Структура доходов, полученных филиалом

Статьи доходов	за 2010 год (тыс. руб.)	за 2011 год (тыс. руб)	Доля в доходах	Изменение, п.п.
			за 2010 год (%)	за 2011 год (%)
Процентные доходы от операций кредитования, в том числе:	125 784	247 987	58,70%	69,07%	10,37
-юридических лиц	58 921	116 426	27,50%	32,43%	4,93
-физических лиц	66 863	131 561	31,20%	36,64%	5,4
Комиссии полученные	59845	74846	27,93%	20,85%	-7,08
Доходы от внутрисистемных операций	18989	21387	8,86%	5,96%	-2,09
Прочие	9664	14819	4,51%	4,13%	-0,38
Всего доходов	214 282	359 039	100,00%	100,00%	х

Объем комиссионных доходов, полученных за 2011 год, составил 74846 тыс. руб., или 125% от объема комиссионных доходов за 2010 год. Темпы роста комиссионного дохода сложились ниже темпов роста совокупных доходов Банка, что привело к снижению доли комиссий в общем объеме доходов Банка с 27,93% до 20,85%.

Для более детального анализа качества кредитного портфеля приведем структурные показатели деятельности филиала, которые представлены в таблице 11.

По данным таблица 11 видно, что уровень кредитного риска за анализируемый период увеличился на 0,44 п.п. до 2,57%. Это обусловлено ростом доли просроченной задолженности в общем ссудном портфеле на 0,12 п.п. Наблюдается положительная тенденция увеличения доли работающих активов в активах-нетто до 88,64% (на 0,19 п.п.).

Таблица 11

Структурные показатели деятельности Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК».

Структурные показатели	2010 год, %	2011 год, %	Изменение п.п.
Доля работающих активов в активах-нетто	88,45%	88,64%	0,19
Доля срочных ссуд юридическим лицам в работающих активах	33,79%	40,40%	6,61
Доля просроченной задолженности в ссудной задолженности, в том числе - Просрочка юридических лиц - Просрочка физических лиц	0,57% 0,41% 0,16%	0,69% 0,45% 0,24%	0,12 0,04 0,08
Доля кредитов, предоставленных корпоративным клиентам в активах-нетто	29,53%	35,88%	6,35
Доля срочных ссуд физическим лицам в работающих активах	39,92%	44,65%	4,73
Уровень кредитного риска	2,13%	2,57%	0,44

В целом качество кредитного портфеля можно оценить как удовлетворительное, что говорит об эффективности проводимой кредитной политики Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК» за анализируемый период. Однако филиалу необходимо уделить особое внимание на рост просроченной задолженности заемщиков в общем ссудном портфеле, что говорит о необходимости повышения эффективности системы мониторинга и управления кредитным риском.

3. Совершенствование кредитной политики Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК» с помощью эконометрических методов

3.1 Применение методики стресс-тестирования как инструмента моделирования кризисных ситуаций

Недавние и текущие события на мировых финансовых рынках, вызванные американским ипотечным кризисом, показали необходимость более строгого подхода банков к оценке имеющихся рисков. Одним из важных обстоятельств, с точки зрения устойчивости банка, является построение более адекватной оценки потерь в экстремальных условиях рынка (в рамках стресс-тестирования), которая создаст предпосылки для эффективного контроля и управления рисками в период возможных кризисных ситуаций. Суть стресс-тестирования заключается в том, чтобы понять, что может случиться, какие убытки может понести банк в той или иной неожиданной ситуации. [27, с. 55]

Существует довольно много различных видов стресс-тестов, выделяются следующие их группы:

- Однофакторные стресс-тесты (анализ чувствительности). При проведении однофакторных тестов рассматривается влияние изменения одного из факторов риска на стоимость портфеля. Нередко такие тесты используются трейдерами, которые хотят понять, какое влияние на их позиции может оказать существенное изменение определенного фактора риска (например, изменение курса валют). Но проблема заключается в том, что при стрессовых ситуациях изменяются и остальные факторы риска, поэтому если рассматривать изменение только одного из них, то результаты могут получиться некорректными.

- Многофакторные стресс-тесты (анализ сценариев). В данном случае рассматривается изменение сразу нескольких факторов риска. Многофакторные стресс-тесты бывают различного типа. Наиболее распространенные из них основываются на исторических сценариях. Такие сценарии подразумевают рассмотрение изменений факторов риска, которые уже происходили в прошлом. Основным недостатком этого метода является то, что не учитываются характеристики рынка и институциональных структур, которые меняются со временем.

Трудности при использовании известных методов стресс-тестирования часто связаны с отсутствием или недостатком исторических данных о параметрах риска, по которым строятся их прогнозные значения для будущего кризиса. Прежде всего, это относится к оценке кредитного риска, для которого часто отсутствуют исторические данные для построения прогнозной оценки вероятности дефолтов или матрицы вероятностей переходов.

Кроме того, при стресс-тестировании обычно не рассматривается влияние риска ликвидности на величину потерь банка, в то время как отток привлеченных средств в период кризиса может оказывать значительное влияние на величину стоимости активов.

Рассмотрим методику оценки потерь банка в условиях кризиса с учетом влияния на эти потери риска ликвидности. Кроме того, при расчете кредитного риска используется модель матрицы вероятностей переходов, позволяющую выразить ее прогнозные значения через другие показатели, для которых имеется надежная информация по уже состоявшимся кризисам. И, наконец, рассмотрим эффект, влияющий на величину потерь банка, проявление которого наиболее характерно именно для кризисных условий, - это взаимодействие различных рисков.

1. Оценка потерь

Портфель активов банка включает в себя различные финансовые инструменты, которые подвергаются различным рискам. Под влиянием рисков изменяется (снижается) стоимость активов, что можно рассматривать как потери, которые приводят к сокращению капитала банка.

