Оценка кредитного риска при потребительском кредитовании

Размещено на http://www.allbest.ru/

Аннотация

Объем потребительского кредитования в США на данный момент составляет более $3 трлн., в это же время бурно развивается область «peer-to-peer» (P2P) кредитования, так, например, объем выданных кредитов крупнейшей американской P2P заемной компании Lending Club составляет $4 млрд. Однако на данный момент сравнительно немного работ посвящено оценке кредитного риска при “peer-to-peer” кредитовании, оценка которого характеризуется рядом особенностей по сравнению с традиционным кредитованием.. Термин P2P кредитование означает процесс кредитования между физическими лицами на онлайн-платформе без участия традиционных финансовых посредников, таких как коммерческие банки. В работе предложен способ моделирования кредитного риска при P2P кредитовании, в результате которого будут определены факторы, оказывающие влияние на кредитный риск при данном виде кредитования. Оценка кредитного риска проводится путем оценки вероятности дефолта заемщика на данных, предоставленных американской P2P заемной компанией Lending Club за 2008-2011 гг. с помощью построения модели бинарного выбора, а именно модели пробит и модели пробит с инструментальными переменными. Модель пробит с инструментальными переменными строится с целью корректировки модели на эндогенность некоторых факторов, а именно уровня использования возобновляемых заемных средств заемщиком. Инструментальными переменными выступают изначальный показатель, усредненный по группам кредитного риска и коэффициент отношения долга к доходу заемщика. В результате моделирования получено, что основными факторами, оказывающими влияние на кредитный риск заемщика, являются показатели кредитного риска, используемые в США и компаний Lending Club в частности, ставка процента по кредиту, доход заемщика, ставка рефинансирования, установленная Центральным Банком США на момент подачи заявки на кредит, кредитная история заемщика, а также упомянутый ранее уровень использования возобновляемых заемных средств заемщиком. Практическим приложением работы является использование результатов моделирования для формирования инвестиционных портфелей кредиторов, а также использование опыта по моделированию эндогенности при оценке кредитного риска коммерческими банками при разработке систем риск-менеджмента для потребительского кредитования.



Abstract

Consumer lending in the United States currently accounts for more than $ 3 trillion. At the same a new branch of consumer lending - «peer-to-peer» (P2P) lending is developing rapidly, for example, the volume of loans given of largest American P2P lending company Lending Club accounts for more than $ 4 billion. However, there are quite a few studies considering credit risk evaluation in P2P lending, special features of credit risk evaluation remains unexplored in this area. The term P2P lending describes the loan origination process between private individuals on online platforms, without using services of traditional financial intermediaries such as a commercial banks. This paper proposes a method for modeling credit risk in P2P lending. The result of the modeling will be a list of factors influencing credit risk in this type of lending. Credit risk evaluation is carried out by assessing the probability of borrower's default based on data provided by American P2P lending company Lending Club during 2008-2011 time period. Modeling method implies constructing a binary choice model, particularly probit model and probit model with instrumental variables. Probit model with instrumental variables is constructed in order to adjust the model for endogeneity of some factors, revolving line utilization rate in particular. Instrumental variables are the initial rate, averaged over groups of credit risk and the borrowers' debt-to-income ratio. The main factors influencing the credit risk of the borrower are credit risk indicators used in the USA and by Lending Club in particular , the interest rate of the loan, the borrower's income, discount rate set by the Central Bank of the United States at the moment of filing for a loan, the borrower's credit history, and previously mentioned revolving line utilization rate. Results are applied to building investor portfolios based on group of criteria derived from the credit risk modeling. Also the experience of modeling endogeneity in the process of credit risk evaluation may be useful to commercial banks during the development of risk-management systems for consumer lending.

Введение

На данный момент банки находятся в условиях обостряющейся конкуренции и вынуждены прибегать к все более рискованным путям ведения своей экономической деятельности. В условиях прошедшего мирового экономического кризиса для коммерческих банков обостряются проблемы кредитных рисков, состояния просроченной задолженности и уровня возвратности кредитов, платежеспособности заемщиков, сбалансированности ресурсов и ликвидности.

Кредитные операции коммерческих банков являются одним из важнейших видов банковской деятельности. Как правило, кредитование является наиболее доходным видом деятельности банка, но в то же время и наиболее рискованным. Кредитный риск, соответственно, занимает главное место среди банковских рисков, особенно при потребительском кредитовании.

Кредитный риск представляет собой риск невыполнения кредитных обязательств перед кредитной организацией третьей стороной. Невыполнение обязательств может быть вызвано целым рядом событий, от банкротства до стихийных бедствий, военных действий, неопределимой силы, имеющей природный, экономический и политический характер.

Объем потребительского кредитования в США на данный момент составляет более $3 трлн., в это же время бурно развивается область «peer-to-peer» (P2P) кредитования, так, например, объем выданных кредитов крупнейшей американской P2P заемной компании Lending Club составляет $4 млрд. (Federal Reserve, 2014) Работ, посвященных анализу кредитного риска в этой области, крайне мало, по сравнению с традиционным потребительским кредитованием, поэтому специфика оценки кредитного риска при P2P кредитовании остается неисследованной. Цель данного исследования состоит в предложении метода оценки кредитного риска в этой области, который может быть использован в рамках IRB (Internal Risk-Based) подхода. IRB подход был предложен в международном стандарте Базеле II, широко используется коммерческими банками в настоящее время и позволяет оценивать кредитный риск заемщика на основе систем внутренних рейтингов (Банк России, 2012) .

Данный исследовательский вопрос является продолжением предыдущей работы автора (Мальцев, 2013) об оценке кредитного риска при P2P кредитовании; ключевой момент данной работы - рассмотрение проблемы эндогенности. Проблема эндогенности наблюдается, потому что некоторые из факторов могут иметь эндогенную природу, т.е. могут изменяться по воле заемщика. Например, заемщик может изменить свое поведение, тем самым изменив значения своих финансовых характеристик, учтенных моделью, с целью увеличения своих шансов на получение кредита. Это приведет к тому, что оценки параметров кредитного риска соответствующей эконометрической модели будут смещенными и несостоятельными, таким образом, интерпретация коэффициентов модели будет некорректна, т.е. модель будет экономически неадекватна и неприменима на практике. В рассмотренной литературе по данной тематике автором не были обнаружены работы, исследующие эту проблему

Для того чтобы оценить кредитный риск следует ответить на следующий вопрос: какие факторы оказывают влияние на данный вид риска? Таким образом, основной вопрос исследования: какие факторы влияют на кредитный риск при P2P кредитовании и в какой степени, учитывая, что некоторые факторы имеют эндогенную природу? Выделяется три группы факторов, влияние которых обсуждается в академической литературе и практике банковского риск-менджмента: социально-демографические и финансовые характеристики заемщика, а также макроэкономические условия экономического окружения заемщика.

