Dynamiczne ujecie oceny ryzyka kredytowego - sas.com · Modele scoringowe Biura informacji...
Transcript of 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
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 2/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 3/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski 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
Zuzanna Karolak, SKN Business Analytics 4/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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
Zuzanna Karolak, SKN Business Analytics 5/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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
Zuzanna Karolak, SKN Business Analytics 6/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 7/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski 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
Zuzanna Karolak, SKN Business Analytics 8/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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
Zuzanna Karolak, SKN Business Analytics 9/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Model scoringowy
Zuzanna Karolak, SKN Business Analytics 10/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Model scoringowy
Zuzanna Karolak, SKN Business Analytics 11/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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.
Zuzanna Karolak, SKN Business Analytics 12/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 13/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski 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
Zuzanna Karolak, SKN Business Analytics 14/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Model analizy historii zdarzen
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
Zuzanna Karolak, SKN Business Analytics 15/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Episode splitting
Zuzanna Karolak, SKN Business Analytics 16/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Model analizy historii zdarzen
Rodzaj modelu
Model przezycia z dyskretn a zmienn a czasow a
(ang. discrete-time survival model)
Metoda estymacji
Zuzanna Karolak, SKN Business Analytics 17/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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)
Zuzanna Karolak, SKN Business Analytics 18/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Czynniki otoczenia gospodarczego
Wskazniki pochodz a z sektora realnego, rynku pieni eznego, rynku
obligacji, rynku walutowego oraz rynku akcji.
Zuzanna Karolak, SKN Business Analytics 19/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 20/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski 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).
Zuzanna Karolak, SKN Business Analytics 21/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Ocena i interpretacja wynikow
Zuzanna Karolak, SKN Business Analytics 22/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Ocena i interpretacja wynikow
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
Zuzanna Karolak, SKN Business Analytics 23/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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).
Zuzanna Karolak, SKN Business Analytics 24/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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.
Zuzanna Karolak, SKN Business Analytics 25/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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.
Zuzanna Karolak, SKN Business Analytics 26/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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.
Zuzanna Karolak, SKN Business Analytics 27/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Mozliwosci implementacji - SCIEZKA II
Analiza wrazliwosci hazardu na zmiany warunkow otoczenia
Zuzanna Karolak, SKN Business Analytics 28/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Plan:
1 Wprowadzenie
2 Model scoringowy
3 Uj ecie dynamiczne
4 Wyniki i wnioski
5 Podsumowanie
Zuzanna Karolak, SKN Business Analytics 29/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski 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
Zuzanna Karolak, SKN Business Analytics 30/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
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.
Zuzanna Karolak, SKN Business Analytics 31/32
Wprowadzenie Model scoringowy Uj ecie dynamiczne Wyniki i wnioski Podsumowanie
Dzi ekuj e za uwag e!
Zuzanna Karolak, SKN Business Analytics 32/32
WprowadzenieModel scoringowyUjecie dynamiczneWyniki i wnioskiPodsumowanie