Модели для оценки кредитного риска заемщика - физического лица

Кредитный скоринг является задачей классификации с целью провести различение между «хорошими» и «плохими» клиентами. Банки должны предоставлять кредит «хорошим» клиентам, чтобы увеличить прибыль, и отказывать «плохим», чтобы избежать потерь.

Персональный кредитный скоринг – приложение методов финансового прогноза к потребительскому кредитованию. Он включает кредитный скоринг вновь подаваемых заявок (application скоринг) и поведенческий скоринг [1].

Кредитный скоринг определяет возможность предоставления кредита физическим лицам, поведенческий скоринг определяет, что делать с существующими клиентами: следует ли банку увеличить лимит кредитования клиенту или какие действия следует предпринять, если клиент задерживает либо прекращает платежи.

Дэвид Дюран в 1941 году первым предложил различать «плохих» клиентов от «хороших» на основе измерений клиентских характеристик. Были описаны правила, по которым кредитные аналитики принимают решения предоставить кредит или отказать в кредите. Данные правила затем использовались неэкспертами как подсказка при принятии решений о кредите – это был первый пример экспертной системы, экспертного кредитного скоринга.

С появлением кредитных карт в конце 1960-х годах банки и другие эмитенты кредитных карт стали использовать кредитный скоринг для оценки кредитоспособности физических лиц. Использование кредитного скоринга улучшило точность финансового прогноза и снизило уровень дефолтности на 50% и более. В 1970 - 80-х годы повсеместное применение кредитного скоринга привело к существенному повышению качества кредитных решений банков. Кредитный скоринг начали использовать в потребительском кредитовании, ипотеке, малом бизнесе и других областях кредитования.

В настоящее время для принятия кредитного решения используются три базовые техники: экспертные кредитные модели, статистические модели и методы искусственного интеллекта (ИИ). Экспертный скоринговый метод был первым подходом, примененным для решения проблем кредитного скоринга. Аналитики говорили «да» или «нет» в соответствии с характеристиками заявителя. Такие системы дают качественный анализ главных факторов кредитного риска, таких как социодемографические характеристики, кредитоспособность, обеспечение и срок кредита.

Однако экспертный кредитный рейтинг сильно зависит от таких субъективных факторов, как опытность экспертов и уровень их знаний; процедура оценки занимает продолжительное время, что вызывает усталость и увеличивает вероятность ошибки.

Системы кредитного скоринга на основе статистических методов и методов ИИ, которые пришли на смену экспертным системам кредитного скоринга, позволили сократить влияние субъективных факторов на принимаемые решения и повысить эффективность кредитования за счет снижения процента неправильных решений.

В последнее время в связи с усилением конкуренции банков в борьбе за клиента на фоне продолжающегося экономического кризиса появилось большое количество научных результатов и примеров практического использования комбинированных методов оценки кредитного риска с применением агрегированных моделей. Агрегированные модели систем кредитного скоринга представляют собой дальнейшее развитие статистических и ИИ-моделей скоринга путем перехода от использования отдельных моделей к системам моделей, включающим в себя в качестве элементов статистические и ИИ-модели кредитного скоринга, и механизм комбинирования решений этих моделей в решение агрегированной системы кредитного скоринга. Такие агрегаты в зависимости от комбинации используемых элементов и механизма принятия агрегированного решения могут давать, как показывает практика применения, снижение ошибок классификации от одного до нескольких процентов, что в результате приводит к значительному выигрышу в доходности и сокращению потерь. Есть примеры комбинированных систем кредитного скоринга на основе агрегирования экспертных, статистических и ИИ-моделей кредитного скоринга.

Сегодня данное направление находится в начале своего развития. Терминология и классификация комбинированных методов кредитного скоринга еще не устоялись, приводимая в статье классификация комбинированных систем является по сути нечеткой (fuzzy), поэтому приводимые ниже примеры могут соответствовать разным классам комбинированных моделей. Основой для классификации являются следующие четыре характеристики комбинированных моделей:

1. способ отбора характеристик клиента, используемых в системе кредитного скоринга;
2. процедура предпроцессинговой обработки данных с целью достижения их однородности по отношению к уровню кредитного риска;
3. порядок соединения отдельных моделей в единый агрегат;
4. порядок выработки решения агрегата моделей на основе решений отдельных моделей, входящих в агрегат.

Рассмотрим виды моделей кредитного скоринга в зависимости от используемых методов (статистические методы, методы искусственного интеллекта, гибридные методы и методы агрегирования моделей), приведены примеры построения комбинированных моделей оценки кредитного риска.

Статистические методы и методы искусственного интеллекта являются наиболее важными в области кредитного скоринга. В настоящее время интерес исследований в этой области смещается от кредитного скоринга, основанного на одной модели, к кредитному скорингу на основе агрегирования нескольких моделей.

Можно классифицировать (с учетом сделанного выше замечания) имеющиеся технологии построения моделей кредитного скоринга на статистические технологии, технологии ИИ, гибридные и технологии агрегации.

Статистические технологии

Методы искусственного интеллекта

Гибридные модели

Агрегированные модели

Применение комбинированных моделей кредитного скоринга со сложной внутренней архитектурой, в которой методы и подходы искусственного интеллекта используются в симбиозе с процедурами согласования результатов оценки кредитного риска по ансамблям моделей, позволяет улучшить качество кредитных портфелей банка, формируемых в автоматизированных прикладных программных системах, при минимально необходимом участии кредитных инспекторов и сокращении доли субъективных решений. В то же время не существует универсальных комбинированных моделей, решающих любые задачи оценки кредитного риска. Выбор наиболее эффективных комбинированных моделей во многом зависит от свойств той популяции, для которой они создаются, и представляет собой нетривиальную задачу методического обеспечения кредитного конвейера.

