РЕШЕНИЕ ПРОБЛЕМЫ ЦЕНЗУРИРОВАННЫХ ДАННЫХ ПРИ МОДЕЛИРОВАНИИ ОЦЕНКИ ИНДИВИДУАЛЬНОГО КРЕДИТНОГО РИСКА
Аннотация
Вопрос управления кредитным риском в банковской сфере рассматривается на основе построения скоринговой модели, оценивающей индивидуальный риск заемщика и выступающей базой для оценки совокупного риска кредитного портфеля. На этапе построения таких моделей в настоящее время актуальным остается вопрос применения цензурированных данных при их обучении. В теории и на практике доказывается, что использование цензурированных данных повышает точность моделей. Разработка и применение моделей на основе анализа выживаемости дает возможность оценивать риск дефолта на всем протяжении жизни кредитного договора, а не только на определенный период (как правило, один год). Такая оценка удовлетворяет требованиям стандарта МСФО 9 и позволяет более точно формировать объем резервов по портфелю в зависимости от динамики уровня риска. Ввиду этого в качестве подхода к работе с такими данными рассматривается анализ выживаемости и методика «случайный лес выживаемости», которая сравнивается с логистической регрессией и классическим случайным лесом. Качество моделей определяется через расчет коэффициента Gini. Все модели оценки индивидуального риска заемщика рассчитываются на базе регионального розничного банка.
Литература
2. Энциклопедия финансового риск-менеджмента / под ред. канд. эконом. наук А.А. Лобанова и А.В. Чугунова. М.: Альпина Паблишер, 2009. 932 с.
3. Алескеров Ф.Т., Андриевская И.К., Пеникас Г.И., Солодков В.М. Анализ математических моделей Базель II / 2-е изд., испр. М.: ФИЗМАТЛИТ. 2013. 296 с.
4. Груздев А.В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес. М.: ДМК Пресс, 2018. 642 с.
5. Кокс Д.Р., Оукс Д. Анализ данных типа времени жизни / пер. с англ. М.: Финансы и статистика, 1988. 191 с.
6. Чистяков С.П. Случайные леса: обзор // Тр. Карельского науч. центра РАН / Ин-т прикладных матем. исслед. Карельского науч. центра РАН. Петрозаводск, 2013. С. 125-126.
7. Широбокова М.А. Модель оценки риска дефолта на всем протяжении жизни кредита // Вестн. Удм. ун-та. Сер. «Экономика и право». 2018. Т. 28, вып.2. С. 228-233.
8. Широбокова М. А. Обработка данных для построения модели оценки поведенческой вероятности дефолта // Математические методы и интеллектуальные системы в экономике и образовании: Материалы Всерос. заочной науч.-практ. конф. / под ред. А.В. Лётчикова. Ижевск, 2017. С. 26-30.
9. Широбокова М.А., Лётчиков А.В. Сравнение методов калибровки скоринговой модели при прогнозировании логистической регрессией // Вестн. Удм. ун-та. Сер. «Экономика и право». 2017. Т. 27, вып. 2. С. 74-79.
10. Kaplan E.L and Meier P. Nonparametric estimation from incomplete observations. Journal of the American Statistical Association. 1958 (Jun.). Vol. 53, №. 282. P. 457-481. URL: http://www.jstor.org/stable/2281868.
11. Ishwaran H. The effect of splitting on random forests/ The Author(s), 2014. URL: https://link.springer.com/content/ pdf/10.1007%2Fs10994-014-5451-2.pdf.
12. Man R. Survival analysis in credit scoring: A framework for PD estimation / Twente: University of Twente, 2014. URL: https://pdfs.semanticscholar.org/b4e3/ee5a66e180ba6d3cc7174ee232799cfd1831.pdf.
13. Mogensen U.B., Ishwaran H., Gerds T.A. Evaluating random forests for survival analysis using prediction error curves / University of Copenhagen, 2012. URL: https://ifsv.sund.ku.dk/biostat/annualreport/images/4/4d/Research_ Report_10-8.pdf.
14. Wright M.W., Dankowski T., Ziegler A. Unbiased split variable selection for random survival forests using maximally selected rank statistics / John Wiley & Sons, 2016. URL: https://arxiv.org/pdf/1605.03391.pdf.
Опубликована 2019-01-25