Статистический анализ банковской деятельности. Исследование моделей оценки кредитных рисков (стр. 2 из 6)

Актуальна задача разработки качественно новых методик оценки рисков. Этому и посвящена работа.

Цели работы:

1. ознакомиться и описать существующие статистические и эконометрические методики оценки банковских рисков;

2. показать недостатки методик, выявить лучшие модели.

Методика исследования. В работе применяются методы статистики, эконометрики. В исследованиях применялись следующий программный продукт SPSS 14.

Теоретическая и практическая значимость. Работа носит практический характер. Результаты, полученные в работе, могут быть использованы в дальнейших исследованиях по управлению риском и могут быть применены в банках.

Глава 1. Обзор моделей оценки кредитного риска

1.1. Понятие качества и прозрачности методик

Проблема количественной оценки и анализа кредитных рисков и рейтингов заемщиков и создания резервов на случай дефолта является актуальной как для западных, так и российских банков, занимающихся кредитованием физических и юридических лиц. В общем случае кредитный риск при предоставлении кредитов коммерческими банками физическим и юридическим лицам характеризуется следующими количественными параметрами: риск как вероятность неуспеха (невозврата) кредита; допустимый риск; средний риск; возможные потери от дефолта кредита; среднее значение потерь; максимально допустимые потери; число кредитов в банке; возможное число разных кредитов; число опасных кредитов; энтропия опасных кредитов [5].

Под кредитным риском понимают риск возникновения у кредитной организации убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств перед кредитной организацией в соответствии с условиями договора. В балансе банка кредитный риск присутствует в составе активов по большинству позиций: ссуды, остатки на корреспондентских счетах, краткосрочные кредиты коммерческим банкам, ценные бумаги, приобретенные для перепродажи или инвестирования. Кредитный риск также возникает в связи с широким спектром банковской деятельности, включая выбор инвестиционных портфелей, контрагентов по сделкам с производными инструментами и иностранной валютой. Кредитный риск может появляться в связи с риском проведения операций в данной стране, а также при выполнении функций гаранта. Кредитный риск оказывает прямое воздействие на состояние банковского капитала. В результате высокий кредитный риск снижает рыночную стоимость акций банка и сужает возможности кредитной организации воспользоваться облигационными займами с целью привлечения средств.

К методикам для количественной оценки кредитных рисков предъявляется особое требование по прозрачности, включающей количественные оценки точности и робастности.

Прозрачность методики кредитного риска - это возможность видеть не только явление в целом, но и его детали. Прозрачность стала важнейшей характеристикой методик оценки кредитных рисков в силу необходимости наиболее полной идентификации как кредитного риска, так и самой модели кредитного риска. Под прозрачностью методики будем понимать строгость используемых математических методов, сглаживание субъективности экспертных оценок, наглядность результатов оценки и анализа риска, полное их понимание самими работниками банков, открытость методик для контролирующих органов и заемщиков. Прозрачность методики и результатов достигается вычислением вкладов инициирующих событий (критериев) в кредитный риск.

Для анализа, прогнозирования и управления кредитным риском каждому банку необходимо уметь количественно определять названные характеристики, анализировать риск и выполнять постоянный мониторинг компонент характеристик кредитного риска.

От точности распознавания зависит решение о выдаче или отказе в кредите, цена (процент) за риск и уровень резервирования на случай дефолта кредита. Точность оценивается количеством относительных ошибок в распознавании «плохих» и «хороших» кредитов (клиентов) и их средним количеством. Обычно выдвигается требование, чтобы «плохие» кредиты распознавались лучше. Отношение неправильно распознанных «хороших» и «плохих» кредитов выбирают от 2 до 10. Аналогично формулируется задача точности, если кредиты классифицируются не на два, а несколько классов. Сравнение разных методик на одних и тех же данных показало, что разные методики оценки риска отличаются по точности почти в два раза.

Робастность характеризует стабильность методик оценки кредитных рисков. Разные методики риска или одна методика при разных алгоритмах обучения по статистическим данным неодинаково классифицируют кредиты на «хорошие» и «плохие». Один и тот же кредит по одной методике может быть признан «плохим», а по другой методике «хорошим». Такая нестабильность в классификации достигает 20% от общего числа кредитов. Сравнение разных методик на одних и тех же данных показало, что разные методики риска могут отличаться по робастности в семь раз.

Кредитование юридических и физических лиц является одним из основных видов деятельности коммерческих и государственных крупных, средних и мелких банков. Каждый банк индивидуален, так как работает по различным технологиям, обслуживает различные сегменты рынка банковских услуг, ориентируется на различные стратегические задачи. Индивидуальности банков способствует также конкуренция.

Кредитный бизнес связан с риском. Условия кредитной деятельности изменяются, изменяется также допустимый уровень риска. Кредитная деятельность адаптируется к условиям развивающейся экономики страны и уровню жизни ее населения.

Большое значение для обеспечения устойчивого функционирования банка имеют методы количественной оценки и анализа кредитного риска. Цена за риск должна максимально точно учитывать величину риска каждого кредита. Кроме средней величины риска, определяемой по статистике предыдущей деятельности, банк должен знать количественную оценку и составляющие риска для каждого кредита.

Каждый банк разрабатывает свою модель риска для количественной оценки и анализа риска кредитов с учетом общих рекомендаций Базельского комитета по банковскому надзору. Чем выше точность оценки риска кредитов, тем меньше потери банка, меньше процент за кредит и выше конкурентоспособность банка. От повышения точности и прозрачности методик выигрывает все общество в целом. Создание эффективной модели риска и оптимальное управление кредитным риском возможны только на основе постоянного количественного анализа статистической информации об успехах кредитов.

Существуют различные подходы к определению кредитного риска частного заемщика, начиная с субъективных оценок специалистов банка и заканчивая автоматизированными системами оценки риска. Мировой опыт показывает, что основанные на математических моделях системы являются более действенными и надежными. В целях построения модели кредитного риска сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет. Такая выборка может варьироваться от нескольких тысяч до сотен тысяч, что не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов. Выборка содержит информацию по двум группам кредитов, имевшим место в деятельности банка: «хорошим» и «плохим» (проблемным или невозвращенным).

Ниже выполнен анализ прозрачности скоринговых методик оценки кредитных рисков

1.2. Характеристики физического лица. Структура данных

Кредиты физических лиц описываются 20 признаками, каждый их которых имеет градации (Таблица 1.)

Таблица 1. Описание кредита физического лица

Номер признака	Наименование признака	Обозначение	Число градаций
0	Успешность кредита	Y	2
1	Сумма счета в банке	Z1	4
2	Срок займа	Z2	10
3	Кредитная история	Z3	5
4	Назначение займа	Z4	11
5	Сумма займа	Z5	10
6	Счета по ценным бумагам	Z6	5
7	Продолжительность работы	Z7	5
8	Взнос в частичное погашение	Z8	4

9	Семейное положение и пол	Z9	4
10	Совместные обязательства или поручитель	Z10	3
11	Время проживания в данной местности	Z11	4
12	Вид гарантии	Z12	4
13	Возраст	Z13	5
14	Наличие других займов	Z14	3
15	Наличие жилой площади	Z15	3
16	Количество займов с банком	Z16	4
17	Профессия	Z17	4
18	Число родственников на иждивении	Z18	2
19	Наличие телефона	Z19	2
20	Иностранный или местный житель	Z20	2

Таблица данных имеет вид

Таблица2. Структура статистических данных

В работе используются реальные данные. Всего 1000 наблюдений. 700 заемщиков не вернули кредит «1», 300 – вернули «0».