Українською | English

BACKMAIN


УДК 336.717.061.1

 

І. М. Поляруш,

к. е. н., в.о.доцента кафедри фінансів і кредиту,

Подільський державний аграрно-технічний університет, м. Кам’янець-Подільський

 

СКОРИНГ, ЯК ВДОСКОНАЛЕНИЙ МЕХАНІЗМ ОЦІНКИ ПОТЕНЦІЙНОГО ПОЗИЧАЛЬНИКА БАНКОМ – ДЕМОНСТРАЦІЯ ПРОЦЕСУ ОБРОБКИ ДАНИХ

 

I. M. Polyarush,

Ph.D. in economic sciences, v.o.dotsenta Department of Finance and credit

Podilsky state agrarian and technical university. Kamjanets-Podilsky

 

SCORING AS AN IMPROVED MECHANISM TO EVALUATE THE POTENTIAL BORROWER BANK - DEMONSTRATION OF PROCESSING DATA

 

В умовах необхідності вибору надійного активу при кредитуванні позичальника у комерційному банку відбувається злагоджена робота багатьох відділів (кредитного, юридичного, безпеки та спеціалістів з оцінки майна), результатами якої є засідання кредитного комітету і прийняття рішення про видачу кредиту.

На основі даних анкетування та всіх зібраних документів про роботу потенційного позичальника банком може проводитись загальна оцінка надійності позичальника. Важливим в умовах високої конкуренції є швидко оцінити клієнта, видати йому кредит і, відповідно, отримати актив, що принесе кошти власному банку а не конкуренту. Тому банки використовують всі можливі засоби для максимального пришвидшення якісної оцінки позичальника. Про такі засоби йтиметься у статті.

 

In terms of choice need a reliable asset in lending to a borrower in the commercial bank is coordinated work of many departments (credit, legal, and security professionals of assessment), the results of which are meeting the credit committee and the decision to grant credit.

Based on surveys and all collected documents on the work of a potential borrower bank can be carried out overall reliability of the borrower. Important in high competition are quickly assess customer to give him credit and, consequently, get an asset that will bring the bank's own funds and not the competitor. Therefore, banks are using all possible means to maximize acceleration qualitative assessment of the borrower. Such tools will be discussed in the article.

 

Ключові слова. скоринг, кредитний скоринг, скорингове моделювання, автоматизація оцінки позичальника, банк, кредитування.

 

Key words. scoring, credit scoring, scoring modeling, automated assessment of the borrower, bank loans.

 

 

Постановка проблеми та її зв’язок з важливими науковими та практичними завданнями. В умовах жорстокої конкуренції між банками на ринку пошуку прибуткових активів, головним з яких є кредитування, банк повинен вміти швидко оцінити позичальників і вибрати надійних, відсікаючи потенційно високо-ризикованих. Банки користуються різними програмними розробками, що пришвидшують процес оцінки кредитоспроможності. Проте принципи роботи цих програм, через комерційну таємницю, є секретними і невідомими  загалу. Стаття відкриває функціональні моменти оцінки потенційного позичальника скоринговим модулем, що є аналогом більшості скоринг-програм банків.

Аналіз останніх публікацій. В процесі дослідження було вивчено ринок комп’ютерних програм для банківської діяльності, дослідження вітчизняних науковців, внутрішні нормативні документи комерційних банків. Питаннями оцінки кредитоспроможності за допомогою автоматизованих систем займались: Сергій Іванько дослідив зазначені питання у статті під назвою "Внедрение автоматизированной системы управления кредитованием в банках и финансовых организациях", Ростислав Кос розглядав питання застосування системи експрес-оцінки в кредитуванні дрібних зерновиробників, Є.І. Невмержицький вивчав сучасні інструменти оцінки кредитних ризиків з використанням продуктів кредитного бюро, Андрій Піщулін, директор східно-європейського філіала Scorto Corporation описав кредитний скоринг за всіма етапами і особливостями. Кредитним скорингом цікавляться багато інших науковців у сфері фінансів і кредиту, а також практиків (кредитні інспектори, банки, страхові компанії, приватні оцінщики).

Формулювання цілей дослідження. Метою дослідження є демонстрація роботи кредитного інспектора з оцінки кредитоспроможності потенційного позичальника банку на базі програмного модуля Deductor Credit Scorecard Modeler та порівняння швидкості його використання із традиційною системою оцінки кредитоспроможності.

