Диплом ВТБ24 кредитоспособность физических лиц. Продолжающийся бурный рост рынка кредитования физических лиц неизбежно влечет за собой принятие дополнительных кредитных рисков как на отдельное кредитное учреждение, так и на банковскую систему в целом
 Скачать 0.95 Mb.
|
|
3. основные направления совершенствования ОЦЕНКи кредитоспособности заемщиков - физических лиц в ПАО «ВТБ24» 3.1. Совершенствование методики оценки кредитоспособности физических лиц Основными направлениями повышения эффективности ПАО «ВТБ24» должны стать следующие мероприятия: 1) увеличение собственного капитала, 2) увеличение активов, 3) увеличение долгосрочных обязательств в структуре пассивов. По результатам проведенного анализа можно сделать вывод, что в управлении активами ПАО «ВТБ24» следует обратить внимание на следующие моменты: 1 .Управление наличностью должно быть более эффективным, то есть необходимо планировать притоки и оттоки наличности и разработать графики платежей. 2. Сроки, на которые банк размещает средства, должны соответствовать срокам привлеченных ресурсов. Не допустимо превышение денежных средств на счетах актива над денежными средствами на счетах пассива. 3. Акцентировать внимание на повышении рентабельности работы в целом и на доходности отдельных операций в частности. 4. Применять методы анализа группы расчетных счетов клиентов и интенсивности платежного оборота по корреспондентскому счету банка. Результаты такого анализа служат основой для аргументированной перегруппировки активов баланса банка. 5. Изменить структуру активов, т.е. увеличить долю ликвидных активов за счет достаточного погашения кредитов, расчистки баланса путем выделения на самостоятельный баланс отдельных видов деятельности, увеличение собственных средств, получение займов у других банков и т.п. Планирование активов, являясь составной частью общего процесса, направлено на обеспечение формирования их оптимальной структуры на различных стадиях деятельности банка. Содержание этапов перспективного планирования банковских активов, а также последовательность оценки эффективности разработанной стратегии банка представлена на рис. 6.  Рис. 6. Основные этапы формирования банковских активов ПАО «ВТБ24» В связи с расширяющимися правами органов банковского надзора по контролю за качеством активов кредитной организации и возросшей необходимостью применения действенных методов управления ими в ходе исследования выделены два подхода к этому процессу. С одной стороны, банки могут управлять размером и структурой активов, с другой - влиять на их оптимальную величину, изменяя уровень риска активных операций, рыночного и операционного рисков. На рис. 7 представлены элементы системы управления банковскими активами, позволяющие оперативно реагировать на изменения внутренних и внешних условий, влияющих на поддержание оптимальной структуры портфеля активов банка в целях обеспечения его финансовой устойчивости и конкурентоспособности.  Рис. 7. Элементы системы управления активами банка Увеличение активов ПАО «ВТБ24» можно достичь за счет увеличения объемов кредитования физических лиц города Йошкар-Ола и Республики Марий Эл. Основные мероприятия по увеличению активов ПАО «ВТБ24» состоят в следующем: увеличение объемов работающих активов путем наращивания объемов кредитных операций банка с юридическими и физическими лицами; увеличение объемов обслуживания физических лиц за счет розничного кредитования физических лиц (активное развитие программ потребительского, ипотечного, автокредитования, развитие программы привлечения вкладов). С целью автоматизации процессов кредитования банку Марийскому филиалу ПАО «ВТБ24» можно посоветовать внедрение ряда продуктов от компании Experian, таких как New Business Strategy Manager, Collect SM и Hunter. Продукты разработаны подразделением Experian по аналитической поддержке кредитных решений Decision Analytics. Скоринговые карты для всех розничных продуктов банка (кредитных карт, потребительских кредитов, автокредитов и ипотечных займов) на базе программного модуля New Business Strategy Manager (NBSM) от компании Experian позволяют банку вырабатывать стратегии работы с заемщиками на основании результатов работы скоринговой модели и информации, полученной из бюро кредитных историй. Скоринговая система позволяет перейти от экспертной модели оценки заемщиков и поручителей к вероятностно-статистической модели, разработанной на основании статистических данных. Внедрение данной системы позволяет упростить процедуру анализа платежеспособности клиента, сократить время принятия кредитного решения с 3 часов до 30 сек, снизить операционный риск в части предотвращения внутреннего мошенничества при работе с клиентской информацией, использовать математико-статистические методы в расчете лимита кредитования, что позволяет увеличить кредитный портфель и дополнительные доходы банка. Сущность кредитного скоринга состоит в том, что каждый параметр оценки кредитоспособности заемщика имеет реальную оценку. Итоговая сумма баллов - это оценка кредитоспособности заемщика. Каждый вопрос имеет максимально возможный балл, который выше для таких важных вопросов, как профессия, и ниже, как возраст. Оценка кредитоспособности по методу скоринга является обезличенной. В управлении кредитным портфелем ПАО «ВТБ24» необходимо: - контролировать размещение кредитных вложений по степени их риска, форм обеспечения возврата ссуд, уровню доходности. Кредитные вложения банка можно классифицировать с учетом ряда критериев (уровень кредитоспособности клиента, форма обеспечения возврата кредита, возможность страхования ссуд, оценка надежности кредита экономистом банка я др.) Доля каждой группы кредитов в общей сумме кредитных вложений коммерческого банка и ее изменение служат основой для прогнозирования уровня коэффициента ликвидности, показывают возможности продолжения прежней кредитной политики банка или необходимость ее изменения. Группировка ссуд по отдельным заемщикам, осуществляемая при помощи ЭВМ, позволяет ежедневно контролировать уровень коэффициентов ликвидности и анализировать возможности дальнейшей выдачи крупных кредитов самостоятельно банком или путем участия в банковских консорциумах; - анализировать размещения кредитов по срокам их погашения, осуществляемое путем группировки остатков задолженности по ссудным счетам с учетом срочных обязательств или оборачиваемости кредитов на шесть групп (до 1 мес.; от 1 до 3 мес.; от 3 до 6 мес.; от б до 12 мес.; от 1 до 3 лет: свыше 3 лет), которое служит основой для прогнозирования уровня текущей ликвидности баланса банка, раскрытия «узких» мест в его кредитной политике; - анализировать размещение кредитов по срокам на основе базы данных. В процессе осуществления кредитной деятельности банк должен регулярно проводить мониторинг кредитных операций и кредитного портфеля, усовершенствовать систему оценки кредитоспособности заемщиков. Сложные текущие экономические условия вызывают необходимость изменения кредитной политики ПАО «ВТБ24». Эти условия характеризуются следующими факторами: - недостаток ликвидности в экономике, как у банков, так и у предприятий; - кризис доверия в экономических отношениях; - низкая доступность кредитов и их повышенная стоимость из-за возросших рисков («кредитное сжатие»); - снижение платежеспособного спроса как со стороны физических, так и со стороны юридических лиц; - значительное падение цен как на товары, сырье и материалы, так и на активы (недвижимость, ценные бумаги, предприятия); - повышенные колебания курсов всех валют. Необходимо ввести дополнительные меры по эффективному управлению рисками: - изменение критериев устойчивости бизнеса клиентов применительно к деятельности в сложных условиях; - усиление обеспеченности кредитов: достаточными и своевременными денежными потоками от операционной деятельности заемщика; операционной доходностью бизнеса; залогами ликвидных активов; гарантиями/поручительствами государства или собственников бизнеса; - повышение уровня и качества контроля со стороны банка за ответственным поведением собственников и менеджмента путем введения дополнительных условий и ограничений на деятельность заемщика, в том числе: снижение лимита максимальной долговой нагрузки; введение дополнительных ограничений по смене контроля над бизнесом; расширение перечня событий, влекущих досрочное истребование задолженности банком; более четкое определение критериев кросс-дефолта по обязательствам клиента перед кредиторами. Для этого банк должен усилить внимание:
В отношении физических лиц банк должен следовать следующим приоритетам:
Задачи, стоящие перед Марийским филиалом ПАО «ВТБ24» по обеспечению качества кредитного портфеля, предусматривают оптимизацию подходов в организации работы по кредитованию с проведением следующих мероприятий:
Минимизация кредитных рисков может быть достигнута: 1. На этапе предварительного рассмотрения заявки:
2. На этапе сопровождения кредита:
3.2. Разработка проекта управления рисками кредитования заемщиков – физических лиц Для оценки и анализа кредитных рисков заемщиков физических лиц в ПАО «ВТБ 24» предлагается использовать логико-вероятностную (ЛВ) теорию риска с группами несовместных событий (ГНС), которая отвечает требованиям соглашения «Базель II» к методам количественной оценки кредитных рисков и резервирования. ЛВ-теория риска с ГНС превосходит существующие скоринговые методики по точности, устойчивости и прозрачности, снижает кредитные потери банка и повышает его конкурентоспособность. Кредитование является основным видом деятельности банков. Каждый банк индивидуален, так как обслуживает различных клиентов в разных районах и регионах, отраслях и сферах банковских услуг, и должен иметь ЛВ-модели кредитного риска физических и юридических лиц, построенные на собственной статистике. Индивидуальности банков способствует также конкуренция. В настоящее время на рынке имеются скоринговые методики и программные продукты для оценки кредитного риска на основе линейного и квадратичного дискриминантного анализа, нейронных сетей и data mining. ЛВ-теория кредитного риска с ГНС разительно отличается от распространенных скоринговых методик и имеет следующие особенности: использование логического сложения событий вместо арифметического сложения баллов или других показателей; - адекватная логическая формулировка сценария кредитного риска; - применение базы знаний по кредитам в виде системы логических уравнений вместо традиционной базы данных; - построение логической и вероятностных моделей кредитного риска; - определение вероятностей событий с учетом ГНС и формулы Байеса; - корректная формулировка целевой функции для идентификации модели риска по статистическим данным; - использование специальных логических Software. - абсолютная прозрачность в оценке и анализе риска кредита, множества кредитов банка и самой модели риска; - возможность управлять кредитным риском, изменяя асимметрию распознавания хороших и плохих кредитов, число параметров и градаций, описывающих кредит. Оценка и анализ кредитных рисков состоят из двух частей: 1) построение модели кредитного риска по статистике банка, вычисление атрибутов риска множества кредитов банка и анализ кредитной деятельности банка; 2) оценка риска кредита заемщика, вычисление атрибутов риска и анализ риска кредита. Логико-вероятностная модель кредитного риска имеет следующие достоинства: - в два раза большая точность в распознавании хороших и плохих кредитов; - в семь раз большая робастность (устойчивость классификации кредитов); Изложим основные положения ЛВ-теории риска неуспеха: Описание кредита. Кредит описывается параметрами, каждый из которых имеет градации. На практике число параметров может быть до 40, а число градаций в параметре - до 30. Например, кредиты физических лиц в одном из банков описывались следующими признаками (параметрами) и их градациями (табл. 21). Параметр успешности кредита - Y(2 градации). Параметры кредита: Z-l - срок кредита (4 градации); Z2 - сумма кредита (6); Таблица 21 - Параметры и градации кредитов физических лиц
