Современные подходы к анализу кредитоспособности заемщика, основанные на методологии интеллектуального анализа данных

Основными информационными источниками при проведении анализа кредитоспособности заемщика традиционно служат данные финансовой отчетности клиента. На основании данных финансовой отчетности клиента рассчитывается система коэффициентов, характеризующих его финансовое состояние, что позволяет кредитной организации оценить риски кредитования каждого заемщика и определить перспективы работы с клиентом. В первую очередь, коммерческий банк должен оценить возможность выдачи клиенту испрашиваемой суммы банковского кредита на конкретный срок кредитования, принимая во внимание цель (или весь комплекс целей) использования заемных средств, основываясь в своем решении на анализе финансовой информации хозяйствующего субъекта.

В условиях нестабильной экономики коммерческие банки сами рискуют оказаться в состоянии дефолта с последующим отзывом лицензии на осуществление банковской деятельности, поэтому такие виды обеспечения кредита как гарантии и поручительства не представляют интереса для банка. Коммерческий банк, непосредственно проводя анализ и проектируя основные параметры кредитования потенциального заемщика, должен получить полноценную информацию от клиента о возможности предоставлении им залогового обеспечения по кредиту. Анализ залога как формы обеспечения кредита в настоящее время становится не менее важной, а может быть и более значимой задачей, от положительного ответа на которую будет зависеть, соответственно, и положительное решение банка о предоставлении кредита хозяйствующему субъекту.

В связи с этим процесс принятия решения о кредитовании хозяйствующего субъекта можно условно разделить на два подпроцесса. Первый – это непосредственно аналитическая часть финансового состояния заемщика, базирующаяся на исследовании данных финансовой отчетности клиента. Второй – анализ и оценка залогового обеспечения кредита.

Традиционный подход к анализу кредитоспособности заемщика, описанный нами в предыдущем параграфе, основан на исследовании данных официальной финансовой отчетности, предоставляемой клиентом в банк. Методологический подход, использующий в качестве исходных данных для проведения оценки кредитоспособности заемщика его финансовую отчетность, эффективно работает только в условиях стабильной экономической ситуации. В условиях, когда существенно возрастает неопределенность бизнес-среды функционирования экономических субъектов, внешние факторы могут оказать и реально оказывают активное, преимущественно негативное воздействие на поведение экономического субъекта. Следует учесть также то, что со стороны государства можно ожидать динамические изменения нормативно-правового поля, а такие изменения происходят на регулярной основе, примером тому может служить изменение ставки налогообложения по налогу на добавленную стоимость, вступившее в силу с 01.01.2019 года. [1] В связи с этим полученные результаты анализа ретроспективных данных финансовой отчетности теряют свою актуальность, так как неизвестен вектор их изменения в перспективе в условиях нестабильности экономики.

Учитывая вышесказанное, нам представляется необходимым выявить положительные и отрицательные характеристики финансовой отчетности, которые оказывают воздействие на качество оценочных суждений при проведении анализа параметров финансовой отчетности и ее использования для оценки кредитоспособности хозяйствующих субъектов.

Отметим положительные характеристики финансовой отчетности.

1. Прежде всего, положительным является тот факт, что официально предоставленная хозяйствующим субъектом финансовая отчетность гарантирует достоверность анализируемой информации, так как в условиях жестких законодательных требований юридическим лицам крайне опасно допускать какие-либо искажения финансовой отчетности, следовательно, в официальной отчетности отражается реальная финансовая ситуация на дату ее составления. [2]

2. Следует учесть также то, что в настоящее время разрешен свободный доступ к данным официальной финансовой отчетности юридических лиц, что обеспечивает транспарентность информации и дает возможность коммерческому банку беспрепятственно получать необходимые сведения о клиенте, специально не запрашивая у него финансовую информацию. [3]

3. В качестве положительного фактора можно отметить то, что юридические лица, имеющие статус акционерных обществ, формируют полный комплект финансовой отчетности. Это дает им возможность своевременно и беспрепятственно предоставить документацию в банк, что существенно ускоряет процедуру анализа и принятия банком решения о кредитовании клиента.

Наряду с положительными свойствами финансовая отчетность имеет ряд существенных недостатков, что затрудняет ее использование в качестве основного и тем более единственного источника информации для проведения анализа и оценки кредитоспособности потенциального заемщика.

1. Прежде всего, это касается форм и сроков предоставления финансовой отчетности. Разрешение Минфина РФ в части сокращения количества форм финансовой отчетности для предприятий малого и среднего предпринимательства и предоставления ее только по итогам года без промежуточных отчетов, безусловно, облегчает работу этой категории предприятий. [4] Но одновременно с этим уменьшается информационная база для кредитора, а в случае, когда банк рассматривает заявку клиента, коммерческому банку желательно иметь полноценную финансовую информацию, включая все формы приложений и расшифровок данных бухгалтерского баланса и отчета о финансовых результатах.

2. Однако, это не единственный недостаток финансовой отчетности, затрудняющий ее использование в аналитических целях. Наиболее существенный, по нашему мнению, недостаток заключается в том, что данные финансовой отчетности показывают только финансовое состояние организации в прошедшем периоде, следовательно, построенные на этой базе данных аналитические финансовые коэффициенты могут дать информацию исключительно в ретроспективном формате.

Скорость изменения внешних факторов, воздействующих на бизнес, постоянно возрастает, кредитор не может получить необходимую ему информацию о финансовом состоянии потенциального заемщика не только в длительном перспективном периоде, но и на относительно незначительный временной интервал. В связи с этим перед кредитором встает вопрос о необходимости прогнозирования параметров финансового состояния потенциального заемщика с учетом воздействия макроэкономических факторов для определения вероятности наступления дефолта клиента и связанного с этим уровня риска его кредитования.

Таким образом, динамические изменения факторов внешней среды и оценка рисков их влияния на финансовое состояние организации становятся определяющими в процессе анализа кредитоспособности заемщика.

В настоящее время в банковской практике кредитования активно внедряются методики, использующие не только данные финансовой отчетности, но и привлекающие для анализа дополнительную информацию. Эта информация преимущественно отражает качественные характеристики деятельности компании, в том числе: имидж компании, сведения о высшем руководстве компании, деловой репутации компании, сложившейся системе ее взаимоотношений с контрагентами, наличии ликвидного имущества, которое может послужить залогом кредитной сделки, а также другого рода информацию, оценка которой может быть дана экспертным путем.

В современной специальной литературе широко представлены публикации, освещающие разработки новых методик кредитного скоринга, использующих методологию интеллектуального анализа данных. [5]

На основе внедрения современных высоких компьютерных технологий в банковскую практику стало возможным совершенствование технологий обработки данных, в первую очередь, различных нефинансовых данных о

клиенте, не отражаемых в официальной финансовой отчетности.

Первые методики кредитного скоринга использовали методы линейной регрессии. Эти методы, начиная с середины XX века, получили широкое распространение во всех сферах финансовой деятельности, где возникали вопросы оперативного проведения анализа финансового состояния хозяйствующего субъекта, например, в сфере определения потенциального банкротства предприятия.

Первые пробные методики кредитного скоринга были применены для целей потребительского кредитования и преследовали цель – сократить уровень банковского риска при массовой выдаче такого рода кредитов на основе методов статистической классификации в скоринге потребительских кредитов. Имена авторов первых методик кредитного скоринга хорошо известны, это зарубежные ученые Д. Дюран (публикации в 1941 г.), Д. Хенд и В. Хенли (соответственно в 1997 г.).

В настоящее время задачи кредитования усложнялись, банки активизировали процессы корпоративного кредитования, поэтому разработки продолжились на уровне экспериментального дизайна для систем кредитного риска и корпоративного прогнозирования банкротства (авторы В. Гарсиа, А. Маркес, Дж. Санчес, публикации в 2015 г.). Систематизация и обзор существующих методов кредитного скоринга с обновлением исследований был проведен в том же году коллективом ученых (С. Лессманн, Х. Сеу, Б. Баесенс, Л. Томас).

Затем в качестве аналитического математического инструмента в методиках кредитного скоринга стали применяться методы логистической регрессии. Перечень исследований, посвященных данной проблематике чрезвычайно обширен, поэтому здесь мы ограничимся только упоминанием некоторых из них: Б. Йап, С. Онг, Н. Хусайн (2011 г.); Н. Павлидис, Д. Тасулис, Н. Адамс, Д. Хенд (2012 г.) – были проведены использования методами интеллектуального анализа данных для улучшения оценки кредитоспособности с помощью моделей кредитного скоринга.

Особую популярность и широкое распространение в практике оценки кредитоспособности заемщика получил дискриминантный анализ, основоположником которого был Р.А. Фишер (1936 г.), так как этот метод и до настоящего времени не потерял своей актуальности. Так, в работе З. Хемайса, Д. Несрина, М. Мохаммеда (2016 г.) было проведено сравнительное исследование кредитный скоринг и прогнозирование риска дефолта: сравнительное исследование между дискриминантным анализом и логистической регрессией.

Заметим, что метод логистической регрессии зачастую применяется в сочетании с другими методами исследования, что встречается в публикациях авторов Ф. Лузада, О. Анаклето-Джуниор, К. Кандоло, Дж. Мазучели (2011 г.); З. Ли, Ю. Тиянб, К. Ли и др. (2017 г.).

Со временем появился и нашел свое применение в банковской практике метод опорных векторов, представляющий собой метод статистической классификации и использующий небольшое число объектов обучающей выборки. Первое упоминание об этом методе появилось в работе В. Вапника (1998 г.), более поздние исследования нашли отражение в трудах Т. Беллотти и Дж. Крука (2009 г.), В. Шеня, К. Ма, Л. Ма (2009 г.) и других ученых. Метод опорных векторов представляет собой разновидность методов статистической классификации. Его современное направление исследования заключается в разработке машинной версии метода для использования в целях анализа объектов кредитования и обнаружения их существенных особенностей.

Отдельно стоит выделить методы, в основе которых лежит теория построения классификационных деревьев, так называемые «деревья принятия решений». Данная группа методов постоянно совершенствуется, позволяет увеличить количество исследуемых переменных, выращивать и удалять новые ветви, тем самым повышая эффективность работы метода. Среди публикаций по данному направлению исследований можно выделить первоначальные исследования, проведенные группой ученых Л. Брейманом, Дж. Фридманом, К. Стоуном, Р. Олсеном (1984 г.). Далее последовали публикации С. Финлея  (2011 г.), В. Лоха  (2014 г.). Интересная версия этого метода «вертикальная модель деревьев» была разработана группой ученых Д. Джангом, Х. Зу, С. Леунгом, Дж. Зенгом (2010 г.). Другим коллективом исследователей К. Ху, Х. Ши, Л. Занг и др. (2012 г.) были разработаны ранговые энтропийные деревья решений для монотонной классификации.

Целый ряд исследований ученых посвящен разработки методики применения сетевых моделей для оценки кредитоспособности заемщика. Например, к таким методам относится исследование рисков кредитования клиентов на базе байесовских сетей, которые представляют собой ацикличный ориентированный граф. Впервые «байесовские сети» появились в трудах Дж. Пирла, где речь шла о «байесовских сетевых классификаторах (1988 г.), затем в работе Н. Фридмана, Д. Гейгера, М. Голдсмидта, которые провели исследование «Вероятностные рассуждения в интеллектуальных системах: сети правдоподобного вывода» (1997 г.).

Исследования байесовских сетей были продолжены Дж. Гемела (2001 г.), Р. Джиудичи (2001 г.), А. Антонакисом и М. Мфакианакисом (2009 г.) и еще целым рядом других зарубежных ученых.

Другой разновидностью сетевых моделей являются нейронные сети, организованные по принципу работы нейронов головного мозга человека, которые также могут быть эффективно использованы в кредитном скоринге. Стоит отметить, что не все разновидности методов нейронных сетей дают высокий результат распознавания «плохих» и «хороших» заемщиков. Такие методы, как генетические алгоритмы и комбинированные методы, являются производными от ранее разработанных известных методов.

Метод генетических алгоритмов представляет собой разновидность квалификационных деревьев, в которых алгоритмы мутации и скрещивания применяются к деревьям. Среди его разработчиков можно назвать группу ученых Ц. Онга, Дж. Хуанга, Г. Ценга, которые занимались построением моделей кредитного скоринга с использованием генетического программирования (2005 г.).