Виклад основних результатів та їх обґрунтування.

Найважливіше завдання банківського менеджменту полягає в тому, щоб у межах виробничо-господарської системи створити умови, які забезпечували б оптимальне співвідношення між прибутком, ризиком і ліквідністю.

Ефективне функціонування банківських установ в умовах ринкової економіки та в умовах кризових явищ важливе місце, на наш погляд, повинна зайняти стратегія управління ризиком. Стратегія управління ризиком повинна поєднувати внутрішньобанківську діяльність із механізмами з боку Національного банку України та інших державних структур [3]. Базовим елементом такої стратегії має стати скоринг.

Скорингові моделі не є якимось новітнім явищем, притаманним кінцю 20 - початку 21 століття. Поштовхом до створення систем бистрої оцінки позичальників стала друга світова війна, коли абсолютна більшість кредитних спеціалістів (переважно чоловіків) була призвана до армії і банки зіштовхнулись із необхідністю їх заміни. Тоді цим спеціалістам, перед тим як покинути роботу, пропонувалось написати правила, якими слід користуватись під час прийняття рішення про видачу кредиту. Такими інструментами могли б користуватися і спеціалісти не надто високої кваліфікації. Це і стало першоосновою майбутніх систем експрес-оцінки позичальників.

На початку 50-х років у Сан-Франциско була заснована перша консалтингова фірма в галузі скорингу - "Fair Issac", яка і на даний момент є одним із лідерів серед розробників скорингових систем. Сучасна назва фірми - FICO.

Скоринг - перекладається з англійської як "бал" і тому цю методику деколи називають "бальною оцінкою". Скоринг являє собою математичну або статистичну модель, за допомогою якої на основі кредитної історії попередніх клієнтів кредитна установа може визначити, наскільки велика ймовірність того, що конкретний потенційний позичальник поверне кредит у визначений термін.

Суть скорингу полягає в тому, що кожному параметру, що характеризує позичальника, надається реальна оцінка в балах. У спрощеному вигляді скорингова модель - це зважена сума визначених характеристик позичальника: вік, сімейний стан, місце роботи, дохід та багато інших факторів. Така методика є знеособленою і може застосовуватися як для фізичних, так і для юридичних осіб.

Тобто, скоринг - це методика оцінки кредитного ризику, яка дозволяє, оцінивши набір ознак, що характеризують позичальника, визначити, чи варто надавати йому кредит. Основне завдання скорингу полягає не лише в тому, щоб з'ясувати, чи спроможний клієнт повернути кредит та виплатити відсотки чи ні, але і ступінь надійності потенційного позичальника [6].

Поява скорингових карт пов'язана з ім'ям Д. Дюрана, що в 1941 році вперше застосував методику класифікації клієнтів на «поганих» та «добрих». Дюран визначив групи основних факторів, що дозволяють оцінити ступінь кредитного ризику й коефіцієнти, що характеризують кредитоспроможність клієнта.

На ранніх етапах розвитку методу складання скорингових карт відбувалося вручну. У даний час це робиться в основному за допомогою спеціалізованих програмних засобів, широко представлених на ринку. Головним інструментом для розрахунку балів скорингових карт є логістична регресія.

Для демонстрації процесу обробки даних потенційного позичальника, візьмемо програмний модуль Deductor Credit Scorecard Modeler, який на нашу думку найбільш повно відповідає вимогам сучасного конкурентного середовища банківського сектору. І при всій своїй складності робить прийняття рішення про видачу кредиту простим і кваліфікованим навіть для працівників з базовою підготовкою.

Deductor Credіt Scorecard Modeler – галузеве бізнес–рішення, побудоване на базі аналітичної платформи Deductor. Воно призначено для відділів роздрібного ризик–менеджменту в банках і фінансових організаціях. Deductor CSM дає можливість автоматизувати весь процес розробки кредитних скорингових карт (анкетний, поведінковий і колекторський скоринг), вибрати оптимальну карту й запровадити  її в конвеєр кредитних заявок.

