Оценка кредитного риска при потребительском кредитовании

Таблица 10

Оценки коэффициентов модели пробит с инструментальными переменными т статистики в скобках

	(Пробит с инструментальными переменными)
	Вероятность дефолта
% использования возобновляемых кредитов	0.0480
	(0.21)
Ставка процента	7.755***
	(7.00)
Тип владения жильем	-0.0190
	(-0.68)
Доход	-0.00000632***
	(-9.99)
Кредитная история	0.0990***
	(5.92)
Кредитный стаж	0.00418
	(1.43)
Ставка рефинансирования	0.255**
	(2.94)
Константа	-1.944***
	(-17.58)

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

Результаты оценки модели №2 с инструментальными переменными представлены в Таблице 11. В данной спецификации такой проблемы не возникло, значимые коэффициенты остались значимыми и не изменили знаков. Но, тем не менее, значения всех коэффициентов изменились, у некоторых незначимых коэффициентов изменились знаки, значения стандартных ошибок увеличились. Для проверки данной модели было проведено несколько тестов.

Был проведен тест Смита-Бланделла (Smith и Blundell, 1986) на экзогенность регрессора, который при построении модели с инструментальными переменными был воспринят как эндогенный. Нулевая гипотеза данного теста состоит в том, что все регрессоры модели являются экзогенными. Тестовая статистика подчиняются распределению Хи-квадрат с числом степеней свободы равным количеству эндогенных регрессоров. Для нашей модели p-value данного теста равно 0,01, т.е. на уровне значимости 5% принимается альтернативная гипотеза, подозреваемая на эндогенность переменная действительно эндогенна.

Таблица 11

Оценки коэффициентов модели пробит и модели пробит с инструментальными переменными

	(Пробит)	(Пробит с инструментальными переменными)
Группа кредитного рейтинга	0.0329***	0.0208***
	(10.11)	(3.58)
Тип владения жильем	-0.0187	-0.00808
	(-0.68)	(-0.29)
Доход	-6.34Ч10-6***	-6.28Ч10-6***
	(-10.05)	(-9.96)
Кредитная история	0.111***	0.126***
	(7.42)	(7.94)
Кредитный стаж	0.00234	0.00111
	(0.82)	(0.38)
Ставка рефинансирования	0.184*	0.168*
	(2.15)	(1.97)
% использования возобновляемых кредитов	0.261***	0.775***
	(3.91)	(3.67)
Константа	-1.421***	-1.548***
	(-15.11)	(-14.90)

т статистики в скобках

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

Также был проведен тест Вальда на экзогенность (Wald test for exogeneity), который тестирует модель на наличие эндогенности, нулевая гипотеза гласит о том, что в модели отсутствует эндогенность, тестовая статистика также подчиняется распределению Хи-квадрат, число степеней свободы равно количеству эндогенных регрессоров (Rivers и Vuong, 1988). P-value также равно 0,01, т.е. нулевая гипотеза отвергается, в нашей модели действительно присутствует эндогенность.

Кроме того был проведен обобщенный тест на равенство коэффициентов между двумя моделями (Seemingly Unrelated estimation), нулевая гипотеза которого состоит в том, что разница между коэффициентами двух моделей не систематична (Weesie, 1999). P-value данного теста оказалась равной 0, т.е. принимается альтернативная гипотеза о наличии различий между коэффициентами моделей.

Сравнительный анализ двух моделей с точки зрения качества прогнозирования представлен в Таблице 12.

Таблица 12

Сравнительный анализ качества моделей

	Пробит	Пробит с инструментальными переменными
AUC	0,67	0,66
Log likelihood	-3677	-3188
Точность	61%	59%
AIC	6971	6414
BIC	7028	6549

По показателям площади под ROC-кривой (Рис. 6) и общей точности прогнозирования обычная пробит модель оказалась лучше модели с инструментальными переменными. Однако, по значению логарифма функции максимального правдоподобия и информационным критериям выигрывает пробит с инструментальными переменными. Таким образом, моделирование с помощью инструментальных переменных не только подтвердило наличие эндогенности в модели, но и улучшило качество модели с точки зрения некоторых показателей качества.

Рис. 6. Графики ROC-кривых моделей пробит и пробит с инструментальными переменными

3.6 Интерпретация результатов

Для интерпретации результатов регрессионного анализа были рассчитаны значения предельных эффектов для пробит модели с инструментальными переменными. Результаты расчетов представлены в Таблице 13.

