Dubovitsky V.S.
büyük bir Rus bankasında analist
(Moskova şehri)
Kurumsal Finans Yönetimi
05 (65) 2014

Bu makale, büyük ticaret işletmelerinin kredibilitesini değerlendirmek için, bireysel göstergelerin değerlerine dayanarak borçlunun ödeme gücünü yargılamayı ve etkinliğini değerlendirmeyi mümkün kılan bir puanlama modelinin geliştirilmesine ilişkin bir çalışmayı açıklamaktadır. Bir puanlama modelinin geliştirilmesindeki en hacimli bloklar, bu makalede ayrıntılı olarak ele alınacak olan bir değerlendirme göstergeleri sisteminin seçimi ve bu göstergeler için ağırlık katsayılarının belirlenmesidir.

GİRİİŞ

Bankacılık sektörünün en önemli iş alanlarından biri de kredi vermektir. Bankacılık varlıklarının temelini oluşturan, bankaya faiz geliri sağlayan kredilerdir. Son zamanlarda ülkemizde bankalar ile halk, müteşebbisler ve büyük işletmeler arasındaki kredi ilişkileri başta olmak üzere bankacılık sektöründe hızlı bir gelişme yaşanmaktadır. Krediler sadece faiz gelirini değil, aynı zamanda borçlunun iflas etmesi ve kredinin kaybı ile ilgili kredi risklerini de içerir. Kredi riski değerlendirmesi, belirli bir borçluya borç verme konusunda karar verirken kilit bir analiz alanıdır ve bir finans kurumunun refahı büyük ölçüde buna bağlıdır.

Günümüzde bankalar, olası kayıpların seviyesini ve borçlunun temerrüde düşme olasılığını değerlendiren çeşitli analiz yöntemleri kullanmaktadır. Bu analize dayanarak, borçluya Rusya Federasyonu Merkez Bankası'nın 254-p sayılı “Oluşturma prosedürü hakkında Yönetmeliği” uyarınca “iyi”, “orta” veya “zayıf” kalite notu verilir. krediler, krediler ve eşdeğer borçlardaki olası kayıplar için kredi kurumları tarafından rezerv” 26 Mart 2004

Merkez Bankası, kredi sisteminin ana düzenleyicisi olarak hareket eder ve borçluların kredi değerliliğinin değerlendirilmesine ilişkin tavsiyelerde bulunur. Onlara göre bankalar kendi değerleme modellerini oluştururlar - yazarlarının çeşitliliği ve yaratıcılığı şaşırtıcıdır. Bu tür modeller, gelecekteki ödeme gücünün ana göstergesi olarak borçlunun mali durumunun kapsamlı bir değerlendirmesini içerir. Bununla birlikte, tüm modeller, borçlunun finansal kayıp riskinin seviyesini tanımlayan kredi notunu hedeflemektedir. Genel kabul görmüş sınıflandırmaya göre, iyi bir kredi değerliliği, şirketin iyi bir mali durumuna ve düşük olası kayıp riskine, orta - ortalama bir mali duruma ve orta risklere, kötü - yüksek temerrüde düşme olasılığına karşılık gelir. ödünç alan İyi durumda, büyük olasılıkla, kredi verme konusunda olumlu bir karar verilecek, ortalama ek araştırma gerektirecek ve kötü bir borçlu reddedilecektir.

Bankalarda kredi riski değerlendirmesi her zaman önemli bir yer tutmuştur. Bu nedenle, Bailey ve Gately'nin araştırmalarına göre, mevcut değerleme yöntemleri sürekli olarak iyileştirilmekte, zaman zaman sinir ağlarını kullanan değerleme gibi yeni yöntemler ortaya çıkmaktadır; potansiyel borçluların temerrüde düşme olasılığını değerlendirmek için araçlar.

Bu nedenle, kredi verirken kredibilite değerlendirmesi kilit bir görevdir. Bu çalışmanın amacı, tüzel kişilerin kredi kalitesini değerlendirmek için kendi puanlama modelimizi oluşturmaktır. Büyük perakendeciler için geliştirilecek ve çeşitli borçluları finanse etmenin fizibilitesine hızlı bir şekilde karar verilmesini sağlayacaktır.

İlk olarak, kredi itibarını değerlendirmeye yönelik mevcut yaklaşımların kısa bir karşılaştırmalı analizi yapılacaktır. Temelinde, bir puanlama modeli geliştirme lehine argümanlar verilecek, ardından çeşitli teorik yöntemler kullanılarak doğrudan bir puanlama modeli geliştirilecektir. Geliştirmedeki ana görevlerden biri, seçilen sektörü dikkate alarak dengeli bir puan kartının tanımlanması ve bu göstergeler için ağırlıklandırma faktörlerinin belirlenmesidir.

Daha sonra, gösterge ağırlıklarına göre sonuçları başlangıçta elde edilen sonuçlarla karşılaştırmak için 41 tüccardan oluşan bir örneklem (16'sı için temerrüt kaydedildi) temelinde istatistiksel bir çalışma yapılacaktır. Karşılaştırma sonuçlarına dayanarak, derlenen puanlama modelinin doğruluğu hakkında bir sonuç verilecektir. Bu makalenin sonunda, geliştirilen modelin etkinliğinin bir değerlendirmesi sunulacak, geliştirilen modelin öngörü yeteneği belirlenecek ve uygulanabilirliği hakkında bir sonuca varılacaktır.

KREDİ DEĞERLENDİRMESİNDE FARKLI YAKLAŞIMLAR

Borçluların kredi değerliliğini değerlendirmek için mevcut tüm modeller, aşağıdaki sınıflandırma olarak gösterilebilir (Şekil 1).

Dolayısıyla, kredi değerliliğinin analizine yönelik çeşitli yaklaşımlar, tüm yöntemleri üç büyük bloğa bölerek sistematik hale getirilebilir:

• kantitatif modeller;
• tahmin modelleri;
• kaliteli modeller

Nicel modeller, ilgili göstergeleri kullanır ve bunlara dayalı olarak borçluya belirli bir derecelendirme atamaya izin verir; tahmine dayalı modeller, geçmiş istatistiklere dayanır ve daha fazla gelişmeyi ve borçlunun temerrüde düşme olasılığını modellemeyi amaçlar ve nitel modeller, çok yönlü nitel göstergelerden oluşan bir sistem kullanır.

Kredi itibarını değerlendirmede en etkili yaklaşımı belirlemek için açıklanan değerlendirme yöntemlerini karşılaştırıyoruz. Masada. Şekil 1, önceden ele alınan kredi değerlendirme modellerinin karşılaştırmalı özelliklerini göstermektedir.

