Как называется система оценки кредитоспособности

Скоринговая система оценки клиентов

Чем больше граждан сотрудники банка могут обслужить, тем больше прибыли получит кредитор. Поэтому важно использовать систему, способную оперативно.

Чтобы получить одобрение на заем, клиент должен показать кредитору свою финансовую надежность. Оценить вероятность возвращения средств банкам помогает скоринговая система — механизм проверки потенциальных заемщиков.

Чем больше граждан сотрудники банка могут обслужить, тем больше прибыли получит кредитор. Поэтому важно использовать систему, способную оперативно, а главное — эффективно проверять обращающихся за услугами заемщиков.

Трудность в том, что оценить кредитоспособность человека нужно быстро — например, если нужно оформить POS-кредит прямо в магазине, и нет времени долго ждать. Решить задачу банкам помогла разработка скоринг-системы — мгновенного метода контроля благонадежности заемщика.

Как работает скоринговая система

«Скоринг», от английского «to score» — «вести счет, считать очки». Это значит, что система анализирует факторы, определяющие финансовое поведение заемщика, и считает его «кредитные очки». После проверки программа дает сотруднику рекомендации, стоит ли выдавать человеку кредит.

Процедура анализа проходит следующим образом:

1. Клиент заполняет анкету, отвечает на вопросы о доходе, месте работы, семейном положении, месте проживания и других параметрах;
2. Данные из анкеты вносятся в программу;
3. Система анализирует полученную информацию и записи из кредитной истории гражданина;
4. Каждому ответу заемщика присваиваются баллы: большие или меньшие, в зависимости от повышающего или понижающего коэффициента;
5. Программа подводит итог, выдает финальный балл, а сотрудники интерпретируют результат и принимают решение по одобрению заявки.

Процесс автоматизирован, а потому не занимает много времени. Более того, сотрудники-операционисты могут даже не знать, какие параметры учла система, чтобы рассчитать очки.

Где применяется скоринг

Скоринговая система экономит время сотрудников финансовых организаций, позволяет быстро обрабатывать большие массивы данных. Скоринг-модели используют не только в банках, но и в МФО, где порой люди выстраиваются в очереди, чтобы получить деньги. Такая система дает возможность проверить клиента всего за 5-10 минут, а за целый рабочий день обслужить гораздо большее количество потенциальных заемщиков.

Чтобы выяснить, насколько благонадежный заемщик сидит перед представителем банка, информация из анкеты вносится в специальную программу. У каждого кредитора — своя программа, со своими особенностями. После внесения данных система сравнивает ответы клиента с ответами других заемщиков. Если выяснится, что люди со схожими характеристиками часто нарушают условия кредитного договора — например, регулярно допускают просрочки, — заем не одобрят.

Скоринг-система выдает лишь рекомендацию, но кредиторы редко оспаривают полученный вердикт. Иными словами, сотрудники откажут неблагонадежному клиенту и не объяснят, почему.

В таком случае доказать свою кредитоспособность заемщику будет непросто, практически невозможно. Ведь человек не узнает, какие ответы из его анкеты негативным образом повлияли на итоговое решение.

Основные преимущества скоринговой системы оценки кредитоспособности

• Высокая скорость анализа. Ресурсов человека недостаточно, чтобы обработать большое количество анкет за короткий промежуток времени. Ручной анализ кредитоспособности во много раз медленнее, чем компьютерный. Автоматизация процесса — способ сэкономить время и обслужить много клиентов.
• Финансовая выгода. Внедрение скоринг-системы снизило число невозвратов: теперь кредит получают те, кто действительно может его вернуть. Прибыль финансовых организаций из-за этого увеличивается, а вместе с ней — растет количество выгодных для ответственных клиентов предложений. Чем больше людей добросовестно вносят платежи, тем более низкую процентную ставку банк может назначить на свои продукты.
• Возможность тонкой настройки. Скоринговая модель легко поддается регулировке. Если политика банка изменилась, специалисты могут исправить код программы в соответствии с новыми требованиями. Например, в случае, если кредитор готов начать выдавать кредиты некогда «нежелательным» заемщикам.
• Справедливый подход ко всем. У системы нет личного мнения, предвзятости по отношению к гражданам. В отличие от человека, скоринг-механизм не примет во внимание, что клиент когда-то затопил его квартиру или, наоборот, подарил коробку конфет. Модель объективна, а потому справедливо оценивает шансы каждого заемщика на получение одобрения — сотрудник банка не может повлиять на результат вычислений.

