Совершенствование системы кредитования коммерческих банков

     Кластерный  анализ дает возможность фрагментировать  изучаемый набор объектов на группы относительно однородных объектов. Эти  в некотором смысле однородные объекты  называются кластерами или “классами”. Для этого применяются иерархические  и параллельные процедуры, но они  реализуемы на практике лишь малой  доли задач, а именно в задачах классификации, где участвуют менее нескольких десятков наблюдений. Для решения практических задач со многими наблюдениями (как в наших целях, т.к. наблюдений может быть несколько тысяч, а признаков – 20 шт.) применяются специальные кластер-процедуры (последовательные кластер процедуры) – это итерационные алгоритмы, где на каждом этапе (итерации) используется одно наблюдение (или несколько наблюдений, небольшая часть исходных наблюдений) и результаты итерационных процедур разбиения на предыдущих шагах. Идея этих процедур реализована в “SPSS” методе средних (“K-Means Clustering”) с заранее заданным числом классов .

     Если  кластерный анализ может классифицировать объекты при отсутствующей информации о наблюдениях-заемщиках внутри классов, то дискриминантный анализ подразумевает наличие такой  априорной информации. Методами дискриминантного анализа на основании некоторых  признаков (независимых переменных) индивидуум причисляется к одной  из двух (или к одной из нескольких) заранее заданных классов – групп, отделенных друг от друга гиперплоскостями в 20-мерном пространстве признаков.

     Допустим, задано некоторое пространство из 20 признаков X, точками которого являются конкретные данные заемщика x = {x1, ..., xi, ..., xm}. Исходная таблица наблюдений разбита на P непересекающихся подмножества строк. В каждой строке x ставится в соответствие определенный класс качества yk, k = 1, 2, ..., p, (1 и 0, т.е. хороший, плохой заемщик) причем любому из P классов принадлежит более одного объекта.

     Нужно определить набор правил, которые  формально решают для заданного  наблюдения - заемщика из указать класс  качеств yk, k = 1, 2, к которому заемщик принадлежит.

     Главной целью дискриминантного анализа  является нахождение линейной комбинации переменных – гиперплоскости, которая  оптимально разбивала заемщиков  на рассматриваемые группы. Дерево классификаций является более общим  алгоритмом сегментации обучающей  выборки прецедентов.

     В методе дерева классификаций сегментация  прецедентов задается не с помощью  n-мерной сетки, а путем последовательного дробления факторного пространства на вложенные прямоугольные области. При этом, соблюдается определенная последовательность шагов: на первом шаге разделение выборки прецедентов на сегменты производится по самому значимому фактору. На втором и последующих шагах в отношении каждого из полученных ранее сегментов процедура повторяется до тех пор, пока никакой вариант последующего дробления не приводит к существенному различию между соотношением положительных и отрицательных прецедентов в новых сегментах. Количество ветвлений (сегментов) выбирается автоматически.

     В рассмотренной методике не дается ответ, насколько кредит хорош или плох. Метод не позволяют получить точную количественную оценку риска и установить допустимый риск.

     Нейронные сети NN используются при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Наиболее успешной областью их применения стало выявление мошенничества с кредитными карточками. Нейронные сети выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях. NN позволяют обрабатывать прецеденты обучающей выборки с более сложным (чем прямоугольники) видом сегментов. Форма сегментов зависит от внутренней структуры N.

     В основе технологии Data Mining лежат алгоритмы поиска закономерностей между различными факторами в больших объемах данных. При этом анализируются зависимости между всеми факторами; но, поскольку даже при небольшом числе факторов количество их всевозможных комбинаций растет экспоненциально, в data mining применяются алгоритмы априорного отсечения слабых зависимостей. Data mining на основе данных о выданных кредитах выявляет те факторы, которые существенно влияют на кредитоспособность заемщика, и вычисляет силу этого влияния. Соответственно, чем сильнее определенный фактор влияет на кредитоспособность, тем больший балл ему присваивается в методике скоринга. Чем больше данные держателя кредитной карты похожи на данные “кредитоспособного гражданина”, тем больший лимит по кредиту он может получить, тем лучшие условия ему могут быть предоставлены.

     Методы  снижения риска:

     • оценка кредитоспособности заемщика и установление его кредитного рейтинга;

     • проведение политики диверсификации ссуд:

     − по размерам ссуд;

     − по видам ссуд;

     − по группам заемщиков;

     • выдача крупных кредитов, не превышающих нормативы ЦБ, только на консорциальной основе;

     •  страхование кредитов и депозитов;

     • соблюдение «золотых» банковских правил, требующих размещения кредитных ресурсов в соответствии со сроками, объемами и условиями их привлечения;

     • формирование резервов для покрытия возможных потерь по предоставленным ссудам. В соответствии с Положением Банка России «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г.№254-П выделено пять групп кредитного риска и установлен процент отчислений по критериям обеспеченности ссуд и числу просроченных дней:

     1. Стандартные ссуды – 0%;

     2. Нестандартные – от 1% до 20%;

     3. Сомнительные – от 21% до 50%;

     4. Проблемные – от 51% до 100%;

     5. Безнадежные – 100%.

     Вывод - таким образом:

     1.Термин «кредит» происходит от латинского «creditum» – ссуда, долг.

     2.Система  кредитования – совокупность  элементов, обеспечивающих рациональное  использование ссудных ресурсов, которая охватывает принципы, объекты,  методы, кредитования, планирование, кредитных  отношений, механизм предоставления  и возврата ссуд, а также банковский  контроль в процессе кредитования.

     3.  Кредитная политика представляет собой комплекс мероприятий банка по повышению доходности кредитных организаций и снижению кредитного риска. Кредитная политика банка определяет стандарты, параметры и процедуры, которыми руководствуются банковские работники в своей деятельности по предоставлению, оформлению, и управлению кредитами.

     4. Риск – это вероятность возникновения чистых убытков или недополучения доходов по сравнению с прогнозируемым вариантом.

     5.Качество  кредитного портфеля на прямую  зависит от кредитного риска, в связи с чем были рассмотрены следующие методики минимизации кредитного риска: скоринговые методики; кластерный анализ; дискриминантный анализ; дерево классификаций; нейронные сети NN; технологии Data Mining; probit-анализ; logit-анализ.