Отчет по практике НБ Траст

Анализируя полученное дерево решений можно сделать вывод, что 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 построенном 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 полученном 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.

Правильно построенное на данных прошлых периодов дерево решения обладает одной еще очень важной особенностью. Эта особенность называется способность к обобщению. То есть 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. Также можно определять принадлежность потенциального заемщика к одному из классов. Для этого необходимо воспользоваться диалоговым окном "Эксперимент".

Используя такой подход можно устранить сразу оба  вышеописанных недостатка скоринговой  системы оценки кредитоспособности. То есть: стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально).

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:

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

Консолидация информации о заемщиках в специальном  хранилище данных, то есть 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.

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.

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.

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.

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. Эконометрический метод обладает прогностическими возможностями.

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.

 

5. Мероприятия по повышению эффективности кредитной политики коммерческого банка Операционного Офиса в г. Североморск Филиал НБ «Траст» (ОАО) в г. Санкт-Петербург

 

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 16 и 17.

Таблица 16.

Прогнозируемые показатели деятельности Филиал НБ «Траст» (ОАО),

тыс. руб.

Показатели	Среднегодовой остаток задолженности		Полученные проценты по ссудам		Средняя доходность %
	2010 год	Прогнозируемый период	2010 год	Прогнозируемый период	2010 год	Прогнозируемый период
Активы, приносящие прямой процентный доход	2 101 047	2521 256	х	х	х	х
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%
Просроченная задолженность	12446	9 957	х	х	х	х
Доля просроченной задолженности  в ссудной задолженности	0,69%	0,41%	х	х	х	х
Уровень кредитного риска	2,57%	2,37%	х	х	х	х

 

Из 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.

Таблица 17.

Прогнозируемая структура доходов, полученных Филиал НБ «Траст» (ОАО),

тыс. руб.

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

 

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 3.4

Таблица 18.

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.

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 и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет выдержать предстоящую конкуренцию на рынке.

Своевременная подготовка решения данного вопроса позволит усвоить процедуру принятия решения  и в дальнейшем избежать новых ошибок и расходов.

Таким образом, при разработки кредитной политики в условиях кризиса Филиал НБ «Траст» (ОАО), с моей 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.

 

 

Заключение

 

Важную роль на сегодняшний  день играет банковский кредит. Кредит – это одна из составных частей финансовых отношений обеспечивающих жизнедеятельность и функционирование рыночного хозяйства.  Кредит – это основной источник удовлетворения огромного спроса на денежные ресурсы. Кредит стимулирует развитие производительных сил, ускоряет формирование источников капитала для расширения воспроизводства на основе достижений научно-технического прогресса. Кредит способен оказывать активное воздействие на объём и структуру денежной массы, платёжного оборота, скорость обращения денег. В то же время кредит необходим для поддержания непрерывности кругооборота фондов действующих предприятий, обслуживания процесса реализации производственных товаров.