Введение теоретические основы оценки банковских кредитных рисков




Скачать 0.71 Mb.
Название Введение теоретические основы оценки банковских кредитных рисков
страница 2/6
Дата публикации 14.05.2014
Размер 0.71 Mb.
Тип Реферат
literature-edu.ru > Банк > Реферат
1   2   3   4   5   6

1.2 Технологии DataMining в банковской сфере
DataMining - процесс обнаружения в «сырых» данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Термин «Data Mining», который в 1989 году ввел Григорий Пятецкий-Шапиро, не имеет однозначного перевода на русский язык, поэтому в большинстве случаев используется в английском варианте. Наиболее удачным непрямым переводом считается термин «интеллектуальный анализ данных». Как правило, эта область анализа подразделяется на задачи классификации, моделирования и прогнозирования[18].

Data Mining включает модели и методы статистического анализа и машинного обучения, но дистанцируется от них в сторону автоматического анализа данных. Таким образом, инструменты Data Mining позволяют проводить анализ данных предметными специалистами, не владеющими необходимыми математическими знаниями.

Коммерческие организации могут получать от использования этих технологий конкурентные преимущества за счет оперативного выявления тенденций востребованности продуктов на рынке, своевременного обнаружения центров перерасхода средств в структуре затрат предприятия и решения других задач в области анализа больших объемов данных. Важнейшей на сегодняшней день областью применения Data Mining является анализ информации о клиентах (CustomerIntelligence, CI)[24]. Основными потребителями CI являются три сегмента: финансовый (банки и страховые компании), телекоммуникационный, а также торговый сектор. В России эти сегменты исчерпывают список организаций, обращающихся к анализу данных о клиентах.

Как правило, наибольший эффект для компаний дает предсказательное моделирование. Применение Data Mining весьма эффективно при выявлении наиболее перспективных заказчиков, обнаружении случаев мошенничества, определении последовательности действий, предшествовавших отказу оборудования[24]. Обычно «узким местом» данной технологии является ручной труд, требующий наличия квалифицированного специалиста и достаточного количества времени. В связи с этим немногие проекты оправдывают усилия, на них затраченные. Однако применение специализированных систем позволяет получить результаты за несколько часов.

В связи с совершенствованием технологий записи и хранения данных на людей обрушились колоссальные потоки информации в самых различных областях. Трудно переоценить значение данных, которые мы непрерывно собираем в процессе нашей деятельности, в управлении бизнесом или производством, в банковском деле, в решении научных, инженерных и медицинских задач[26].

Деятельность любого предприятия (коммерческого, производственного, медицинского, научного и т.д.) теперь сопровождается регистрацией и записью всех подробностей его деятельности. Мощные компьютерные системы, хранящие и управляющие огромными базами данных, стали неотъемлемым атрибутом жизнедеятельности, как крупных корпораций, так и даже небольших компаний.

Без продуктивной переработки потоки сырых данных образуют никому не нужную свалку. Наличие данных само по себе еще недостаточно для улучшения показателей работы. Нужно уметь трансформировать «сырые» данные в полезную для принятия важных бизнес решений информацию. В этом и состоит основное предназначение технологий DataMining[26].

Необходимость автоматизированного интеллектуального анализа данных стала очевидной в первую очередь из-за огромных массивов исторической и вновь собираемой информации. Трудно даже приблизительно оценить объем ежедневных данных, накапливаемых различными компаниями, государственными, научными и медицинскими организациями. По мнению исследовательского центра компании GTE только научные институты собирают ежедневно около терабайта новых данных! А ведь академический мир далеко не самый главный поставщик информации. Человеческий ум, даже такой тренированный, как ум профессионального аналитика, просто не в состоянии своевременно анализировать столь огромные информационные потоки.

Другой причиной роста популярности DataMining является объективность получаемых результатов. Человеку-аналитику, в отличие от машины, всегда присущ субъективизм, он в той или иной степени является заложником уже сложившихся представлений. Иногда это полезно, но чаще приносит большой вред.

И, наконец, Data Mining дешевле. Оказывается, что выгоднее инвестировать деньги в решения Data Mining, чем постоянно содержать целую армию высоко подготовленных и дорогих профессиональных статистиков[26]. DataMining вовсе не исключает полностью человеческую роль, но значительно упрощает процесс поиска знаний, делая его доступным для более широкого круга аналитиков, не являющихся специалистами в статистике, математике или программировании.

С каждым годом вопрос применения технологии Data Mining в банковской сфере становится все более актуальным. Этот тезис подтверждается рядом факторов, имеющих место в России: накоплением банками больших объемов информации, ужесточением конкурентной борьбы, увеличением количества случаев мошенничества и невозврата кредитов.

Успешное развитие и процветание банка напрямую зависит от его способности адекватно и оперативно реагировать на изменения внешней среды, а также уметь прогнозировать результаты тех или иных воздействий.

Рассмотрим основные задачи, которые успешно решаются с использованием инструментов Data Mining[20].

  • Анализ кредитного риска

  • Привлечение и удержание клиентов

  • Прогнозирование изменений клиентуры

  • Обнаружение совокупностей приобретаемых клиентами банковских продуктов и услуг

  • Прогнозирование остатка на счетах клиентов

  • Управление портфелем ценных бумаг

  • Выявление случаев мошенничества с кредитными карточками

  • Оценка прибыльности инвестиционных проектов

  • Оценка интенсивности конкуренции и ближайших конкурентов

  • Профилирование наилучших достижений

  • Повышение качества архивной финансовой информации

  • Верификация данных по курсам валют

Анализ кредитного риска.

Анализ кредитного риска заключается, прежде всего, в оценке кредитоспособности заемщика. Эта задача решается на основе анализа накопленной информации, то есть кредитной истории «прошлых» клиентов. С помощью инструментов Data Mining (деревья решений, кластерный анализ, нейронные сети и др.) банк может получить «профили» добросовестных и неблагонадежных заемщиков. Кроме того, возможно классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит кредита, проценты по нему и срок возврата.

Привлечение новых клиентов.

Осуществив средствами Data Mining сегментацию клиентов, банк может найти «профиль» наиболее выгодных из них и далее акцентировать свою маркетинговую политику на привлечение клиентов, соответствующих найденному «профилю». Помимо этого, можно установить, какие группы клиентов предпочитают те или иные банковские услуги, и проводить рекламные и маркетинговые мероприятия более целенаправленно и эффективно.

Прогнозирование изменений клиентской базы.

Прогнозирование изменений клиентской базы направлено не только на удержание наиболее прибыльных клиентов, но также и на планирование акций по удержанию потенциально прибыльных клиентов. На основе «профиля» наиболее выгодных клиентов инструменты Data Mining создают модель ценности клиентов, в которой отражаются общие черты важных клиентов, которыми они обладали несколько лет назад. Затем выявляются клиенты банка, имеющие эти черты сегодня, и уже на них банк ориентирует специальные программы удержания клиентов.

Обнаружение совокупностей приобретаемых клиентами услуг.

Технология Data Mining позволяет строить различные модели классификации на основе исторических данных. Так, анализируя все факты приобретения банковских услуг и продуктов, можно определить их устойчивые совокупности с целью увеличения прибыли за счет организации кросс-продаж.

Прогнозирование остатка на счетах клиентов.

Исходной информацией для прогнозирования остатка на счете клиента являются данные об ежедневных остатках на этом счете за определенный промежуток времени, а также информация о динамике изменения остатков на других счетах за тот же период. Применяя поэтапную статистическую обработку временного ряда с использованием различных алгоритмов Data Mining, возможно получить прогноз остатка на счетах на определенный период в будущем. Результаты прогнозирования могут использоваться для оценки ликвидности банка и управления его активами.

Управление портфелем ценных бумаг.

