Методология и модели оценки кредитоспособности физических лиц ЮУрГУ-38.03.01.2023.301/222

ВВЕДЕНИЕ 5
Глава 1 ОБЗОР ЛИТЕРАТУРЫ 7
Глава 2 ЭМПИРИЧЕСКОЕ ИССЛЕДОВАНИЕ 17
2.1 Подходы и методы управления кредитным риском 17
2.2. Качество кредитного портфеля: методы и приемы управления 18
2.3. Продвинутые методы анализа данных и машинного обучения для оценки кредитного риска 23
2.4 Методология 24
2.5 Эмпирические результаты и анализ 29
2.5.1 Факторы отбора, влияющие на кредитоспособность заемщика: Предварительный анализ данных 29
2.5.2 Модель кластеризации заемщиков 37
2.5.3 Модель классификации заемщиков 46
2.5.4. Обсуждение результатов 52
ЗАКЛЮЧЕНИЕ 62
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 63
ПРИЛОЖЕНИЯ 68

Весь текст будет доступен после покупки

Финансовые рынки показали увеличение активности в области развития финансовых технологий. Это включает в себя изменения в бизнес-моделях, создание экосистем и цифровизацию финансовых услуг, при этом низкая маржа банковских услуг также оказывает стимулирующее воздействие.

По результатам исследования, стало очевидно, что наиболее перспективные финансовые технологии включают в себя big data, анализ данных, мобильные и открытые технологии, искусственный интеллект, роботизацию, биометрию, распределенные бухгалтерские книги и облачные технологии. Развитие этих технологий модернизирует традиционные финансовые сферы, такие как P2P-потребительское кредитование, P2P-бизнес-кредитование и краудфандинг.

Для обеспечения эффективного и безопасного развития цифровых финансовых технологий необходимо скоординированное пропорциональное регулирование со стороны всех заинтересованных сторон. Это способствует стабильности финансовой системы, защите прав потребителей и развитию цифровых инноваций.

Улучшение качества кредитного портфеля банков возможно благодаря новым методам оценки кредитоспособности заемщиков, которые могут основываться на социометрических данных и использовать новые показатели, такие как цифровые отпечатки заемщика. Гибкие системы оценки кредитоспособности, включая использование открытых интерфейсов (Open API) и других технологий, таких как анализ больших данных, блокчейн, роботизированное консультирование, машинное обучение и искусственный интеллект, делают финансовую индустрию одним из самых инновационных секторов экономики в России.

Целью данного исследования является разработка методологического подхода, моделей и инструментов для оценки индивидуальной кредитоспособности с использованием данных цифрового следа, что позволит снизить кредитные риски банка и повысить его эффективность. Основные цели исследования включают проведение диагностики рынка кредитования, анализ существующих методов оценки кредитоспособности, разработку нового концептуального подхода к оценке кредитоспособности, предложение новых моделей для кластеризации заемщиков, классификации и прогнозирования риска, а также разработку методологии оценки индивидуальной кредитоспособности.

Весь текст будет доступен после покупки

Глава 1 ОБЗОР ЛИТЕРАТУРЫ

Банковское законодательство нацелено на гармонизацию банковского права в рамках Европейского Сообщества и регулирование банковской деятельности в соответствии с требованиями Базельского комитета. Одной из основных проблем стандартизации банковской деятельности является эффективное управление рисками. Международные стандарты, включая Базельские соглашения, определяют требования не только к количественным характеристикам капитала, но и к улучшению его качества. Оценка качества капитала осуществляется путем анализа соотношения его дополнительных и основных компонент, а также по показателю покрытия рисков за счет основного капитала.

Основная цель Базельских соглашений "Базель-2" и "Базель-3" заключается в повышении надежности и стабильности банковского сектора, включая устойчивость к стрессовым ситуациям на финансовых рынках. Базель-3 требует от кредитных организаций улучшения систем управления рисками и информационно-технологических систем.

Исследование Bhatora, S.; Mohan, L.; Reddy, Y.R. проводит оценку кредитоспособности физических лиц с применением алгоритмов машинного обучения на основе данных, предоставляемых банками второго уровня Центральному банку РФ. В то время как исследование Kapurale, G.M.; Serrato, M.; Zhang, H. проводит оценку рисков неплатежеспособности и инвестиционных рисков в общественных страховых компаниях Великобритании с использованием стандартной формулы Solvency II и исследует ее применимость в российских условиях.

Статья Казанского А.В. представляет анализ теоретических основ построения внутренних рейтинговых систем коммерческих банков, принятых в международной практике в соответствии с базельскими стандартами. В ней описываются простые и сложные методы рейтинговой оценки, основанные на вероятности дефолта и количественных и качественных показателях клиентской активности. Особое внимание уделяется модификации систем классификации резервов на потери по ссудам на основе внутренних рейтингов и коэффициентов риска.

Весь текст будет доступен после покупки

1. Багерпур, А. Прогнозирование дефолта по ипотечному кредиту с помошью методов машинного обучения. 2017.
2. Базельскии комитет по банковскому надзору. Международная конвергенция показателеи капитала и стандартов в области капитала. Пересмотренныи Рамочная программа; Консультативныи документ; Банк международных расчетов: Базель, Швеицария, 2004 год. Доступно онлаин: https://www.bis.org/publ/bcbs128.pdf (дата обрашения: 20 февраля 2023 года).
3. Базельскии комитет по банковскому надзору. Международная нормативно-правовая база для банков; Консультативныи документ; Банк для Международных расчетов: Базель, Швеицария, 2010. Доступно онлаин: https://www.bis.org/bcbs/basel3.htm (дата обрашения 20 Февраль 2023 года).
4. Бхаторе, С.; Мохан, Л.; Редди, Ю.Р. Методы машинного обучения для оценки кредитного риска: систематическии обзор литературы. J. Bank Финансы. Технология. 2020, 4, 111–138.
5. Дедова М.С. Сравнение методов начальнои загрузки временных рядов с целью обратного тестирования моделеи оценки банковских рисков. Экономика. J. НИУ ВШЭ 2018, 22, 84-109.
6. Капорале, Г.М.; Серрато, М.; Чжан, Х. Анализ факторов, определяюших риск неплатежеспособности компании обшего страхования в Великобритании. J. Bank. Финансы. 2017, 84, 107-122.
7. Казанскии А. В. Функционирование внутреннеи реитинговои системы коммерческого банка. Проблема. Модификация. Экономика. 2016, 4, 127-131.

Весь текст будет доступен после покупки