4. Нейронные сети.

Идея нейронных сетей возникла в результате попыток смоделировать поведение живых существ, воспринимающих действия внешней среды и обучающихся на собственном опыте. Нейронные сети дают возможность по обучающей выборке объектов (массиву данных по заемщикам с закрытыми кредитными договорами и с известным результатом погашения кредита) конструировать структуру, состоящую из нейронов и связей и предназначенную для отнесения предъявляемого объекта (потенциального заемщика) к одному из вышеназванных классов ("надежные заемщики" или "проблемные заемщики"). Применительно к скоринговым системам нейросеть рассматривается как черный ящик, содержание которого (нейроны, количество слоев нейронов, расположение нейронов по слоям, вес нейронов и т.д.) не имеет какой-либо смысловой трактовки или явного смысла.

5. Метод минимизации структурного риска В. Вапника

Этот метод лежит в основе предлагаемого на российском рынке программного продукта по скорингу KXEN. Очевидно, что лучшей решающей функцией будет функция, минимизирующая уровень ошибки классификации (ожидаемый риск). Однако напрямую, только по обучающей выборке, оценить ожидаемый риск невозможно. Если размерность пространства функций f(X; a) (своеобразная оценка сложности семейства функций, среди которых ищется оптимальная решающая функция) ограничена, то может быть получена оценка сверх ожидаемого риска. Ожидаемый риск рассматривается как сумма двух рисков: эмпирического (уровень ошибок классификации на обучающей выборке) и риска использования пространства функций f(X; a) размерности (N) (мера ошибок классификации вследствие неполноты (с точки зрения задач классификации) пространства функций f(X; a)). Принцип минимизации структурного риска, предложенный В. Вапником, состоит в выборе такого семейства решающих функций и нахождении в этом семействе такой оптимальной решающей функции, которая удовлетворительно классифицирует объекты обучающей выборки и не является чрезмерно сложной (имеющей большую размерность)[10].

Программные продукты.

Обзор компаний, реализующих скоринговые системы на отечественном рынке, и их программных продуктов (Credit Scoring Solution, EGAR Application Scoring, автоматизированная система РОСНО по предоставлению предстраховой экспертизы, dm-Score, Deductor, KXEN, "Франклин&Грант. Финансы и аналитика", Forecsys Scoring Pilot и др.) показывает, что рынок программного обеспечения находится в стадии формирования и развития. При этом большинство поставщиков программного обеспечения не раскрывают деталей алгоритмов скоринга, лежащих в основе предлагаемых ими продуктов. Не более 10% банков в настоящее время используют покупные скоринговые системы. Словом, перспективы для роста данного рынка весьма велики.

Ни одна приобретаемая скоринговая система, как правило, не пригодна для практического использования без предварительной "настройки". Суть такой настройки состоит в том, чтобы на имеющихся у банка данных (обучающая выборка) по закрытым кредитам (с известным результатом погашения) провести настройку скоринговой системы, включающую, в частности, отбор наиболее значимых (из числа имеющихся) характеристик потенциального заемщика, для решения задач скоринга. Как показывает практика, такой набор характеристик существенно отличается не только для разных стран Западной Европы, но и для разных регионов одной страны (например, Москвы и небольших городов с численностью населения до 100 тыс. человек). Так, в ряде регионов для небольших городов одной из важнейших характеристик заемщика нередко оказывается место работы и срок работы на каком-либо градообразующем предприятии. Для крупнейших городов страны данный фактор может и не быть определяющим. Это означает, что многофилиальные банки, осуществляющие кредитование в различных регионах страны, будут вынуждены проверять настройку скоринговых систем для каждого филиала или групп филиалов. Иначе говоря, в многофилиальных банках может иметь место ситуация, когда в разных филиалах функционируют разные версии скоринговой системы. Более того, и постоянная модификация (обновление) скоринговой системы должна проводиться дифференцированно в разрезе филиалов и групп филиалов.

Оценка эффективности скоринговой системы.

Разумеется, представленный обзор направлений, методов разработки скоринговых систем и программного обеспечения не является исчерпывающим и законченным. Актуальность, сложность и значимость самого процесса скоринга будут стимулировать модернизацию известных методов и разработку новых методов и подходов. Тем не менее для банков как при разработке собственных скоринговых систем, так и при покупке систем, предлагаемых на рынке, принципиально важно оценить эффективность скоринговой системы. Методология ее построения обусловливает вероятность ошибок, что и определяет в конечном счете эффективность системы. Более точно эффективность скоринговой системы может быть оценена с позиции вероятности ошибок 1-го и 2-го рода:

¾ ошибка 1-го рода: кредитоспособный заемщик квалифицируется скоринговой системой как некредитоспособный;

¾ ошибка 2-го рода: некредитоспособный заемщик квалифицируется скоринговой системой как кредитоспособный.

Очевидно, что ошибки 2-го рода являются наиболее фатальными с точки зрения кредитного риска, а ошибки 1-го рода характеризуют упущенные рыночные возможности по кредитованию физических лиц. Соотношение этих ошибок может быть различным у различных скоринговых систем. При принятии решения о покупке или внедрении скоринговой системы (независимо от глубины и нестандартности теоретических обоснований методов, на которых она базируется) необходимо оценить эффективность последней. Обычно это осуществляется в два этапа:

а) на обучающей выборке проводится настройка скоринговой системы. Необходимо отметить, что при формировании обучающей выборки соотношение числа погашенных в срок и проблемных кредитов должно соответствовать реальному соотношению за последний период (год или полугодие).

б) на контрольной выборке (данные этой выборки не использовались при настройке системы скоринга) осуществляется оценка ошибок 1-го и 2-го рода.

По результатам второго этапа принимается решение о приемлемости скоринговой системы к внедрению исходя из требований, установленных банком для уровней ошибок 1-го и 2-го рода. Здесь встречаются ситуации, когда необходимо сравнивать текущий уровень просроченной задолженности с потенциальными возможностями, предоставляемыми скоринговой системой. Пусть, например, текущий уровень просроченной задолженности по розничному портфелю составляет 4%. Уровни ошибок 1-го и 2-го рода скоринговой системы, оцененные по контрольной выборке, составляют 6 и 5% соответственно. Есть ли смысл в данном случае внедрять скоринговую систему? Если основная цель – снижение кредитных рисков, то, безусловно, стоит. Схема использования скоринговой системы будет такова: по существующим в банке (без учета скоринговой системы) критериям осуществляется предварительный отбор заемщиков (1-й шаг процедуры отбора). Уровень просроченной задолженности по отобранным таким образом заемщикам может быть оценен в 4%. Затем заемщик подвергается оценке со стороны скоринговой системы (2-й шаг процедуры отбора). По итогам обоих шагов процедуры отбора уровень просроченной задолженности в отобранном множестве потенциальных заемщиков, признанных кредитоспособными, составит 0,2%, то есть доля проблемных кредитов в портфеле будет снижена с 4% (до внедрения скоринговой системы) до 0,2%. При этом, однако, будет ошибочно отказано в предоставлении кредитов 6% от числа обратившихся и прошедших 1-й шаг процедуры отбора частным лицам. При принятии решений необходимо оценить и взвесить приемлемые структуру распределения и уровни ошибок 1-го и 2-го рода. В общем случае для самых приближенных оценок может использоваться линейная функция полезности вида: