Halo.



Kami adalah tim Advanced Analytics GlowByte dan meluncurkan serangkaian artikel tentang pemodelan dalam manajemen risiko kredit. Tujuan dari siklus ini adalah untuk membicarakan secara singkat tentang bidang tersebut, memperluas kosakata istilah profesional dan menyediakan tautan ke artikel dan buku yang bermanfaat. Pada artikel pendahuluan, kami akan menunjukkan fitur-fitur penerapan ML dan DS di bidang risiko kredit, tanpa mendalami bidang subjek.



Selanjutnya, kami akan mengungkapkan masalah metodologi pemodelan, bekerja dengan komponen risiko kredit, serta pendekatan untuk kalibrasi dan validasi, yang mempertimbangkan spesifikasi pengoperasian model di bank.



Basis publikasi adalah pengalaman proyek kami dalam pengembangan dan implementasi model analitik di sektor perbankan.



Dan sekarang di bawah kucing.

Apa resikonya?

Secara sederhana, risiko kredit adalah risiko di mana nasabah melanggar ketentuan pembayaran dana berdasarkan perjanjian pinjaman.



Kami akan fokus pada tiga tantangan yang muncul dalam kerangka manajemen risiko kredit.

1. Pemodelan peringkat;
2. Penawaran kredit;
3. Perhitungan tingkat kerugian yang diharapkan.

Mengapa tepatnya pada mereka?

• Tugas ini selalu relevan untuk lembaga keuangan;
• Mereka dapat ditransfer ke industri lain (telekomunikasi, industri, asuransi);
• Mereka memiliki cukup ruang untuk metode ML dan DS.

Untuk klasifikasi umum risiko lembaga keuangan dan konteksnya, lihat tinjauan [1] .

Pipa setiap orang (pipeline) atau skema proses kredit

Secara skematis, proses kredit terlihat seperti ini:





Bagian dari proses dari aplikasi hingga penerbitan ini disebut konveyor kredit. Ada penyederhanaan dalam skema ini. Misalnya, kami mempertimbangkan proses dalam kerangka satu produk pinjaman, yaitu. masalah pemasaran (Pengoptimalan Pemasaran, kanibalisasi produk, churn pelanggan, dll.) tetap berada di luar tanda kurung. Proses prescoring, penyesuaian peringkat ahli dan penerapan faktor henti oleh penjamin emisi tidak termasuk dalam pipeline. Faktor penghenti berarti batasan, yang sifatnya, pertama-tama, dalam struktur produk yang ditawarkan bank kepada klien. Contohnya adalah masuknya klien ke dalam daftar pailit atau adanya tunggakan pinjaman di bank lain.

Pemodelan peringkat 

Tugas pemodelan peringkat (RM) adalah membangun model peringkat pelanggan untuk peringkat selanjutnya. Peringkat tersebut dilakukan sehubungan dengan berbagai peristiwa negatif - kemerosotan kelayakan kredit, kebangkrutan, dll.



Bergantung pada konteksnya, tugas ini dapat diklasifikasikan dengan cara berbeda:



Berdasarkan tahapan siklus hidup pelanggan:

1. Penilaian aplikasi (aplikatif) digunakan untuk klien baru atau klien dengan riwayat kecil (atau lama dan tidak relevan) dalam perusahaan keuangan. Dalam membangun model pemeringkatan seperti itu, profil dan profil klien, data tentang perilaku pembayarannya di lembaga keuangan lain (tersedia di Bureau of Credit Histories) dan data untuk memasukkan daftar yang berbeda, misalnya, daftar negatif Bank Sentral untuk badan hukum, adalah penting. Penilaian aplikasi digunakan untuk memutuskan apakah akan memberikan pinjaman kepada pemohon.
2. . — -. , .

:

1. «» : ( ) , .
2. «» : . , , , .

:

1. «» . . .
2. «» . ( ) . — Z-score [2].

:

1. . .
2. .

:

1. Stand-alone — , . — . , .
2. «Supply chain finance» — . , , , ( ) . , — , [3].

:

1. : , , . — , ( , ).
2. , .. . , .. .

Keunikan memecahkan masalah ini dalam pendekatan pertama dapat ditemukan di [1] , [4] , [5] , [6]. Kami berencana untuk berbicara tentang fitur desain di artikel berikutnya dalam siklus ini, yang didedikasikan untuk metodologi pengembangan.



Di antara tugas-tugas terkait, perlu disebutkan tugas penawaran kredit (lihat di bawah) dan tugas memilih ambang batas berdasarkan skor penilaian - menentukan ambang batas persetujuan. Masalah terakhir tidak tercakup dalam artikel ini, tetapi berisi ruang untuk pendekatan ML mutakhir. Misalnya, ada upaya untuk menggunakan RL [7] . 



Kami juga harus menyebutkan secara singkat tren saat ini untuk meningkatkan kualitas model pemodelan peringkat yang dikembangkan:

1. / (, - [8], . [9], )
2. ( XGBoost );
3. ( ) (text-mining);
4. ( pipeline ---) , .. ModelOps [10].

Pemodelan peringkat semakin jarang ditemui sebagai tugas independen dan semakin banyak berhubungan dengan orang lain, menjadi bagian dari aplikasi terapan untuk memecahkan masalah yang lebih umum. Salah satunya adalah penawaran kredit. Kami pergi ke sana.

Penawaran kredit atau cara membuat penawaran yang tidak bisa Anda tolak

Hasil rating model (nilai absolut dari estimasi probabilitas gagal bayar - PD) dapat digunakan untuk menyelesaikan masalah penawaran kredit. Yang kami maksud dengan penawaran kredit, pertama-tama, tugas menetapkan batas awal untuk klien.



Tentu saja, nilai PD saja - perkiraan probabilitas default - tidak cukup untuk menentukan batas optimal. Anda perlu memahami kisaran nilai batas yang dapat diterima yang wajar untuk ditawarkan kepada pelanggan. Ini diperlukan agar jumlah setidaknya secara tidak langsung mencerminkan kebutuhan klien dan kemampuannya untuk membayar utang.



Tolok ukur dalam hal ini dapat berupa, misalnya, perputaran dana klien sendiri untuk produk non-kredit. 



Apa lagi yang perlu Anda ketahui? Untuk pemahaman yang lebih baik tentang masalah ini, Anda perlu memiliki gambaran tentang struktur biaya pinjaman. Ini secara skematis disajikan dalam diagram berikut (diintip di [11] ):





"Sumber Daya" - nilai uang atas biaya peminjaman dilakukan (misalnya, suku bunga deposito, yang menarik uang deposan dan menyediakan jumlah uang beredar yang dibutuhkan). "Margin" adalah keuntungan yang diharapkan dari pinjaman. "Risiko" - pengurangan dalam kasus gagal bayar pinjaman. "Biaya" - biaya tarik dan pemeliharaan.



Dalam kerangka kerja ini, pemodelan peringkat dapat digunakan untuk menentukan ukuran dan struktur blok Risiko. "Sumber Daya" sangat ditentukan oleh suku bunga utama Bank Sentral. "Biaya" dan "margin" adalah komponen produk, sering kali disebutkan di paspor produk.



Dengan kata lain, "Risiko" hanyalah salah satu komponen yang memengaruhi profitabilitas akhir perdagangan.



Bagaimana dengan orang lain? Sepertinya masalah pengoptimalan muncul. Mari kita coba memformalkannya. Harus ditekankan bahwa ada banyak pilihan, dan perlu mengandalkan, pertama-tama, pada tugas bisnis dan konteks proses pengembangan.



Mari kita mulai dengan opsi sederhana dan kemudian tunjukkan poin pengembangan potensial dari solusi tersebut. Cara termudah adalah dengan mengoptimalkan profitabilitas perdagangan.



Biarkan perjanjian pinjaman diterbitkan untuk jumlah L (batas). Kontrak ini diperkirakan memiliki kemungkinan default PD. Sebagai perkiraan pertama, kami mengasumsikan bahwa klien pada saat default memiliki hutang sebesar L.



Kemudian masalah pengoptimalan akan terlihat seperti ini:





Kita melihat bahwa PD tetap dan ketergantungan pada L linier. Tampaknya tidak ada yang bisa dioptimalkan.



Namun, dalam kehidupan nyata, PD bergantung pada L karena alasan berikut: semakin besar batasnya, semakin sulit untuk membayar utang dan, karenanya, semakin tinggi kemungkinan gagal bayar. Dalam hal ini, tugas kita benar-benar berubah menjadi pengoptimalan. Namun, ada juga nuansa di sini. Ada klien dengan pendapatan berbeda dalam sampel, jadi nilai absolut tidak akan cukup. Yang terbaik adalah membangun ketergantungan bukan pada batasnya, tetapi pada tingkat beban hutang, mis. parameter$$$\frac{L}{\: (_)}$:





Kecanduan $$$PD(\frac{L}{_})$dapat dipulihkan dari data historis atau data percontohan. 



Selain itu, penghentian produk dapat memengaruhi tugas pengoptimalan. Misalnya, di paspor produk, batas tingkat risiko yang dapat diterima (kemungkinan gagal bayar) dapat ditunjukkan. Kemudian pengoptimalan dilakukan hanya sampai batas yang ditentukan.





Apa lagi ke google? Kata kunci risk based limit, credit-limit management profit based approach.



Jadi uang itu ditawarkan dan diberikan kepada klien. Tetapi beberapa dari mereka mulai terlambat. Bagaimana cara mengelola situasi? Kami mengambil besi solder. Kami mengumpulkan airbag dalam bentuk uang cadangan. Kami akan memberi tahu Anda cara melakukannya sekarang.

Cadangan dan peran DS untuk perhitungan mereka

Menentukan besarnya risiko adalah kunci dalam aktivitas bank: tergantung pada selera risiko, bank menentukan klien mana yang siap diajak bekerja sama. Tetapi bagaimanapun juga, untuk meminimalkan kemungkinan kerugian, cadangan uang tunai dibentuk dalam bentuk uang tunai atau surat berharga cair. Dalam kasus terburuk, bank kehilangan seluruh portofolionya, tetapi hal ini kecil kemungkinannya, oleh karena itu sangat tidak efisien untuk memiliki cadangan penuh. Diperlukan keseimbangan.



Untuk melakukan ini, Anda perlu menentukan secara akurat jumlah uang yang harus dicadangkan. Ini adalah bagaimana tugas memastikan kecukupan modal (modal yang dibutuhkan) untuk kerugian yang diharapkan muncul. (Kerugian yang Diharapkan - EL). Persyaratan kecukupan modal ditentukan dan dipantau oleh regulator (Bank Sentral).





Kerugian dalam rubel adalah produk dari tiga komponen:

1. probabilitas default (PD - Probabilitas Default)
2. jumlah hutang pembayar pada saat gagal bayar (EAD - Exposure At Default),
3. bagian dari jumlah ini, yang akan tetap belum dibayar (LGD - Loss Given Default).

Secara umum rumus ini: 





kita akan menemukan lebih dari sekali dalam serangkaian artikel - ini adalah pengulangan dari masalah provisi dalam risiko kredit.



Setelah dekomposisi EL (ECL) semacam ini, dimungkinkan untuk mensimulasikan (DS dan ML, halo!)) Setiap nilai yang disebutkan dari PD (model klasifikasi biner), LGD (model regresi), EAD (model regresi), di mana, dalam batas yang ditentukan oleh pengontrol persyaratan pada berbagai tahap pemodelan (pengembangan, kalibrasi dan validasi), menjadi mungkin untuk menggunakan metode statistik dan algoritma pembelajaran mesin. 





Peraturan dan instruksinya prihatin, buku-buku dibaca, tapi dimana DS? Seperti yang dijanjikan - DS ada dalam detail komponennya. Tapi itu cerita yang sama sekali berbeda. Kami akan menganalisis lebih detail fitur pemodelan komponen PD, LGD dan EAD di artikel siklus berikutnya, dan di akhir artikel pengantar kami menyajikan tabel dengan opsi untuk aplikasi metode statistik dan algoritma pembelajaran mesin ke bidang pemodelan risiko dalam konteks setiap tugas.

kesimpulan

Kesimpulan utama setelah menulis artikel pengantar untuk kami (abv_gbc, alisaalisa, artysav.dll, eienkotowaru) adalah sebagai berikut: sangat sulit untuk menjelaskan secara singkat bahkan tiga masalah yang timbul dalam perhitungan risiko kredit. Mengapa?



Metodologi terperinci telah dikembangkan untuk tugas-tugas ini, yang memberikan masukan yang baik untuk pemikiran ML dan DS. Refleksi ini mengembangkan pendekatan untuk menanggapi tantangan pasar yang semakin kompleks. Alat yang didasarkan pada pendekatan tersebut, dari yang saling melengkapi, secara bertahap menjadi alat utama dalam pengambilan keputusan. Semua ini bersama-sama memungkinkan transfer praktik terbaik dan intuisi pemodelan risiko ke industri lain (telekomunikasi, asuransi, industri). Yang mana Kami akan memberi tahu Anda di artikel siklus berikutnya.

Daftar istilah yang digunakan

• Wanprestasi - kegagalan untuk memenuhi kewajiban berdasarkan perjanjian pinjaman. Biasanya, default dianggap non-pembayaran berdasarkan kontrak dalam waktu 90 hari.
  
  
• PD - probabilitas default - probabilitas default.
  
  
• EAD – exposure at default – . , , = + .
  
  
• LGD – loss given default – EAD, .
  
  
• EL – expected loss – .
  
  
• EL – expected credit loss – .
  
  
• – , .
  
  
• - – .
  
  
• SCF – supply chain finance – — - .
  
  
• RWA – risk-weighted assets – , ; .
  
  
• (IRB) – , , , .
  
  
• 9 (IFRS9) – , , , .
  
  
• VaR – , .
  
  

[1] Leo Martin, Suneel Sharma, dan Koilakuntla Maddulety. "Pembelajaran mesin dalam manajemen risiko perbankan: Tinjauan pustaka." Risiko 7.1 (2019): 29.

[2] en.wikipedia.org/wiki/Altman_Z-score

[3] www.youtube.com/watch?v=rfCamyEURyw&list=PLLQmSdmAWzkKeiOC1b-nxpoACqgfTc0G5&index=7.

[4] Breeden Joseph "Survei Pembelajaran Mesin dalam Risiko Kredit." (2020).

[5] Sorokin Alexander. "Membangun kartu skor menggunakan model regresi logistik." Jurnal Online Science of Science 2 (21) (2014).

[6] Baesens Bart, Daniel Roesch, Harald Scheule. Analisis risiko kredit: Teknik pengukuran, aplikasi, dan contoh dalam SAS. John Wiley & Sons, 2016.

[7] github.com/MykolaHerasymovych/Optimizing-Acceptance-Threshold-in-Credit-Scoring-using-Reinforcement-Learning

[8] riskconference.ru/wp-content/uploads/2019/10/%D0%A1%D1%83%D1 % 80% D0% B6% D0% BA% D0% BE_% D0% 92% D0% A2% D0% 91.pdf

[9] Masyutin Alexey. "Penilaian kredit berdasarkan data jejaring sosial." Informatika Bisnis 3 (33) (2015).

[10] habr.com/ru/company/vtb/blog/508012

[11] vc.ru/finance/83771-kak-formiruetsya-procentnaya-stavka-po-kreditam

[12] Farrakhov Igor. "IFRS 9: Ketentuan untuk Memperkirakan Kerugian Kredit yang Diharapkan." Review Perbankan. Aplikasi "PRAKTIK TERBAIK 2 (2018).

[13] Bellini Tiziano. IFRS 9 dan Pemodelan dan Validasi Risiko Kredit CECL: Panduan Praktis dengan Contoh-Contoh yang Berhasil di R dan SAS. Academic Press, 2019.