Для простоты рассмотрим лишь наиболее важную для нас ситуацию, когда портфель активов состоит только из кредитов. Для определенности будем рассматривать только корпоративные кредиты.

1.1. Потери за период кризиса

Порядок оценки величины резервов по кредитам определяется Положением Банка России № 254-П, в котором корпоративные (неоднородные) кредиты в зависимости от оценки кредитного риска заемщика помещаются в одну из пяти категорий качества (таблица 12).

Считаем, что обеспечение рублевых и валютных кредитов предоставляется соответственно в рублях и валюте. Для простоты также считаем, что категория качества обеспечения всех кредитов равна 1.

Заметим, что на основе таблицы банк может ввести более детальное распределение кредитов по категориям (или рейтингам), которым будут соответствовать свои диапазоны (их число увеличится) норм резервирования по ссудам.

Таблица 12

Распределение ссуд по категориям качества

Категория качества кредитов	Наименование ссуд	Норма резервирования, % от суммы основного долга
I (высшая)	Стандартные	0 (Положением Банка России № 254-П) от 0 до 1 (модель транзитной стресс-матрицы)
II	Нестандартные	от 1 до 20
III	Сомнительные	от 21 до 50
IV	Проблемные	от 51 до 100
V (низшая)	Безнадежные	100

В дальнейшем для большей конкретности будем рассматривать категории качества кредитов, соответствующие таблице, подразумевая при этом, что эти категории могут быть детализированы и преобразованы (указанным выше способом) в систему рейтингов банка. [27, с. 56] Далее рассмотрим, как изменяется стоимость кредитов в период кризиса. Здесь важно определить основные риски, воздействующие на кредиты. Это, прежде всего, кредитный риск, который в рамках этого подхода характеризуется следующими риск-факторами: категорией качества кредита i и соответствующей ей нормой резервирования. Кроме того, валютные кредиты подвержены валютному риску. Для него риск-фактором служит валютный курс St который меняется с течением времени t.

И, наконец, риск ликвидности, который характеризуется оттоком привлеченных средств ДmR,S в рублях (R) и валюте (S) (-объем привлеченных средств в момент времени t). Источником компенсации оттока пассивов в нашем случае будут ликвидные средства, получаемые в результате погашения кредитов банка. Риск ликвидности при этом состоит в том, что величина оттока средств за какой-либо период может быть не полностью компенсирована объемом погашаемых за этот период кредитов. Отметим, что в результате оттока привлеченных средств и компенсации его погашаемыми кредитами сокращается остаток ссудной задолженности банка. Это, в свою очередь, изменяет величину потерь портфеля кредитов, связанных с влиянием кредитного и валютного рисков. Влияние рисков на стоимость кредитов определяется величиной изменения их риск-факторов, которая зависит от длительности периода существенного воздействия каждого вида риска. На практике эта длительность оказывается различной для различных видов риска. Более того, эти периоды для различных рисков могут быть смещены по времени, т. е. период наиболее существенного воздействия для одного вида риска может наступать ранее или позднее соответствующего периода для другого вида риска.

1.2. Влияние отдельных рисков и их взаимодействие

Анализ чувствительности потерь к различным видам риска показывает, что под влиянием роста только кредитного риска или только риска обесценения обеспечения потери банка растут.

Риск ликвидности, связанный с оттоком привлеченных средств, напротив, приводит к уменьшению потерь (резервов), поскольку при этом уменьшается объем (номинальная стоимость) кредитов, часть которых идет на компенсацию оттока привлеченных средств.

Валютный риск влияет более сложным образом. Во-первых, изменения валютного курса в сторону увеличения (ДS > 0) или уменьшения (ДS < 0) изменяют знак вклада валютного риска в изменение капитала. Во-вторых, даже при фиксированном изменении валютного курса знак вклада в изменение капитала может изменяться в зависимости от соотношения значений параметров портфеля кредитов и величины привлеченных средств.

1.3. Многоступенчатый подход к оценке потерь

Строится следующая система оценки.

Весь период кризиса T разбивается на интервалы Дt, для которых можно использовать следующее ступенчатое приближение для изменения риск-факторов:

RF(t) = RF(tk), tk <t < tk+1,

RF(tk) = RF0 + k * дRF,

tk = k + Дt 1 - k - n,

Дt = T/n, дRF = ДRF/n.

где Rf0 - значение риск-фактора в момент начала кризиса (t = 0), ДRF - задаваемое сценарием изменение риск-фактора за период кризиса Т, n - число разбиений периода кризиса. [27, с. 59]

Для расчета потерь в рамках данного приближения в выражении (129) вместо периода кризиса Т рассматривается временной интервал Дt, а вместо начала (t = 0 ) и конца периода кризиса (t = T ) используются значения tk и tk+1 - начала и конца k-го интервала Дt (tk = k + Дt, tk+1 = (k+1) + Дt).

Параметры и (t = tk, tk+1) в соответствии с (122) и (128) выражаются через матрицу вероятностей переходов, которая также рассматривается на интервале Дt (оценка этой матрицы будет дана ниже).

Что касается величины падения стоимости залога, то вместо величины, вR,S, которая соответствует периоду кризиса Т, используется риск обесценения залога вR,S(Дt) на интервале Дt, который связан с вR,S соотношением:

вR,S = (1 - вR,S(Дt))n.

И, наконец, в выражении (19) в качестве изменения риск-факторов на интервале Дt используются величины дRF (см. (130)).

В результате потери капитала на k-ом интервале Дt составляют расчетную величину дK(tk). При этом за весь период кризиса потери капитала рассчитываются как сумма потерь на каждом интервале Дt:

2. Моделирование транзитной стресс-матрицы

Для оценок совокупных потерь осталось определить матрицу вероятностей переходов (транзитная матрица, или матрица переходов).

