Скачать 0.72 Mb.
|
3.3. Построение скоринговых моделей на реальных данных В данном разделе будут проведены численные эксперименты на полном объеме данных. Для этого будет выполнена та же последовательность шагов, что была описана в предыдущем разделе, но на других базах:
Теперь перед нами стоит задача выбора метода, основываясь на их предсказательной способности. Возникает вопрос, какой же из показателей выбрать в качестве критерия эффективности метода? Здесь необходимо отметить. Что наиболее очевидный ответ – точность – не является правильным. В качестве примера можно взять метод дерева решений (табл.3.1), который формально выдавал точность 92.62%, хотя в реальности предлагал выдавать кредиты всем желающим. А столь высокая цифра обуславливалась низким процентом невозвратов. Таблица 3.2 – Результаты работы методов Data Mining на базе данных с процентом невозвратов 6.6%
Таблица 3.3 – Результаты работы методов Data Mining на базе данных с процентом невозвратов 12%
Так же не советуется в качестве критерия эффективности выбирать по отдельности число предотвращенных невозвратов или упущенных клиентов. Идея состоит в том, чтобы попытаться найти оптимальный метод, который будет наилучшем образом решать одновременно обе задачи: минимизировать число упущенных клиентов и при этом отсекать максимально большое число неблагонадежных заемщиков. В общем виде задача формулируется так: , где - % предотвращенных невозвратов, - % упущенных хороших клиентов. Коэффициент , определяющий пропорциональное соотношение и , вычисляется для каждого банка и вида кредита отдельно в зависимости от процентной ставки по конкретному кредиту и проценту невозвратов. Покажем вывод формулы. Пусть ставка по кредиту – %, а процент невозвратов - %, тогда применяя некоторую модель банк теряет: на невозвратах и на упущенных клиентах. Эти величины нам надо минимизировать: Итого, . Применим эту формулу к нашим данным. Например, будем считать, что процентная ставка по кредиту равна 16%.
Forest: Naïve: TAN: HillClimber: KNN:
Forest: Naïve: TAN: HillClimber: KNN: Таким образом наилучшей предсказательной моделью для оценки кредитоспособности потенциального заемщика для данного финансового учреждения является наивная байесовская сеть. В случае основной базы, процент невозвратов в которой составляет 6.6%, применение такой методики позволит более чем на треть снизить число проблемных кредитов. Для второй базы, специально подогнанной под уровень невозвратов в 12%, близкий к среднероссийскому уровню проблемных кредитов по мелким региональным банкам, специализирующимся на потребительском кредитовании, эффективность модели еще выше. Она позволяет почти вдвое сократить количество «плохих» кредитов. ЗАКЛЮЧЕНИЕ Кредитный риск, риск неуплаты заемщиком основного долга и процентов по нему, считается основным риском банка, который во многом определяет уровень эффективности работы данной организации. При этом если такой факт как невозврат единичных кредитов не принесет ощутимого урона банку, поскольку сможет быть компенсирован резервами, отчисляемыми под ожидаемые потери по кредитным операциям, то высокий уровень невозвратов может привести к серьезным последствиям, вплоть до банкротства банка. При проведении исследования было выявлено, что управление кредитным риском требует от банков постоянного контроля за структурой портфеля ссуд и их качественным составом. Более того, в рамках дилеммы «доходность – риск» банки вынуждены ограничивать норму прибыли, страхуя себя от излишнего риска и поэтому разнообразные методики снижения риска, позволяющие сохранять высокие объемы кредитования являются чрезвычайно актуальными как в нашей стране, так и в мировом масштабе. Дальнейшее изучение проблемы показало, что методы и инструменты управления кредитными рисками прошли длительный процесс эволюции и современный этап развития кредитного риск-менеджмента ознаменован все более широким внедрением внутренних банковских моделей количественной оценки рисков портфельных ссуд, в том числе построенных на передовых методах интеллектуального анализа данных, которые позволяют выявлять скрытые, неочевидные взаимосвязи между данными и переносят бремя формулировки гипотез с человека на искусственный интеллект. В ходе анализа были определены основные преимущества систем оценки кредитоспособности заемщиков, основанных на технологиях Data Mining:
Во второй главе ключевое внимание было уделено непосредственно техникам построения предсказательных моделей. Во-первых, были изучены вопросы обработки данных. Как было выявлено, данные для предсказательных систем, построенных на основе Data Mining, являются краеугольным камнем: от их качества и количества напрямую зависит эффективность получаемых систем. Отдельное внимание было уделено наиболее сложным проблемам данной области, таким, как «Reject Inference» - проблеме отсутствия информации по отклоненным заявкам, следствием которой могут быть искажения в интерпретации моделями существующих связей, и проблеме разграничения мошенничеств и дефолтов. Далее, были подробно рассмотрены разнообразные предсказательные модели и алгоритмы их построения. Отдельно следует подчеркнуть, что помимо классических алгоритмов в этой области, таких как логистическая регрессия, нейронные сети, деревья решений и метод ближайших соседей, в работе рассматривались современные подходы. Например, метод случайного леса, который был предложен лишь в 2001 году, и не многие даже специализированные программные продукты для Data Mining имеют в своем составе реализации алгоритмов поддержки принятия решений, построенных на его основе. Еще одним заслуживающим внимания моментом было использование различных байесовских классификаторов для предсказания кредитоспособности заемщика. Последняя глава посвящена практическому применению всех описанных средств Data Mining для обработки информации по невозвратам и составлению моделей оценки потенциальных заемщиков. Для этой цели была взята база данных в 150. 000 записей реального финансового учреждения, содержащая информацию по кредитным платежам прошлых клиентов. Отметим, что процент невозвратов в данной базе приблизительно соответствует уровню «плохих» кредитов по России, это позволяет сделать вывод о схожести полученных на ней результатов с теми, что будут получены в российских банках. Кроме этого, была искусственно смоделирована вторая база с более высоким уровнем невозвратов, близким к уровню неплатежей в региональных банках с низким уровнем проверки благонадежности клиентов. Данные из обеих баз были обработаны в соответствии с техниками описанными во второй главе, и далее для них были построены предсказательные модели. В работе была проведены сравнительная оценка эффективности различных методов на имеющихся данных, а также предложена техника выбора оптимальной модели на основе двух показателей: количестве предотвращенных невозвратов и количестве упущенных благонадежных клиентов. Таким образом, было показано, что с помощью передовых технологий интеллектуального анализа данных возможно достаточно точно оценить кредитоспособность потенциальных заемщиков, чем в значительной мере позволит снизить кредитные риски банка. СПИСОК ЛИТЕРАТУРЫ
// URL: http://www.risk24.ru/creditriski.htm
|
Теоретические основы оценки банковских кредитных рисков 1Сущность... Омский институт водного транспорта (филиал) фбоу впо «Новосибирская государственная академия водного транспорта» | Изучить сущность и становление системы исследования финансовых рисков:... Цель. Задачи дисциплины, её место в подготовке бакалавра, специалиста (с учетом квалификационных требований фгос) | ||
Код и наименование направления подготовки Экономическое содержание и особенности банковской деятельности: понятие, цели, принципы, виды рисков. Банковские операции и сделки;... | Тема: Пути и методы снижения рисков в предпринимательской деятельности... Ключевые слова: риск, управление рисками, минимизация рисков, финансовое состояние предприятия, коммерческая деятельность | ||
Лекция № «Страхование как метод управления рисками» Сущность и основные направления страхования рисков. Страхуемые и нестрахуемые риски | Методические рекомендации по изучению дисциплины «бухгалтерский учет... Тема виды банковских документов и бухгалтерских проводок, используемых в коммерческом банке 9 | ||
Рабочая программа дисциплины «Международные валютно-кредитные отношения»... Цель изучения дисциплины: усвоение теоретических знаний по сущности и основам организации международных валютно-кредитных отношений,... | Л. Г. Решетникова Финансовый менеджмент кредитных организаций Л. Г. Финансовый менеджмент кредитных организаций: Учебно-методический комплекс. Рабочая программа для студентов направления подготовки... | ||
Рабочая программа дисциплины Целью освоения дисциплины «Банковское дело» является формирование у студентов теоретических знаний в сфере функционирования банковских... | 3 (29) 2009 финансово-кредитные отношения и роль банков в привлечении... В статье рассматриваются наиболее значимые проблемы финансово-кредитных учреждений кбр в области финансирования отраслей сельского... | ||
Основные тенденции развития денежно-кредитных и финансовых систем стран СНГ Снг в части, относящейся к познанию современных тенденций развития национальных денежно-кредитных и финансовых систем государств... | Методические рекомендации по выполнению курсовых работ по профессиональному... Важной частью учебного процесса для студентов специальности 080110 «Банковское дело» является выполнение курсовой работы по профессиональному... | ||
Рабочая программа дисциплины Понимание природы финансовых рисков, знание методов их оценки и подходов к управлению ими (снижения их последствий и уменьшения вероятности... | Программа дисциплины «Моделирование кредитных рейтингов» для направления 38. 06. 01 «экономика» Программа предназначена для преподавателей, ведущих данную дисциплину, и студентов аспирантов направления 38. 06. 01 «экономика»... | ||
Методические указания по самостоятельной работе по дисциплине «Банковский... Неджмент рассматривается как самостоятельный вид профессиональной деятельности, направленной в условиях рыночной экономики на достижение... | Традиционные методики оценки оперативных рисков Согластно новому Базельскому соглашению по капиталу [] который лег в основу текущих требований национального регулятора, а так как... |