Предельный эффект при группе кредитного рейтинга оказался статистически значимым, и можно утверждать, что переход кредита в худшую группу по кредитному рейтингу приводит к увеличению вероятности дефолта в среднем на 2,1 %. Предельный эффект при доходе также оказался статистически значимым и увеличение годового дохода на $10 000 приводит к снижению вероятности дефолта в среднем на 6,3%. Предельный эффект при уровне использования возобновляемых долговых средств тоже оказался статистически значимым и увеличение процента использования возобновляемых кредитов на 10% влечет за собой увеличение вероятности дефолта в среднем на 7,8%. При ставке рефинансирования предельный эффект также оказался статистически значимым и увеличение ставки рефинансирования США на 1% в свою очередь приводит к увеличению вероятности дефолта в среднем на 16,8%. Предельный эффект кредитной истории оказался статистически значимым и подача каждой кредитной заявки в предыдущие полгода или же каждая регистрация банкротства, судимости или конфискации имущества за неуплату налогов приводит к увеличению вероятности дефолта заемщика на 12,5%. Влияние же типа владения жильем и кредитного стажа оказалось статистически незначимым в модели.

Таблица 13

Оценки средних предельных эффектов

	Предельный эффект
Группа кредитного рейтинга	0.021***
	(0.01)
Тип владения жильем	-0.081
	(0.03)
Доход	-6.28Ч10-6***
	(6.3Ч10-6)
% использования возобновляемых кредитов	0.775***
	(0.21)
Кредитный стаж	0.0011
	(0.001)
Ставка рефинансирования	0.168**
	(0.09)
Кредитная история	0.125***
	(0.02)

Стандартные ошибки в скобках

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



4. Описание результатов

По результатам дескриптивного анализа в список статистически значимых факторов кредитного риска не попали две переменные - количество просроченных заемщиком платежей за последние два года и уровень безработицы в штате заемщика на момент подачи кредитной заявки.

По результатам корреляционного анализа эти факторы также оказались не влияющими на кредитный риск, коэффициенты корреляции между ними и вероятностью дефолта оказались статистически незначимыми. Кроме того, по итогам корреляционного анализа выяснилось, что на кредитный риск заемщика не влияют стаж работы, сумма займа и лимит по возобновляемым кредитам, а также коэффициент отношения долга к доходу. Данный результат противоречит некоторым научным работам в области P2P-кредитования. Так, например, Iyer et al. (2009) пришли к выводу, что такие показатели как количество просроченных платежей и отношение долга к доходу оказывают влияние на кредитоспособность заемщика. Klafft (2008) также установил, что коэффициент отношения долга к доходу оказывает сравнительное малое, но тем не менее статистически значимое влияние на кредитный риск заемщика. Однако, стоит отметить, что коэффициент долга к доходу используется в данном исследовании в качестве инструментальной переменной при моделировании эндогенности

Основными детерминантами кредитного риска заемщика оказались переменные, которые сами по себе являются индикаторами кредитного риска заемщика - показатели FICO и группы кредитного риска, а также ставка процента, которая по политике Lending Club определяется исходя из группы кредитного риска. Эти детерминанты, в свою очередь, сильно коррелируют между собой, поэтому чтобы избежать проблему мультиколлинеарности необходимо было разделить эти три переменные. В результате были оценены три спецификации, лучшей из них оказалась спецификация со ставкой процента, однако впоследствии при моделировании эндогенности выбор сделан в пользу спецификации с группой кредитного риска. Ставка процента в данном случае определяется по группе кредитного рейтинга, однако часто в исследованиях ставка процента выступает зависимой величиной (Klafft, 2008; Freedman & Jin, 2008).

В нашем исследовании не рассматривалась так называемая «мягкая информация» о заемщике, которая часто выступала предметом исследований в P2P кредитовании (Bachmann et al., 2011). Как уже было сказано, после 2008 г. работы о мягкой информации в P2P кредитовании стали неактуальными, по крайней мере для американских P2P заемных компаний.