На основе ряда показателей, характеризующих ценные бумаги (цена, объем, финансовые показатели деятельности компании-эмиссионера, хроника новостей), с помощью технологии Data Mining возможно спрогнозировать их тренд (будущее движение цены – рост, падение, флэт) и его силу (сильный, умеренный, слабый). Прогноз направления тренда и его силы позволяет банку сформировать портфель из нескольких финансовых инструментов, исходя из своих предпочтений по уровню риска, ожидаемой доходности и т.д.

Выявление случаев мошенничества с кредитными карточками.

Мошенничество с кредитными карточками представляет собой серьезную проблему, так как убытки от него измеряются миллионами долларов ежегодно, а ежегодный рост количества мошеннических операций составляет, по оценкам экспертов, от 15 до 25 процентов. В борьбе с мошенничеством технология Data Mining использует стереотипы подозрительных операций, созданные в результате анализа огромного количества транзакций – как законных, так и неправомерных. Исследуется не только отдельно взятая операция, но и совокупность последовательных во времени транзакций. Кроме того, имеющиеся в составе Data Mining -продуктов алгоритмы и модели (например, нейронные сети) способны тестироваться и самообучаться. При попытке совершения подозрительной операции средства интеллектуального анализа данных оперативно выдают предупреждение об этом, что позволяет банку предотвратить незаконные действия, а не устранять их последствия. Использование технологии Data Mining позволяет сократить число нарушений на 20-30 процентов.

Оценка прибыльности инвестиционных проектов.

Data Mining позволяет оценить инвестиционные проекты и идеи по развитию бизнеса, риски различных бизнес-планов и их прибыльность. При ведении инвестиционной деятельности банк прибегает к услугам экспертов по инвестициям, однако далеко не всегда оценки экспертов являются объективными. Кроме того, возможности человека ограничены, и даже самый профессиональный аналитик не в состоянии обработать очень большой объем информации. В этом случае на помощь приходят инструменты Data Mining, предлагая аналитику свое видение проблемы. Тем самым создается разумный баланс между человеческим и искусственным интеллектом, за счет чего повышается эффективность принимаемого решения.

Оценка интенсивности конкуренции и ближайших конкурентов.

Анализ внешней среды как элемент стратегического анализа является наиболее важным в деятельности любого банка. Использование инструментов Data Mining для оценки уровня конкуренции и ближайших конкурентов заключается в обнаружении групп банков со схожими характеристиками, выявлении стратегических позиций банков-конкурентов, представлении общей структуры банковской среды в разрезе образовавшихся групп конкуренции.

Профилирование наилучших достижений.

Профилирование наилучших достижений средствами Data Mining заключается в выявлении основных характеристик наиболее успешных регионов, филиалов и т.п.

Анализируя полученные данные, можно вывести «правила успеха» и затем распространить их на остальные структурные единицы банка. Кроме того, модель профилирования наилучших достижений можно рассматривать относительно наиболее успешных клиентов, чтобы определить составляющие их успеха и использовать эту информацию при дальнейшем планировании деятельности банка.

Повышение качества архивной финансовой информации.

Средства Data Mining в процессе анализа данных способны выявить скрытые закономерности в архивных финансовых документах. Эти закономерности в виде правил можно в дальнейшем использовать при построении различных моделей прогнозирования, а также в системах поддержки принятия решений.

Верификация данных по курсам валют.

Оперативно поступающая в банк информация (например, о курсах валют) не исключает возможности ошибки, что может сильно осложнить работу банка в течение определенного времени. Инструменты Data Mining позволяют строить прогнозы о значении того или иного показателя. Слишком сильные отклонения поступающих данных от прогнозной величины рассматриваются как возможные ошибки. Таким образом, практически полностью исключается возможность возникновения проблем из-за случайных ошибок операционистов или сбоев техники.

Как видно, спектр применения технологий DataMiningв банковской сфере оказывается весьма широк. Остановимся на наиболее актуальном на данный момент в России направлении - анализе кредитных рисков.

1.3 Понятие и виды скоринга
Одним из методов оценки потенциального заемщика (физического либо юридического лица) перед принятием решения о предоставлении ему кредита наряду с проверкой благонадежности и оценкой финансового положения является скоринговая оценка.

Термин «скоринг» происходит от английского слова score, имеющего такие значения, как оценка, счёт очков в игре, сумма долга, основание, причина. Это понятие трактуется в широком и узком смысле. Под скорингом в широком смысле понимают методы получения оценки заемщика, чаще всего количественной[10].

В узком смысле скорингом называют метод разграничения различных групп потенциальных клиентов в условиях, когда доступна информация не о параметрах, разделяющих эти группы, а только о некоторых характеризующих их переменных. К таким переменным (признакам) могут относиться анкетные данные, информация из кредитной истории и другие имеющиеся в банке сведения о ранее кредитовавшихся заемщиках, а также результат кредитования, например, погашение кредита, дефолт, наличие просрочки с длительностью более заданной. Каждый показатель имеет большее или меньшее значение по сравнению с другими.

В итоге формируется итоговая оценка кредитоспособности. В зависимости от результата кредиты разделяются на «хорошие» и «плохие» с учетом задачи, решаемой методом скоринга. Иными словами, система скоринга помогает ответить на основной вопрос: стоит ли выдавать кредит конкретному лицу? А также определить уровень лимита по сумме кредита и оценить риск конкретной сделки.

По сути, скоринг является методом классификации совокупности заемщиков на различные группы, когда необходимая характеристика не известна, однако, известны другие характеристики, которые каким-либо образом коррелируют с интересующей[16].

Данные для скоринговых систем получаются из вероятностей возвратов кредитов отдельными группами заемщиков, полученными из анализа кредитной истории тысяч людей. Обычно, в скоринговых моделях имеется около 20 признаков, на основе которых оценивается кредитоспособность человека. В перечень данных критериев входят возраст, образование человека, наличие частной собственности и многие другие.

Скоринговые методы базируются на предположении, что существует корреляция между некими социальными данными (наличие детей, отношение к браку, наличие высшего образования) и добросовестностью заемщика, а так же, что поведение новых заемщиков будет аналогично поведению ранее кредитовавшихся клиентов, имеющих аналогичные признаки.

Скоринговые методы наиболее актуальны при массовом кредитовании. Применение технологий кредитного скоринга в банке позволяет сделать работу с заемщиком значительно более эффективной. Кредитный скоринг является упрощенной системой анализа заемщика, что позволяет снизить требования к квалификации кредитного инспектора, занятого рассмотрением заявок на кредит, и увеличить скорость их рассмотрения[17].

Следует также отметь, что изначально разработанные применительно к заемщикам - физическим лицам, скоринговые системы все более широко используются и в сфере кредитования юридических лиц, в первую очередь малых и средних предприятий. Последнее весьма актуально для российских условий, где официальная отчетность предприятий малого бизнеса не всегда в полной мере отражает их действительное состояние, и тем более в кризисной и посткризисной ситуации, когда эффективность бизнеса снизилась и происходит ее постепенное восстановление.

На практике, в зависимости от задач анализа заемщика, различают четыре вида скоринга[19].

Кредитный (либо анкетный) скоринг (англоязычный эквивалент - applicationscoring) — получение показателя кредитоспособности потенциального заемщика на основе некоторых его характеристик, прежде всего содержащихся в анкете заемщика[10]. Внедрение данного вида скоринга позволяет банку

  • повысить точность оценки заемщика,

  • ускорить саму процедуру оценки,

  • минимизировать человеческий фактор в принятии решения,

  • создать централизованное накопление данных о заемщиках,

  • снизить формируемые резервы на возможные потери по кредитным обязательствам.

