Применение методов скоринговой оценки кредитных рисков в мониторинге корпоративного заемщика

Main Article Content

Ольга Андреевна Тазенкова

Аннотация

Предложен метод оценки риска дефолта корпоративного заемщика на этапе мониторинга на основе скоринговой оценки. Приведено доказательство гипотезы в том, что скоринговые методы оценки кредитных рисков возможны к применению не только на этапе первичной оценки потенциального заемщика при принятии решения о кредитовании, но и на этапе его мониторинга при сопровождении сделки. Мониторинг представляет собой периодическую проверку кредитного качества корпоративного заемщика, с кем заключен кредитный договор. Это делается с целью своевременного выявления негативных сигналов, а также своевременного реагирования на угрожающие тенденции в деятельности заемщика.


Некоторые кредитные организации экономят на мониторинге, полагаясь на систему принятия решения, считая ее безупречной. Однако данная экономия может оказаться фатальной ошибкой, так как многое в течение «жизни» предприятия со временем изменяется. Этому способствуют как внешние факторы (политические, экономические), так и внутренние (неверная стратегия развития организации, неспособность оценить собственные кредитные возможности, недобросовестные контрагенты).


Предлагаемый метод представляет собой систему автоматических риск-сигналов, которые прошли проверку на предсказательную способность, исключая ручные процедуры. В предлагаемое решение включены маркеры (риск-сигналы), которые имеют предсказательную способность выше средней, что может привести к дефолту корпоративного заемщика. Дополнительно применена цветовая маркировка – красный, желтый, зеленый, которая позволяет визуализировать критичность выявленного риск-сигнала в зависимости от предсказательной способности – наглядное представление рисков заемщика с целью облегчения интерпретации.


Анализ разработанного метода показал, насколько возможно ускорить процесс проведения мониторинга, что позволит обеспечить оперативность реагирования на выявленные риск-сигналы, а также спрогнозировать вероятное ухудшение кредитного качества заемщика в кредитном или гарантийном портфеле без ущерба для качества оценки риска.

Article Details

Библиографические ссылки

1. Шаталова Е.П. Банковские рейтинги в системе риск-менеджмента: процедуры мониторинга кредитных рейтингов. М.: КНОРУС, 2018. 242 с.
2. Бордакова М.В. Особенности построения внутренних моделей рейтинговой системы оценки кредитного риска корпоративных заемщиков // Банковские услуги, 2012. С. 9–21.
3. Шаталова Е.П., Шаталов А.Н. Оценка кредитоспособности заемщиков в банковском риск-менеджменте. М.: КНОРУС, 2011. 166 с.
4. Александров В.В. Развивающиеся системы. В науке, технике, обществе и культуре. Часть 1. Теория систем и системное моделирование. СПб.: Изд-во СПбГТУ, 2000. 243 с.
5. Бухтин М.А. Принципы и подходы к формированию методик внутренних кредитных рейтингов для корпоративных клиентов // Управление финансовыми рисками. 2008. 27 с.
6. Бенгфорт Б., Билбро Р., Охеда Т. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. СПб.: Питер, 2019. 368 с.
7. Федеральный закон «О несостоятельности (банкротстве)» от 26.10.2002 № 127-ФЗ (последняя редакция). URL: http://www.consultant.ru/document/cons_doc_LAW_39331/, дата обращения 04.04.2021.
8. Положение Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности». URL: http://www.consultant.ru/document/cons_doc_LAW_220089/, дата обращения 04.04.2021.
9. Федеральный закон «О Центральном банке Российской Федерации (Банке России)» от 10.07.2002 № 86-ФЗ. URL: http://www.consultant.ru/document/cons_doc_LAW_37570/, дата обращения 04.04.2021.
10. Федеральный закон «О банках и банковской деятельности» от 02.12.1990 № 395-1. URL: http://www.consultant.ru/document/cons_doc_LAW_5842/, дата обращения 04.04.2021.
11. Ендовицкий Д.А., Бахтин К.В., Ковтун Д.В. Анализ кредитоспособности организации и группы компаний. М.: КНОРУС, 2012. 376 с.
12. Репин В.В., Елиферов В.Г. Процессный подход к управлению. Моделирование бизнес-процессов. М.: Манн, Иванов и Фербер, 2013. 45 с.
13. Лопез де Прадо М. Машинное обучение: алгоритмы для бизнеса. СПб.: Питер, 2019. 432 с.
14. Элбон К. Машинное обучение с использованием Python. Сборник рецептов. СПб.: БХВ-Петербург, 2019. 384 с.
15. Филипенков Н. Интеллектуальный анализ данных в управлении розничным кредитным риском // Спецсеминар «Интеллектуальный анализ данных в бизнесе», 2010. 42 с. URL: http://www.machinelearning.ru/wiki/images/b/b2/MSU-BI-Filipenkov-2010-10-01.pdf, дата обращения 04.04.2021.