Модел за прогнозиране на вероятността от неизпълнение на задължения за банка на дребно

Клиентът

Клиентът е банка на дребно, управляваща разнообразно портфолио от кредитни продукти. Точната оценка на кредитния риск е от решаващо значение за тяхната стратегия за кредитиране и спазване на регулаторните регулаторни процедури. Тъй като регулаторните изисквания, като например МСФО 9, се усложняваха, те се нуждаеха от по-усъвършенствани модели за оценка на вероятността от неизпълнение и очакваните кредитни загуби.
 

Предизвикателството

Традиционните модели за кредитно оценяване разчитат в голяма степен на статични показатели като кредитна история, като често не успяват да уловят динамичния характер на риска на кредитополучателя. Това ограничава способността им да прогнозират точно неизпълненията, особено при променящи се икономически условия.

Банката се нуждаеше от всеобхватна рамка за оценка както на краткосрочната (12-месечен момент във времето), така и на дългосрочната (през целия живот) вероятност от неизпълнение. Това включваше включване на макроикономически ефекти, наред с поведенчески и демографски данни на ниво клиент.

Освен това, решението трябваше да поддържа изчисленията на очакваните кредитни загуби (ECL) по МСФО 9, което изискваше надеждно моделиране на вероятностите за неизпълнение за продължителни времеви хоризонти и в различни продуктови линии.

Предизвикателството беше допълнително усложнено от фрагментацията на данните, необходимостта от групиране на сходни клиенти в статистически значими групи и осигуряване на интерпретируемост на модела за регулаторна употреба.

Без усъвършенстван подход за моделиране банката рискуваше неточна оценка на риска, неоптимално ценообразуване и неспазване на регулаторните изисквания.
 

Какво направихме

Подход

Разработихме цялостна рамка за моделиране на кредитния риск, комбинираща машинно обучение с техники за вероятностно моделиране. Решението адресира както краткосрочното прогнозиране на риска, така и дългосрочната динамика на неизпълнението.

По време на фазата на откриване идентифицирахме необходимостта от сегментиране на клиентите в хомогенни рискови групи, за да подобрим стабилността и интерпретируемостта на модела. Йерархично клъстериране беше използвано за групиране на сходни клиенти, което позволи по-надеждна оценка на поведението при неизпълнение.
Ключово решение беше моделирането да се раздели на два слоя: PD модели за моментна вероятност за краткосрочен риск и модели, базирани на Марков, за дългосрочна еволюция на неизпълнението, като и в двата случая се включат макроикономически корекции.

Методология

• Оценка на данните:
  Събрани и почистени исторически данни за заеми, включително неизпълнения, демографски данни за клиентите и поведенчески характеристики
• Избор на подход:
  Комбинирано машинно обучение (напр. логистична регресия, дървета на решенията) с клъстеризация и моделиране на марковски процеси
• Разработване на модели:
  Изградени LASSO логистични регресионни модели с наказателни мерки за 12-месечна PiT вероятност (PD) и разработени криви на вероятността за целия живот, използващи преходни матрици на Марков
• Рамка за валидиране:
  Проведено тестване извън извадката за валидиране на точността и устойчивостта на прогнозите в различни портфейли
• Интеграция:
  Предоставени резултати от моделите като вероятностни оценки за интегриране в кредитирането, ценообразуването и управлението на риска работни процеси
• Съответствие:
  Осигурено съответствие с изискванията на МСФО 9 за моделиране на очаквани кредитни загуби и регулаторна прозрачност

Резултатът

Надеждна оценка както на краткосрочната, така и на пожизнената вероятност за неизпълнение

Решението позволи на банката точно да оцени риска от неизпълнение в множество времеви хоризонти, като по този начин подпомогна както оперативното вземане на решения, така и регулаторното съответствие.
 

Вторични резултати:

• Подобрена точност на оценката на кредитния риск на индивидуално и портфолио ниво
• Дългосрочно прогнозиране на неизпълнение за 35-годишен хоризонт
• Подобрена поддръжка за изчисленията на очакваните кредитни загуби по МСФО 9
• Мащабируема рамка, приложима за множество кредитни продукти

Сблъсквате се с подобно предизвикателство?

Ако трябва да подобрите моделирането на кредитния риск и да отговаряте на регулаторните изисквания, можем да ви помогнем да изградите усъвършенствани решения, базирани на изкуствен интелект, съобразени с вашето портфолио.

Запазете техническа консултация