Z3 - цель кредита (3); Z4 - кредитная история в банке (3); Z5 - владение пластиковыми картами банка (4); Z6 - жилищные условия (3); Z7 - наличие дорогостоящего имущества (3); Z8 - возраст заемщика (3); Z9 - должностной уровень (4); Z10 - стабильность занятости (время работы в указанной компании) (4); Zn - доход по месту работы (5); Z12 - количество неработающих в семье (3). Представление статистики банка по кредитам. Статистические данные по кредитам банка рассматриваются как база данных (БД). Однако в ЛВ-теории риска база данных должна быть преобразована в базу знаний (БЗ). Значения параметров, имеющих непрерывные значения (срок, сумма кредита, возраст и т.д.), разбиваются на интервалы, которым присваиваются номера или градации (параметры 1, 2, 8, 10, 11). То есть целые и дробные значения параметров и параметра эффективности кредита заменены дискретными значениями (градациями). Данные по кредитам ПАО «ВТБ 24» представляются в табличном виде (табл. 22). Таблица 22 - Представление статистики по кредитам в виде табличных БД и БЗ
В строках находятся кредиты i = 1, 2, ..., N. В столбцах таблицы находятся параметры кредита Z1, ..., Zj, ..., Zn. В свою очередь параметры имеют градации Zjr, r = 1, 2, ..., Nj, j = 1, 2,..., n, находящиеся в клетках таблицы. В последнем столбце находится параметр эффективности кредита Y, имеющий две градации: градация 1 («хороший», кредит возвращен) или градация 0 («плохой», кредит не возвращен). Таким образом, в таблице выделяются конечные и счетные множества кредитов, параметров для описания кредита и градаций для каждого параметра. Параметры и градации рассматриваются как случайные величины или события-параметры и события-градации, приводящие с определенной вероятностью к неуспеху кредита. События-градации для каждого параметра образуют ГНС, для которой используются неклассические правила теории вероятностей и формула Байеса. События-параметры и события-градации обозначим логическими переменными и будем применять к ним правила логического исчисления. В итоге мы получаем систему логических уравнений с левой и правой частями, или систему логических высказываний, или табличную базу знаний. С каждой логической переменной левой и правой части БЗ свяжем вероятности ее истинности и ложности. Наибольшее возможное число разных событий-кредитов равно произведению чисел градаций N1, N2, ..., Nj, ..., Nn в параметрах, описывающих кредит. Число кредитов в статистике банка должно быть не меньше 20 х n, где n - число параметров для описания кредитов. Сценарий риска неуспеха кредита является адекватным, ассоциативным и формулируется для всего множества возможных событий (разных кредитов). Неуспех кредита происходит, если возникают какое-либо одно, два или все инициирующие события-параметры. Заметим, что ни одна из известных скоринговых методик не использует такой сценарий риска. Структурная модель кредитного риска, представленная на рис. 8, описывает многокомпонентную систему из множества кредитов, отдельных кредитов, параметров кредита и градаций параметров. ┌────────────────────┐ ┌──────────────────────────────┤ Множество кредитов ├────────────────────┐ │ └─────────┬──────────┘ │ │ │ │ ▼ ▼ ▼ ┌─────┴────┐ ┌────┴─────┐ ┌────┴─────┐ │ Кредит 1 │ ... ┌──────────┤ Кредит i ├───┐ ... │ Кредит N │ └──────────┘ │ └─┬──────┬─┘ │ └──────────┘ │ │ │ │ ┌───────────────┘ │ │ └──────────────┐ │ │ │ │ ▼ ▼ ▼ ▼ ┌───────┴────┐ ┌──────────┴──┐ ├───────────┐ ┌────┴─────────────────┐ │ Параметр 1 │ ... │ Параметр j │...│Параметр n │ │Параметр успешности Y │ └────────────┘ └┬────┬──┬────┘ └───────────┘ └──┬──┬────────────┬───┘ ┌─────────────────────────┘ │ │ ┌─────────┘ │ │ ▼ ┌──────────┘ ▼ ▼ ▼ ▼ ┌─────────┴────┐ ┌──────────▼───┐ ┌─────┴─────┐ ┌────────┴─┐ ┌──────┴───┐ ┌────┴──────┐ │ Градация 1 │...│ Градация r │...│Градация Nj│ │Градация 1│...│Градация r│...