55
Рисунок 11 - Цепочки правил между массивами данных
При обработке каждого заемщика в ПАО «Сбербанк России» будет
автоматически запускаться проверка свойств по нескольким правилам. По этой
логике получается результат, который обрабатывается дальше. Значения
свойств заемщика на следующем рисунке указаны в качестве примера.
Рисунок 12 - Глобальный анализ свойств заемщика
(физического лица) ПАО «Сбербанк России»
Данные заемщиков представляют собой большую базу данных, среди
которой нужно выявить определенное соответствие. Правильный анализ
свойств заемщика почти наверняка даст актуальную оценку его
платежеспособности.
Исходя из описанных требований, строится дерево принятия решения
скоринговой модели по алгоритму CART (Classification and Regression Tree) –
56
необходимо решить как задачу классификации (для бинарных признаков), так и
регрессии (для количественных признаков).
В данном случае, признаками являются заполненные оператором и
заемщиком данные.
Главная задача на данном этапе – сформировать как можно более
репрезентативную выборку. Это напрямую влияет на качество дальнейшей
аппроксимации и прогнозирование.
Чем больше выборка, тем качественнее анализ. В рамках сотрудничества
с ЦБРФ была получена тестовая база данных. Качество ее соответствует
реальным историям заемщиков, изменены лишь персональные данные, что не
влияет на качество анализа. Предлагаемая модель соответствует так
называемой карте Кохонена Хопфилда.
Предлагаемая сеть имеет 11 явных слоев, на один из которых подаются
качественные признаки с высчитанными весами от скоринговой модели.
Функция активации – кусочно постоянная, так как линейная функция сулит
проблемы с переобучением сети и ошибками коллинеарности. Использование
отсортированных и проверенных входных данных позволяет сильно
сэкономить на времени настройки качественного и адекватного результата
работы сети.
Имея обученную и настроенную нейросеть для выполнения оценки
клиента–заемщика, можно осуществить ее внедрение в сервис (рис. 12).
Рисунок 12 - Шкала проверки потенциального заёмщика ПАО
«Сбербанк России» через нейросеть
57
В панели управления системы возможно задать значение для каждого
параметра нейронной сети (рис. 14).
Рисунок 13 - Панель задач нейросети
Зависимый расчет процентной ставки пользователя необходимо
проводить после одобрения кредита. Хороших заемщиков надо поощрять – для
этого придумана система понижения процентной ставки, если заемщик
исправно вернул несколько кредитов. После нескольких закрытых займов
процент автоматически понижается на определенный шаг. Если займ
просрочен, возвращается предыдущая ставка
Далее проведем пример принятия решения о кредитовании физического
лица.
58
Рисунок 14 - Алгоритм вариаций процентных ставок
Таким образом, был создан проект модели нейросети, в котором
благодаря уникальным методикам и алгоритмов нейронных сетей, заемщики
проверяются по сотням параметров на основе данных банка и бюро кредитных
историй. Процент невозвратов займов значительно снизился после введения
элементов искусственного интеллекта.
ПАО «Сбербанк России» рассматривает возможность применения новых
подходов к оценке кредитных рисков в соответствии с планами ЦБ, отметили в
пресс–службе банка, считая, что они будут способствовать экономии капитала.
Предложенный подход позволит высвободить капитал только для
высоконадежных заемщиков, а по более рисковым – увеличит требования к
капиталу.
На сегодняшний день ПАО «Сбербанк России» использует систему
скоринга, основанную на анализе кредитной истории потенциального заемщика
с учетом социально–демографических факторов, т.е. так называемый
социально–демографический скоринг, а также собственная скоринг–система,
разработанная самим Банком. Сейчас существует как минимум пять
59
разновидностей скоринга: уже упомянутые скоринг по кредитной истории,
социально–демографический скоринг и собственная система, а также скоринг
мобильных операторов (запрос у мобильного оператора истории пользования
мобильным телефоном) и «Fraud score» (анализ заемщика на предмет
мошенничества). На наш взгляд Банку стоит начать применять системы «Fraud
score» и скоринг мобильных операторов для проверки кредитных заявок на
сумму свыше 2 млн. руб.
Важным инструментом в управлении кредитным портфелем (как и
любым портфелем активов) является его оптимизация с помощью методов
математического программирования. Оптимизировать кредитный портфель
можно на основе двух критериев: доходности и риска. Если главной задачей
оптимизации портфеля является достижение максимальной доходности, то
целевая функция будет выглядеть следующим образом:
????
????
(5)
где: x
1
, x
2
– доли розничного и корпоративного кредитования в
кредитном портфеле банка;
k
1
, k
2
– доходность розничного и корпоративного кредитования.
Если приоритетной задачей является снижение риска портфеля, то
целевая функция будет иметь следующий вид:
????
????
(6)
где: d
1
, d
2
– вероятность убытков по розничному и корпоративному
кредитованию соответственно.
Таким образом, если приоритетом будет максимальная доходность, то
целевая функция задачи будет иметь следующий вид:
????
????
Обязательными ограничениями этой задачи является неотрицательность
переменных:
60
Решить данную задачу можно с помощью инструмента «Поиск
решения» программы Microsoft Excel. Решением этой задачи является x
1
=100%,
x
2
=0. При такой структуре портфеля уровень доходности составит:
????
????
а уровень списанных кредитов:
Однако это нереальное решение, так как банк не может сформировать
портфель только из розничных клиентов (у него попросту нет такой клиентской
базы). Кроме того, кредиты физическим лицам более рискованны, т.е. сформи-
рованный портфель будет иметь слишком высокий уровень кредитного риска.
3.2. Оценка экономической эффективности предложенных
мероприятий
Применение методики оценки кредитоспособности заемщика
корпоративного сектора рассмотрим на примере заемщика-юридического лица.
На следующем примере проведем анализ компании с помощью данного метода.
Таблица 11
Анализ качественных показателей
Диапазон значения качественного показателя
Балл
Положение на рынке
Доля рынка и конкурентная среда:
Организация имеет среднюю долю рынка
2
Чувствительность продукции к изменениям конъюнктуры, ценовым и
неценовым факторам спроса:
Продукция имеет низкую чувствительность спроса (товары
первой необходимости)
3
Конкурентная среда:
Средняя конкуренция (от 5 до 10 конкурентов)
2
Анализ отраслевых рисков:
Имеется положительная (отрицательная) динамика роста отрасли,
имеются (отсутствуют) формы государственной поддержки, у
анализируемого предприятия нет существенных проблем с
платежеспособностью, с предприятиями данной отрасли у банка
имеется (отсутствует) положительный опыт работы
2
Длительность работы предприятия на рынке:
Работает в данной сфере бизнеса свыше 3 лет
3
Качество управления
Качественный состав владельцев:
Нет существенных изменений, информация, касающаяся
собственников и аффилированных лиц, раскрыта полностью
3
Организационная структура:
Соответствует бизнесу и специфике организации по всем
3
61
параметрам
Система планирования:
Организация занимается стратегическим планированием, активно
осуществляет бизнес-планирование и бюджетирование
3
Качества руководителей организации
Высокий авторитет руководителей организации в бизнес-
сообществе; в случае необходимости они лично вступают в
переговоры по поводу корректировки сроков или условий
выполнения обязательств
3
Деловая репутация
Кредитная история организации:
Имеет хорошую кредитную историю, неоднократно привлекала
кредиты банка или других кредитных организаций, не допускала
просрочек по основному долгу и уплате процентных и иных
платежей и (или) имелись просрочки технического характера,
классификация ссуд не пересматривалась
3
Деловая репутация компании:
Информация о деловой репутации (из открытых источников) есть
в наличии и носит положительный характер
3
Информационная прозрачность предприятия
Хорошая информационная прозрачность бизнеса, действия
клиента полностью соответствуют требованиям законодательства,
иных нормативных документов, а также принятым нормам в
деловой международной практике
3
Параллельно с анализом качественных показателей в таблице 11.
осуществляется анализ количественных показателей в таблице 12.
Таблица 12
Анализ количественных показателей
Показатель.
Диапазон значений
Балл
Динамика валюты баланса
Растет быстрее годовой
инфляции
5
Чистый оборотный капитал
Больше уставного
капитала
5
Динамика чистого оборотного
капитала
Рост
5
Соотношение запасов и дебиторской
задолженности
Превышение запасов над
дебиторской
задолженностью
0
Динамика собственного капитала
Рост
5
Соотношение собственных и заемных
средств
Менее 1,0
5
Динамика соотношения собственных
и заемных средств
Отсутствие изменений или
незначительный рост
3
Динамика роста выручки и
себестоимости
Выручка растет, отставая
от себестоимости, или
сокращаются оба
3
62
показателя
Динамика роста чистой прибыли
Рост
5
Соотношение себестоимости и
выручки
От 90 до 99%
3
Далее составляется агрегированный баланс и отчет о прибылях и
убытках (Приложение 3). Рассчитанные показатели агрегированного баланса и
отчета о прибылях и убытках будут использоваться ПАО «Сбербанк России»
далее для расчета системы финансовых коэффициентов. Она, как показано в
таблице 13 включает в себя пять групп коэффициентов: ликвидности,
оборачиваемости, финансового левериджа, прибыльности и обслуживания
долга.
Таблица 13
Расчет финансовых коэффициентов
Показатель.
Расчет
Диапазон
значений
Балл
Коэффициенты ликвидности
Быстрая ликвидность
0,32
< 1,0
0
Текущая ликвидность
0,007
< 0,3
0
Покрытие задолженности
0,8
< 1,0
0
Коэффициенты оборачиваемости
Деловая активность
1,5
> 0,33
5
Фондоотдача
6,8
> 0,66
5
Отношение выручки от реализации к
сумме мобильных средств
1,9
> 1,0
5
Коэффициенты финансового левериджа
Автономия
0,07
< 0,5
0
Мобильность средств
3,5
> 0,5
5
Маневренность средств (чистая
мобильность)
-
0,19
< 0,2
0
Отношение собственного капитала к
общей задолженности
0,07
< 1,0
0
Обеспеченность собственными средствами
-0,19
< 0,1
0
Коэффициенты прибыльности
Рентабельность выручки от реализации
0,003
0 - 0,1
3
Рентабельность общего капитала
0,004
0 - 0,1
3
Рентабельность акционерного капитала
0,07
0 - 0,1
3
Коэффициенты обслуживания долга
Обслуживание долга
1,6
> 1,5
5
63
В итоге на основании всех присвоенных показателям баллов
рассчитывается общее количество баллов компании. В данном случае
потенциальный заемщик корпоративного сегмента в сумме получает 57 баллов.
Положение среднее. Это значит, что есть вероятность неисполнения своих
обязательств из-за не очень устойчивой производственной деятельности и
колебаний финансовых результатов предприятия. Но положительные
показатели рентабельности и покрытия долга достаточные для обслуживания
долга и погашения заимствований.
В ПАО «Сбербанк России» максимальная сумма потребительского
кредита может составлять 5 млн. руб., а по ипотечному кредиту – 30 млн. руб.
Предлагается уменьшить лимит потребительского кредитования до 3 млн. руб.,
а ипотечное – до 25 млн. руб.
Уменьшение лимита кредитования снизит уровень резервов по ссудам,
что позволит высвободить свободные денежные средства, за счет которых
можно увеличить собственные средства банка либо инвестировать их.
Собственный капитал банка тесно связан с банковскими рисками, в т.ч.
и с кредитным риском. Мы уже увидели при анализе кредитной политики
банка, что показатель соотношения кредитных вложений к собственным
средствам банка существенно ниже нормы, что говорит о небольшом объеме
собственного капитала Банка.
Для устойчивого положения на рынке, в том числе и при кризисных
ситуациях, когда реальные доходы населения падают и задолженность по
ссудам резко возрастает, а также происходит массовый отток депозитов; для
наибольшего доверия клиентов необходимо увеличить объем собственных
средств. Касаемо потребительского кредитования, два года – это минимальный
срок кредитования в ПАО «Сбербанк России». При уменьшении срока
кредитования с двух лет, например, до полугода повысится спрос на услуги
банка. При этом банк будет вправе повысить ставку по кредиту (вместо 9,9%
будет 12,5%). Объем кредитных выдач увеличится, а резервы не будут
64
составлять значительную долю, т.к. сумма кредита при таком сроке, как
правило, небольшая.
Средняя доходность розничного и корпоративного кредитования в
2018 году была рассчитана в предыдущей главе и составляет соответственно
14,1% и 9,0%. В качестве меры риска был выбран удельный вес списанных
кредитов в общей сумме ссудной задолженности. Поскольку безнадежный
кредит списывается обычно не в том году, когда он был выдан, а гораздо позже,
для характеристики вероятности убытков среднюю величину списанных
кредитов за три последних года (табл. 14).
Таблица14
Расчет среднего удельного веса списанных кредитов
в кредитном портфеле ПАО «Сбербанк»
Показатели
2018 г.
2019 г.
2020 г.
Среднее
значение
Величина списанных кредитов,
млрд. руб.:
Корпоративные кредиты
108,5
102,1
126,5
112,4
Розничные кредиты
37,6
73
50,9
53,8
Общая сумма ссудной
задолженности, млрд. руб.:
Корпоративные кредиты
14958,7
13633
14174,6
14255,4
Розничные кредиты
4965,6
5031,7
5716,6
5238,0
Доля списанных кредитов в
ссудной задолженности:
Корпоративные кредиты
0,73%
0,75%
0,89%
0,79%
Розничные кредиты
0,76%
1,45%
0,89%
1,03%
Таким образом, если приоритетом будет максимальная доходность, то
целевая функция задачи будет иметь следующий вид:
????
????
Обязательными ограничениями этой задачи является неотрицательность
переменных:
Решить данную задачу можно с помощью инструмента «Поиск
решения» программы Microsoft Excel. Решением этой задачи является x
1
=100%,
x
2
=0. При такой структуре портфеля уровень доходности составит: