 |
Алгоритм присвоения кредитного рейтинга заёмщику
|
|
|
|
Как отмечалось ранее, присвоение кредитного рейтинга в большинстве случаев представляет собой субъективный процесс, не только основанный на математических расчетах, но и проходящий с учетом человеческого фактора. Представляется, что основные проблемы заключаются в высокой вероятности неверной оценки заемщика, что может привести как к искажению степени принимаемого риска по кредитным операциям, так и к неадекватности процентной политики по размещаемым ресурсам.
Присвоение кредитного рейтинга состоит в переходе от совокупности показателей к единственному значению - рейтингу. Существуют три основных подхода к определению кредитного рейтинга: статистические методы расчета, ограниченная экспертная оценка и непосредственная экспертная оценка. Модели непосредственной экспертной оценки обычно являются ноу-хау ее разработчиков, а последовательность действий не поддается описанию и определяется квалификацией конкретного кредитного работника. Данный метод достаточно дорогостоящий и используется в основном ведущими мировыми рейтинговыми агентствами.
Определение кредитного рейтинга по результатам статистических расчетов применяется при оценке количественных показателей деятельности заемщика. Модели ограниченной экспертной оценки базируются на применении статистических методов с последующей корректировкой на основе неких качественных параметров.
Количественными показателями являются данные бухгалтерской отчетности заемщика, а качественными факторами признаются макроэкономическая ситуация, отраслевые особенности, положение заемщика на рынке, оценка менеджмента и т.д. Кредитные рейтинги рассчитываются по количественным показателям с использованием методов статистики. Затем значение рейтинга дополнительно модифицируется с учетом качественных факторов.
|
|
|
Наиболее востребованным методом присвоения кредитного рейтинга, исходя из количественных показателей деятельности заемщика, до недавнего времени была балльная оценка показателей, основанная на расчете линейной зависимости между коэффициентами, формирующими рейтинг. Этапы такой оценки:
1)расчет показателей, участвующих в кредитном рейтинге;
2)установление шкалы «классности» показателя на основе его значения;
3)распределение весов между показателями;
4)подсчет значения кредитного рейтинга.
Кредитный рейтинг предприятия, на наш взгляд, следует рассчитывать по четырем финансовым коэффициентам. Это показатели рентабельности, ликвидности, оборачиваемости и левереджа.
Рассмотрим методику расчета данных показателей на примере ОАО «Лукойл» (расчеты выполнены по данным из Приложения 1, Приложения 2).
. Коэффициенты ликвидности
.Текущая ликвидность
.Быстрая ликвидность
=
. Абсолютная ликвидность
. Коэффициенты оборачиваемости
. Оборачиваемость дебиторской задолженности
=15,83
. Оборачиваемость активов
. Оборачиваемость основного капитала
. Прибыльность
. Рентабельность активов
. Рентабельность капитала
= 
. Анализ коэффициентов обслуживания долга
Коэффициент покрытия %
. Анализ финансового левериджа
to-assets
leverage
1,35
Выводы:
Сравнивая основные показатели компании ООО «ЛУКОЙЛ» за 2012 отчетный год с предыдущим 2011 годом, можно заметить первый положительный фактор - текущая ликвидность выросла с 3,84 до 3,95. Увеличение ликвидности является положительным фактором с учетом подачи заявки на кредит, так как в случае срочной выплаты ООО «ЛУКОЙЛ» будет способен осуществить выплаты в кратчайшие сроки. Если сравнить показатели ООО «ЛУКОЙЛ» с показателями по отрасли, то рентабельность активов компании Лукойл составляет 11,49%, а рентабельность активов в целом по отрасли 3,51%. Рентабельность капитала составляет 15,63%, а по отрасли 5,52%. Быстрая ликвидность составляет 1,3%, в то время как в целом по отрасли она равна 0,51%. Этот фактор также является положительным, поскольку Лукойл способен осуществить выплаты по кредиту быстрее, нежели его конкуренты, что является преимуществом в выдаче кредита. Текущая ликвидность также выше текущей ликвидности по отрасли (1,95% против 0,66%). Коэффициент покрытия процентов составляет 139,95, в то время как по отрасли значение равно 321,45. Это среднеуровневый показатель для компании, прибыли компании будет достаточно для покрытия процентов по долгам, особенно с учетом того что у Лукойла Debt-to-assets=25,03%, то есть долг компании составляет 25% от структуры капитала ООО «ЛУКОЙЛ». Коэффициент финансовой независимости составляет 9,04 против 13,73, что тоже является положительной чертой для компании.
|
|
|
Таким образом, на основе полученных данных по результатам проведенного мною финансового анализа, можно присвоить ОАО «Лукойла» 1 (высшую) категорию качества. Это означает отсутствие кредитного риска (то есть вероятность финансовых потерь, в случае невыполнения своих обязательств минимальна или равна 0).
