Характеристика основных подходов к оценке кредитного риска

В современных условиях задача управления кредитными рисками является одной из приоритетных для банков. После кризисного периода банки стремятся увеличить объёмы кредитных портфелей, снижая процентные ставки, возобновляя кредитные программы и рекламные мероприятия. В этот период необходимо особое внимание уделять отбору потенциальных заёмщиков, так как наряду с увеличением спроса на заёмные средства со стороны организаций для реабилитации после тяжёлых последствий экономического кризиса наблюдается и ухудшение результатов финансово-хозяйственной деятельности организаций.

Для оценки кредитного риска Базельское соглашение (Базель II) предлагает использовать одну из двух методологий: измерение кредитного риска на основе стандартизованного подхода и измерение кредитного риска на основе применения внутренних рейтинговых систем банка [2, c. 33]. В современных российских условиях, когда большую часть кредитного портфеля банков составляют заемщики, не имеющие рейтингов международных агентств, построить гибкую систему оценки кредитного риска с помощью стандартного подхода достаточно затруднительно. Именно поэтому для российской банковской системы наиболее актуальными становятся модели оценки кредитного риска на основе внутренних рейтингов банков.

Одной из главных проблем, стоящих перед банками, ориентированных на применение внутренних рейтинговых систем, является выбор методики оценки кредитного риска (вероятности дефолта). В соответствии с данным подходом для оценки каждого параметра требуется разработать специальную математическую модель. К настоящему моменту коммерческими банками развитых стран разработано и протестировано множество математических моделей для оценки кредитного риска заемщиков. Комплексный обзор позволил классифицировать существующие подходы и представить их в виде таблицы 1.

Обзор существующих методик крайне важен для выбора, внедрения и адаптации наиболее приемлемой модели. При этом, делая выбор в пользу того или иного подхода, необходимо учитывать доступный математический инструментарий, природу и качество исходных данных, горизонт планирования и преследуемые цели исследования [3, c.23].

Поэтому, если говорить о специфики российской банковской практики, то первая группа подходов непосредственно не применима к большей части стандартных заёмщиков российских банков, так как модели основаны на рыночных данных, а в российской действительности не всегда ведётся статистика о стоимости фирмы и её волатильности, которая необходима для расчёта. Таким образом, наибольший практический интерес представляют модели, основанные на фундаментальных показателях, то есть наибольший практический интерес представляют именно кредит-скоринговые модели, в результате использования которых каждому заёмщику присваивается некоторый рейтинг.

Таблица 1

Характеристика моделей вероятности дефолта

Источник: [3, c. 12-24].

Но несмотря на то, что модели скоринговой оценки заёмщика наиболее часто встречаются в российской банковской практике, чем другие модели, в процессе её применения возникают проблемы. Отсутствует универсальный подход к построению скоринговых методик российскими банками. В связи с этим у банков возникает соблазн либо разработать собственные, практически не регламентированные законодательно, неформализованные скоринговые модели, которые могут привести к инсайдеркому кредитованию (намеренное завышение кредитных рейтингов), либо заимствовать зарубежные скоринговые модели, зачастую не внося в них изменения в соответствии с национальным законодательством и российской банковской практикой, что в итоге отрицательно сказывается на качестве кредитных портфелей.

Помимо выше рассмотренных подходов в последнее время появились относительно молодые направления в оценке вероятности дефолта заёмщика – модели на основе продвинутых подходов, которые, как правило, используют непараметрические методы. Эту группу подхода можно разделить на следующие основные методы: статистические методы, нейронные сети, экспертные методы, нечётко-множественные описания. Обзор и сравнительный анализ данных подходов представлен в виде таблицы 2.

Таблица 2

Характеристика продвинутых подходов к оценке кредитного риска

Источник: [2, c. 33-34].

Различие между подходами заключается в природе используемых данных и в том, каким образом происходит агрегирование факторов кредитоспособности в кредитный рейтинг. Хотя впервые упоминание о новых методах математического моделирования появилось около полувека назад, данная область научных исследований до сих пор остается мало изученной в нашей стране, так как зачастую фаза перехода от простой методики к более сложной требует подключения не только переводчиков, но и специалистов-математиков – обычно банк так и остается на начальной схеме работы, не успевая перейти на следующую технологическую ступень.

Таким образом, выбор подхода зависит от многих факторов, к которым можно отнести: субъективные предпочтения разработчика, наличие и качество исходных данных, цели и задачи построения модели, сложность взаимосвязей между факторами кредитоспособности. На практике основным критерием выбора является качество и наличие исходных данных о заёмщиках. В последнее время в связи с развитием бизнес-планирования, финансового и инвестиционного анализа, современных программ большое значение также имеет уровень квалификации персонала, степень внедрения и использования в банке новейших IT-систем и продуктов.

В ходе проведённого анализа мы смогли убедиться в том, что на данный момент существует множество моделей оценки кредитоспособности заёмщика, каждая из которых имеет свои слабые и сильные стороны. Областью дальнейших исследований может стать разработка адекватной модели, позволяющей не просто усовершенствовать процесс оценки кредитоспособности заёмщиков, учитывать и объединять разные подходы в одной композиции, но и стать мощным инструментом поддержки управленческих решений в кредитном менеджменте.

Литература:

1. Лукашевич, Н.С. Оценка кредитоспособности организаций на основе композиций экспертного и нейросетевого подходов // Финансы и кредит. 2011. №27 (459). – С. 30-39.

2. Лукашевич, Н.С. Сравнение нейросетевых и статистических методов оценки кредитного риска // Финансы и кредит. 2011. №1 (433). – С. 32-41.

3. Тотьмянина, К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. №1 (25). – С. 12-24.