Таким образом, задачами исследования являются:

Определение факторов, оказывающих влияние на кредитный риск при P2P кредитовании и оценка степени влияния каждого фактора;

Построение эконометрической модели, учитывающей эндогенную природу факторов.

Разработка примерной структуры рекомендаций для формирования инвестиционного портфеля заемщиков.

Задачи будут достигнуты путем эконометрического моделирования (а именно, построением модели пробит с инструментальными переменными (probit IV)) на основе данных, предоставленных P2P заемной компанией Lending Club. Полученная в ходе исследования эконометрическая модель позволит описать кредитный риск при P2P кредитовании. При этом данная модель может быть использована кредитором в качестве инструмента для выбора заемщиков с наименьшим кредитным риском, т.е. с наибольшей вероятностью погашения долга. Более того, результаты работы могут быть использованы коммерческими банками при разработке систем риск-менеджмента в потребительском кредитовании, в частности результаты анализа эндогенности факторов.



1. Теоретическое обоснование

1.1 Оценка кредитного риска при потребительском кредитовании

На данный момент общепринятыми параметрами, которые позволяют измерить кредитный риск, являются (Банк России, 2012):

PD (Probability of Default) - вероятность дефолта;

LGD (Loss Given Default) - доля потерь в случае дефолта;

EAD (Exposure At Default) - требования под риском дефолта.

Классификации моделей оценки кредитного риска различны, но вне зависимости от критериев классификации все сводится к тем же группам моделей. Модели делятся на два типа: традиционные и сравнительно «новые» модели (Angelini, 2007). Данный критерий классификации чрезвычайно прост и в то же время очень ёмок, поскольку на данный момент позволяет классифицировать любую модель:

Традиционные:

Экспертные модели;

Рейтинговые системы;

Скоринговые модели;

Новые:

Искусственные нейронные сети;

Дерево решений;

Модели нечетких множеств;

Генетические алгоритмы и др.

В потребительском же кредитовании согласно J.N. Crook et al. (2007) в основном применяются скоринговые модели, сущность которых заключается в присвоении баллов на основе показателей заемщика и принятии решения к какой группе отнести заемщика на основе результата набранных баллов и порогового значения. Существуют следующие скоринговые методики:

Статистические методы (Дискриминантный анализ, логит регрессия, линейная регрессия);

Математическое программирование;

Нейронные сети;

Дерево принятия решений;

Метод опорных векторов и др.

Сравнительный анализ точности прогнозирования данных моделей представлен в Таблице 1.

Использующиеся в моделях потребительского кредитования факторы можно разделить на 3 группы. Первая группа состоит из личных данных заемщика (пол, возраст, образование, число детей и т.д.). Также важнейшей группой факторов кредитного риска заемщика является его кредитная история (наличие непогашенных кредитов, выплаченные кредиты, показатели кредитного рейтинга и т.д.). Кроме того, на кредитный риск заемщика могут оказывать влияние показатели его экономического окружения (уровень безработицы, ставка рефинансирования, установленная ЦБ и т.д.).

Результаты эмпирических работ в этой области различны, так, например T. Japelli (1990) на данных опроса потребителей США за 80-ые года с помощью модели бинарного выбора пришел к выводу, что важными факторами являются кредитная история, возраст и доход, J.N. Crook (1996) выделил влияние уровня образования и числа детей; K. Roszbach, T. Jacobson (1998) проведя анализ с помощью полупараметрического моделирования на данных банков Швеции за 1993-1995 гг. утверждают, что доход не влияет на кредитный риск, и что мужчинам чаще отказывают в займе.

Таблица 1

Сравнительный анализ точности прогнозирования моделей оценки кредитного риска при потребительском кредитовании, %1

Автор	Линейная регрессия	Модели бинарного выбора	Дерево принятия решений	Математическое программирование	Нейронные сети	Генетические алгоритмы	Генетическое программирования	Метод ближайших соседей	Метод опорных векторов
Srinivisan (1987)	87,5	89,3	93,2	86,1
Boyle (1992)	77,5		75	74,7
Henley (1995)	43,4	43,3	43,8
Desai et al. (1997)	66,5	67,3			66,4
Yobas (2000)	68,4		62,3		62	64,7
West (2000)	79,3	81,8	77		82,6			76,7
Lee et al. (2002)	71,4	73,5			73,7
Malhotra (2003)	69,3				72
Baesens (2003)	79,3	79,3	77	79	79,4			78,2	79,7
Ong et al. (2005)	80,8		78,4		81,7		82,8

1 Сост. по источнику: Crook et. al. (2007).

1.2 Анализ peer-to-peer кредитования как области исследования

Одним из видов потребительского кредитования является «peer-to-peer» (P2P) кредитование. P2P - кредитование обычно расшифровывается как «peer-to-peer кредитование» («кредитование среди равных», «одноранговое кредитование») или «person-to-person кредитование» («кредитование от человека человеку»), «социальное кредитование». Данный термин означает осуществление выдачи и получения займов физическими лицами без использования услуг посредников - финансовых институтов. Реализация данного процесса проходит на специализированных интернет-площадках, где пользователь может быть как в роли кредитора, так и заемщика (Агентство доступных кредитов, 2013).

Первая в мире компания, специализирующаяся на P2P кредитовании - Zopa, была зарегистрирована в Великобритании в феврале 2005 года. Годом позже в США появился интернет-сервис Prosper, затем на рынок вышла международная Kiva. На данный момент к крупнейшим компаниям также относятся Lendingclub.com (США), Smava.de (Германия) (Лайф.Среда, 2013). Основные характеристики крупнейших P2P заемных компаний представлены в Таблице 2.

Таблица 2

Обзор крупнейших P2P заемных компаний1

Характеристика	Prosper Marketplace Inc.	Lending Club Corp.	Zopa Ltd.	Smava GmbH
Адрес (URL)	prosper.com	lendingclub.com	zopa.co.uk	smava.de
Рынок	США	США	Великобритания	Германия
Сотрудничающие бюро кредитных историй	Experian plc	TransUnion LLC	Equifax Inc.	Schufa Holding AG
Банк, обрабатывающий займы	Wells Fargo Inc.	WebBank (Web-Financial Corp.)	The Royal Bank of Scotland plc	biw Bank fьr Investments und Wertpapiere AG
Максимальный размер займа	$25,000	$25,000	Ј15,000	€25,000
Определение ставки процента по займу	Аукцион/устанавливается заемщиком	В зависимости от группы по кредитному рейтингу	Аукцион	Устанавливается заемщиком
Комиссия	Заемщик платит процент от суммы кредита Кредитор платит процент от суммы выданных кредитов	Заемщик платит процент от суммы кредита Кредитор платит процент от полученных средств	Заемщик платит фиксированную плату Кредитор платит процент от суммы выданных кредитов	Заемщик платит процент от суммы кредита

1 Сост. по источнику: Berger и Gleisner (2008).