В долгосрочной перспективе отсутствуют какие-либо негативные тенденции, способные повлиять на финансовую устойчивость ОАО «Лукойл».
2.3
Нейронная сеть как инструмент оценки кредитоспособности заёмщика
На современном этапе в мире идёт активное развитие новой прикладной области математики, специализирующейся на искусственных нейронных сетях (НС). Растущий интерес к НС объясняется их успешным применением в различных областях деятельности при решении задач классификации и прогнозирования. Нейронные сети становятся незаменимыми при решении сложнейших многомерных задач, поскольку обладают такими характеристиками, как способность нелинейного моделирования и относительная простота реализации.
Нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных элементов - нейронов, имитирующих работу головного мозга человека. Нейроны, связанные между собой сложной топологией межсоединений, группируются в слои, из которых выделяются входной и выходной слои. В нейронных сетях, применяемых для анализа и прогнозирования кредитоспособности, нейроны входного слоя воспринимают информацию о финансовых показателях предприятия, а выходной слой сигнализирует о возможной реакции на эту ситуацию. Сначала нейронная сеть проходит специальный этап настройки - обучение. Как правило, сети предъявляется большое количество заранее подготовленных примеров, для каждого из которых известна требуемая реакция в виде присвоения того или иного значения рейтинга. После определенного периода обучения сеть достигает состояния, в котором с высокой долей точности возможно присвоение предприятию рейтинга кредитоспособности.
|
|
|
Достаточно долго основная область применения нейронных сетей заключалась в военно-промышленном комплексе. Но наличие широких возможностей решения банковских и финансовых проблем привело к переквалификации ряда крупных разработчиков НС на созданием систем, созданных специально для решения банковских задач. Касательно банковской сферы выделяются следующие базовые типы задач, решаемые с помощью НС:
· Прогнозирование временных рядов (курсов валют, акций и т.д.);
· Исследование и выявление отклонений в поведении объекта (обнаружение злоупотреблений в сфере пластиковых карт);
· Распознавание подписи клиента;
· Классификация кредитополучателей в зависимости от уровня кредитного риска.
Присвоение кредитного рейтинга состоит в переходе от серии показателей, в большинстве своем финансовых, к одному преобразованному значению - рейтингу. Чаще всего подобный переход осуществляется при помощи уравнения линейной зависимости. При этом веса показателей, участвующих в расчете рейтинга, устанавливает каждый банка индивидуально. В итоге результаты анализа подвергаются искажению, что чрезвычайно рискованно. Именно недостаточность возможностей традиционных инструментов статистики и неплохие результаты, полученные в данной сфере при помощи НС, способствуют распространению нового метода оценки кредитоспособности заемщика.
|
|
|
Однако в России данный метод пока не получил распространения, хотя в мировой практике при определении кредитного риска заемщика - физического лица используется достаточно широко.
В основном, НС применяется, если не ясен точный тип связи между известными значениями входа и неизвестными выхода. Особенностью НС является то, что зависимость между входными и выходными значениями устанавливается в процессе обучения сети. Для обучения НС применяют алгоритмы двух типов: управляемое (обучение с учителем) и неуправляемое (обучение без учителя). Для управляемого обучения сети нужно необходим подготовленный набор обучающих данных. Эти данные являются наборами входных данных и соответствующих им выходов. НС учится устанавливать связь между первыми и вторыми. Обычно обучающие данные берутся из исторических материалов. В качестве инструмента обучения может быть использован один из нескольких алгоритмов. Если сеть обучена хорошо, она приобретает способность формулировать определенную функцию, связывающую значения входных и выходных переменных, и впоследствии, когда значения выхода неизвестны, подобная НС позволяет их спрогнозировать.
Применительно к анализу кредитоспособности заемщика обучение НС происходит следующим образом: имеется совокупность предприятий с уже присвоенными кредитными рейтингами. Этим рейтингам соответствуют значения количественных и качественных показателей, содержащиеся в кредитном досье. В процессе наблюдений НС вычисляет вес каждого показателя, учитывающегося при расчете кредитного рейтинга. Полученные значения весов корректируются до тех пор, пока рассчитываемые с помощью этих весов кредитные рейтинги всей исходной совокупности заемщиков не совпадут с заданными значениями. В этом случае ошибка обучения будет сведена к нулю, а НС воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом.
Процесс решения задачи с помощью НС начинается со сбора данных для обучения. Обучающий набор данных представляет собой уже известную информацию, для которой указаны значения входящих и выходящих переменных. Выбор переменных, по крайней мере первоначальный, может осуществляться интуитивно. На первом этапе рассматривается вся совокупность переменных, которые способны оказывать влияние на результат. Затем это множество сокращается.
|
|
|
Высокие результаты работы НС объясняются следующими свойствами нейросети:
· Умение полностью обрабатывать информацию. Большая часть известных задач решается при помощи НС. Это достигается за счет ассоциативности сети, способности к классификации, обобщению и абстрагированию;
· Самоорганизация. В процессе работы НС самостоятельно или под воздействием внешней среды обучается решению разнообразных задач. Нейросеть формирует алгоритм своей деятельности, уточняя и усложняя его в течение времени;
· Обучаемость. В процессе обучения НС выявляет нелинейные зависимости между переменными, и на основе такого знания предлагает свои прогнозные значения;
· Параллельность обработки информации. Каждый нейрон формирует свой выход только на основе своих входов и собственного внутреннего состояния под воздействием некоторой функции активации.
Заключение
Несмотря на значительные позитивные качества, в настоящее время возможности банковского кредитования в нашей стране ещё не полностью реализованы. У организаций и коммерческих банков нет достаточных возможностей для широкого использования кредитных услуг при развитии своей деятельности. Ни те, ни другие не могут игнорировать возникающие при совершении кредитных операций банковские риски.
В то же время, методическое обеспечение российских коммерческих банков зачастую основано лишь на практике и понимании отдельного конкретного банка.
Кредитоспособность заемщика означает способность к совершению сделки по предоставлению стоимости на условиях возвратности, срочности и платности, или, иными словами, способность к совершению кредитной сделки. В процессе управления кредитным риском коммерческие банки пользуются совокупностью критериев и расчетных коэффициентов, рассмотрение и анализ которых позволяют сделать вывод об уровне кредитоспособности заемщика. В различных банках набор показателей, характеризующий положение заёмщика, неоднороден и меняется в процессе развития кредитных отношений.
В настоящее время место ключевого показателя кредитоспособности клиента стал его рейтинг. Рейтинг кредитоспособности (кредитный рейтинг) является универсальным значением, формирование которого производится на основе совокупности определенных критериев. Появление рейтинга вызвано необходимостью цельного показателя, обладающего высокой степенью информативности при анализе кредитоспособности.
В отечественной банковской практике сложилась следующая ситуация. С одной стороны, коммерческие банки вынуждены рассчитывать показатели и нормативы кредитных рисков в соответствии с требованиями Банка России. Данные показатели, не в состоянии выступать продуктивным инструментом управления кредитными рисками, поскольку не только не учитывают объективно сложившиеся различия в деятельности заемщиков, но и не способны определить уровень риска на ближайшую перспективу. С другой стороны, потребность в ежедневном мониторинге кредитных рисков заставляет банки разрабатывать собственные расчетные методики. Это усложняет работу банка, увеличивая документооборот и временные затраты.
Наиболее востребованным методом присвоения кредитного рейтинга, исходя из количественных показателей деятельности заемщика, до недавнего времени была балльная оценка показателей, основанная на расчете линейной зависимости между коэффициентами, формирующими рейтинг.
На современном этапе в мире идёт активное развитие новой прикладной области математики, специализирующейся на искусственных нейронных сетях (НС). Нейронные сети становятся незаменимыми при решении сложнейших многомерных задач, поскольку обладают такими характеристиками, как способность нелинейного моделирования и относительная простота реализации.
Однако в России данный метод пока не получил распространения, хотя в мировой практике используется достаточно широко.
Таким образом, в сфере методов оценки кредитоспособности клиентов коммерческого банка изучено и разработано ещё не всё, что оставляет широкое поле для исследований.
Список литературы
1. Российская Федерация. Центральный Банк. О порядке предоставления (размещения) кредитными организациями денежных средств и их возврата (погашения): положение от 31.08.1998 г. №54-П (с доп и изм.). - 2001. - С. 10
. Банковское дело: современная система кредитования: учебное пособие / О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниенко; под. ред. засл. деят. науки РФ, докт. экон. наук., проф. О.И. Лаврушина. - 3-е изд., доп. - М.: КноРус, 2007. - 264 с.
. Банковское дело: учебник для вузов / ред. Г.Н. Белоглазова, ред. Л.П. Кроливецкая. - 2-е изд. - СПб. [и др.]: Питер, 2009. - 400 с.
. Банковское дело: учебник для вузов / ред. Е.Ф. Жуков, ред. Н.Д. Эриашвили. - 3-е изд., перераб. и доп. - М.: ЮНИТИ-ДАНА, 2008. - 654 с.
. Банковский менеджмент: учебник для вузов / ред. О.И. Лаврушин. - 2-е изд., перераб. и доп. - М.: КноРус, 2009. - 554 с.
. Белоглазова Г.Н. Банковское дело. Организация деятельности коммерческого банка: учебник / Г.Н. Белоглазова, Л.П. Кроливецкая. - М.: Высш. образование, 2009. - 422 с. - (Университеты России)
. Ендовицкий Д.А. Анализ и оценка кредитоспособности заемщика: учебно-практическое пособие / Д.А. Ендовицкий, И.В. Бочарова. - 2-е изд., стер. - М.: КноРус, 2008. - 264 с.
. Жуков Е.Ф. Банковский менеджмент: учебник для вузов / Е.Ф. Жуков, Н.Д. Эриашвили, ред. Е.Ф. Жуков. - 3-е изд., перераб. и доп. - М.: ЮНИТИ-ДАНА, 2009. - 303 с. - Авт. указ. на обороте тит. л.
. Кузнецова В.В. Банковское дело: практикум: учебное пособие для вузов / В. В. Кузнецова, О.И. Ларина. - М.: КноРус, 2007. - 260 с.
. Тавасиев А.М. Банковское дело: управление кредитной организацией: учебное пособие / А.М. Тавасиев. - 2-е изд., перераб. и доп. - М.: Дашков и К', 2009. - 639 с.
. Досмамбетова Ф. Особенности оценки стоимости предприятия для конкретных целей // Банки Казахстана, 2010. - № 4. - С.25-27
. Ендовицкий Д.А. Моделирование зависимости величины кредитных рисков от финансового положения организации / Д.А. Ендовицкий, К.В. Бахтин // Экономический анализ: теория и практика. - 2010. - N 4. - С. 2-7
. Заболоцкая В.В. Методика оценки кредитоспособности предприятий малого бизнеса / В.В. Заболоцкая, А.А. Аристархов // Финансы и кредит. - 2009. - N 12. - С. 61-73. - Библиогр.: с. 73 (11 назв.)
. Ковалев В.А. О кредитоспособности заемщика / В.А. Ковалев // Деньги и кредит. - 2008. - N 1. - С. 56-59
. Полищук А.И. Комплексный подход к оценке кредитоспособности клиентов банка / А.И. Полищук // Бизнес и банки. - 17/ 6/2008. - N 22. - С. 1-5
. Пурусов А. Что предпринять для снижения затрат на обслуживание кредитов / А. Пурусов // Финансовый директор. - 2010. - N 1. - С. 18-25
. Соколова Н.А. Оценка кредитоспособности заемщика: что интересует банк / Н.А. Соколова // Бухгалтерский учет. - 2008. - N 11. - С. 58-63
. Фролкина Т.Н. Анализ финансово-хозяйственной деятельности потенциального заемщика / Т.Н. Фролкина, Д.А. Ковалев // Финансовый бизнес. - 2009. - N 1. - С. 25-31. - Начало. Окончание: N 2. - С. 16-22
|
|
|
