Застосування скорингу для моніторингової функції кредитного реєстру центрального банку

Автор(и)

  • Vladyslav Filatov Національний банк України, Ukraine
  • Аndriy Kaminsky Національний університет «Києво-Могилянська академія», Ukraine

DOI:

https://doi.org/10.18523/2519-4739.2021.6.1.73-83

Ключові слова:

кредитний ризик, кредитний реєстр, центральний банк, скоринг

Анотація

У 2018 р. було створено Кредитний реєстр Національного банку України, базовими функціями якого є моніторинг кредитної системи та обмін кредитною інформацією між банками. Основна мета роботи полягала в обґрунтуванні скорингового підходу до реалізації моніторингової функції та побудови скорингу на основі даних реєстру. Цей підхід у статті розглянуто в сегменті фізичних осіб, інформація про кредитування яких передається до реєстру.
Першим кроком для досягнення мети дослідження було застосовано процедури Data Mining. Побудовано статистично значущу вибірку, до якої застосовано процедури «очищення» даних щодо викидів та технічних помилок. Другим кроком ідентифіковано бінарну змінну «дефолт» та сукупність характеристик, які можуть бути використані під час побудови скорингу. Третім кроком проведено комплексний аналіз пояснювальних характеристик методами кореляційного аналізу та поетапної селекції (stepwise selection). Проведено тестування нелінійного зв’язку між характеристиками та здійснено оцінку їх інформаційної значущості. Сформовано сукупність значущих характеристик, до якої увійшли такі характеристики, як строк кредиту, відсоткова ставка, підтверджений і непідтверджений дохід тощо. На цій основі здійснено побудову скорингів за допомогою різних методів. Зокрема, застосовано методи логістичної регресії та машинного навчання. Аналіз результатів показав, що застосування методу Extreme Gradient Boosting Trees дає кращі результати скорингового оцінювання кредитів. Зокрема, спостерігаються менші значення середнього квадратичного відхилення та більші значення коефіцієнта детермінації.
Незважаючи на вищу ефективність одного з методів, автори рекомендують використовувати обидва методи для більш повного і ґрунтовного аналізу досліджуваної проблеми. З допомогою методу логістичної регресії можна оцінити залежність між залежною змінною та характеристиками, доступними в реєстрі. З іншого боку, метод Extreme Gradient Boosting Trees ефективніший для побудови саме скорингової моделі, яка пропонується в роботі для здійснення функції інтегрального моніторингу.
Результатами проведеного дослідження є: 1) оцінка значущості даних Кредитного реєстру для здійснення макропруденційного моніторингу; 2) побудований скоринг інтегральної оцінки якості кредитів, ефективність якого визначено компаративним аналізом при застосуванні різних методів побудови.

JEL classіfіcatіon: G21

Біографії авторів

Vladyslav Filatov, Національний банк України

Філатов Владислав Юрійович – аспірант кафедри фінансів Національного університету «Києво-Могилянська академія», головний економіст Національного банку України

vladyslav.filatov@ukma.edu.ua

Аndriy Kaminsky, Національний університет «Києво-Могилянська академія»

Камінський Андрій Борисович – доктор економічних наук, професор кафедри фінансів Національного університету «Києво-Могилянська академія», професор кафедри економічної кібернетики Київського національного університету імені Тараса Шевченка

a.kaminsky@ukma.edu.ua

Посилання

Bacham, D., & Zhao, J. (2017). Machine Learning: challenges, lessons, and opportunities in credit risk modeling. Moody’s Analytics Risk Perspectives, 9, 30–35.

Bank of England, Financial Conduct Authority. (2019). Machine learning in UK financial services.

Beeravalli, V. (2018). Comparison of Machine Learning Classification Models for Credit Card Default Data. https://medium.com/@vijaya.beeravalli/comparison-of-machine-learning-classification-models-for-credit-card-default-data-c3cf805c9a5a.

Bennardo, A., Pagano, M., & Piccolo, S. (2015). Multiple bank lending, creditor rights, and information sharing. Review of Finance, 19, 519–570.

Berger, A. N., Scott Frame, W., & Ioannidou, V. (2011). Tests of ex ante versus ex post theories of collateral using private and public information. Journal of Financial Economics, 100(1), 85–97.

Biecek, P., Chlebus, M., Gajda, J., Gosiewska, A., Kozak, A., Ogonowski, D., Sztachelski, J., & Wojewnik, P. (2021). Enabling Machine Learning Algorithms for Credit Scoring--Explainable Artificial Intelligence (XAI) methods for clear understanding complex predictive models. arXiv preprint arXiv:2104.06735.

Bos, J. W., De Haas, R., & Millone, M. (2016). Show me yours and I’ll show you mine: sharing borrower information in a competitive credit market. BAFFI CAREFIN Centre Research Paper, 2015-8.

Brownlee, J. (2019). XGBoost With Python. Machine Learning Mastery.

Dietsch, M., & Welter-Nicol, C. (2014). Do LTV and DSTI caps make banks more resilient? Débats économiques et financiers, 13, Banque de France ACPR.

Doko, F., Kalajdziski, S., & Mishkovski, I. (2021). Credit Risk Model Based on Central Bank Credit Registry Data. Journal of Risk and Financial Management, 14(3), 138. https://doi.org/10.3390/jrfm14030138

Gareth, J., Witten, D., Hastie, T., & Tibshirani, R. (2014). An Introduction to Statistical Learning: With Applications in R. Springer Publishing Company, Incorporated.

Hurvich, C. M., & Tsai, C. L. (1990). The impact of model selection on inference in linear regression. American Statistician, 44, 214–217.

Kaminsky, A. (2013). Genesis and Structure of Credit Bureaus System in Ukraine. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 9(151), 31–34. http://dx.doi.org/10.17721/1728-2667.2013/151-10/7 [in Ukrainian].

Kaminsky, A. (2015). Credit bureau benchmarking as a tool for estimation of a bank’s position at the market. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 1(166), 60–64. http://dx.doi.org/10.17721/1728-2667.2015/166-1/8

Kaminsky, A., & Pysanets, K. (2012). Scoring Technologies in Credit Risk-Management. Business Inform, 4, 197–201. https://www.business-inform.net/export_pdf/business-inform-2012-4_0-pages-197_201.pdf [in Ukrainian].

Klimowicz, A., & Spirzewski, K. (2021). Concept of peer-to-peer lending and application of machine learning in credit scoring (No. 2021-04).

Konečný, T., Plašil, M., Rusnák, M., & Řežábek, P. (2015). Use of the Czech Central Credit Register for Financial Stability Purposes, Czech National Bank Financial Stability Report 2014/2015.

Law of Ukraine No. 2277-VIII. (2018). On Amendments to Certain Laws of Ukraine on Establishing and Maintaining of the Credit Register of the National Bank of Ukraine and Improving Credit Risk Management of Banks. https://zakon.rada.gov.ua/laws/show/2277-19#Text

National Bank of Ukraine. (2021). Loan Portfolio Quality (NPLs). Dashboard of Financial Stability Indicators. https://bank.gov.ua/en/stability/npl

Siddiqi, N. (2012). Credit risk scorecards: developing and implementing intelligent credit scoring (Vol. 3). John Wiley & Sons.

Uluc, A., & Wieladek, T. (2015). Capital requirements, risk shifting and the mortgage market. Bank of England working papers 572.

##submission.downloads##

Опубліковано

2021-07-30

Як цитувати

Filatov, V., & Kaminsky А. (2021). Застосування скорингу для моніторингової функції кредитного реєстру центрального банку. Наукові записки НаУКМА. Економічні науки, 6(1), 73–83. https://doi.org/10.18523/2519-4739.2021.6.1.73-83