Идея P2P кредитования достаточно проста: замена громоздкого посредника в лице банка с его огромным штатом, офисами, банкоматами, инкассаторами и прочим на интернет-площадку, где заемщики выставляют свои заявки на получение займов, а кредиторы сами решают, кому дать в кредит (Hulme и Wright, 2006). При условии, что площадка будет брать 1-2% комиссионных, то и заемщики смогут получить ставку ниже, чем в банке, и кредиторы будут иметь большую доходность, нежели чем по традиционным банковским вкладам.

Основным фактором успеха Р2Р площадок являются низкие комиссионные в сравнении с банками. Данные о себе заемщик вносит через интернет, и в течении получает решение по размеру кредита и процентной ставке. Главным условием является предоставление номера социального страхования, что означает доступ ко всей персональной информации: социальный статус, зарплата, кредитный рейтинг и т.д. (Лайф.Среда, 2013)

В России эту область кредитования представляют несколько компаний, например Кредитная биржа Webmoney - сервис, осуществляющий свою деятельность через электронные кошельки Webmoney, представляющий собой систему подбора кредиторов заемщиками. Другим сервисом является сайт Вдолг.ру - относительно крупный игрок на рынке, создана в 2012 году при участии информационно-аналитического портала banki.ru и коллекторского агентства ФАСП. Кредитбери - новичок рынка, стартап, запущенный компаний «Связной», функционирующий в режиме бета-версии. И, наконец, Мирденег.ру - также новая компания, вышедшая на рынок в конце 2013 г., позиционирующая себя как инновационная компания, делающая акцент на онлайн-технологиях.

В целом, судить об успешности P2P кредитования пока достаточно сложно, первые компании вышли на рынок сравнительно недавно, население слабо осведомленно и не доверяет таким компаниям, более того деятельность таких компаний не регулируется законодательно. Все это приводит к высоким процентным ставкам для заемщикам, что нивелирует основное достоинство данной области кредитования - низкие процентные ставки, по сравнению с коммерческими банками.

Отечественных работ в области оценки кредитного риска при P2P кредитовании практически нет, исключением являются лишь обзорные работы, описывающие особенности этой области кредитования.

Зарубежные исследования в этой области часто посвящены изучению факторов, влияющих на вероятность получения кредита заемщиком, методом оценки вероятности получения кредита заемщиком при этом являются модели бинарного выбора. В основном это работы, исследующие так называемую «мягкой информации» (soft information) в P2P кредитовании, т.е. персональную информацию социального характера, предоставляемую заемщиком в рамках P2P сети, а также эффекты возникающие в результате социального взаимодействия между заемщиками и кредиторами (Berger и Gleisner, 2009). Так, например, Herzenstein et. al. (2008) на основе данных компании Prosper в 2006 г. установили, что такие социальные характеристики как раса и пол оказывают слабое влияние на вероятность получение кредита по сравнению с финансовыми показателями заемщика. В свою очередь Ravina (2008), используя данные компании Prosper 2007 г. показала, что красота и раса оказывают влияние на вероятность получения займа. На основе 12000 заявок было доказано, что заемщики, которые воспринимаются обществом как “красивые”, с большей вероятностью получают кредит и платят проценты по меньшей ставке; более того, представители негроидной расы наоборот с меньшей вероятностью получают кредит и выплачивают большие проценты (схожие результаты получили Pope и Sydnor (2008) также на данных компании Prosper).

К “мягкой информации” также можно отнести наличие социальных сетей и сообществ на P2P площадках: Berger и Gleisner (2009) на основе данных Prosper за 2005-2007 гг. показали, что в рамках таких сообществ может действовать механизм сигнализирования. Если лидер такого сообщества дает рекомендацию конкретному заемщику или конкретной заявке, то вероятность получения кредита этим заемщиком увеличивается, еще больше вероятность увеличится, если лидер сам станет один из кредиторов этого заемщика. Freedman и Jin (2008) используя данные Prosper показали, что действительно социальные сети могут содержать в себе “мягкую информацию” о заемщике, но по их мнению данный механизм используется недостаточно эффективно. К этой области относятся работы, изучающие явления стадного поведения в P2P кредитовании, например Luo и Lin (2013) используя дерево решений на данных Prosper показали, что кредиторы склонны давать деньги заемщикам с большим количеством кредиторов, особенно если в числе этих кредиторов есть друзья заемщика, но при этом такое поведение приводит к уменьшению дохода кредитора.

Некоторые авторы посвящают свои исследования разработке рекомендаций для заемщиков, выполнение которых позволит заемщикам увеличить вероятность увеличения кредита. Puro et. al. (2010) на данных Prosper пришли к выводу, что вероятность кредита обратно зависит от первоначальной ставки процента, предложенной заемщиком, т.е. чтобы увеличить вероятность получения кредита заемщику необходимо соглашаться на более высокую ставку процента. В то же время, некоторые авторы пытаются построить инвестиционные модели для кредиторов, так например Wang et. al. (2013) успешно применили Байесовскую сеть для принятия инвестиционных решений (выдачи кредитов) на рынке копании Prosper.

Работы, посвященные изучению вероятности дефолта заемщика также рассматривают «мягкую информацию» как один из факторов. Но, тем не менее, основными детерминантами кредитного риска заемщика остаются финансовые показатели заемщика, в частности специальные показатели кредитного рейтинга.

В области исследования “мягкой информации” открыт вопрос влияния расового признака на вероятность выплаты кредита: Ravina (2008) утверждает, что представители негроидной расы являются более надежными заемщиками, но Pope и Sydnor (2008) получили обратные результаты (обе работы использовали данные компании Prosper). Проблема половой дискриминации также поднимается в рамках исследования P2P заемных рынков, Chen et. al (2013) на основе данных китайской компании PPdai.com пришли к выводу, что женщинам чаще отказывают в кредите, но при этом вероятность дефолта у женщин меньше.

