В практике существует два основных метода оценки риска кредитования, которые могут применяться как в отдельности, так и в объединении один из одним: субъективный вывод экспертов или кредитных инспекторов; автоматизированные системы скорингу.

Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории предыдущих клиентов банк старается определить вероятность своевременного возвращения кредита конкретным заемщиком[19,21].

В данное время скоринг стаэ все более популярным не тыльки при оцынцы риска при разных видах кредита, но и в других областях: маркетинга (для определения вероятности, которая именно эта группа клиентов будет пользоваться этим видом продукции), при работе с должниками (если клиент задерживается с очередным платежом, который метод влияния будет наиболее эффективным), при выявленные мошенничества с кредитными карточками, при определенные вероятности перехода клиента к конкуренту и т.п

В западной банковской системе когда лицо обращается за кредитом, банк может располагать такой информацией для анализа:

- анкета, которую заполняет заемщик;

- информация о заемщике из кредитного бюро - организации, в которой сохраняется кредитная история всего взрослого населения страны;

-данные движений по счетам, если речь идет об уже действующего клиента банка.

Кредитные аналитики оперируют такими понятиями: «характеристики» клиентов (в математической терминологии - сменные, факторы) и «признака» - значения, которые принимает сменная. Если вообразить себе анкету, которую заполняет клиент, то характеристиками есть вопрос анкеты (возраст, роде шей состояние, профессия), а признаками - ответа на эти вопросы.

В простейшем виде скорингова модель представляет собой взвешенную сумму определенных характеристик. В результате выходит интегральный показатель (score ), чем он высший, тим высшая надежность клиента, и банк может классифицировать своих клиентов за уровнем возрастания кредитоспособности.

Интегральный показатель каждого клиента сравнивается с числовым порогом или линией распределения, которое, в сущности говоря, есть линией безубыточности и рассчитывается из отношение, сколько в средних нужно клиентов, которые своевременно платят, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии не выдается.

Скоринг выделяет характеристики, которые наиболее связанные с ненадежностью, или наоборот, с надежностью клиента. Неизвестно ли возвратит заемщик кредит, но поскольку в прошлом лица такого возраста и профессии, с таким самым уровнем доходов не возвращали кредит, то клиенту, который отвечает этим характеристикам кредит не дадут[18,34].

В этом состоит дискриминационный (не в статистическому, а в социальном значении этого слова) характер скорингу, то есть если лицо за формальными признаками близкое к группе с плохой кредитной историей, то кредита ей не дадут. Поэтому даже при очень высокому равные использования автоматизированных систем скорингу происходит субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, которая доказывает, что лицо классифицированная как ненадежная и наоборот.

Что есть важнейшим для прогнозирования кредитного риска? В Большой Британии чаще всего используются такие характеристики: возраст; количество детей; профессия; профессия мужчины (жены); доход; доход мужчины (жены); район проживания; стоимость жилья; наличие телефона; сколько лет проживает по указанному адресу; сколько времени работает на указанном месте работы; сколько лет есть клиентом банка; наличие кредитной карточки/чековой книжки.

В других странах набор характеристик, которые наиболее тесно связанные с вероятностью дефолта - вероятностью, что заемщик не возвратит кредит или задержится с выплатой, будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородная популяция клиентов, на которой разрабатывается модель, тем точніше прогнозирование дефолта. Поэтому очевидно, что нельзя автоматически перенести модель с одной страны в другую или с одного банка в другого. Даже внутри одного банка существуют разные модели для разных групп клиентов и разных видов кредита.

Чтобы иметь возможность сравнивать клиентов с разными признаками и принимать решение о кредитование не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая разрешит оценить, какая информация есть важной, а на которую можно не обращать внимания[14].

С целью построения модели сначала создается выборка клиентов кредитной организации, о которые уже известно, красивыми заемщиками они себя зарекомендовали или нет, иногда такая выборка называется «учебной». Она может варьироваться от нескольких тысяч к сотне тысяч, которая не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов. Выборка подразделяется на две группы: «красивые» и «плохие» риски. Это оправданно в том смысле, что банк при принятии решения о кредитование на первом этапе решает: предоставлять кредит или нет. При всей условности определений «красивый»/ «плохой», это именно те сроки, которые используются кредитными аналитиками.

Определения «плохого» риска может быть разной в зависимости от политики банка, в Западной Европе «плохим» риском считается клиент, который задерживается с очередной выплатой на трех месяцы. Иногда к «плохому» риску относятся клиенты, которые слишком рано возвращают кредит, и банк не успевает ничего на них заработать.

Таким образом, скоринг представляет собой классификационная задача, где исходя из имеющейся информации необходимо получить функцию, которая наиточнее разделяет выборку клиентов на «плохих» и «красивых».

Но предварительно необходимо превратить имеющуюся информацию в форму, которая поддается анализу. Существует два основных подхода, которые пригодные для работы как с количественными, так и с качественными характеристиками:

1.Превратить каждый признак в отдельную двойную сменную. Этот подход неудобный потому, что приводит к большому количеству сменных, хотя он не навязывает дополнительных отношений между зависимыми и независимыми сменными.

2.Превратить каждую характеристику в сменную, которая будет принимать значения, которые отвечают отношению количества «плохих» клиентов с данным признаком к количеству «красивых» клиентов с этим же признаком. Более осложненный вариант - взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, которая отвечает уровню его «рискованности».

Методы собственно классификации очень разнообразные и содержат в себе:

- статистические методы, основанные на дикримінантному анализе (линейная регрессия, логистична регрессия);

- разные варианты линейного программирования;

- «дерево» классификации или рекурсійно - партиційний алгоритм (РПА);