Нейронные сети для заемщиков

Используя выборку одного из украинских банков и сложный математический аппарат, авторы попытались выяснить, к чему приводят неплатежи по розничным кредитам. Оказалось, что собираемых банками данных о заемщиках недостаточно для качественного прогнозирования дефолтов. А из имеющейся информации лишь часть годится для этой цели.

Проблема невыплат по кредитам стала основной для украинских банков с начала финансового кризиса. По данным Нацбанка, объем таких кредитов (это ccуды, просроченные более чем на 90 дней) увеличился почти в десять раз — с 10,655 млрд гривен в октябре 2008 года до 90,363 млрд гривен в декабре 2010-го. Их доля в общем кредитном портфеле с 1,7% стремительно выросла до 11,92%. Сейчас этот показатель постепенно снижается (8,9% на начало 2013 года).

Плохих кредитов было бы еще больше, если бы банки не начали позволять заемщикам реструктуризировать кредиты — менять валюту с иностранной на гривню, увеличивать срок или получать льготный период. Таких реструктуризаций было намного больше, чем дефолтов. По данным НБУ, по состоянию на 1 июля 2010 года финучреждения реструктуризировали 184 тыс. кредитов на общую сумму 217,5 млрд гривен (30,3% от портфеля). Эти кредиты хоть и выплачиваются, но всё равно оказывают существенное влияние на балансы банков.

Согласно постановлению НБУ (правда, отмененному с 1 декабря 2009 года), если доля дефолтных кредитов в финучреждении превышает десять процентов, центробанк вправе его оштрафовать, если 30% — ввести в него временную администрацию. Последняя мера была применена к 27 банкам. Примерно половине из этого числа удалось выжить, а вот 15 банков (их общие активы превышали 18 млрд гривен) были ликвидированы, включая 18-й по величине Укрпромбанк (десять миллиардов гривен активов). Еще три банка были спасены правительством, которое потратило на это 31,8 млрд гривен.

Выжившие финучреждения в течение трех лет еле сводили концы с концами — банковская система в целом демонстрировала убытки (совокупно за 2009–2011 годы они составили 51,8 млрд гривен, существенно превысив прибыль за все предыдущие годы). Лишь в прошлом году банкам удалось вернуться к прибыльной деятельности (4,9 млрд гривен). Однако прежние убытки привели к тому, что западные игроки начали покидать украинский рынок. Ярчайшим примером таких процессов стала продажа немецким Commerzbank банка «Форум» Вадиму Новинскому (см. «Великая банковская эмиграция»).

Однако старые проблемы отходят на задний план, и банки постепенно ослабляют кредитную политику. Количество финансовых учреждений, предлагающих розничные продукты, растет. Падают кредитные ставки и минимальные размеры первоначального взноса. Таким образом, возникают предпосылки, что кредитов будут давать больше. И не исключено, что страну ждет еще один кредитный пузырь. От того, как изменится оценка платежеспособности заемщиков, зависит, будет ли у нас опять рост дефолтов. Поэтому авторы решили изучить[1], какие именно микропроблемы в конечном итоге создают макропроблему.

Нам удалось получить очищенную от персональных данных выборку по розничным заемщикам одного украинского банка, входящего в десятку крупнейших. Она содержит 1348 наблюдений по автомобильным кредитам и 1821 — по ипотеке. База включают разнообразные характеристики как заемщика (возраст, пол, род занятий, доходы и т. д.), так и кредита (срок, сумма, валюта, процентная ставка и т. д.). Математический аппарат для обработки этих данных включал почти все известные в литературе модели оценки кредитных рисков, вплоть до нейронных сетей.

Как оказалось, почти трех десятков собираемых банком показателей не хватает для прогнозирования дефолтов. Коэффициент корреляции между баллом скоринговой системы и вероятностью неплатежа по кредиту составил всего пять–семь процентов, в зависимости от вида кредита. Впрочем, половина имеющихся показателей подтвердили свою пригодность для этой задачи. В первую очередь это первоначальный взнос, доля выплат по кредиту в доходах заемщика, объем, срок и тип кредита, род занятий и стаж, кредитная история, наличие, с одной стороны, активов, с другой — дополнительных обязательств (вроде кредитных карт).

Авторы добавили также два уникальных для Украины показателя, но важным оказался только один из них. Речь о типе кредита — с выплатой фиксированной доли тела и падающими процентами («стандартный») и с равной выплатой каждый месяц («аннуитет»). За рубежом так называемого стандартного типа вообще не существует. При этом модели показали: именно он повышает вероятность дефолта, хотя при фиксированном объеме кредита процентные выплаты меньше. Проблема оказалась в том, что до определенного момента в этом случае выплаты больше, и финансовый кризис пришел в нашу страну до наступления такого момента для многих заемщиков.

Вторым показателем, попавшим под подозрение, была валюта кредита. На начало октября 2008 года 63% розничных кредитов были номинированы в иностранной валюте. После того как национальная валюта ослабела по отношению к доллару США на 60%, гривневые выплаты по кредитам соответственно выросли. К сожалению, наши модели не показали, является ли валютный риск источником кредитного. Дело в том, что подавляющее число залоговых кредитов было выдано также в инвалюте.

Результаты исследования дают нам возможность рекомендовать регулятору принять определенные меры на уровне банковской системы в целом. Например, необходимо ввести минимальный размер первоначального взноса, стимулировать использование аннуитета и обязать все банки подавать данные о заемщиках в бюро кредитных историй. Возможно, стоит ввести лицензирование самих систем оценки рисков. Ведь не все западные подходы риск-менеджмента работают в наших условиях.

Однако с точки зрения методологии, наше исследование подтвердило выводы других ученых. Нейронные сети оказались наиболее точным методом прогнозирования дефолтов, хотя «чистые» экономисты не любят этот метод, называя его «черным ящиком». Действительно, этот подход не имеет никакого теоретического обоснования, да и полученные результаты сложно объяснить на словах. Тем не менее, описанная в литературе точность этого метода варьируется в пределах 71-100%, что превышает точность других моделей. Не зря нейронные сети используются многими американскими банками, а также платежными системами Visa и American Express.