Iyer et. al. (2009) анализируя данные Prosper приходят к выводу, что основным индикатором вероятности дефолта является начальная ставка процента, установленная заемщиком; кроме того, по их мнению, “мягкая информация” также может использоваться для прогнозирования вероятности дефолта, наиболее эффективно при определение вероятности дефолта заемщиков с низким кредитным рейтингом. Freedman и Jin (2008), также на данных Prosper, показали, что в целом кредиторы достаточно часто делают ошибки при выборе заемщика, но обладают способностью учиться на своих ошибках и со временем число ошибок при выборе заемщика уменьшается.

Обобщая вышесказанное, необходимо отметить, что основная часть работ использует данные компании Prosper по американскому рынку. Это, в свою очередь, означает, что результаты этих исследований не могут быть распространены на весь рынок P2P, поскольку специфика деятельности компании Prosper может отличаться от других компаний в отрасли.

Кроме того, результаты исследования могут варьироваться в зависимости от основных параметров данных (компания-источник, рынок, временной промежуток). Так, например, исследования посвященные «мягкой информации» потеряли свою актуальность. Дело в том, что в ноябре 2008 г. Комиссия по ценным бумагам и биржам США наложила запрет на ведение деятельности компании Prosper, крупнейшей на тот момент P2P заемной компании США. Комиссия заключила, что выдача кредитов на сайте Prosper является продажей незарегестрированных ценных бумаг, что нарушает главу 5 Закона о ценных бумагах (1933 г.) На самом деле, при передаче средств от компании от кредитора заемщику P2P заемная компания пользуется услугами банка-посредника, при этом передача денежных средств производится путем выдачи векселей от заемщика банку и от банка P2P компании. Эту операцию Комиссия по ценным бумагам признала продажей ценных бумаг на основе следующих причин:

Кредиторы клиенты Prosper мотивированы ожидаемым доходом от своих вложений;

Заявки заемщиков предлагаются широкому кругу лиц;

Рациональный кредитор предполагает, что выданный им кредит является для него инвестицией;

Платформа не предлагает альтернативной нормативной схемы, снижающей риск для кредитора.

В результате деятельность компании была приостановлена более чем на полгода, за которые компании пришлось зарегистрироваться в Комиссии по ценным бумагам. Главный конкурент - Lending Club за полгода до запрета деятельности Prosper, также останавливал свою деятельность для регистрации в Комиссии, но уже на добровольной основе. С тех пор на рынке P2P заемных компаний США установилась дуополия, британская Zopa покинула рынок США, барьеры для входа на рынок для новых игроков стали слишком высоки: стоимость регистрации в Комиссии по ценным бумагам США для таких компаний составляет около $3 млн. (Smith, 2009). Компаниям пришлось пересмотреть бизнес-модель: Prosper отказалась от аукционного метода определения ставки процента по займу и ввела свою систему установки ставок процента, также как и Lending Club. Более того, компании перестали позиционировать себя как социальные сети, отныне кредитные заявки стали анонимными, без какой-либо “мягкой информации”. С другой стороны, обе компании предоставили возможность кредиторам продавать свои “инвестиции” на вторичном рынке. Таким образом, все работы, анализирующие “мягкую” информацию заемщиков таких компаний оказались нерелевантными, большинство работ, использующих данные компании Prosper до 2009 г. также потеряли свою актуальность.

Общепринятым методом оценки кредитного риска при P2P кредитовании в академической литературе является модели бинарного выбора. Главным недостатком рассмотренных работ является то, что даже при исследовании влияния «мягкой информации» на вероятность дефолта заемщика авторы не учитывают эндогенную природу этой информации. Заемщик может изменять свои социальные характеристики, более того было сказано, что разрабатываются специальные методики для увеличения вероятности получения кредита заемщиком. Пренебрежение этой проблемы приведет к несостоятельности и смещенности оценок (Цыплаков, 2007).

Методом решения этой проблемы является метод инструментальных переменных: для этого сначала необходимо выявить переменные, имеющие эндогенную природу и подобрать такие переменные, которые будут коррелировать с этими переменными, но при этом не будут коррелировать с ошибкой модели (Цыплаков, 2007).

Открытым остается вопрос о подбор подходящих инструментальных переменных. Одним из способов может являться использование лаговых переменных (Цыплаков, 2007), но в случае оценки кредитного риска заемщика он недоступен, заявка заемщика подается на один момент и ее параметры не являются временным рядами. Другой способ - это использование усредняющих переменных, т.е. в качестве объясняющих переменных используются не индивидуальные данные, а данные по группе, к которой относится индивид (Cutler и Glaser, 1997).



2. Постановка исследовательской проблемы

риск кредитный оценка инвестирование

В потребительском кредитовании в качестве меры кредитного риска обычно используют такую величину как вероятность дефолта, т.е. вероятность того, что заемщика не сможет по каким-либо причинам выполнить свои обязательства и погасить кредит. Поскольку эта величина дискретная и может принимать только два значения (дефолт и выплачен), то модели бинарного выбора стали общепринятым методом оценки этой величины. В свою очередь, наиболее популярными в академической литературе моделями бинарного выбора являются пробит и логит модели.

Пробит модель имеет вид:

	(1)

где:

Ф - интегральная функция стандартного нормального распределения;

p(x) - вероятность, принимает значения от 0 до 1;

х - независимые переменные;

Y - зависимая переменная;

b - оценки коэффициентов.

В логит моделях используется экспоненциальное преобразование вида:

	(2)

где: Z - функция линейной регрессии;

S - вероятность, принимает значения от 0 до 1;

i - номер объекта, принимает значения от нуля до n (количества объектов.

Данные преобразование позволяет добиться того, что функция принимает значения в интервале от 0 до 1. Модели бинарного выбора были выбраны поскольку они достаточно популярны следи исследований в сфере оценки кредитного риска, показывают достаточно точные результаты и легко интерпретируемы путем расчета предельных эффектов.

Для оценки вероятности дефолта необходима информация по двум группам заемщиков: заемщиков, которые успешно выплатили кредит, и заемщиков, которые не смогли выполнить свои долговые обязательства. Необходимая информация состоит из показателей заемщика (социально-демографические и финансовые) и показателей финансовой среды заемщика (макроэкономические показатели), кроме того у каждого займа есть переменная-классификатор, показывающая был ли выплачен долг или же было зафиксировано состояние дефолта.

На данный момент информация социально-демографического характера, предоставляемая заемщиком довольно ограничена. Но, тем не менее, заемщики например могут давать информацию о таких параметрах, как свой стаж работы. Здесь возможна параболическая зависимость: до определенного момента вероятность дефолта заемщика снижается с увеличением стажа работы, но с некоего переходного момента вероятность дефолта начинает увеличиваться вместе с увеличением стажа работы.