Список литературы:

1. Thomas L.C. A Servey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers // International Journal of Forecasting. 2000. Vol. 16. №2. с. 149-172.
2. Durand D. Risk Elements in Consumer Instatement Financing / National Bureau of Economic Research. New York, 1941.
3. Fisher R.A. The Use of Multiple Measurement in Taxonomic Problems // Annals of Eugenices. 1936. Vol. 2. №7. с. 179-188.
4. Lin S.L. A New Two-Stage Hybrid Approach of Credit Risk in Banking Industry // Expert Systems with Applications. 2009. Vol. 6. №4. с. 8333-8341.
5. Fridman J.H. Multivariate Adaptive Regression Splines // Annals of Statistics. 1991. Vol. 19. №1. с. 1-141.
6. Sarkar S., Sriram R.S. Bayesian Models for Early Warning of Bank Failures // Management Science. 2001. Vol. 47. №11. с. 1457-1475.
7. Wang S.C., Leng C.P., Zhang P.Q. Conditional Markov Network Hybrid Classifiers on Client Credit Scoring. International Symposium on Computer Science and Computational Technology, Shanghai, December 2008. с. 549-553.
8. Постарнак Д.В. Критический анализ моделей нейронных сетей // Вестник Тюменского государственного университета. 2012. №4. с. 162-167
9. Abdou H., Pointon J., Masry F.E. Neural Nets Versus Conventional Techniques in Credit Scoring in Egyptian Banking // Expert Systems with Applications. 2008. Vol. 35. №2. с. 1275-1292.
10. Huang Z. et al. Credit Rating Analysis with Support Vector Machines and Neural Networks. A Market Comparative Study // Decision Support System. 2004. Vol. 37. №4. с. 543-558.
11. Yang Y.X. Adaptive Credit Scoring with Kernel Learning Methods // European Journal of Operation Research. 2007. Vol. 183. №3. с. 1521-1536.
12. Abdou H. Genetic Programming for Credit Scoring: The Case of Egyptian Public Sector Banks // Expert Systems with Applications. 2009. Vol. 36. №9. с. 11402-11407.
13. Ong C.S., Huang J.J., Tzengb C.H. Building Credit Scoring Models Using Genetic Programming // Expert Systems with Applications. 2005. Vol. 29. №1. с. 41-47.
14. Ghodselahi A., Amirmadhi A. Application of Artificial Intelligence Techniques for Credit Risk Evaluation // International Journal of Modeling and Optimization. August 2011. Vol. 1. №3. с. 243-249.
15. Ensemble learning.
16. Siami M., Gholamian M.R., Nasiri R. A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring. SAS Tech 5th Symposium on Advances in Science & Technology, May 12 - 17, 2011.
17. Hamadani A.Z., Shalbafzadeh A., Rezvan Т., Moghadam A.S. An Integrated Genetic-Based Model of Naive Bayes Networks for Credit Scoring // International Journal of Artificial Intelligence & Applications (IJAIA). January 2013. Vol. 4. №1. с. 85-103.
18. Pawlak Z. Rough sets // International Journal of Computer and Information Science. 1982. Vol. 11. с. 341-356.
19. Pawlak Z. Rough Sets - Theoretical Aspects of Reasoning about Data. Netherlands: Kluwer Academic Publisher, 1991.
20. Chi B.-W., Hsu Ch.-Ch., Ho M.-H. Enhancing Credit Scoring Model Performance by a Hybrid Scoring Matrix // African Journal of Business Management. May 2013. Vol. 7. с. 1791-1805.
21. Kotsiantis S., Kanellopoulos B.D., Pintelas P. Data Preprocessing for Supervised Leaning // International Journal of Computer Science. 2006. Vol. 2. №2. с. 111-117.
22. Holland J. Adaptation in Natural and Artificial Systems. The University of Michigan Press, reissued by The MIT Press, 1975.
23. Chi L.C., Tang T.C. Impact of Reorganization Announcements on Distressed-Stock Returns // Economic Modelling. 2007. Vol. 24. №5. с. 749-767.
24. Mays E. Handbook of Credit Scoring. Global Professional Publishing, 2001. с. 23-56.
25. Ouyang J., Patel N., Sethi I.K. From Centralized to Distributed Decision Tree Induction Using CHAID and Fisher's Linear Discriminant Function Algorithms // Intelligent Decision Technologies. 2011. Vol. 5. №2. с. 133-149.
26. Charitou A., Neophytou E., Charalambous C. Predicting Corporate Failure: Empirical Evidence for the UK // European Accounting Review. 2004. Vol. 13. №3. с. 465-497.
27. Kočenda E., Vojtek M. Default Predictors and Credit Scoring Models for Retail Banking. CESifo Working Paper Series, 2009.

Автор:
Д.Н. Козлов, к. т. н., доцент, начальник управления операционных рисков и контроля  департамент рисков ОАО «Банк ЗЕНИТ»
В.В. Левин, к. ф.-м. н., доцент, начальник отдела скоринга ОАО «Банк ЗЕНИТ»
Источник: Банковский ритейл, 2013, №3-4