» » »

Кредитный скоринг

Исторически скоринг как подход был впервые использован в биологических исследованиях во второй половине 30-х гг. 20 века для сортировки объектов, которые было невозможно рассортировать на основании какого-либо одного признака, а другим способом или сильно затруднено, или даже невозможно. К примеру, так сортировались черепа (по принадлежности одному или другому племени) или луковицы ирисов (по принадлежности тому или иному сорту).

Термин «скоринг» означает математический подход, с помощью которого на основании набора известных (или измеряемых) характеристик объекта прогнозируется определенная искомая характеристика, которую на момент оценки прямо измерить невозможно, при этом намеренно избегается поиск каких-либо причинно-следственных связей.

Кредитный скоринг – это использование скоринговых решений в процессе кредитования, причем как физических лиц, так и юридических (особенно предприятий малого и среднего бизнеса).

Первостепенная задача, которую решают при кредитовании с помощью скоринга, – это управление рисками.

Spiegel – большой американский ритейлер – весьма рано начал использовать кредитный скоринг. Другой такой фирмой стала Household Finance Corp. Уже в 1946 г. ее президент Е.Ф. Вандерлик разработал Credit Guide Score для оценки новых заявителей, однако внедрение шло с трудом (впоследствии менеджеры его филиалов признавались, что они сначала выдавали кредиты, а потом подгоняли баллы, чтобы оправдать принятое решение).

В 1956 г. на американском финансовом рынке произошло событие, которое кардинально изменило ситуацию в сфере кредитного скоринга. Американцы – инженер Бил Файр и математик Эрл Айзек, работавшие в Стэнфордском исследовательском институте, придумали первую кредитную скоринговую модель. Партнеры разработали математический алгоритм, вычисляющий уровень кредитоспособности заемщика в цифровом выражении. Другими словами, алгоритм позволяет просчитывать кредитные риски в виде трехзначного числа, которое является кредитным рейтингом. Они организовали компанию Fair, Isaac and Company (в 2003 г. она была переименована в Fair Isaac Corporation, а в 2009 г. – FICO).

В России массовое использование скорингов в розничном кредитовании также стало уже повсеместной практикой. Российские банки активно используют и внешние скоринги FICO, и собственные скоринговые карты, разработанные в том числе и с помощью американских консультантов.

В семидесятые годы прошлого века, с одной стороны, началось бурное развитие средств вычислительной техники, а с другой – бум кредитования. И тогда скоринговые системы начало внедрять у себя большинство банков. Более того, некоторые из них разработали собственные системы, не прибегая к помощи сторонних компаний.

Когда в середине девяностых годов в России началось постепенное внедрение скоринговых систем, то отечественные банки столкнулись с дилеммой: разрабатывать их самостоятельно или покупать у западных производителей. Спустя 15 лет появился и третий вариант: отдать скоринг на аутсорсинг.

С 29 июля 2013 г. Сбербанк при выдаче розничных кредитов использует интегральную оценку заемщика, которая основана на Скоринг Бюро 3 поколения (сервис предоставляется Объединенным Кредитным Бюро (ОКБ)) и системе внутреннего скоринга самой кредитной организации.

Тестирование сервиса показало, что совместное использование двух скоринговых моделей дает дополнительный эффект, повышая качество интегральной модели банка более чем на 10%.

С появлением в конце 60-х гг. кредитных карт и банки, и другие эмитенты поняли полезность кредитного скоринга. Большое количество клиентов, подающих заявки на кредитные карты каждый день, сделало невозможным – ни экономически, ни с точки зрения трудозатрат – никакое другое решение, кроме как автоматизация принятия решения о кредитовании. При использовании кредитного скоринга эти организации быстро обнаружили, что эта методика является существенно более надежным прогнозом, нежели экспертные оценки (процент дефолтов снизился на 50% и более).

