ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ К РАСЧЕТУ РЕНТАБЕЛЬНОСТИ СОБСТВЕННОГО КАПИТАЛА БАНКА ПО КРЕДИТНОМУ ДОГОВОРУ
Аннотация
Требования к более точной оценке индивидуального риска заемщика усложнились с введением Базель II и IFRS 9. Все более часто такую оценку риска производят с помощью построения скоринговых моделей, однако, как правило, критерием качества построенных моделей выступает коэффициент Gini , и совсем не исследуется влияние моделирования на финансовую составляющую, а именно на рентабельность капитала, которая выступает базой для ведения бизнеса в области кредитования. В связи с этим в статье предлагается методика оценки рентабельности капитала без учета риска и ее усложнение за счет принятия ко вниманию индивидуального риска заемщика. Само построение динамической модели оценки кредитного риска в статье рассматривается на основании моделей выживания, построенных методами машинного обучения. Проблема учета цензурированных данных решается с помощью специфического построения переменных для модели и методов, которые учитывают цензурирование: логистической регрессии, модели пропорциональных рисков Кокса, модели случайного леса выживаемости. На примере данных регионального коммерческого банка оценивается рентабельность собственного капитала и производится их сравнение в зависимости от выбора модели оценки риска. В результате исследования делается вывод о необходимости применения методики расчета рентабельности собственного капитала с учетом риска, оцененным методом машинного обучения.
Литература
2. Энциклопедия финансового риск-менеджмента / под ред. канд. экон. наук А.А. Лобанова и А.В. Чугунова. М.: Альпина Паблишер, 2009. 932 с.
3. Кокс Д.Р., Оукс Д. Анализ данных типа времени жизни / пер. с англ. М.: Финансы и статистика, 1988. 191 с.
4. 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.
5. Лётчиков А.В., Матвеев Р.Ю., Широбокова М.А. Решение проблемы цензурированных данных при моделировании оценки индивидуального кредитного риска // Вестн. Удм. ун-та. Сер. Экономика и право. 2019. Т. 29, вып. 1. С. 34-41.
6. Алескеров Ф.Т., Белоусова В.Ю., Сердюк М.Ю., Солодков В.М. Стереотипы поведения российских банков // Банковское дело. 2008. №7. С. 44-50.
7. Алескеров Ф.Т., Андриевская И.К., Пеникас Г.И., Солодков В.М. Анализ математических моделей Базель II. 2-е изд., испр. М.: ФИЗМАТЛИТ. 2013. 295 с.
8. Воронцов К.В. Лекции по линейным алгоритмам классификации. Электрон. док., 2009. URL: http://www.machinelearning.ru/wiki/images/6/68/voron-ML-Lin.pdf.
9. Лётчиков А.В. Расчет индивидуального кредитного риска с применением модели геометрического распределения // Вестн. Удм. ун-та. Сер. Экономика и право. 2018. Т. 28, вып. 2. С. 208-213.
10. 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.
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. 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.
13. Груздев А.В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес. М.: ДМК Пресс, 2018. 642 с.
14. 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.
Опубликована 2020-04-23