[МУЗЫКА] В настоящее время в управлении розничным кредитным риском банки активно используют моделирование. Мы затрагивали тему моделей в части управления корпоративным кредитным риском. Как вы уже знаете, модели сильно различаются между собой, и их можно определить множеством способов. Еще раз повторим, что модель — это математический аппарат, реализованный программно и определенным образом, преобразующий входные данные — факторы риска, в выходные данные — оценки риска в форме отчета. С помощью таких моделей банки могут оценивать, насколько выгодно им будет работать с определенным клиентом. Конкретный алгоритм, по которому происходит преобразование, очень сложный. Чаще всего он разрабатывается внутри каждого банка самостоятельно, с использованием его собственных данных и представляет собой коммерческую тайну. Давайте рассмотрим основные типы моделей, которые используются для управления именно розничным кредитным риском. Условно такие модели можно разделить на три основные группы: заявочные, поведенческие и прочие. Заявочные модели применяются для оценки риска на этапе рассмотрения кредитной заявки. В качестве факторов заявочных моделей используется вся информация, которой банк располагает на этапе подачи заявки, и получает в процессе рассмотрения заявки до принятия окончательного решения. Обычно это анкетные данные клиента, параметры кредита, данные кредитной истории. С помощью заявочных моделей банки определяют, смогут ли они получить прибыль при работе с конкретным клиентом или нет. Вторая группа моделей — поведенческие модели. Они используются для оценки кредитного риска уже после выдачи кредита, в процессе его жизни. Кроме факторов, используемых в заявочных моделях, в поведенческих моделях могут использоваться такие факторы, как темпы погашения кредита, наличие текущих или прошлых просрочек по платежам и так далее. Также существует множество моделей, используемых в различных процессах управления розничными кредитными рисками. В качестве примеров можно привести модель взыскания просроченной задолженности. С ее помощью можно оценить вероятность успешного взыскания просроченной задолженности и выбрать стратегию работы, позволяющую это сделать наиболее эффективно. Другая модель — модель управления лимитами по кредитным картам. Позволяет принимать решение о повышении или снижении кредитного лимита по кредитным картам клиентов, тем самым повышая доход или снижая риск по портфелю кредитных карт. Или еще пример: модель оценки дохода, применяемая для определения оптимального кредитного лимита для осуществления предложения в рамках активных продаж. Наиболее интересным классом моделей с точки зрения процесса управления розничным кредитным риском являются заявочные модели. Давайте рассмотрим более подробно скоринговую модель как пример заявочной модели. Скоринговая модель — одна из типичных моделей определения уровня кредитного риска. В ней контрагент оценивается по определенным факторам и получает по ним баллы. Сумма этих баллов, по-английски score, определяет кредитное решение. Отсюда и название — скоринговая модель. Скоринговую модель можно описать как таблицу, в которой перечислены факторы модели, значения этих факторов, и баллы для каждого значения. Банки с помощью статистического анализа определяют, какие значения каких факторов повышают риск, а какие — понижают. И в соответствии с оценкой влияния факторов на общий риск контрагента присваивают каждому значению определенное количество баллов. Если определенному значению фактора соответствует повышение риска, то ему присваивается низкий балл, если конечный фактор принимает соответствующее значение. Приведем иллюстративный пример. Подобный фактор может называться «возраст контрагента» и иметь значения: до 24 лет, от 25 до 34 лет, и старше 35 лет. После анализа влияния этого фактора на кредитный риск контрагента банк присваивает значениям следующие баллы: до 24 лет — 0 баллов, от 25 до 34 лет — 10 баллов, и старше 35 лет — 15 баллов. То есть в результате анализа банк выяснил, что чем старше клиент, тем меньше вероятность его дефолта. Баллы контрагента, полученные по всем факторам, суммируются, и в результате образуется итоговый скоринговый балл по заявке, который используется для оценки риска. Получается, что клиенты с наименьшим риском, хорошие клиенты, в распределении количества всех клиентов по баллам будут смещены вправо. А клиенты с высоким риском, то есть плохие, сконцентрируются в левой части графика. Сама по себе оценка риска не позволяет им управлять. Поэтому, помимо построения самой модели, необходимо определить стратегию ее использования. Рассмотрим самую простую стратегию — отказывать клиентам, которые получают низкое значение скорингового балла и соответственно высокую оценку риска. Например, если в качестве порогового значения взять значение 90 баллов, то на представленном примере мы получим, что, отказывая всего лишь 2 % хороших клиентов, мы отсекаем в 10 раз больше плохих — примерно 25 %. Конечно, остается еще 75 % плохих клиентов, которых можно отсеять с помощью более сложных стратегий. Таким образом, хорошая скоринговая модель, четко разделяющая хороших и плохих клиентов, может быть эффективно использована для снижения риска на этапе выдачи кредита. И тут возникает вопрос: как можно понять, насколько хорошо модель отделяет хороших клиентов от плохих? Такую способность модели, оказывается, можно измерить. Стандартной мерой качества скоринговой модели считается коэффициент Gini. Коэффициент Gini используется во многих дисциплинах. В нашем контексте его можно определить следующим образом: будем считать заявку хорошей, если контрагент исполнит свои обязательства по кредиту, и плохой, если не исполнит. Естественно, мы не можем точно предсказать, какая заявка хорошая, а какая — плохая. Допустим, у нас есть модель, которая определяет, хорошая заявка перед нами или плохая. Как и всякая другая модель, она будет ошибаться. Некоторые фактически хорошие заявки она будет признавать плохими, а некоторые плохие — хорошими. Коэффициент Gini измеряется в процентах и в нашем случае отражает соотношение между долей заявок, корректно определенных моделью как плохие, среди всех настоящих плохих заявок, и долей хороших заявок, ошибочно определенных как плохие, среди всех настоящих хороших заявок. Если коэффициент Gini модели очень мал, то такая модель бесполезна для банка, так как она не определяет плохие заявки или признает плохими заявками слишком много хороших заявок. Одним словом, чем выше значение Gini, тем качественнее модель. Вернемся к заявочным моделям. Стандартная скоринговая модель включает в себя только факторы, связанные с кредитной историей клиента. Если же в нее включить факторы социально-демографической оценки клиента, то мы получим интегральный скоринговый балл. В социально-демографическую оценку контрагента входит оценка риска по таким факторам, как доход клиента, его возраст, стаж, должность. На данный момент в банках для оценки розничного кредитного риска чаще всего используется именно интегральный скоринг. Подведем итог. В настоящем разделе мы познакомились с управлением розничным кредитным риском. Теперь вы сможете объяснить, что такое розничный кредитный риск и с какой целью банки им управляют; перечислить этапы розничного кредитного процесса; дать определение модели в контексте управления розничным кредитным риском; определить ее качество по коэффициенту Gini; отличить заявочные модели от поведенческих и объяснить принцип работы интегральной скоринговой модели. [МУЗЫКА] [МУЗЫКА]
