Способы выяснения кредитного рейтинга бесплатно в режиме онлайн

История скорингового подхода к оценке

Ранее скоринговые модели разрабатывались исключительно для оценки кредитоспособности физических лиц в целях выдачи кредитов банками. Данный подход был впервые предложен Д. Дюраном в 1941 году для классификации клиентов банков по двум классам: кредитоспособные и некредитоспособные. Для определения класса рассчитывались показатели, позволяющие сделать вывод о его риске банкротства. Баллы для скоринговых моделей рассчитываются с помощью инструмента логистической регрессии. На ее основе, к слову, также строятся logit-модели оценки риска банкротства физических лиц и предприятий.

Скоринговая модель Савицкой 2007 г.

Савицкая Г.В.

Профессор Г.В. Савицкая предлагает свою скоринговую кредитную модель оценки финансового состояния предприятия. Отличие заключается в том, что в модели классификация предприятия происодит по пяти классам и для этого используются три финансовых коэффициента.

Показатель1 класс2 класс3 класс4 класс5 класс
Рентабельность совокупного капитала, %30 и выше(50 баллов)29.9-20(49.9-35 баллов)19.9-10(34.9-20 баллов)9.9-1(19.9-5 баллов)Меньше 1(0 баллов)
Коэффициент текущей ликвидности2 и больше(30 баллов)1.99-1.7(29.9-20 баллов)1.69-1.4(19.9-10 баллов)1.39-1.1(9.9-1)1 и ниже(0 баллов)
Коэффициент финансовой независимости0.7 и больше(20 баллов)0.69-0.45(19.9-10 баллов)0.44-0.3(9.9-5 баллов)0.29-0.2(4.9-1 баллов)Меньше 0.2(0 баллов)
Границы классов100 баллов99-6564-3534-60 баллов
1 класс>100 балловПредприятие с хорошей финансовой прочностью
2 класс65-99 балловПредприятие имеет небольшой риск невозврата долгов
3 класс35-64 балловПроблемное предприятие
4 класс6-34 балловПредприятие имеет высокий риск банкротства. Кредиторы рискую потерять вложенные средства
5 класс0 балловПредприятие несостоятельно

 Примечание:

Два из трех финансовых коэффициента определяют платежеспособность предприятия, где коэффициент текущей ликвидности определяет краткосрочную ликвидность, а коэффициент финансовой независимости – долгосрочную ликвидность предприятия.

Коэффициент финансовой независимости = коэффициент автономии.

Расчет финансовых коэффициентов в скоринговой модели

КоэффициентыФормулаРасчет

Рентабельность совокупного капитала

Прибыль до налогообложения / Пассивыстр.2300 / стр.1700

Коэффициент текущей ликвидности

Оборотные активы / Краткосрочные обязательствастр.1200 / (стр.1510+стр.1520)

Коэффициент финансовой независимости

Собственный капитал / Активы стр.1300 / стр.1600

Резюме

Подведем итоги разбора кредитных скоринговых моделей оценки платежеспособности предприятия. Один из неоспоримых плюсов заключается в том, что данные модели были разработаны для отечественных предприятий.  Одна из трудностей оценки по таким моделям заключается в большой громоздкости расчетов и зачастую непонятности в использовании балльной оценки финансовых коэффициентов. Использование их хорошо сочетать с другими методиками оценки финансового состояния.

Скоринг и тарифная сетка брокера

Заемщиков с низким скорингом сложнее довести до положительного решения в банке/МФО, тогда как клиенты с высоким скорингом получают кредит самостоятельно. Распределите клиентов по скорингу и предложите клиентам с высоким скорингом низкую комиссию. Если ваша базовая ставка 10% комиссии от кредита, то тарифная сетка может выглядеть так:

  Скоринг  Тип клиента  Комиссия,%
 >650 Хороший 5
 600-650 Средний 7
 550-600 Плохой 10
  Крайне плохой ?

Как видите у заемщиков со скорингом ниже 550 баллов стоит знак вопроса в графе «Комиссия». Потому что все-таки это большой вопрос, стоит ли «возиться» с таким клиентом. Если комиссия из МФО вас устраивает, и у вас большой поток таких клиентов, тогда, безусловно, стоит.

Кредитный скоринг на что еще обращают внимание МФО

Во время скоринговой оценки клиента все данные о заемщике, которые получает кредитная организация вместе с его заявкой на онлайн займ или кредит, для более удобного анализа делятся на несколько групп. Как правило, это «доходы и расходы», «состояние кредитной истории», «личные данные», «дополнительная информация» и так далее. Анализ этих сведений помогает МФО принять решение о выдаче займа онлайн или отказе. Какие же факторы повышают шанс на получение займа онлайн на карту без отказа, а какие понижают?