Tablo 1. Kredi derecelendirme modellerinin özet tablosu

Model adı	Modelin avantajları	Modelin Dezavantajları
katsayı yöntemi	Borçlunun mali durumunu kapsamlı bir şekilde değerlendirmenizi sağlar	Kalite göstergelerini, önceki yılların istatistiklerini dikkate almaz. Otomatik olmayan bir sistem, bireysel göstergelerin değerlerinin sürekli yorumlanmasını gerektirir.
Derecelendirme Modelleri	İntegral göstergeyi hesaplayarak katsayılar yöntemiyle değerlendirmeyi otomatikleştirmeye izin verin. Rahatlık ve kullanım kolaylığı açısından farklılık gösterir	Yalnızca finansal göstergeleri dikkate alırlar, önceki yılların istatistiklerini kullanmazlar. Farklı şirket türleri için yeniden yapılandırma gerektirmesi
Puanlama modelleri	Bir puan eşdeğerinde bir kredibilite değerlendirmesi almanıza ve borçluyu üç gruptan birine atamanıza olanak tanırlar. Basit ve kullanımı kolay, finansal olmayan kalite göstergelerinin değerlendirilmesine yardımcı olur. Ağırlık katsayılarını istatistiksel yöntemlerle değerlendirirken, halihazırda verilmiş olan kredilere ilişkin verilerin dikkate alınmasına izin verir, ekonomik olarak gerekçelendirilir.	Evrensel değildir, belirli şirket türleri için yeniden yapılandırma gerektirir. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir
Nakit akışı modelleri	Şirketin gelecekteki nakit akışlarını tahmin etmenizi ve borç yükü ile karşılaştırmanızı sağlar.	Borçlanan şirketin piyasa koşullarını ve kalite göstergelerini dikkate almazlar. Tutarsız sonuçlar üretebilir
Diskriminant Analiz Modelleri	Önceki yıllara ait istatistiklere dayalı olarak borç alan şirketin temerrüde düşme olasılığının belirlenmesine izin verin
Regresyon Modelleri	Önceki yılların istatistiklerine dayanarak borç alan şirketin temerrüde düşme olasılığını belirlemeye izin verirler. Modeli doğru veriler üzerinde kullandığınızda, yüksek kesinlikte sonuçlar elde edebilirsiniz.	Tamamen ampiriktir, sonuçlar büyük ölçüde eğitim örneğine bağlıdır ve modeli diğer veriler üzerinde incelerken genellikle gerçekle örtüşmezler. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir
Kalitatif Analiz Modelleri	Şirketin kapsamlı bir analizini yapmanızı sağlar	Bireysel göstergelerin öznel bir değerlendirmesine ve insan faktörü ile ilişkili hatalara yol açan matematiksel yöntemlerin yokluğu. Geçmiş yılların istatistiklerini dikkate almayın. Kaliteli analiz blokları için kredi değerliliğini değerlendirmek için net düzenlemeler yoktur.

Yukarıdaki karşılaştırmalı analize dayanarak, puanlama modelinin nicel evrimin en üstünde olduğu sonucuna varabiliriz Modelin adı Modelin Avantajları Modelin Dezavantajları

Oran yöntemi Borçlunun mali durumunun kapsamlı bir şekilde değerlendirilmesine izin verir Kalite göstergelerini, önceki yılların istatistiklerini dikkate almaz. Otomatik olmayan bir sistem, bireysel göstergelerin değerlerinin sürekli yorumlanmasını gerektirir.

Derecelendirme modelleri İntegral göstergeyi hesaplayarak katsayı yöntemiyle değerlendirmeyi otomatikleştirmeye izin verir. Kolaylık ve kullanım kolaylığı ile ayırt edilirler, yalnızca finansal göstergeleri dikkate alırlar, önceki yılların istatistiklerini kullanmazlar. Farklı şirket türleri için yeniden yapılandırma gerektirmesi

Puanlama modelleri Bir puan eşdeğerinde bir kredibilite değerlendirmesi elde etmeyi ve borçluyu üç gruptan birine atamayı sağlar. Basit ve kullanımı kolay, finansal olmayan kalite göstergelerinin değerlendirilmesine yardımcı olur. Ağırlık katsayılarını istatistiksel yöntemlerle değerlendirirken, halihazırda verilmiş olan kredilerle ilgili verilerin dikkate alınmasına izin verirler, ekonomik olarak haklıdırlar Evrensel değildirler, belirli şirket türleri için yeniden yapılandırmayı gerektirirler. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Nakit Akış Modelleri Şirketin gelecekteki nakit akışlarının tahmin edilmesini ve borç yükü ile karşılaştırılmasını sağlar Borçlanan şirketin piyasa koşullarını ve kalite göstergelerini dikkate almaz. Tutarsız sonuçlar üretebilir

Diskriminant analiz modelleri Borçlu şirketin temerrüde düşme olasılığını geçmiş yıllara ait istatistiklere dayanarak belirlemeye izin verir Tamamen ampiriktir, sonuçlar büyük ölçüde eğitim örneğine bağlıdır ve modeli diğer veriler üzerinde incelerken, genellikle karşılık gelmezler gerçeklik. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Regresyon analizi modelleri Borçlanan şirketin temerrüde düşme olasılığının önceki yıllara ait istatistiklere dayalı olarak belirlenmesini sağlar. Modeli doğru veriler üzerinde kullanırken, yüksek derecede güvenilir sonuçlar elde edebilirsiniz. Bunlar tamamen ampiriktir, sonuçlar büyük ölçüde eğitim setine bağlıdır ve modeli diğer veriler üzerinde incelerken genellikle karşılık gelmez. gerçeklik. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Kalitatif analiz modelleri Şirketin kapsamlı bir analizine izin verir Matematiksel yöntemlerin olmaması, bireysel göstergelerin öznel bir değerlendirmesine ve insan faktörü ile ilgili hatalara yol açar. Geçmiş yılların istatistiklerini dikkate almayın. Farklı sayıda puana sahip nitel analiz blokları için kredi değerliliğini değerlendirmek için net düzenlemeler yoktur. Katsayıların değerleri ayrıca aralıklara bölünecektir. Her aralık için (Tablo 2'deki Katsayı Aralık sütunu), Tablo 2'deki ağırlıklandırma katsayısının bir yüzdesi (%25, %50, %75 veya %100) ayarlanacaktır. 2. Bu durumda ağırlık faktörü maksimum puandır. Aşağıda, ağırlık katsayılarını aramaya odaklanacağız. Bu nedenle, katsayıların aralıklara bölünmesi koşulludur (sektördeki çeşitli şirketler için bu göstergelerin değerlerine dayanan mantıksal değerlendirmelere dayanarak; aralıklar, sektördeki önde gelen şirketlerin yaklaşık% 60'ının olacağı şekilde alınır. endüstri (Magnit, Dixy) ortalama piyasa katsayılarını ve kıyaslamaları belirlemek için seçilen maksimum , X5 Retail Group, OK, L'Etoile) sonrasındaki ikinci aralığa düşer. Borç yükü ne kadar yüksekse, temerrüt olasılığı o kadar yüksektir ve göstergenin alması gereken puan sayısını azaltın katsayılar ve iki yaklaşımla temsil edilecektir - analitik (T. Saaty'nin yöntemi) ve istatistiksel (regresyon çalışması) (bu durumda maksimum puan sayısı ağırlık katsayısı ile çakışmaktadır.) Ağırlık katsayıları daha sonra belirlenecektir.

