Введение теоретические основы оценки банковских кредитных рисков




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

3.3.Построение скоринговых моделей на реальных данных
В данном разделе будут проведены численные эксперименты на полном объеме данных. Для этого будет выполнена таже последовательность шагов, что была описана в предыдущем разделе, но на других базах:

  1. Основная база – содержит 150.000 строк, процент невозвратов
    (6,6 %) близок к среднему уровню по России (прил. С).

  2. Смоделированная база – содержит 83.000 строк, процент невозвратов
    (12 %) близок к среднему уровню невозвратов по небольшим банкам, в частности специализирующих на кредитовании физлиц

Таблица 3.2–Результаты работы методов DataMiningна базе данных с процентом невозвратов 6.6%




Точность,

%

Предотвращено
невозратов

Упущено хороших клиентов

Число невозвратов

Время работы




%




%







Random Forest

93.36

554

18.54

552

1.31

2434

51 сек

Naïve

92.65

1282

42.90

1600

3.81

1706

6 сек

TAN

93.40

898

30.05

881

2.10

2090

6 сек

HillClimber

93.60

683

22.86

577

1.36

2305

6 сек

KNN

93.12

227

7.60

335

0.80

2761

4мин
31 сек

Таблица 3.3–Результаты работы методов DataMiningна базе данных с процентом невозвратов 12%




Точность,%

Предотвращено
невозратов

Упущено хороших клиентов

Число невозвратов

Время работы




%




%







Random Forest

89.73

824

31.69

871

3.91

1776

24 сек

Naïve

89.40

1271

48.88

1310

5.87

1329

3 сек

TAN

90.20

1074

41.31

913

4.09

1526

3 сек

HillClimber

90.38

1004

38.62

799

3.58

1596

3 сек

KNN

89.53

361

13.88

369

1.65

2239

1мин
24 сек


Теперь перед нами стоит задача выбора метода, основываясь на их предсказательной способности. Возникает вопрос, какой же из показателей выбрать в качестве критерия эффективности метода? Здесь необходимо отметить. Что наиболее очевидный ответ – точность – не является правильным. В качестве примера можно взять метод дерева решений (табл.3.1), который формально выдавал точность 92.62%, хотя в реальности предлагал выдавать кредиты всем желающим. А столь высокая цифра обуславливалась низким процентом невозвратов.

Так же не советуется в качестве критерия эффективности выбирать по отдельности число предотвращенных невозвратов или упущенных клиентов. Идея состоит в том, чтобы попытаться найти оптимальный метод, который будет наилучшем образом решать одновременно обе задачи: минимизировать число упущенных клиентов и при этом отсекать максимально большое число неблагонадежных заемщиков.

В общем виде задача формулируется так: , где - % предотвращенных невозвратов, - % упущенных хороших клиентов. Коэффициент , определяющий пропорциональное соотношение и , вычисляется для каждого банка и вида кредита отдельно в зависимости от процентной ставки по конкретному кредиту и проценту невозвратов.

Покажем вывод формулы. Пусть ставка по кредиту – %, а процент невозвратов - %, тогда применяя некоторую модель банк теряет: на невозвратах и на упущенных клиентах. Эти величины нам надо минимизировать:







Итого, .

Применим эту формулу к нашим данным. Например, будем считать, что процентная ставка по кредиту равна 16%.

  1. База с 6.6% невозвратов:

Forest:

Naïve:

TAN:

HillClimber:

KNN:

  1. База с 12% невозвратов:

Forest:

Naïve:

TAN:

HillClimber:

KNN:

Таким образом, наилучшей предсказательной моделью для оценки кредитоспособности потенциального заемщика для данного финансового учреждения является наивная байесовская сеть. В случае основной базы, процент невозвратов в которой составляет 6.6%, применение такой методики позволит более чем на треть снизить число проблемных кредитов. Для второй базы, специально подогнанной под уровень невозвратов в 12%, близкий к среднероссийскому уровню проблемных кредитов по мелким региональным банкам, специализирующимся на потребительском кредитовании, эффективность модели еще выше. Она позволяет почти вдвое сократить количество «плохих» кредитов.

ЗАКЛЮЧЕНИЕ
Кредитный риск,риск неуплаты заемщиком основного долга и процентов по нему, считается основным риском банка, который во многом определяет уровень эффективности работы данной организации.

При этом если такой факт как невозврат единичных кредитов не принесет ощутимого урона банку, поскольку сможет быть компенсирован резервами, отчисляемыми под ожидаемые потери по кредитным операциям, то высокий уровень невозвратов может привести к серьезным последствиям, вплоть до банкротства банка.

При проведении исследования было выявлено, что управление кредитным риском требует от банков постоянного контроля за структурой портфеля ссуд и их качественным составом. Более того, в рамках дилеммы «доходность – риск» банки вынуждены ограничивать норму прибыли, страхуя себя от излишнего риска и поэтому разнообразные методики снижения риска, позволяющие сохранять высокие объемы кредитования являются чрезвычайно актуальными как в нашей стране, так и в мировом масштабе.

Дальнейшее изучение проблемы показало, что методы и инструменты управления кредитными рисками прошли длительный процесс эволюции и современный этап развития кредитного риск-менеджмента ознаменован все более широким внедрением внутренних банковских моделей количественной оценки рисков портфельных ссуд, в том числе построенных на передовых методах интеллектуального анализа данных, которые позволяют выявлять скрытые, неочевидные взаимосвязи между данными и переносят бремя формулировки гипотез с человека на искусственный интеллект.

В ходе анализа были определены основные преимущества систем оценки кредитоспособности заемщиков, основанных на технологиях DataMining:

  • повышенная точность оценки заемщика,

  • высокая скорость процедуры оценки,

  • минимизирован человеческий фактор в принятии решения,

  • высокая адаптивность и возможность переобучения моделей,

  • снижение формируемых резервов на ожидаемые потери по кредитным обязательствам.

Во второй главе ключевое внимание было уделено непосредственно техникам построения предсказательных моделей. Во-первых, были изучены вопросы обработки данных. Как было выявлено, данные для предсказательных систем, построенных на основе DataMining,являются краеугольным камнем: от их качества и количества напрямую зависит эффективность получаемых систем. Отдельное внимание было уделено наиболее сложным проблемам данной области, таким, как «RejectInference» - проблеме отсутствия информации по отклоненным заявкам, следствием которой могут быть искажения в интерпретации моделями существующих связей, и проблеме разграничения мошенничеств и дефолтов.

Далее, были подробно рассмотрены разнообразные предсказательные модели и алгоритмы их построения. Отдельно следует подчеркнуть, что помимо классических алгоритмов в этой области, таких как логистическая регрессия, нейронные сети, деревья решений и метод ближайших соседей, в работе рассматривались современные подходы. Например, метод случайного леса, который был предложен лишь в 2001 году, и не многие даже специализированные программные продукты для DataMining имеют в своем составе реализации алгоритмов поддержки принятия решений, построенных на его основе. Еще одним заслуживающим внимания моментом было использование различных байесовских классификаторов для предсказания кредитоспособности заемщика.

Последняя глава посвящена практическому применению всех описанных средств DataMining для обработки информации по невозвратам и составлению моделей оценки потенциальных заемщиков. Для этой цели была взята база данных в 150. 000 записей реального финансового учреждения, содержащая информацию по кредитным платежам прошлых клиентов. Отметим, что процент невозвратов в данной базе приблизительно соответствует уровню «плохих» кредитов по России, это позволяет сделать вывод о схожести полученных на ней результатов с теми, что будут получены в российских банках. Кроме этого, была искусственно смоделирована вторая база с более высоким уровнем невозвратов, близким к уровню неплатежей в региональных банках с низким уровнем проверки благонадежности клиентов. Данные из обеих баз были обработаны в соответствии с техниками описанными во второй главе, и далее для них были построены предсказательные модели.

В работе была проведены сравнительная оценка эффективности различных методов на имеющихся данных, а также предложена техника выбора оптимальной модели на основе двух показателей: количестве предотвращенных невозвратов и количестве упущенных благонадежных клиентов.

Таким образом, было показано, что с помощью передовых технологий интеллектуального анализа данных возможно достаточно точно оценить кредитоспособность потенциальных заемщиков, чем в значительной мере позволит снизить кредитные риски банка.


СПИСОК ЛИТЕРАТУРЫ


  1. О банках и банковской деятельности. Федеральный закон от 02 декабря 1990 годя № 395-1

  2. О кредитных историях. Федеральный закон от 30.12.2004 г. № 218-ФЗ

  3. О Центральном банке РФ (Банке России) от 10 июля 2002 № 86-ФЗ

  4. Международная конвергенция измерения капитала и стандартов капитала (Базель II) от 11 мая 2004. Базельский комитет по банковскому надзору.

  5. Кредитные риски и скоринг: сетевой журн. // URL: http://www.bankpress.ru/27550-0/

  6. Костюченко Н.С. Анализ кредитных рисков. - СПб: Изд. Скифия, 2010. – 440с.