От чего зависят результаты скоринга

Итоговая оценка при использовании любой скоринговой модели складывается из целого ряда показателей.

В первую очередь проверяются паспортные данные заемщика, информация о месте проживания и другие контактные данные. Это предварительный этап, на котором отсеиваются претенденты с недействительными документами.

Затем программа анализирует другие показатели.

Личная информация о клиенте

Скоринг-оценка учитывает семейное положение заемщика, наличие у него несовершеннолетних детей и других иждивенцев. Также принимается во внимание продолжительность стажа на последнем месте работы.

Платежеспособность претендента

Скоринговая модель учитывает эту характеристику, чтобы понять, сможет ли человек аккуратно вносить платежи: своевременно и в полном объеме. Самого факта наличия дохода недостаточно: нужно подтвердить, что заемщик получает на счет сумму систематически — стабильно и без задержек.

Программа также проверяет, какую часть заработка клиенту придется отдавать ежемесячно на погашение кредита. Этот параметр называется «Показатель долговой нагрузки» (ПДН). Чтобы заявка была одобрена, ПДН не должен превышать 50%. Иными словами, человек не должен тратить на покрытие всех займов больше, чем половину регулярного дохода.

Кредитная история

Кредитная история показывает, как клиент вел себя в роли заемщика. В КИ указано, сколько денег гражданин брал в долг, на какие цели, вовремя ли возвращал. Кредитный отчет содержит информацию обо всех кредитных обязательствах человека — от кредитки до ипотеки. Этих данных банку достаточно, чтобы спрогнозировать поведение клиента в будущем и понять, стоит ли доверять ему средства.

Маловероятно, что кредитор одобрит заявку человеку, у которого в отчете есть записи о просрочках, регулярных обращениях за услугой кредитования и частых отказах. А вот гражданин с отметками о своевременном закрытии разнообразных кредитов, скорее всего, получит положительный ответ.

Транзакционное поведение

Если заемщик является зарплатным клиентом или имеет депозит в банке, он получит преимущество и более высокий балл. Потому что банк в этом случае будет в курсе всех регулярных финансовых поступлений своего клиента. При таком раскладе кредит может быть выдан даже при относительно низком значении Персонального кредитного рейтинга. При этом также учитываются размер накоплений на счете и их динамика.

Все данные скоринговая система проверяет по отдельности и сравнивает между собой, чтобы выявить возможные противоречия. Подтверждением достоверности указанных сведений является наличие связи между доходами и расходами потенциального заемщика, местом работы и адресом проживания и т. д.

Как получить положительную оценку скоринговой системы

Несмотря на то, что каждый кредитор разрабатывает уникальную скоринг-модель под свои нужды, большинство вопросов анкеты стандартны для всех. К прохождению анкетирования заемщик может сам подготовиться до подачи заявки и увеличить вероятность одобрения. Для этого:

• Избегайте просрочек. Если у вас есть открытые кредиты, следите за графиком и полнотой суммы внесения платежей. О невозможности платить по счетам сообщите сотруднику банка сразу, как возникла проблема. Кредитор поможет урегулировать вопрос: например, реструктуризирует кредит или предложит кредитные каникулы. Это позволит закрыть текущий кредит и повысить вероятность одобрения нового.
• Откройте банковский вклад. В большинстве банков можно повысить шансы на получение кредита, открыв депозит или текущий счет с регулярным пополнением (лучше всего иметь зарплатную карту этого банка).
• Указывайте в заявке только реальные сведения. Сомнения в достоверности представленной информации — одна из пяти наиболее распространенных причин отказов в кредитах, поэтому в анкете лучше не лукавить. Тем более, что у банка есть способы проверить правдивость информации. Более того — на итоговое решение может повлиять даже аккуратность заполнения анкеты. Небрежность или помарки могут быть расценены как свидетельство недобросовестности.
• Обращайте внимание на актуальность контактов в анкете. Указывайте в анкете только реальные контактные данные. Сотрудник банка должен иметь возможность дозвониться до всех абонентов, телефоны которых вписал потенциальный заемщик. Если связаться с ними не удастся, заявку могут не одобрить.

