- Наиболее прогрессивным методом управления неопределенностью при кредитовании клиентов является количественный расчет риска кредитования того или иного клиента в виде вероятностей его дефолта. Так возникли скоринговые модели (от англ. score - счет), позволяющие количественно рассчитывать кредитоспособность клиента на основе предварительной информации о нем. Отметим, что с помощью метода экспертных оценок можно обрабатывать только относительно небольшое число кредитных заявок. В результате, как правило, создается однообразная клиентская база из состоятельных клиентов. Кроме того, опытных экспертов всегда мало (особенно в одном банке), эксперты не подлежат "обучению", как на обычных людей, на них можно оказывать влияние и т.д.
Скоринговые методы, напротив, позволяют обрабатывать неограниченное количество заявок, способствуют формированию более разнообразной клиентской базы и при наличии эффективных моделей не требуют особых навыков персонала и постоянного контроля.
Сравнивая экспертные и скоринговые методы оценки дефолта заемщика, можно утверждать, что последние обладают большей точностью и объективностью, в то время как экспертные методы слишком ориентированы на негативные факторы, приводят к одним и тем же результатам независимо от того, кто ими пользуется, и пр. Некоторые специалисты, и в том числе автор этих строк, считают, что скоринговые модели выполняют те же задачи, что и люди, только более качественно.
Таким образом, оценка риска на основе скоринговых моделей - это наилучший метод управления неопределенностью при кредитовании.
Бюро кредитных историй клиентов
Одним из способов снижения кредитных рисков являются попытки создания в России бюро кредитных историй (БКИ) заемщиков.
Прообраз таких бюро за рубежом появился более 100 лет назад, когда английские портные начали обмениваться информацией о дворянах, не заплативших за сшитые для них костюмы.
Хотелось бы отметить один негативный моменте деятельности БКИ. Принципом многих бюро является сбор от банков - членов бюро негативной информации. Предоставление же позитивной информации осуществляется по усмотрению банка. Негативная информация является не только однобокой, но и неполной, так как дисциплинированных заемщиков всегда больше, чем нарушителей. Кроме того, факт, что какой-то заемщик всегда выполнял свои обязательства по кредиту, вовсе не означает, что и очередной кредит будет им полностью возвращен. Информация о безукоризненном выполнении заемщиком своих обязательств в прошлом повышает только априорную оценку вероятности возврата этим заемщиком очередного кредита, и не более того! Так, например, если какой-либо заемщик брал 7 кредитов и всегда их своевременно и полностью возвращал, то перед выдачей ему 8-го априорная оценка вероятности возврата данного кредита будет составлять 0,875 с дисперсией этой оценки 0,012. Если указанный заемщик вернет без замечаний и 8-й кредит, то перед выдачей ему 9-го априорная оценка вероятности возврата этого кредита возрастет до 0,889 и с уже меньшей дисперсией - 0,010. Все это значит, что как бы надежен не был заемщик, вероятность возврата им кредита при условии воздействия большого количества случайных факторов никогда нельзя считать априори стопроцентной.
Все созданные к настоящему времени негосударственные БКИ нуждаются в методах оценки кредитных рисков на основе ограниченной информации о клиенте, поскольку информации, необходимой для достоверной оценки кредитоспособности клиента, практически всегда мало. Кроме недостатка информации о заемщике, существует еще одна трудность - обеспечение достоверности данных о клиенте. В дальнейшем, после накопления в БКИ достаточной информации о клиентах, последним можно будет присваивать соответствующие рейтинги. Поэтому руководители БКИ заявляют об острой необходимости разработки для БКИ соответствующего программного обеспечения по оценке и прогнозу кредитных рисков [1 - 3].
В этих условиях наиболее перспективным методом оценки дефолтов клиентов является скоринг.
К сожалению, отсутствие в ряде случаев достаточного объема данных о клиенте тормозит более широкое внедрение скоринга. Соответственно встает вопрос об использовании всех имеющихся сведений о клиенте. Это значит, что, кроме ограниченных данных о том, что клиент брал и всегда вовремя возвращал кредиты, существует много качественной и до настоящего времени не используемой информации о нем, например информации в виде индикаторов дефолта клиента.
Исходя из вышесказанного в данной статье рассматривается вопрос комплексирования качественной (экспертной) и количественной (экспериментальной) информации о клиенте для повышения точности оценки вероятности дефолта этого клиента.
Методы оценки финансовых рисков по их индикаторам
Началом оценки финансовых рисков по индикаторам является этап обнаружения, когда осуществляется необходимая активизация структур риск-менеджмента и ориентация их на работу с конкретным риском или рисками. Чем раньше начнется этот этап, тем шире будут возможности его методов и эффективнее действия менеджмента [4].
