Опыт моделирования вероятности кредитного дефолта клиентов микрофинансовых организаций

Маловажным признаком для классификации клиентов является место работы. Это может быть связано с ненадежностью указанных данных самими клиентами. Большую склонность к дефолту проявляют указавшие государственные, бюджетные организации и ООО. Работники ИП в меньшей степени склонны к дефолту. Возможно, руководству МФО стоит обратить внимание на разработку специальных условий и программ для самозанятых.

Возраст относительно важен для классификации. Люди до 32 лет (по алгоритму C4.5) или до 40 лет (по алгоритму CART) чаще склонны к невозвратам. Однако связь классификации с возрастом нелинейна - пенсионеры, не имеющие дохода, также попадают в число ненадежных.

Важным признаком является количество ранее одобренных заявок, клиенты с пятью и более ранее одобренными заявками редко становятся дефолтными клиентами (это подтвердилось обоими алгоритмами).

Безопасная сумма ссуды - до 7500 руб., большая часть надежных клиентов - взявшие до 7500 руб. на срок до 30 дней.

Данные по полу и зарплатам не вошли в признаки классификации, таким образом, гендерные модели скоринга в МФО не требуются, а финансовые данные, указываемые заемщиком без подтверждения соответствующими документами, нельзя использовать для оценки финансового состояния. Требуется привлекать другие методы оценки его дохода, например, наличие в собственности автомобиля или земельного участка.

Алгоритмы С4.5 и CART выявили одинаковые закономерности от количества одобренных ранее заявок (более пяти, более двух), от суммы (до и более 7500 руб.), от места работы (ООО). При этом более однородные узлы получены с помощью алгоритма С4.5.

В качестве дальнейшего развития стоит рассмотреть другую классификацию информации из соцсетей для обогащения данных, использовать косвенные признаки оценки финансового состояния вместо указанной в анкете зарплаты.

С практической точки зрения необходимо отметить, что полученные в данном исследовании результаты являются аргументом в пользу необходимости создания единой доступной базы кредитных историй. Это, как следует из результатов использования всех построенных моделей, наиболее результативный способ снизить риск невозврата, позволяющий предиктивно определить самых надежных и ненадежных заемщиков.

Выявленная чувствительность методов машинного обучения к бинаризации качественных показателей означает, что при разработке анкет для оценки потенциальных заемщиков стоит уделять особое внимание закрытым вопросам с небольшим числом закрытий (вариантов ответа). Также была выявлена необходимость более тщательной формулировки вопросов о цели займа и месте работы для повышения значимости этих факторов в моделях скоринга.

Приложение

Таблица П1. Статистические характеристики количественных показателей

Таблица П2. Статистические характеристики качественных факторов

Список литературы

1. Криворучко С.В., Абрамова М.А., Мамута М.В., Тенетник О.С., Шакер И.Е. Микрофинансирование в России. М.: Кнорус: ЦИПСиР, 2013.

2. Руководство по кредитному скорингу / под ред. Э. Мэйз; пер. с англ. И.М. Тикота; науч. ред. Д.И. Вороненко. Минск: Гревцов Букс, 2008.

3. Снегова Е.Г. Применение метода логистической регрессии для прогнозирования вероятности дефолта при экспресс-кредитовании // Национальные интересы: приоритеты и безопасность. 2013. Т. 9. Вып. 5.

4. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Интернет-журнал «Науковедение». 2014.

5. Софронова В.В. Оценка дефолта заемщика // Финансовая аналитика: проблемы и решения. 2016. Т. 9. Вып. 3. С. 39-48.

6. Уксусова М.С. Микрофинансирование: содержание, особенности, проблемы и перспективы развития // Экономический журнал. 2018. № 3(51). С. 50-66.

7. Цхададзе Н.В. Рынок микрофинансовых услуг как социально ориентированный бизнес: зарубежный опыт // Вестник экономической безопасности. 2016. № 4. С. 304-310.