Виды кредитного скоринга

Как правило, выделяют минимум три области применения кредитного скоринга:

  1. скоринг заявлений (application scoring);
  2. поведенческий скоринг (behaviour scoring);
  3. скоринг по взысканию (collection scoring).

Скоринг заявлений – это определение кредитоспособности (уровня риска дефолта) заявителя при принятии решения о предоставлении кредита на основании данных, доступных в момент подачи заявления, – информации собственно из заявления, собственных данных кредитной организации, данных из кредитного бюро, а также других доступных баз данных (например, по утерянным паспортам).

При этом принимается не только решение о предоставлении кредита, но и о размере и условиях кредитования.

После того как кредит выдан, необходимо отслеживать его использование и возврат. И если в случае кредитов с фиксированными условиями, т.е. ключевым является определение кредитоспособности клиента на момент выдачи кредита, то для кредитной линии – в том числе револьверной кредитной карты – ситуация отличается коренным образом. Неизвестно, как клиент будет пользоваться кредитом – сразу выберет весь кредитный лимит или только его часть, как будет возвращать – сразу все или только минимальный установленный платеж, и не изменится ли его кредитоспособность через шесть месяцев или через год. И это – область поведенческого скоринга, где под этим названием на самом деле скрывается целый набор решаемых задач.

В первую очередь это оценка риска просрочки платежа и/или невозврата и определение тех действий, которые необходимо предпринять, – в этом поведенческий скоринг переходит в скоринг по взысканию (collection scoring).

Следующей задачей, решаемой в рамках поведенческого скоринга, является определение доходности/убыточности клиента для кредитной организации. Для этого отслеживается история его транзакций на протяжении определенного отрезка времени (например, шести месяцев) и согласно установленным критериям определяется его «ценность», а потом на основании уже известных клиентских историй и профилей клиентов прогнозируется будущая «доходность» клиентов, находящихся в кредитном портфеле в данный момент.

В этом же классе определение таких важных параметров клиентов, как вероятность их ухода (attrition), склонность их к использованию данного или других продуктов (propensity), а также к увеличению объемов использования (up-sale) или приобретения других продуктов (cross-sell).

Следует сделать два крайне важных замечания:

1) данные по транзакциям используются для выявления и предотвращения мошенничества (и это тоже относят к поведенческому скорингу);

2) для поведенческого скоринга все в большей степени используются данные не только по конкретному счету (продукту), а весь комплекс данных по клиенту, т.е. как именно он пользуется всем набором используемых продуктов.

Прагматический подход, т.е. отказ от поиска причинно-следственных связей между параметрами и использование выявленных зависимостей между параметрами для прогнозирования поведения клиента (вероятности дефолта по кредиту), вызывает у многих довольно сильное отторжение и приводит к определенным законодательным ограничениям в этой области в некоторых странах.

Основы разработки рейтинговой таблицы, ее проверки и настройки

Несмотря на то что, у каждого банка своя «система ценностей», ни один банк не обходится без типичных скоринговых вопросов.

1. Личные данные. Пол, возраст, семейное положение, наличие или отсутствие иждивенцев, образование.

Пол. Система с большей симпатией относится к женщинам, так как по статистике слабый пол более ответственно подходит к погашению своих обязательств.

Возраст. Наиболее привлекательным для банка является клиент в возрасте от 25 до 45 лет. Чем дальше человек находится от этого возрастного диапазона, тем меньше его балл.

Семейное положение. Как правило, наличие семьи, даже в том случае, если отношения не узаконены формально, является плюсом. Стабильные отношения, планирование бюджета, с точки зрения банка, дисциплинируют потенциального заемщика.

Иждивенцы. Если у потенциального заемщика всего один ребенок, это, как правило, не лишает балла, однако чем больше детей, тем ниже балл.

Образование. Человек со средним образованием воспринимается как недостаточно успешный и стабильный, потенциально способный пренебречь своими обязательствами по кредиту, в отличие от человека, получившего высшее образование.

