Transcript Deductor Credit Scorecard Modeler

Deductor Credit
Scorecard
Modeler
Скоринг: актуальность проблемы
Потребность в скоринге на финансовых
рынках вызвана двумя важными факторами:
 Конкуренция среди банков требует
повышения скорости принятия решений
о выдаче кредита при сохранении
приемлемого уровня рисков.
 Для удовлетворения требований
регуляторов необходима
формализованная система управления
банковскими рисками.
BaseGroup Labs
Задачи и их решения
Построение скоринговой системы делится на
две подзадачи:
 Разработка скоринговых карт;
 Построение кредитного конвейера.
Разработка и поддержка скоринговых карт –
трудоемкая задача, требующая применения
специализированных инструментов,
позволяющих автоматизировать рутинные
процедуры риск-аналитика: от анализа
портфеля до мониторинга скоринговых карт.
BaseGroup Labs
Недостатки типовых решений
Применение подручных средств для
разработки скоринговых карт приводит к
появлению «зоопарка» IT-систем.
Недостатки подобного подхода очевидны:
 Отсутствие единого источника данных
 Кодирование формул в разных системах
 Разрозненная отчетность
 Ручной ввод данных
 Отсутствие версионности моделей
BaseGroup Labs
Deductor – аналитическая платформа
Решение Credit Scorecard Modeler построено
на платформе Deductor. Оно позволяет
автоматизировать весь процесс создания
скоринговых карт: от подготовки данных до
моделирования и формирования отчетности.
Deductor поддерживает полный спектр
технологии анализа данных: Data Warehouse,
ETL, OLAP, Knowledge Discovery in Databases
и Data Mining.
BaseGroup Labs
Deductor Credit Scorecard Modeler
Хранилище данных
для скоринговых
выборок и моделей
АНАЛИТИЧЕСКАЯ
ПЛАТФОРМА
ХРАНИЛИЩЕ
ДАННЫХ
СЦЕНАРИИ
ОБРАБОТКИ
BaseGroup Labs
Deductor
Credit
Scorecard
Modeler
Поддержка всего
цикла разработки и
выбора
скоринговых карт
Готовый набор
графиков и отчетов
Полный цикл разработки скоринговой карты
Подготовка
скоринговой
выборки
Анализ жизненных
циклов счетов
Сэмплинг
Добавление в
выборку отказов
(Reject Inference)
Моделирование и
калибровка
(предварительная
скоринговая карта)
Двумерный анализ
(только
одобренные)
Перестройка карт
с учетом отказов
(окончательная
скоринговая карта)
Сравнение
качества карт и
выбор
оптимальной
Тестовая
эксплуатация и
мониторинг
BaseGroup Labs
Шаг 1: Подготовка скоринговой выборки
В готовое хранилище данных загружаются:
 предочищенные выборки: портфели кредитов с
характеристиками, атрибутами и датами
выдачи;
 просрочки: 30, 60, 90, 120+ по каждому периоду
жизненного цикла счета;
 флаги счетов: закрытые, списанные договора
Структура хранилища
преднастроена,
необходимо только
загрузить данные
BaseGroup Labs
Шаг 2: Анализ счетов – винтажный анализ
Винтажный анализ (Vintage analysis) – исследование
счетов по поколениям: кредитный портфель
разбивается по дате выдачи на поколения кредитов,
а затем рассчитывается накопительная сумма потерь
отдельных поколений счетов.
Счет становится
«зрелым» через 11-13
периодов (месяцев) с
момента выдачи
BaseGroup Labs
Шаг 2: Анализ счетов – матрица миграции
Метод миграции просрочек (Roll-Rate Matrix) нужен
для проверки гипотезы о корректности выбора
критериев определения плохого заемщика.
60% счетов, попавших в
1-й год в 60+, уйдут в
дефолт и во 2-м году
Это хорошо
видно на
графике
BaseGroup Labs
Шаг 3: Сэмплинг
Сэмплинг выполняет 2 функции:
 Разбиение на рабочее и тестовое множества
 Undersampling – баланс плохих/хороших счетов
Исходная выборка
Разбиение на
множества
Undersampling
BaseGroup Labs
100%
Рабочее –
70%
Плохие –
100%
Хорошие –
40%
Тестовое –
30%
Без
изменений
Шаг 4: Двумерный анализ – атрибуты
Двумерный анализ (Bivariate analysis) предназначен
для оценки значимости каждого атрибута счета и
исключения слабых и/или нелогичных.
Предсказательная сила атрибута оценивается с
помощью показателя WoE (Weight of Evidence).
Заемщики моложе 25 лет
имеют самый высокий риск
оказаться в числе должников
BaseGroup Labs
Шаг 4: Двумерный анализ – характеристики
При расчете предсказательной силы характеристики
в целом значения WoE для каждого атрибута
агрегируются в индекс IV (Information Value).
Жилье и пол не оказывают
влияния на шансы стать
плохим заемщиком
BaseGroup Labs
Шаг 4: Двумерный анализ – квантование
Классическая скоринговая карта состоит только из
категориальных атрибутов, поэтому необходимо
провести квантование. При этой операции аналитик
ищет компромисс между точностью,
интерпретируемостью и значимостью.
1-й вариант квантования
предпочтительнее
BaseGroup Labs
Шаг 5: Моделирование – расчет
Для расчета будущих баллов скоринговой карты
используется логистическая регрессия. На данном
шаге важно получить статистически значимую
модель.
Коэффициенты
модели –
будущие
скоринговые
баллы
BaseGroup Labs
Шаг 5: Моделирование – калибровка
Калибровка – это превращение модели логистической
регрессии в скоринговую карту:
 Масштабирование – перевод коэффициентов в
баллы (по умолчанию в стандарт FICO);
 Внесение поправки на априорные вероятности.
Баллы скоринговой
карты
BaseGroup Labs
Шаг 6: Reject Inference – учет отказов
Наличие отказанных заявок может улучшить качество
скоринговой карты, так как при расчете баллов будут
учтены отклоненные аппликанты (Reject Inference).
Скоринговый балл для отказанных заявок с
использованием предварительной карты
Определение статуса счета методами Reject
Inference: Hard Cut-Off, Random Parceling
Пополнение скоринговой выборки отказами
Повторное моделирование
Перекалибровка скоринговой карты
BaseGroup Labs
Шаг 7: Оценка качества скоринговой карты
Для оценки качества скоринговой карты разработан
набор отчетов и графиков. Для основных метрик
качества приводятся рекомендуемые значения в
зависимости от типа скоринговой карты: анкетная,
поведенческая или коллекторская.
BaseGroup Labs
Шаг 7: Качество карты – индекс GINI
Плохие
Gini = B / (A + B)
Хорошие
100%
Доля от всех плохих
A Отличные
прогнозы
B
Скоринговая
карта
Диагональная линия
соответствует
случайному угадыванию
100%
Плохие
Хорошие
Портфель, упорядоченный по баллу карты
BaseGroup Labs
Индекс Джини
является
интегральной
характеристикой,
позволяющей
судить о
прогностической
силе скоринговой
карты.
Шаг 7: Качество карты – Статистика K-S
Статистика Колмогорова-Смирнова (K-S) – это
максимальное расстояние между функциями
распределения по баллу хороших и плохих.
100
90
80
70
60
K-S
50
40
30
20
10
0
300
350
400
450
500
550
Плохие %, кумулятивный
BaseGroup Labs
600
650
700
750
800
Хорошие %, кумулятивный
850
900
Шаг 7: Выбор лучшей скоринговой карты
После Reject Inference сравнивают 2 скоринговые
карты: первоначальную и с учетом отказов. Из них
выбирается лучшая.
В хранилище может
быть загружено
несколько версий
скоринговых карт
Лучшая карта
вводится в
эксплуатацию
BaseGroup Labs
Шаг 8: Тестовая эксплуатация и мониторинг
Интеграция в
кредитный конвейер не
входит в состав
данного решения
Заявки
Скоринг
Выдача
кредитов
Регулярный мониторинг
и перекалибровка карт,
возможность «горячей»
замены карт
BaseGroup Labs
Ключевые преимущества
Deductor Credit Scorecard Modeler позволяет:
 в 5-6 раз сократить трудозатраты рисканалитиков за счет автоматизации процедур
 получать готовые отчеты на всех этапах
разработки скоринговой карты
 адаптировать решение без привлечения
программистов, в т.ч. методами Data Mining
 поддерживать версионность скоринговых карт
 интегрировать скоринговые карты с системой
принятия решений по заявкам
 понимать анализ на глубоком уровне,
благодаря учебному курсу по скорингу.
BaseGroup Labs
Подготовка к Базелю II
Базель II предоставляет банкам возможность
использовать внутренние рейтинги при
расчете достаточности капитала для
покрытия кредитных рисков.
Кредитный скоринг позволяет оценить
вероятность дефолта контрагента (PD),
рассчитать ожидаемые (EL) и неожидаемые
(UL) потери и выполнить требования Базель
II: провести четкое разграничение рисков и их
точное количественное выражение.
BaseGroup Labs
Выполнение требований Базель II
Deductor Credit Scorecard Modeler – инструмент,
позволяющий соблюдать минимальные
требования Базель II в части кредитных рисков:
 Скоринговый балл как количественная
оценка риска заемщика и транзакции
 Обоснование рейтинговых критериев на
базе статистики кредитов
 Регулярный пересмотр и корректировка
рейтингов благодаря поддержке полного
цикла моделирования скоринговой карты,
анкетному и поведенческому скорингу
BaseGroup Labs
Проектный опыт
На базе Deductor в банках и финансовых
организациях реализовано множество
проектов, автоматизирующих скоринг и
принятие решений о выдаче кредитов:
BaseGroup Labs
BaseGroup Labs
BaseGroup Labs – профессиональный
поставщик Data Warehouse, OLAP, KDD, Data
Mining решений и инструментов.
Web-сайт:
Образование:
E-mail:
BaseGroup Labs
www.basegroup.ru
edu.basegroup.ru
[email protected]