кредитоспособность клиента:

1) Пол: женский (0,4 балла), мужской (0).

2) Возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3).

3) Срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в сумме.

4) Профессия: 0,55 – за профессию с низким риском, 0 – за профессию с высоким риском, 0,16 – другие профессии.

5) Финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19).

6) Работа: предприятия в общественной отрасли (0,21), другие (0).

7) Занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Сам Дюран определял сумму в 1,25 балла как порог кредитоспособности.

Практически все системы розничного кредитования поддерживают интеграцию с отдельными скоринговыми приложениями. Наиболее известны на российском рынке продукты компаний BaseGroup Labs и EGAR. BaseGroup Labs предлагает заказчикам систему

Deductor:Loans, последняя версия которой, кстати, была презентована в нынешнем январе. ПО построено на базе аналитической платформы Deductor, включающей инструменты для решения задач многомерного анализа (OLAP), бизнес-аналитики (business intelligence), «раскопок данных» (data mining) и др.

В состав Deductor:Loans входит модуль LoansBase.Generator, позволяющий генерировать «образцы» кредитных историй. Этот программный инструмент формирует набор примеров с разными анкетными портретами заемщиков по статистическим алгоритмам с учетом заданных распределений случайных величин. В качестве распределений можно использовать статистические данные по региону или экспертные оценки типов заемщиков. Искусственная кредитная история, по мнению разработчиков, является оптимальным вариантом обучающей выборки в тех случаях, когда реальной кредитной истории не существует или ее объем недостаточен. А такие проблемы особенно часто проявляются при потребительском кредитовании, где постоянно появляются новые виды кредитных продуктов. Причем «новички» отличаются от прежних видов кредитных программ суммой кредита или требованиями поручительства. В такой ситуации появляются и исчезают некоторые входные данные, что делает уже построенную скоринговую модель неприемлемой.

LoansBase.Generator формирует таблицу, содержащую входные факторы из анкеты заемщика, которые влияют на принятие решения о выдаче денег. Гипотезы о влиянии отдельных факторов выдвигаются, как правило, экспертами банка. Субъективность последних и является главным недостатком подхода с искусственной кредитной историей.

После создания истории начинается итеративное построение скоринговых моделей. На каждой итерации устраняются противоречия и корректируются правила. В Deductor:Loans отсутствуют балльные скоринговые методики. Вместо «классики» используются деревья решений и нейронные сети. Эти методы, кстати, делают возможной работу с выборкой, содержащей от пятисот до тысячи элементов. Деревья решений строят модель в виде правил, видоизменяются при внесении в выборку новых примеров, игнорируют несущественные признаки. Нейронные сети предназначены для выявления нелинейных зависимостей между входными и выходными факторами, позволяя дополнить скоринг оценкой вероятности возврата кредита. То есть, грубо говоря, на выходе системы получается не бинарное решение: «отдаст/не отдаст» – «1/0», а «0,53», например. То есть 53 шанса из 100, что кредит будет возвращен.

У компании EGAR можно отметить три продукта, автоматизирующих кредитный скоринг. Первый – EGAR Application Scoring – сочетает анализ исторических данных с применением макроэкономических показателей, что реализуется в модулях ретроспективного скоринга и макроскоринга соответственно. Алгоритмы, используемые при анализе розничных заемщиков, в большинстве своем аналогичны вышеописанным, но есть и ряд других подходов – например, байесовские сети. Банк, внедривший EGAR Application Scoring, получает возможность рассчитывать риски невозврата и досрочного погашения и управления просроченными кредитами с помощью определения лимитов и сроков погашения задолженности. Также система анализирует кредитные сделки с созаемщиками и поручителями и учитывает залоговое качество обеспечения кредита, беря в расчет временной фактор. Кстати, EGAR не только продает систему, но и сдает ее в аренду.

EGAR Behavior & Collection Scoring предназначен для оценки рисков уже выданных кредитов. ПО учитывает график погашения задолженности заемщиком и движение его средств на других счетах. В функциональность системы также включены средства оценки эффективности мер для ликвидации просроченной задолженности (скоринг взысканий).

Третья скоринговая разработка компании – EGAR Market Scoring – предназначена для оценки кредитоспособности юридических лиц. Этот вид скоринга относительно меньше востребован, и соответствующие ИТ-решения представлены на рынке в меньшей степени, нежели ПО, ориентированное на ритейл. И все же о скоринге компаний-заемщиков стоит упомянуть хотя бы на отдельном примере.

EGAR Market Scoring рассчитывает вероятность банкротства заемщика за период кредитной сделки. На основании этих расчетов кредитор может обосновать условия кредитования компании. В качестве входных параметров используются квартальные финансовые отчеты за год и дополнительная информация о бизнесе. На первой стадии оценки система вычисляет финансовые показатели и на их основе выводит базовую среднегодовую вероятность дефолта. Вторая стадия – дополнительная экспертная оценка с выводом поправочного коэффициента к базовой вероятности. Решение о выдаче кредита или предложении альтернативных условий сделки зависит от суммы предполагаемого кредита, залога, надежности обеспечения, длины сделки, кредитной маржи и общих параметров портфеля. Формула для базовой оценки получена из временных рядов котировок акций и облигаций российского рынка ценных бумаг и финансовых показателей сотни открытых компаний. Длина базы составляет два-три последних года.

Оценка может производиться по двум моделям. Первая – Credit Grades – использует идею Роберта Мертона о соответствии рыночной капитализации компании и опциона на покупку компании, цена которого соответствует вероятности неисполнения, то есть банкротства компании на установленном временном периоде. Вторая – модель Bonds Spreads – устанавливает соответствие вероятности невозврата кредита и разности в доходностях между опорными и корпоративными облигациями.

В заключение следует сказать, что автоматизация оценки рисков не заменит «налогопослушности» граждан и солидных зарплат, ежемесячно зачисляемых на счет каждому трудящемуся члену общества. И пока вы сами официально получаете сто долларов, а тратите, скажем, семьсот, нет смысла возмущаться: а почему это мне не дают кредит под пять-шесть процентов годовых, как «у них»? Для собственного спокойствия можете считать высокие проценты по кредитам своего рода подоходным налогом, часть которого достается государству. Ведь гораздо приятнее отдавать деньги, вспоминая симпатичную девушку, которую вы сами и выбрали, предварительно сравнив ее предложение с другими, а не безликому налоговому органу с двадцатизначным номером расчетного счета и кучей странных аббревиатур, вроде КПП, БИК и прочих ОКАПО. Попомните наше слово: внуки еще будут завидовать, слушая рассказы дедушки с бабушкой о временах, когда кредиты были дорогими…

Автор: Ваннах Михаил

Один «черный ящик» знают все. Его часто ищут среди обломков аэропланов. И хоть это вовсе не ящик, а шар, и не черный, а оранжевый, он таит в себе информацию о том, что на самом деле происходило с погибшей машиной. Кое-кто может помнить и о другом «черном ящике». Абстрактном объекте, иллюстрирующем некоторые положения кибернетики, который представляет собой закрытую систему, изучаемую только по состоянию ее входов и выходов. А вот работы Луки Пачоли объединяют в себе оба понятия «черного ящика». И оба лежат в основе нашей индустриальной цивилизации, хотя жил талантливый итальянец задолго и до кибернетики, и до аэропланов.

Лука Пачоли (Pacioli) родился в 1445 году во флорентийском Городе Святого гроба на правом берегу Тибра. В детстве помогал местному торговцу Фолько де Бельфольчи; слушал рассказы дяди – армейского капитана Бенедетто. На учение попал к Пьеро делла Франческо (1416– 92), прославленному художнику и математику. Из двух сторон дарования своего наставника юноша безоговорочно отдал сердце науке.