8. Azen R., Budescu D.V. The Dominance Analysis Approach for Comparing Predictors in Multiple Regression // Psychological Methods. 2003.

9. Berk R. Statistical Learning from a Regression Perspective. New York, NY: Springer, 2008.

10. Breiman L., Friedman J., Olshen R.A., Stone C.J. Classification and Regression Trees. Belmont, CA: Wadsworth, 1984.

11. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer, 2001.

12. Hosmer D.W., Lemeshow S., Sturdivant R. Applied Logistic Regression. 3rd ed. Hoboken: John Wiley & Sons, 2013.

13. Nathans L.L., Oswald F.L., Nimon K. Interpreting Multiple Linear Regression: A Guidebook of Variable Importance // Practical Assessment, Research and Evaluation. 2012. Vol. 17. № 9. P. 1-19.

14. Quinlan J.R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, Inc., 1993.

15. A Risk Management Framework for Microfinance Institutions // Deutsche Gesellschaft fur Technische Zusammenarbeit (GTZ). 2000.

16. Modeling the Probability of Credit Default of Clients of Microfinance Organizations:

References

1. A Risk Management Framework for Microfinance Institutions (2000) Deutsche Gesellschaft fur Technische Zusammenarbeit (GTZ).

2. Azen R., Budescu D.V. (2003) The Dominance Analysis Approach for Comparing Predictors in Multiple Regression. Psychological Methods, 8(2), pp. 129-148.

3. Berk R. (2008) Statistical Learning from a Regression Perspective. New York, NY: Springer.

4. Breiman L., Friedman J., Olshen R.A., Stone C.J. (1984) Classification and Regression Trees. Belmont, CA: Wadsworth.

5. Hastie T., Tibshirani R., Friedman J. (2001) The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer.

6. Hosmer D.W., Lemeshow S., Sturdivant R. (2013) Applied Logistic Regression. 3rd ed. Hoboken: John Wiley & Sons.

7. Krivoruchko S.V., Abramova M.A., Mamuta M.V., Tenetnik O.S., Shaker I.E. (2013) Mikrofinansiro- vanie vRossii [Microfinance in Russia]. Moscow: KnoRus: TsIPSiR Publ.

8. Nathans L.L., Oswald F.L., Nimon K. (2012) Interpreting Multiple Linear Regression: A Guidebook of Variable Importance. Practical Assessment, Research and Evaluation, 17, 9, pp. 1-19.

9. Quinlan J.R. (1993) C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, Inc.

10. Rukovodstvo po kreditnomu skoringu (2008) [Handbook of Credit Scoring] (eds. E. Mays). Minsk: Grevtsov Books.

11. Snegova E.G. (2013) Primenenie metoda logisticheskoj regressii dlya prognozirovaniya veroyat- nosti defolta pri ekspress-kreditovanii [Application of Logistic Regression Method for Forecasting of Probability of Default at Express Crediting]. National Interests: Priorities and Security, 9, iss. 5.

12. Sofronova V.V. (2016) Ocenka defolta zaemshchika [Assessment of the Borrower's Default]. Financial Analytics: Science and Experience, 9, iss. 3, pp. 39-48.

13. Sorokin A.S. (2014) Postroenie skoringovyh kart s ispol'zovaniem modeli logisticheskoj regressii [Building a Scorecard Using a Logistic Regression Model]. Internet-Journal «Science of Science», 2(21).

14. Tskhadadze N.V. (2016) Rynok mikrofinansovyh uslug kak social'no orientirovannyj biznes: zaru- bezhnyj opyt [The Market for Microfinance Services As a Socially Oriented Business: Foreign Experience]. Vestnik of Economic Security, 4, pp. 304-310.

15. Uksusova M.S. (2018) Mikrofinansirovanie: soderzhanie, osobennosti, problemy i perspektivy raz- vitiya [Microfinance: Content, Features, Problems and Prospects of Development]. Economic Journal, 3(51), pp. 50-66.

Размещено на Allbest.ru