аних балів по таблиці ж розраховувався максимальний розмір позики, яку банк готовий був надати позичальнику. Сучасний же арсенал методів кредитного скорингу, не відкидаючи використання скорингових карт, заснований на використанні інструментів предиктивного аналізу (від англійського слова prediction - прогноз, передбачення), що належать до широкого класу так званих методів поглибленого аналізу даних (data mining) [12].
При наявності достатнього обсягу статистичних даних для побудови статистичних моделей даний метод має ряд переваг: швидкість прийняття рішення, можливість розташувати позичальників за ступенем ризику. За даними деяких досліджень, після впровадження скорингових систем рівень безнадійного боргу скоротився на 50%. Незважаючи на вагу ці переваги, варто відзначити обмеження, що накладаються на аналізований підхід. По-перше, вхідний потік позичальників повинен належати одному лімітні діапазону. По-друге, такий підхід непридатний для великих сум кредитування, де скоринг традиційно показує малу ефективність. [11] У 90-ті роки дослідження кредитного ризику переключилися з аналізу ризику індивідуального кредитоотримувача на аналіз кредитного ризику по всьому портфелю фінансового інституту. [9]
Оцінивши кредитоспроможність конкретного кредитоотримувача, банк проводить оцінку кредитного ризику свого портфеля. Розглянемо найбільш поширені в практиці західних фінансових інститутів моделі оцінки кредитного ризику банківського портфеля. Моделі оцінки кредитного ризику банківського портфеля можна класифікувати по вживаному математичному апарату [10]
Економетричні моделі, в основі яких лежить багатовимірний статистичний аналіз (регресійний аналіз, кластерний і дискримінантний аналізи).
Нейронні мережі-комп'ютерні алгоритми, що імітують роботу людського мозку за допомогою взаємодії взаємопов'язаних «нейронів». У нейросетях використовуються ті ж вхідні дані, що і в економетричних моделях. Але моделі оцінки кредитного ризику будуються за допомогою певних процедур навчання розпізнаванню образів (класів, ситуацій, процесів і т.д.).
Оптимізаційні моделі, засновані на методах математичного прогнозування, що дозволяють мінімізувати помилки кредитора і максимізувати прибуток з урахуванням різних обмежень. За допомогою методів математичного програмування, зокрема, визначають оптимальні частки клієнтів в портфелі позик і (або) оптимальні параметри кредитних продуктів.
Експертні системи використовуються для імітації оцінки ризику досвідченим кредитним інспектором при прийнятті рішення про надання кредитів. Складовими експертної системи є: набір логічних правил виводу, база знань, що містить кількісні та якісні дані про об'єкт прийняття рішень, а також модуль для введення відповідей користувача на питання системи.- Гібридні системи використовують статистичне оцінювання та імітаційне моделювання і можуть бути засновані на причинно-наслідкових співвідношеннях (модель EDF оцінки ймовірності дефолту кредитоотримувача, розроблена компанією KMV).
Одним з найпоширеніших у міжнародній практиці підходів до оцінки ризиків є методологія визначення показника вартості під ризиком (прийнятий міжнародний термін VaR - value-at-risk). Головне завдання даної методології на підставі статистичних методів (метод Монте Карло, метод історичного моделювання, кореляційно - коваріаційний метод і т.д.) спрогнозувати найбільший очікуваний збиток, обумовлений волатильністю фінансових ринків в заданому проміжку часу із заданим довірчим інтервалом. [8]
Згідно з дослідженням, проведеним компанією InteDelta, 18% банків використовують саме метод Monte Carlo як єдино застосовуваної методології оцінки кредитного ризику, 35% використовують його в сукупності з положеннями add-on методу, 29% використовують тільки add-ons, решта - аналітичну методологію та історичне моделювання (рис 3).
На сьогоднішній день для оцінки і вимірювання кредитного ризику найбільшими банками світу використовується достатня кількість моделей, заснованих в тій чи іншій мірі на методології VaR: CreditMetrics, CreditRisk +, Portfolio Manager, CreditPortfolio View, Jarrow Turnbull Model, причому наступ кредитного ризику в даних моделях трактується як зниження кредитного рейтингу або дефолт кредитоотримувача. [8]
Малюнок 3 - Методології оцінки кредитного ризику
Після того, як банк оцінив ймовірність настання ризику, він може, на основі отриманих даних, приймати рішення по його управлінню. Існує декілька стратегій управління банківськими ризиками. Так, наприклад, банк може піти на відмову від кредитування ненадійного клієнта, рівень ризику якого досить великий. Але, чим вище ризик, чим більше шанс отримати високий прибуток (Рис 4).
Мал...