Puanlama modelinin mali göstergeleri Tablo'da sunulmuştur. 2.

Tablo 2. Puanlama modelinin mali göstergeleri

gösterge grubu	dizin	katsayı aralığı
Likidite		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
ödeme gücü		0-1	1
		1-1,5	0,75
		1,5-2	0,5
		2-2,5	0,25
		> 2,5	0
		< 1,5	1
		1,5-2	0,5
		> 2	0
	Faiz karşılama oranı, FAVÖK/Faiz	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
İş aktivitesi	Satış getirisi, ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	Şirketin son üç raporlama dönemindeki zararı	Değil	1
		Bir raporlama dönemi için	0,5
			0

İzin verilen oran değerleri, IFRS beyanlarına göre Rusya'nın önde gelen beş ticaret şirketi için üç yıllık ortalama değerler esas alınarak belirlenmiştir: Magnit, X5 Retail Group, Dixy, OK, M.Video. Borçlunun mali durumunu belirlemek için en önemli mali göstergeleri inceledik. Bununla birlikte, şirketin kredi değerliliği, borçlunun iş süreçlerinde risklerin ortaya çıkmasına neden olan faktörlerden de büyük ölçüde etkilenir. Her şeyden önce, yönetim kalitesini dikkate almak gerekir. Bu, kantitatif analiz için çok zor bir göstergedir, çünkü. şirket yönetimi düzeyini objektif olarak değerlendirmek sorunludur.

Niteliksel değerlendirmeden niceliksel değerlendirmeye geçmeye ve bu göstergenin maksimum değerlendirmesini aşağıdaki koşullar altında belirlemeye çalışacağız:

• şirketin gelecek yıllar için gelişimi için net bir strateji var;
• üst yönetimin bileşimi değişmedi (genel müdür ve baş muhasebeci iki yıldan fazla bir süredir görev yapıyor), çünkü güçlü bir yönetim ekibinin varlığı, diğer şeylerin yanı sıra sürekliliği ile kanıtlanır;
• mesleki yeterlilikler yüksek gereksinimleri karşılar (genel müdür ve baş muhasebeci, uzmanlaşmış bir yüksek eğitime, beş yıldan fazla iş deneyimine sahiptir).

Puanlama modeline dahil edilecek bir sonraki önemli faktör şirketin ömrüdür. Ek olarak, bir durdurma faktörünün getirilmesi gereklidir: işletme bir yıldan daha az bir süredir faaliyet gösteriyorsa, raporlama eksikliği ve şirketin işini anlama yeteneği nedeniyle bu model uygulanmayacaktır.

Diğer bir gerekli gösterge, olumlu bir kredi geçmişidir. Bu, aslında gelecekteki bir krediye hizmet vermenin kalitesini karakterize eden en önemli finansal olmayan göstergelerden biridir. Diğer alacaklılara gecikmeleri olan bir işletmeden kredi fonlarının zamanında geri ödeneceğine güvenmek mantıksız olacaktır. Dikkate alınan finansal olmayan göstergeleri ve bunlara ilişkin puan dağılımını Tablo'da sunalım. 3.

Tablo 3. Puanlama modelinin finansal olmayan göstergeleri

Grup	gösterge göstergeleri		Aralık için maksimum puanın yüzdesi
iş süreçleri	Yönetim kalitesi		1
			0,5
			0
		> 5 yıl	1
		3-5 yıl	0,75
		1-3 yıl	0,25
		< 1 года	Durdurma faktörü
			1
			0,5
			0
		Son mali yıl için kredilerde ve borçlanmalarda sistematik bir gecikmenin varlığı; önemli miktarda vadesi geçmiş borçlar (> %25)	Durdurma faktörü

Bize göre borçlunun kalitesini ve yükümlülüklerini yerine getirme yeteneğini kapsamlı ve kapsamlı bir şekilde değerlendirmesi gereken bir değerlendirme göstergeleri sistemi derledik. Çalışmanın bir sonraki kısmı, herhangi bir puanlama modeli oluştururken en çok zaman alan kısımdır - çeşitli tahmini göstergelerin ağırlığının belirlenmesi. Modelimizin öngörücü değeri, belirli faktörlerin önemini ne kadar objektif olarak değerlendirdiğimize bağlıdır. Bu makale, olası hataları ortadan kaldırmak için çeşitli yöntemlere dayalı olarak ağırlıkları analiz edecektir.

Ağırlıklandırma katsayıları önce analitik prosedürler kullanılarak belirlenecek ve daha sonra regresyon analizi sonuçlarıyla karşılaştırılacaktır.

MODELİN AĞIRLIK KATSAYILARININ ANALİTİK TAHMİNİ

Bir değerlendirme aracı olarak, TL kitabında ayrıntılı olarak açıklanan metodolojiyi alacağız. Saaty "Çatışma durumlarının matematiksel modelleri" [b]. Bu yöntem, çeşitli faktörlerden uzaklaşmanıza ve belirli bir zaman noktasında bunların yalnızca ikisini önem açısından karşılaştırmanıza olanak tanır ve sonuçta her bir faktörün herhangi bir genel gösterge üzerindeki etkisinin önemini belirler. Teknik, herhangi bir ortak göstergeyi etkileyen faktörler için oluşturulan ikili karşılaştırma matrislerinin derlenmesine dayanmaktadır. Bu tür matrisler, örneğin finansal kaldıraç, borç yükü ve faiz kapsamı katsayıları tarafından temsil edilen faktörler bağlamında ödeme gücü göstergesi için oluşturulabilir. Görev, herhangi bir genel göstergeyi etkileyen tüm faktör grupları için bu tür matrisler oluşturmaktır. Sonuç olarak, tablo için iki matris oluşturulacaktır. 2 - "Ödeme gücü" ve "İş faaliyeti" gösterge grupları için, tablo için bir matris. 3 - iş süreçleri göstergeleri ve ayrıca toplu düzeyler için iki matris için - "Likidite", "Ödeme gücü" ve "Ticari faaliyet" gösterge gruplarından oluşan bir finansal gösterge grubu için bir matris ve iki toplu blok için bir matris - genel olarak finansal ve finansal olmayan göstergeler.

Toplamda, her biri içinde yer alan gösterge için kendi katsayısını verecek beş ikili karşılaştırma matrisi vardır. Bu nedenle, hiyerarşinin en altında yer alan bir önlem için, örneğin faiz karşılama oranı için bir ağırlıklandırma faktörü elde etmek için, finansal göstergelerin ağırlıklandırma faktörünü finansal göstergeler içindeki ödeme gücü göstergelerinin ağırlıklandırma faktörü ile çarpmak gerekir ve finansal göstergeler içindeki faiz karşılama göstergesinin katsayısı ile.

Gösterge grupları için matrislerin kendi başlıklarında, faktörlerin adları dikey ve yatay sütunlara yerleştirilmiştir. Daha sonra matrisler, Tabloda sunulan metodolojiye göre bir faktörün öznel tercihlerinin diğerine ampirik bir forma dönüşümünü temsil eden değerlerle doldurulur. 4 (Şekil 2'deki veriler kullanılarak).

Tablo 4. T. Saaty Yöntemi. Tercihlerin sınıflandırılması (Şekil 2'ye göre)

Çoğunlukla tek sayılar kullanılır, ancak seçmek zorsa, iki tek sayı arasında ortalama bir seviye olarak çift sayıları da kullanabilirsiniz. Dört faktör için böyle bir matrisin bir örneği Şekil 1'de gösterilmektedir. 2. Buna göre aynı çarpanı karşılaştırdığımızda eleman 1 değerini alır yani bu tür matrisler özdeştir. Bunların da ters simetrik olduklarını görmek kolaydır, bu da böyle bir matrisi yalnızca ana köşegenin üstünde veya altında kalan değerler için doldurmamıza izin verir.

İkili karşılaştırma matrislerinin ters simetrik olduğu göz önüne alındığında, yalnızca bir yönde karşılaştırmalı ve karşılık gelen değerleri ana köşegenin üzerindeki matrise girerken, ana köşegenin altındaki değerler tersine dönecektir.

Bu tür beş matris aldıktan sonra, ağırlık katsayıları hesaplanır: matrislerdeki her bir değerin sütundaki toplam toplama göre ağırlığı ölçülecek ve daha sonra bu değerlerin aritmetik ortalaması bu değerlerden alınacaktır. her sırada. Aritmetik ortalama değerler ağırlık katsayıları olacaktır. Bir grup ödeme gücü göstergesi için bir matris örneği, Şek. 3.

Açıklanan hesaplamaları yaptıktan sonra, her bir göstergenin özgül ağırlığını elde ederiz. Daha fazla hesaplama kolaylığı için, mümkün olan maksimum puanı, göstergenin özgül ağırlığının 50 1 ile çarpımı ve ardından bir tamsayıya yuvarlama olarak tanımlarız (Tablo 5.6).

1 Bu işlem sadece kolaylık sağlamak için yapılmıştır, 50 sayısı minimum katsayının bir tamsayı değerine (bu durumda 2 değeri) gitmesine izin verir. Tüm katsayılar aynı sayı ile çarpıldığı için analitik yaklaşımın sonuçlarını bozmayız. - Yaklaşık. ed.

REGRESYON ANALİZİ KULLANARAK GÖSTERGELERİN ÖNEMİNİN BELİRLENMESİ

İstatistiksel bir çalışma yapmak için perakende sektöründen 41 büyük şirketin verilerini kullandık. Bu şirketler şirket tahvili ihraç etti ve 16 tahvil temerrüde düştü. Her şirket için, kurumsal tahvillerin ihraç edildiği yıldaki yıllık raporlara dayalı olarak puanlama modelinin seçilmiş sekiz göstergesi hesaplanmıştır. Örnek Ek 1'de sunulmuştur. Açıklayıcı bir gösterge y içerir - şirketin yükümlülüklerini yerine getirmemesi durumunda 1 değerini alan temerrüt olasılığı. Sağdaki seçilen üç gösterge, niteliksel yapıları nedeniyle kukla değişkenler olarak ayarlandı (yalnızca 0 veya 1 değerlerini alabilirler). Şirketin son üç yılda net karı> O (Nl> 0), istikrarlı ve kaliteli bir yönetim ekibi (yönetici) ve olumlu bir kredi geçmişi (geçmiş) varsa 1 değerlerini alırlar. Mali göstergeler (ilk beş gösterge), temerrüde düşen tahvillerin ihraç edildiği yılda UFRS standartlarına göre yıllık mali tablolar baz alınarak hesaplanmıştır.

Çalışma için bir model olarak, doğrusal çok değişkenli bir regresyon oluşturmayı seçiyoruz:

p = w 0 + w 1 x 1 + w 2 x 2 + ... + w n x n ,

burada p, temerrüt olasılığını tanımlayan bağımlı değişkendir;
w - ağırlık katsayıları; x - göstergeler.

Öyleyse, ilk verileri Excel'e girelim ve Veri analizi - Regresyon işlevini kullanalım. Puanlama modelinin sekiz göstergesi için ilk verileri düzeltmeler olmadan analiz ederken, Ek 2'de sunulan sonucu elde ederiz. Düzeltilmiş R^2 0,55'tir - düşük ama kabul edilebilir bir değer, oluşturulan regresyonun pratik önemini gösterir. Verilerde aykırı değerlerin varlığının öneminin düşük olmasının nedeni hakkında bir varsayım ileri sürmek mümkündür, örneğin bazı şirketler için borç yükünün olmaması nedeniyle FAVÖK / Faiz açısından değerlerin bulunmaması ( sadeleştirilmiş, çalışmanın amaçları için, bu durumda katsayının değeri 0'a eşit olarak alınmıştır) veya negatif nakit akışı nedeniyle Borç / FAVÖK göstergesinin negatif değeri alınmıştır. Bu durumda olumsuz bir göstergenin etkisi yanlış algılanıyor çünkü çalışmanın mantığına göre Borç / FAVÖK ne kadar yüksekse, temerrüde düşme olasılığı o kadar yüksek; negatif bir gösterge ise düşük borç yükünün bir göstergesi değildir. Ayrıca, tahmin yeteneği, bireysel göstergelerin belirgin aşırı değerlerine sahip şirketler tarafından etkilenir. Bu nedenle, Banana-Mama şirketinin öz sermayesi 10.000 ruble'dir, bu da ilgili göstergelerin bozulmasına yol açar - finansal kaldıraç 181.957'dir (endüstri ortalama değerleri 0.7-1.5 aralığındadır).

Tablo 5. Ağırlık dikkate alınarak finansal göstergeler

dizin	Puan kartındaki ağırlık	En yüksek puan	katsayı aralığı
			>1	5
Mevcut likidite oranı	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
Mevcut likidite oranı	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
Borç Yükü Oranı, Net Borç / FAVÖK	0,1581	8	< 1.5	8
			1,5-2	4
			> 2	0
	0,0790	4	> 1,5	4
			1,3-1,5	3
			1-1,3	2
			< 1	0
Satış getirisi, ROS	0,1256	6	> 0,025	6
			0,02-0,025	5
			0,015-0,02	3
			< 0,015	0
	0,0418	2	Değil	2
			Bir raporlama dönemi için	1
			İki veya daha fazla raporlama dönemi için	0
Toplam	0,6698	33	-	68

Şu altı şirketi çalışmadan çıkaralım: Gorod süpermarket, Intertrade, M.Video (2013), Svyaznoy, Banana-Mama ve Proviant. Ayrıca, ROS göstergelerinin eşzamanlı kullanımının imkansızlığına ve yüksek korelasyonları nedeniyle kayıpların (Nl > 0) olmadığına da dikkat çekiyoruz. Gerçek şu ki, şirketin zararı varsa, satışların karlılığı otomatik olarak negatif bir değer alır.