2. Финансовые показатели. Общий трудовой стаж, общий стаж на последнем или последних двух-трех местах работы, профессия, уровень заработной платы и общих расходов.

Чем стабильнее человек в плане своего трудоустройства, тем выше его балл. Частая смена мест работы, непродолжительность работы на каждом из них говорят о нестабильности потенциального заемщика и, как следствие, его дохода.

Тип профессии. Наиболее привлекательными для банка являются специалисты, рабочие, госслужащие, руководители среднего звена (постоянная работа по найму). Недолюбливают банкиры руководителей компаний, финансовых директоров, нотариусов (занимающихся частной практикой), а также владельцев и совладельцев бизнеса. Важно понимать, что в отличие от наемных сотрудников собственник своего дела не имеет ежемесячного фиксированного дохода. То же можно сказать об индивидуальных предпринимателях – таким заемщикам лучше подавать документы как физическим лицам.

Несомненно, банк обратит внимание на соотношение расходов и доходов. С одной стороны, система анализирует, насколько сопоставимы расходы на оплату кредита с финансовыми возможностями клиента и не будет ли обременительным для него дополнительный кредитный договор. С другой стороны, если заемщик заявляет о высоких доходах, но при этом запрашивается незначительная сумма, это вызывает как минимум настороженность. Для чего человеку с доходом в 50 тыс. руб. кредит в 6 тыс.?

Очень внимательно банки относятся к наличию ранее взятых и непогашенных кредитов. Если у заемщика уже имеются ежемесячные выплаты по кредитному договору, то банк спрогнозирует платежеспособность человека с очень большим (для себя) запасом.

3. Сопутствующая информация.

Дополнительный источник дохода (дополнительное место работы, доход созаемщика), наличие автомобиля, гаража, дачи, земельного участка в личной собственности, несомненно, добавят баллов. Примерно также обстоят дела с уже имеющимися погашенными кредитами: отсутствие былых просрочек, своевременное погашение своих обязательств перед кредитной организацией, отсутствие текущих просрочек воспринимаются положительно. Чем больше баллов заемщик набрал, тем больше он нравится банку.

В настоящее время кредитный скоринг основывается на методах статистических исследований или исследований операций (operational research). Статистические подходы включают в себя дискриминационный анализ, в основе которого лежат линейная регрессия и более эффективная логарифмическая регрессия и классификационные деревья (classification trees), иногда называемые алгоритмами рекурсивного разделения. Методы исследования операций включают в себя определенные варианты линейного программирования. Большинство разработчиков скоринговых моделей применяют один или несколько вышеуказанных методов, часто в комбинации. Кроме того, в разработке скоринговых моделей используется ряд методов непараметрической статистики и подходы моделирования с помощью «искусственного интеллекта». Так, в последние десятилетия испытывались подходы нейронных сетей, экспертных систем, генетических алгоритмов и методы «ближайших соседей». Весьма интересно, что к одной и той же классификационной проблеме применяются столь разнообразные методы. Отчасти это обусловлено исключительно прагматическим подходом к проблеме снижения риска при выдаче кредитов: если работает – надо использовать! Цель – спрогнозировать, кто не справится с возвратом, а не дать объяснение, почему не справится, или подтвердить ту или иную гипотезу о связи между невыплатой и определенными экономическими или социальными параметрами (что отчасти и спровоцировало бурные обсуждения и принятие акта ECOA).

Построение скоринговых моделей

Для построения скоринговых моделей (причем независимо от выбранного математического подхода) берется репрезентативная выборка из предыдущих заявителей (от нескольких тысяч до сотен тысяч – что не проблема для отрасли, обслуживающей десятки миллионов клиентов). Для каждого заявителя из выборки извлекается полная информация из анкеты-заявления и информация из его кредитной истории за фиксированный период времени (обычно 12, 18 или 24 мес.). Затем принимается экспертное решение, какую историю считать приемлемой, т.е. является ли клиент «хорошим» или «плохим».

Эмпирические требования к базе данных, используемых для построения скоринговой модели:

  • размер выборки – не менее 1500 всего, не менее 500 плохих;
  • четкое определение критерия «плохой/хороший»;
  • четкое определение временного отрезка – периода жизни продукта (зависит от самого продукта и может меняться от месяца – мобильный телефон до десятилетий – ипотека);
  • стабильность состава клиентской группы – демография, миграции, сохранение привычек потребления;
  • неявное, но обязательное требование: стабильность экономических, политических, социальных и прочих условий.

При построении кредитных моделей существенным является выбор временного горизонта – отрезка времени между подачей заявления (выдачей кредита) и классификацией «плохой/хороший». Анализ показывает, что процент дефолта как функция длительности нахождения клиента с организацией поначалу растет и только через 12 месяцев (кредитные карты) и даже более (разовые займы) начинает стабилизироваться. Таким образом, меньший временной горизонт приводит к недооценке и не учитывает полностью всех характеристик, предсказывающих дефолт. С другой стороны, временной горизонт более двух лет оставляет модель подверженной к сдвигам в составе клиентской группы в течение этого времени, т.к. как состав клиентов в выборке в начале временного горизонта может оказаться существенно отличным от состава клиентов, приходящих в настоящее время. Фактически используются два единовременных среза (в начале и в конце временного горизонта) для создания модели, которая стабильна по времени (за пределами начального временного отрезка). Это и диктует выбор длины временного отрезка – временного горизонта при моделировании.

Далее построение скоринговой модели превращается в классификационную проблему, где входными характеристиками (или параметрами) являются ответы на вопросы анкеты-заявления и параметры (или данные), получаемые в результате проверок из различных организаций (например, полиции, судов, местных советов, кредитных бюро и т.д.), а выходными характеристиками (ответом) – искомым результатом – является разделение клиентов на «хороших и плохих» согласно имеющимся кредитным историям, сопоставленным по этим входным характеристикам.

Собственно рейтинговая таблица (scorecard) – это система придания численных баллов (счета) характеристикам (или параметрам) заемщика для получения искомого числового значения, которое отражает, с какой вероятностью у заемщика по отношению к другим заемщикам произойдет некое событие или он совершит определенное действие (аспект «по отношению» в определении очень важен).

Кредитная рейтинговая таблица, например, не показывает, какой уровень риска следует ожидать (скажем, какой процент кредитов данного типа, вероятно, не будет возвращен); вместо этого она показывает, как данный заем, скорее всего, будет вести себя по отношению к другим займам. Например, ожидается ли, что процент невозвратов или дефолтов для кредитов с данным набором атрибутов будет больше или меньше, чем у кредитов с другим набором.

Большинство рейтинговых таблиц построены с помощью расчета регрессионной модели – статистической модели, которая проверяет, как отдельный параметр (характеристика) влияет на другой параметр или (чаще всего) на целый набор других параметров.

Регрессионная модель дает в результате своего применения набор коэффициентов (factors), называемых регрессионными, которые можно интерпретировать как корреляцию между искомыми параметрами (которые необходимо определить) и объясняющими параметрами, сохраняя неизменными все остальные воздействия на искомые параметры. Эти коэффициенты превращаются в веса баллов (point weights) в рейтинговой таблице.

Следует отметить, что качество скоринговых моделей следует постоянно проверять и мониторинг является обязательной процедурой в процессе эксплуатации. Со временем могут меняться как экономические условия, так и поведенческие особенности заемщиков, и только своевременная подстройка или даже замена скоринговых моделей обеспечат эффективное управление кредитными рисками.

Тэги: Кредитный скоринг, скоринг, скоринговая модель, кредитование
Версия для печати
Похожие материалы:
Комментарии 0
avatar