Среди отличительных особенностей исследования следует отметить рассмотрение явления эндогенности при P2P кредитовании. Автором не было обнаружен ни одной работы, посвященной этой проблеме. При проведении регрессионного анализа было установлено, что в модели присутствует переменная, имеющая эндогенную природу - уровень использования возобновляемыми кредитами, т.е. тот объем заемных средств, который использует заемщик использует на данный момент, по отношению к максимальному объему доступных заемных средств. Была выдвинута гипотеза о том, что заемщик может в краткосрочном периоде постараться уменьшить этот показатель, для улучшения своего кредитного риска и уменьшения ставки процента по будущему кредиту. Переменная была проинструментирована с помощью оценки модели пробит с инструментальными переменными (Probit IV), и тесты показали, что эндогенность в модели на самом деле присутствует. В целом, точность модели ухудшилась по показателям площади под ROC-кривой и общей точности прогнозирования, однако значения информационных критериев и логарифма функции максимально правдоподобия улучшились.

С точки зрения влияния факторов не было выявлено никаких противоречий, все гипотезы подтвердились, за исключением гипотез о тех факторах, влияние которых оказалось статистически незначимым.

В результате регрессионного анализа был получен список факторов, оказывающих статистически значимое влияние на кредитный риск заемщика:

Группа по кредитному риску займа;

Годовой доход заемщика;

Процент использования возобновляемых кредитов;

Кредитная история заемщика (количество заявок на кредит и негативных событий);

Включение первой переменной также может говорить о том, что заемщики, относящиеся к разным группам по кредитному риску могут вести себя по-разному в отношении выплаты кредитов. Подтверждением этому также является дифференциация по доли дефолтов в каждой группе (см. Приложение 3) и тот факт, что на основе групп кредитного рейтинга был построен инструмент для моделирования эндогенности в модели. Поэтому можно сделать вывод, что при формировании инвестиционного портфеля заемщика необходимо осуществлять дифференциацию по группам кредитного рейтинга.

Вообще говоря, формирование инвестиционного портфеля, отвечающего требованиям инвестора (уровень риска, объем инвестиций и т.д.) является отдельной задачей высокой сложности (Рис. 7). В данной работе лишь проиллюстрирована возможность выполнения этой задачи. Так, например, осуществив фильтрацию по трем статистически значимым факторам в трех наилучших группах кредитного риска, мы смогли добиться увеличения доходности портфеля по сравнению с полным портфелем (выдавать кредиты всем заемщикам) и уменьшить долю потерь (Таблица 14). Стоит отметить, что критерии были получены лишь на основе анализа средних значений в группе дефолтных заемщиков.

Все расчеты выполнены с помощью аналитического ресурса nickelsteamroller.com , который позволяет проводить бэктестинг инвестиционных портфелей по выбранному промежутку времени и по заданным критериям. Рентабельность инвестиций (ROI) считается самим ресурсам, учитывает объем выданных кредитов, полученные проценты, потери и комиссию P2P компании. Доля потерь также оценена самим ресурсом по фактическим данным.

Таблица 14

Показатели стратегий инвестирования по кредитным группам

Рейтинг	Критерии	ROI , %	ROI Benchmark, %	Ставка %	Сумма кредитов, $	% полученные, $	Число кредитов	Потери, %	Потери, $	Комиссия, $
	Доход	% использ. возобновл. кредитами	Заявки на кредит
A	>54200	<37%	0	6,52	3,51	7,43	2 843 800	274 583,53	346	0,03%	1 288,56	31 173,07
B	>54700	<66%	0	8,59	4,60	10,85	2 459 675	355 686,97	207	1,44%	47 128,24	27 701,75
C	>55600	<64%	0	9,95	4,48	13,23	2 895 150	528 085,56	240	2,45%	97 742,95	33 294,27



Рис. 7. Поведение инвестиционных портфелей кредиторов-клиентов Lending Club



Заключение

На данный момент отрасль peer-to-peer (P2P) кредитования развивается бурными темпами. При этом работ, посвященных оценке кредитного риска в данной области сравнительно немного. В данной работе был предложен метод оценки кредитного риска при P2P кредитования путем оценки вероятности дефолта с помощью пробит модели. Модель оценивалась на данных компании Lending Club за 2008-2011 гг.

Результаты работы свидетельствуют о том, что в данной области действительно имеет место проблема эндогенности объясняющих переменных: переменная уровня использования возобновляемых кредитов действительно имеет эндогенную природу, заемщик может изменять данную величину для увеличения вероятности получения займа и снижения ставки процента. Данную переменную удалось смоделировать с помощью инструментальных переменных: усреднения данной переменной по группам кредитного рейтинга и коэффициента отношения долга к доходу. Полученная пробит модель с инструментальными переменными оказалась в целом не менее качественной и при этом подтвердила гипотезу о наличии эндогенности в модели при проведении соответствующих тестов.

Такие результаты могут быть использованы не только при дальнейших исследования P2P кредитования, но и коммерческими банками при разработке систем риск-менеджмента при потребительском кредитовании.

Методология, использованная в данной работе, безусловно связана с рядом ограничений. Большинство из них связано с данными, которые использовались для анализа. Во-первых, данные ограничены лишь одной компанией, которая осуществляет свою деятельность только в США, тем самым исследуемый рынок сужается, но стоит отметить, что были взяты данные крупнейшей P2P кредитной компании в мире.

Также для проведения анализа были доступны данные только до 2011 г., поскольку минимальный срок кредита составляет три года, т.е. для того, чтобы вынести окончательный вердикт по каждому кредиту (дефолт или выплачен) необходим трехлетний промежуток, тем самым исследование становится историческим анализом и неизвестно, применимы ли результаты для сегодняшних данных.

Кроме того, выборка Lending Club также является смещенной, поскольку не все заявки попадают на веб-площадку, Lending Club осуществляет фильтрацию заемщиков и не допускает заемщиков с наихудшими показателями кредитного риска.

Методология данной работы также не учитывает временную структуру данных, поскольку информация о каждом займе доступна лишь на один момент времени, но, тем не менее, данная проблема отчасти решается включением макроэкономических показателей (ставки рефинансирования и уровня безработицы)

На основе результатов эмпирического исследования был разработан простейший пример практического приложения, которым могут пользоваться рядовые инвесторы-клиенты P2P заемных компаний. Были проиллюстрированы примеры критериев, на основе которых инвесторы могут формировать свой портфель заемщиков, минимизируя при этом потери (случаи дефолта заемщика) и увеличивая доходность своих инвестиций. Но это лишь верхушка айсберга, разработка методики формирования инвестиционного портфеля является отдельной задачей, которой могут быть посвящены будущие исследования в рамках P2P кредитования. Данная работа рассмотрела область P2P кредитования лишь с точки зрения риска невыплаты кредита заемщиком. Был разработан метод для оценки кредитного риска, что является частью задачи разработки портфеля. При иллюстрации практического приложения мы использовали бэктестинг, т.е. оценку эффективности критериев на данных прошлых периодов. С помощью метода оценки кредитного риска мы можем оценить будущие потери, что даст нам возможность оценить и доходность портфеля при таких потерях.

Но следующие этапы данной задачи, а именно непосредственно разработка портфеля, отвечающего требованиям инвестора по уровню риска, сумме инвестиций и другим параметрам, а также максимизирующего доходность от инвестиций, как уже было сказано - отдельная исследовательская задача.



Список использованной литературы

Письмо Банка России от 29.12.2012 N 192-Т
"О Методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков".

Мальцев, А.И. (2014), “Оценка кредитного риска в области потребительского кредитования”, Сборник работ первой межвузовской научно-практической студенческой конференции по проблемам экономического развития, сс. 128-138.

Цыплаков, А.А. (2007) “Экскурс в мир инструментальных переменных”, Квантиль, № 2, сс. 21-47.

Angelini, E. (2007), “A neural network approach for credit risk evaulation”, The Quarterly Review of Economics and Finance, pp. 733-755.

Bachmann, A. et al. (2011), “Online Peer-to-Peer Lending - A Literature Review”, Journal of Internet Banking and Commerce, Vol. 16, №2.

Berger, S. and Gleisner, F. (2009), “Emergence of Financial Intermediaries in Electronic Markets: The Case of Online P2P Lending”, Business Research. Official Open Access Journal of VHB, Vol. 2, pp. 39-65.

Chen, D., Hao, L. and Xu, H. (2013), “Gender discrimination towards borrowers in Online P2P lending”, WHICEB 2013 Proceedings, Paper 55.

Crook, J.N. (1996), “Credit scoring: an overview”, Working paper series. British Festival of Science. University of Birmingham, Vol. 96.

Crook, J.N., Edelman, D.B. and Thomas, L.C. (2007), “Recent developments in consumer credit risk assessment”, European Journal of Operational Research, Vol. 183, pp. 1447-1465.

Cutler, D.M. and Gleiser, E. L. (1997), “Are ghettos good or bad?”, Quarterly Journal of Economics, № 112, pp. 827-872.

Freedman, S. and Jin, G. Z. (2008), “Do Social Networks Solve Information Problems for Peer-to-Peer Lending? Evidence from Prosper.com”, NET Institute Working Paper, Vol. 08-43 

Herzenstein, M., Andrews, R., Dholakia, U. M., and Lyandres, E. (2008), “The Democratization of Personal Consumer Loans? Determinants of Success in Online Peer-to-Peer Lending Communities”, Working Paper, SSRN.

Hosmer, D. W., Jr., Lemeshow, S.A. and Klar, J. (1988), “Goodness-of-?t testing for the logistic regression model when the estimated probabilities are small”, Biometrical Journal, Vol. 30, pp. 911-924.

Hulme, M. K. and Wright, C. (2006), “Internet Based Social Lending: Past, Present and Future”, Social Futures Observatory: London.

Iyer, R., Khwaja, A.I., Luttmer, E. F. and Shue, K. (2009) “Screening peers softly: inferring the quality of small borrowers”, NBER working paper series.

Jacobson, T. and Roszbach, K. (1998), “Duration of consumer loans and bank lending policy: dormancy versus default risk”, Working Paper Series in Economics and Finance, Vol. 280.

Japelli, T. (1990), “Who is credit constrained in the U.S. economy?”, The Quarterly Journal of Economics, Vol. 105, pp. 219-234.

Klafft, M. (2008), “Peer to Peer Lending: Auctioning Microcredits over the Internet”, Proceedings of the 2008 International Conference on Information Systems, Technology and Management, Dubai: IMT, pp. 1-8.

Miranda, A., and Rabe-Hesketh, S. (2006), “Maximum likelihood estimation of endogenous switching and sample selection models for binary, ordinal, and count variables”, Stata Journal, Vol. 6, pp. 285-308.

Pregibon, D. (1980), “Goodness of link tests for generalized linear models”, Applied Statistics, Vol. 29, pp. 15-24.

Pope, D. G. and Sydnor, J. R. (2008), “What's in a Picture? Evidence of Discrimination from Prosper.com”, Working Paper, SSRN.

Puro, L., Teich, J., Wallenius, H. and Wallenius, J. (2010), “Borrower Decision Aid for people-to-people lending”, Decision Support Systems, Vol. 49, pp. 52-60.

Ravina, E. (2008), “Love & Loans: The Effect of Beauty and Personal Characteristics in Credit Markets”, Working Paper, SSRN.

Rivers, D., and Vuong, Q.H. (1988), “Limited information estimators and exogeneity tests for simultaneous probit models”, Journal of Econometrics, Vol. 39, pp. 347-366.

Satchell, S. and Xia, W. (2006), “Analytic models of the ROC curve: Applications to credit rating model validation”, Quantitative finance research centre, Research paper 181.

Smith, R. J. and Blundell, R. W. (1986), “An exogeneity test for a simultaneous equation Tobit model with an application to labor supply”, Econometrica, Vol. 54, pp. 679-686.

Wang, X., Zhang, D., Zeng X., and Wu. X. (2013), “A Bayesian Investment Model for Online P2P Lending”, Communications in Computer and Information Science, Vol. 401, pp. 21-30.

Weesie, J. (1999), “Seemingly unrelated estimation and the cluster-adjusted sandwich estimator” Stata Technical Bulletin, Vol. 52, pp. 34-47.

Агентство доступных кредитов (2013), “Перспективы peer-to-peer кредитования в России”, режим доступа: www.dostup-credit.ru/node/122

Лайф.Среда (2013), “Деньги Будущего. Лучшие финансовые мобильные и интернет-сервисы. Итоги 2012 и тренды 2013”, режим доступа: http://lifesreda.ru/assets/LifeSREDA_BestFinancialApps_2012-c204a4077ab541b7a53763e470c44538.pdf

Federal Reserve Discount Window (2014), “Historical discount rates”, available at: http://frbdiscountwindow.org/historicalrates.cfm?hdrID=20&dtlID

United States Department of Labor (2014), “Unemployment rates by states”, available at: http://www.bls.gov/lau/lastrk08.htm



Приложения

Приложение 1

Анализ выборки по штатам

Штат	Аббревиатура	Всего кредитов	Доля от портфеля	Дефолтов	Доля дефолтов
Alabama	AL	17	0,19%	2,00	11,76%
Alaska	AK	99	1,08%	15	15,15%
Arizona	AZ	209	2,28%	35	16,75%
Arkansas	AR	61	0,66%	5	8,20%
California	CA	1801	19,61%	288	15,99%
Colorado	CO	169	1,84%	13	7,69%
Connecticut	CT	146	1,59%	12	8,22%
Delaware	DE	21	0,23%	5	23,81%
District of Columbia	DC	69	0,75%	7	10,14%
Florida	FL	681	7,42%	111	16,30%
Georgia	GA	322	3,51%	48	14,91%
Hawaii	HI	37	0,40%	6	16,22%
Illinois	IL	322	3,51%	44	13,66%
Kansas	KS	55	0,60%	8	14,55%
Kentucky	KY	79	0,86%	10	12,66%
Louisiana	LA	89	0,97%	9	10,11%
Maryland	MD	240	2,61%	34	14,17%
Massachusetts	MA	311	3,39%	39	12,54%
Michigan	MI	153	1,67%	23	15,03%
Minnesota	MN	152	1,66%	13	8,55%
Mississippi	MS	3	0,03%	0	0,00%
Missouri	MO	151	1,64%	22	14,57%
Montana	MT	16	0,17%	3	18,75%
Nevada	NV	130	1,42%	23	17,69%
New Hampshire	NH	33	0,36%	4	12,12%
New Jersey	NJ	416	4,53%	61	14,66%
New Mexico	NM	47	0,51%	7	14,89%
New York	NY	932	10,15%	126	13,52%
North Carolina	NC	144	1,57%	25	17,36%
Ohio	OH	249	2,71%	25	10,04%
Oklahoma	OK	76	0,83%	11	14,47%
Oregon	OR	105	1,14%	15	14,29%
Pennsylvania	PA	318	3,46%	33	10,38%
Rhode Island	RI	44	0,48%	7	15,91%
South Carolina	SC	100	1,09%	17	17,00%
South Dakota	SD	8	0,09%	2	25,00%
Tennessee	TN	3	0,03%	1	33,33%
Texas	TX	645	7,02%	73	11,32%
Utah	UT	55	0,60%	6	10,91%
Vermont	VT	4	0,04%	0	0,00%
Virginia	VA	342	3,72%	38	11,11%
Washington	WA	190	2,07%	22	11,58%
West Virginia	WV	41	0,45%	4	9,76%
Wisconsin	WI	83	0,90%	11	13,25%
Wyoming	WY	14	0,15%	1	7,14%
	Итого	9182	100,00%	1264



Приложение 2

Анализ выборки по времени

Год	Всего	Дефолт	Доля дефолтов
2008	191	41	21,47%
2009	1171	164	14,01%
2010	3366	332	9,86%
2011	4454	727	16,32%



Приложение 3

Анализ выборки по переменной группы кредитного рейтинга

Группа	Количество кредитов	Доля выборки	Дефолт	Доля дефолтов
A	2896	31,54%	210	7,25%
B	2903	31,62%	393	13,54%
C	1825	19,88%	318	17,42%
D	1121	12,21%	243	21,68%
E	344	3,75%	72	20,93%
F	73	0,80%	20	27,40%
G	20	0,22%	8	40,00%
Итого	9182,00	100,00%	1264,00



Приложение 4

Анализ выборки по переменной опыт работы

Опыт работы	Количество кредитов	Доля выборки	Дефолт	Доля дефолтов
< 1 года	1232	13,42%	158	12,82%
1 год	770	8,39%	103	13,38%
2 года	1061	11,56%	129	12,16%
3 года	1026	11,17%	142	13,84%
4 года	857	9,33%	110	12,84%
5 лет	747	8,14%	98	13,12%
6 лет	478	5,21%	68	14,23%
7 лет	386	4,20%	62	16,06%
8 лет	330	3,59%	44	13,33%
9 лет	270	2,94%	30	11,11%
Больше 10 лет	1782	19,41%	257	14,42%
Итого	9182,00	100,00%	1264,00



Приложение 5

Анализ выборки по переменной тип владения жильем

Тип владения жильем	Количество кредитов	Доля выборки	Дефолт	Доля дефолтов
Другое	33	0,36%	6	18,18%
Ипотека	4866	52,99%	735	15,10%
Аренда	3653	39,78%	438	11,99%
Владелец	630	6,86%	85	13,49%
Итого	9182	100%	1264



Приложение 6

Корреляционная матрица парных коэффициентов корреляции между факторными переменными

