Как рассчитать lgd для заемщика пример

Как рассчитать lgd для заемщика пример
Содержание
  1. Machine learning в риск-менеджменте: стоимость входа Поделиться Facebook -> Twitter -> Youtube -> Telegram -> VK Youtube -> Telegram ->
  2. ML и DS оттенки кредитного риск-менеджмента | LGD, или Жизнь после дефолта
  3. Постановка задачи
  4. Алгоритм сбора LGD
  5. Учет бизнес-процессов
  6. Сегмент для моделирования
  7. Выборка для моделирования
  8. Основные драйверы
  9. Предикторы
  10. Моделирование
  11. Выбор модели
  12. Логистическая регрессия
  13. Взвешенная регрессия
  14. Дерево решений
  15. Применение модели
  16. Валидация модели
  17. Валидация на дефолтном сегменте
  18. Валидация на non-default сегменте
  19. Интегральная оценка качества
  20. Матрица сопряженности
  21. Заключение
  22. Machine learning в риск-менеджменте: стоимость входа
  23. Одним из стимулов развития моделей машинного обучения в сфере оценки и управления кредитным риском стала практика применения внутренних рейтинговых моделей российскими банками, в том числе в рамках IRB-подхода к оценке кредитных рисков. Из-за заблуждения об избыточной ресурсоемкости и себестоимости разработки подобных моделей они пока не получили достаточного распространения, особенно среди небольших кредитных организаций.
  24. Как рассчитать lgd для заемщика пример

Machine learning в риск-менеджменте: стоимость входа Поделиться Facebook -> Twitter -> Youtube -> Telegram -> VK Youtube -> Telegram ->

LGD рассчитывается формуле:
Рисунок 2. Алгоритм сбора целевого события

ML и DS оттенки кредитного риск-менеджмента | LGD, или Жизнь после дефолта

Мы продолжаем цикл статей ([1], [2], [3]), посвященных применению ML-методов в ряде задач управления кредитным риском. В этой мы расскажем про задачу, которая возникает в ходе жизненного цикла кредитного договора: моделирование доли невозврата по договору в случае его дефолта (loss given default, LGD).

Зачем это нужно делать, ведь дефолт случился и на первый взгляд кажется, что прогнозировать уже ничего не нужно? Действительно, можно считать, что клиент уже ничего не вернет и под такие договоры закладывать 100%-ное резервирование.

Однако в действительности после дефолта клиенты могут вносить платежи или, если договор был обеспечен (залог), то в ходе продажи обеспечения вся сумма договора или ее часть могут быть погашены за счет суммы реализации (продажи) залога.

Также стоит обратить внимание, что для банковской сферы (в других индустриях зависит от продукта и политики резервирования) прогноз должен производиться как по договорам, находящимся в дефолте
(default сегмент), так и по тем, по которым нет дефолта на момент расчета резервов
(non-default сегмент). Разработка прогнозной модели возможна только на договорах в дефолте. В этом случае возникает проблема переноса модели на сегмент недефолтных договоров.

Об особенности расчета компоненты LGD, ее моделирования, распространении прогноза на весь портфель, а также подходах к валидации расскажем далее.

Бегите, глупцы. Добро пожаловать под кат!

Стоит отметить, что доля невозврата существенно зависит от типа продукта (например, ипотека vs. кредитная карта), сегмента клиентов (ЮЛ vs. ФЛ), индустрии (банк vs. телеком) или даже от типа банка. При этом исследуемая величина может варьироваться в широком диапазоне (цифры отражают порядок различия): от 10–20% для обеспеченных кредитов (ипотека, ЮЛ с обеспечением) до 80–90% (для кредитных карт ФЛ).

В связи с таким разбросом возникает потребность прогнозирования этой величины — если предполагать, что невозврат будет 100%, то мы, с большой вероятностью, перезакладываемся и должны нести бремя дополнительных расходов, тогда как в случае качественного прогноза можно “распустить” часть резервов и получить дополнительную прибыль за счет их использования в бизнесе.

Теоретический подход к прогнозированию LGD мы проиллюстрируем примером из нашей практики.

  • в исходных данных по договорам содержалась только информация об истории балансов и просрочек, а также факты продажи и списания договоров;
  • мало информации о клиентах;
  • глубина истории — около 2 лет.

Постановка задачи

Алгоритм сбора LGD

Сначала остановимся на том, как определяется моделируемая величина. Для каждого договора собирается история платежей после дефолта (рис. 1). Такие платежи называют восстановлением. Временной горизонт может варьироваться от года до трех–пяти лет, что зависит от типа заемщиков (ЮЛ, физ.лица), глубины данных и особенности бизнес-процессов в банке. Восстановление дисконтируют, если анализируется длительный период, известно точное время внесения денег заемщиком (до месяца, а не агрегированные данные за год), а также есть значительная инфляция (подробнее см. [2]).

Ниже приведена иллюстрация алгоритма сбора LGD.
Рисунок 1. Алгоритм сбора LGD. Клиент совершил две выплаты после наступления дефолта: в феврале и мае 2019 г. Дата дефолта — январь 2019 г., горизонт восстановления — 6 месяцев.

LGD рассчитывается формуле:
Рисунок 2. Алгоритм сбора целевого события

Благодаря такому подходу мы получаем модель, которая гибко реагирует на изменение баланса находящегося в дефолте клиента, что дает более точную оценку уровня потерь. Хотя LGD теперь определяется в момент времени
, горизонт для сбора данных о восстановлении остается фиксированным и отсчитывается от даты дефолта.

Учет бизнес-процессов

При расчете LGD должны быть учтены события, которые могут происходить с кредитным договором после дефолта.

Для более детального ознакомления с дополнительными методами оценки LGD (в том числе workout и market LGD) следует обратиться, например, к обзору [4].

Сегмент для моделирования

Расчет LGD возможен только после наступления дефолта. Поэтому моделирование LGD производится исключительно на договорах в состоянии дефолта. Дальнейшее практическое использование модели LGD предполагает ее применение ко всем договорам (как не, так и находящимся в дефолте), поскольку для каждого договора должна быть получена оценка ожидаемых потерь (EL). Подробнее об EL можно прочитать в [1].

Читатели, имеющие практический опыт в машинном обучении, наверняка понимают, что для модели, которая обучается на одном сегменте наблюдений, а применяется на другом, нужны особая схема и метод валидации. Рекомендации по валидации модели LGD будут даны далее.

Теперь, когда целевая переменная модели определена, можно переходить к формированию выборки и сбору атрибутов.

Выборка для моделирования

Основные драйверы

Как уже было отмечено выше, LGD — это величина, сильно зависящая от бизнес-процессов. Для таких величин часто можно выделить несколько переменных, которые хорошо предсказывают их значения. Или в терминах машинного обучения: для LGD существует несколько предикторов, которые вне зависимости от конкретной задачи дают наибольший вклад в модель. Такие величины еще называют основными драйверами.

Для LGD можно выделить следующие основные драйверы:

  • количество дней в просрочке (далее dpd);
  • возраст дефолта (далее default age) — период времени от даты дефолта по договору до текущей даты наблюдения.

Напомним [2], что часто dpd рассчитывается по методу FIFO: при наличии платежей со стороны заемщика величина просрочки не будет увеличиваться, а возраст дефолта, если задолженность не погашена полностью, будет увеличиваться. Такой подход, в частности, позволяет более осознанно обрабатывать случаи, когда заемщик фиксируется на долгое время в каком-то из бакетов просрочки.

Алгоритм построения распределений

Рисунок 3. Кумулятивная зависимость LGD от возраста дефолта (default age)
Рисунок 4. Распределение LGD по бакетам просрочки (dpd)

Предикторы

Помимо основных драйверов нам были доступны следующие блоки атрибутов:

  • наличие других кредитных договоров у клиента и его платежи по ним;
  • динамика просрочки платежей по «дефолтному» договору;
  • утилизация лимита по договору.

Моделирование

Для моделирования LGD используются разные методы [4] машинного обучения, в том числе продвинутые (например, ансамбли деревьев или нейронные сети). Среди стандартных методов расчета LGD стоит упомянуть цепочно-лестничный метод и метод Борнхуэттера–Фергюсона. Если говорить про регрессионные методы, то, учитывая форму распределения LGD (часто U-образная, с модами около 0 и 1), в общем случае следует использовать GLM — обобщенную модель линейной регрессии — с некоторой функцией связи (link function), которая учитывает распределение целевой переменной, отличное от нормального [5].

В данной части мы остановимся на методах, которые использовались в рамках описываемого проекта, а с описанием методологии моделирования LGD предлагаем ознакомиться в [1].

Выбор модели

Выбор метода машинного обучения производится с учетом:

  • распределения LGD по dpd и default age;
  • распределения LGD;
  • формата, в котором необходимо предоставить результат моделирования;
  • баланса портфеля по договорам.

Логистическая регрессия

Логистическая регрессия — один из самых распространенных и известных методов машинного обучения. Из его преимуществ можно выделить скорость работы, простоту настройки и интерпретации, большое количество готовых реализаций.

Логистическую регрессию стоит использовать, если:

  • распределение LGD по dpd и default age монотонно-возрастающее;
  • результаты модели нужно представить в виде скоркарты;
  • баланс распределен по договорам практически равномерно (отсутствуют аномально большие по балансу договоры или их число незначительно).
  • взвешенным методом;
  • отсечением по фиксированному пороговому значению;
  • отсечением по случайному пороговому значению.

Бинаризованный LGD можно моделировать с помощью логистической регрессии. Смоделированная вероятность класса 1 трактуется как прогнозное значение LGD.

Взвешенная регрессия

Взвешенная регрессия относится к стандартным методам машинного обучения. Отличие от обычной регрессии: веса наблюдения используются в функционале ошибки.

  • распределение LGD по dpd и default age монотонно-возрастающее;
  • скоркарта не требуется;
  • значительная доля баланса портфеля сосредоточена в небольшом количестве договоров.

Дерево решений

Дерево решений — отличная альтернатива регрессии, которая обычно точнее, но также проста в интерпретации и настройке.

Дерево решений стоит использовать, если:

Для корректного предсказания немонотонного поведения LGD в модель нужно одновременно включить два сильно коррелирующих фактора — dpd и default age, тогда методы на основе деревьев решений дают более высокое качество.

Применение модели

Напомним, что обучение модели LGD производится на сегменте дефолтных договоров (I), а применяется она ко всем, в том числе и недефолтным договорам. Поэтому важно при разработке модели учесть, как она будет изменена применительно к недефолтному сегменту (II). В идеальном случае разрабатывается отдельная модель на клиентах, которые не находятся в дефолте, но на горизонте расчета EL (часто 1 год) уйдут в дефолт.

Оговоримся, что для применения к дефолтному сегменту модель остается без изменений.

Рассмотрим пример стратегии корректировки модели для применения ее к недефолтному сегменту. Для недефолтного сегмента все предикторы, которые связаны с наступлением дефолта, принимаются равными среднему значению на дефолтном сегменте за первый месяц (default age = 1):

Валидация модели

По аналогии с применением модели валидация на дефолтном сегменте отличается от валидации на недефолтном сегменте. Цель валидации модели на дефолтном сегменте — оценка качества и стабильности модели. Валидация на недефолтном сегменте проверяет адекватность модели именно на этом сегменте.

Валидация на дефолтном сегменте

Качество модели определяется по ее общей предсказательной способности, а также предсказательной способности и стабильности на уровне входящих в нее факторов.

Для определения предсказательной способности модели используется модифицированный коэффициент Джини. А стабильность модели оценивается путем вычисления относительного изменения модифицированного коэффициента Джини между обучающей и тестовой выборками.

Предсказательная сила атрибутов обычно определяется коэффициентом Джини, а стабильность — относительным изменением коэффициента Джини и population stability index (PSI).

Для определения корректности предсказанных значений LGD используется значение коэффициента loss-shortfall. Данный коэффициент показывает, происходит переоценка или недооценка уровня потерь.

Все вышеуказанные метрики качества подробно описаны под катом

Валидация на non-default сегменте

Интегральная оценка качества

Идея данного подхода к валидации состоит в следующем: средний уровень LGD по договорам на первом месяце в дефолте (LGD default) должен соответствовать взвешенному по PD среднему LGD по этим же договорам до наступления дефолта (LGD non-default). Чтобы рассчитать интегральную оценку, необходимы:

  • PD и LGD non-default по договорам, которые на данный момент не находятся в состоянии дефолта;
  • LGD default по тем же договорам, но по их состоянию на первом месяце после выхода в дефолт;
  • фактического среднего LGD по тем же договорам;
  • сравнение среднего LGD default со средневзвешенным LGD non-default по PD и со средним фактическим LGD.

Матрица сопряженности

Матрица сопряженности уточняет интегральную оценку (табл.). Алгоритм формирования матрицы:

  • LGD договоров non-default сегмента делится на бины (например, с шагом 5%);
  • далее для этих договоров рассчитывается их LGD на первом месяце в дефолте;
  • рассчитанные числа заносятся в таблицу, которая именуется матрицей сопряженности.

Заключение

В заключение, еще раз рассмотрим основные пункты данной статьи.

  • При моделировании LGD сначала важно определиться с алгоритмом расчета LGD и выделить сегмент выборки, на котором будет проводиться моделирование.
  • Далее желательно провалидировать рассчитанное целевое событие, построив распределения LGD по dpd и default age.
  • После этого, в зависимости от доступной информации о договорах и клиентах, собрать предикторы будущей модели LGD.
  • На основе распределений LGD по dpd и default age нужно выбрать подходящий алгоритм для моделирования и построить модель LGD.
  • Нужно проверить качество и стабильность модели, а также адекватность ее оценок риска на non-default сегменте.

Авторы статьи: Александр Бородин (abv_gbc), Иван Аникин (ivanikin)

Machine learning в риск-менеджменте: стоимость входа

Одним из стимулов развития моделей машинного обучения в сфере оценки и управления кредитным риском стала практика применения внутренних рейтинговых моделей российскими банками, в том числе в рамках IRB-подхода к оценке кредитных рисков. Из-за заблуждения об избыточной ресурсоемкости и себестоимости разработки подобных моделей они пока не получили достаточного распространения, особенно среди небольших кредитных организаций.

Одним из стимулов развития моделей машинного обучения в сфере оценки и управления кредитным риском стала практика применения внутренних рейтинговых моделей российскими банками, в том числе в рамках IRB-подхода к оценке кредитных рисков. Из-за заблуждения об избыточной ресурсоемкости и себестоимости разработки подобных моделей они пока не получили достаточного распространения, особенно среди небольших кредитных организаций.

Беликов Юрий Леонидович, управляющий директор по валидации «Эксперт РА»

Модели машинного обучения могут значительно упростить такие процедуры, связанные с принятием риска, как:

  • принятие первичных решений по кредитным заявкам на основе скоринга;
  • определение уровня резервирования требований банков к корпоративным заемщикам и контрагентам в соответствии со стандартом МСФО 9;
  • установление кредитных лимитов и иных лимитов риска на заемщиков и контрагентов;
  • оптимизация условий предоставления финансирования;
  • портфельное моделирование в целях построения прогноза денежных потоков;
  • формирование суждения о дефолтности пула активов на основе индивидуальной оценки входящих в его состав кредитов;
  • оценка контрагентов на предмет вероятности невыполнения обязательств не только по кредитным, но и любым другим договорам;
  • валидация используемых в процедурах кредитования, инвестирования и управления рисками методологий, моделей и экспертных систем.

Типовые целевые переменные для оценки — это вероятность дефолта (PD) заемщиков и иных контрагентов, уровень потерь при дефолте контрагента (LGD), производные от них ожидаемые потери (EL) — величина, в абсолютном или относительном выражении представляющая собой математическое ожидание потерь банка-кредитора по отдельному кредиту или целому пулу активов. Указанным целевым переменным в отличие от простой классификации или ранжирования сопоставляется точная величина, как того требуют, в частности, стандарты Базельского комитета по банковскому надзору, последовательно имплементируемые в регулирование российского банковского сектора.

Машинное, или индуктивное, обучение основано на выявлении эмпирических закономерностей в данных и тем самым противопоставляет разработанные с его применением модели экспертным системам, созданным на основе накопленных знаний, экспертных наблюдений и суждений. Дилемма «что эффективнее» в принципе не возникает, поскольку различные модели имеют разное целевое назначение и, более того, могут органично дополнять друг друга. Простейший пример — проведение первичного скоринга заемщиков, отсечение заявок с минимальным скоринговым баллом и последующий андеррайтинг прошедших заданный критерий заявок, в ходе которого эксперты принимают во внимание результаты скоринга и выявленные машинными методами факторы риска.

  • достаточный объем выборки при отсутствии строго формализованных универсальных критериев достаточности;
  • историчность (к примеру, ретроспективы последнего завершившегося года определенно будет недостаточно для обучения эффективной модели, поскольку такой непродолжительный период может быть недостаточно репрезентативен в рамках текущего бизнес-цикла);
  • однозначность классификации наблюдений (например, на дефолтные и устойчивые) на основе специально разработанных правил, которые наиболее применимы к выборке и соответствуют целям применения модели;
  • унифицированность и чистота данных, в том числе значений, необходимых для расчета всех предполагаемых параметров модели, которые будут протестированы на предмет их предсказательной способности и либо войдут в модель, либо будут отвергнуты;
  • однородность статистики;
  • релевантность статистики для предсказания целевых переменных в будущем на ее основе.

С учетом перечисленных требований при формировании выборки средние и небольшие с позиции клиентской базы, объема и гранулированности активных операций кредитные организации могут сталкиваться со следующими проблемами.

Во-первых, банк может просто не располагать однородной статистикой дефолтов и массивом характеристик объектов кредитного риска за существенное число завершившихся периодов в силу работы в небольшой рыночной нише с ограниченной клиентской базой или волатильности объемов активных операций.

Во-вторых, накопленная статистика может быть нерелевантна для обучения модели в соответствии с поставленными задачами. С такой сложностью может столкнуться кэптивный банк, решивший переориентировать политику на рыночных заемщиков, банк с неокончательно сформированной географической структурой деятельности или кредитная организация, претерпевающая изменение отраслевой или размерной структуры кредитного портфеля.

Накопленная статистика может быть нерелевантна для обучения модели в соответствии с поставленными задачами. С такой сложностью может столкнуться кэптивный банк, решивший переориентировать политику на рыночных заемщиков.

Как рассчитать lgd для заемщика пример

  • Операционная работа и международные операции
    • Денежные переводы
      • Переводы в рублях
      • Переводы в иностранной валюте
      • Электронные денежные переводы
      • Платежные карты
      • Безопасность денежных переводов
      • Документарные операции
        • Расчеты по аккредитивам
        • Банковские гарантии
        • Расчеты инкассовыми поручениями и чеками
        • Торговое финансирование
        • Риски документарных операций
        • Валютный контроль
          • Валютный контроль за операциями физлиц
          • Валютный контроль за операциями юрлиц
          • Нарушение валютного законодательства
          • Журналы по расчетам и операционной работе
          • Методические пособия (Операционная работа и международные операции)
          • Статьи из пособий (Операционная работа и международные операции
          • Риски портфелей (продуктов)
            • Риски розничного портфеля
            • Риски корпоративного портфеля
            • Риски портфеля ценных бумаг
            • Риски платежных систем
            • Виды рисков
              • Кредитный риск
              • Рыночный риск
              • Риск ликвидности
              • Операционный риск
              • Нефинансовые риски
              • Журналы по управлению рисками
              • Методические пособия (Риск-менеджмент)
              • Статьи из пособий (Риск-менеджмент)
              • Розничные продукты
                • Розничные кредиты
                • Банковские карты
                • Наличность и чеки
                • Вклады и драгметаллы
                • Микрофинансирование
                • Private Banking
                • Розничные технологии
                  • Технологии продаж
                  • Мобильный банкинг
                  • Интернет банкинг
                  • Платежные терминалы и банкоматы
                  • Бизнес-процессы
                    • Взаимодействие с контрагентами
                    • Обслуживание клиентов
                    • Персонал и кадры
                    • Кредитный анализ
                      • Оценка финансового состояния заемщика
                      • Отраслевой анализ
                      • Оценка риска заемщика
                      • Лимиты кредитования
                      • Формирование резервов
                      • Оценка кредитного портфеля
                      • Кредитные продукты
                        • Корпоративные кредиты
                        • Кредиты МСБ
                        • Кредиты физлицам
                        • Долгосрочное финансирование
                        • Синдицированное кредитование
                        • Обеспечение кредита
                          • Залог
                          • Гарантия
                          • Поручительство
                          • Обслуживание кредита
                            • Мониторинг выданных кредитов
                            • Внесудебное взыскание просроченной задолженности
                            • Судебное взыскание просроченной задолженности
                            • Кредитное мошенничество
                            • Журналы по кредитованию и рознице
                            • Методические пособия (Банковское кредитование и ритейл)
                            • Статьи из пособий (Банковское кредитование и ритейл)
                            • Внутренний контроль и аудит
                              • Аудит бизнес-процессов
                              • Аудит банковских операций
                              • Контроль банковских рисков
                              • Контроль за банковскими рисками
                              • Обеспечение непрерывности банковской деятельности
                              • Финансовый мониторинг
                                • Идентификация клиентов и выгодоприобретателей
                                • Выявление подозрительных операций
                                • Риск вовлечения банка в процессы легализации ПД/ФТ
                                • Информационная безопасность
                                  • Безопасность персональных данных
                                  • Защита от угроз
                                  • Риски электронного банкинга
                                  • Комплаенс — контроль
                                    • Договорная политика
                                    • Финансовый контроль
                                    • Налоговый риск
                                    • Журналы по внутреннему контролю, аудиту и комплаенс
                                    • Методические пособия (Внутренний контроль & комплаенс)
                                    • Статьи из пособий (Внутренний контроль & комплаенс)
                                    • Бухучет и отчетность
                                      • Организация бухучета и документооборот
                                      • Порядок учета банковских операций
                                      • Отчетность по РПБУ
                                      • Налогообложение
                                        • Налог на прибыль
                                        • Налог на добавленную стоимость
                                        • Налог на доходы физических лиц
                                        • Имущественные налоги
                                        • Трансфертное ценообразование
                                        • Налоговая отчетность
                                        • Международная отчетность
                                          • Международные стандарты отчетности
                                          • Трансформация отчетности
                                          • Раскрытие информации
                                          • Аудит международной отчетности
                                          • Журналы по бухучету и налогобложению
                                          • Методические пособия (Бухучет и налогообложение)
                                          • Статьи из пособий (Бухучет и налогообложение)
                                          • Правовое регулирование деятельности банка
                                            • Банковский надзор
                                            • Правоотношения с контрагентами
                                            • Административная ответственность
                                            • Юридическое сопровождение банковских операций
                                              • Кредитные договоры
                                              • Обеспечение сделок
                                              • Уступка прав требования
                                              • Ценные бумаги; вклады и депозиты
                                              • Переводы и документарные операции
                                              • Арбитражная практика
                                                • Взыскание просроченной и проблемной задолженности
                                                • Обращение взыскания на залоги
                                                • Банкротство и исполнительное производство
                                                • Банковский счет и комиссии
                                                • Налоговые споры
                                                • Журналы по юридической работе
                                                • Методические пособия (Юридическая работа)
                                                • Статьи из пособий (Юридическая работа)
                                                • Управление капиталом банка
                                                  • Регулирование и надзор (БКБН + ЦБ РФ)
                                                  • Управление банковскими рисками
                                                  • Финансовый анализ
                                                  • Слияния и поглощения
                                                  • Стратегический менеджмент
                                                    • Стратегическое планирование
                                                    • Управление качеством
                                                    • Построение и развитие филиальной сети
                                                    • Инвестиционный банкинг
                                                    • Корпоративное управление
                                                      • Взаимодействие с учредителями и акционерами
                                                      • Финансовое планирование
                                                      • Управление персоналом
                                                      • Журналы по вопросам управления
                                                      • Методические пособия (Управление банком)
                                                      • Статьи из пособий (Управление банком)

                                                      ReglamentBank: информационно-методическая система Подписка тут!

Оцените статью
Добавить комментарий