наибольший практический интерес представляют модели, основанные на фундаментальных показателях, то есть наибольший практический интерес представляют именно кредит-скоринговые модели, в результате использования которых каждому заёмщику присваивается некоторый рейтинг.

Таблица 1

Характеристика моделей вероятности дефолта

Характеристика подходов

Подходы к разработке моделей оценки кредитоспособности

На основе рыночных показателей

На основе фундаментальных показателей

Модели оценки кредитоспособности

Структурные
Модель Блэка-Шоулза. Модель Мертона.

Сокращённые

На базе макроэкономических показателей (экзогенные и эндогенные факторы)

На базе финансовых показателей (кредитный скоринг, линейные модели дискриминационного анализа, модели бинарного выбора)

На базе данных рейтинговых агентств (на основе межгрупповых переходов или дюрации)

Характеристика моделей

Стоимость акций компании является опционом сall на активы компании с ценой сделки,
равной стоимости ее обязательств.

Используется информация о текущей стоимости долговых обязательств заемщика, спрэдах доходности данных обязательств по сравнению с безрисковой ставкой.

Вероятность дефолта государственных, корпоративных и розничных заемщиков банка имеет циклический характер и возрастает во время экономической рецессии.

В основе
лежат данные финансовой и бухгалтерской отчетности корпоративных заемщиков банка.

Основой подхода явилась простейшая балльная система: каждой фирме присваивается определенное количество баллов в зависимости от значений показателей, вовлеченных в модель.

Достоинства

Высокая предсказательная сила;
Абсорбируют информацию о заёмщике, доступную всем инвесторам, действующим на рынке.
Учитывает цикличность экономики;
Даёт долгосрочную оценку;
Подходят для кросс-анализа.

Доступность информации.

Простота расчётов;
Высокая предсказательная сила.

Недостатки

Информация о заёмщике будет показательной только при условии эффективности рынка;
Необходим большой массив данных.

Затруднительно определить периодичность циклов экономики и оценить вероятность дефолта конкретного заёмщика.

Не всегда предоставленные данные достоверны;
Бухгалтерская отчетность показывает результаты постфактум, что обладает недостаточной предсказательной силой относительно будущих перспектив.

Переоценка рейтинга происходит с временным лагом.

Реализация на практике

Популярный программный продукт CreditMonitor

Financial Sector

Assessment Programme; CreditPortfolio View (McKinsey & Co)

Программный комплекс ИНЭК - Аналитик;
Audit Expert

CreditMetrics

Источник: [3, c. 12-24].


Но несмотря на то, что модели скоринговой оценки заёмщика наиболее часто встречаются в российской банковской практике, чем другие модели, в процессе её применения возникают проблемы. Отсутствует универсальный подход к построению скоринговых методик российскими банками. В связи с этим у банков возникает соблазн либо разработать собственные, практически не регламентированные законодательно, неформализованные скоринговые модели, которые могут привести к инсайдеркому кредитованию (намеренное завышение кредитных рейтингов), либо заимствовать зарубежные скоринговые модели, зачастую не внося в них изменения в соответствии с национальным законодательством и российской банковской практикой, что в итоге отрицательно сказывается на качестве кредитных портфелей.
Помимо выше рассмотренных подходов в последнее время появились относительно молодые направления в оценке вероятности дефолта заёмщика – модели на основе продвинутых подходов, которые, как правило, используют непараметрические методы. Эту группу подхода можно разделить на следующие основные методы: статистические методы, нейронные сети, экспертные методы, нечётко-множественные описания. Обзор и сравнительный анализ данных подходов представлен в виде таблицы 2.

Таблица 2

Характеристика продвинутых подходов к оценке кредитного риска

Требования

Нечётко-множественные описания

Экспертные методы

Статистические методы

Нейронные сети

Объективность

Скорее нет, так как функции принадлежности задаются субъективно разработчиками модели

Скорее нет, так как мнения экспертов субъективны

Скорее да. Субъективность заключается в выборе параметров статистического метода

Скорее да. Субъективность заключается в выборе топологии сети и алгоритма обучения

Автоматизация

Да

Частично, трудно формализовать логику экспертов

Да, в связи с процессом обработки большого объёма информации

Да, в связи с процессом обработки большого объёма информации

Точность

Зависит от вида функции принадлежности

Зависит от квалификации экспертов

Зависит от качества исходных данных

Зависит от качества исходных данных, топологии сети и алгоритма обучения

Адаптируемость

Да

Зависит от квалификации экспертов

Да

Только если изменения вписываются в структуру сети

Гибкость

Скорее да, можно изменить параметры нечётких классификаторов и добавить факторы

Зависит от квалификации экспертов

Скорее нет. Набор факторов определяется выборкой

Скорее нет. По мере накопления объёма выборки цикл обучения нейронной сети можно повторить

Сложность

Скорее нет. Сложность определяется подходом к построению функций принадлежности

Скорее нет. Сложность определяется подходом к формализации оценок экспертов

Скорее нет. Сложность определяется количеством факторов модели

Да, высокие временные затраты на обучение сети. Сложны взаимосвязи факторов

Источник: [2, c. 33-34].


Различие между подходами заключается в природе используемых данных и в том, каким образом происходит агрегирование факторов кредитоспособности в кредитный рейтинг. Хотя впервые упоминание о новых методах математического моделирования появилось около полувека назад, данная область научных исследований до сих пор остается мало изученной в нашей стране, так как зачастую фаза перехода от простой методики к более сложной требует подключения не только переводчиков, но и специалистов-математиков – обычно банк так и остается на начальной схеме работы, не успевая перейти на следующую технологическую ступень.
Таким образом, выбор подхода зависит от многих факторов, к которым можно отнести: субъективные предпочтения разработчика, наличие и качество исходных данных, цели и задачи построения модели, сложность взаимосвязей между факторами кредитоспособности. На практике основным критерием выбора является качество и наличие исходных данных о заёмщиках. В последнее время в связи с развитием бизнес-планирования, финансового и инвестиционного анализа, современных программ большое значение также имеет уровень квалификации персонала, степень внедрения и использования в банке новейших IT-систем и продуктов.
В ходе проведённого анализа мы смогли убедиться в том, что на данный момент существует множество моделей оценки кредитоспособности заёмщика, каждая из которых имеет свои слабые и сильные стороны. Областью дальнейших исследований может стать разработка адекватной модели, позволяющей не просто усовершенствовать процесс оценки кредитоспособности заёмщиков, учитывать и объединять разные подходы в одной композиции, но и стать мощным инструментом поддержки управленческих решений в кредитном менеджменте.

Литература:
  1. Лукашевич, Н.С. Оценка кредитоспособности организаций на основе композиций экспертного и нейросетевого подходов // Финансы и кредит. 2011. №27 (459). – С. 30-39.

  2. Лукашевич, Н.С. Сравнение нейросетевых и статистических методов оценки кредитного риска // Финансы и кредит. 2011. №1 (433). – С. 32-41.

  3. Тотьмянина, К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. №1 (25). – С. 12-24.

Обсуждение

Социальные комментарии Cackle