Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Исследование предметной области 7
1.1. Определение понятия банковского риска 7
1.2. Классификация банковских рисков 7
1.3. Количественная оценка риска 10
1.4. Сравнительный анализ основных количественных методов . . 22
Глава 2. Построение скоринговой карты 26
2.1. Работа с исходными данными 26
2.2. Модель предметной области 35
2.3. Логистическая регрессия 35
2.4. Построение рейтинговой системы 39
Глава 3. Моделирование кредитного риска 45
3.1. Метод VaR 45
3.2. Управление кредитным риском 49
Заключение 51
Список литературы 52
Приложение
Мировая экономика развивается стремительными темпами. В связи с
этим растет количество субъектов, влияющих на экономику, которые привносят неопределенности в процессы развития. Следовательно, требуется
разработка и использование эффективного средства или механизма для
защиты от таких неопределенностей — механизм управления рисками.
Данный термин используется около шестидесяти лет. Основной задачей управления рисками является максимизация эффективности работы
предприятия. Этапы этого процесса:
1. Определение риска
2. Измерение риска
3. Оценка различных методов обработки риска
4. Выбор метода уменьшения риска
5. Мониторинг результатов
В 1974 году был основан Базельский комитет по банковскому надзору, который призван внедрять единые стандарты в банковское регулирование. В декабре 2010 года был принят Базель III — документ, содержащий
методические рекомендации, главной целью которого является повышение
уровня управления рисками в банковском деле. Базель IV — документ, содержащий правки в рекомендациях, был принят в 2017 году.
В 1994 и 1997 годах банком JP Morgan были разработаны модели
для управления рисками — RiskMetrics (рыночные риски) и CreditMetrics
(кредитные риски).
В 2009 году Международная Организация по Стандартизации опубликовала стандарт ISO-31000, который призван установить общую терминологию и концепции. В связи с этим в РФ на государственном уровне был
введен стандарт по управлению рисками (ГОСТ Р 51897–2002) [1].
Определение термина «риск», принятое в международном стандарте
ISO-31000, звучит следующим образом. Риск — влияние неопределенности
на цели (как негативно, так и позитивно). Формальное определение «риска» выглядит следующим образом:
R = F(u; p); (1)
3где p — вероятность возникновения неблагоприятного результата; u — количественная оценка потерь; F — функция, характеризующая риск.
В настоящее время многие российские компании развивают методы
управления рисками. Можно сказать, что на российском рынке эти методы появились благодаря требованиям зарубежных компаний-партнеров.
Управление рисками присутствует во многих отраслях, например, нефтегазовой, строительной, в банковском и финансовом деле. Большинство
компаний используют внутренние стандарты по управлению рисками, основанные на международных документах. Такие стандарты должны часто
обновляться и актуализироваться, описывать широко используемые методики и пополняться инновационными методами. Актуальность данной работы обуславливается следующими факторами:
• наличие большого количества современной тематической литературы
и научных исследований
• слабо развитая система оценки и анализа рисков в российских банках
(и компаниях в целом) по сравнению с зарубежными
• использование в практике субъективных методов оценки рисков
• необходимость внедрения современных методик, информационных технологий и способов обработки большого количества данных для принятия объективных решений.
В данной работе был проведен анализ количественных методов оценки рисков, применяющихся в риск-менеджменте. Среди них были выделены методы машинного обучения, имитационного моделирования и метод
VaR. Далее в работе был проведен подробный анализ выборки данных,
их очистка и приведение к требуемому виду. В процессе работы автором
было продемонстрировано, что выбранные данные качественны. Подготовленные данные использовались для обучения и тестирования модели логистической регрессии. Рассчитанные метрики качества показали высокий
уровень прогностической способности модели. Полученная модель позволила сформировать скоринговую карту, хорошо разделяющую «хороших»
и «плохих» заемщиков. Эффективное разделение прослеживается в низких вероятностях дефолта «хороших» рейтинговых групп (1-3). Четвертая
рейтинговая группа — это группа с повышенным риском, по ней автором
предложено формировать дополнительные ограничения и обеспечение кредитов с таким рейтингов залогами для понижения общего уровня кредитного риска портфеля.
Скоринговая карта применялась в расчете максимальных убытков
с помощью метода имитационного моделирования Монте-Карло. В работе
было показано, что имитационная модель позволяет сформировать величину максимальных убытков, характеризующую кредитный риск. При выдаче новых кредитов (и в целом при изменении) портфеля можно оперативно пересчитать уровень риска в соответствии с введенными изменениями.
Оцененный уровень риска помогает принять решение по его дальнейшему
управлению.
Разработанный программный комплекс может использоваться не только банковскими структурами, но и предприятиями, предоставляющими
услугу кредитования без попечительства банка.
[1] Гост Р 51897-2011. Менеджмент риска. Термины и определения. // http://docs.cntd.ru/ URL: http://docs.cntd.ru/document/gost-r-51897- 2011 (дата обращения: 15.12.2017).
