Управление портфелем ритейловых ссуд

Кредитование населения и малого бизнеса притормозило рост в связи с кризисом, однако с учетом нашего отставания от западных и азиатских банков в части количества и объема кредитов, выданных розничным клиентам, это направление только начинает развиваться. И методы управления кредитными рисками ритейловых ссуд пока еще разработаны слабо. В статье в систематизированном виде представлены существующие методы управления портфелями ритейловых ссуд.

Все как один, друг на друга похожие

В условиях экономического кризиса банки, работающие с розницей, стоят перед дилеммой: снизить объемы розничного кредитования и потерять долю рынка или не уменьшать кредитование, а, возможно, и наращивать его. Уменьшение объемов кредитования приводит к сокращению сотрудников и закрытию сети. Такие решения несут в себе стратегические риски, ведь по окончании кризиса ритейловый бизнес придется начинать с нуля или с довольно низкого старта. Выбрав же стратегию по поддержанию достигнутых объемов кредитования или даже по увеличению кредитного портфеля, банкам придется приложить усилия и понести расходы по углублению функций риск-менеджмента.

Во-первых, это улучшение методик оценки рисков кредитных сделок. Работоспособные в условиях кризиса методики скоринговой или рейтинговой оценки должны включать параметры вида экономической деятельности заемщика не просто «для галочки», а в качестве значимого показателя. Другой важный параметр — это регион проживания заемщика, поскольку социально-экономическая ситуация в регионах сейчас очень разная.

Во-вторых, требуется улучшение качества управления портфелями ритейловых ссуд. Согласно Положению от 26.03.2004 № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» (далее — Положение № 254-П) банки могут формировать из ритейловых кредитов портфели однородных ссуд (ПОС), поскольку их размер составляет менее 0,5% от собственного капитала банка и выдаются они, как правило, на стандартных условиях. При этом, с одной стороны, снижаются затраты на управление, поскольку банк может управлять однородным портфелем практически как одной ссудой. С другой стороны, вопросы оценки рисков портфелей однородных ссуд изучены к настоящему времени плохо.

Вспомним, что является определяющим при формировании портфелей однородных ссуд с точки зрения риск-менеджмента. Портфель однородных ссуд — это группа ссуд со сходными характеристиками кредитного риска, обособленных в целях формирования резерва на потери по кредитному риску, обусловленному деятельностью конкретного заемщика либо группы заемщиков. Только в том случае, если ссуды, объединенные в ПОС, имеют сходные характеристики кредитного риска, мы можем понять поведение такого портфеля как с точки зрения выпадения кредитов в дефолт, так и с точки зрения досрочного погашения ссуд.

Каким образом банки, как правило, составляют ПОС? По продуктам. Например, кредит на пополнение оборотных средств для заемщиков малого и среднего бизнеса (МСБ) с заданным диапазоном сроков и сумм. И это правильно, поскольку одной из значимых групп факторов кредитного риска являются параметры кредитного продукта. Сумма кредита определяет показатель кредитного риска EAD (Exposure at Default) — кредитной экспозиции или суммы кредита под риском. Срок кредитования влияет на распределение во времени кредитной экспозиции. Однако этого недостаточно. Даже если факторы риска, связанные с заемщиком, совпадают, необходимо учитывать региональную специфику. Во-первых, веса факторов могут быть разные, а, во-вторых, могут оказаться разными знаки влияния одного и того же фактора. Таким образом, банк должен провести определенную аналитическую работу, чтобы сформировать параметры ПОС и критерии отнесения к ним кредитов.

Когда ПОС уже сформированы, до проведения оценки кредитного риска необходимо провести проверку портфеля на однородность. Сделать это «на глазок» или применяя простые методы фильтрации затруднительно, поскольку необходимо проанализировать похожесть множества ссуд, которые описываются с точки зрения рисков множеством показателей. Конечно, иногда построение распределения потерь для ПОС дает картину, которая свидетельствует о неоднородности портфеля. Пример кривой потерь такого портфеля приведен на рисунке 1.

Рис. 1. Неоднородный «портфель однородных ссуд»

Кривая потерь по портфелю показывает нам, с какой вероятностью могут реализоваться потери той или иной величины. При этом среднее значение величины потерь дает нам прогнозную величину ожидаемых потерь¹, которые банк должен покрывать резервами. В случае распределения двухмодального вида, изображенного на рисунке 1, среднее значение плохо отражает величину ожидаемых потерь, поскольку этот портфель неоднороден по параметрам кредитного риска. В данном случае у банка в одном портфеле оказались объединены ссуды, существенно различающиеся по сумме кредита и некоторым другим параметрам. Если изобразить динамику потерь по такому портфелю во времени, то получится следующая картина (рис. 2).

Рис. 2. Динамика фактических потерь по неоднородному «портфелю однородных ссуд»

Явно выделяются группа потерь небольшой величины, частота которых довольно высокая, и группа потерь большой величины, но небольшой частоты, что определяется небольшим количеством кредитов со значительными суммами.

Рис. 3. Анализ структуры «портфеля однородных ссуд» при помощи SOM

Такой неоднородный портфель необходимо разделить на два, а иногда и большее количество действительно однородных портфелей. Для этого можно использовать методы самоорганизующихся карт Кохонена (SOM) и кластерного анализа. SOM позволяет увидеть, имеется ли внутренняя структура, то есть неоднородность в портфеле ссуд. Результаты анализа структуры розничного кредитного портфеля, который, как полагал один из банков, является однородным, приведены на рисунке 3.

Интерпретация данного результата следующая. Анализ проводился по множеству факторов риска кредитов, входящих в ПОС банка. Те кредиты, которые близки друг к другу по множеству факторов риска («похожи» друг на друга), образуют на рисунке «озера», которые разделяются «горами» и «равнинами». Мы видим, что данный портфель (рис. 3) состоит из трех однородных по факторам риска субпортфелей, которые и должны управляться как портфели однородных ссуд. Далее кластерный анализ позволяет разбить портфель на три группы однородных ссуд по тому множеству показателей, по которым была выявлена структура с помощью SOM. На рисунке 4 представлена схема анализа однородности портфеля.

Рис. 4. Схема выявления внутренней структуры и формирования портфелей однородных ссуд

Следует отметить, что формирование действительно однородных портфелей розничных ссуд (homogenous risk pools) — это основа правильной оценки рисков этих портфелей, что показывают исследования и подготовленные на их основе документы² Базельского комитета. Сегментация портфеля с целью выявления гомогенных субпортфелей не только улучшает оценку кредитного риска, но и позволяет уменьшить требования к резервам и капиталу³, поэтому продвинутые решения по управлению кредитными рисками располагают инструментами, позволяющими формировать однородные по факторам кредитного риска портфели. Так, SAS Risk Management for Banking⁴ дает возможность формировать гомогенные портфели ипотечных ссуд. Credit Compass⁵ компании «Франклин&Грант. Риск-консалтинг» содержит встроенные инструменты для проверки однородности портфелей и формирования однородных (гомогенных по риску) портфелей.

Мы обсудили, как формировать портфели однородных ссуд, чтобы в ПОС объединялись ссуды со сходными характеристиками кредитного риска, и как проверить портфель на однородность. При этом указанные инструменты позволяют не гадать, выбирая между уровнями гранулярности и гомогенности портфеля, а сформировать ПОС на объективной основе. Далее нам необходимо оценить рисковые характеристики портфеля. Какие методы оценки рисков портфеля существуют, какие из них применимы к портфелям однородных ссуд, их достоинства и недостатки — все это мы обсудим далее.

Нет ничего практичнее хорошей теории

В науках мы ищем причин не столько того, что было, сколько того, что может быть.
Т. Гоббс

Высказывание английского философа Томаса Гоббса очень точно отражает причину, по которой разрабатываются теории оценки рисков кредитного портфеля: это потребность в знании с приемлемой точностью величины резервов, которые необходимо создать по ПОС. В том случае, если банк формирует стоимость кредита и/или оценивает эффективность деятельности с учетом рисков, ему будет нужна еще и оценка уровня экономического капитала. Рассмотрим наиболее известные модели оценки рисков кредитного портфеля, их применимость для портфелей ритейловых ссуд и возможность использования в российских условиях.

Основным назначением модели кредитного риска портфеля являются оценка ожидаемых потерь, которые должны покрываться резервами, и величины экономического капитала кредитного портфеля. Из двух величин — ожидаемые потери и экономический капитал — наибольшие сложности связаны с расчетом экономического капитала. Для его вычисления требуются не только оценка рисков индивидуальных заемщиков (или групп заемщиков), но знание корреляций между этими рисками. Здесь и далее под кредитным риском мы будем понимать вероятность возникновения дефолта по кредитному договору. Конкретизация понятия дефолта в дальнейшем для нас не существенна, поэтому будем, например, понимать под дефолтом наличие просрочки выплат по кредитному договору свыше 90 дней.

Стандартная структура модели оценки риска кредитного портфеля включает три блока:

1) разбиение портфеля на подгруппы и оценка кредитного риска подгрупп;

2) оценка функции распределения потерь каждой подгруппы;

3) оценка функции распределения потерь всего портфеля.

Разбиение портфеля на подгруппы определяется применяемой процедурой оценки рисков и методом оценки корреляций между рисками. В качестве подгруппы могут выступать: индивидуальный кредит; поколение кредитов, объединенных по дате выдачи; группа кредитов, однородных по априорным оценкам риска. Понятно, если методика оценки риска заемщиков является ранговой и банк классифицирует заемщиков на 10 классов кредитоспособности, различить заемщиков по кредитному риску внутри класса не представляется возможным. Чем более детальным является разбиение, тем более обоснованные и точные оценки риска можно получить для каждой подгруппы. При этом, однако, усложняются оценка корреляций между рисками подгрупп и переход от потерь подгруппы к потерям всего портфеля.

Сказанное выше в равной мере относится и к корпоративным, и к розничным кредитам. Посмотрим теперь, какие готовые модели можно применить для управления розничным портфелем. Как ни странно, найти готовые решения, ориентированные именно на розничное кредитование, довольно проблематично. Результаты поиска, включая поисковые системы Интернет, сводятся к моделям, используемым в четырех известных системах: KMV, CreditMetrics, CreditPortfolioView и CreditRisk+, которые, как мы увидим далее, в основном ориентированы на корпоративные кредиты.

Действительно, в моделях KMV и Credit-Metrics оценка кредитного риска основана на колебаниях рыночной стоимости активов компании, а в качестве факторов риска выступают динамика стоимости акций или изменения кредитного рейтинга компании. Чтобы применить эти модели к управлению розничным портфелем физических лиц, необходимо в анкетных данных физического лица найти аналог стоимости активов предприятия и получить временную динамику этого показателя. Заметим при этом, что для розничного кредитования запрос динамики анкетных данных нетипичен. Также требуется понять, какие данные о заемщике могут заменить кредитный рейтинг организации, особенно в случае, когда заемщик не имеет кредитной истории.

Модели CreditPortfolioView и CreditRisk+ явных указаний на параметры заемщиков-организаций не содержат, но по набору факторов риска и соответствующим алгоритмам обработки можно сделать заключение, что они также ориентированы на оценку корпоративных кредитных рисков. В модели CreditPortfolioView кредитный риск заемщика вычисляется как функция набора макроэкономических индикаторов. Существенно, что для таких факторов риска известна их временная динамика, на основании которой можно сделать обоснованное предположение о функции распределения факторов риска и оценить корреляции между факторами. Знание корреляций, в свою очередь, позволяет перейти от распределения потерь индивидуальных заемщиков к потерям всего кредитного портфеля. Переходя к розничному кредитованию, понимаем, что наряду с макроэкономическими, региональными или отраслевыми индикаторами в модели должны присутствовать анкетные данные самого заемщика: кредитная история, уровень доходов, долговая нагрузка и т.д. Как объединить в одной модели индивидуальные факторы риска с макроэкономическими показателями — нетривиальная задача.

Наиболее близка к работе с розничными кредитами модель системы CreditRisk+. Модель строится в предположении, что каждому заемщику уже приписана оценка кредитного риска. Эта оценка позволяет вычислить частоту дефолтов заемщика и смоделировать поток дефолтов во времени. Если предположить, что частота дефолтов равномерно мала по всем заемщикам, а индивидуальные потоки дефолтов независимы, можно восстановить поток дефолтов всего кредитного портфеля. Знание параметров потока позволяет ответить на вопрос, какова вероятность заданного количества дефолтов в портфеле в течение определенного горизонта планирования. Из распределения количества дефолтов затем выводится распределение потерь кредитного портфеля. Недостатком данного построения является предположение о независимости индивидуальных потоков дефолтов. Чтобы ослабить это предположение, частота дефолта заемщика рассматривается не как фиксированное число, а как случайная величина, изменчивость которой объясняется изменением макроэкономических параметров. Так как восстановить распределение этой величины для каждого заемщика не представляется возможным, заемщики объединяются в группы. Эти группы должны быть однородными по априорным (то есть полученным вне модели CreditRisk+) оценкам риска, что приводит нас к необходимости кредитного рейтинга у заемщиков.

Таким образом, мы видим, что перенос имеющихся моделей оценки портфельных кредитных рисков на управление портфелем розничных кредитов достаточно проблематичен. Как показывает практика, изучению, адаптации и настройке готовых систем риск-менеджеры российских банков предпочитают разработку собственных моделей оценки рисков кредитного портфеля и самописных систем. Эти системы не требовательны к данным, реализуют простейшие вычислительные алгоритмы, но при этом и не обеспечивают всех потребностей управления кредитным портфелем. В качестве примера можно привести процедуру вычисления ожидаемых потерь, основанную на матрице миграции просрочек.

Метод миграции просрочек заключается в том, что все кредиты портфеля делятся на несколько корзин в зависимости от длительности просрочки по кредиту. Так, в первую корзину могут быть включены кредиты, не имевшие просрочки; во вторую — кредиты с просрочкой от 1 до 30 дней; в третью — от 31 до 60 и т.д. Последней является корзина дефолтных кредитов. Процедура разбиения портфеля на корзины выполняется регулярно, с периодичностью, зависящей от шага разбиения; в нашем примере периодичность составляет месяц (точнее — 30 дней). Уже по результатам двух разбиений можно оценить вероятность перехода кредитов между двумя смежными корзинами. Кредиты заданной корзины в течение месяца либо переходят в смежную корзину (например, из «31–60» в «61–90»), либо остаются в исходной корзине. Следовательно, вероятность перехода между смежными корзинами равна отношению численности этих корзин по данным за два смежных месяца. Перемножая эти вероятности, для любой корзины мы можем оценить вероятность перехода в корзину дефолтов. Теперь, имея значения переходных вероятностей, остается подсчитать остаток задолженности по кредитам каждой из корзин и умножить его на вероятность перехода в корзину дефолтов. Сумма полученных величин дает ожидаемые потери портфеля без учета возмещений после дефолта. Указанный метод имеет несколько модификаций и достаточно распространен, однако он не позволяет оценить величину экономического капитала под кредитный риск портфеля. Другим существенным недостатком является то, что данная модель не позволяет провести анализ чувствительности и стресс-тестирование кредитного портфеля.