Что делать, если скоринговая система отказала в кредите

При низком набранном балле скоринга система обычно просто отклоняет заявку. При этом банк вправе не сообщать клиенту даже о причинах такого решения. Однако следует знать, что причины отказа обязательно должны фиксироваться в кредитной истории. Поэтому если заемщика постигла неудача, это повод лишний раз проверить кредитный отчет — тем более, что дважды в год это можно сделать бесплатно.

Повторить обращение за кредитом специалисты рекомендуют не ранее, чем через несколько месяцев. Это время можно посвятить улучшению качества кредитной истории — например, оформить кредитную карту и активно ею пользоваться, не забывая про грейс-период. Это и увеличит шансы на положительное рассмотрение в будущем, и повысит ваш Персональный кредитный рейтинг.

Заемщику с высоким ПКР будут рады в любом банке!

Обзор моделей для оценки кредитоспособности физических лиц Текст научной статьи по специальности «Экономика и бизнес»

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Бережной М.А., Максимова Н.Н.

В статье проводится обзор существующих в настоящее время моделей для оценки кредитоспособности физических лиц; отмечены основные достоинства и недостатки каждого их подходов.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Бережной М.А., Максимова Н.Н.

Логит-регрессионная техника моделирования оценки кредитоспособности юридических лиц – сельскохозяйственных организаций (на основе регламента ОАО «Сбербанк России»)

Кредитный скоринг как инструмент оценки кредитоспособности заемщиков
Моделирование потребительского кредитования в процессе скоринга
Скоринг при управлении кредитными рисками
Скоринг как метод оценки кредитного риска потребительского кредитования
i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

REVIEW OF MODELS FOR ASSESSING THE CREDITWORTHINESS OF INDIVIDUALS

The article reviews the current models for assessing the creditworthiness of individuals; the main advantages and disadvantages of each of their approaches are noted.

Текст научной работы на тему «Обзор моделей для оценки кредитоспособности физических лиц»

2. Mediascope WEB-Index: офиц. сайт. — Режим доступа: http://webindex.mediascope.net/.

3. Wiki.Ru: Википедия. -М., 2016. — Режим доступа: https://ru.wikipedia.org/wiki/Social_media_marketing.

4. Велединский, В.Г. Сервисная деятельность: учебник. — Изд. 2-е, стер. — М.: КНОРУС, 2013. — 176 с.

5. Джанджугазова, Е.А. Новые потребительские ценности в пространстве социальных сетей // Современные проблемы сервиса и туризма. -2014. — № 2. — С. 42-46.

6. Кириллова, B.JT. PR в некомерческом секторе. — М.: Директ-медиа, 2015. — 127 с.

7. Костюк, К.Н. Книга в новой медийной среде. — М.:Директ-Медиа, 2015. — 432 с.

8. Лебедева, А.Э. Сервисная деятельность: учебное пособие. — Томск: изд-во ТУ СУР, 2012. -294 с.

9. Маркетинг: учебник для бакалавров / под ред. Н.М. Кондратенко. — М.:Юрайт, 2012. — 542 с.

10. Нэреш, К. Маркетинговые исследования. Практическое руководство. — М.: ИД «Вильяме», 2009. — 960 с.

11. Савская, Т. П. Как использовать социальные сети для продвижения товара или услуги // Интернет-маркетинг. — 2015. — № 4. — С. 230-242.

12. Слюсарева, Е.А. Создание информационной платформы для предприятия сервиса / Е.А. Слюсарева, В.А. Струкова // Инновации в социокультурном пространстве. Материалы IX Междунар. научно-практ. конф. Часть I. — Благовещенск: Амурский гос. ун-т, 2016. — С. 184-190.

13. Хилл, Т.О. О товарах и услугах. — М.: Вильяме, 2007. — 82 с.

М.А. Бережной, H.H. Максимова

ОБЗОР МОДЕЛЕЙ ДЛЯ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ

В статье проводится обзор существующих в настоящее время моделей для оценки кредитоспособности физических лиц; отмечены основные достоинства и недостатки каждого их подходов.

Ключевые слова: оценка кредитоспособности, скоринг, пробит-моделъ, дерево решений, нейросетъ.

REVIEW OF MODELS FOR ASSESSING THE CREDITWORTHINESS OF INDIVIDUALS

The article reviews the current models for assessing the creditworthiness of individuals; the main advantages and disadvantages of each of their approaches are noted.

Key words: credit rating, scoring, probit model, decision tree, neural network. DOI: 10/22250/j asu.33

Кредитование является самой доходной активной операцией коммерческого банка, но в то же время несет наибольшие риски. В современных экономических условиях оценивание возможностей клиентов банка особенно важно при принятии решения о выдаче или отказе в выдаче кредита. Оценка заемщиков является одной из наиболее сложных и ответственных задач в деятельности коммерческого банка. Организация процесса оценивания позволяет, во-первых, снизить уровень рисков банка в случае невозврата кредитов от неблагонадежных заемщиков, а во-вторых, создать условия для качественного обслуживания клиентов, обратившихся за кредитом. Банки уделяют особое значение оценке потенциальных клиентов.

Выбор способа для оценки кредитоспособности был и остается актуальным и в экономической литературе занимает особое место [4].

В рамках данной статьи рассматриваются основные модели оценки кредитоспособности — такие как кредитный скоринг, пробит-модель, дерево решений и нейронная сеть. Дается краткая характеристика каждого метода и приводятся его положительные и отрицательные стороны.

Под термином «скоринг» понимают систему оценки кредитоспособности заемщика, которая основана на анализе имеющихся данных при помощи их статистической обработки [1]. Иначе данный способ оценки называют «балльным»: после обработки информации о клиентах финансовой организации каждому из показателей клиента присваивается определенное значение (начисляются баллы).

Когда клиент приходит в финансовое учреждение и заполняет предоставленную анкету, то вся информация заносится сотрудниками коммерческого банка в специальную программу, которая рассчитывает баллы за каждый пункт и в итоге выдает решение — положительное или отрицательное. Параметры расчета заемщикам не известны.

Основная информация, которую, как правило, запрашивает банк: пол, возраст, подтвержденный доход, стаж работы, общее финансовое состояние, наличие и стоимость имущества, состав семьи, кредитная история.

Каждая финансовая организация может устанавливать индивидуальные параметры в такой модели. В скоринговой модели учитываются факторы, которые оказывают наибольшее влияние на кредитоспособность заемщика и наиболее точно отражают его способность своевременно и без просрочек погасить принятые на себя обязательства.

Впервые модель скоринговой оценки заемщика была предложена в начале 40-гг. XX в. американским экономистом Д. Дюраном. Для построения системы оценок Д. Дюран провел анализ 7200 «хороших» и «плохих» займов. Факторы и система начисления баллов за каждый фактор, соответствующая скоринговой модели Дюрана, приведены в табл. 1. Д. Дюран обозначил границу выдачи кредита в 1,25 и более баллов.

Система начисления баллов модели Дюрана

Фактор Начисление баллов

Пол (фактор 1) Женский — 0,40 балла Мужской — 0 баллов

Возраст (фактор 2) ОД балла за каждый год сверх 20 лет максимум — 0,3 балла

Срок проживания в данной местности (фактор 3) 0,042 балла за каждый год проживания в данной местности максимум — 0, 42 балла

Травмоопасность профессии (фактор 4) профессия с низким риском — 0,55 балла профессия со средним риском — 0,16 профессия с высоким риском — 0 баллов

Отрасль трудоустройства (фактор 5) предприятия общественной отрасли — 0,21 балла

Стаж (фактор 6) 0,059 балла за каждый год стажа на данном месте работы максимум — 0, 59 балла

Финансовые показатели (фактор 7) наличие сберегательного счета — 0,35 балла наличие недвижимости — 0,35 балла наличие полиса страхования — 0,19 балла

Как видно, в табл. 1 отсутствует информация о заработной плате заемщика, сумме и сроке запрашиваемого кредита. Предполагается, что данная система необходима для оценки благонадежности заемщика, а сумма и срок кредита рассчитываются в зависимости от доходов заемщика, его обязательных ежемесячных платежей процентной ставки кредита.

В качестве примера рассмотрим двух заемщиков, информация о которых представлена в

Информация о заемщиках

Фактор Клиент 1 Клиент 2

Фактор 1 Женский Мужской

Фактор 4 Средняя Низкая

Фактор 5 Образование Продажи

Фактор 7 Наличие сберегательного счета Наличие недвижимости Наличие полиса страхования Наличие полиса страхования

По данной информации вычислим рейтинг каждого из клиентов.

