Скоринговая модель оценки кредитных рисков в рамках применения процессного подхода к управлению коммерческим банком

Садретдинов Илья Евгеньевич

РЭА им. Г.В. Плеханова

г. Москва

Скоринговая модель оценки кредитных рисков в рамках применения процессного подхода к управлению коммерческим банком

Сегодня, благодаря продолжающимся процессам глобализации и интеграции мировой экономики в условиях кризиса, расширению успешных компаний в мировом масштабе, а также возросшей конкуренции на рынках финансовых услуг, российская банковская система пытается догнать западные банки в плане предлагаемых клиентам финансовых услуг и уровню скорректированной на риск доходности. Большинство российских банков пытаются привлечь иностранные инвестиции для решения проблемы недостаточной капитализации. Основные инвесторы в России в дополнение к требованиям по доходности и прозрачности делового сектора также обращают внимание и на системы управления рисками, используемые банками, которые, в свою очередь, лишь начинают разрабатываться. По данной причине управление кредитными рисками рассматривается российскими банками как первостепенная проблема1. По мере того как российская банковская система будет двигаться навстречу западной модели, ей необходимо будет оценивать и взвешивать встречающиеся финансовые риски.

В настоящее время российские банки пытаются применить международные методы оценки рисков в российских условиях, но сегодня мало что предпринимается в направлении общей методологии оценки рисков, что порождает возрастающее количество ошибок в процессе оценки рисков. Однако, хотя процесс адаптации современных методов оценки рисков может быть трудным, это не значит, что ничего нельзя сделать.

Основными принципами управления кредитным риском являются:

  • кредитная политика: точное ссудное ценообразование (рыночная ставка + коэффициент надбавки за риск + управленческие расходы);
  • залог;
  • стандарты ссуд;
  • установка лимитов по ссудам;
  • кредитный анализ;
  • точная классификация ссуд согласно кредитному риску, результатом чего является верное ценообразование;
  • диверсификация ссуд.

Банки оценивают кредитный риск в целом, как по отдельным ссудам, так и по всему портфелю. Многие банки сосредоточиваются лишь на последнем. Однако кредитный риск отдельной операции может быть исчислен на базе исследования зависимости степени риска от ресурсов банка по двум направлениям:

  • оценка возможности дефолта;
  • оценка потерь от дефолта.

На практике гораздо труднее оценить удельный вес убытков в стоимости активов в случае дефолта заемщика (LGD — loss given default).

Есть три основных способа анализа кредитного риска: административные решения, качественный анализ с использованием прошлой кредитной истории клиентов или количественный анализ с использованием дискриминантных моделей логистического типа. Для российских банков оценка возможности дефолта с использованием, например, логистического анализа затруднена по причине отсутствия необходимой информации о дефолтах.

При разработке скоринговых моделей для крупных корпоративных клиентов, ипотечных ссуд, физических лиц и предприятий малого и среднего бизнеса используются различные переменные, эконометрическая модель остается той же. Данное исследование сосредоточено на предприятиях малого и среднего бизнеса в России.

В западной банковской практике методика, применяемая для выдачи ссуд малому бизнесу, очень схожа с используемой для оценки других секторов. Для предприятий малого и среднего бизнеса должны быть использованы такие переменные, как денежные потоки наличности и другие финансовые коэффициенты, но зачастую эти предприятия предоставляют неполные данные учета. Отдача от такого анализа очень мала, так как размер ссуды часто невелик, и банк работает с небольшой выгодой с небольшого объема, но с огромным фронтом аналитической работы и крупным риском дефолта. Недостаток информации по финансовым коэффициентам подразумевает, что количественный анализ должен быть совмещен с поведенческим анализом.

Для оценки переменных, касающихся проблемы дефолта, и последующего построения скоринговой модели была использована реальная информация Банка «Инвесттрастбанк» по ссудам, выданным предприятиям малого и среднего бизнеса за последние 3 года.

Исследование состоит из 30 обзоров по предприятиям малого и среднего бизнеса, которые выплатили ссуды, и 11 по тем, которые не выполнили своих обязательств по ссудам. Размер ссуд варьировался от 100 000 до 2 000 000 долларов США. Все ссуды были обеспечены (залог необходим согласно банковским регулятивным актам). Зачастую залог по ссудам был представлен в форме основных средств, товарных запасов, транспортных средств либо личного недвижимого имущества владельцев.