Точно определить какая именно информация может повлиять на ответ кредитной организации – сложно. Например, многие микрофинансовые организации не обращают особого внимания на плохое состояние кредитной истории, а наоборот – предоставляют шанс на ее исправление, однако на менее выгодных условиях. Если же вашу кредитную историю можно считать образцовой, то, вероятнее всего, вы сможете пройти скоринг онлайн положительно, даже если иные пункты вашей анкеты не будут полностью соответствовать требованиям компании.

Терминология рискового скоринга

Виды скоринговых таблиц:

Таблицы для заявлений: используются для прогнозирования уровня риска лиц, претендующих на продукты и услуги, главным образом на основании информации в заявлении и внешних данных, например, из кредитного бюро, списков недвижимости, архивов страховых требований.

Поведенческие таблицы: используются для прогнозирования уровня риска существующих клиентов, главным образом на поведении клиентов в отношении компании.

Скоринговые таблицы также делятся в зависимости от информации и методов, используемых при их ведении:

Оценочные: таблицы, составляемые на основании субъективных критериях экспертов. Также их называют таблицами, основанными на знаниях.

Индивидуальные: таблицы, разработанные статистически на основании данных о клиентах компании, включая внешние и внутренние данные.

Типовые: таблицы, разработанные статистически на основании данных, собранных с многих компаний, как правило, из одной отрасли. Также их называют таблицами на основании объединенных данных.

Таблицы, разработанные статистически на основании только данных, полученных от кредитных бюро. Могут быть как предназначенными для заявлений, так и поведенческими.

Содержание скоринговых таблиц определяется следующим образом:

Характеристика: элемент данных, например, возраст, количество требований в прошлом, количество банкротств, отношение суммы кредита к заемной стоимости, и. т. д., включенный в таблицу. Количество характеристик в таблице зависит от нескольких факторов, но, как правило, лежит в диапазоне 6-18.

Атрибуты: значения, лежащие в основе характеристик.

Определения, используемые в процессе ведения таблиц:

Оценка отказов: процесс, посредством которого выявляется поведение кандидатов, которым ранее было отказано. Это делается для оценки поведения всего множества кандидатов в противоположность оценке только тех клиентов, которые были приняты.

Виды определения нарушений в зависимости от временных интервалов.

Текущее: нарушение в данный момент времени, напр., нарушение 31 декабря 1999 года.

Ever: нарушение в любой момент данного периода времени. Также называется «наихудшим нарушением». Пример — наличие нарушения в любые 90 дней с января по декабрь 2001 год.

Другие определения:

NPV: Чистая приведенная стоимость. Обозначает приведенную стоимость всех будущих доходов минус потоки потерь при соответствующей ставке дисконтирования и тд.

Заметим, что такие таблицы можно с успехом составлять с помощью STATISTICA.

Системы кредитного скоринга

Скоринг – это довольно сложная «математическая» формула, учитывающая несколько десятков параметров кредитной истории и/или социальнодемографических показателей заемщика.

Многие банки пользуются собственными программами для скоринга, учитывающими требования банка к заемщику, аппетит к риску и другие параметры. Но также существует ряд распространенных систем (или моделей) скоринга от ведущих мировых операторов данных, например, FICO.

В России FICO получил распространение, так как его использует НБКИ. А, например, бюро кредитных историй Эквифакс, использует другую модель. Принцип работы у скорингов схожий. Различие в деталях. Например, если скоринг FICO дает результат в диапазоне от 250 до 850 баллов, то скоринг Эквифакс от 0 до 999 баллов.

Нестандартные ситуации

Не исключен вариант того, что одному и тому же клиенту один и тот же банк отказывал в выдаче потребительского кредита, но одобрял ипотеку. Парадоксально, но факт. Все дело в том, что в выдаче мелких кредитов банк, конечно же, заинтересован, но не так, что готов очень сильно рисковать. Ведь на то, чтобы вернуть долг (пусть даже и незначительный), банк вынужден потратить достаточно значительные ресурсы. А вот в выдаче большого кредита (той же ипотеки или же кредита на приобретение автомобиля) банк очень даже заинтересован. Немаловажен и тот факт, что крупные кредиты, как правило, выдаются под залог какого-либо движимого или недвижимого имущества – это существенная гарантия для банка. Нередко подписывается дополнительный договор поручительства.

Следует учитывать и то, что вероятность выдачи кредита повышает предоставление всей необходимой сопутствующей документации (справка о доходах, свидетельство о браке). Кроме того, в некоторых случаях имеет значение личностный фактор – если заемщик является клиентом банка на протяжении длительного периода времени и проявил себя ответственным и честным, его знают и ему доверяют работники банка, то вероятность получения кредита выше в разы.