Для клиента 1: К^ = 0,4 + 0,3 + 0,42 + 0,16 + 0,21 + 0,59 + (0,35 + 0,35 + 0,19) = 2,97;

Для клиента 2: К2 = 0 + 0,2 + 0,21 + 0,55 + 0 + 0 + 0 = 0,96.

Согласно критерию Дюрана, первый клиент оценивается положительно, второму клиенту будет отказано в выдаче кредита.

Сильными сторонами скоринга являются:

уменьшение влияния человеческого фактора на рассмотрение заявки;

сокращение времени на изучение личности потенциального заемщика;

повышение конкурентоспособности банка, использующего скоринг;

снижение рисков благодаря отказам неблагонадежным клиентов.

Однако, у скорингового метода оценки кредитоспособности имеются некоторые слабые стороны:

возможные технические сбои скоринговых программ оценки;

необходимость постоянной корректировки системы оценивания (при увеличении числа заемщиков и информации о них);

отсутствие быстрого отклика на изменения экономической ситуации в стране;

периодическая корректировка факторов: удаление факторов, утративших актуальность, и добавление факторов, которые значимы в настоящее время.

Однако невзирая на некоторые недостатки, скоринговая система считается эффективным инструментом, позволяющим быстро и точно установить кредитоспособность клиента, и пользуется популярностью в иностранных кредитных организациях.

Пробит-модель — это статистическая модель бинарного выбора. В основе модели лежит оценка вероятности одобрения кредитной сделки на основе функции стандартного нормального распределения [3].

Оценка кредитоспособности заемщика, вероятность одобрения кредитной заявки вычисляется по формуле:

У г ~ ^(Ро + Р\ХИ + ••• + РкХы) + , где хи, хы — значения объясняющих переменных; Д, Д, Д — постоянные коэффициен-

ты при объясняющих переменных; £г — независимые одинаково распределенные случайные величины;

Р(г) — функция стандартного нормального распределения Р(г)= .— / е 2 Ж .

Аргументом функции стандартного нормального распределения выступает так называемый пробит. Значение пробита зависит от линейных комбинаций значений факторных (объясняющих) переменных.

В качестве зависимой переменной выступает переменная «одобрение кредитной сделки». Ее значения варьируются в промежутке (0, 1). Чем ближе значение к 1, тем выше вероятность одобрения выдачи кредита.

Объясняющими переменными (факторами) могут выступать пол и возраст клиента, ежемесячный доход или процент обязательных платежей клиента от его дохода, период и процентная ставка кредита, просроченная задолженность, первоначальный взнос или сумма кредита в процентах от стоимости приобретаемого жилья (при ипотечном кредитовании), финансовые показатели (наличие сбережений, недвижимого и движимого имущества, полиса страхования жизни и имущества). Факторы в пробит-модели должны быть количественными. Если переменная качественная, она должна быть переведена в количественную каким-либо способом.

Оценки коэффициентов при объясняющих переменных в пробит-модели, как правило, находят с помощью метода максимального правдоподобия.

Одно из главных достоинств пробит-модели — то, что при оценке кредитоспособности клиентов можно разделять на группы не только с вероятностью 0 и 1, но и на более детальные группы (1,2, 3, 4 группы риска), в зависимости от получаемого значения функции

Из недостатков модели можно выделить следующие:

систематическое завышение оценки коэффициентов регрессии при размере выборки — менее

при построении модели нужно минимально 10 исходов на каждую независимую переменную (рекомендованное значение 30-50).

Дерево решений — средство автоматического анализа данных или принятия решений [2]. Получаемая модель — это способ наглядного представления правил в иерархической структуре, где каждому объекту соответствует единственный узел, дающий решение.

Построение дерева решений осуществляется на основе данных о клиентах финансовой организации. При решении задачи оценки кредитоспособности необходимо предварительно указать следующую информацию: был ли возвращен кредит полностью, наличие либо отсутствие просроченных платежей или полный невозврат кредита.

Полученную модель используют при определении класса (Давать/Не давать кредит) вновь возникших ситуаций (поступила заявка на получение кредита).

Простейший пример построения дерева решений приведен на рис. 1.

Также дерево решений при изменении экономической ситуации можно перестроить, тем самым адаптировать механизм оценки кредитоспособности к текущей конъюнктуре рынка.

Основные преимущества метода:

деревья решений создаются по понятным правилам, они просты в применении и интерпретации;

можно обрабатывать как непрерывные, так и качественные (дискретные) переменные;

можно работать с пропусками в данных, деревья решений позволяют заполнить пустое поле наиболее вероятным значением;

помогают определить, какие поля больше важны для прогнозирования или классификации.

Рис. 7. Пример построения дерева решений.

Методу присущи недостатки:

есть вероятность ошибок в задачах классификации с большим количеством классов и относительно небольшим числом примеров для обучения;

нестабильность процесса: изменение в одном узле может привести к построению совсем другого дерева, что связано с иерархичностью его структуры;

процесс «выращивания» дерева решений может быть довольно затратным с точки зрения вычислений, ведь в каждом узле каждый атрибут должен раскладываться до тех пор, пока не будет найден наилучший вариант решения или разветвления. В некоторых алгоритмах используются комбинации полей, в таком случае приходится искать оптимальную комбинацию по «весу» коэффициентов. Алгоритм отсечения (или «обрезки») также дорогостоящий, так как необходимо сформировать и сравнить большое количество потенциальных ветвей.

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Искусственная нейронная сеть (рис. 2) представляется в виде аппаратно и программно реализованной совокупности искусственных нейронов.

Рис. 2. Схематичное представление искусственной нейронной сети.

На вход нейронной сети подаются параметры вектора (данные о клиентах, представленные количественно), далее их умножают их на соответствующие весовые коэффициенты, затем суммируют полученные величины и рассчитывают значение выхода согласно установленной функции активации [5].

Нейронные сети от других статистических моделей отличаются тем, что в процессе решения задачи происходит их обучение, а не программирование. Обучение состоит в разработке алгоритма и настройке параметры нейронов для того, чтобы процесс и результат обработки данных отвечали поставленным требованиям.

Нейронные сети применяются для решения задач широкого спектра: задачи распознавания и классификации, задачи интеллектуального анализа данных и прогнозирования на основе временных рядов, обеспечение безопасности серверов посредством предупреждения и отражения ББо8-атак, задачи мониторинга телекоммуникационных сетей, задачи декодирования шифров и многие другие.

Чтобы результат анализа кредитоспособности заемщиков был максимально точен, нейросеть необходимо обучить. Обучение в данном случае означает предварительную отработку клиентов, класс кредитоспособности которых заранее известен. Нейронной сети изначально известно, к какому классу относится тот или иной заемщик. Это способствует адаптации параметров нейронной сети таким образом, чтобы после изучения кредитоспособности клиента результат, полученный от нейронной сети, соответствовал действительности. Данные, необходимые для обучения нейронной сети, получают из информации о ранее заключенных сделках или, если это необходимо, запрашивают из бюро кредитных историй. Качество и точность проверки кредитоспособности клиентов банка напрямую зависят от количества клиентов, проверенных при настройке нейронной сети. Чем большее количество случаев было проработано в процессе обучения, тем корректнее полученные данные. Важным достоинством нейронной сети является то, что в ее настройка и обучение происходят и в процессе штатной работы программы, что в свою очередь позволяет с минимальным временным лагом реагировать на внешние изменения экономической ситуации и конъектуры рынка ссудных капиталов.

Использование нейронных сетей для оценки кредитоспособности клиентов коммерческого банка имеет свои недостатков. Процесс создания и настройки нейронных сетей, который начинается от сбора информации и ее анализа и заканчивается применением нейросети для анализа заемщиков, сам по себе сложен. На первом этапе самым важным является определение входных параметров нейронной сети. Одним из способов решения этой задачи является создание алгоритма отбора входных данных, который отбирает входные переменные по принципу максимальной информативности. Чем больше информации предоставляют параметры, тем более точный результат получается после анализа заемщика. Затем отсеиваются показатели, оказывающие минимальное влияние на результат, и, если таких оказалось большинство, подбираются дополнительные параметры. Работа алгоритма повторяется до тех пор, пока не будет набрано достаточное количество входных параметров, необходимое для качественной и всесторонней оценки кредитоспособности заемщика.

1. Ишина, И.В. Скоринг-модель оценки кредитного риска / И.В. Ишина, М.Н. Сазонова // Аудит и финансовый анализ. — 2007. — № 4. — С. 297-304.

2. Ларин, С. Использование деревьев решений для оценки кредитоспособности физических лиц // BaseGroup Labs. Технологии анализа данных. — URL: https://basegroup.ru/community/articles/solvency (дата обращения: 05.03.2020).

3. Ниворожкина, JT.H. Эконометрическое моделирование риска выплат по потребительским кредитам / JT.H. Ниворожкина, JT.H. Овчарова, Т.Г. Синявская // Прикладная эконометрика. — 2013. — № 30. — С. 65-76.

4. Шаталова, Е.П. Оценка кредитоспособности заемщиков в банковском риск-менеджменте: учебное пособие / Е.П. Шаталова, А.Н. Шаталов. — М.: КноРус, 2020. — 166 с.

5. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: учебное пособие. — М.; Саратов: Интернет-университет информационных технологий (ИНТУИТ); Вузовское образование, 2017. — 320 с.

Кредитный скоринг. Сокрушающий эффект ИИ при оценке кредитоспособности заёмщика

На самом деле одним из важнейших факторов при принятии банком решения о выдаче кредита и условиях кредитного соглашения является оценка кредитоспособности потенциального заемщика, т. е. его способности полностью исполнить взятые на себя обязательства, своевременно погасив кредит и начисленные проценты.

Многие банки при оценке надежности заемщиков используют скоринговые системы, которые дают возможность быстро принять решение о возможности предоставления кредита. Они позволяют оценить кредитоспособность заемщика, основываясь на статистических методах. Методы машинного обучения позволяют в значительной степени автоматизировать эти процессы.

Задача скоринга

Рассматриваемая задача прогнозирования надежности заемщика представляет собой задачу классификации. Классификация — задача разделения множества наблюдений или объектов на группы. Так к примеру клиентов можно разделить на 2 группы: надежные и сомнительные.

Данные

В качестве примера возьмем датасет из kaggle, который содержит информацию о 614 заемщиках. Каждый клиент описывается 12 признаками такими как: семейный статус, пол, количество детей, наличие высшего образования, доход и другие. Целевым признаком является статус платежеспособности клиента.

• Gender – Пол бинарная переменная мужской или женский;
• Married – Семейное положение бинарная переменная в браке или нет;
• Dependents – Количество детей;
• Education – Наличие высшего образования бинарная переменная есть или нет;
• Self_Employed – Вид занятости бинарная переменная самозанятый или нет;
• Applicantlncome – Доход заемщика;
• Coapplicantlncome – Доход супруга клиента;
• Loan_Amount – Сумма займа;
• Loan_Amount_Term – Срок займа;
• Credit_History – Кредитная история бинарная переменная удовлетворяет или нет;
• Property_Area – Область проживания номинативная переменная город, посёлок или деревня
• Loan_Status – Статус заёмщика

EDA

Перед обучение модели было сделано:

• Имеющиеся пропуски в данных были заменены на моду признака для категориальных переменных и на среднее значение для числовых.
• Все категориальные данные были преобразованы в числовое значения, где каждому классу соответствовало единственное число.
• Количественные переменные были стандартизированы, то есть все исходные значения набора данных были приведены к набору значений из распределения с нулевым средним и стандартным отклонением, равным 1.

Модель

Рассмотрим 4 основных методов: дерево решений, случайный лес, логистическая регрессия, метод опорных векторов.

• Дерево решений — это метод представления решающих правил в иерархической структуре, состоящей из элементов двух типов — узлов и листьев. В узлах находятся решающие правила и производится проверка соответствия примеров этому правилу по какому-либо атрибуту обучающего множества.

• Случайный лес — это алгоритм классификации, основанный на принципе использования ансамбля нескольких решающих деревьев для достижения ими большей точности. Классификаторы (решающие деревья) обучаются независимо друг от друга. Затем классификаторы независимо друг от друга делают предсказания о входном элементе, и класс, за который проголосовало больше всего классификаторов, становится предсказанием итогового классификатора.

• Логистическая регрессия — метод построения линейного классификатора, позволяющий оценивать апостериорные вероятности принадлежности объектов классам. Данный алгоритм классификации использует сигмоидную функцию в качестве функции активации и позволяет дать вероятностную оценку принадлежности объекта каждому классу.
• Метод опорных векторов (SVM) — алгоритм ищет точки на графике, которые расположены непосредственно к линии разделения ближе всего. Эти точки называются опорными векторами. Затем, алгоритм вычисляет расстояние между опорными векторами и разделяющей плоскостью. Это расстояние называется зазором. Основная цель алгоритма — максимизировать расстояние зазора. Лучшей гиперплоскостью считается такая гиперплоскость, для которой этот зазор является максимально большим.

Валидация

Для оценки качества модели использовалась точность на тестовой выборке и на кросс-валидации. Точность представляет собой количество верно классифицированных клиентов по отношению к общему числу. Кросс-валидация — это метод формирования, обучающего и тестового множеств для обучения аналитической модели в условиях недостаточности исходных данных или неравномерного представления классов. В основе метода лежит разделение исходного множества данных на k примерно равных блоков, например, k = 5. Затем на k − 1, т.е. на 4-х блоках, производится обучение модели, а 5-й блок используется для тестирования. Для оценки качества кросс-валидация осуществлялась на 5 частях и в итоге бралось усредненное значение.

В результате получаем метрики в соответствии с рисунком снизу. Лучший результат показала логистическая регрессия как на тестовой выборке, так на кросс валидации.

В реальности же такой результат достаточно низкий, так как он не учитывает множество факторов. Для достижения более лучшего результата необходимо учитывать сотни факторов о клиенте и иметь большую выборку. Данная статья является обзорной и показывает возможность применения методов машинного обучения для кредитного скоринга.

Автор: Руслан Янбеков

• кредитный скоринг
• машинное обучение
• кредитоспособность
• бинарная классификация
• искусственный интеллект

Скоринг (scoring)

Скоринг – используемая банками система оценки клиентов, в основе которой заложены статистические методы. Как правило, это компьютерная программа, куда вводятся данные потенциального заемщика. В ответ выдается результат – стоит ли предоставлять ему кредит. Название скоринг происходит от английского слова score, то есть «счет».

Существуют четыре вида скоринга:

• application-scoring (дословный перевод с английского — «скоринг заявки, обращения») — оценка кредитоспособности заемщиков при выделении кредита. Это самый распространенный и известный клиентам вид скоринга. В его основе лежат первичный сбор анкетных данных заемщика, их обработка компьютером и вывод результата: предоставлять заем или нет;
• collection-scoring – система скоринга на стадии работы с невозвращенными займами. Определяет приоритетные действия сотрудников банка для возврата «плохих» кредитов. Фактически программа позволяет предпринять ряд шагов по работе с невозвращенными долгами, например от первичного предупреждения до передачи дела коллекторскому агентству. Считается, что в процессе такой обработки порядка 40% клиентов ссылаются на забывчивость и возвращают кредит;
• behavioral-scoring, «скоринг поведения» — оценка наиболее вероятных финансовых действий заемщика. Такая система дает возможность прогнозировать изменение платежеспособности заемщика, корректировать установленные для него лимиты. Основой анализа могут служить действия клиента за определенный период, например операции по кредитной карте;
• fraud-scoring – статистическая оценка вероятности мошеннических действий со стороны потенциального заемщика. Такой скоринг, как правило, используется совместно с другими видами исследования клиентов. При этом считается, что до 10% невозвратов по кредитам связаны в России с откровенным мошенничеством и этот показатель растет.

Многие скоринговые системы не только обрабатывают введенные данные, но и способны к самообучению: они учитывают модель поведения уже принятых на обслуживание клиентов, чтобы корректировать свою оценку будущих заемщиков.

На рынке программного обеспечения для банков существуют готовые решения.В то же время многие банки разрабатывает свои собственные системы.

Скоринговые системы позволяют снизить издержки и минимизировать операционный риск за счет автоматизации принятия решения, сокращают время обработки заявок на предоставление кредита, дают возможность банкам проводить свою кредитную политику централизованно, обеспечивают дополнительную защиту финансовых организаций от мошенничества. В то же время скоринг имеет и ряд недостатков: часто решение системы основано на анализе данных, предоставленных исключительно самим заемщиком. Кроме того, скоринговые системы необходимо постоянно дорабатывать и поддерживать, т. к. они учитывают только прошлый опыт и реагируют на изменения социально-экономической ситуации с запозданием.