Отметим, что построение такой матрицы с использованием исторических данных и статистического подхода представляет значительные трудности. Дело в том, что поскольку кризисные события являются довольно редким явлением, исторические данные по прошлым кризисам и статистические оценки, сделанные по этим данным, оказываются, вообще говоря, неприменимыми для будущего кризиса.

Вместе с тем ряд общих свойств, которыми обладает матрица переходов, является ожидаемым и остается общим для всех кризисов. Мы попытаемся сформулировать эти свойства и на их основании построить аналитическую модель транзитной матрицы в период кризиса (транзитную стресс-матрицу).

6. Ожидаемые свойства транзитной стресс-матрицы

Матрица вероятностей переходов кредитов во время кризиса должна обладать следующими свойствами:

1. В период кризиса кредиты совершают в основном переходы (назовем их прямыми) из более высокой категории качества i в более низкую категорию j (i < j). Обратные переходы (i > j) в период кризиса весьма маловероятны (их существенно меньше, чем прямых), поэтому будем считать их вероятность равной нулю.

2. Вероятность «короткого» перехода выше, чем вероятность «длинного». Из двух переходов кредитов из категории качества i в категории качества j и j + k первый - назовем «коротким», а второй - «длинным».

«Коротким» будем также называть переход кредита из категории качества i + k в категорию качества j (i + k < j) по сравнению с «длинным» переходом из категории качества i в категорию качества j.

3. В период кризиса кредиты мигрируют из более высоких категорий качества i в более низкие j (i < j). При этом в течение любого k-го интервала Дt происходит их накапливание в пятой категории качества (дефолт), т.е. объем кредитов в этой категории качества к концу k-го интервала (t = tk+1) возрастает.

4. При усилении кризиса нормы резервирования по всем категориям качества увеличиваются (в рамках своих диапазонов),

При этом вероятности дефолтов по кредитам всех категорий качества возрастают.

В соответствии с пп.1 и 2 приведенных условий матрица вероятностей во время кризиса является треугольной, ненулевые недиагональные члены которой в каждой строке убывают слева направо, а в каждом столбце - снизу вверх.

7. Построение транзитной стресс-матрицы. [27, с. 60]

Будем считать, что поскольку нормы резервирования являются риск-факторами кредитного риска, то они определяют вероятности переходов кредитов по категориям качества.

В соответствии с Положением Банка России № 254-П первой категории качества кредитов соответствует норма резервирования, равная нулю (см. таблицу 12). В рамках нашего подхода это означает, что кредиты, находящиеся в этой категории качества, являются безрисковыми даже в период кризиса, т.е. переходов из этой категории в другие не происходит.

Чтобы учесть возможность переходов кредитов из первой категории качества в другие, скорректируем значение нормы резервирования Nl следующим образом. Будем считать, что Nl, подобно нормам резервирования, соответствующим другим категориям качества, также изменяется внутри диапазона, а именно: от нижней границы 0% до верхней - 1%.

Таким образом, применение приведенной выше методики позволит филиалу Регионального банка в сложившейся ситуации более точно определить уровень кредитного риска, что позволит выполнить задачи и цели кредитной политики Банка - обеспечение эффективного управления кредитными ресурсами, направляя их преимущественно в реальный сектор экономики, удовлетворение возрастающей потребности населения, формирование качественного и доходного кредитного портфеля в сложной экономической ситуации.

Комплексная разработка теоретических и практических вопросов формирования и реализации механизма управления кредитным риском коммерческого банка является важной экономической проблемой, решение которой позволит существенно повысить качество кредитного портфеля. Для решения этой задачи необходимо внедрять передовой зарубежный и отечественный теоретический и практический опыт в части оценки кредитных рисков, использовать единые подходы к анализу кредитоспособности индивидуальных заемщиков, качества кредитов и бизнес-риска индивидуальных заемщиков. С другой стороны, необходимо проводить последовательный анализ качества кредитного портфеля банка в целом и его структуры.

Такой подход будет способствовать существенному ограничению степени влияния кредитного риска на банковскую систему страны, и, следовательно, способствовать укреплению ее стабильности и эффективности.

3.2 Использование технологии интеллектуального анализа данных, как способ снижения кредитного риска

Для уменьшения риска при операциях кредитования физических лиц рассмотрим метод, основанный на применении технологии интеллектуального анализа данных (Data Mining). Можно привести давно всем известную цепочку связанных событий: чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк; чем больше клиентов обратиться в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности. Риск, связанный с невозвратом суммы основного долга и процентов можно значительно снизить, оценивая вероятность возврата заемщиком кредита. В последнее время для оценки риска кредитования заемщика в мировой практике широкое распространение получил скоринг. В России ему также уделяют должное внимание. Сущность этого метода состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных.

На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран определил группы факторов, позволяющих максимально определить степень кредитного риска. Но эта модель как любая другая не идеальна и имеет ряд недостатков. Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень плохо адаптируема, а используемая для оценки кредитоспособности система, должна отвечать настоящему положению дел. Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что он востребован. В других станах наоборот - данное обстоятельство говорило о том, что человек либо не может ужиться с коллективом, либо это малоценный специалист, а соответственно повышается вероятность просрочки в платежах. Таким образом адаптировать модель просто крайне необходимо, как для разных периодов времени, так и для разных стран и даже для разных регионов страны. Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран. То есть специалисты, которые будут заниматься такой адаптацией должны быть высоко квалифицированными, а значит и очень высокооплачиваемые. Это должны такие люди, которые в состоянии оценить текущую ситуацию на рынке. Результатом такого рода проделанной работы будет набор факторов с весовыми коэффициентами плюс некий порог (значение), преодолев который, человек, обратившийся за кредитом, считается способным погасить испрашиваемую ссуду плюс проценты. Полученные результаты являются по большей части субъективным мнением и, как правило, плохо подкрепленные статистикой (статистически необоснованные). Как следствие всего этого, полученная модель не в полной мере отвечает текущей действительности. Одним из вариантов решения работы является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений.

