|
||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||
9 |
Семейное положение и пол |
Z9 |
4 |
|||||||||||||||||||||||||||||||||||||||
10 |
Совместные обязательства или поручитель |
Z10 |
3 |
|||||||||||||||||||||||||||||||||||||||
11 |
Время проживания в данной местности |
Z11 |
4 |
|||||||||||||||||||||||||||||||||||||||
12 |
Вид гарантии |
Z12 |
4 |
|||||||||||||||||||||||||||||||||||||||
13 |
Возраст |
Z13 |
5 |
|||||||||||||||||||||||||||||||||||||||
14 |
Наличие других займов |
Z14 |
3 |
|||||||||||||||||||||||||||||||||||||||
15 |
Наличие жилой площади |
Z15 |
3 |
|||||||||||||||||||||||||||||||||||||||
16 |
Количество займов с банком |
Z16 |
4 |
|||||||||||||||||||||||||||||||||||||||
17 |
Профессия |
Z17 |
4 |
|||||||||||||||||||||||||||||||||||||||
18 |
Число родственников на иждивении |
Z18 |
2 |
|||||||||||||||||||||||||||||||||||||||
19 |
Наличие телефона |
Z19 |
2 |
|||||||||||||||||||||||||||||||||||||||
20 |
Иностранный или местный житель |
Z20 |
2 |
Таблица2. Структура статистических данных
В работе используются реальные данные. Всего 1000 наблюдений. 700 заемщиков не вернули кредит «1», 300 – вернули «0».
В банках используются, главным образом, следующие методики:
· Скоринговые методики;
· Кластерный анализ;
· Дискриминантный анализ;
· Дерево классификаций;
· Нейронные сети;
· Технологии Data mining;
· Линейная вероятностная регрессионная модель;
· Logit-анализ;
Приступим к описанию этих методик.
Скоринг кредитов физических лиц представляет собой методику оценки качества заемщика, основанную на различных характеристиках клиентов, таких как доход, возраст, семейное положение, профессия и др. В результате анализа переменных получают интегрированный показатель, который оценивает степень кредитоспособности заемщика по ранговой шкале: «хороший» или «плохой». Дается ответ на вопрос, вернет заемщик кредит или нет? Качество заемщика оценивается определенными баллами, отражающими степень его кредитоспособности. В зависимости от балльной оценки принимается решение о выдаче кредита и его лимитах [4].
Привлечение банками для оценки кредитоспособности квалифицированных специалистов имеет несколько недостатков: во-первых, их мнение все же субъективно; во-вторых, люди не могут оперативно обрабатывать большие объемы информации; в-третьих, оплата хороших специалистов требует значительных расходов. Поэтому банки все больше интересуются такими системами оценки риска, которые позволили бы минимизировать участие экспертов и влияние человеческого фактора на принятие решений.
Для оценки кредитного риска производится анализ кредитоспособности заемщика, под которой понимается его способность полностью и в срок рассчитаться по своим долговым обязательствам. В соответствии с таким определением основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и в степени надежности и обязательности клиента.
Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что потенциальный заемщик вернет кредит в срок. Скоринг является методом классификации всей интересующей нас популяции на различные группы, когда нам неизвестна характеристика, которая разделяет эти группы, но зато известны другие характеристики.
В западной банковской системе, когда человек обращается за кредитом, банк располагает следующей информацией для анализа: анкетой, которую заполняет заемщик; информацией на данного заемщика из кредитного бюро, в котором хранится кредитная история взрослого населения страны; данными движения по счетам, если речь идет о клиенте банка.
Кредитные аналитики оперируют следующими понятиями: «характеристики-признаки» клиентов и «градации-значения», которые принимает признак. В анкете клиента характеристиками-признаками являются вопросы анкеты (возраст, семейное положение, профессия), а градациями-значениями— ответы на эти вопросы. В упрощенном виде скоринговая модель дает взвешенную сумму определенных характеристик. В результате получают интегральный показатель (score); чем он выше, тем выше надежность клиента (табл.3.). Интегральный показатель каждого клиента сравнивается с неким заданным уровнем показателя. Если показатель выше этого уровня, то выдается кредит, если ниже этой линии, — нет.
Сложность в том, какие характеристики-признаки следует включать в модель и какие весовые коэффициенты должны им соответствовать. Философия скоринга заключается не в поиске объяснений, почему этот человек не платит. Скоринг использует характеристики, которые наиболее тесно связаны с ненадежностью клиента. Неизвестно, вернет ли данный заемщик кредит, но известно, что в прошлом люди этого возраста, этой профессии, с таким уровнем образования и числом иждивенцев кредит не возвращали (или возвращали).
Таблица 3. Скоринговая карта
Показатель |
Значение |
Баллы |
Возраст |
20 - 25 |
100 |
|
26 - 30 |
107 |
|
31 - 40 |
123 |
|
………… |
………….. |
Доход |
1000 - 3000 |
130 |
|
3001 - 5000 |
145 |
|
5001 - 6000 |
160 |
|
………… |
………….. |
Среди преимуществ скоринговых систем западные банкиры указывают в первую очередь снижение уровня невозврата кредита. Далее отмечаются быстрота и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, определение оптимального соотношения между доходностью кредитных операций и уровнем риска.
Методы кластерного анализа позволяют разбить изучаемую совокупность объектов на группы однородных в некотором смысле объектов, называемых кластерами или классами. Иерархические и параллельные кластер-процедуры практически реализуемы лишь в задачах классификации не более нескольких десятков наблюдений. К решению задач с большим числом наблюдений (как в наших целях) применяют последовательные кластер-процедуры - это итерационные алгоритмы, на каждом шаге которых используется одно наблюдение (или небольшая часть исходных наблюдений) и результаты разбиения на предыдущем шаге. Идею этих процедур реализована в «SPSS» методе средних («K-Means Clustering») с заранее заданным числом классов.
Алгоритм заключается в следующем: выбирается заданное число k- точек и на первом шаге эти точки рассматриваются как "центры" кластеров. Каждому кластеру соответствует один центр. Объекты распределяются по кластерам по такому принципу: каждый объект относится к кластеру с ближайшим к этому объекту центром. Таким образом, все объекты распределились по k кластерам. Затем заново вычисляются центры этих кластеров, которыми после этого момента считаются покоординатные средние кластеров. После этого опять перераспределяются объекты. Вычисление центров и перераспределение объектов происходит до тех пор, пока не стабилизируются центры.
Если данные понимать как точки в признаковом пространстве, то задача кластерного анализа формулируется как выделение "сгущений точек", разбиение совокупности на однородные подмножества объектов.
При проведении кластерного анализа обычно определяют расстояние на множестве объектов; алгоритмы кластерного анализа формулируют в терминах этих расстояний. Мер близости и расстояний между объектами существует великое множество. Их выбирают в зависимости от цели исследования. В частности, евклидово расстояние лучше использовать для количественных переменных, расстояние хи-квадрат - для исследования частотных таблиц, имеется множество мер для бинарных переменных.
Меры близости отличаются от расстояний тем, что они тем больше, чем более похожи объекты.
Пусть имеются два объекта X=(X1,…,Xm) и Y=(Y1,…,Ym). (табл.4. ) Используя эту запись для объектов, определить основные виды расстояний, используемых процедуре CLUSTER:
· Евклидово расстояние (Euclidian distance).
· Квадрат евклидова расстояния (Squared Euclidian distance)
· Эвклидово расстояние и его квадрат целесообразно использовать для анализа количественных данных.
· Мера близости - коэффициент корреляции , где и компоненты стандартизованных векторов X и Y. Эту меру целесообразно использовать для выявления кластеров переменных, а не объектов. Расстояние хи-квадрат получается на основе таблицы сопряженности, составленной из объектов X и Y (таблица 4.), которые, предположительно, являются векторами частот. Здесь рассматриваются ожидаемые значения элементов, равные E(Xi)=X.*(Xi+Yi)/(X.+Y.) и E(Yi)=Y.*(Xi+Yi)/(X.+Y.), а расстояние хи-квадрят имеет вид корня из соответствующего показателя
.
· Расстояние Фи-квадрат является расстоянием хи-квадрат, нормированным "число объектов" в таблице сопряженности, представляемой строками X и Y, т.е. на корень квадратный из N=X.+Y. .
Кластерный анализ является описательной процедурой, он не позволяет сделать никаких статистических выводов, но дает возможность провести своеобразную разведку - изучить "структуру совокупности".
Проведем кластеризацию по всем 20 признакам и всем наблюдениям. В результате работы программы выводится таблица 5. (показана лишь ее часть)
Таблица 5. Cluster Membership
Case Number
Y
Cluster
Distance
…………
…
……
…………
822
0
0
2985,732
823
1
0
2996,715
824
0
0
3040,706
825
1
0
3054,689
826
0
0
3099,727
827
1
0
3108,674
828
1
1
3100,310
829
1
1
3053,258
830
1
1
3043,285
831
1
1
2991,286
…………
……
………
…………
Столбец Y показывает, относится ли наблюдение к группе вернувших кредит “0” или навернувших “1”, столбец «Cluster» показывает принадлежность к той или иной группе наблюдения на основе кластеризации.
Таблица 6 указывает число наблюдений в том или ином кластере.
Таблица 6. Number of Cases in each Cluster
Cluster
1
822,000
0
178,000
Valid
1000,000
Missing
,000
Проанализируем качество классификации.
Страницы: 1, 2