CG

INC

DR

INQ

PR

OA

OWN

RU

TA

EXP

I

FICO

CG

1

INC

0,028***

1

DR

-0,016

-0,034***

1

INQ

0,125***

0,041***

0,005

1

PR

0,112***

-0,003

0,032***

0,037***

1

OA

-0,055***

0,244***

-0,012

0,090***

0,019*

1

OWN

-0,103***

0,165***

-0,005

0,047***

0,015

0,128***

1

RU

0,482***

0,008

0,004

-0,060***

0,079***

-0,109***

-0,095***

1

TA

-0,123***

0,378***

-0,009

0,127***

0,012

0,673***

0,225***

-0,089***

1

EXP

-0,154***

0,287***

-0,014

0

0,068***

0,219***

0,217***

-0,041***

0,409***

1

I

0,957***

0,011

-0,063***

0,134***

0,115***

-0,057***

-0,107***

0,490***

-0,135***

-0,168***

1

FICO

-0,765***

0,104***

-0,037***

-0,051***

-0,155***

-0,009

0,136***

-0,559***

0,129***

0,230***

-0,785***

1

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

Приложение 7

Таблица 1

Результаты оценки модели №1

	(Логит) Вероятность дефолта	(Пробит) Вероятность дефолта
Показатель FICO	-0.0105***	-0.00558***
	(-9.20)	(-9.21)
Тип владения жильем	-0.0392	-0.0207
	(-0.77)	(-0.75)
Доход	-0.0000105***	-0.00000547***
	(-8.76)	(-8.73)
Кредитная история	0.222***	0.122***
	(8.24)	(8.22)
Кредитный стаж	0.00632	0.00284
	(1.19)	(0.99)
Ставка рефинансирования	0.272	0.138
	(1.77)	(1.58)
Процент пользования возобновляемыми кредитами	0.425***	0.229**
	(3.30)	(3.28)
Константа	5.583***	2.870***
	(6.61)	(6.35)
AIC	6986.6	6987.1
BIC	7043.6	7044.1
Число наблюдений	9168	9168



Таблица 2

Результаты оценки модели №2

	(Логит)	(Пробит)
	Вероятность дефолта	Вероятность дефолта
Группа кредитного рейтинга	0.0593***	0.0329***
	(10.09)	(10.11)
Тип владения жильем	-0.0335	-0.0187
	(-0.66)	(-0.68)
Доход	-0.0000122***	-0.00000634***
	(-9.99)	(-10.05)
Кредитная история	0.204***	0.111***
	(7.56)	(7.42)
Кредитный стаж	0.00507	0.00234
	(0.97)	(0.82)
Ставка рефинансирования	0.332*	0.184*
	(2.24)	(2.15)
Процент пользования возобновляемыми кредитами	0.469***	0.261***
	(3.78)	(3.91)
Константа	-2.420***	-1.421***
	(-14.24)	(-15.11)
AIC	6974.2	6971.7
BIC	7031.1	7028.7
Число наблюдений	9168	9168



Таблица 3

Результаты оценки модели №3

	(Логит)	(Пробит)
	Вероятность дефолта	Вероятность дефолта
Ставка процента	13.31***	7.173***
	(11.90)	(11.91)
Тип владения жильем	-0.0298	-0.0163
	(-0.59)	(-0.59)
Доход	-0.0000121***	-0.00000633***
	(-9.94)	(-10.01)
Кредитная история	0.189***	0.103***
	(6.96)	(6.85)
Кредитный стаж	0.00790	0.00380
	(1.51)	(1.33)
Ставка рефинансирования	0.444**	0.246**
	(3.00)	(2.88)
Процент пользования возобновляемыми кредитами	0.323**	0.187**
	(2.60)	(2.78)
Константа	-3.406***	-1.942***
	(-16.82)	(-17.55)
AIC	6930.0	6929.4
BIC	6987.0	6986.3
Число наблюдений	9168	9168

t статистики в скобках

Значимость: * p< 0.05, ** p < 0.01, *** p < 0.001



Приложение 8

Таблица 1

Показатели точности спецификаций (логит модели)

	Модель №1 (FICO)	Модель №2 (CG)	Модель №3 (I)
	Выборка	Выборка	Выборка
Модель	Выплачен	Дефолт	Всего	Выплачен	Дефолт	Всего	Выплачен	Дефолт	Всего
Выплачен	4684	445	5129	4940	482

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