м прогнозувати профіль потенційної компанії - позичальника банку. Оскільки з часом дані оновлюються, природно, періодично відбувається модифікація самої скорингової карти: деякі ознаки стають більш значущими, а інші відходять на другий план. Корекція карт проводиться регулярно, а її періодичність залежить від обсягу кредитів.
скорингових бал претендента, який звернувся за кредитом, порівнюється з балами корпоративних клієнтів, вже існуючих у банку, і на цій основі робляться певні висновки про його можливу поведінку в майбутньому. Прогнозна модель будується за допомогою таких аналітичних методів, як логістична регресія або нейронні мережі. Потім обчислюється ймовірність дефолту першого (Другого, третього ...) платежу, і будується відповідна PD-модель. p> У результаті обчислюється певний бал відсікання, після зіставлення з яким приймається рішення про надання кредиту. p> Хотілося б додати кілька слів і про LGD-моделі (Loss Given Default/сума заборгованості), що пророкує ймовірність виходу з простроченої заборгованості. Вона набагато складніше, передбачити поведінку дефолтного клієнта скрутно з огляду на те, що воно сильно диверсифіковане: клієнт може виплатити кредит повністю, але не оплатити відсотки; може оплатити суму боргу частково; може виплачувати загальну суму боргу роками і т.д. p> Беручи також до уваги, що реальних дефолтів у російських банках поки накопичено недостатньо, говорити про статистично релевантною LGD-моделі в корпоративному секторі поки передчасно. Хоча, в принципі, в західних банках із застосуванням просунутих аналітичних підходів (лінійної регресії, нейронних мереж і т.д.) Recovery Rate (відсоток ймовірності повернення дефолтного клієнта назад в "хорошого") обчислюється досить точно.
Торкаючись питань моделювання, неможливо обійти увагою валідацію моделей, яка також є обов'язковою вимогою Базеля II. Будь-яка, навіть ідеально побудована, модель повинна бути апробована і підтверджена на предмет точності своїх прогнозів. Валідація моделей може проводитися різними способами.
Найбільш часто зустрічається out-of-sample validation, коли більша частина наявних даних (приблизно 70%) використовується для побудови моделі, а решта (не задіяні в моделюванні) йде на її валідацію. Цей підхід дозволяє переконатися, що "успішна" на одних даних модель продовжує будувати точні прогнози і на інших даних кредитного портфеля. Незручність застосування методу виникає лише при недостатній кількості даних, які вам доводиться ще при цьому ділити. Тут хочеться відзначити, що статистично релевантними результатами вважаються ті, що отримані на вибірці, яка містить як мінімум 2000 записів і достатня кількість дефолтів. p> Закінчуючи тему моделювання, хотілося б також торкнутися ще такого цікавого питання, як стрес-тестинг. Цей метод дозволяє "Глибше" дізнатися кредитний портфель, дозволяючи розрахувати потенційні втрати на сильно змінюється ринку. Для російських банків з їх динамічно зростаючим портфелем це особ...