Комбинированные методы (или гибридные) основаны на использовании различных техник кредитного скоринга, что повышает эффективность их использования. Наиболее часто встречаются три метода комбинирования (ensemble methods): беггинг (bagging – bootstrap aggregating), бустинг (boosting) и стекинг (stacking). Широко представлены исследования комбинированных методов анализа, проведенные Д. Волпертом (1992 г.), Л. Брейманом (1996 г.), С. Вуковичем, Б. Делибазичем, А. Узелаком и М. Сукновичем (2012 г.), которые представили модель, рассмотренную на основе случая, в которой используются функции теории предпочтений для кредитного скоринга. Интересны для практики также модели, предложенные А. Маркесом, В. Гарсиа и Дж. Санчесом в виде двухуровневых ансамблей классификаторов для оценки кредитного риска.

Помимо вышеназванных методов, существуют еще две группы методов, основанных на принципах нечеткой логики. Первая группа объединяет исследования, которые используются в методах с нейронными сетями. Вторая группа методов включает работы, в основу которых положены системы нечеткого вывода.

Среди них можно выделить работу группы ученых Ф. Хофмана, Б. Байсенса, С. Муеса и других, которые создали метод «Вывод описательных и приближенных нечетких правил для кредитного скоринга с использованием эволюционных алгоритмов» (2007 г.). Исследования в этом направлении были продолжены другой группой ученых А. Лахсасна, Р. Эйноном, Т. Вахом «Моделирование оценки кредитного риска с помощью оптимизированного нечеткого классификатора» (2008 г.). Интересны также публикации группы исследователей Дж. Игнатиуса, А. Хатами-Марбини, А. Рахмана и других, которые разработали «Систему поддержки нечетких

решений для кредитного скоринга» (2016 г.).

Отметим, что важность таких разработок как раз и состоит в том, чтобы с помощью экспертной системы, в основе которой лежат методы нечетких множеств (нечеткие правила), можно было оценивать риски неплательщиков по кредитам в банковском секторе, этому посвящена работа А. Каура и других исследователей (2016 г.), а также дифференцировать «хорошие» и «плохие» кредиты с использованием нейронечетких систем – работа Р. Малхотра и Д. Малхотра (2002 г.).

В приложении П5 представлен систематизированный перечень основных методов и моделей, используемых в кредитном скоринге для оценки кредитоспособности заемщика в зарубежных странах.

Разнообразие методов и моделей кредитного скоринга дает возможность выбора наиболее подходящей модели для решения каждой конкретной задачи оценивания состояния клиента и принятия решения по его кредитованию. Целью использования алгоритмов кредитного скоринга является дифференциация потенциальных заемщиков на «хорошие» и «плохие». Следует отметить, что не всегда оценка объекта скоринга, проведенная по алгоритму, будет давать гарантированный результат. Вполне понятно, что в применении оценочных алгоритмов могут быть получены неточные результаты, когда потенциально «хороший» объект будет признан «плохим» и наоборот.

В моделях скоринга предусмотрено применение так называемых «матриц ошибок», с помощью которых можно выявить качество полученного результата. Матрица ошибок построена по принципу комбинирования истинного ответа и ответа, полученного по алгоритму. В матрице ошибок возможны четыре варианта оценки результата: «true positive» (TP) – истинно положительный, «false positive» (FP) – ложно положительный, «true negative» (TN) – истинно отрицательный, «false negative» (FN) – ложно отрицательный.

Особенности кредитного скоринга состоят в том, чтобы добиться максимально точного результата при оценивании объекта скоринга. При этом ошибки могут быть получены разноплановые. Для банка экономические потери будут более весомыми, если «плохой» кредит будет классифицирован как «хороший», который впоследствии станет невозвратным, из-за чего банк понесет убытки. В противном случае экономические потери для банка будут менее ощутимы, когда «хороший» кредит по какой-либо причине не будет реализован, то есть у банка возникнет ситуация «упущенной выгоды».

В целях предотвращения такого рода ситуаций в задачах кредитного скоринга могут быть применены специальные «метрики качества алгоритмов». Далее представлены примеры таких «метрик». [6]

1. Общая оценка алгоритма.

Доля правильно всех классифицированных кредитов (независимо от их выявленного качества) определяется следующим образом:

                       TR + TN

Accuracy = ---------------------------                                               (2.4)

              TP + TN + FP + FN

 

2. Оценка точности результатов алгоритма.

Доля правильно классифицированных «плохих» кредитов среди всех наблюдений, отнесенных алгоритмом к «плохим» кредитам, определяется по формуле:

              TP

Precision = -------------                                                                (2.5)

              TP + FP

 

3. Оценка полноты полученного результата, то есть оценка способности алгоритма распознавать «плохие» кредиты.

Доля «плохих» кредитов среди анализируемой выборки определяется по формуле:

              TP

Recall = ----------------                                                               (2.6)

              TP + FN

4. Оценка качества полученного результата, то есть оценка способности алгоритма выявлять «хорошие» кредиты. Доля правильно классифицированных «хороших» кредитов среди всех наблюдений, отнесенных алгоритмом к «хорошим» кредитам, определяется по формуле:

                                          TN

Negative Predictive Value = ------------------                                         (2.7)

                                          TN + FN

 

5. Оценка специфичности работы алгоритма, то есть оценка способности алгоритма выявлять качество кредитов. Доля правильно классифицированных «хороших» кредитов среди всех наблюдений, которая определяется по формуле:

                       TN

Specificity = -------------------                                                     (2.8)

                       TN + FP

 

6. Среднее гармоническое значение. Этот показатель определяется как среднее гармоническое параметров точности и полноты и определяется по формуле:

              2 ( Precision * Recall )

F 1 Score = --------------------------------                                         (2.9)

              Precision + Recall

 

7. Оценка доли неправильно оцененных плохих (негативных) кредитов. Этот показатель характеризует ошибки, допущенные при расчете по алгоритму, и определяется по формуле:

                                 FN

False Negative Rate = -----------------                                           (2.10)

                                 TP + FN

 

8. Оценка доли неправильно оцененных хороших (позитивных) кредитов. Этот показатель характеризует ошибки, допущенные при расчете по алгоритму, и определяется по формуле:

                                 FP

False Negative Rate = -----------------                                           (2.11)

                                 TN + FP

 

Рассчитанные таким образом «метрики качества алгоритмов» дают возможность построения «кривой ошибок» (Receiver Operating Characteristic или сокращенно – ROS), которая показывает изменение отношения доли показателя Recall (формула 2.6), отражающего долю верно определенных «плохих» кредитов в их общем количестве, к доле False Negative Rate (формула 2.11), отражающего долю «хороших» кредитов, неправильно отнесенных к категории «плохих» кредитов. На основании ROS-кривой можно судить о качестве выбранного алгоритма.

При работе со скоринговыми моделями возникают не только обозначенные выше проблемные вопросы. Помимо этого специалисты отмечают, что существенной проблемой в работе со скоринговыми моделями является то, что доли «плохих» и «хороших» кредитов очень сильно различаются. Достижение хорошей репрезентативности выборки можно реализовать двумя способами: первый заключается в кратном увеличении миноритарного класса объектов выборки; второй – в аналогичном уменьшении мажоритарного класса. Оба метода имеют недостатки, заключающиеся в возможности либо искажения, либо потери части информации, необходимой для проведения исследования. Практика показывает, что проблема несбалансированности исходных данных в выборках при расчетах кредитного скоринга, присутствует повсеместно и является сложной задачей, требующей самостоятельного исследования.

Нельзя не отметить еще один важнейший аспект работы банков с данными клиентов, это вопрос, касающийся способов обработки и хранения информации. Существуют различные методы решения задач интеллектуального анализа: коммерческие статистические пакеты; открытые среды; облачные решения. Отметим, что проблема безопасности работы с клиентскими базами данных в условиях цифровизации становится тотальной, а требования по сохранению конфиденциальности данных устанавливаются для банков мегарегулятором – Центральным Банком России.