[2] Сорокин А.С. // Построение скоринговых карт с использованием моде¬ли логистической регрессии. Науковедение №2, 2014
[3] Сорокин А.С. //К вопросу валидации модели логистической регрессии в кредитном скоринге. Науковедение, выпуск 2, 2014.
[4] Golub, G. H., Heath, M. and Wahba G. // Generalized cross-validation as a method for choosing a good ridge parameter. Technometrics, 21, p. 215-223, 1979.
[5] Naeem Siddiqi // Intelligent Credit Scoring. Building and Implementing Better Credit Risk Scorecards. John Wiley Sons Limited, 2017
[6] Лаврушина О.И., Валенцева Н.И. // Банковские риски. КНОРУС, Москва, 2013.
[7] Е. В. Иода, Л. Л. Мешкова, Е. Н. Болотина // Классификация банков¬ских рисков и их оптимизация. ТГТУ, Тамбов, 2002.
[8] Балабаев В.Е. // Статистический анализ финансовых рисков. Яро¬славль, ЯрГУ, 2015. 60 с.
[9] Шапкин А. С., Шапкина В. А. // Теория рисков и моделирование рис-ковых ситуаций. М.: Издательско-торговая корпорация «Дашков и Ко», 2005. 880 с.
[10] Marie-Laure Charpignon, Enguerrand Horel, Flora Tixier // Prediction of consumer credit risk, 2014.
[11] Amir E. Khandani, Adlar J. Kim, and Andrew W. LoConsumer. Credit Risk Models via Machine-Learning Algorithms // Journal of Banking Finance 34, p. 2767-2787, 2010.
[12] Ивлиев С.В. // Исследование кредитного риска методом Монте-Карло. [Электронный ресурс] URL: https://www.cbr.ru/ckki/?PrtId=restr (дата обращения 17.04.2018)
[13] Никулина О.В., Коваленко А.И. // Управление кредитными рисками коммерческих банков в условиях нестабильности финансовой системы. Финансы и кредит 30, с.2-17, 2015.
[14] Бабичева Ю.А. // Банковское дело. Справочное пособие. М.: Эконо¬мика, 1993. 297 с.
[15] [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Банковский_ риск (дата обращения 12.12.2017)
[16] Alexander J. McNeil, Rudiger Frey, Paul Embrechts // Quantitative Risk Management. Princeton University Press, 2005.
[17] Aijun Zhang // Statistical Methods in Credit Risk Modeling. Dis. PhD, 2009.
[18] Кудрявцев А. А., Радионов А. В // Введение в количественный риск- менеджмент. Изд-во С.-Петерб. ун-та, СПб, 2016. 192 с.
[19] Chesser D. // Predicting loan noncompliance. The Journal of Commercial Bank Lending, August, p. 28-38, 1974.
[20] Altman E.I. // Financial rations. Discriminent analysis, and the prediction of corporate bankruptcy. Journal of Finance, September, 1968.
[21] Виленский П.Л., Лившиц В.Н., Смоляк С.А. // Оценка эффективности инвестиционных проектов. Теория и практика. М.: «Дело», 2004. 888 с.
[22] Дирочка А.А., Меньшиков И.С. // Доходность и дюрация портфеля облигаций. URL: http://www.fast.ane.ru/menshikov/yd.pdf
[23] Galindo J., Tamayo P. // Credit Risk Assessment Using Statistical and Machine Learning: Basic Methodology and Risk Modeling Applications. Computational Economics 15, p. 107-143, 2000.
[24] Лукашевич, Н.С. // Сравнение нейросетевых и статистических мето¬дов оценки кредитного риска. Финансы и кредит 1 (433), с. 32-41, 2011.
[25] Hosmer, D., Lemeshow, S. //Applied logistic regression. John Wiley and Sons, 2000.
[26] [Электронный ресурс] URL: http://www.machinelearning.ru/wiki/index. php?title=Логистическая_регрессия (дата обращения 27.01.2018)
[27] Соколов Е. // Семинары по решающим деревьям, 2013. URL:
http://www.machinelearning.rU/wiki/images/8/89/Sem3_trees.pdf
[28] [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Генетический _алгоритм (дата обращения 27.01.2018)
[29] [Электронный ресурс] URL: http://scikit-
learn.org/stable/documentation.html (дата обращения 19.03.2018)
[30] [Электронный ресурс] URL: http://www.numpy.org (дата обращения 19.03.2018)
[31] [Электронный ресурс] URL: https://www.scipy.org (дата обращения 19.03.2018)
[32] [Электронный ресурс] URL: https://pandas.pydata.org (дата обращения 19.03.2018)
[33] [Электронный ресурс] URL: http://www.lsi.upc.edu/%7Ebelanche/ Docencia/mineria/mineria.html (дата обращения 23.03.2018)
[34] [Электронный ресурс] URL: https://www.cbr.ru/ckki/?PrtId=restr (да¬та обращения 23.03.2018)
[35] [Электронный ресурс] URL: https://habr.com/post/264915/ (дата обра-щения 27.03.2018)
[36] [Электронный ресурс] URL: http://www.fico.com/en/latest-
thinking/white-papers/introduction-to-model-builder-scorecard (дата обращения 03.04.2018)