Индикаторы рисков представляют собой сигналы раннего оповещения о потенциальной негативной ситуации, практически не требуют организационных усилий и финансовых затрат по их обнаружению, идентификации и включению в оперативные циклы риск-менеджмента. Основная задача индикаторов - дать информацию об инициировании и активизации нестабильных агрессивных факторов окружающей среды; область действия и спектр может быть очень широк, они должны играть важную роль при формировании законченного комплекса банковского риск-менеджмента. Несомненно, использование индикаторов в качестве информационных инструментов риск-менеджмента предполагает их группировку, классификацию и ранжирование.
Наиболее интересными для рассмотрения возможностей применения индикаторов при оценке рисков представляются бизнес-структуры, население (физические лица) и банки.
В специализированной литературе имеется множество разработок и предложений по оценке индикаторов рисков. В качестве примера для проведения расчетов банковских рисков при работе с вышеперечисленными клиентами далее используются индикаторы рисков из работы Ю.Ю. Русанова [4]. В этой работе показаны индикаторы рисков в различных областях и различных степеней опасности. Рассмотрены кредитные, депозитные, инвестиционные, процентные, рыночные риски и риск ликвидности, а также общие риски, имеющие техногенное, природное, криминальное и социальное происхождение.
Индикаторы банковских рисков играют в банковском риск-менеджменте особую роль, так как имеют широкий спектр применения. Банки могут использовать их как по отношению к своим клиентам, так и в качестве информационных инструментов внутреннего контроля и аудита. Кроме того, указанные индикаторы могут применять органы надзора, клиенты, партнеры банков и др.
Рассмотрим теперь возможность количественной оценки финансовых рисков по их индикаторам.
В качестве математического аппарата для решения этой задачи возьмем теорему Байеса. В общем случае эта теорема используется следующим образом. Предположим, в нашем распоряжении есть несколько несовместимых гипотез Н1, H2, ..., Нn для объяснения некоторого явления, причем хотя бы одна из этих гипотез должна объяснять указанное явление. Гипотеза проверяется при помощи эксперимента. Перед его началом может быть очень трудно определить априорные вероятности данных гипотез. Экспериментатор приписывает гипотезам вероятности, пропорциональные степени их правдоподобия для него лично. Целью эксперимента является разумная коррекция этих доопытных вероятностей, результатом опыта - замена доопытных вероятностей послеопытными.
Таким образом, на основе опыта аккумулируются наши отношения к различным гипотезам, при этом ослабляется степень доверия к одним и усиливается вера в другие. И чем больше накапливается оснований для изменения степени доверия к различным гипотезам, тем меньше остается произвола в выборе какой-либо гипотезы.
Допустим, мы оцениваем тот или иной риск. Это значит, что мы должны определить вероятность какого-то негативного события. Обозначим его через Q. Для события Q имеется n индикаторов, которые обозначим через Нi (i = 1, ..., n). По сути, эти индикаторы являются гипотезами для события Q. Степень опасности каждого индикатора (гипотезы) оценивается как "очень высокая", "высокая", "средняя", "низкая", "случайная".
Переходя к условным вероятностям и обозначениям Байеса, запишем очевидные соотношения:
Р(Нi) - вероятность (опасность) i-го индикатора (гипотезы);
P(Q/Hi) - вероятность события Q при условии реализации i-го индикатора (гипотезы);
Р(Нi * Q) = Р(Нi)Р(Q/Hi) - вероятность пересечения i-го индикатора (гипотезы) и события Q, где знак * -логическое "И";
P(Hi/Q) = Р(Нi * Q)/P(Q) - вероятность i-го индикатора (гипотезы) при условии реализации события Q;
P(Q) = (SUM)P(Hi * Q) - вероятность события Q, где (SUM) - программное обозначение суммы, при i = 1, ..., n.
Таким образом, даны теоретические выражения для количественной оценки вероятности события Q, представляющего в данной работе событие негативного характера, или дефолт клиента. Например, для кредитного риска это событие отказа заемщика от выплат по кредиту и др.
В целом если математические методы оценки финансовых рисков дают исторические оценки этих рисков, то оценки финансовых рисков на основе индикаторов - текущие оценки этих рисков. Очевидно, что наиболее достоверные оценки ожидаемых финансовых рисков можно получить путем комбинирования исторических математических оценок с текущими индикаторными оценками финансовых рисков, что и предлагается ниже.
Комплексные методы оценки финансовых рисков