Застосування скорингу для моніторингової функції кредитного реєстру центрального банку
DOI:
https://doi.org/10.18523/2519-4739.2021.6.1.73-83Ключові слова:
кредитний ризик, кредитний реєстр, центральний банк, скорингАнотація
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
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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Vladyslav Filatov, Аndriy Kaminsky
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
a) Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
b) Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
с) Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