Прежде чем приступить к описанию решения необходимо осветить некоторые аспекты методики анализа с использованием механизмов Data Mining. Краеугольным камнем методики является качество исходных данных. От него напрямую зависит качество построенной модели. Чтобы обеспечить его, необходимо придерживаться следующего алгоритма:

1) Выдвижение гипотезы - предположение о влиянии тех или иных факторов на исследуемую задачу. Данную задачу решают эксперты, полагаясь на свой опыт и знания. Результатом на данном этапе является список всех факторов.

2) Сбор и систематизация данных - представление данных в формализованном виде, подготовка данных в определенном виде (например, соблюдение упорядоченности по времени).

3) Подбор модели и тестирование - комбинирование различных механизмов анализа, оценка экспертами адекватности полученной модели. Возврат на предыдущие шаги при невозможности получения приемлемых результатов (например, проверка очередной гипотезы).

4) Использование приемлемой модели и ее совершенствование.

5) Именно с помощью такого подхода составлены анкеты - заявки на получение кредита. Экспертами в данной области были выявлены факторы, наиболее влияющие на результат. Эту информацию и заполняют в анкетах потенциальные заемщики. Помощь в проверке гипотез может оказать реализованный в Deductor факторный анализ. Данный инструмент выявляет значимость тех или иных факторов.

Итак, задача заключается в построении модели оценки (классификации) потенциальных заемщиков. Решение задачи также должно обладать большой достоверностью классификации, возможностью адаптации к любым условиям, простотой использования модели.

Пользуясь приведенной методикой, была предложена гипотеза о том, какие факторы влияют на кредитоспособность человека. По мнению экспертов, по этим факторам можно учесть суммарный риск. Тем самым должно достигаться и отнесение потенциального заемщика к способным вернуть кредит или не способным.

Дерево решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Сущность этого метода заключается в следующем:

1) На основе данных, за прошлые периоды строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. В нашем случае должно быть известно, была ли возвращена основная сумма долга и проценты, и не было ли просрочек в платежах. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются по узлам, которые в свою очередь также могут быть разбиты на дочерние узлы. Критерий разбиения - это различные значения какого-либо входного фактора. Для определения поля, по которому будет происходить разбиение, используется показатель, называемый энтропия - мера неопределенности. Выбирается то поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к различным классам) находятся в одном узле. Энтропия равна нулю, если в узле будут находиться объекты, относящиеся к одному классу.

2) Полученную модель используют при определении класса (Давать/ Не давать кредит) вновь возникших ситуаций (поступила заявка на получение кредита).

3) При существенном изменении текущей ситуации на рынке, дерево можно перестроить, т.е. адаптировать к существующей обстановке.

Для демонстрации подобной технологии будет использоваться программа Tree Analyzer из пакета Deductor ver.3. В качестве исходных данных была взята выборка, состоящая из 1000 записей, где каждая запись - это описание характеристик заемщика плюс параметр, описывающий его поведение во время погашения ссуды. При обучении дерева использовались следующие факторы, определяющие заемщика: «N Паспорта»; «ФИО»; «Адрес»; «Размер ссуды»; «Срок ссуды»; «Цель ссуды»; «Среднемесячный доход»; «Среднемесячный расход»; «Основное направление расходов»; «Наличие недвижимости»; «Наличие автотранспорта»; «Наличие банковского счета»; «Наличие страховки»; «Название организации»; «Отраслевая принадлежность предприятия»; «Срок работы на данном предприятии»; «Направление деятельности заемщика»; «Срок работы на данном направлении»; «Пол»; «Семейное положение»; «Количество лет»; «Количество иждивенцев»; «Срок проживания в данной местности»; «Обеспеченность займа»; «Давать кредит». При этом поля: «N Паспорта», «ФИО», «Адрес», «Название организации» алгоритм уже до начала построения дерева решений определил как непригодные по причине практической уникальности каждого из значений.

Целевым полем является поле «Давать кредит», принимающий значения «Да»(True) и «Нет»(False). Эти значения можно интерпретировать следующим образом: «Нет» - плательщик либо сильно просрочил с платежами, либо не вернул часть денег, «Да» - противоположность «Нет». Факторы для построения дерева были собраны и консолидированы в хранилище данных Deductor Warehouse.

Методология хранилища такова, что информация хранится в процессах, каждый процесс имеет определенный набор измерений и фактов. Т.е. процесс реализован по стандартной схеме «Звезда», в центре которой хранятся факты, а измерения являются лучами. В данном случае процесс отображает выдачу кредита заемщику. Наиболее ценной информацией процесса является статус кредита. Хороший кредит - тот, который заемщик вернул в срок и в полном объеме, плохой - обратная ситуация.

При построении модели оценки кредитоспособности огромную помощь эксперту окажет разнообразная аналитическая отчетность. Поскольку данные в хранилище представлены в многомерном виде, то, несомненно, наиболее удобно получать отчетность в виде набора срезов данных - кросс - таблиц. [42]

В основном берут кредит лица до 30 лет, от 30 до 50 менее активно, от 50 до 70 практически не берут. Видимо, условия кредитования не устраивает лиц, старше 30 лет в большинстве случаев. Банку, для привлечения данной категории лиц придется менять условия кредитования (например, уменьшить плату за кредит). Если анализировать причину такого количества отказов в выдачи кредитов, то выяснится, что потенциальные заемщики неадекватно оценивали свои возможности по погашению кредита.

В Deductor 4 в OLAP-кубе с помощью инструмента «селектор» можно агрегировать факты по какому-либо измерению, оставляя только те объекты, которые соответствуют указанному условию. Например, можно объединить сумму кредитов по возрастам заемщиков, оставив только тех, которые в сумме берут 50% кредитов.

Так подтверждается популярность кредитования среди молодежи. Это небольшой пример применения аналитической отчетности. На практике можно таким образом анализировать любую информацию о заемщиках, имеющуюся в хранилище в произвольных разрезах.

После процесса построения дерева решений при помощи программы Tree Analyzer получаем модель оценки кредитоспособности физических лиц, описывающую ситуацию, относящуюся к определенному банку. При помощи дерева решений можно проводить анализ значащих факторов. Такое возможно благодаря тому, что при определении параметра на каждом уровне иерархии, по которому происходит разделение на дочерние узлы, используется критерий наибольшего устранения неопределенности. Таким образом, более значимые факторы, по которым проводится классификация, находятся на более близком расстоянии (глубине) от корня дерева, чем менее значимые. Например, фактор «Обеспеченность займа» более значим, чем фактор «Срок проживания в данной местности». Фактор «Основное направление расходов» значим только в сочетании с другими факторами. Еще одним интересным примером значимости различных факторов служит отсутствие в дереве параметра «Наличие автотранспорта», что говорит о том, что на сегодняшний день это наличие не является определяющим при оценке кредитоспособности физического лица.

Можно заметить, что такие показатели как «Размер ссуды», «Срок ссуды», «Среднемесячный доход» и «Среднемесячный расход» вообще отсутствуют в дереве. Данный факт можно объяснить тем, что в исходных данных присутствует такой показатель как «Обеспеченность займа», и т.к. этот фактор является точным обобщением четыре вышеописанных показателей, алгоритм построения дерева решений выбрал именно его.

Очень важной особенностью построенной модели является то, что правила, по которым определяется принадлежность заемщика к той или иной группе записаны на естественном языке. Например, на основе построенной модели получаются следующие правила:

1. ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5,5 И Количество лет > 19,5 И Наличие недвижимости = Да И Наличие банковского счета = Да ТО Давать кредит = Да (Достоверно на 98%)

2. ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5.5 И Наличие недвижимости = Да И Количество лет > 21.5 И Срок работы на данном направлении, лет <= 5.5 И Пол = Муж И Наличие банковского счета = Нет И Основное направление расходов = Одежда, продукты питания и т.п. ТО Давать кредит = Нет (Достоверно на 88%).

Правильно построенное на данных прошлых периодов дерево решения обладает одной еще очень важной особенностью. Эта особенность называется способность к обобщению. Т.е. если возникает новая ситуация (обратился потенциальный заемщик), то, скорее всего, такие ситуации уже были и достаточно много. Вследствие чего можно с большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых очень похожи на характеристики вновь обратившегося. На основе построенной модели можно определять принадлежность потенциального заемщика к одному из классов. Для этого необходимо воспользоваться диалоговым окном «Эксперимент» программы Tree Analyzer, в котором, последовательно отвечая на вопросы, можно получить ответ на вопрос: «Давать ли кредит».

Пример получения результата. Вопросы: Обеспеченность займа: Да > Наличие недвижимости: Да > Пол: Муж > Наличие банковского счета: Нет > Основное направление расходов: Покупка товаров длительного пользования.

Ответ: Кредит давать: Да (достоверно на 96 %).

Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности. То есть:

1) Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально).

2) Качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.

Основные преимущества системы:

1) Гибкая интеграция с любыми сторонними системами, т.е. получение информации для анализа и перенос результатов не вызывает проблем.

2) Консолидация информации о заемщиках в специальном хранилище данных, т.е. обеспечение централизованного хранения данных, непротиворечивости, а также обеспечение всей необходимой поддержки процесса анализа данных, оптимизированного доступа, автоматического обновления данных, использование при работе терминов предметной обрасти, а не таблиц баз данных.

3) Широкий спектр инструментов анализа, т.е. обеспечение возможности эксперту выбрать наиболее подходящий метод на каждом шаге обработки. Это позволит наиболее точно формализовать его знания в данной предметной области.

4) Поддержка процесса тиражирования знаний, т.е. обеспечение возможности сотрудникам, не разбирающимся в методиках анализа и способах получения того или иного результата получать ответ на основе моделей подготовленных экспертом. Так, сотрудник, оформляющий кредиты должен ввести данные по потребителю и система автоматически выдаст решение о выдачи кредита или об отказе.

5) Поддержка групповой обработки информации, т.е. обеспечение возможности дать решение по списку потенциальных заемщиков. Из хранилища автоматически выбираются данные по лицам, заполнившим анкету вчера (или за какой угодно буферный период), эти данные прогоняются через построенную модель, а результат экспортируется в виде отчета (например, в виде excel файла), либо экспортируется в систему автоматического формирования договоров кредитования или писем с отказом в кредите. Это позволит сэкономить время и деньги.

6) Поддержка актуальности построенной модели, т.е. обеспечение возможности эксперту оценить адекватность текущей модели и, в случае каких либо отклонений, перестроить ее, используя новые данные.

Приведенный выше пример - это приближенный вариант того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц. Хотя и при таком первом приближении наблюдаются положительные результаты. Дальнейшие усовершенствования могут затрагивать такие моменты как: более точный подбор определяющих заемщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/ Не вернул/ Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя.

Таким образом, для эффективного формирования кредитного портфеля банкам необходимо взять на вооружение передовые технологии добычи знаний и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. Подготовка решения данного вопроса сейчас позволит обкатать саму процедуру и в дальнейшем избежать ошибок и расходов в связи с массовым применением таких подходов в дальнейшем.