Основные финансовые параметры, известные о заемщике - это, как правило, доход и коэффициент отношения долга к доходу. Очевидно, что первый параметр находится в обратной зависимости с вероятностью дефолта: чем больше заемщик зарабатывает, тем больше шанс того, что он успешно погасит кредит. И, наоборот, чем больше значение коэффициента отношения долга к доходу, тем меньше вероятность того, что заемщик выплатит долг.

Предполагается, что основные показатели кредитного рейтинга заемщика находятся в прямой зависимостью с кредитным риском (вероятностью дефолта) заемщика, т.е. чем лучше рейтинг, тем ниже кредитный риск заемщика. Ставится гипотеза, что основной параметр займа - ставка процента, также находится в прямой зависимости с вероятностью дефолта, чем выше ставка, тем больше заемщик выплачивает процентов по кредиту, и, следовательно, выше вероятность невыплаты кредита заемщиком.

Показатели кредитной истории также могут выступать индикаторами кредитного риска заемщика. Так, например, чем больше лет заемщик пользуется заемными средствами, чем меньше у него просроченных платежей по кредитам и чем меньше негативных событий зарегистрировано в его кредитной истории (банкротство и т.д.), тем больше вероятность того, что он выплатит очередной кредит.

Среди макроэкономических показателей можно выделить такие параметры экономического окружения заемщика, как ставка рефинансирования, установленная центральным банком по отношению к коммерческим банкам и уровень безработицы, наблюдаемый в месте проживания заемщика. Ставка рефинансирования может находиться в прямой зависимости с вероятностью дефолта заемщика, поскольку она оказывает прямое влияние на деятельность коммерческих банков и всю экономику в целом. Чем больше ставка рефинансирования, тем большие ставки по займам и меньшие ставки по вкладам вынуждены устанавливать коммерческие банки. Уровень безработицы отражает экономическое состояние окружения заемщика, чем больше уровень безработицы, тем хуже экономическое состояние среды, в которой проживает заемщик.

Кроме того, некоторые из показателей заемщика могут иметь эндогенную природу, пренебрежение которой ведет к неадекватности модели. Эта проблема будет решаться использованием модели бинарного выбора с инструментальными переменными.



3. Методология исследования

Исследование будет проведено путем реализации следующих этапов:

Предварительный анализ данных;

Дескриптивный анализ данных;

Корреляционный анализ данных;

Регрессионный анализ данных;

Выявление эндогенных факторов, проверка модели на эндогенность: подбор инструментов и построение модели с инструментальными переменными;

Интерпретация результатов;

Выявление ограничений исследования.

3.1 Предварительный анализ данных

Данные представлены P2P заемной компанией Lending Club. Компания была основана в 2006 г., на данный момент является лидером данной области в США, объем выданных кредитов превышает $4 млрд., выручка компании за 2013 г. составила около $100 млн., при этом штат компании составляет всего 380 сотрудников. Компания занимает 5-ое место самых многообещающих американский компаний по версии Forbes, развивает новые направления, в том числе: сотрудничество с коммерческими банками по кредитованию малого бизнеса и собирается провести IPO в 2014 г.

Данные предоставлены по 3-х годовым займам, взятых за период с 2008 по 2011 г., объем выборки составил более 10 000 наблюдений. Перечень доступной информации по каждому займу представлен в Таблице 3.



Таблица 3

Описание основных переменных

Название переменной	Описание	Единица измерения
Социально-демографические
Own	Home ownership - тип владения жильем заемщика	Ранговая переменная 3 - владелец, 2 - аренда, 1 - ипотека, 0 - другое
Empl	Employment length - стаж работы заемщика	Ранговая переменная от стажа меньше года до стажа более 10 лет (нелинейная взаимосвязь маловероятна)
Финансовые
LA	Loan amount - сумма займа	$
I	Interest rate - ставка процента по займу	%
CG	Credit grade - группа кредитного рейтинга займа , по шкале разработанной Lending Club	Ранговая переменная, от 1 до 35 (A1 to G5)
FICO	FICO score - показатель кредитного рейтинга заемщика по модели FICO	Число (от 300 до 850)
Inc	Annual income - годовой доход заемщика	$
DTI	Debt-to-income ratio - коэффициент отношения долга к доходу заемщика	%
RB	Credit revolving balance - суммарный баланс по всем возобновляемым кредитам заемщика (например: лимит по кредитным картам)	$
RU	Revolving line utilization rate - отношение используемых заемщиком возобновляемых долговых средств к кредитному лимиту по возобновляемым кредитам заемщика (например: объем снятых с кредитной карты заемных средств)	%
Кредитная история
Del	Delinquencies last 2 years - количество просроченных заемщиком платежей по займам за последние 2 года	Число
Inq	Inquiries - количество заявок на кредит, поданных заемщиком за последние полгода	Число
PR	Public records - количество следующих событий, случившихся с заемщиком за последние полгода: объявление о банкротстве, арест имущества за неуплату налогов, судимость	Число
Exp	Length of credit history - кредитный стаж, число лет, прошедших с момента открытия первой кредитной линии заемщиком до момента подачи заявки	Число лет
Макроэкономические показатели
Unempl	Unemployment rate - уровень безработицы в штате, в котором была зарегистрирована заявка, средняя за год подачи заявки (US Department of Labor, 2014)	%
DR	Discount rate - ставка рефинансирования, установленная ЦБ США на момент подачи заявки (Federal Reserve, 2014)	%
Зависимая переменная
Status	Current status of the loan -статус займа	Бинарная переменная: 0 - кредит выплачен, 1 - был зарегистрирован дефолт (задержка платежа более чем на 2 месяца) или кредит списан как невозвратный

После очистки данных от выбросов была получена выборка, состоящая из кредитов заемщиков с годовым доходом до $160 тыс., суммарным объемом возобновляемых кредитов до $40 тыс., числом открытых кредитных линий до 27 и опытом пользования кредитными продуктами до 40 лет. Объем итоговой выборки составил чуть более 9 тыс. наблюдений, объем кредитов с регистрированным дефолтом составил 13,8% от всех заявок.

Данные по кредитные заявкам собраны со всех штатов США, в которых Lending Club предлагает свои услуги. Распределение заявок по штатам (в том числе количество дефолтов в штате) представлено на Рис. 1 (подробные показатели по штатам представлены в Приложении 1). Заметим, что наибольшие доли дефолта в штатах с числом предоставленных займов более 100 зарегистрированы в Неваде, и Южной и Северной Дакоте (более 17% дефолтов), в то время как минимальные доли дефолта зарегистрированы в Колорадо, Коннектикуте и Миннесоте (менее 9% дефолтов).