  7. Управление рисками, риск-менеджмент на предприятии: сетевой журн.

// URL: http://www.risk24.ru/creditriski.htm

  1. Чубукова И. А.Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006.– 328 с.

  2. ПроектCreditRiskкомпанииEGAR Technology. // URL:http://www.creditrisk.ru/

  3. ГараганC. Метод эмпирической скоринговой функции и его использование в кредитном процессе. //Банковское кредитование, 2011– №11. – с. 7-8.

  4. Ефимова Ю.В. Внутренний рейтинг в системе управления кредитным риском // Банковское кредитование, 2010–№2. –с. 85-96.

  5. Строев А. Внедрение системы кредитногоскоринга в банке // Расчеты и операционная работа в коммерческом банке, 2004 – №6. –с.28-33.

  6. Шелкова Н.В Кредитные риски и пути их снижения. // Россия на пути выхода из экономического кризиса: сборник научных статей. СПб.: Институт бизнеса и права, 2010.–с.154-157.

  7. Елманова Н. Введение в DataMining//КомпьютерПресс, 2003– №8.

  8. Управление финансовыми рисками:сетевой журн. // URL: http://www.finrisk.ru

  9. Кредитно-скоринговые системы. BaseGroupLabs.// URL: http://www.basegroup.ru/solutions/case/scoring_systems

  10. Пищулин А. Кредитный скоринг. Не всё так страшно. // Факторинг Про: сетевой журн,2008. // URL: http://www.factoringpro.ru/index.php/credit-scoring-statya/408-skoring-statya-kredit

  11. Викия: Интеллектуальный анализ данных.// URL: http://ru.math.wikia.com/wiki/Интеллектуальный_анализ_данных

  12. Cкоринг в современном банке: задачи и их решения. // URL: http://www.scorto.ru/credit_scoring.htm

  13. Data Mining в банках: перспектива или реальность?//Сайт Информационных Технологий. // URL: http://www.inftech.webservis.ru/it/database/datamining/ar5.html

  14. Территориальный орган Федеральной службы государственной статистики по Ростовской области. // URL: http://www.rdstat.aaanet.ru.

  15. Федеральная служба государственной статистики. // URL: http://www.gks.ru.

  16. Data Mining Software Databases. // URL:http://www.dmoz.org/Computers/Software/Databases/Data_Mining

  17. Смирнов Н. DataMining // Директор информационной службы, 2009–  6. URL: http://www.osp.ru/cio/2009/06/8714243/

  18. Задачи анализа данных в бизнес-аналитике (семинар К. В. Воронцова). // URL: http://www.machinelearning.ru/wiki/index.php?title=Задачи_анализа
    _данных_в_бизнес-аналитике_(семинар_К._В._Воронцова)


  19. Сергеева И. Учебно-методический комплекс по дисциплине «Информационные технологии» // URL: http://www.sergeeva-i.narod.ru

  20. СайтRapidMiner.// URL:http://rapid-i.com/content/view/181/190/

  21. Credit rating companies and their impact on the economy,2011. // URL:http://www.forexpromos.com/what-are-credit-rating-companies-and-their-impact-on-the-economy

  22. Румянцев А. Скоринговые системы: наука помогает бизнесу // Финансовый Директор, 2006– 7. URL: http://gaap.ru/articles/51025/

  23. Модели кредитного и поведенческогоскоринга// URL: http://masters.donntu.edu.ua/2006/kita/shepeleva/library/metod%20scoring.pdf

  24. Стрижов В. Банковский кредитный скоринг: методы автоматического порождения и выбора моделей. // Материалы семинара «Задачи анализа данных в бизнес-аналитике»,17 октября 2010, Вычислительный центр РАН

  25. LofflerG., PoschP.,Schone C. Bayesian Methods for Improving Credit Scoring Models // Dept. of Finance, University of Ulm, 2005

  26. Павлов К., Стрижов В. Выбор многоуровневых моделей в задачах банковского кредитного скоринга. // Материалы конференции «Математические методы распознавания образов», 11-17 сентября 2011, г. Петрозаводск

  27. Ильяшина Е. Внедрение кредитного скоринга: методологические и практические аспекты.// Информационные технологии в экономике, управлении и образовании: Сборник научных трудов / Под ред. проф. В.В.Трофимова. - СПб.: Изд-во СПбГУЭФ, 2010.–с.258-266.

  28. Энциклопедия финансового риск-менеджмента / Под ред. А.А. Лобанова и А.В. Чугунова. – 3-е изд. М.: Альпина Бизнес Букс, 2007. – 878 с.
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