Поведенческий скоринг (behaviourscoring) — динамическая оценка ожидаемого поведения клиента по погашению кредита, основанная на данных об истории трансакций по его счетам и используемая, в частности, для предупреждения возникновения задолженности. Методы поведенческого скоринга позволяют быстро и качественно оценить динамику изменений кредитного счета индивидуального заемщика и кредитного портфеля в целом. Используемые для этой задачи вероятностные скоринговые модели позволяют спрогнозировать изменение платежеспособности заемщика, определить оптимальные лимиты по кредитной карте и т.д. Например, на основании поведения заемщика за предыдущие пять месяцев  можно спрогнозировать его поведение в последующие два месяца. В России этот тип скоринга практически не применяется, причем не столько в силу отсутствия необходимости, сколько из-за отсутствия скоринговых систем, способных на это[10].

Коллекторский скоринг (скоринг взыскания, collectionscoring) — определение приоритетных направлений работы в отношении заемщиков с кредитным счетом, состояние которого классифицировано как «неудовлетворительное». Данный тип скоринга позволяет вести планомерную работу с просроченной задолженностью до момента ее передачи в коллекторское агентство. Опыт показывает, что значительную часть задолженности в ходе этой работы удается ликвидировать. Например, согласно результатам ряда исследований около 40% всех неплатежей приходиться на забывчивых заемщиков, которые без всякого умысла забывают внести платеж по кредиту и «исправляются» после первых напоминаний[17].

Скоринг мошенничества (fraudscoring) — скоринг, направленный на выявление возможных мошенников среди лиц, претендующих на получение кредита или уже существующих клиентов-заемщиков. Этот тип скоринга, как правило, используется в связке с application- и behavioral- скорингом для более детального анализа заемщиков. Скоринг мошенничества в отечественной практике часто именуется проверкой благонадежности потенциального заемщика, и, как показывает практика, его актуальность для российского рынка достаточно велика.  По данным ряда отечественных банков откровенное мошенничество составляет до 10% от всех неплатежей[17].

В данной работе основное внимание будет уделено изучению кредитного скоринга, ввиду его актуальности в современных условиях.
1   2   3   4   5   6

Похожие:

Введение теоретические основы оценки банковских кредитных рисков icon Введение 2 1 теоретические основы оценки банковских кредитных рисков 4
Анализ иструментов data mining для построения скоринговых моделей оценки кредитоспособности заемщика 26
Введение теоретические основы оценки банковских кредитных рисков icon 1 Теоретические основы оценки эффективности деятельности предприятия 7
Финансовая оценка эффективности деятельности предприятия и ее значение в рыночной экономике 7
Введение теоретические основы оценки банковских кредитных рисков icon Программа по дисциплине дс. Ф 14
Предмет, задачи, методы, теоретические основы общей и специальной дошкольной педагогики. Нормативно-правовые основы воспитания дошкольников...
Введение теоретические основы оценки банковских кредитных рисков icon Финансовая математика является основой для банковских операций и...
Формулы финансовой математики применяются в пособии для расчетов кредитных, депозитных, ипотечных операций, учетов векселей, для...
Введение теоретические основы оценки банковских кредитных рисков icon Литература
I. Историко- теоретические и практические основы использования народной педагогики в системе образования
Введение теоретические основы оценки банковских кредитных рисков icon Теоретические основы развития связной русской речи учащихся в процессе работы
Выводы по 3 разделу
Введение теоретические основы оценки банковских кредитных рисков icon Определения и сокращения 2 введение 3 1 аналитический обзор литературы 5
Математические модели, положенные в основу разрабатываемого проекта, и теоретические исследования 17
Введение теоретические основы оценки банковских кредитных рисков icon Реферат «Самообразование педагога как средство повышения его профессиональной компетентности»
Теоретические основы самообразования педагогов в рамках компетентностного подхода 4
Введение теоретические основы оценки банковских кредитных рисков icon Биомедицинская этика
Теоретические основы и этапы развития медицинской этики, деонтологии и биомедицинской этики
Введение теоретические основы оценки банковских кредитных рисков icon Теоретические основы проблемы исследования
Современное состояние проблемы правонарушений среди подростков в России
Литература


При копировании материала укажите ссылку © 2015
контакты
literature-edu.ru
Поиск на сайте

Главная страница  Литература  Доклады  Рефераты  Курсовая работа  Лекции