Для определения значимых факторов, влияющих на дефолт, и последующего построения кредитной скоринговой модели для банка «Инвесттрастбанк» были вычислены 18 финансовых и макроэкономических коэффициентов по каждому заемщику. Финансовые коэффициенты были определены исходя из финансовых отчетов (Отчеты по балансу и доходам), которые хранились в делах клиентов. Следующие категории финансовых показателей были рассчитаны и использованы в исследовании. Основные из данных показателей могут быть сведены в шесть групп. Рассмотрим основные составляющие этих групп показателей.

Коэффициенты производительности:

  • Рентабельность капитала;
  • Коэффициент рентабельности.
  • Операционная рентабельность.2.
  • Рентабельность чистой прибыли.

Показатели оборота (другие коэффициенты производительности)

  • Оборот основных средств;
  • Оборот суммы баланса.

Коэффициенты финансовой стабильности

  • Коэффициент финансового рычага.
  • Коэффициент отношения ссуд к активам.
  • Коэффициент отношения ссуд к оборотным средствам.

Коэффициенты ликвидности

  • Коэффициент ликвидности.
  • Коэффициент обеспеченности процентов..
  • Коэффициент ежемесячного среднего оборота по текущему счету к ссуде.

Коэффициенты финансовой независимости

  • Коэффициент финансовой зависимости.

Макроэкономические показатели региона

  • Индекс промышленного производства.
  • Индекс промышленных цен.
  • Индекс сельскохозяйственного производства.
  • Реальный доход.

Анализ указанных количественных оценок позволяет приступить к созданию кредитной скоринговой модели с использованием логистической модели. Для определения факторов, которые вызывают дефолт фирмы, была использована логистическая модель.

В данном исследовании используется многочленная логистическая модель с бинарным результатом: если ссуда не выплачивается, р = 1, если выплачивается, то р = 0. Вероятность дефолта (объясняющая переменная) находится на левой стороне регрессии, а объясняющие переменные (финансовые коэффициенты) — на правой стороне модели и выглядят следующим образом:

Z = 0 + ' + ,

где:

р = 1, если z > 0; p = 0, если z <= 0; z = log{p/(1-p)}; 0 — пересечение; ' — вектор коэффициентов по объясняющим переменным; — вектор объясняющих переменных; — вектор ошибок.

Результаты данной модели должны определить значимые факторы, которые воздействуют на возможность невыплаты ссуды. Эти показатели, в свою очередь, используются для кредитной скоринговой модели.

Проблему в данном исследовании представляет недостаток информации по предприятиям малого и среднего бизнеса для построения достоверной модели. Таким образом, количество наблюдений, включенных в модель, низкое — 41. Из-за трудностей в получении информации, ввиду ее конфиденциальности, это было максимально возможное количество наблюдений, которое можно было собрать. Период оценки: июнь 2005 — июнь 2008 года. В общей сложности исследовался 41 клиент, 30 из которых погасили ссуды, 11 не выполнили своих обязательств по ним. Были протестированы 18 переменных, представляющие финансовые коэффициенты, рассчитанные на базе финансовых отчетов (отчеты по балансу и доходам) клиентов. Ввиду того, что подобная работа не проводилась ранее, все коэффициенты должны были быть рассчитаны с использованием материала, взятого из дел заемщиков, являющихся предприятиями малого и среднего бизнеса, банка «Инвесттрастбанк». Были протестированы следующие показатели: API, CAT, ETA, FIT, GEAR, ICR, IPI, IPR1, LCA, LIQ, LTA, NPP, OPPROF, PROFIT, RI, ROA, ROE, TAT.

Использован уровень значимости 95% и 97.5%, ввиду трудности с использованием более высокого уровня при наличии столь малого количества примеров. Были использованы 41 наблюдение и 18 переменных, что является неподходящим соотношением. Поэтому, прежде всего, была построена корреляционная матрица для определения степени корреляции между переменными и для того, чтобы опустить переменные с сильной степенью корреляции. Коррелированные величины были протестированы отдельно в разных регрессиях.

Исходя из корреляционной матрицы, сильная зависимость была найдена между следующими переменными (см. табл. 1).