│Градация Nj│ └──────────────┘ └──────────────┘ └───────────┘ └──────────┘ └──────────┘ └───────────┘ Рис. 8. Структурная модель (граф-модель) кредитного риска Она соответствует сценарию риска неуспеха кредита и описанию кредита с помощью градации параметров. Структурную модель риска называют еще граф-моделью риска. События-параметры и итоговое событие связаны логическими связями «Или». События-градации для каждого события-параметра составляют ГНС. Событиям-параметрам и событиям-градациям поставлены в соответствие логические переменные с теми же идентификаторами. Логическая переменная Zj равна 1 с вероятностью Рj, если параметр j привел к неуспеху, и равна 0 с вероятностью Qj = 1 - Pj в противном случае. Логическая переменная Zjr, соответствующая градации r параметра j, равна 1 с вероятностью Pjr и равна 0 с вероятностью Qjr = 1 - Pjr. Вектор Z(i) = (Z1 ..., Zj,..., Zn) описывает объект z из таблицы. При задании объекта z вместо логических переменных Z1, ..., Zj, ..., Zn подставляются переменные Zjr для градаций признаков именно этого объекта i. Используется логическое сложение событий. Логическая функция (Л-модель) риска неуспеха кредита: Y = Z1 v Z2 v ... v Zj v ... v Zn. (4) Л-модель риска неуспеха кредита после ее ортогонализации: Y = Z1 v Z2Z1 v Z3Z2Z1 v ... (5) В-модель (В-полином) риска неуспеха кредита: P = P1 + P2Q1 + P3Q1Q2 + ... (6) «Арифметика» В-модели риска такова, что для события Y величина риска находится в пределах [0,1] при любых значениях вероятностей инициирующих событий-параметров. Схема классификации кредитов приведена на рис. 9. │ «Хорошие» кредиты │ «Плохие» кредиты │ ──┼────────────┼──────────────────────────┼────────────────┼───────────────────┼─ │ │ │ │ │ 0 Pmin Pad Pmax 1 Рис. 9. Схема классификации кредитов Риск кредита вычисляется на вероятностной модели кредитного риска, если известны вероятности событий-градаций. Последние определяются при идентификации ЛВ-модели кредитного риска по статистическим данным банка. При решении задачи идентификации вычисляется также допустимый риск Pad по заданному коэффициенту асимметрии распознавания хороших и плохих кредитов. Задача идентификации В-модели риска сформулирована следующим образом. Заданы: таблица статистических данных о кредитах, имеющая N кредитов, из которых Ng хороших и Nb плохих кредитов, и В-модель риска (3). Требуется определить: вероятности Pjr, r = 1, 2, ..., Nj, j = 1, 2, ..., n событий-градаций и допустимый риск Pad, разделяющий кредиты на хорошие и плохие. Целевая функция: максимизация числа корректно классифицируемых кредитов: F = Nbb + Ngg, ─► MAXPir (7) где Ngg, Nbb - соответственно числа кредитов, классифицируемых как хорошие и плохие и статистикой, и В-моделью (совпадающие оценки). Из выражения (4) следует, что точность В-модели риска в классификации хороших Еg и плохих кредитов Еb и в целом Еm равна: Eg = (Ng - Ngg) / Ng, (8) Eb = (Nb - Nbb) / Nb; Em = (N - F) / N. Допустимый риск Pad определяется при заданном отношении некорректно классифицируемых хороших и плохих кредитов из-за неэквивалентности ущерба при их неправильной классификации: Egb = (Ng - Ngg) / (Nb - Nbb). (9) Задача идентификации является нелинейной задачей оптимизации и решается алгоритмическим итеративным методом с использованием моделирования Монте-Карло или градиентов. Прозрачность риска кредита и результатов оценки и анализа кредитной деятельности банка обеспечивается вычислением вкладов параметров и градаций в риск кредита, в средний риск всего множества кредитов банка и в точность (целевую функцию) модели кредитного риска. Вклады определяются вычислением разности между значениями характеристик после идентификации ЛВ-модели и значений этих характеристик при придании соответствующим вероятностям событий-градаций нулевых значений. Таким образом, на каждом уровне структурной модели риска вычисляются следующие характеристики (атрибуты) кредитного риска: 1) количественные оценки риска градации параметра кредита: - вероятность неуспеха для кредита; - относительная вероятность неуспеха среди градаций параметра; - вероятность-частота в множестве кредитов; - вклад в точность модели риска; 2) количественные оценки риска параметра кредита: - средняя вероятность неуспеха; - структурный вес и значимость в модели риска; - вклад в