Система поставляється з набором готових сценаріїв, що включають кращі технології кредитного скорингу, що зарекомендували себе у світовій практиці й перевірені багаторічним досвідом проектів BaseGroup Labs. Система дає можливість аналітику пройти весь цикл побудови скорингової карти: від підготовки даних до моделювання й формування спеціалізованої звітності.

При використанні Credіt Scorecard Modeler час розробки скорингової карти скорочується в кілька разів завдяки:

централізованому джерелу для зберігання даних і моделей;

єдиному інструменту на всіх етапах роботи ризик–аналітика;

автоматично формованої звітності для прийняття рішень на вибір та оцінку скорингових карт.

Рішення Credіt Scorecard Modeler включає 5 модулів. Після завантаження скорингових вибірок у сховище даних універсальної структури, аналітикові, за допомогою набору налаштованих сценаріїв, стає відразу доступна вся функціональність Credіt Scorecard Modeler:

фільтрація, сортування й перерозподіл даних портфелів кредитів;

дослідження життєвих циклів рахунків: вінтажний аналіз, матриці міграції, Roll Rates;

підготовка даних: розрахунок Wo, ІV, автоматичне квантування, Fіne&Coarse Classіng, визначення «гарних»/»поганих» рахунків, семплінг, сегментація;

моделювання: логістична регресія, дерево рішень, нейронні мережі;

настроювання скорингової карти: масштабування в галузевий стандарт, методи Reject Іnference, виправлення на апріорні ймовірності;

графіки й звіти: KS, Gіnі, ROC– і CAP–криві, крива стратегії й ін. ;

результат роботи аналітика – скорингова карта – завантажується в сховище даних.

Переваги використання галузевого бізнес–рішення, побудованого на базі аналітичної платформи Deductor, тобто аналітичної платформи, очевидні.

Для керівника використання даної сукупності програмних модулів дає: ефективний контроль роздрібних ризиків і вибір стратегії кредитування; максимальне використання інформації про клієнтів; застосування скорингових карт при впровадженні системи внутрішніх рейтингів по Базель ІІ.

Для аналітика вигоди такі: скорочення затрат праці – автоматизація до 90 % монотонних процедур; готові звіти на всіх етапах розробки скорингової карти; настройка рішення без залучення програмістів, у т.ч. методами Data Mіnіng; додавання нових звітів шляхом модифікації сценаріїв; повноцінний дистанційний навчальний курс по кредитному скорингу.

Для ІT–спеціаліста: гнучка інтеграція скорингових карт із системою прийняття рішень за заявками; реалізація в Deductor всіх технологій аналізу: Data Warehose, ETL, OLAP, Data Mіnіng.

Поняття «Скорингова карта» означає набір характеристик (вік, доход, професія, стаж роботи, наявність майна й т.д.) позичальника й відповідних вагових коефіцієнтів, виражених у балах. Здобувач кредиту повідомляє про себе необхідні відомості і йому нараховується певна кількість балів.

Залежно від  числа набраних скоринг–балів розраховується максимальна сума кредиту, що банк готовий надати позичальникові.

Скорингова карта є частиною більш загальної методики оцінювання кредитоспроможності клієнтів (скорингове моделювання), а їхня розробка виробляється на основі статистичної обробки більших масивів історичних даних про кредитні прецеденти (погашені і непогашені кредити).

Для кращого розуміння системи скорингу, яку ми пропонуємо використовувати для оцінки позичальників, розглянемо можливості програмного комплексу оцінки кредитоспроможності в таблиці 1.

Кредитні менеджери, оцінюючи кредитоспроможність клієнта існуючими методами, формують справи у відповідності до вимог, інструкцій, вказівок, рекомендацій та інших документів. Цей процес займає у них досить тривалий час і вимагає великої уваги і відповідальності, а у деяких випадках залучення допомоги сторонніх спеціалістів.

 

Таблиця 1.

Функціональні можливості аналітичної платформи Deductor Credit Scorecard Modeler

Модуль

Блок

Deductor SCM

Введення й зберігання

Сховище даних

Скорингові карти й вибірки зберігаються в універсальному СД на 3 платформах: Firebird, MS SQL, Oracle

Завантаження даних

Шаблони завантаження даних в універсальне СД, висувають тверді вимоги до структури даних

Попередня обробка й очищення даних

Будь–які дії за допомогою сценаріїв Deductor

Імпорт із облікових систем

Так

Експорт в облікові системи

Так

Аналіз порт-фелів

Вінтажний аналіз

Так

Матриці міграції, Roll–Rate Charts

Так

Фільтрація, сортування й перерозподіл даних портфеля

Так

Маркування поганий/добрий/Іndetermіnate

Так

Семплінг

Так

Аналіз і відбір характерис-тик

Розрахунок WoE для кожного атрибута

Так

Розрахунок ІV для кожної характеристики

Так

Кінцеві класи (Fine&Coarse Classing)

Так

Автоматичне квантування (Pooling)

Так

Порівняння 2 варіантів квантування

Так

Сегментація

В структурі СД закладено розділення на сегменти. Для її реалізації слід побудувати додаткові сценарії, в т.ч. з алгоритмами Data Mining

Розробка скорингової карти

Логістична регресія

Так

Покрокові процедури логістичної регресії

Так

Алгоритми machine learning

Дерево рішеньнейромережа, користувацькі моделі

Масштабування скорингової карти в галузевий стандарт

Так

Факторинг – поправка на апріорні ймовірності

1 спосіб: Offset method

Розрахунок індексу Gini и KS

Так

Підтримка версій карт

Так

Завантаження й оцінка довільної скорингової карти

Так

Порівняння 2 скорингових карт

Так

Інтеграція скоркарти в ІТ–інфраструктуру

Так

Статистика по вибірках

Так

Графіки і звіти

ROC–крива

Так

KS–крива

Так

CAP–крива

Так

Розподіл скорингового бала

Так

Кумулятивний розподіл

Так

Крива стратегії

Так

Матриця класифікації

Так

Сегменти ризику

Так

Завантаження відхилених заявок

Так

Облік невиданих кредитів (Reject Inference, RI)

Порівняння Bad Rate для прийнятих і відхилених заявок

Так

Пересемплювання вибірки з урахуванням відхилених заявок

Так

Порівняння скорингових карт до і після застосування RI

Так

Методи RI

Так

Джерело:  [1]

 

Автори інструкції про порядок регулювання діяльності банків в Україні стверджують, що Банки зобов'язані мати ефективну політику та процедури своєчасного виявлення, розрахунку, оцінки, моніторингу, контролю та управління кредитним ризиком, у тому числі за операціями з пов'язаними з банком особами, а також великими ризиками щодо одного контрагента або групи пов'язаних контрагентів, пов'язаних з банком осіб. Ці політика та процедури мають охоплювати весь цикл кредитування, який включає видачу кредиту, оцінку кредиту, а також здійснення управління кредитним та інвестиційним портфелем [5].

Рішення Deductor Credit Scorecard Modeler дає можливість автоматизувати весь процес розробки кредитних скорингових карт. І в результаті створити надійну базу для прийняття рішення про видачу кредиту.

В процесі прийняття рішення про видачу кредиту працівник банку, використовуючи аналітичну платформу (ми пропонуємо – платформу Deductor) має пройти певні етапи введення, обробки інформації, і формування висновку по окремій можливій угоді. Розглянемо послідовність прийняття рішень про видачу кредиту в Deductor нижче.

Завдяки широким можливостям аналітичної платформи Deductor можна створити послідовний ланцюжок ухвалення рішення про видачу кредиту.

Це дозволить із моменту введення в систему заявки на кредит забезпечити її автоматизовану обробку й ухвалення рішення по ній. Даний функціонал актуальний для банків, що займаються експрес–кредитуванням і приймають рішення в стислий термін.

 

Рис. 1. Загальна схема взаємодії фронт-офісу та аналітичної платформи при оцінці потенційного клієнта

Джерело: розроблено автором на основі літературних джерел

 

Розглянемо поетапно процес роботи кредитного працівника над даними позичальника за допомогою аналітичного програмного комплексу.

 

Рис. 2. Етапи послідовності оцінки позичальника за допомогою аналітичної платформи Deductor

Джерело:  [1]

 

На першому етапі банк проводить аналіз достовірності даних (5 сек.)

Банк має право витребувати інформацію, яка стосується ідентифікації клієнта (в тому числі керівників клієнта - юридичної особи, представника клієнта), вивчення клієнта, уточнення інформації про клієнта, здійснення поглибленої перевірки клієнта, в органів державної влади, державних реєстраторів, банків, інших юридичних осіб, а також здійснювати заходи щодо збору такої інформації з інших джерел.

Банк зобов'язаний витребувати в органів державної влади, державних реєстраторів, банків, інших юридичних осіб інформацію (офіційні документи), необхідну (необхідні) для аналізу відповідності фінансової операції змісту його діяльності та фінансовому стану [4].

 Важливим етапом, особливо у випадку повністю автоматичного скорингу (без участі експерта), є оцінка достовірності анкети позичальника: анкета з недостовірною інформацією на вході – помилкове рішення на виході; виявлення підозрілих моментів; виявлення помилок введення даних оператором.

Другим етапом є андеррайтинг (10 сек.)

Андеррайтинг або верифікаційний скоринг – перевірка позичальника на відповідність мінімальним вимогам банку: реалізація твердого регламенту перевірки; можливість без участі співробітників «підтягувати» будь–яку інформацію з різних джерел; висока якість аналізу.

Бальна оцінка або Скоринг є характерною для третього етапу (10 сек.).

Технології скорингу – автоматична оцінка кредитоспроможності фізичної особи – у банківському середовищі традиційно приділяється підвищена увага. Експертні методи йдуть у минуле, і все частіше при розробці скорингових моделей звертаються до алгоритмів Data Mіnіng.

Найбільш потужні з них – це  алгоритми, що самонавчаються, що володіють здатністю до адаптації, тобто автоматичного обліку нових даних, що надходять, і підстроювання моделі.

Скоринг:  алгоритми, що самонавчаються (25 сек.)

У якості подібних адаптивних механізмів можна виділити 4 алгоритми: логістична регресія;  дерева рішень;  карти, що самонавчаються; нейронні мережі.

Всі ці алгоритми реалізовані в Deductor і з успіхом застосовуються в розробці скорингових моделей. Перший із них  – скоринг на базі логістичної регресії. Логістична регресія – типовий алгоритм побудови скорингових моделей, який дозволяє: обчислення рейтингу позичальника або висновку «давати/не давати»; реалізації та інтерпретації результату у найбільш зручному вигляді.

 

Рис. 3. Приклад побудови скорингової моделі на основі алгоритму логістичної регресії

Джерело:  [1]

 

Скоринговий розрахунок за допомогою дерева рішень відбувається на основі однойменного алгоритму, що дозволяє вибрати найбільш значимі фактори, що впливають на кредитний ризик при кредитуванні позичальників банками, у автоматичному режимі із формуванням результатів оцінки у найбільш простому для інтерпретації вигляді.

 

Рис. 4. Приклад побудови скорингової моделі на основі ієрархічної системи – дерева рішень

Джерело:  [1]

 

Наступний алгоритм скорингу – карти, що самоорганізуються. Вони дозволяють менеджеру без значних затрат часу на порівняння схожих кредитних справ, у автоматичному режимі оцінити можливості виникнення певних ситуацій на основі порівняння зі схожими кредитними операціями.

Метод порівняння відомий давно і використовується постійно, проте мало ефективно. Карти, що самоорганізуються дозволяють збільшити ефективність цього методу в багато разів за рахунок виявлення схожих секторів у подібних справах за сумою, відсотками, середніми значеннями по кредитах та інших показниках і порівнювати їх між собою більш професійно.

 

Рис. 5. Побудова карт, що самоорганізуються

Джерело:  [1]

 

Побудова скорингових розрахунків за модулем, який називають нейронні мережі відбувається досить складно і потребує значної настройки, проте результати оцінки можуть допомогти виявити нові фактори впливу на кредитний ризик, які неможливо виявити ніякими іншими методами ні вручну ні автоматично.

Нейронні мережі – найбільш складний  алгоритм, що самонавчається, він дає можливість провести такі операції: автоматичне визначення внеску кожного фактора в результат з врахуванням  їх складного взаємного впливу; пошук складних нетривіальних залежностей.

 

Рис. 6. Оцінка залежностей різних факторів, що впливають на рівень ризику кредитування, за допомогою нейронних мереж

Джерело:  [1]

 

Чим більш простий алгоритм, тим він грубіший, але при цьому легше пояснити отримані результати. Найбільш потужні алгоритми здатні знаходити складні нелінійні залежності, але їхня інтерпретація є нетривіальним завданням. На практиці слід знаходити компроміс між точністю й простотою.