В вычислениях коррелируемые величины не должны быть использованы в одно и то же время, поэтому при введении в модель новых переменных была использована поэтапная (назад и вперед) процедура. Переменные были опущены или добавлены в модель на основе их значимости, измеренной с помощью t-статистики. Их вклад в общую правильность модели, которая была измерена посредством коэффициента МакФаддена Р-квадрат (MR2), достаточно спорен3, так как он не может быть велик для совокупности данных (в данном случае для временного ряда). Тем не менее, MR2 был упомянут в результатах.

Таблица 1. Таблица коррелированных величин

API

CAT

ETA

FIT

GEAR

ICR

IPI

IPRI

LIQ

LTA

IPI

API

LTA

API

IPRI

NPP

API

API

ETA

ETA

IPRI

TAT

ROE

IPI

ROE

OPPROF

IPRI

IPI

ROA

ROE

RI

PROFIT

LIQ

LTCA

NPP

OPPROF

PROFIT

RI

ROA

ROE

TAT

RI

ICR

NPP

NPP

FIT

LIQ

GEAR

CAT

LTA

OPPROF

PROFIT

OPPROF

LTCA

OPPROF

LTA

LTA

ETA

PROFIT

Двадцать уравнений были использованы с различными переменными во избежание проблем мультиколлинеарности, основываясь на значимости их коэффициентов, измеренных посредством t-коэффициента. Уровень значимости составил 95% и 97,5% уровня доверия. МR варьировался от 0.23 до 70.2. MR2 — видоизмененный коэффициент детерминации, который возрастает лишь в случае, если добавленные переменные важны. Чем выше значение MR2, тем лучше модель подходит к информации.

Из данных регрессий следующие переменные имели самую высокую значимость и были использованы в различных комбинациях в уравнениях (1)-(10):

  • CAT (оборот по текущему счету/ссуда) — был значим при 95% уровня значимости в 9 случаях и один раз при 97.5%.
  • ETA (собственные средства к активам) — в 5 случаях был значим при 95% уровня значимости, а в других 5 случаях — при 97.5%.
  • LIQ (оборотные средства/краткосрочные обязательства) — был значим в 8 случаях при уровне значимости 95%.
  • API (индекс сельхозпродукции) — в 6 случаях был значим при 95% уровня значимости и в одном случае — 97.5%.
  • ROE (рентабельность капитала) — был значим один раз при 97.5% уровня значимости, но знак отличался от ожидаемого.
  • GEAR (долгосрочные + краткосрочные ссуды/собственные средства) — хотя коэффициент GEAR статистически незначим во всех моделях при уровне отсечки значимости (хотя он значим при 85% уровня значимости), он должен быть включен во все модели. В обратном случае значение MR2 значительно снижается, что было доказано дальнейшими тестами.

Mодель не рассматривает некоторые другие факторы, играющие важную роль при вынесении решения по выдаче кредита в банке, как, например: протяженность деловой деятельности, уровень информированности о брэнде, профессионализм менеджеров, средний возраст менеджеров и залог.

Вероятность дефолта вычисляется умножением рассчитанной js на отмеченный Xij для каждой фирмы:

Таблица 2. Некоторые вероятности дефолта

Переменная

Коэффициент

t-Стати-стика

Вероятность

LIQ

-0.650074

-1.894916

0.0581

CAT

-4.025780

-1.823398

0.0682

ETA

17.54143

2.052657

0.0401

GEAR

0.025532

1.036667

0.2999

API

-0.824163

-1.877220

0.0605

Взяв значения коэффициентов из некоторого уравнения, в котором содержится самое большое число значимых некоррелированных коэффициентов с ожидаемыми знаками, получаем:

Z = -0.65LIQ -4.02CAT + 17.5ETA + 0.02GEAR -0.82API. (1)

Из (1) может быть получена Z-оценка, используя вычисленные (js и умножая их на Xij переменные для каждого предполагаемого заемщика.

Логистическая модель изменяет значение Zi в F(Zi) путем внесения вычисленного значения Zi из модели линейной вероятности в следующую формулу:

F(Zi) = 1/(1+e). (2)

При выбранном уровне отсечки, если у фирмы Z больше определенного числа, предсказывается, что фирма не выплатит ссуду (в начале было вычислено, что если Z > 0, то заем не будет выплачен, если Z <= 0 — выплаченная ссуда).