Однако даже если не выдали кредит, не стоит огорчаться. Его могут выдать в другом банке либо же на более жестких условиях (материальная компенсация банку за дополнительный риск). В другом же случае, если у клиента высокий «индекс доверия» банка, ему могут предложить кредит на более выгодных условиях.

Построение скоринговых моделей

Для построения скоринговых моделей (причем независимо от
выбранного математического подхода) берется репрезентативная выборка из
предыдущих заявителей (от нескольких тысяч до сотен тысяч –
что не проблема для отрасли, обслуживающей десятки миллионов клиентов).
Для каждого заявителя из выборки извлекается полная информация из
анкеты-заявления и информация из его кредитной истории за фиксированный
период времени (обычно 12, 18 или 24 мес.). Затем принимается
экспертное решение, какую историю считать приемлемой, т.е. является ли
клиент «хорошим» или «плохим».

Эмпирические требования к базе данных, используемых для
построения скоринговой модели:

  • размер выборки – не менее 1500 всего, не менее 500 плохих;
  • четкое определение критерия «плохой/хороший»;
  • четкое определение временного отрезка – периода
    жизни продукта (зависит от самого продукта и может меняться от месяца
    – мобильный телефон до десятилетий – ипотека);
  • стабильность состава клиентской группы – демография,
    миграции, сохранение привычек потребления;
  • неявное, но обязательное требование: стабильность
    экономических, политических, социальных и прочих условий.

При построении кредитных моделей существенным является выбор
временного горизонта – отрезка времени между подачей
заявления (выдачей кредита) и классификацией
«плохой/хороший». Анализ показывает, что процент
дефолта как функция длительности нахождения клиента с организацией
поначалу растет и только через 12 месяцев (кредитные карты) и даже
более (разовые займы) начинает стабилизироваться. Таким образом,
меньший временной горизонт приводит к недооценке и не учитывает
полностью всех характеристик, предсказывающих дефолт. С другой стороны,
временной горизонт более двух лет оставляет модель подверженной к
сдвигам в составе клиентской группы в течение этого времени, т.к. как
состав клиентов в выборке в начале временного горизонта может оказаться
существенно отличным от состава клиентов, приходящих в настоящее время.
Фактически используются два единовременных среза (в начале и в конце
временного горизонта) для создания модели, которая стабильна по времени
(за пределами начального временного отрезка). Это и диктует выбор длины
временного отрезка – временного горизонта при моделировании.

Далее построение скоринговой модели превращается в
классификационную проблему, где входными характеристиками (или
параметрами) являются ответы на вопросы анкеты-заявления и параметры
(или данные), получаемые в результате проверок из различных организаций
(например, полиции, судов, местных советов, кредитных бюро и т.д.), а
выходными характеристиками (ответом) – искомым результатом
– является разделение клиентов на «хороших и
плохих» согласно имеющимся кредитным историям, сопоставленным
по этим входным характеристикам.

Собственно рейтинговая таблица (scorecard) – это
система придания численных баллов (счета) характеристикам (или
параметрам) заемщика для получения искомого числового значения, которое
отражает, с какой вероятностью у заемщика по отношению к другим
заемщикам произойдет некое событие или он совершит определенное
действие (аспект «по отношению» в определении очень
важен).

Кредитная рейтинговая таблица, например, не показывает, какой
уровень риска следует ожидать (скажем, какой процент кредитов данного
типа, вероятно, не будет возвращен); вместо этого она показывает, как
данный заем, скорее всего, будет вести себя по отношению к другим
займам. Например, ожидается ли, что процент невозвратов или дефолтов
для кредитов с данным набором атрибутов будет больше или меньше, чем у
кредитов с другим набором.

Большинство рейтинговых таблиц построены с помощью расчета
регрессионной модели – статистической модели, которая
проверяет, как отдельный параметр (характеристика) влияет на другой
параметр или (чаще всего) на целый набор других параметров.

Регрессионная модель дает в результате своего применения набор
коэффициентов (factors), называемых регрессионными, которые можно
интерпретировать как корреляцию между искомыми параметрами (которые
необходимо определить) и объясняющими параметрами, сохраняя неизменными
все остальные воздействия на искомые параметры. Эти коэффициенты
превращаются в веса баллов (point weights) в рейтинговой таблице.

Следует отметить, что качество скоринговых моделей следует
постоянно проверять и мониторинг является обязательной процедурой в
процессе эксплуатации. Со временем могут меняться как экономические
условия, так и поведенческие особенности заемщиков, и только
своевременная подстройка или даже замена скоринговых моделей обеспечат
эффективное управление кредитными рисками.

Рейтинг
( Пока оценок нет )
Понравилась статья? Поделиться с друзьями:
Списание долгов
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: