Dynamiczne ujecie oceny ryzyka kredytowego - sas.com · Modele scoringowe Biura informacji...

Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie

Dynamiczne uj ecie oceny ryzyka kredytowego

z zastosowaniem analizy przezycia

Zuzanna Karolak

Druga Otwarta Konferencja Naukowa

Modelowanie dla Biznesu

18 listopada 2014

Zuzanna Karolak, SKN Business Analytics 1/32


Plan:

1 Wprowadzenie

2 Model scoringowy

3 Uj ecie dynamiczne

4 Wyniki i wnioski

5 Podsumowanie



Plan:

1 Wprowadzenie

2 Model scoringowy


4 Wyniki i wnioski

5 Podsumowanie



Wprowadzenie

Co determinuje fakt niesp lacenia zobowi

azania przed kredyto-

biorce?

Charakterystyki Klienta

Wiek

Zawod

Wykszta lcenie

Czynniki ekonomiczne

Stopa procentowa

Kondycja branzy

Poziom bezrobocia



Wprowadzenie

Aktualne rozwi

azanie

Ocena wiarygodnosci kredyto-

wej:

Modele scoringowe

Biura informacji kredytowej

Ocena kondycji otoczenia gospodar-

czego:

Testy warunkow skrajnych

Ocena ryzyka kapita lowego rynkowego

i operacyjnego a takze ryzyka p lynno-

sci i systemowego

Prognozy makroekonomiczne



Wprowadzenie

Proponowane rozwi

azanie

Ocena wiarygodnosci kredytowej w kontekscie obecnej i oczekiwanej

kondycji otoczenia gospodarczego:

Model dynamiczny analizy historii zdarzen z czynnikami makroekonomicz-

nymi i finansowymi podlegaj acymi zmianom w czasie



Plan:

1 Wprowadzenie

2 Model scoringowy


4 Wyniki i wnioski

5 Podsumowanie



Model scoringowy

Tradycyjne narz edzie oceny wiarygodnosci kredytowej wykorzystu-

j ace informacje demograficzne, dane z biur informacji kredytowych,

zmienne behaworalne

Cel: klasyfikacja, model roznicuje Klientow

Zroznicowanie mozna prze lozyc na ocen e ryzyka przy za lozeniu nie-

zmiennosci populacji (najcz esciej 12-miesi eczne okno obserwacji)

Statycznosc modelu: destabilizacja sytuacji gospodarczej, cykl ko-

niunkturalny



Model scoringowy

Najcz esciej wykorzystywan a technik a modelowania scoringowego jest

regresja logistyczna (metoda parametryczna, intuicyjna, lawa w inter-

pretacji)

Implementacja w postaci karty scoringowej

Kategoryzacja zmiennych ci ag lych i modelowanie na transformatach

Weight of Evidence (WoE) reprezentuj acym poziom ryzyka w danej

kategoriiW l aczenie czynnikow o charakterze ekonomicznym do modelu jestniemozliwe

Niska wartosc informacyjna i moc dyskryminacyjna tych zmiennych

Niemonotoniczne grupowanie niezgodne z oczekiwaniami



Model scoringowy



Model scoringowy



Model scoringowy

W wyniku modelu regresji logistycznej otrzymujemy prawie sta le w czasie sred-

nie prawdopodobienstwo defaultu, co swiadczy o stabilnosci modelu i jest cech a

poz adan a. Z drugiej strony nie oddaje zmian ryzyka na rynku powoduj ac nie-

optymalnosc dopasowania do koniunktury rynkowej.



Plan:

1 Wprowadzenie

2 Model scoringowy


4 Wyniki i wnioski

5 Podsumowanie



Model analizy historii zdarzen

Istota: badanie wyst epowania zjawisk w czasie

(Banasik, J., Crook J., Thomas, L., 1999. Not if but when will

borrowers default.)

Geneza: biostatystyka i statystyka aktuarialna

Jedna metoda, rozne obliczaMetoda znalaz la zastosowanie w roznych dziedzinach:

Medycyna, statystyka aktuarialna, demografia

Ekonomia, nauki spo leczne

Ubezpieczenia

Marketing, CRM

Finanse i bankowosc




Rodzaj danych

Dane panelowe

Proba ocenzurowana lub uci eta (warunek: charakter nieinformacyjny)

Istota dynamiki modelu

W l aczenie do modelu zmiennych zaleznych od czasu

Prawdopodobienstwo zmienia si e w czasie

Episode splitting



Episode splitting




Rodzaj modelu

Model przezycia z dyskretn a zmienn a czasow a

(ang. discrete-time survival model)

Metoda estymacji



Zrod lo danych

W przeprowadzonym badaniu wykorzystano dwie grupy informacji:

Rzeczywiste szeregi czasowe ryzyka kredytowego, wskaznikow makroeko-

nomicznych i zmiennych finansowych

Symulacyjne dane kredytowe (Przanowski, 2013, 2014)



Czynniki otoczenia gospodarczego

Wskazniki pochodz a z sektora realnego, rynku pieni eznego, rynku

obligacji, rynku walutowego oraz rynku akcji.



Plan:

1 Wprowadzenie

2 Model scoringowy


4 Wyniki i wnioski

5 Podsumowanie



Ocena i interpretacja wynikow

Wykorzystano rozne formu ly zaleznosci czasowej:

(t) = {t, t + t2, ln(t), ln(t) + ln2(t)}

Wyboru modelu dokonano na podstawie:

kryterium informacyjnego Akaike

bayesowskiego kryterium Schwarza

testu ilorazu wiarygodnosci

Stwierdzono popraw e jakosci dopasowania po dodaniu do mo-

delu czynnikow makroekonomicznych. Wskazuje na to istotna

statystycznie roznica w wartosci funkcji wiarygodnosci. Jest to

dowod na wartosc informacyjn a tych czynnikow w modelu ana-

lizy przezycia (w przeciwienstwie do regresji logistycznej).







Wzrost stopy procentowej o 1 pp. skutkuje, wzrostem hazardu o 30%

Wzrost rentownosci obligacji o 1 pp. powoduje spadek hazardu o 13%

Zmienna bezrobocia wykazuje niski, ale istotny wp lyw na wskaznik hazardu:

wzrost o 1 pp. powoduje wzrost ryzyka o ok. 3%

Wzrost premii za ryzyko na rynku depozytow mi edzybankowych o 1 pp.

jest zwi azana ze wzrostem hazardu o 19%

Kursy walutowe oraz zmiennosc na rynku akcji okaza ly si e takze istotnymi

czynnikami prognozuj acymi ryzyko



Funkcja hazardu

Dokonano analizy przebiegu wyst epowania zdarzen w czasie. W tym celu zbudowano

nieparametryczny model przezycia, bez kontroli czynnikow. Hazard jest funkcj a silnie

rosn ac a w pocz atkowych miesi acach zycia produktu osi agaj ac maksimum w szostym

miesi acu. Nast epnie tempo zmienia si e przyjmuj ac kolejne maksimum lokalne w 24 mie-

si acu. Ma to zwi azek z czasem zycia produktu i jego zapadalnosci a. Takie kszta ltowanie

si e krzywej jest zbiezne z wynikami osi aganymi w literaturze (Bellotti, Crook 2013).



Mozliwosci implementacji

Zaletami wykorzystania modeli historii zdarzen w analizie ryzyka kre-dytowego mog a byc:

1 Wykonanie predykcji defaultu na dowolny okres zycia produktu2 Mozliwosc oszacowania kszta ltowania si e sciezki hazardu takze w za-

leznosci od przyj etego scenariusza zmian otoczenia gospodarczego

Te dwa atuty przedstawiaj a dwie mozliwe sciezki wykorzystania mo-

delu.



Mozliwosci implementacji - SCIEZKA I

Predykcja na poziomie kazdego klienta

Zastosowanie scoringowe, celem jest podj ecie decyzji kredytowej

Konieczna prognoza wartosci czynnikow makroekonomicznych i finanso-

wych na okres predykcji (transfer niepewnosci na otoczenie gospodarcze)

Wykorzystuj ac empiryczn a wartosc funkcji dozycia wyznaczono 12 mie-

si eczne PD. Default rate jest lepiej dostosowany do ryzyka na rynku niz w

przypadku modelu regresji logistycznej.



Mozliwosci implementacji - SCIEZKA II

Analiza wrazliwosci hazardu na zmiany warunkow otoczenia

Umieszczaj ac w modelu wartosci szeregow czasowych odpowiadaj ace poz a-

danym scenariuszom mozna przeprowadzac swoiste testy warunkow skraj-

nych na poziomie mikroekonomicznym.

Klienci o konkretnych charakterystykach mog a wykazywac rozn a wrazliwosc

na zmieniaj ace sie warunki otoczenia. Mozna uwzgl ednic to bezposrednio

w strukturze modelu za pomoc a interakcji.

Potwierdzenie tego faktu mozna znalezc w roznym kszta ltowaniu si e wskaz-

nikow DR w czasie kryzysu, w zaleznosci od oceny punktowej, a w szcze-

golnosci ich rozna zmiennosc.



Mozliwosci implementacji - SCIEZKA II

Analiza wrazliwosci hazardu na zmiany warunkow otoczenia



Plan:

1 Wprowadzenie

2 Model scoringowy


4 Wyniki i wnioski

5 Podsumowanie



Podsumowanie

Analiza przezycia jest nie tylko alternatyw a dla regresji logistycznej

w ocenie wiarygodnosci kredytowej, ale daje nowe mozliwosci:

Wprowadzenie czynnikow otoczenia gospodarczego do modelu

Uchwycenie indywidualnej wrazliwosci klientow na zmiany sy-

tuacji gospodarczej

Model umozliwia przeprowadzenie analiz scenariuszowych

Bada ryzyko klientow w horyzoncie czasowym

Umozliwia dostosowanie apetytu na ryzyko banku do ryzyka

rynkowego -> optymalizacja



Lieratura

1 Allison, P., 1982. Discrete-Time Methods for the Analysis of Event Histories.

Sociological Methodology, Vol. 13, s. 61-98.

2 Allison, P., 2010. Survival Analysis Using SAS R: A practical Guide, Second Edi-tion. Cary, NC: SAS Institute Inc.

3 Banasik, J., Crook J., Thomas, L., 1999. Not if but when will borrowers default.

Journal of the Operational Research Society, Vol. 60, No. 12.

4 Bellotti, T., Crook, J., 2009. Credit scoring with macroeconomic variables using

survival analysis. Journal of the Operational Research Society, 60, s. 1699-1707.

5 Cox, D., 1975. Partial Likelihood. Biometrika, No. 62, s. 269-276.

6 Fr atczak, E., Sienkiewicz, U., Babiker, H., 2009. Analiza Historii Zdarzen: Ele-

menty teorii, wybrane przyk lady zastosowan. Oficyna Wydawnicza SGH, War-

szawa.

7 Klein, J., Moeschberger, M., 2003. Survival Analysis Techniques for Censored and

Truncated Data, Second Edition. Sprnger.

8 Kleinbaum, D., Klein M., 2005. Survival Analysis: A Self-Learning Text, Third

Edition. Springer.

9 Przanowski, K., 2014. Credit Scoring w erze Big Data. Oficyna Wydawnicza SGH,

Warszawa.



Dzi ekuj e za uwag e!


WprowadzenieModel scoringowyUjecie dynamiczneWyniki i wnioskiPodsumowanie

Dynamiczne ujecie oceny ryzyka kredytowego - sas.com · Modele scoringowe Biura informacji...

Documents

Transcript of Dynamiczne ujecie oceny ryzyka kredytowego - sas.com · Modele scoringowe Biura informacji...