مرحبا.

نحن فريق Advanced Analytics GlowByte ونطلق سلسلة من المقالات حول النمذجة في إدارة مخاطر الائتمان. الغرض من الدورة هو التحدث بإيجاز عن المجال وتوسيع مفردات المصطلحات المهنية وتوفير روابط لمقالات وكتب مفيدة. في المقالة التمهيدية ، سنعرض ميزات تطبيق ML و DS في مجال مخاطر الائتمان ، دون الغوص العميق في مجال الموضوع.

بعد ذلك ، سوف نكشف عن قضايا منهجية النمذجة ، والعمل مع مكونات مخاطر الائتمان ، وكذلك مناهج المعايرة والتحقق من الصحة ، والتي تأخذ في الاعتبار خصوصيات تشغيل النماذج في البنك.

أساس المنشورات هو تجربة مشروعنا في تطوير وتنفيذ النماذج التحليلية في القطاع المصرفي.

والآن تحت القطة.

ما هي المخاطر؟

بعبارات بسيطة ، مخاطر الائتمان هي مخاطر انتهاك العملاء لشروط دفع الأموال بموجب اتفاقيات القروض.

سوف نركز على ثلاثة تحديات تظهر في إطار إدارة مخاطر الائتمان.

نمذجة التصنيف
عرض الائتمان
حساب مستوى الخسائر المتوقعة.

لماذا بالضبط عليهم؟

هذه المهام ذات صلة دائمًا بالمؤسسات المالية ؛
يمكن تحويلها إلى صناعات أخرى (الاتصالات والصناعة والتأمين) ؛
لديهم مساحة كافية لطرق ML و DS.

للتعرف على التصنيف العام لمخاطر المؤسسات المالية والسياق ، انظر المراجعة [1] .

كل شخص خط الأنابيب (خط الأنابيب) أو مخطط لعملية الائتمان

من الناحية التخطيطية ، تبدو عملية الائتمان كما يلي:

يسمى جزء هذه العملية من التطبيق إلى الإصدار ناقل الائتمان. هناك تبسيط في هذا المخطط. على سبيل المثال ، نحن نعتبر العملية في إطار منتج قرض واحد ، أي تظل مشكلات التسويق (تحسين التسويق ، وإلغاء تفكيك المنتج ، وإزعاج العملاء ، وما إلى ذلك) خارج الأقواس. تُستثنى من خط الأنابيب عمليات التقديم المسبق وتعديل التصنيف الخبير وتطبيق عوامل الإيقاف من قبل شركات التأمين. عوامل الإيقاف تعني القيود ، طبيعة هذه القيود ، أولاً وقبل كل شيء ، في هيكل المنتج الذي يقدمه البنك للعميل. مثال على ذلك هو دخول العميل إلى قائمة المفلسين أو وجود تأخير في سداد القروض في البنوك الأخرى.

نمذجة التصنيف

تتمثل مهمة نمذجة التصنيف (RM) في بناء نموذج تقييم العميل للترتيب اللاحق. يتم التصنيف فيما يتعلق بالعديد من الأحداث السلبية - تدهور الجدارة الائتمانية ، الإفلاس ، إلخ.

اعتمادًا على السياق ، يمكن تصنيف هذه المهمة بطرق مختلفة:

حسب مرحلة دورة حياة العميل:

يتم استخدام تسجيل النقاط للتطبيق (التطبيقي) للعملاء الجدد أو العملاء الذين لديهم تاريخ صغير (أو طويل الأمد وغير ذي صلة) داخل شركة مالية. عند بناء نموذج التصنيف هذا ، فإن ملف تعريف العميل وملفه الشخصي ، والبيانات المتعلقة بسلوكه في الدفع في المؤسسات المالية الأخرى (المتوفرة في مكتب التاريخ الائتماني) والبيانات المتعلقة بإدخال قوائم مختلفة ، على سبيل المثال ، القوائم السلبية للبنك المركزي للكيانات القانونية ، مهمة يتم استخدام سجل الطلبات لتحديد ما إذا كان سيتم منح قرض لمقدم الطلب.
. — -. , .

«» : ( ) , .
«» : . , , , .

«» . . .
«» . ( ) . — Z-score [2].

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

: , , . — , ( , ).
, .. . , .. .

يمكن العثور على خصوصيات حل هذه المشكلة في التقريب الأول في [1] ، [4] ، [5] ، [6]. نخطط للحديث عن ميزات التصميم في المقالة التالية في الدورة المخصصة لمنهجية التطوير.

من بين المهام ذات الصلة ، تجدر الإشارة إلى مهمة تقديم الائتمان (انظر أدناه) ومهمة اختيار حد القطع بناءً على درجة التقييم - تحديد حد الموافقة. لم يتم تناول المشكلة الأخيرة في هذه المقالة ، ولكنها تحتوي على مساحة لأساليب تعلم الآلة المتطورة. على سبيل المثال ، هناك محاولات لاستخدام RL [7] .

يجب أيضًا أن نذكر بإيجاز الاتجاهات الحالية لزيادة جودة نماذج التقييم المطورة:

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

تصادف نمذجة التصنيف بشكل أقل وأقل كمهمة مستقلة وأكثر وأكثر بالاشتراك مع الآخرين ، كونها جزءًا من تطبيق مطبق لحل المشكلات العامة. واحد من هؤلاء هو تقديم الائتمان. نذهب إليها.

عرض الائتمان أو كيفية تقديم عرض لا يمكنك رفضه

يمكن استخدام نتيجة نموذج التصنيف (القيمة المطلقة لتقدير احتمالية التعثر - PD) لحل مشكلة تقديم الائتمان. نعني بتقديم الائتمان ، أولاً وقبل كل شيء ، مهمة تعيين حد أولي للعميل.

بطبيعة الحال ، فإن قيمة PD وحدها - التنبؤ باحتمالية التخلف عن السداد - ليست كافية لتحديد الحد الأمثل. تحتاج إلى فهم النطاق المقبول للقيم الحدية المعقولة لتقديمها للعملاء. هذا ضروري بحيث يعكس المبلغ بشكل غير مباشر على الأقل احتياجات العميل وقدرته على خدمة الديون.

يمكن أن يكون المعيار في هذه الحالة ، على سبيل المثال ، معدل دوران أموال العميل الخاصة للمنتجات غير الائتمانية.

ماذا تريد ان تعرف ايضا؟ لفهم المشكلة بشكل أفضل ، يجب أن تكون لديك فكرة عن هيكل تكلفة القرض. يتم تمثيله بشكل تخطيطي في الرسم البياني التالي (مختلس النظر في [11] ):

"المورد" - قيمة الأموال التي يتم الإقراض على حسابها (على سبيل المثال ، معدل الودائع ، الذي يجذب أموال المودعين ويوفر المعروض النقدي المطلوب). "الهامش" هو الربح المتوقع من القرض. "المخاطر" - الخصم في حالة التخلف عن سداد القرض. "المصاريف" - تكاليف الجذب والصيانة.

في هذا الإطار ، يمكن استخدام نمذجة التصنيف لتحديد حجم وهيكل كتلة المخاطر. يتم تحديد "الموارد" إلى حد كبير من خلال السعر الرئيسي للبنك المركزي. "التكاليف" و "الهامش" هي مكونات المنتج ، وغالبًا ما يشار إليها في جواز سفر المنتج.

بمعنى آخر ، "المخاطرة" هي مجرد أحد المكونات التي تؤثر على الربحية النهائية للتداول.

ماذا عن الاخرين؟ يبدو أن مشكلة التحسين تنشأ. دعنا نحاول إضفاء الطابع الرسمي عليها. يجدر التأكيد على أنه يمكن أن يكون هناك العديد من الخيارات ، ومن الجدير في المقام الأول الاعتماد على مهمة العمل وسياق عملية التطوير.

لنبدأ بخيار بسيط ثم نعرض نقاط التطوير المحتملة للحل. أسهل طريقة هي تحسين ربحية التجارة.

دع اتفاقية القرض تصدر للمبلغ L (حد). يحتوي هذا العقد على احتمالية متوقعة للتعثر في السداد. كأول تقدير تقريبي ، نفترض أن العميل في وقت التخلف عن السداد لديه دين يساوي L.

ثم ستبدو مشكلة التحسين على النحو التالي:

نرى أن PD ثابت والاعتماد على L خطي. يبدو أنه لا يوجد شيء لتحسينه.

ومع ذلك ، في الحياة الواقعية ، تعتمد PD على L للأسباب التالية: كلما زاد الحد ، زادت صعوبة خدمة الديون ، وبالتالي ، زاد احتمال التخلف عن السداد. في هذه الحالة ، تتحول مهمتنا حقًا إلى مهمة تحسين. ومع ذلك ، هناك أيضًا فارق بسيط هنا. هناك عملاء بدخول مختلفة في العينة ، لذا فإن القيم المطلقة لن تكون كافية. من الأفضل بناء التبعيات ليس على الحد ، ولكن على مستوى عبء الدين ، أي معامل

\frac{L}{Д о х о д к л и е н т а (Д_{к})}

$\frac{L}{\: (_)}$

إدمان

يمكن بناؤها على البيانات التاريخية أو التجريبية. أيضًا ، يمكن أن تؤثر توقفات المنتج على مهمة التحسين. على سبيل المثال ، في جواز سفر المنتج ، يمكن الإشارة إلى الحدود المقبولة لمستوى المخاطر (احتمال التقصير). ثم يتم إجراء التحسين فقط حتى الحد المحدد.

P D (\frac{L}{Д_{к}})

$PD(\frac{L}{_})$

ومما يزيد الأمر تعقيدًا ، من يهمه الأمر ، أنه تحت القط:

, (, ) (-, EAD — Exposure at default — ) . , , ( EAD, , LGD – Loss Given Default).

EAD . LGD , (, ..) ( LGD ). 0.9-1.

, PD

\frac{L}{Д_{к}}

$\frac{L}{_}$ . :

, (, ), , :

«» — , «» — . Marketing Optimization.

— . , , , ..

. -.

ماذا لجوجل؟ الكلمات المفتاحية الحد القائم على المخاطر ، نهج إدارة الحد الائتماني القائم على الربح.

لذلك يتم عرض الأموال وتقديمها للعملاء. لكن البعض منهم بدأ في التأخير. كيف تدير الوضع؟ ~~نأخذ مكواة لحام.~~ نقوم بتجميع الوسادة الهوائية في شكل احتياطي من المال. سنخبرك بكيفية القيام بذلك الآن.

الاحتياطيات ودور DS في حسابها

يعد تحديد حجم المخاطر أمرًا أساسيًا في أنشطة البنك: اعتمادًا على الرغبة في المخاطرة ، يحدد البنك العملاء المستعدين للعمل معهم. ولكن في أي حال ، لتقليل الخسائر المحتملة ، يتم تكوين احتياطي نقدي في شكل نقود أو أوراق مالية سائلة. في أسوأ الحالات ، يخسر البنك المحفظة بالكامل ، لكن هذا غير مرجح ، وبالتالي ليس من الفعال أن يكون لديك احتياطي كامل. بعض التوازن مطلوب.

للقيام بذلك ، تحتاج إلى تحديد مبلغ المال الذي يجب حجزه بدقة. هذه هي الطريقة التي تظهر بها مهمة ضمان كفاية رأس المال (رأس المال المطلوب) للخسائر المتوقعة. (الخسارة المتوقعة - EL). يتم تحديد متطلبات كفاية رأس المال ومراقبتها من قبل المنظم (البنك المركزي).

المرجع التاريخي:

, . . .

, DS ML .

1974 , .

Basel I 1988 . Basel I , 8% , (, – Risk-weighted Assets (RWA)).

, the Basel I Capital Accord RWA, .

	, %
	0
	50
	100

, 100 (-, ):

.. 4.

. : ~~XGBoost~~ , , .

Basel I Basel II. -, Basel II ( ) , , , . Xgboost ML DS.

Basel III . . . [6].

? , , RWA:

1. – . — 590-.

( [12]):

« , 590-, . , , ( ) . .»

.

, 5 , . , (, ), ( ) .

2. (, 483-) PD, LGD EAD.

:

, , , . , , , , data scientist’.

(Expected Loss – EL) (Unexpected Loss – UL).

الخسائر في الروبل هي نتاج ثلاثة مكونات:

احتمال التخلف عن السداد (PD - احتمال التخلف عن السداد)
مبلغ دين الدافع في وقت التخلف عن السداد (EAD - التعرض عند التقصير) ،
حصة من هذا المبلغ ، والتي ستبقى غير مدفوعة (LGD - الخسارة الناتجة عن التقصير).

بشكل عام ، هذه الصيغة:

سنصادف أكثر من مرة في سلسلة من المقالات - هذه الامتناع عن مشكلة المخصصات في مخاطر الائتمان.

بعد هذا النوع من تحلل EL (ECL) ، يصبح من الممكن محاكاة (DS و ML ، مرحبًا!)) كل من القيم المذكورة PD (نموذج التصنيف الثنائي) ، LGD (نموذج الانحدار) ، EAD (نموذج الانحدار) ، حيث ، ضمن الحدود المحددة بواسطة وحدة التحكم في مراحل مختلفة من النمذجة (التطوير والمعايرة والتحقق) ، يصبح من الممكن استخدام الأساليب الإحصائية وخوارزميات التعلم الآلي.

لأولئك الذين يحبون أكثر:

EL UL (Value at Risk – VaR) – , ( 99%) .

PD, LGD, EAD , .

3. 9. .

9 :

( );
( «Lifetime-» «Lt») PD, LGD, EAD, ; ECL — Expected Credit Losses;
( ).

9 :

9 DS ML-.

?

29.12.2012 N 192- « »
6 2015 . № 483- « »
15 2015 . N 3624- « »
6 2015 . № 3752- « , »
[13].

كانت اللوائح والتعليمات معنية ، تمت قراءة الكتب ، ولكن أين هو DS؟ كما وعدت - DS في ~~تفاصيل~~ المكونات. لكن هذه قصة مختلفة تمامًا. سنحلل بمزيد من التفصيل ميزات نمذجة مكونات PD و LGD و EAD في المقالة التالية من الدورة ، وفي نهاية المقالة التمهيدية ، نقدم جدولًا بخيارات لتطبيقات الأساليب الإحصائية وخوارزميات التعلم الآلي في مجال نمذجة المخاطر في سياق كل مهمة.

	نمذجة التصنيف	عرض الائتمان	حساب مستوى الخسائر المتوقعة
حل المشاكل مع DS / ML	- تحديد خوارزمية التصنيف. - تحديد عتبة الموافقة. - معايرة.	- تطوير محسن. - تطوير النماذج المستخدمة لاختيار مقترح القرض .	- نمذجة مكونات PD و LGD و EAD ؛ - معايرة.

الاستنتاجات

الاستنتاج الرئيسي بعد كتابة مقال تمهيدي لنا (abv_gbc، اليساليسا، أرتيساف، eienkotowaru) على النحو التالي: من الصعب للغاية وصف حتى ثلاث مشاكل بإيجاز تنشأ في حساب مخاطر الائتمان. لماذا ا؟

تم تطوير منهجية مفصلة لهذه المهام ، والتي توفر غذاءً جيدًا لتفكير ML و DS. تطور هذه الأفكار مناهج للاستجابة لتحديات السوق المتزايدة التعقيد. الأدوات القائمة على مثل هذه الأساليب ، من الأساليب التكميلية ، أصبحت تدريجياً الأدوات الرئيسية في صنع القرار. كل هذا معًا يسمح بنقل أفضل الممارسات والحدس لنمذجة المخاطر إلى الصناعات الأخرى (الاتصالات والتأمين والصناعة). اي واحدة؟ سنخبرك في المقالات التالية من الدورة.

قائمة المصطلحات المستخدمة

التقصير - عدم الوفاء بالتزامات اتفاقية القرض. عادة ، يعتبر التخلف عن السداد عدم سداد بموجب العقد في غضون 90 يومًا.
PD - احتمال التخلف عن السداد - الاحتمال الافتراضي.
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] ليو مارتن ، سونيل شارما ، وكويلاكونتلا مادوليتي. "التعلم الآلي في إدارة المخاطر المصرفية: مراجعة الأدبيات." المخاطر 7.1 (2019): 29.

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

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

[4] Breeden "مسح للتعلم الآلي في مخاطر الائتمان." (2020).

[5] سوروكين الكسندر. "بناء بطاقات النتائج باستخدام نموذج الانحدار اللوجستي." المجلة الإلكترونية للعلوم 2 (21) (2014).

[6] بايسنس بارت ، دانيال روش ، هارالد شول. تحليلات مخاطر الائتمان: تقنيات القياس والتطبيقات والأمثلة في 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] ماسيوتين أليكسي. "التصنيف الائتماني على أساس بيانات الشبكة الاجتماعية." معلوماتية الأعمال 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: مخصصات تقدير خسائر الائتمان المتوقعة." المراجعة المصرفية. تطبيق "أفضل ممارسة 2 (2018).

[13] بيليني تيزيانو. المعيار الدولي لإعداد التقارير المالية 9 و CECL نمذجة المخاطر الائتمانية والتحقق منها: دليل عملي مع أمثلة تعمل في R و SAS. الصحافة الأكاديمية ، 2019.

ظلال ML و DS لإدارة مخاطر الائتمان