Управление кредитованием корпоративных клиентов и физических лиц

курсовая работа

2.3 Международная банковская практика оценки корпоративных клиентов

Практика выдачи корпоративных кредитов по-прежнему остается актуальной: обслуживание корпоративных клиентов как оптовых покупателей всегда было одним из приоритетных направлений банковской деятельности Коротков П.А. О некоторых проблемах управления кредитованием банка в современных условиях. // Деньги и кредит. - 2009, №9. - с.28 - 33.. Современная экономическая ситуация и здоровая конкуренция подталкивают банки к расширению кредитного предложения в области корпоративного кредитования. Наряду с понижением процентной ставки простота оформления и скорость предоставления кредита становятся факторами конкурентной борьбы банков за новых клиентов.

На сегодняшний момент решение о предоставлении кредита компании зачастую принимается "вручную" на основе проведенного банком финансового анализа состояния компании-заемщика, поэтому внедрение в банках автоматизированных систем оценки кредитоспособности компаний является крайне актуальным, помогая банковским учреждениям выйти на качественно новый уровень управления своей доходностью.

Как же на практике осуществляется скоринговая оценка корпоративных заемщиков? В своей статье мы хотели бы поделиться западным опытом управления рисками в корпоративном секторе.

Исторически кредитный скоринг возник около 50 лет назад в форме так называемых скоринговых карт. Устройство и использование скоринговой карты несложно (таб. 1). Характеристики для скоринга могут быть выбраны из любого имеющегося в распоряжении источника данных о потенциальном заемщике. Подобными характеристиками могут служить демографические факторы (например, сектор экономики, к которому относится основная деятельность компании-заемщика; страна регистрации; как долго существует компания и т.п.), характеристики, отражающие уже существующие отношения между клиентом и банком (например, как долго компания является клиентом банка, количество используемых кредитных продуктов, насколько ответственно она подходит к осуществлению оплаты, предыдущие обращения в банк), и, наконец, финансовые данные о компании (например, годовой оборот, прибыль, размер капитала, число сотрудников и т.д.).

Таблица 1.Пример скоринговой карты для корпоративных клиентов Соколинская Н.Э. Стратегия управления банковскими рисками. // Бухгалтерский учет, 2009, №12. - с.13 - 19.

Scorecard

Points

BRANCHE

BRANCHE = Missing, AGRICULTURE, AUTOMOTIVE,

TELECOM, FINANCE, CHEMICAL

44

BRANCHE = HIGH TECH

-20

BRANCHE = OIL

53

COUNTRY

COUNTRY = Missing, NL, LU, FR, DE, AT

37

COUNTRY = BE

52

DEBT

low <- DEBT < 300 000 000

-23

300 000 000 <- DEBT < 500 000 000

59

Missing, 500 000 000 <- DEBT < high

121

LOYALITY

Missing, low <- LOYALITY < 3

32

3 <- LOYALITY < 5

53

5 <- LOYALITY < 10

66

10 <- LOYALITY < high

80

PROFIT

Missing, low <- PROFIT < 5 000 000

32

7 000 000 <- PROFIT < 10 000 000

37

На основании статистических исследований каждому признаку назначается определенное количество баллов (чем выше кредитоспособность и добросовестность клиента по тому или иному признаку, тем более высокий балл мы этому признаку присваиваем). При этом принимается во внимание предикативная (прогнозная) сила каждого такого фактора, наличие корреляций между ними и другие статистические характеристики исследуемой совокупности объектов. Окончательный балл компании-претендента - это сумма баллов для каждого признака скоринговой карты, которые она набрала в результате. В зависимости от этого количества баллов определяется максимальный размер ссуды, которую банк готов предоставить данному корпоративному заемщику.

Таким образом, знания об имеющихся корпоративных клиентах позволяют нам прогнозировать профиль потенциальной компании - заемщика банка. Поскольку со временем данные обновляются, естественно, периодически происходит модификация самой скоринговой карты: некоторые признаки становятся более значимыми, а другие отходят на второй план. Коррекция карт производится регулярно, а ее периодичность зависит от объема кредитов.

Скоринговый балл претендента, обратившегося за кредитом, сравнивается с баллами корпоративных клиентов, уже существующих в банке, и на этой основе делаются определенные выводы о его возможном поведении в будущем. Прогнозная модель строится с помощью таких аналитических методов, как логистическая регрессия или нейронные сети. Затем вычисляется вероятность дефолта первого (второго, третьего...) платежа, и строится соответствующая PD-модель.

В результате вычисляется определенный балл отсечения, после сопоставления с которым принимается решение о предоставлении кредита.

Хотелось бы добавить несколько слов и о LGD-модели (Loss Given Default/сумма задолженности), предсказывающей вероятность выхода из просроченной задолженности. Она гораздо сложнее, предсказать поведение дефолтного клиента затруднительно ввиду того, что оно сильно диверсифицировано: клиент может выплатить кредит полностью, но не оплатить проценты; может оплатить сумму долга частично; может выплачивать общую сумму долга годами и т.д.

Принимая также во внимание, что реальных дефолтов в российских банках пока накоплено недостаточно, говорить о статистически релевантной LGD-модели в корпоративном секторе пока преждевременно. Хотя, в принципе, в западных банках с применением продвинутых аналитических подходов (линейной регрессии, нейронных сетей и т.д.) Recovery Rate (процент вероятности возвращения дефолтного клиента обратно в "хорошего") вычисляется достаточно точно.

Касаясь вопросов моделирования, невозможно обойти вниманием валидацию моделей, которая также является обязательным требованием Базеля II. Любая, даже идеально построенная, модель должна быть апробирована и подтверждена на предмет точности своих прогнозов. Валидация моделей может производиться разными способами.

Наиболее часто встречается out-of-sample validation, когда большая часть имеющихся данных (примерно 70%) используется для построения модели, а оставшаяся часть (не задействованная в моделировании) идет на ее валидацию. Этот подход позволяет убедиться, что "успешная" на одних данных модель продолжает строить точные прогнозы и на других данных кредитного портфеля. Неудобство применения метода возникает лишь при недостаточном количестве данных, которые вам приходится еще при этом делить. Здесь хочется отметить, что статистически релевантными результатами считаются те, что получены на выборке, содержащей как минимум 2000 записей и достаточное количество дефолтов.

Делись добром ;)