В настоящее время, когда российские банки уже осознали необходимость проведения стресс-тестирования кредитных портфелей, прогнозирования просроченной задолженности, точной оценки величины резервов, им нужны продвинутые методы оценки рисков кредитного портфеля, применимые в российских условиях. А российские условия предполагают, что данных по дефолтам немного (все еще!), методики рейтингования заемщиков, применяемые банками, зачастую классифицируют их по риску случайным образом, аналитических признаков для выделения групп однородных по риску заемщиков недостаточно и т.д. К описанию такого метода, одного из используемых для оценки рисков кредитного портфеля в системе управления кредитными рисками Credit Compass, мы и перейдем далее.

Теория без практики мертва

Для практического применения в российских условиях в системе Credit Compass реализуются два типа моделей оценки риска кредитного портфеля ритейловых ссуд, обеспечивающих все необходимые функции управления портфелем, такие как расчет резервов и экономического капитала, анализ чувствительности и стресс-тестирование, сценарный анализ.

Модели первого типа основываются на переходе от кредитного риска индивидуальных заемщиков в портфеле к кредитному риску портфеля в целом. По набору алгоритмов это направление частично пересекается с системами CreditPortfolioView и CreditRisk+. Одна из проблем построения данного типа моделей — достаточно высокие требования к объему и составу статистической информации о заемщиках. Второе основное требование — наличие методики (модели) оценки транзакционного риска заемщиков, дифференцирующей кредитный риск или возможность построения такой модели на основе имеющихся статистических данных. Поэтому использование данной модели на начальном этапе внедрения системы возможно не для всех банков. Также для настройки модели под конкретный кредитный портфель требуется дополнительная работа по адаптации системы. Большим плюсом первого подхода является возможность в явном виде учесть влияние макроэкономических факторов, влияющих на всех заемщиков, на заемщиков, работающих в определенной отрасли или живущих в заданном регионе. Это делает проведение стресс-тестирования и анализ его результатов более прозрачными.

Второе направление изначально ориентировано на минимальный объем информации по кредитам. Требования к методикам оценки кредитного риска индивидуальных заемщиков не предъявляются. Модель кредитного портфеля строится на основе данных из платежной системы кредитной организации. Одним из достоинств этого подхода является его применимость и к корпоративным, и к розничным портфелям, что облегчает понимание риска и управление портфелями. В основе данного метода оценки кредитного риска портфеля лежит развитие идеи анализа ссуд по поколениям (vintage analysis). Приведем кратко описание вычислительных процедур системы.

Весь анализируемый кредитный портфель разбивается по дате выдачи на поколения кредитов, а затем потери портфеля представляются в виде взвешенной суммы потерь отдельных поколений. На следующем шаге при помощи непараметрического метода оценивания автоматически восстанавливается распределение потерь каждого отдельно взятого поколения. Существенное преимущество данного метода заключается в том, что длинный временной ряд из статистики потерь фиксированного поколения мы можем заменить набором коротких временных рядов из потерь смежных поколений кредитов. В результате распределение потерь удается восстановить на основании статистики неплатежей за 3–4 месяца, а не использовать данные за несколько прошедших лет. Поэтому используемый в системе Credit Compass метод позволяет адекватно оценивать риск кредитных портфелей ритейловых ссуд не только в условиях стабильного рынка, но и при его сильной изменчивости или изменении банком кредитной политики. Далее, исходя из полученных распределений потерь для поколений кредитов, производятся моделирование выборки и восстановление функции распределения потерь кредитного портфеля в целом. В отличие от потерь поколений распределение потерь всего кредитного портфеля восстанавливается параметрическим методом. При этом система позволяет использовать как один вид распределения, так и смесь нескольких стандартных распределений. Тип и количество компонентов смеси распределений автоматически подбираются так, чтобы обеспечить заданную точность аппроксимации. Подчеркнем, что каждый шаг процедуры, связанный с восстановлением функций распределения, завершается статистическим тестом на качество аппроксимации. Модели кредитного портфеля, как и все модели системы Credit Compass, обладают встроенными механизмами оценки своего качества, снабжены специальными процедурами проверки правильности моделей.

Последний шаг процедуры — расчет ожидаемых потерь и величины экономического капитала. При заданном параметрическом распределении потерь (смеси распределений) эта задача решается в системе очень точно. Ниже мы приводим графики с результатами расчетов, которые были выполнены для розничного портфеля одного из филиалов крупного российского банка (рис. 5).

Рис. 5. Динамика функции потерь кредитного портфеля. По оси ординат — плотность распределения потерь. По оси абсцисс — потери в процентах от величины портфеля

Прямоугольники на рисунке 5 — гистограмма распределения потерь портфеля. Огибающая линия — график плотности распределения потерь портфеля. Вертикальные линии — значения ожидаемых потерь (EL) и VaR уровня 99,82, который соответствует рейтингу BBB, желаемому банком. Рисунки 5a, 5b и 5c отражают динамику функции плотности распределения потерь по кредитному портфелю в последовательные месяцы. Рисковые характеристики портфеля в соответствующие моменты показаны в таблице 1.

Таблица 1. Результаты расчета рисковых показателей кредитного портфеля

Как мы видим, распределение потерь и рисковые характеристики портфеля меняются во времени. Одномодальное распределение (рис. 5a) трансформируется в двухмодальное (рис. 5b), а затем опять начинает превращаться в одномодальное (рис. 5c). Но этот возврат «к прошлому» обманчив, поскольку рисковые характеристики портфеля существенно меняются. Так, ожидаемые потери, которые должны покрываться резервами, выросли с 0,34 до 2,04% от объема кредитного портфеля, а величина экономического капитала — с 0,37 до 3,34%.

Теория, мой друг, суха, но зеленеет жизни древо

Теории первого класса предсказывают, теории второго класса налагают запреты, теории третьего класса дают объяснения задним числом.
А. Китайгородский

Среди вопросов кредитного менеджмента одним из самых актуальных является проблема формирования резервов на возмещение возможных потерь по ссудной и приравненной к ней задолженности. В соответствии с Положением № 254-П резерв формируется кредитной организацией при обесценении ссуды (ссуд), то есть при потере ссудой стоимости вследствие неисполнения либо ненадлежащего исполнения заемщиком обязательств по ссуде перед кредитной организацией в соответствии с условиями договора либо существования реальной угрозы такого неисполнения. Таким образом, величина резерва должна отражать справедливую стоимость ссуды (портфеля однородных ссуд). Целью формирования резерва является, с одной стороны, защита финансовой устойчивости банка, а с другой стороны, надлежащее раскрытие информации — отражение в отчетности справедливой стоимости ссудной задолженности. Поэтому важно использовать для оценки ожидаемых потерь и соответственно резервов методы, позволяющие давать точную оценку, причем с учетом будущих изменений портфеля.

Нужно понимать, что управление портфелями однородных ссуд не сводится к формированию адекватных резервов, цели которых мы указали выше. В конечном итоге оценка портфельного риска проводится для того, чтобы способствовать улучшению кредитной политики банка, принятию менеджментом решений, оптимизирующих показатель доходности кредитования с учетом рисков, — «…зеленеет жизни древо…» Система управления кредитным риском должна поддерживать своими отчетами принятие решений по развитию розничного бизнеса. Посмотрим, как это может быть реализовано в блоке управления рисками портфелей однородных ссуд. Общая схема процесса представлена на рисунке 6 и включает макроэкономический анализ, в пользе которого для управления кредитными рисками уже все перестали сомневаться.

Рис. 6. Схема процесса управления кредитной деятельностью на основе портфельного анализа

Портфели однородных ссуд банк формирует в определенном регионе по кредитным продуктам, параметры которых задаются предельными сроками кредитования, суммами кредита, наличием или отсутствием обеспечения и соответствующими процентными ставками. Расчетные значения ожидаемых потерь, которые должны покрываться резервами, и неожидаемых потерь, покрываемых собственным капиталом, приведены в таблице 2. Если мы проанализируем результаты расчетов показателей риска портфелей для стабильных условий, то все портфели окажутся в пределах нашей толерантности к риску. Однако ситуация иная, если мы рассматриваем поведение портфелей в условиях негативного изменения макроэкономических условий. По всем портфелям происходит существенное увеличение риска. И, если банк прогнозирует изменение условий в негативном направлении, от продукта, который формирует портфель № 2, ему следует отказаться.

Еще один важный пласт управленческих решений, которые можно принимать на основе анализа риска кредитного портфеля, лежит в области кредитной политики и кредитных правил. В частности, задача формирования стоп-факторов существенно упрощается, и их оценка становится объективной. Допустим, модель кредитного скоринга говорит о том, что фактор риска заемщика «возраст» является очень значимым, и нам необходимо сформировать правило для стоп-фактора — с какого возраста разрешить выдачу кредитов. Искусственно удаляя из портфеля заемщиков разных возрастов или размножая их, мы строим кривые потерь для таких реализаций портфеля и рассчитываем показатели кредитного риска. Исходя из расчетных показателей, устанавливаем отсечку по стоп-фактору. Такой же способ анализа применим, если нужно оценить влияние концентрации залогов, видов деятельности заемщиков или других факторов на показатели кредитного риска портфеля.

Таблица 2. Результаты расчета рисковых показателей портфелейоднородных ссуд

Кредитные продукты, которые банк предлагает своим клиентам, влияют не только на принимаемые банком кредитные риски, но и на ликвидность и процентный риск в банковской книге. Кредитный риск по одному и тому же продукту (и формально портфелю однородных ссуд) может различаться в зависимости от региона. Поэтому важно распределять ресурсы по регионам и внутри региона по кредитным продуктам оптимальным способом, который при требуемой доходности даст минимальные значения рисков — кредитного, ликвидности, процентного. Для такой оптимизации нам также необходимы объективные оценки кредитного риска — ожидаемых и неожидаемых потерь. Результатом оптимизации является система лимитов, которые, динамически обновляясь, будут ограничивать риски банка.

Управление розничным кредитным портфелем предусматривает систематическое наблюдение и анализ показателей портфеля в динамике, проведение стресс-тестирования и анализа чувствительности портфеля к макроэкономическим показателям, которые влияют на доходы заемщиков и другие факторы кредитоспособности. Качество портфеля будет зависеть от полноты, точности и оперативности информации, на основе которой принимаются решения по формированию кредитной политики и аллокации капитала между регионами, подразделениями и продуктами; о выводе на рынок кредитных продуктов; о привлечении той или иной клиентской аудитории. А все вышеуказанные характеристики управленческой информации определяются уровнем методологических разработок в части оценки кредитного риска и решения задач оптимизации и наличием программного инструментария.

В.А. Зинкевич, компания «Франклин&Грант. Риск-консалтинг», руководитель департамента консалтинга

К.В. Усков, компания «Франклин&Грант. Риск-консалтинг», руководитель департамента экономико-математического моделирования

¹ - Credit Risk Modelling: Current Practices and Applications // Basle Committee on Banking Supervision, April 1999.

² - International Convergence of Capital Measurement and Capital Standards // Basle Committee on Banking Supervision, June 2006.

³ - Kaltofen D. et al. Using Portfolio Segmentation to Reduce Capital Requirements // ECRI Research Report. 2006. № 8.

⁴ - http://www.sas.com/offices/europe/ireland/press_office/press_releases/iib_bank.html

⁵ - http://www.franklin-grant.ru/ru/services/banks-creditcompass.asp