Как показал анализ представленных методов и моделей кредитного скоринга методология оценки кредитоспособности заемщика берет свое начало в 1940-е годы XX столетия. Практически одновременно с разработкой методов и моделей кредитного скоринга происходил процесс формирования теоретических основ анализа возможностей банкротства компаний. Причем указанные процессы становления теории и методологии анализа проходили очень похожие этапы, так как они достаточно тесно связаны между собой как по целям анализа, так и по источникам информации, необходимой для проведения анализа. В обеих сферах был пройден путь от самых простых аналитических методов до сверхсложных современных методов и моделей. Это объясняется развитием общей технико-технологической базы, а в последние десятилетия (с начала XXI века) тотальной цифровизацией экономических процессов, открывающей, по сути, новую эпоху в решении экономических задач.

Объединяет описанные методы и модели кредитного скоринга то обстоятельство, что все они проходили апробацию и впоследствии использовались в основном для оценки кредитоспособности крупных компаний и предприятий, а зарубежные методики учитывали также наличие у компаний котировок ценных бумаг на фондовом рынке.

Следует признать, что такой подход практически оказывается неприменим для российских компаний среднего и малого предпринимательства. Более того, в современных условиях даже крупные по российским меркам компании не имеют доступа на фондовый рынок по различным причинам. Одной из важных причин является тот факт, что фондовый рынок в последние годы нестабилен, а у компаний достаточно своих проблем и они не хотят увеличивать риски за счет приобретения фондовых инструментов. Данное обстоятельство является своеобразным тормозом, не позволяющим в полной мере применить зарубежные методики в наших современных российских условиях.

В этой связи представляют интерес исследования, направленные на поиск новой архитектуры оценки кредитоспособности, берущие за основу методологию машинного обучения в системе интеллектуального анализа данных. Так, например, в исследовании И.В. Ариничева и Н.Ю. Сайбель [7] предлагается дифференцировать предприятия малого бизнеса по трем категориям заемщиков: «плохие», «удовлетворительные» и «хорошие» в зависимости от целого круга качественных показателей, на основе использования процессов машинного обучения непосредственно в течение реализации бинарного алгоритма оценки. Их исследования направлены на разработку методов определения кредитоспособности субъектов малого и среднего предпринимательства, которые в наибольшей степени оказываются уязвимы при даже незначительных изменениях внешней среды, что не позволяет им претендовать на получение кредитных ресурсов, а это, в свою очередь, лишает их возможности развиваться и конкурировать с другими хозяйствующими субъектами на рынке открытой конкуренции.

Выводы по второй главе.

Анализ разнообразных подходов к решению проблемы оценки риска кредитования заемщика показал, что многие методики и модели показывают хорошие прогнозные результаты, но при этом они все имеют как положительные, так и отрицательные стороны. Перспективы развития методологии и методического аппарата в настоящее время направлены преимущественно в сторону поиска сочетания различных экономико-математических методов и алгоритмов, базирующихся на методологии интеллектуального анализа и применения наряду с ними альтернативных методов оценки. При этом важным моментом остается вопрос адаптации имеющегося оценочного инструментария при проведении расчетов для предприятий конкретной отрасли, а возможность применения современных методов исследования будет способствовать решению поставленных задач.

[1] Федеральный закон от 03.08.2018 № 303-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации о налогах и сборах».

[2] Федеральный закон от 06.12.2011 № 402-ФЗ «О бухгалтерском учете».

[3] Федеральный закон «О внесении изменений в Федеральный закон «О бухгалтерском учете» от 28.11.2018
ФЗ-№ 444.

[4] Информация Минфина России от 29.06.2016 № ПЗ-3/2016 «Об упрощенной системе бухгалтерского учета и бухгалтерской отчетности».

[5] Волкова Е.С., Гисин В.Б., Соловьев В.И. Современные подходы к применению методов интеллектуального анализа данных в задаче кредитного скоринга // Финансы и кредит. – 2017. – Т.23, № 34. – С. 2044-2060. https://doi.org/10.24891/fc.23.34.2044

[6] Волкова Е.С., Гисин В.Б., Соловьев В.И. Современные подходы к применению методов интеллектуального анализа данных в задаче кредитного скоринга // Финансы и кредит. – 2017. – Т.23, № 34. – С. 2044-2060. https://doi.org/10.24891/fc.23.34.2044

[7] Ариничев А.В., Сайбель Н.Ю. Оценка кредитоспособности субъектов малого предпринимательства // Финансы и кредит. – 2017. – Т.23, № 31. – С. 1878 – 1892. https://doi.org/10.24891/fc.23.31.1878