Главная  Журналы  Дайджест-Финансы  4(272) - 2024 октябрь-декабрь

Оценка кредитных рисков с помощью скоринговой модели с изменяющимися во времени параметрами

ВЫПУСК 4, ДЕКАБРЬ 2024

PDF-версия статьи

Получена: 07.11.2024

Получена в доработанном виде: 11.11.2024

Одобрена: 17.11.2024

Доступна онлайн: 26.12.2024

Рубрика: РИСКИ, АНАЛИЗ, ОЦЕНКА

Коды JEL: G21, G32

Страницы: 396-420

https://doi.org/10.24891/df.29.4.396

Предмет. Одним из наиболее важных этапов управления кредитными рисками как в банковских кредитных учреждениях, так и в микрофинансовых организациях выступает их оценка, которая базируется на различных скоринговых моделях, позволяющих провести анализ вероятности дефолта заемщика. В статье рассматривается предложенный автором метод динамического моделирования – построение скоринговой модели с изменяющимися во времени параметрами.
Цели. Разработка скоринговой модели с изменяющимися во времени параметрами для оценки кредитных рисков на примере данных микрофинансовой организации.
Методология. В процессе исследования применялся метод критического обзора литературы по вопросам использования динамического моделирования в системе оценки кредитных рисков. Разработка скоринговой модели с изменяющимися во времени параметрами для оценки кредитных рисков базируется на комбинации классической логистической регрессии и моделей временных рядов.
Результаты. Применяемая в статье экономико-математическая модель оценки дефолта заемщика с изменяющимися во времени параметрами базируется на методах, включающих корректировку полученных коэффициентов посредством фильтра Калмана в целях получения независимых оценок. На основе данных микрофинансовой организации подтверждено, что изменение независимых переменных может содержать тренд. Полученное подтверждение выступает доказательством временной зависимости истинных параметров при использовании разработанной модели, что свидетельствует о высокой эффективности скоринговой модели в рамках оценки кредитных рисков микрофинансовой организации.
Область применения. Скоринговая модель с изменяющимися во времени параметрами может быть использована в системе риск-менеджмента любых финансовых организаций.
Выводы. Эмпирическим путем доказано цикличное изменение тестируемых целевой и независимых переменных, что позволяет сделать вывод о временной зависимости истинных параметров в рамках применяемой модели. Проведенный эмпирический эксперимент показывает, что разработанный метод может существенно повысить эффективность скоринговых моделей при внедрении системы анализа кредитных рисков в финансовых организациях.

Ключевые слова: кредитный риск, МФО, управление кредитным риском, скоринговая модель, изменяющиеся во времени параметры, прогнозирование временных рядов

Список литературы:

1. Сорокин А.С. Сравнительный анализ использования статистического моделирования и машинного обучения для оценки кредитного риска в микрофинансовых компаниях // Экономический вестник. 2024. Т. 3. № 2. С. 51–65. URL: Link
2. Сорокин А.С. Разработка алгоритмов применения моделей интеллектуального анализа данных для управления кредитными рисками микрофинансовых организаций // Плехановский научный бюллетень. 2022. № 2. С. 99–108. URL: Link
3. Сорокин А.С. Модель кредитного риска на основе логистической регрессии с изменяющимися во времени параметрами // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. 2023. № 8. С. 141–146. URL: Link
4. Bansal G., Sinha A.P., Zhao H. Tuning Data Mining Methods for Cost-Sensitive Regression: A Study in Loan Charge-Off Forecasting. Journal of Management Information Systems, 2008, vol. 25, no. 3, pp. 315–336. URL: Link
5. Zhang H., Legro R.S., Zhang J., Zhang L. et al. Decision Trees for Identifying Predictors of Treatment Effectiveness in Clinical Trials and its Application to Ovulation in a Study of Women with Polycystic Ovary Syndrome. Human Reproduction, 2010, vol. 25, iss. 10, pp. 2612–2621. URL: Link
6. Smith L.D., Lawrence E.C. Forecasting Losses on a Liquidating Long-Term Loan Portfolio. Journal of Banking & Finance, 1995, vol. 19, iss. 6, pp. 959–985. URL: Link00065-B
7. Greenidge K., Grosvenor T. Forecasting Non-Performing Loans in Barbados. Journal of Business, Finance and Economics in Emerging Economies, 2010, vol. 5, pp. 80–108.
8. Abdou H.A.H., Pointon J. Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature. Intelligent Systems in Accounting, Finance & Management, 2011, vol. 18, no. 2-3, pp. 59–88. URL: Link
9. Darroch J.N., Ratcliff D. Generalized Iterative Scaling for Log-Linear Models. The Annals of Mathematical Statistics, 1972, vol. 43, iss. 5, pp. 1470–1480. URL: Link
10. Durand D. Risk Elements in Consumer Installment Financing. National Bureau of Economic Research, New York, NY, USA, 1941. URL: Link
11. Makowski P. Credit Scoring Branches Out. The Credit World, 1985, no. 75, pp. 30–37.
12. Angelini E., Di Tollo G., Roli A. A Neural Network Approach for Credit Risk Evaluation. The Quarterly Review of Economics and Finance, 2008, vol. 48, iss. 4, pp. 733–755. URL: Link
13. Henley W.E., Hand D.J. A k-Nearest-Neighbour Classifier for Assessing Consumer Credit Risk. Journal of the Royal Statistical Society. Series D (The Statistician), 1996, vol. 45, no. 1, pp. 77–95. URL: Link
14. Hurley M., Adebayo J. Credit Scoring in the Era of Big Data. Yale Journal of Law and Technology, 2017, vol. 18. URL: Link
15. Davis R.H., Edelman D.B., Gammerman A.J. Machine-Learning Algorithms for Credit-Card Applications. IMA Journal of Management Mathematics, 1992, vol. 4, iss. 1, pp. 43–51. URL: Link
16. Frydman H., Altman E.I., Kao D.L. Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress. The Journal of Finance, 1985, vol. 40, iss. 1, pp. 269–291. URL: Link
17. Zhou S.-R., Zhang D.-Y. A Nearly Neutral Model of Biodiversity. Ecology, 2008, vol. 89, iss. 1, pp. 248–258. URL: Link
18. Jensen H.L. Using Neural Networks for Credit Scoring. Managerial Finance, 1992, vol. 18, iss. 6, pp. 15–26. URL: Link
19. West D. Neural Network Credit Scoring Models. Computers & Operations Research, 2000, vol. 27, issues 11–12, pp. 1131–1152. URL: Link00149-5
20. West D., Dellana S., Qian J. Neural Network Ensemble Strategies for Financial Decision Applications. Computers & Operations Research, 2005, vol. 32, iss. 10, pp. 2543–2559. URL: Link00069-3
21. Finlay S. Are We Modelling the Right Thing? The Impact of Incorrect Problem Specification in Credit Scoring. Expert Systems with Applications, 2009, vol. 36, iss. 5, pp. 9065–9071. URL: Link
22. Kamalloo E., Saniee Abadeh M. Credit Risk Prediction Using Fuzzy Immune Learning. Advances in Fuzzy Systems, 2014, vol. 2014, pp. 1–11. URL: Link
23. Dietterich T.G. Machine-Learning Research. AI Magazine, 1997, vol. 18, no. 4, p. 97. URL: Link
24. Huang Z., Chen H., Hsu C.-J. et al. Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study. Decision Support Systems, 2004, vol. 37, iss. 4, pp. 543–558. URL: Link00086-1
25. Zhu Y., Xie C., Wang G.-J., Yan X.-G. Comparison of Individual, Ensemble and Integrated Ensemble Machine Learning Methods to Predict China’s SME Credit Risk in Supply Chain Finance. Neural Computing and Applications, 2017, vol. 28, suppl. 1, pp. 41–50. URL: Link
26. Opitz D., Maclin R. Popular Ensemble Methods: An Empirical Study. Journal of Artificial Intelligence Research, 1999, vol. 11, pp. 169–198. URL: Link
27. Волкова Е.С., Гисин В.Б., Соловьев В.И. Современные подходы к применению методов интеллектуального анализа данных в задаче кредитного скоринга // Финансы и кредит. 2017. Т. 23. Вып. 34. С. 2044–2060. URL: Link
28. Широбокова М.А., Лётчиков А.В. Применение случайного леса выживаемости к динамической оценке кредитного риска // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. 2019. № 4. С. 113–118. URL: Link
29. Исаев Д.В. Динамическое ансамблевое обучение для оценки кредитоспособности // Инновации и инвестиции. 2022. № 3. С. 74–79. URL: Link
30. Широбокова М.А. Модель оценки риска дефолта на всем протяжении жизни кредита // Вестник Удмуртского университета. Серия: Экономика и право. 2018. Т. 28. Вып. 2. С. 228–233. URL: Link
31. Гришин А.А., Строев С.П. Разработка модели поведенческого скоринга с использованием методов градиентного бустинга // Научно-технический вестник Поволжья. 2018. № 9. С. 93–98. URL: Link
32. Дьяков О.А. Особенности применения методов Data Mining в скоринговых решениях для коммерческих банков // Научные записки молодых исследователей. 2017. № 3. С. 5–11. URL: Link
33. Carol Alexander, Yang Han, Xiaochun Meng. Static and Dynamic Models for Multivariate Distribution Forecasts: Proper Scoring Rule Tests of Factor-Quantile vs. Multivariate GARCH Models. International Journal of Forecasting, 2022. URL: Link
34. Jayanti D., Sadik K., Afendi F.M. Multivariate Generalized Autoregressive Score Model (Case Study: Vegetable Oils and Crude Oil Price Data). Journal of Physics: Conference Series, IOP Publishing, 2021, vol. 1863, no. 1, pp. 1–18. URL: Link
35. Schneider W. Systems of Seemingly Unrelated Regression Equations with Time Varying Coefficients – An Interplay of Kalman Filtering, Scoring, EM- and MINQUE-Method. Computers & Mathematics with Applications, 1992, vol. 24, issues 8–9, pp. 1–16. URL: Link90183-i
36. Bitto A., Frühwirth-Schnatter S. Achieving Shrinkage in a Time-Varying Parameter Model Framework. Journal of Econometrics, 2019, vol. 210, iss. 1, pp. 75–97. URL: Link
37. Chan J.C.C., Eisenstat E. Bayesian Model Comparison for Time-Varying Parameter VARs with Stochastic Volatility. Journal of Applied Econometrics, 2018, vol. 33, iss. 4, pp. 509–532. URL: Link
38. Kalli M., Griffin J.E. Time-Varying Sparsity in Dynamic Regression Models. Journal of Econometrics, 2014, vol. 178, no. 2, pp. 779–793. URL: Link
39. Orlando G., Pelosi R. Non-Performing Loans for Italian Companies: When Time Matters. An Empirical Research on Estimating Probability to Default and Loss Given Default. International Journal of Financial Studies, 2020, vol. 8, no. 4, p. 68. URL: Link
40. Aslan A., Poppe L., Posch P. Are Sustainable Companies More Likely to Default? Evidence from the Dynamics between Credit and ESG Ratings. Sustainability, 2021, vol. 13, no. 15, 8568. URL: Link
41. Orlova E.V. Methodology and Models for Individuals’ Creditworthiness Management Using Digital Footprint Data and Machine Learning Methods. Mathematics, 2021, vol. 9, no. 15, 1820. URL: Link
42. Moiseev N., Sorokin A., Zvezdina N. et al. Credit Risk Theoretical Model on the Base of DCC-GARCH in Time-Varying Parameters Framework. Mathematics, 2021, vol. 9, no. 19, 2423. URL: Link

Посмотреть другие статьи номера »