Модель линейной вероятности LP дает прогнозные значения, лежащие вне ин­тервала [0, 1]

Умение распознавать “плохие” кредиты считается наиболее важным качеством модели, т.к. неумение распознать “хорошие кредиты” и недополучение прибыли за счет процентов лучше, чем потеря всей суммы, выданной плохому заемщику. Logit, Probit модели распознают такие кредиты. Дискриминантный анализ распознает “плохие” кредиты лучше других методик на уровне 73,67%.

Кластерный анализ дал наихудшие результаты по распознаванию “плохих” кре­дитов.

Лучшей из всех представленных моделей по распознаванию “хороших” креди­тов является probit-полиномиальная многофакторная модель 1. Уровень распо­знавания составил 77.3%.

Так что для оценки качества кредита целесообразно использовать два алго­ритма: дискриминантный анализ для обнаружения “плохих” кредитов, и probit-полиномиальную многофакторную модель для “хороших” кредитов.

В результате анализа прозрачности методик для оценки кредитных рисков сделаны следующие выводы:

1. применяемые в настоящее время методики недостаточно прозрачны;

2. коммерческие банки испытывают сложности в приобретении (разработке) точных, робастных и прозрачных методик и соответствующих программных средств для оценки кредитных рисков физических и юридических лиц;

3. предлагаемые на рынке западные скоринговые методики и соответствующие программные средства для оценки кредитных рисков физических и юриди­ческих лиц и решения задачи резервирования имеют низкие точность, робастность и прозрачность;

4. необходима разработка более перспективных моделей и соответствующих программных средств для оценки кредитных рисков физических и юридиче­ских лиц, которые обладают существенными преимуществами по точности, робастности, прозрачности и возможности автоматизации анализа, оценки и управления рисками.

Кредитование юридических и физических лиц является одним из основных видов деятельности коммерческих и государственных крупных, средних и мелких банков. Каждый банк индивидуален, так как работает по различным технологи­ям, обслуживает различные сегменты рынка банковских услуг, ориентируется на различные стратегические задачи. Индивидуальности банков способствует также конкуренция.

Кредитный бизнес связан с риском. Условия кредитной деятельности изме­няются, изменяется также допустимый уровень риска. Кредитная деятельность адаптируется к условиям развивающейся экономики страны и уровню жизни ее населения.

Большое значение для обеспечения устойчивого функционирования банка име­ют методы количественной оценки и анализа кредитного риска. Цена за риск должна максимально точно учитывать величину риска каждого кредита. Кроме средней величины риска, определяемой по статистике предыдущей деятельности, банк должен знать количественную оценку и составляющие риска для каждого кредита.

Каждый банк разрабатывает свою модель риска для количественной оценки и анализа риска кредитов с учетом общих рекомендаций Базельского комитета по банковскому надзору. Чем выше точность оценки риска кредитов, тем меньше потери банка, меньше процент за кредит и выше конкурентоспособность банка. От повышения точности и прозрачности методик выигрывает все общество в целом.

Литература

[1] Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и стати­стика, 1989.

[2] Бююль А., Цефель П. SPSS: искусство обработки информации. Анализ ста­тистических данных и восстановление скрытых закономерностей: Пер.с нем. - СПб.: ООО “ДиаСофтЮП”, 2001. - 608с.

[3] Васютович А., Сотникова Ю. Рыночный риск: измерение и управление. Бан­ковские технологии.- 1998.- 1.

[4] Введение в управление кредитным риском. Прайс-Уотерхаус: 1994.

[5] Внутренняя методика определения категории финансового положения заемщика-эмитента. Решение Правления ОАО “ПСБ” от 4.08.2004.

[6] Головань СВ., Евдокимов М.А., Карминский А.М., Пересецкий А.А. Модели вероятности дефолта российских банков. Влияние макроэкономических фак­торов на устойчивость банков. Препринт 2004/043 Ч Российская экономиче­ская школа, 2004.

[7] Дубров А. М., Мхитарян В. С, Трошин Л. И. Многомерные статистические методы: Учебник. - М.: Финансы и статистика, 2000. - 352 с.

[8] Киселева И. А. Моделирование рисковых ситуаций: учебно-практическое по­собие. Евразийский открытый институт. - М.: МЭСИ, 2007.-102с.

[9] Колмогоров А. Н., Драганов А. Г. Введение в математическую логику. М.: МГУ, 1982

[10] Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. Дело, 2004.

[11] Маршал Дж. Ф., Бансал В. К. Финансовая инженерия. Полное руководство по финансовым нововведениям. М.: ИНФРА, 1998.

[12] Михайлов Л, Сычева Л, Тимофеев Е. Бан ковский кризис 1998 года в России и его последствия. М.: ИЭПП, 2000. Ч С. 40.

[13] Первозванский А. А., Первозванская Т. Н. Финансовый рынок: расчет и риск. М.: Инфра, 1994.

[14] Пересецкий А.А., Карминский А.М., А.Г.О. Ван Суст. Моделирование рей­тингов российских банков. Экономика и математические методы, 40(4), 2004. Ч С. 10425.

[15] Рябинин И. А. Надежность и безопасность структурно-сложных систем. СПб.: Политехника, 2000.

[16] Харин Ю.С., Малюгин В.И., Харин А.Ю. Эконометрическое моделирование. Минск, БГУ, 2003.

[17] Ширяев А. Н. Основы стохастической финансовой математики: в 2-х т.-М.: Фазис, 1998.

[18] Энциклопедия финансового риск-менеджмента. Под ред. А.А. Лобанова, А.В. Чугунова. Ч 2-е изд. М.: Альпина Бизнес Букс, 2006.

[19] Demirguc-Kunt A., Detragiache E. The determinants of banking crisis evidence from developing and developed countries. IMF Working Paper 97 .106. International money Fund, 1997.

[20] Greene W. Econometric Analysis. New York: Macmillan Publishing Company, 1993.

[21] Gonzalez-Hermosillo B., Determinants of ex ante banking system distress: A macro-micro empirical exploration of some recent episodes. IMF Working Paper 99. 33. International money Fund, 1999.

[22] Kaminsky G., LizondoS., Reinhart CM. The leading indicators of currency crises. IMF Staf Paper 6390. National Bureau of Economic research, 2000.

[23] Maddala G. S. Limited-dependent and qualitative variables in econometrics. Cambridge. 1991.

[24] Sahajwala R., Van der Bergh P. Supervisory risk assessment and early warning systems. Basel committee on banking supervision Working Paper. No. 4, December, 2000. 4 53 p

[25] Tornell A. Lending boom and currency crisis: Empirical Links. NBER Working Paper No. 7340. National Bureau of Economic Research, 1999.