Данная отрасль характеризуется высокими темпами роста, поэтому распределение кредитных заявок во времени неравномерно и представлено на Рис. 2 (подробные показатели представлены в Приложении 2).

Рис. 1. Гистограмма распределения кредитных заявок по штатам США

Рис. 2. Гистограмма распределения кредитных заявок во времени

3.2 Дескриптивный анализ данных

Затем был проведен дескриптивный анализ данных. Значения основных описательных статистик факторных переменных представлены в Таблице 4.

Как можно заметить, по многим факторным переменным есть значительные различия в математических ожиданиях по дефолтным и не-дефолтным заявкам. Различия наиболее велики по годовому доходу (для дефолтных заявок среднее значения меньше на более чем $8 тыс.), балансу по возобновляемым займам (среднее меньше на почти $700) и показателю FICO (разница на 15 пунктов).

Таблица 4

Значения описательных характеристик переменных

	Среднее значение	Максимум	Минимум	Стд. откл.
	Выплачен	Дефолт	Вероятность рав-ва	Выплачен	Дефолт	Выплачен	Дефолт	Выплачен	Дефолт
DEL	0,15	0,17	7,9%	7	4	0	0	0,49	0,47
DR	0,73	0,75	0,5%	3	3	1	1	0,17	0,22
DTI	12,84	13,30	0%	30	30	0	0	6,70	6,65
Exp	13,02	12,20	0%	39	39	3	3	6,42	6,31
FICO	718,53	703,12	0%	822	807	662	662	36,24	30,91
I	0,11	0,13	0%	0,22	0,22	0	0	0,03	0,03
INC	65281	57064	0%	159996	157656	6000	9600	30325,42	28080
INQ	0,82	1,05	0%	7	8	0	0	1,03	1,15
LA	10791	10339	1%	35000	35000	1000	1000	6726,19	6858
PR	0,04	0,09	0%	3	2	0	0	0,21	0,30
RB	10457,47	9767,78	0,05%	39926	39850	0	0	9073,55	8618
RU	0,46	0,54	0%	1	1	0	0	0,28	0,29
UNEMPL	9,43	9,52	7,9%	14	14	1	3	1,84	1,91

Для определения дескриптивной способности переменных и проверки значимости различий между дефолтными и не-дефолтными заявками также был проведен тест ANOVA на равенство средних (столбец “Вероятность равенства” в Таблице 4). Результаты данного теста показывают, что большинство факторов обладают дескриптивной способностью, за исключением количества просроченных платежей и уровня безработицы (математические ожидания для этих переменных равны на уровне значимости 5%). Таким образом, данные переменные исключаются из дальнейшего анализа.

По категориям кредитного рейтинга выборка сильно смещена в сторону надежных групп: большая часть заявок относится к группам A, B и C (Рис. 3). Доли дефолта по группам иллюстрируют экономический смысл этих групп: наименьшая доля дефолтов принадлежит группе А (7% дефолтов), наибольшая группе G (40%) дефолтов; но стоит отметить, что в группе D дефолтов больше, чем в группе E (22% против 21%).

Большинство заемщиков купили свое жилье в ипотеку, меньше всего заемщиков отметили “Другое” как тип владения жильем (Рис. 4). При этом наибольшая доля дефолтов принадлежит последней группе (18%), в то время как наименьшая доля дефолтов зарегистрирована среди заемщиков, которые арендуют свое жилье (12%).

Рис. 3. Гистограмма распределения выборки по категориям кредитного рейтинга

Рис. 4. Гистограмма распределения выборки по типу владения жильем



Рис. 5. Гистограмма распределения выборки по опыту работы заемщика, лет

По опыту работы среди заемщиков выделяются группы заемщиков с опытом работы менее года и опытом работы более 10 лет (Рисунок 5). По распределению дефолтов наиболее благоприятной выглядит группа заемщиков с опытом работы 9 лет (доля дефолтов 11%). Наибольшая доля дефолтов зарегистрирована среди заемщиков с опытом работы 7 лет (16%).

3.3 Корреляционный анализ данных

На следующем этапе был выполнен корреляционный анализ данных. Был проведен расчет парных коэффициентов корреляции Пирсона между зависимой и объясняющей переменными (Таблица 5).

Таблица 5

Корреляционный анализ парных коэффициентов корреляции между зависимой и факторными переменными

	Коэффициент корреляции
Группа кредитного риска	0,152***
Просроченные платежи	0,014
Ставка рефинансирования	0,028***
Долг/доход	0,023**
Стаж работы	0,016
FICO	-0,146***
Кредитный стаж	-0,048***
Ставка процента	0,166***
Доход	-0,093***
Кредитная история (заявки)	0,073***
Сумма займа	-0,023**
Тип владения жильем	-0,035***
Кредитная история (негативные события)	0,063***
Возобновляемые кредиты	-0,026**
% использования возобновляемых кредитов	0,094***
Уровень безработицы	0,017

Значимость коэффициентов: (*) 10%, (**) 5%, (***) 1%

Из Таблицы 5 Можно заметить, что результаты теста ANOVA согласуются с результатами корреляционного анализа, коэффициенты корреляции зависимой переменной с количеством просроченных платежей и уровнем безработицы незначимы на уровне значимости 10%, кроме того также на этом уровне значимости незначим коэффициент корреляции между вероятностью дефолта и опытом работы. Взаимосвязь этих переменной с вероятностью дефолта статистически незначима, поэтому эти переменные исключаются из дальнейшего анализа.

Для дальнейшего анализа были выбраны переменные, коэффициенты корреляции которых с зависимой переменной значимы на уровне значимости 1%. Таким образом, из анализа также были исключены переменные отношения долга к доходу, суммы займа и баланса возобновляемых кредитов.