3.3 Экономический эффект от использования эконометрических методов

Применение на практике вышеуказанных инструментов позволит Банку повысить качество кредитного портфеля и тем самым повысить эффективность кредитной политики. Вследствие отслеживания уровня кредитного риска с помощью эконометрических методов банк может прогнозировать свой кредитной портфель и минимизировать риски, что позволит повысить его доходность.

Прогнозируемый эффект от предложенных мероприятий представлен в таблицах 13 и 14.

Таблица 13

Прогнозируемые показатели деятельности Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК».

Показатели	Среднегодовой остаток задолженности	Полученные проценты по ссудам	Средняя доходность %	Показатели
	2011 год	Прогнозируемый период	2011 год	Прогнозируемый период	2011	Прогнозируемый период
Кредитный портфель - всего	1 798 847	2 421 598	247 987	347181,8	13,79%	14,34%
В том числе
1 Кредиты юридическим лицам	732 779	989 252	99 496	139294,4	13,58%	14,08%
2 Кредиты, выданные физическим лицам - индивидуальным предпринимателям	115 426	155 825	16 930	23 702	14,67%	15,21%
3 Кредиты предоставленные физическим лицам	938 196	1 266 565	131 561	184 185,4	14,02%	14,54%

Таблица 14

Прогнозируемая структура доходов, полученных филиалом

Статьи доходов	за 2010 год (тыс. руб.)	Прогнозируемый период тыс. руб.	Доля в доходах	Изменение, п.п.
			за 2010 год (%)	Прогнозируемый период (%)
Процентные доходы от операций кредитования, в том числе:	247 987	347181,8	69,07%	69,17%	0,10%
-юридических лиц	116 426	162996,4	32,43%	32,47%	0,05%
-физических лиц	131 561	184185,4	36,64%	36,70%	0,05%
Комиссии полученные	74846	104784,4	20,85%	20,88%	0,03%
Доходы от внутрисистемных операций	21387	29514,06	5,96%	5,88%	-0,08%
Прочие	14819	20450,2	4,13%	4,07%	-0,05%
Итого	359 039	501 930	100,00%	100,00%	х

Из вышеприведенных таблиц видно, что уровень кредитного риска в прогнозируемом периоде снизится на 0,2 %, уровень просроченной задолженности на 0,28%, в абсолютном выражении на 2489 тыс. руб.

Таким образом, на основании прогнозируемых данных приведенных выше можно сделать вывод о том, что применение эконометрических методов в банковской практике позволяет банку повысить эффективность своей деятельности в части кредитования и управления рисками, а как следствие увеличить прибыль банка. Также стоит отметить, что внедрение в практику предлагаемой методики стресс-тестирования и программы интеллектуального анализа Tree Analyzer из пакета Deductor ver.3 потребует от банка инвестиций в размере 2,4 млн. руб. Смета затрат представлена в таблице 15.

Таблица 15

Смета затрат

Наименование	Стоимость, тыс.руб.
Программа Tree Analyzer	1500
Программа Bank-stress	600
Наладка программного обеспечения	300

Данные финансовые вложения окупятся банком в ближайшие три года их использования.

Заключение

кредитный политика риск портфель

В ходе рассмотрения данной темы были достигнуты поставленные задачи, необходимые для решения заданной цели работы, были сделаны следующие выводы:

1. Раскрыта сущность кредитной политики. Сущность кредитной политики определяется как стратегия и тактика банка по привлечению ресурсов на возвратной основе и их инвестированию в части кредитования клиентов банка. Предметной стороной реализации кредитной политики являются функциональные формы и виды кредитной политики банка. В основу классификации видов кредитной политики положены различные критерии: срок, цена кредита, тип рынка и др. Независимо от вида кредитная политика банка имеет внутреннюю структуру. Основными элементами кредитной политики коммерческого банка являются: 1)стратегия банка по разработке основных направлений кредитно го процесса; 2)тактика банка по организации кредитования; 3)контроль за реализацией кредитной политики. Функцией кредитной политики банка в общем плане является оптимизация кредитного процесса, имея в виду, что цели и приоритеты развития (совершенствования) кредитования, определенные банком, и составляют его кредитную политику. Основополагающим моментом при разработке кредитной политики является правильная постановка цели и выбор соответствующих инструментов для реализации. Основной целью коммерческого банка является его развитие, понимаемое в самом широком смысле. Принципы кредитной политики являются основой кредитного процесса, они подразделяются: общие (научная обоснованность, оптимальность, эффективность, а также единство, неразрывная связь элементов кредитной политики); специфические принципы кредитной политики, такие как доходность, прибыльность, безопасность и надежность. Роль же кредитной политики банка заключается в определении приоритетных направлений развития и совершенствования банковской деятельности в процессе аккумуляции и инвестирования кредитных ресурсов, развитии кредитного процесса и повышении его эффективности.

2. Выявлены факторы, определяющие формирование кредитной политики коммерческого банка. При формировании кредитной политики банк должен учитывать ряд объективных и субъективных факторов: макроэкономические, отраслевые и региональные и внутрибанковские. Кредитная политика коммерческого банка несет в себе объективное начало (она не должна противоречить единой денежно-кредитной политике ЦБ страны) и одновременно с этим она определяется стратегией и тактикой коммерческого банка, т.е. несет в себе также субъективное начало, что позволяет определить в сущности дуалистическую природу кредитной политики как выражение общегосударственной и индивидуальной политики. Единство объективного и субъективного подходов в процессе формирования кредитной политики коммерческого банка позволяет наиболее полно учесть все факторы, влияющие на деятельность коммерческого банка, обуславливающие его политику, и, как следствие, выработать наиболее рациональную, оптимальную, эффективную кредитную политику банка.

3. Раскрыта методология формирования кредитной политики. Методология формирования кредитной политики банка предполагает формулирование основных принципов, используемых для решения рассматриваемой проблемы. Эти принципы должны применяться сбалансировано, т.е. при разработке кредитной политики необходимо достигнуть рационального сочетания преемственности имеющегося опыта и элементов новаторства, отражающего реалии российской экономики. Инструментарием формирования кредитной политики являются механизмы управления активами и пассивами банка: механизм управление гэпом, ставкой процента, ликвидностью и кредитным риском.

4. Изложены особенности кредитной политики. Банк предоставляет кредиты заемщикам на цели, предусмотренные их уставом для осуществления текущей и инвестиционной деятельности. Предоставление банком кредитов основывается на учете необходимых потребностей заемщиков в заемных средствах, наличии достаточных гарантий для своевременного их возврата. Банк предоставляет кредиты в пределах собственного капитала и привлеченных средств, обеспечивая сбалансированность размещаемых и привлекаемых ресурсов по срокам и объемам. Кредитные операции - наиболее рисковые операции банка. Поэтому кредитная политика ориентируется на надежность заранее проверенных заемщиков, с которыми банк в течение длительного времени работает и знает их финансовое состояние. Главной целью Банка в 2012 году является обеспечение высокого качества активов и надежности Банка в условиях спада экономики, а также укрепление его рыночных позиций.

5. Проведен анализ качества кредитного портфеля Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК». Кредитный портфель представляет собой состав и структуру выданных кредитов по отраслям, видам обеспечения и срокам. Анализ структуры кредитного портфеля Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК» по состоянию на 01 января 2012 года показывает, что на 47% он сформирован из кредитов, предоставленным юридическим лицам, в т.ч коммерческое кредитование 40,74% и кредиты физическим лицам - ИП 6,42%; на 52% - физическим лицам. Наибольшее изменение в структуре кредитного портфеля произошло по статье коммерческое кредитование (2,67%). Остаток ссудной задолженности на 1.01.2012г. составил 1 798 847 тыс. руб, темп прироста за последний отчётный период составил 51,18%, т.е. наблюдается тенденция роста. Это свидетельствует о расширении клиентской базы банка, увеличения источников получаемых доходов, достаточно эффективном использовании имеющихся у банка ресурсов и положительно влияет на качество кредитного портфеля филиала. Доля кредитных вложений в общей сумме активов банка на 1 января 2012 г. составила 75,7 %. Просроченная задолженность на 1 января 2012г. равна 12446 тыс. руб., темп прироста 84,63 %, ее доля в общей сумме кредитных вложений составляет 0,69 %. Т.е. наблюдается тенденция ее роста, что негативно сказывается на качестве кредитного портфеля. Уровень сомнительной задолженности за анализируемый период вырос на 4,1%. Принятое обеспечение по выданным кредитам за отчётный период выросло с 3569619 тыс. руб. до 6957 425 тыс. руб. или на 194,91%. Рост произошёл за счёт увеличения принятого в качестве обеспечения имущества, кроме ценных бумаг (темп изменения составил 225,46%), в том числе участились случаи предоставления в залог гарантий и поручительств (темп изменения составил 189,39%). Также увеличилась сумма ценных бумаг, предоставляемых заемщиками (темп изменения составил 100,13%). По проведенному анализу кредитного портфеля можно сделать вывод, что у филиалу №5190 следует обратить внимание на состояние просроченной ссудной задолженности заемщиков и уровень кредитного риска, которые в течение рассматриваемого периода увеличиваются.

6. Предложены пути совершенствования кредитной политики с помощью применения методики стресс-тестирования и использования новых технологий интеллектуального анализа данных Data Mining.

Одним из важных обстоятельств, с точки зрения устойчивости банка, является построение более адекватной оценки потерь в экстремальных условиях рынка (в рамках стресс-тестирования), которая создаст предпосылки для эффективного контроля и управления рисками в период возможных кризисных ситуаций. Применение методики стресс-тестирования позволит банку в сложившейся ситуации более точно определить уровень кредитного риска, что позволит выполнить задачи и цели кредитной политики Банка - обеспечение эффективного управления кредитными ресурсами, направляя их преимущественно в реальный сектор экономики, удовлетворение возрастающей потребности населения, формирование качественного и доходного кредитного портфеля.

Использование новых технологий интеллектуального анализа данных Data Mining позволяет оценить кредитный риск физического лица. Пользуясь приведенной методикой, была предложена гипотеза о том, какие факторы влияют на кредитоспособность человека. По мнению экспертов, по этим факторам можно учесть суммарный риск. Тем самым должно достигаться и отнесение потенциального заемщика к способным вернуть кредит или не способным. Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Таким образом, для эффективного формирования кредитного портфеля банкам необходимо взять на вооружение передовые технологии добычи знаний и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. Подготовка решения данного вопроса сейчас позволит обкатать саму процедуру и в дальнейшем избежать ошибок и расходов в связи с массовым применением таких подходов в дальнейшем.

7. Был осуществлен прогноз основных показателей деятельности Хабаровского регионального филиала ОАО «РОССЕЛЬСХОЗБАНК» после внедрения предложенных эконометрических методов.

Таким образом, при разработке кредитной политики Банк, с нашей точки зрения, должен делать основной упор в своем инструментарии на использование современных эконометрических методов анализа банковской деятельности, таких как методика стресс-тестирования банка и технология Data Mining.

Список использованных источников

1. Гражданский кодекс Российской Федерации [Электронный ресурс] // КонсультантПлюс: Высшая школа: учеб. пособие для вузов. - Электрон. дан. - М.: Правовой сервер КонсультантПлюс, 2012. - 1 электрон. опт. диск.

2. «О банках и банковской деятельности» [Электронный ресурс]: федеральный закон № 395-1 ФЗ от 066990 г. (ред. от 30.17004г.) // КонсультантПлюс: Высшая школа: учеб. пособие для вузов. - Электрон. дан. - М.: Правовой сервер КонсультантПлюс, 2012. - 1 электрон. опт. диск.

3. «Об обязательных нормативах банков» [Электронный ресурс]: инструкция ЦБ РФ № 110 - И от 16.01.2004 г. // Справочная система «Консультант плюс».

4. «О порядке предоставления (размещения) кредитными организациями денежных средств и их возврата (погашения)» [Электронный ресурс]: положение ЦБ РФ № 54 - П от 31.08.1998 г. // Справочная система «Консультант плюс».

5. «О порядке формирования кредитными организациями резерва на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» [Электронный ресурс]:положение ЦБ РФ № 254 - П от 26.013004 г. // Справочная система «Консультант плюс».

6. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском [Текст] / Пер.с англ.; вступ. сл. д.э.н. К.Р.Тагирбекова - М: Издательство «Весь Мир», 2010. - 304с.

7. Аниховский А.Л. Кредитный рейтинг: основные элементы и классификация [Текст] / Аниховский А.Л. // Деньги и кредит. - 2011. - №3. - С.30-34.

8. Арсанукаева А.С. Кредитный мониторинг как система управления кредитном риском [Текст] / Арсанукаева А.С // Финансовый менеджмент. - 2011. - №1. - С.85-90.

9. Банковское дело: современная система кредитования [Текст]: учебное пособие / О.И.Лаврушин, О.Н. Афанасьва, С.Л. Корниенко / под. ред. засл. деят. науки РФ, д-ра экон. наук, проф. О.И. Лаврушина. - М.: КНОРУС, 2005.-256 с.

10. Банковское дело: учебник для студентов вузов, обучающихся по специальности 060400 «Финансы и кредит», 060500 «Бухгалтерский учет, анализ и аудит» [Текст] / Е.П. Жарковская. - 4-е изд., исправ. и доп. - М.: Омега-Л, 2012. - 452 с. (Высшее финансовое образование).

11. Банковское дело [Текст]: учебник / под ред. Г.Н Белоглазовой, Л.П. Кроливецкой.- 5-е изд., перераб. и доп. - М.: Финансы и статистика, 2011. - 592 с.:ил.

12. Банковское дело [Текст]: Учебник / Под ред. д-ра экон. наук, проф. Г.Г. Коробовой. - М.: Экономистъ, 2012.- 751 с.

13. Банковское дело [Текст]: учебник для вузов / Под ред. Е.Ф. Жукова, Н.Д. Эриашвили.- М.: ЮНИТИ-ДАНА; Единство, 2012.- 369 с.

14. Банковское дело. Экспресс-курс [Текст]: Учеб. пособие / Под ред. О.И. Лаврушина.- М.: КНОРУС, 2012.- 544 с.

15. Банковское право: учебник для студентов вузов, обучающихся по специальности 030501 «Юриспруденция» [Текст] / [Е.О. Бондать и др.]; Под ред. И.Ш. Килясханова, Е.Ф. Жукова.. - М.: ЮНИТИ-ДАНА: Закон и право, 2011. - 335 с.

16. Банковские риски [Текст]: учебное пособие / кол. авторов; под ред. д-ра экон. наук, проф. О.И. Лаврушина и д-ра экон. наук, проф. Н.И. Валенцовой. - 2-е изд., стер. - М.: КНОРУС, 2011. - 232 с.

17. Деньги, кредит, банки [Текст]: учебник / кол. авторов; под ред. засл. деят. науки РФ, д-ра экон. наук, проф. О.И. Лаврушина. - 7-е изд., стер. - М.: КНОРУС, 2011. - 560 с.

18. Деньги, кредит, банки [Текст]: учебник / учеб. пособие для студентов вузов, обучающихся по специальности (080105) «Финансы и кредит» / Челноков В.А. - 2-е изд., перераб. и доп. - М.: ЮНИТИ-ДАНА, 2010. - 447 с.

19. Деятельность коммерческих банков [Текст]: Учеб. пособие / А.В. Калтырин [и др.]: под ред. А.В. Калтырина. Изд. 2-е, перераб. и доп. - Ростов н/Д.: Феникс, 2005. - 400 с.: ил. - (Высшее образование).

20. Евсюков А., Кочетов Н. Комплексный подход к формированию кредитного портфеля банка [Текст] / Евсюков А., Кочетов Н. // Банковское дело. 2012. № 7, С. 48-57.

21. Калугин С.П. Банковский сектор и малый бизнес в регионе [Текст] / Калугин С.П. // Деньги и кредит. - 2011. - №9. - С.16-20.

22. Комплексный анализ финансовой деятельности банка [Текст]/ А.Ю. Петров, В.И. Петрова. - М.: Финансы и статистика, 2010. - 560 с.: ил.

23. Крюков С.П. О новых тенденциях в кредитовании малого и среднего бизнеса [Текст] / Крюков С.П. // Финансы. - 2012. - №2. - С.19-23.

24. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика [Текст]. Начальный курс: Учеб. - 6-е изд., перераб. и доп. - М.: Дело, 2004. - 576 с.

25. Максютов А.А. Банковские менеджмент [Текст]: Учебно-практическое пособие. - М.: Издательство «Альфа-Пресс», 2010. - 444 с.

26. Матовников М.Ю. Как уполномочивать рейтинговые агентства для оценки кредитоспособности банков [Текст] / Матовников М.Ю. // Деньги и кредит. - 2011. - №12. - С.26-34.

27. Моисеев Б.С. О методике стресс-тестирования банка [Текст] / Моисеев Б.С. // Деньги и кредит. - 2011. - №9. - С.55-63.