 

Рис. 7. Порівняння алгоритмів

Джерело:  [1]

 

В Deductor вбудовані механізми, що дозволяють легко варіювати параметри скорингових моделей, тим самим міняючи баланс між прибутковістю й ризиком. Одним з таких інструментів є ROC–аналіз.

 

Рис. 8. Скоринг: баланс між прибутковістю й ризиком (ROC–аналіз)

Джерело:  [1]

 

Після використання оглянутих вище скоринг–моделей програмне забезпечення формує скоринг–результати.

Подібні алгоритми можуть використатися як окремо, так і спільно, підвищуючи якість моделі.

Вони дозволяють: формалізувати процес оцінки ризиків; швидко одержувати результат; легко тиражувати моделі; постійно адаптувати модель під мінливі умови.

На четвертому етапі менеджери банку у автоматичному режимі спостерігають перевірку кредитної історії (25 сек.). Є.І. Невмержицький вважає, що більшість кредитних установ України не мають взагалі досвіду використання послуг кредитних бюро. Для успішного розвитку фінансово-кредитної системи держави дуже корисно використовувати набутий досвід розвинених держав щодо шляхів і інструментів  оцінки кредитних ризиків, суттєвим елементом яких є інформація кредитних бюро [2].

Вбудовані механізми інтеграції Deductor із БКІ дозволяють здійснити: швидке одержання кредитної історії; її автоматичну обробку й аналіз; підготовку до зберігання й подальшого використання.

 

Рис. 9. Перевірка кредитної історії

Джерело:  [1]

 

Банківські кредитні менеджери мають  можливість (в Україні) скористатись даними про позичальників, які містяться у трьох приватних бюро кредитних історій:  Міжнародне бюро кредитних історій, ТОВ "Українське бюро кредитних історій" (було засноване ЗАТ КБ "Приват Банк" спільно з іноземною компанією "Бік Оптіма Лімітед"), "Перше всеукраїнське бюро кредитних історій".

Банк має укласти договір із бюро кредитних історій і узгодити канали передачі інформації для настройки роботи аналітичної платформи.

 

Рис. 10. Перевірка кредитної історії: приклад з Equifax

Джерело  [1]

 

На 5 етапі відбувається перевірка за «чорними» списками (5 сек.). Deductor дає можливість значно збільшити швидкість обробки «чорних» списків без втрати якості:

Підтримка десятків джерел даних; Можливість комбінування відомостей із всіх доступних баз; Очищення й розбір персональних даних; Нечіткий пошук з урахуванням пропусків і помилок; Виявлення зв'язків між людьми.

Перевірка за «чорними» списками дозволяє швидко відсіяти можливих порушників правил банківського кредитування і дати привід для відмови їм.

 

Рис. 11. Чорні списки: схема роботи

Джерело: [1]

 

На шостому етапі відбувається розрахунок параметрів договору  (5 сек.) Можливість побудови довільних сценаріїв дає можливість реалізувати в Deductor складну логіку розрахунку оптимальних з погляду  стратегії банку параметрів кредитного договору. У процесі оптимізації враховуються не тільки дані анкети, але й інформація, отримана з безлічі сторонніх джерел: АБС, БКІ, бази даних, файли.

Зрівняємо час виконання етапів у єдиному ланцюжку Deductor і дій співробітника з використанням типових засобів.

 

 Таблиця  2.

Порівняння часу обробки даних типовими засобами та за допомогою аналітичної платформи Deductor

Задачі

Deductor

Типові засоби

Оцінка достовірності

5 сек

немає

Андеррайтинг

10 сек

> 120 сек

Скоринг

10 сек

експертна оцінка > 180 сек

Запит і обробка даних БКІ

25 сек

> 300 сек

«Чорні» списки

5 сек

> 600 сек

Розрахунок параметрів угоди

5 сек

5 сек

Всього:

1 хвилина

> 20 хвилин – 2 години

 

Рис. 12. Порівняння часу обробки даних типовими засобами та за допомогою аналітичної платформи Deductor

Джерело:  [1]

 

Висновки та перспективи подальших досліджень. Використання описаної послідовності прийняття рішень про видачу кредиту дозволяє: жорстко регламентувати процес; скоротити час очікування відповіді; скоротити затрати праці; знизити вимоги до кваліфікації персоналу; підвищити якість кредитного портфеля; оперативно змінювати кредитну політику.

Описані вище пропозиції дозволяють працювати з даними і аналізувати їх швидко і точно без врахування фактора взаємодії між кадрами банку та позичальником. Подальші дослідження передбачають вивчення можливостей покращення результатів оцінки кредитоспроможності, в тому числі автоматизованими засобами.

 

Література.

1. BaseGroup Labs. – [електронний ресурс]. – Режим доступу:  http://www. basegroup.ru

2. Невмержицький Є. І. Сучасні інструменти оцінки кредитних ризиків з використанням продуктів кредитного бюро / Є. І. Невмержицький. // Ефективна економіка. - 2010. - № 5.

3. Особливості мінімізації кредитного ризику банківської установи / І.В.Єлейко, О.В.Сідак // Науковий вісник НЛТУ. – 2011. − Вип. 21.8.

4. Про банки і банківську діяльність / Закон України  від 7.12.2000 р. № 2121–III (із змінами, внесеними від 09.06.2013.) [Електронний ресурс]. – Режим доступу: http://zakon3.rada.gov.ua/laws/show/2121-14    

5. Про затвердження Інструкції про порядок регулювання діяльності банків в Україні: постанова Правління Національного банку України від 28 серпня 2001 року № 368 // Офіційний вісник України. – 2001. – № 40. – Ст. 1813.

6. Рекомендації з приводу оцінки комерційними банками кредитоспроможності і фінансової стабільності позичальника / Національний банк України. № 23011/79 від 02.06.94 р. – [Електронний ресурс]. – Режим доступу: http://www.bank.gov.ua

7. Ростислав Кос. Застосування системи експрес-оцінки в кредитуванні дрібних зерновиробників. – [Електронний ресурс]. – Режим доступу: http://www.cugp.com.ua/doslidzhennja/18-crediting/157-zastosuvannya-systemy-ekspres-ocinky-v-kredytuvanni-dribnykh-zernovyrobnykiv.html

 

References.

1. Base Group Labs (2015), available at:  http://www. basegroup.ru  (Accessed 20 October 2015).

2. Nevmerzhyts'kyy, Ye. I. (2010), Modern tools assess credit risks using credit bureau products, Efektyvna ekonomika, [Online], vol . 5, available at: http://www.economy.nayka.com.ua (Accessed 20 October 2015).

3. Yeleyko I.V. and Sidak O.V. (2011),  Osoblyvosti minimizatsiyi kredytnoho ryzyku bankivs'koyi ustanovy  [Features of minimizing credit risk of banking institutions] Naukovyy visnyk NLTU. Vyp. 21.8.

4. The Verkhovna Rada of Ukraine (2000), The Law of Ukraine, “Pro banky i bankivs'ku diyal'nist', [ On Banks and Banking] available at:  http://zakon3.rada.gov.ua/laws/show/2121-14   (Accessed 20 October 2015).

5. The Verkhovna Rada of Ukraine (2001), The Law of Ukraine, Pro zatverdzhennya Instruktsiyi pro poryadok rehulyuvannya diyal'nosti bankiv v Ukrayini : postanova Pravlinnya Natsional'noho banku Ukrayiny vid 28 serpnya 2001 roku № 368, [On approval of Instruction on regulation of banks in Ukraine by the National Bank of Ukraine on August 28, 2001 № 368], Ofitsiynyy visnyk Ukrayiny, vol.40., p. 1813.

6. National Bank of Ukraine (1994), “Recommendations on the evaluation of commercial banks creditworthiness and financial stability of the borrower”, available at:  http:// www.bank.gov.ua, (Accessed 20 October 2015).

7. Kos, R. (2009), The use of rapid assessment in lending to small farmers”, available at: http://www.cugp.com.ua/doslidzhennja/18-crediting/157-zastosuvannya-systemy-ekspres-ocinky-v-kredytuvanni-dribnykh-zernovyrobnykiv.html (Accessed 20 October 2015).

 

 Стаття надійшла до редакції 02.11.2015 р.

 

bigmir)net TOP 100

ТОВ "ДКС Центр"