Deductor Credit Scorecard Modeler. BaseGroup Labs Скоринг: актуальность проблемы Потребность в скоринге на финансовых рынках вызвана двумя важными факторами: - презентация

1 Deductor Credit Scorecard Modeler

2 BaseGroup Labs Скоринг: актуальность проблемы Потребность в скоринге на финансовых рынках вызвана двумя важными факторами: Конкуренция среди банков требует повышения скорости принятия решений о выдаче кредита при сохранении приемлемого уровня рисков. Для удовлетворения требований регуляторов необходима формализованная система управления банковскими рисками.

3 BaseGroup Labs Задачи и их решения Построение скоринговой системы делится на две подзадачи: Разработка скоринговых карт; Построение кредитного конвейера. Разработка и поддержка скоринговых карт – трудоемкая задача, требующая применения специализированных инструментов, позволяющих автоматизировать рутинные процедуры риск-аналитика: от анализа портфеля до мониторинга скоринговых карт.

4 BaseGroup Labs Недостатки типовых решений Применение подручных средств для разработки скоринговых карт приводит к появлению «зоопарка» IT-систем. Недостатки подобного подхода очевидны: Отсутствие единого источника данных Кодирование формул в разных системах Разрозненная отчетность Ручной ввод данных Отсутствие версионности моделей

5 BaseGroup Labs Deductor – аналитическая платформа Решение Credit Scorecard Modeler построено на платформе Deductor. Оно позволяет автоматизировать весь процесс создания скоринговых карт: от подготовки данных до моделирования и формирования отчетности. Deductor поддерживает полный спектр технологии анализа данных: Data Warehouse, ETL, OLAP, Knowledge Discovery in Databases и Data Mining.

6 BaseGroup Labs Deductor Credit Scorecard Modeler Хранилище данных для скоринговых выборок и моделей Поддержка всего цикла разработки и выбора скоринговых карт Готовый набор графиков и отчетов

7 BaseGroup Labs Полный цикл разработки скоринговой карты Подготовка скоринговой выборки Анализ жизненных циклов счетов Сэмплинг Двумерный анализ (только одобренные) Моделирование и калибровка (предварительная скоринговая карта) Добавление в выборку отказов (Reject Inference) Перестройка карт с учетом отказов (окончательная скоринговая карта) Сравнение качества карт и выбор оптимальной Тестовая эксплуатация и мониторинг

8 BaseGroup Labs Шаг 1: Подготовка скоринговой выборки В готовое хранилище данных загружаются: предочищенные выборки: портфели кредитов с характеристиками, атрибутами и датами выдачи; просрочки: 30, 60, 90, 120+ по каждому периоду жизненного цикла счета; флаги счетов: закрытые, списанные договора Структура хранилища преднастроена, необходимо только загрузить данные

9 BaseGroup Labs Шаг 2: Анализ счетов – винтажный анализ Винтажный анализ (Vintage analysis) – исследование счетов по поколениям: кредитный портфель разбивается по дате выдачи на поколения кредитов, а затем рассчитывается накопительная сумма потерь отдельных поколений счетов. Счет становится «зрелым» через периодов (месяцев) с момента выдачи

10 BaseGroup Labs Шаг 2: Анализ счетов – матрица миграции Метод миграции просрочек (Roll-Rate Matrix) нужен для проверки гипотезы о корректности выбора критериев определения плохого заемщика. 60% счетов, попавших в 1-й год в 60+, уйдут в дефолт и во 2-м году Это хорошо видно на графике

11 BaseGroup Labs Шаг 3: Сэмплинг Сэмплинг выполняет 2 функции: Разбиение на рабочее и тестовое множества Undersampling – баланс плохих/хороших счетов Undersampling Разбиение на множества Исходная выборка 100% Рабочее – 70% Плохие – 100% Хорошие – 40% Тестовое – 30% Без изменений

12 BaseGroup Labs Шаг 4: Двумерный анализ – атрибуты Двумерный анализ (Bivariate analysis) предназначен для оценки значимости каждого атрибута счета и исключения слабых и/или нелогичных. Предсказательная сила атрибута оценивается с помощью показателя WoE (Weight of Evidence). Заемщики моложе 25 лет имеют самый высокий риск оказаться в числе должников

13 BaseGroup Labs Шаг 4: Двумерный анализ – характеристики При расчете предсказательной силы характеристики в целом значения WoE для каждого атрибута агрегируются в индекс IV (Information Value). Жилье и пол не оказывают влияния на шансы стать плохим заемщиком

14 BaseGroup Labs Шаг 4: Двумерный анализ – квантование Классическая скоринговая карта состоит только из категориальных атрибутов, поэтому необходимо провести квантование. При этой операции аналитик ищет компромисс между точностью, интерпретируемостью и значимостью. 1-й вариант квантования предпочтительнее

15 BaseGroup Labs Для расчета будущих баллов скоринговой карты используется логистическая регрессия. На данном шаге важно получить статистически значимую модель. Шаг 5: Моделирование – расчет Коэффициенты модели – будущие скоринговые баллы

16 BaseGroup Labs Шаг 5: Моделирование – калибровка Калибровка – это превращение модели логистической регрессии в скоринговую карту: Масштабирование – перевод коэффициентов в баллы (по умолчанию в стандарт FICO); Внесение поправки на априорные вероятности. Баллы скоринговой карты

17 BaseGroup Labs Шаг 6: Reject Inference – учет отказов Наличие отказанных заявок может улучшить качество скоринговой карты, так как при расчете баллов будут учтены отклоненные аппликанты (Reject Inference). Скоринговый балл для отказанных заявок с использованием предварительной карты Определение статуса счета методами Reject Inference: Hard Cut-Off, Random Parceling Пополнение скоринговой выборки отказамиПовторное моделированиеПерекалибровка скоринговой карты

18 BaseGroup Labs Шаг 7: Оценка качества скоринговой карты Для оценки качества скоринговой карты разработан набор отчетов и графиков. Для основных метрик качества приводятся рекомендуемые значения в зависимости от типа скоринговой карты: анкетная, поведенческая или коллекторская.

19 BaseGroup Labs Шаг 7: Качество карты – индекс GINI Gini = B / (A + B) Индекс Джини является интегральной характеристикой, позволяющей судить о прогностической силе скоринговой карты. Портфель, упорядоченный по баллу карты ПлохиеХорошие Доля от всех плохих 100% Диагональная линия соответствует случайному угадыванию B Скоринговая карта A Отличные прогнозы Плохие Хорошие

20 BaseGroup Labs Шаг 7: Качество карты – Статистика K-S Статистика Колмогорова-Смирнова (K-S) – это максимальное расстояние между функциями распределения по баллу хороших и плохих. K-SK-S

21 BaseGroup Labs Шаг 7: Выбор лучшей скоринговой карты После Reject Inference сравнивают 2 скоринговые карты: первоначальную и с учетом отказов. Из них выбирается лучшая. Лучшая карта вводится в эксплуатацию В хранилище может быть загружено несколько версий скоринговых карт

22 BaseGroup Labs Шаг 8: Тестовая эксплуатация и мониторинг Выдача кредитов Скоринг Заявки Регулярный мониторинг и перекалибровка карт, возможность «горячей» замены карт Интеграция в кредитный конвейер не входит в состав данного решения

23 BaseGroup Labs Ключевые преимущества Deductor Credit Scorecard Modeler позволяет: в 5-6 раз сократить трудозатраты риск- аналитиков за счет автоматизации процедур получать готовые отчеты на всех этапах разработки скоринговой карты адаптировать решение без привлечения программистов, в т.ч. методами Data Mining поддерживать версионность скоринговых карт интегрировать скоринговые карты с системой принятия решений по заявкам понимать анализ на глубоком уровне, благодаря учебному курсу по скорингу.

24 BaseGroup Labs Подготовка к Базелю II Базель II предоставляет банкам возможность использовать внутренние рейтинги при расчете достаточности капитала для покрытия кредитных рисков. Кредитный скоринг позволяет оценить вероятность дефолта контрагента (PD), рассчитать ожидаемые (EL) и неожидаемые (UL) потери и выполнить требования Базель II: провести четкое разграничение рисков и их точное количественное выражение.

25 BaseGroup Labs Выполнение требований Базель II Deductor Credit Scorecard Modeler – инструмент, позволяющий соблюдать минимальные требования Базель II в части кредитных рисков: Скоринговый балл как количественная оценка риска заемщика и транзакции Обоснование рейтинговых критериев на базе статистики кредитов Регулярный пересмотр и корректировка рейтингов благодаря поддержке полного цикла моделирования скоринговой карты, анкетному и поведенческому скорингу

26 BaseGroup Labs Проектный опыт На базе Deductor в банках и финансовых организациях реализовано множество проектов, автоматизирующих скоринг и принятие решений о выдаче кредитов:

27 BaseGroup Labs BaseGroup Labs – профессиональный поставщик Data Warehouse, OLAP, KDD, Data Mining решений и инструментов. Web-сайт: Образование: edu.basegroup.ruedu.basegroup.ru