Z-оценка может быть вычислена для всех фирм, включенных в данную работу, используя (2), основываясь на исторических бывших возможностях дефолта и прогнозирования предполагаемых заемщиков. Однако нет достаточной информации для прогнозирования не входящих в данную работу примеров.

Результаты данного количественного исследования показывают, что коэффициент оборачиваемости текущих активов к ссуде является одной из ключевых детерминант невыплат кредитов. Была также выявлена значимость коэффициента ликвидности для невыплат кредитов: по мере того как ликвидность падает, возрастает вероятность дефолта. Результаты, касающиеся роли собственных средств в невыплате кредитов, могут быть истолкованы банком и фирмой по-разному: по мере того как отношение собственных средств к сумме баланса повышается, также повышается и вероятность дефолта, что означает, что предпочтительнее, если клиент имеет малую пропорцию собственного капитала.

Использование кредитной скоринговой системы в Банке позволяет:

  • увеличить доходность кредитных продуктов;
  • уменьшить период принятия решения — с 1 недели до 1 дня;
  • увеличить конкурентоспособность Банка;
  • ввести более объективный мониторинг качества ссуд для предприятий малого и среднего бизнеса;
  • повысить продуктивность работы кредитных менеджеров;
  • уменьшить список документов, представляемых будущим заемщиком, от финансовой отчетности за 3-летний период до самого последнего балансового отчета и отчета по доходам, как только будет создана база данных;
  • более точно проводить ценообразование на кредит в соответствии с возникающими рисками.

Если рассмотреть воздействие использования количественной модели на общую производительность банка «Инвесттрастбанк», который стал объектом анализа, то можно утверждать что, во-первых, модель выявила некоторые важные финансовые коэффициенты, которые в настоящее время Банк игнорирует (например, коэффициент собственных средств к оборотным средствам, индекс региональной сельхозпродукции и коэффициент финансового рычага). Во-вторых, количество рассмотренных ссуд возрастет, а время между подачей заявки и вынесением решения сократится. В-третьих, хотя возрастут расходы на обучение персонала, она повысит производительность труда. Тем не менее, желательно сохранить непосредственный контакт с клиентами при обслуживании в той или иной форме, так как это может служить источником дополнительной информации.

Банк «Инвесттрастбанк», как и другие частные банки в России, сталкивается с нехваткой капитала, что ограничит экспансию предприятий малого и среднего бизнеса из-за ограниченности объемов кредитов. В то же время улучшение систем управления рисками увеличит вливания капитала в Банк.

Данное исследование показывает необходимость использовать в практике банков следующие показатели для предполагаемых заемщиков:

  • коэффициент оборота по текущему счету к ссуде;
  • коэффициент собственных средств к сумме баланса;
  • коэффициент ликвидности;
  • индекс региональной сельхозпродукции;
  • коэффициент финансового рычага — долго- и краткосрочные ссуды к собственным средствам.

Данные коэффициенты должны быть главными и самыми важными для банка при вынесении решения по выдаче ссуды, потому что с помощью эконометрических тестов было доказано, что эти самые коэффициенты определяют качество ссуды, чему имеется статистическое подтверждение. Исследование не оценивает уровень отсечки для успешных ссуд, но это уже задача банка — оценить лимиты для коэффициентов, принимая во внимание региональную специфику и деловые традиции. Также важно, чтобы Банк продолжил построение своей базы данных, включающей большое число финансовых коэффициентов и другие экономические показатели для увеличения количества наблюдений, которые бы позволили провести расширенные эконометрические тесты.

Используя переменные, определенные с помощью логистической модели, Банк может оценить качество своих прошлых кредитов и, тем самым, качество банковского управления рисками, что должно улучшить производительность Банка и снизить количество рискованных кредитов в своем портфеле. Данные модели кредитного скоринга играют очень важную роль в управлении кредитными рисками в Западной Европе, в России же внедрение носит лишь индивидуально-местный характер.

1 Лаврушин О.И. Банковское дело. - М.: Финансы и статистика, 2007

2 Деньги. Кредит. Банки Под редакцией д.э.н., профессора, О. И. Лаврушина, 2005

3 Деньги. Кредит. Банки. Под редакцией д.э.н., профессора, О. И. Лаврушина, 2005

PAGE 6

Скоринговая модель оценки кредитных рисков в рамках применения процессного подхода к управлению коммерческим банком