риск кредита; - вклад в средний риск множества кредитов; 3) количественные оценки риска кредита: - риск неуспеха; - возможные потери; - цена за риск; - вклад в риск множества кредитов; 4) количественные оценки риска множества кредитов: - допустимый риск; - средний риск; - коэффициент асимметрии распознавания хороших и плохих кредитов; - средние потери; - допустимые потери; - число кредитов; - число опасных кредитов; - энтропия рисков опасных кредитов. Эти атрибуты полностью определяют риск и используются для управления кредитной деятельностью банка. По результатам анализа атрибутов риска градаций, параметров, кредитов и множества кредитов возможно оптимизировать саму модель кредитного риска для повышения ее точности с определением оптимального числа параметров, градаций в каждом параметре и асимметрии распознавания хороших и плохих кредитов. ПАО «ВТБ 24» может использовать простую формулу для цены (процента) за риск кредита: Ci = Cad + k (Prisk - Pad), (10) где Сi - стоимость i-го кредита; Cad - цена за допустимый риск; k - коэффициент. Технология построения и использования ЛВ-модели кредитного риска включает в себя ряд операций. 1. Табличное «стандартное» представление статистических данных о кредитах. 2. Построение сценарной и структурной моделей кредитного риска. 3. Определение событий-параметров и событий-градаций. 4. Определение групп несовместных событий (ГНС). 5. Дискретизация распределений случайных событий-градаций. 6. Построение логической модели кредитного риска. 7. Ортогонализация логической модели кредитного риска. 8. Построение вероятностной модели кредитного риска. 9. Идентификация (оптимизация) В-модели кредитного риска по статистике банка с учетом ГНС и формулы Байеса. 10. Выбор коэффициента асимметрии распознавания хороших и плохих объектов. 11. Определение допустимого кредитного риска. 12. Вычисление количественных атрибутов риска для градаций, параметров, кредита и множества кредитов. 13. Анализ кредитной деятельности банка по значениям атрибутов риска. 14. Управление кредитной деятельностью банка с назначением оптимального числа параметров, градаций в каждом параметре и асимметрии распознавания кредитов. Рассмотрим варианты представленной методики: 1. ПАО «ВТБ 24» представляет статистические данные по выданным ранее кредитам. Файл со статистикой в обезличенном виде создается банком самостоятельно, затем архивируется и отправляется по e-mail. Обновление статистики и построение новой ЛВ-модели кредитного риска проводятся периодически через 1-4 квартала. Форма обезличенного файла по статистике кредитов банка: N n N1, N2, ..., Nn Y1 Z11 Z21 ... Zn1 Y1 Y12 Z22 ... Zn2 .................... YN ZN2 ZN2 ... ZNn, где N - число кредитов; n - число параметров; N1, N2, ..., Nn - число градаций в каждом параметре; Y11, Y2, ..., YN - признак успешности кредита (1 - «хороший»; 0 - «плохой»); Z11, ..., ZNn - значение градаций параметров. Данные ПАО «ВТБ 24» служат для обучения ЛВ-модели риска. Числа хороших и плохих кредитов подсчитываются по файлу автоматически. Также подсчитываются числа одинаково описанных кредитов и устанавливается, какие градации параметров не используются для описания кредитов. Это позволяет контролировать данные заказа 1 и результаты обучения ЛВ-модели риска. Для кредитного риска юридических лиц категории клиентов представляются в виде градаций 1, 2, 3, ... параметра «Категория клиента». Этот параметр располагается в последнем столбце таблицы, и для него вычисляются дополнительные атрибуты риска. Построение В-модели кредитного риска банка занимает время до 12 часов. Определяются атрибуты риска для градаций, параметров и множества кредитов, а также показатели качества (атрибуты) модели риска: ее точность и асимметрия распознавания. Для юридических лиц для «категорий клиентов» вычисляются дополнительно следующие атрибуты: частота категорий во всех кредитах, в плохих и хороших кредитах, а также среднее значение риска кредитов для категорий. Это позволяет оценить адекватность разделения клиентов на категории. |