Кроме того оставшиеся факторы были проверены на мультиколлинеарность. Для этого была построена корреляционная матрица парных коэффициентов корреляции (Приложение 6). В итоге оказалось, что три переменные: категория кредитного рейтинга, ставка процента и показатель FICO имеют сильную статистически значимую взаимосвязь (Таблица 6). Этот факт, объясняется тем, что как категория кредитного рейтинга, так и показатель FICO являются показателями кредитного риска заемщика, а ставка процента в свою очередь, определяется из уровня кредитного риска заемщика. В случае с компанией Lending Club, ставка процента напрямую зависит от группы кредитного рейтинга. Таким образом, при регрессионном анализе необходимо выбрать одну из этих переменных

Таблица 6

Фрагмент корреляционной матрицы факторных переменных

	Группа кредитного рейтинга	Ставка процента	FICO
Группа кредитного рейтинга	1
Ставка процента	0,957***	1
FICO	-0,765***	-0,785***	1

Значимость коэффициентов: (*) 10%, (**) 5%, (***) 1%

3.4 Регрессионный анализ данных

На следующем этапе работы был проведен регрессионный анализ данных. В результате корреляционного анализа было получено три возможных спецификации модели в зависимости от того, какую из трех переменных выбрать: группу кредитного рейтинга, ставку процента или показатель FICO. Оценим все 3 спецификации. Для простоты оценки моделей две переменных были объединены: число поданных кредитных заявок и число негативных финансовых событий в кредитной истории заемщика, были объединены в одну переменную путем суммирования.

Оценивалась пробит и логит спецификация, которая имеет следующий вид:

(3)

Для оценки прогнозного качества моделей использовался ряд статистических критериев:

Площадь под ROC-кривой (AUC (Area Under Curve)), которая показывает зависимость доли верных положительных классификаций от доли ложных положительных классификаций при варьировании пороговой вероятности. Преимуществом этого метода оценки является инвариантность кривой относительно цены ошибки I и II рода. Чем больше площадь, тем качественнее модель (Satchell и Xia, 2006).

Логарифм функции максимального правдоподобия (Log likelihood). Данная функция максимизируется при оценке моделей методом максимального правдоподобия, которые в том числе используется при оценке логит и пробит моделей. Т.е., чем больше значения логарифма функции, тем качественнее модель.

Точность прогнозирования - средняя точность прогнозирования модели, показатель, показывающий насколько точно модель предсказывает значение зависимой переменной (дефолт, не-дефолт).

AIC, BIC - значения информационных критериев, Акаике и Шварца соответственно, чем меньше значение критерия, тем качественнее модель.

Тест на правильность спецификации модели (Specifity test). Данный тест проверяет значимость взаимосвязи между зависимой переменной и значением прогноза модели, возведенного в квадрат. Если взаимосвязь значима, то модель специфицирована неверно. В Таблице 7 представлена P-value теста, где нулевая гипотеза говорит о незначимости данной взаимосвязи (Pregibon, 1980).

Хи-квадрат тест Пирсона, проверяющий согласованность модели с данными (Goodness-of-Fit test). Альтернативная гипотеза состоит в том, что мы должны отвергнуть модель, как не согласующуюся с нашими данными (Hosmer et al., 1988).

Результаты оценки вышеприведенных показателей представлены в Таблице 7.

Таблица 7

Показатели точности трех спецификаций1

Спецификация	Модель 1 (FICO)	Модель 2 (Гр. кредитного рейтинга)	Модель 3 (Ставка процента)
Вид модели	Логит	Пробит	Логит	Пробит	Логит	Пробит
AUC	0,664	0,664	0,667	0,667	0,674	0,674
Log likelihood	-3485	-3486	-3479	-3478	-3457	-3457
Точность прогнозирования2	60%	59%	62%	61%	62%	61%
AIC	6987	6987	6974	6972	6930	6929
BIC	7044	7044	7031	7028	6987	6986
Specifity test (P-value)	0,80	0,5	0,09	0,34	0,47	0,89
Goodness-of-Fit test (P-vaule)	0,45	0,28	0,67	0,54	0,59	0,43

Подробные результаты оценки спецификаций см. в Приложении 7

2 В качестве пороговой вероятности была выбрана доля дефолтов в выборке - 13,8%. Более подробные результаты оценки точности прогнозирования представлены в Приложении 8.

Как видно из Таблицы 7, модели пробит и логит по большинству показателей качества являются сопоставимыми, в некоторых случаях почти одинаковы. Во всех спецификациях пробит модель превосходит логит модель по значениям информационных критериев; также при оценке модели №2 логит модель не выполняет тест на правильность спецификации на уровне значимости 10%. По показателям площади под ROC-кривой, значения логарифма функции максимального правдоподобия, значения информационных критериев лучше всех себя ведет модель №3. Все модели удовлетворяют тестам на спецификацию и согласованности модели. В итоге, была выбрана модель №3 (пробит), как спецификация, показавшая наилучшее качество прогнозирования по выбранным показателям.

Значения коэффициентов основных финансовых характеристик заемщика и его макроокружения оказались значимы (доход, ставка рефинансирования и т.д.), в то время как значения коэффициентов дополнительных характеристик заемщика оказались незначимы (тип владения жильем, число счетов заемщика и т.д.) (Приложение 7).

3.5 Обсуждение вопроса эндогенности

Наличие эндогенности в модели приводит к несостоятельности и смещенности оценок, поэтому после оценки модели включенные переменные были проанализированы на эндогенность их природы. Результаты анализа представлены в Таблице 8.

Таблица 8

Анализ природы факторных переменных

Переменная	Природа
Группа кредитного рейтинга	Определяется компанией Lending Club; компания не разглашает методику расчета этого показателя, известно лишь то, что группа определяется на основе показателей кредитного риска заемщика и параметрах займа Переменную можно считать экзогенной
Ставка рефинансирования	Задается ЦБ США экзогенно
Доход	Определяется видом занятости заемщика, данную переменную можно считать экзогенной, кроме тех случаев, когда заемщик заявляет ложную информацию о доходе Но в нашей выборке у всех заемщиков проверен источник доходов, таким образом переменная экзо...

Подобные документы

• Оценка кредитоспособности физических лиц (на примере ОАО "Альфа-банк")

  Теория потребительского кредита, его роль и значение в становлении банковской системы. Условия и порядок предоставления потребительских кредитов физическим лицам. Структура кредитного портфеля. Оценка кредитного риска при потребительском кредитовании.
  
  дипломная работа [104,5 K], добавлен 03.06.2014
  

• Оценка кредитного риска банка

  Комплексная оценка риска кредитного портфеля банка, модель прогнозирования кредитного риска. Апробация модели прогнозирования совокупного кредитного риска банка и его оценка, рекомендации по повышению качества кредитного портфеля ОАО АКБ "Связь-банк".
  
  дипломная работа [571,3 K], добавлен 10.11.2010
  

• Развитие потребительского кредитования в России

  Исследование основных видов потребительского кредита. Выдача кредитных средств и особенности погашения кредита. Кредитный анализ в потребительском кредитовании. Характеристика ипотечного кредитования на современном этапе. Заключение кредитного договора.
  
  реферат [25,6 K], добавлен 17.10.2013
  

• Оценка кредитных рисков коммерческого банка

  Понятие кредитного риска как основного вида банковского риска, методы его оценки и инструменты оптимизации. Оценка кредитного риска и деятельности ООО "Кубань Кредит". Анализ кредитного риска заемщика - юридического лица на основе его кредитоспособности.
  
  дипломная работа [831,9 K], добавлен 18.03.2016
  

• Организация кредитования физических лиц в коммерческом банке

  Виды, функции кредита. Анализ кредитования физических лиц в Липецком ОСБ 8593. Организация кредитного процесса. Процедура выдачи и погашения кредита. Определение платежеспособности ссудозаемщика. Методики управления рисками в потребительском кредитовании.
  
  дипломная работа [254,3 K], добавлен 24.11.2010
  

• Исследование рейтинга для оценки кредитного риска на финансовых рынках

  Проблемы рейтинговой системы оценки кредитного риска. Методика формирования финансовых рейтингов. Российская система рейтингов, ее роль, проблемы развития и перспективы использования для оценки кредитного риска и кредитоспособности заемщика в России.
  
  курсовая работа [75,0 K], добавлен 17.11.2015
  

• Потребительский кредит в рыночных условиях

  Сущность, роль и формы потребительского кредитования. Проблемы потребительского кредитования в РФ, изучение западного опыта. Анализ кредитования населения на примере ООО "Уралкапиталбанк". Совершенствование законодательства о потребительском кредитовании.
  
  дипломная работа [1014,4 K], добавлен 15.02.2011
  

• Анализ рисков потребительского кредитования в коммерческом банке

  Сущность, виды рисков в банковской деятельности. Характеристика потребительского кредитования. Анализ деятельности НБ "ТРАСТ", оценка финансовых показателей банка. Совершенствование мероприятий по управлению риском в потребительском кредитовании.
  
  дипломная работа [2,6 M], добавлен 29.11.2012
  

• Кредитование юридических лиц в коммерческих банках

  Процесс кредитования юридических лиц в коммерческом банке. Исследование кредитного портфеля банка. Оценка кредитоспособности заемщика. Применение трендовой модели оценки риска при кредитовании юридических лиц в Курганском отделении Сбербанка России.
  
  дипломная работа [420,6 K], добавлен 19.02.2011
  

• Организация процесса управления кредитным риском в коммерческом банке

  Сущность кредитного риска; способы его минимизации - диверсификация, лимитирование, страхование. Краткая характеристика деятельности ООО "ХКФ Банка", анализ его финансового состояния и определение методики, применяемой для оценки кредитного риска.
  
  курсовая работа [737,1 K], добавлен 01.04.2011
  

• Кредитоспособность заемщика как инструмент оценки кредитного риска

  Основные способы оценки кредитоспособности крупных и средних предприятий, принятые в РФ. Анализ кредитного портфеля банка "СКБ-БАНК", его кредитная политика. Мероприятия по совершенствованию оценки кредитного риска заемщика в коммерческом банке.
  
  дипломная работа [165,5 K], добавлен 20.03.2013
  

• Установление кредитных лимитов как механизма минимизации кредитного риска

  Анализ методик определения лимитов кредитования, применяемых коммерческими банками. Сущность кредитного риска и его составляющих. Анализ способов минимизации риска. Факторы, влияющие на величину кредитных лимитов. Модели определения лимитов кредитования.
  
  дипломная работа [866,2 K], добавлен 30.09.2016
  

• Анализ и оценка качества кредитного портфеля корпоративных клиентов коммерческого банка

  Управление качеством кредитного портфеля корпоративных клиентов банка как элемент системы контроля кредитного риска. Анализ и оценка кредитного портфеля коммерческого банка ОАО "Крайинвестбанк". Оптимизация формирования и управления кредитным портфелем.
  
  дипломная работа [807,3 K], добавлен 26.10.2015
  

• Анализ кредитоспособности ссудозаемщиков – юридических лиц и кредитного риска банка

  Нормативно-правовые аспекты оценки кредитоспособности в РФ. Сравнительная оценка методик оценки кредитоспособности банковских заемщиков. Организация работы по управлению кредитным риском. Оценка кредитоспособности юридического лица. Методы снижения риска.
  
  дипломная работа [2,2 M], добавлен 25.06.2013
  

• Анализ системы потребительского кредитования

  Виды услуг потребительского кредитования, его механизм. Особенности реализации потребительского кредитования в ОАО КБ "Пойдём!". Защита интересов и прав кредитора и заемщика. Просроченная задолженность при потребительском кредитовании: методы борьбы.
  
  дипломная работа [947,7 K], добавлен 13.02.2015
  

• Национальные особенности кредитного скоринга

  Понятие кредитного скоринга. Особенности системы кредитного скоринга в России. Скоринговые системы как средство минимизации риска. Разработка скоринговых карт как инструмента оценки уровня риска. Основные проблемы при внедрении скоринговых систем.
  
  дипломная работа [508,4 K], добавлен 21.06.2012
  

• Совершенствование процесса управления кредитным риском

  Сущность кредитного риска и факторы, влияющие на него. Общая характеристика и оценка экономических показателей деятельности банка ОАО "Альфа-Банк". Анализ кредитоспособности заемщика. Перспективы и возникающие проблемы в сфере управления кредитным риском.
  
  дипломная работа [242,6 K], добавлен 05.12.2014
  

• Кредитные риски и способы их снижения

  Виды риска в банковской деятельности. Анализ управления кредитным риском на примере ОАО "Сбербанк". Применение оптимальной кредитной политики как основа управления кредитным риском. Мероприятия по снижению кредитного риска. Страхование банковского риска.
  
  курсовая работа [81,8 K], добавлен 06.01.2015
  

• Кредитный риск: методы оценки и регулирования (на материалах ОАО АКБ "Связь-Банк")

  Сущность кредитного риска, методы его оценки и регулирования. Классификация кредитного риска, его анализ на примере ОАО АКБ "Связь-Банк". Анализ кредитных заявок, кредитного портфеля, резерва на возможные потери по ссудам, просроченной задолженности.
  
  дипломная работа [173,9 K], добавлен 15.06.2011
  

• Современные концепции и методика анализа кредитного портфеля коммерческого банка

  Оценка современных концепций управления кредитным портфелем в национальной и зарубежной практике. Организация деятельности банка при осуществлении процесса кредитования, направленого на предотвращение или минимизацию кредитного риска, лимитирование.
  
  контрольная работа [46,9 K], добавлен 13.06.2009
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам