Дипломная работа: Споживче кредитування та його розвиток в Україні

Лінійне програмування також приводить до лінійної скорингової моделі. Провести абсолютно точну класифікацію на поганих і гарних клієнтів неможливо, але бажано звести помилку до мінімуму. Задачу можна сформулювати як пошук вагових коефіцієнтів, для яких помилка і буде мінімальною.

Дерево класифікації і нейронні мережі являють собою системи, що розділяють клієнтів на групи, усередині яких рівень ризику однаковий і максимально відрізняється від рівня ризику інших груп. Нейронні мережі використовуються головним чином при визначенні кредитоспроможності юридичних осіб, де аналізуються вибірки меншого розміру, ніж у споживчому кредиті. Але найбільш успішною областю їх застосування стало виявлення шахрайства з кредитними картками завдяки їх здатності виявляти нестандартні ситуації.

Генетичний алгоритм заснований на аналогії з біологічним процесом природного добору. У сфері кредитування це виглядає в такий спосіб: мається набір класифікаційних моделей, які піддаються «мутації», «схрещуються», і в результаті відбирається «найсильніший», тобто модель, що дає найбільш точну класифікацію.

При використанні методу найближчих сусідів вибирається одиниця виміру для визначення відстані між клієнтами. Усі клієнти у вибірці одержують визначене просторове положення. Кожен новий клієнт класифікується виходячи з того, яких клієнтів поганих або гарних більше довкола нього.

На практиці використовується комбінація декількох методів, і компанії зберігають свої скорингові моделі в найсуворішому секреті, тому складно сказати, який метод краще.

Ціль процесу розробки скоринг карт побудувати найбільш повний профіль ризику для кожного клієнта. Такий широкий підхід робить скорингкарти не тільки більш ефективними, але і менш сприйнятливими до змін в одній окремій області. Такий профіль ризику повинний містити в собі характеристики, що відбивають стільки незалежних типів інформації, скільки можливо.

Так, кредитна скорингкарта користувача повинна містити в собі:

демографічну інформацію про клієнта (вік, місце проживання, регіон і стаж роботи);

розділ кредитних характеристик, що відбивають володіння нерухомістю, професію, платоспроможність,деяку фінансову інформацію;

ступінь довіри клієнтові у відношенні погашення боргів (загальний коефіцієнт неповернення боргу);

а також іншу значиму для розгляду інформацію про існуючих позичальників.

Профіль позичальника також допомагає при наступному моніторингу скорингкарт по релевантності. Більшість аналітиків, що займаються вивченням ризиків, використовують щомісячні звіти типу "стабільність системи" або "стабільність чисельності клієнтів" для підтвердження ефективності застосування карт при поточній чисельності клієнтів. Ці звіти показують міри ефективності, виходячи лише з характеристик, використовуваних у скорингкарті. Загальний же профіль ризику більш реалістично відбиває поточні зміни чисельності, ніж при використанні обмеженої кількості перемінних зі скорингкарти. У найпростішій формі, ризикова таблиця складається з групи характеристик, що згідно статистики є прогнозуючими при поділі облікових записів на гарні і погані (табл.3.2).

Таблиця 3.2 Приклад ризикових таблиць скоринг-кредитування [31]

Кожному атрибутові ("Вік" це характеристика, "2325" атрибут) привласнюється рейтинг на основі статистичного аналізу з урахуванням різних факторів, таких як прогнозна сила характеристик, кореляція між характеристиками і вага характеристик. Загальний рейтинг кандидата це сума рейтингів усіх його атрибутів, що присутні у таблиці.

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38