Tablo 6. Ağırlık bazında finansal olmayan göstergeler

dizin	Puan kartındaki ağırlık	En yüksek puan	Oran Aralığı / Tahmin Metodolojisi	Ağırlık aralığı için nokta sayısı
Yönetim kalitesi	0,099	5	Açıklanan tüm koşulların yerine getirilmesi	5
			Koşullardan birinin karşılanamaması	2,5
			Birden fazla şartın sağlanamaması	0
şirketin hayatı	0,0528	3	> 5 yıl	3
			3-5 yıl	2
			1-3 yıl	1
			< 1 года	Durdurma faktörü
Olumlu kredi geçmişi	0,1782	9	Kredi ve borçlanmalarda temerrüt olmaması, vadesi geçmiş borçlar	9
			Borç yeniden yapılandırmasına ilişkin bilgilerin mevcudiyeti; ödenecek hesaplarda önemsiz gecikmeler (%10'a kadar)	4,5
			Daha sonra geri ödemeli krediler ve kredilerde tek bir gecikme vakası; ödenecek hesaplarda önemli gecikmeler (toplam borcun %10-25'i)	0
			Son mali yıl için kredilerde ve borçlanmalarda sistematik bir gecikmenin varlığı; Önemli miktarda vadesi geçmiş borçlar (>%25)	Durdurma faktörü
Toplam		17

Bu değerlendirmelere dayanarak, Nl > 0 göstergesini modelimizden çıkarıyoruz. 35 şirketten oluşan güncellenmiş bir örneklem üzerinde yeni bir yedi faktörlü regresyon için aşağıdaki sonucu elde ederiz (Ek 3). İncelenen yedi göstergeden altısının anlamlı olduğunu görüyoruz. Katsayılardaki işaretler, yukarıda yapılan varsayımları doğru bir şekilde yansıtmaktadır: satışların karlılığı ve yönetim kalitesi ne kadar yüksekse, temerrüt olasılığı o kadar düşüktür (y = 1) ve tersi: borç yükü ne kadar yüksekse, olasılık o kadar yüksektir varsayılan. İlk bakışta, işaret yalnızca mevcut likidite oranı için yanlıştır. Bununla birlikte, yüksek likidite değerleri, küçük olanlar kadar kötüdür - düşük iş verimliliğine ve kar kaybına işaret ederler. Yüksek likidite oranlarına sahip şirketler, potansiyel yatırımcıların gözünde onları daha az çekici kılan ve bu nedenle finansal koşullardaki değişikliklere karşı daha savunmasız hale getiren, karlarda azalmaya, düşük karlılığa ve ticari karlılığa yatkındır. En önemlileri, D (veya Borç - faiz getiren borcun hacmi) / FAVÖK katsayıları, pozitif kredi geçmişi ve finansal kaldıraçtır; faiz karşılama oranı önemsizdir.

Yukarıda, katsayıları T. Saaty yöntemini kullanarak modellerken, en önemli göstergelerin borç yükü ve finansal kaldıraç katsayıları olacağını da varsaydık. Katsayıların nihai anlamlılığının karşılaştırmalı analizi Tablo'da verilmiştir. 7.

Tablo 7. Katsayıların anlamlılığının karşılaştırmalı analizi

T. Saaty yöntemine göre uzman değerlendirmelerine dayalı gösterge	katsayı	Regresyon analizine dayalı gösterge	p değeri
Olumlu kredi geçmişi	0,1782	Borç Yükü Oranı, Net Borç / FAVÖK	0,014
Finansal kaldıraç oranı	0,1581	Olumlu kredi geçmişi	0,020
Borç Yükü Oranı, Net Borç /FAVÖK	0,1581	Finansal kaldıraç oranı	0,022
Satış getirisi, ROS	0,1256	Yönetim kalitesi	0,037
Mevcut likidite oranı	0,1072	Satış getirisi, ROS	0,039
Yönetim kalitesi	0,099	Mevcut likidite oranı	0,047
Faiz karşılama oranı, FAVÖK / Faiz	0,0790	Faiz karşılama oranı, FAVÖK / Faiz	Önemsiz
Şirketin son üç raporlama dönemindeki zararı	0,0418	Şirketin son üç raporlama dönemindeki zararı	Finansal olmayan bir gösterge olarak incelendi, önemsiz

Bu sonuçlar, T. Saaty yönteminin ve istatistiksel verilerin tutarlılığını göstermektedir. Analitik yaklaşıma göre en önemli üç gösterge, pratik bir çalışmada yüksek önemlerini doğrular, yalnızca göstergelerin sırasının dağılımı değişmiştir. Ayrıca, çalışmanın ilk bölümü için en önemsiz iki gösterge olan yönetim kalitesi ve FAVÖK / Faiz istatistiksel çalışmada önemsiz çıktı.

Böylece, regresyon analizi, çalışmanın analitik kısmında ağırlık katsayılarının önemini sınıflandırma ilkelerini doğrular ve oluşturulan puanlama modelinin istatistiksel önemi hakkında konuşmamızı sağlar.

GELİŞTİRİLEN PUANLAMA MODELİNİN SONUÇLARININ BELİRLENMESİ

Puanlama modelinin toplam maksimum puanı 50'dir. Her bir gösterge için, değer aralıklarını belirleme sürecinde, maksimum puandan sonraki seviyeyi belirledik; göstergelerin piyasa değerleri üzerinde. Bazı göstergeler için maksimumu takip eden seviye, toplam puan sayısının %75'i, diğerleri için ise %50'dir. Sonraki tüm seviyeler, yüksek kredi riskine sahip seviyeler olarak değerlendirilecek ve ilgili borçlular kötü olarak sınıflandırılacaktır. En çok tercih edilen grup, en önemli (ağırlık katsayıları açısından) göstergeler için maksimum gereksinimleri karşılayan borçluları içerir: kredi geçmişi, finansal kaldıraç ve borç yükü ile 31 puan tutarında satış getirisi ve en az yerine getirilmesi diğer göstergeler için aşağıdaki maksimum gereksinim seviyesi - toplamda 12,5. Yüksek kredi değerliliğinin alt düzeyi için toplam 43,5 puan.

Yüksek derecede kredibiliteyi karakterize eden sınır aralığını belirlemek için, Tablodaki maksimum değer aralığından sonraki mali ve mali olmayan göstergeler için puan sayısını hesaplıyoruz. 5 ve b. Göstergeler, katsayıların kabul edilen değerlerine göre diğer aralıklara bölünür. Aşağıdaki sınıflandırmayı elde edeceğiz (Tablo 8).

Tablo 8. Sonuçların sınıflandırılması

Tablo 9. Puanlama modelinin yordama yeteneği, %

Tabloya Göre. 8'de, şirket verilerini kendi koşullarına göre değiştirerek modelimizin öngörü yeteneğini değerlendireceğiz. Ek 4, ankete katılan şirketler için hesaplanan puanları göstermektedir. Göstergenin değerine bağlı olarak, geliştirilen modele göre puanı tabloya girildi ve ardından tüm puanlar bir integral göstergede ("Toplam" sütunu) toplandı. Toplam puanlara göre şirketler üç sınıfa ayrılmış, daha sonra veriler şirket tarafından gerçek bir temerrüt varlığı veya yokluğu ile karşılaştırılmıştır. "Doğru ya da değil" sütununda 1, puanlama modelinin doğru sonucu, 0 - bir hata anlamına gelir. Böylece aşağıdaki sonucu elde ettik (Tablo 9).

Puanlama modellerinin öngörü yeteneği için (çeşitli kaynaklarda açıklananlara göre) bir ortalama sonuç elde ettik. Bununla birlikte, modelimizin öngörü değerini artıran tip II hatalarının düşük yüzdesine dikkat çekmekte fayda var. Bu sonuç olumlu olarak değerlendirilebilir ve çalışmanın etkinliğini teyit eder niteliktedir.

ÇÖZÜM

Bu yazıda, büyük perakende ticaret işletmelerinin kredi değerliliğini değerlendirmek için bir puanlama modeli önerilmiştir. Model, borçlunun mali ve mali olmayan durumunu kapsamlı bir şekilde değerlendirmeyi mümkün kılan bir dizi performans göstergesine dayanmaktadır.

Değerlendirmenin sonuçlarına göre, borçluya, kredi riskinin derecesini ve borç vermenin fizibilitesini karakterize eden üç kredi değerlilik sınıfından biri atanır.

Perakende sektöründen bir borçlunun durumunu en doğru şekilde değerlendirmemizi sağlayan bir performans göstergeleri sistemi modelledik. Perakende pazarının liderlerini analiz ettikten ve onlar için kullanılan göstergeleri hesapladıktan sonra, onlar için kabul edilebilir değerlerin sınırlarını belirledik ve mümkün olan maksimum puanın farklı yüzdeleriyle farklı gruplarda sıraladık.

En çok zaman alan görev, incelenen göstergeler için ağırlık katsayılarını belirlemekti. Herhangi bir ideal yöntemin bulunmaması nedeniyle entegre bir yaklaşıma ihtiyaç olduğu sonucuna varılmıştır. Bütünleşik yaklaşım şu şekilde uygulandı: Çalışmanın ilk bölümünde ağırlık katsayıları analitik prosedürler kullanılarak, ikinci bölümde ise istatistiksel bir çalışma kullanılarak belirlendi.

Geliştirilen model, analiz için büyük kaynak maliyetleri gerektirmezken tahmin yeteneğinde yüksek sonuçlar göstermiştir. Geliştirilen skorlama sisteminin devreye alınması, büyük perakende işletmelerinin kredi karar verme süreçlerinin etkinliğini artıracak ve kredi sürecini optimize edecektir.

Edebiyat

1. Ayvazyan S.A., Mkhitaryan B.C. Uygulamalı istatistikler ve ekonometrinin temelleri. - M.: GÜ SEÇ, 1998.

2. Gavrilova A.H. Organizasyon finansmanı. -M.: Knorus, 2007.

3. Korobova G.G., Petrov M.A. Bir banka borçlusunun ödeme gücü ve rekabetçi bir ortamda değerlendirilmesi // Bankacılık hizmetleri. -2005. -Hayır.7/8. -C. 22-24.

4. Kulikov N.I., Chainikova L.I. İşletme-borçlunun kredibilitesinin değerlendirilmesi. - Tambov: TSTU Üniversitesi, 2007.

5. Rusya Federasyonu Merkez Bankası'nın 26 Mart 2004 tarihli ve 254-P sayılı "Kredi kurumlarının kredi, kredi ve eşdeğer borçlardaki olası zararlar için rezerv oluşturma prosedürü hakkında" Yönetmeliği - http:// base.garant.ru/584458/.

6. Saati T.L. Çatışma Durumlarının Matematiksel Modelleri / Ed. I.A. Ushakov. - M.: Sovyet radyosu, 1977.

7. Sheremet A.D., Saifulin R.C., Negashev H.B. Finansal analiz yöntemleri. - M.: Infra-M, 2001.

8. Abdou H.A., Pointon J. (2011). "Kredi puanlama, istatistiksel teknikler ve değerlendirme kriterleri: literatürün gözden geçirilmesi". Muhasebe, Finans ve Yönetimde Akıllı Sistemler, Cilt. 18, hayır. 2-3, s. 59-88.

9. Bailey M. (2004). Tüketici Kredisi Kalitesi: Sigortalama, Puanlama, Dolandırıcılığı Önleme ve Tahsilatlar. White Box Yayıncılık, Kingswood, Bristol.

10. Crook J., Edelman D., Thomas L. (2007). "Tüketici kredisi risk değerlendirmesinde son gelişmeler". Avrupa Yöneylem Araştırması Dergisi, Cilt. 183, hayır. 3, s. 1447-1465.

11. Gately E. (1996). Finansal Tahmin için Sinir Ağları: En Son Ticaret Sistemlerini Tasarlamak ve Uygulamak İçin En İyi Teknikler. New York: John Wiley & Sons, Inc.

12. Guillen M., Artis M. (1992). Bir Kredi Puanlama Sistemi için Sayım Veri Modelleri: Süre, Sayım ve Geçiş Modelleri Ekonometrisi Üzerine Kantitatif Ekonomi ve Ekonometride Avrupa Konferans Serisi. Paris.

13. Heffernan S. (2004). çağdaş bankacılık John Wiley & Sons, Inc., Chichester, Batı Sussex.

14. Liang S. (2003). "Çin'deki kurumsal mali sıkıntı: kredi puanlama modellerini kullanan ampirik bir analiz". Hitotsubashi Ticaret ve Yönetim Dergisi, Cilt. 38, hayır. 1, s. 13-28.

EK 1.

Örnek çalışma

№	Şirket	y / Varsayılan bayrak	Mevcut likidite oranı			FAVÖK / Faiz/ FAVÖK - faiz oranı		NI > 0/ Net karın varlığı
1	Eczane 36.6	0	0,82	1,32	2,41	1,83	0,0496	1	1	1
2	L "Etoile	0	5,04	2,75	10,98	1,64	0,007	1	1	1
3	Bağırmak	0	0,795	0,77	3,13	1,89	0	0	1	1
4	Kurdele	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	TAMAM	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	otomobil dünyası	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	Х5 Perakende Grubu	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	Şehir	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	çocuğun dünyası	0	0,93	0,83	2,14	3,99	0,032	1	1	1
10	Dixie	0	0,77	1,19	6,1	1,78	0,01	1	1	1
11	InterTrade	0	1,24	20,65	4,92	2,1	0,015	1	1	0
12	atlıkarınca	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	kuruş	0	0,68	2,93	7,03	1,82	0	0	1	1
14	Kosmos Grubu	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	Mıknatıs	0	ve	0,54	1,11	10,2	0,061	1	1	1
16	Manolya	0	0,27	2,35	3,55	1,02	0,064	1	1	1
17	M.Video (2007)	0	1,31	0,73	1,9	2,58	0,013	1	1	1
18	M.Video (2013)	0	0,95	0	0	0	0,039	1	1	1
19	A.Ş. "NTS"	0	1,18	3,09	5,44	1,05	0,21	1	0	1
20	Rusya Ayakkabıları	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	Kavşak (2005)	0	0,54	1,09	3,16	3,92	0,026	1	1	1
22	Pivdom	0	1,99	3	8	1,1	0,0006	1	0	1
23	Bir aile	0	10	0,28	1,66	6	0,58	1	1	1
24	Svyaznoy	0	1,07	0	0	0	0,001	1	1	1
25	elekam	0	1,44	1,82	4,25	1,3	0,01	1	1	1
26	Makro	1	1	15	11	1,52	0,01	1	0	1
27	Prestij Ekspresi	1	8	0,98	12,43	1,02	0,002	1	0	1
28	Arbat Prestij	1	0,49	1,81	7,6	1,45	0,017	1	1	0
29	Orkide	1	3	1,164	13	0	0,01	1	0	1
30	muz anne	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	beyaz fırkateyn	1	7	932	8,76	0,88	-0,4	0	1	1
32	martha	1	3,96	20	11	1/17	0,003	1	1	1
33	Matris	1	2,38	21	6,82	1	0,001	1	0	0
34	Merkür (kendini övmek)	1	1,12	9,98	7,32	1,27	0,003	1	1	1
35	Minnesota	1	0,79	4,39	12	0,12	-0,047	0	1	1
36	Mosmart	1	12	5	8	1,5	0	0	0	0
37	Polisiye	1	7,93	15	14	1,03	0,003	1	0	1
38	Karşılık	1	0,12	35557	0	0	-0,819	0	0	1
39	yedinci kıta	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	Teknosila	1	14	18	10,36	1	0,002	1	1	1
41	TOAP	1	7	22	10,83	1,04	0,009	0	0	1

Not: Şirketin temerrüdü varsa katsayı 1, temerrüt yoksa 0 değerini alır.

EK 2

41 şirket için sekiz faktörde regresyon

Regresyon ve Artık	DF / Serbestlik derecesi sayısı	SS / Kareler toplamı	MS=SS/DF	F-istatistiği	Önem F / Önem
Gerileme / Gerileme	8	6,250849408	0,781356176	7,133131961	2.17209Е-05
artık	32	3,505248153	0,109539005	-	-
Toplam / Toplam	40	9,756097561	-	-	-

Kullanılan Parametreler			tStat/ t-istatistik	P-değeri / Önemi
Kesişme / Sabit	0,354797355	0,281481615	1,260463691	0,216616062
Mevcut likidite oranı	0,034652978	0,01876389	1,846790732	0,074043212
Kaldıraç / Finansal kaldıraç	1.31819Е-05	4.77939E-06	2,758072506	0,009529947
D / FAVÖK / Faiz getiren borcun FAVÖK'e oranı	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / Satış getirisi	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / Net karın varlığı	-0,02891433	0,164713359	-0,175543319	0,861758855
Yönetici / Kalite Yönetimi	-0.266367tl2	0,134861932	-1,975109717	0,056935374
Tarihçe/ Kredi geçmişinin kalitesi	-0,109402928	0,159841844	-0,684444857	0,498621797

EK 3

35 şirket için yedi faktörde regresyon

Regresyon ve Artık	DFI Serbestlik derecesi sayısı	SS / Kareler toplamı	MS=SS/DF	F-istatistiği	Önem F / Önem F
Gerileme / Gerileme	7	5,898901667	0,842700238	9,097165886	9.56Е-06
artık	27	2,501098333	0,092633272	-	-
Toplam / Toplam	34	8,4	-	-	-

Kullanılan Parametreler	Katsayılar / Katsayılar	Standart Hata / Standart Hata	t İstatistik/ t-istatistik	P-değeri / Önem
Kesişme / Sabit	0,473712463	0,25308461	1,871755309	0,072111654
Mevcut likidite oranı	0,018420061	0,017803477	1,034632774	0,047018946
Kaldıraç / Finansal kaldıraç	0,017110959	0,009674238	1,768713818	0,022823937
D / FAVÖK / Faiz getiren borcun FAVÖK'e oranı	0,046019604	0,021802198	2,110778177	0,014194286
FAVÖK / Faiz / FAVÖK - faiz oranı	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / Satış getirisi	-0,582081686	0,483677061	-1,203451088	0,039247801
Yönetici / Kalite Yönetimi	-0,174077167	0,138900851	-1,253247659	0,03786026
Tarihçi / Kredi geçmişinin kalitesi	-0,378981463	0,194742843	-1,946061058	0,020243892

EK 4

Örneklemdeki şirketlerin puanlama modeli kullanılarak değerlendirilmesi

Şirket	-de	Mevcut likidite oranı	Kaldıraç / Finansal kaldıraç	D / FAVÖK / Faiz getiren borcun FAVÖK'e oranı	FAVÖK / Faiz / FAVÖK - faiz oranı	ROS / Satış getirisi	Yönetici / Kalite Yönetimi	Geçmiş / Pozitif kredi geçmişi	şirketin hayatı	toplam	Sınıf	Doğru ya da değil*
Eczane 36.6	0	4	6	4	4	6	5	9	3	41	2	1
L "Etoile	0	5	0	0	4	0	5	9	3	26	3	0
Bağırmak	0	4	8	0	4	0	5	9	3	33	2	1
Kurdele	0	1	0	0	4	6	5	9	3	28	3	0
TAMAM	0	1	8	4	4	6	5	9	3	40	2	1
otomobil dünyası	0	5	8	0	3	6	5	9	3	39	2	1
Х5 Perakende Grubu	0	1	8	0	4	5	5	9	3	35	2	1
çocuğun dünyası	0	4	8	4	4	6	5	9	3	43	2	1
Dixie	0	4	6	0	4	0	5	9	3	31	2	1
atlıkarınca	0	1	8	0	4	6	5	9	3	36	2	1
kuruş	0	1	0	0	4	0	5	9	3	22	3	0
Kosmos Grubu	0	5	6	0	4	6	5	9	3	38	2	1
Mıknatıs	0	5	8	8	4	6	5	9	3	48	1	1
Manolya	0	0	2	0	2	6	5	9	3	27	3	0
M.Video (2007)	0	5	8	4	4	0	5	9	3	38	2	1
A.Ş. "NTS"	0	5	0	0	2	6	0	9	3	25	3	0
Rusya Ayakkabıları	0	4	2	4	4	6	5	9	3	37	2	1
Kavşak (2005)	0	1	6	0	4	5	5	9	3	33	2	1
Pivdom	0	5	0	0	2	0	0	9	3	19	3	0
Bir aile	0	5	8	4	4	6	5	9	3	44	1	1
elekam	0	5	4	0	2	0	5	9	3	28	3	0
Makro	1	4	0	0	4	0	0	9	3	20	3	1
Prestij Ekspresi	1	5	8	0	2	0	0	9	3	27	3	1
Arbat Prestij	1	0	4	0	3	0	5	0	3	15	3	1
Orkide	1	5	6	0	0	0	0	9	3	23	3	1
beyaz fırkateyn	1	5	0	0	0	0	5	9	3	22	3	1
martha	1	5	0	0	2	0	5	9	3	24	3	1
Matris	1	5	0	0	0	0	0	0	3	8	3	1
Merkür (kendini övmek)	1	5	0	0	2	0	5	9	3	24	3	1
Minnesota	1	4	0	0	0	0	5	9	3	21	3	1
Mosmart	1	5	0	0	3	0	0	0	3	11	3	1
Polisiye	1	5	0	0	2	0	0	9	3	19	3	1
yedinci kıta	1	5	8	4	3	6	0	9	3	38	2	0
Teknosila	1	5	0	0	0	0	5	9	3	22	3	1
TOAP	1	5	0	0	2	0	0	9	3	19	3	1

* Sütun, puanlama modeline göre şirkete borç verme konusunda doğru kararı alıp almadığımızı gösterir.

İngilizceden birebir çeviride "puanlama" terimi "puanlama" anlamına gelir. Bu, belirli bir kişiye borç vermek için sistemin ve risk değerlendirme yönteminin adıdır, matematiksel bir tahmine dayalı risk yönetimi. Banka puanlaması, kredi geçmişinizden ve diğer bazı verilerden elde edilen bilgilere dayanarak geç ödeme olasılığını belirlemenizi sağlar. Ana kriter, daha önce finans kurumlarının çalışanları tarafından manuel olarak hesaplanan puanlardır, ancak şimdi giderek daha sık özel bir program tarafından hesaplanmaktadır.

Puanlama, bir uzmanın bir başvuruyu değerlendirmek için en fazla bir saatinin olduğu açık borç verme, mikrofinans alanında etkili bir şekilde çalışır. Potansiyel bir borçlunun verileri özel bir programa girilir. Sistem bilgileri istatistiklerle karşılaştırır. Örneğin, veri tabanında aynı yaştaki ve / veya meslekten kişilerin kredileri geri ödemediğine dair çok fazla bilgi varsa, karar olumsuz olabilir - banka nedenlerini açıklamadan reddedebilir.

Borçlunun -bir bireyin- kredi değerliliğinin değerlendirilmesi, otomatik olarak aşağıdakiler de dahil olmak üzere çeşitli bilgilerin analizine dayanır:

• tanımlama verileri. Başvuru sahibinin pasaport verileri, fotoğrafı işlenmektedir. Zaten bu aşamada dolandırıcılar, kredi geçmişi kötü olan kişiler tespit ediliyor;
• sosyal durum. Başvuranın cinsiyeti, yaşı, eğitimi ve çalıştığı yer dikkate alınır. Kayıt ve ikamet adresi, bir ailenin varlığı, bakmakla yükümlü olunan kişiler dikkate alınır;
• Finansal pozisyon. İdeal olarak, sadece yeterli değil, aynı zamanda düzenli bir gelire sahip olmak da gereklidir. Bazı bankalar ayrıca olası masrafları da hesaba katar: elektrik faturaları, anaokulu vb. Birçok başvuru sahibi, bakmakla yükümlü oldukları kişileri beyan etmeyerek veya gelir miktarını fazla tahmin ederek hileler kullanır. Küçük krediler için bu işe yarayabilir, ancak büyük krediler için bankalar genellikle verileri çok daha kapsamlı bir şekilde kontrol eder;
• kredi geçmişi. Bir kişinin kredi değerliliğinin değerlendirilmesinde, daha önceki kredilere ilişkin bilgiler belirleyici faktörlerden biridir. Ödenmemiş krediler, gecikme olup olmadığı ve ödenme süreleri belirlenir. Kredilere dikkatli bir şekilde hizmet verildiyse, sistem müşterinin gelecekte aynı davranışı sergileme olasılığı yüksek olacak ve puanı artıracaktır. Aynı prensip tersine işler;
• işlemsel davranış. Değerlendirme seçeneği, bir finans kuruluşunun müşterisi olan başvuru sahipleri için mevcuttur. Plastik kart sahipleri, mevduat hesapları, bordro projelerine katılanlar genellikle yüksek puan alırlar. Sistem, alımların yapıldığı tutarları, satış noktası kategorilerini değerlendirir.

Tüm veriler ayrı ayrı kontrol edilir ve tutarsızlıklar için birbirleriyle karşılaştırılır. Gelir ve giderler, konum ve ikamet yeri vb. arasında bir bağlantı olmalıdır.

tarafsızlık. Kredi değerliliğini değerlendirmeye yönelik puanlama sistemi, bir kişinin kişisel özelliklerini dikkate almadan gerçekler ve rakamlarla çalışır. Başvuruyu kabul eden ofis çalışanı, hesaplama algoritmasını hiçbir şekilde etkileyemez. Bir kredi memuru, program borçluyu ödeme gücüne sahip bir kişi olarak değerlendirdiyse, kredi vermeyi makul olmayan bir şekilde reddetme hakkına sahip değildir.

Yeterlik. Manuel modda puanlama bir tablo şeklinde gerçekleştirilir. Uzman, ayrı satırlarda verileri bağımsız olarak girer ve yalnızca kendi deneyim ve bilgilerine odaklanarak puanlar atar. Süreç zahmetli ve uzun, başvuru sahipleri bir saat veya daha fazla beklemek zorunda kalıyor. Modern programlar skoru yüzlerce kat daha hızlı hesaplar.

finansal fayda. Kredi derecelendirme sistemi kullanan bankalar genellikle daha uygun kredi koşulları sunar. Risklerin hesaplanması ve olası ödeme yapmayanların otomatik olarak ortadan kaldırılması, genellikle faiz oranına dahil olan geri ödememe payını önemli ölçüde azaltır. Bu hem borç alan hem de borç verene fayda sağlar.

Öncelikle gecikmeden iyi bir kredi geçmişi oluşturmak gerekiyor. Nesnel nedenlerle zamanında ödemeler mümkün değilse, bankayı en kısa sürede bilgilendirmek ve geçici iflas durumunu kanıtlamak gerekir. Çoğu borç veren, ödeme ertelemeleri, yeniden hesaplama veya diğer çözümler sağlayarak müşterilerinin ihtiyaçlarını karşılar. Bu durumda, ödemelerin reddedilmesiyle tarih bozulmaz. Tarihte zaten olumsuz çizgiler varsa, bunlar zamanında ödenen kredilerle telafi edilebilir.

Kredi değerliliğinin puanlama değerlendirmesini artırmanın bir başka yolu da bir mevduatın varlığıdır. Açık bir banka mevduatı, müşterinin ödeyecek paraya sahip olduğunu açıkça gösterir. Aynı durum, genellikle puanı yüksek olan bordro kartı sahipleri için de geçerlidir.

Puanı yükseltmek için başvuru formunu doldurmayı dikkatlice düşünmelisiniz. Güvenilir iletişim bilgilerini vermeniz ve ankete telefon numarasını girdiğiniz herkesi uyarmanız önerilir. Bir banka çalışanı çalmaya başlarsa, tüm aboneleri araması gerekir. Aksi takdirde, bilgiler güvenilmez olarak kabul edilebilir ve bu nedenle kredi reddedilebilir.

Puanlama programı iflas ettiğinizi düşündüğü için krediniz reddedildiyse, umutsuzluğa kapılmayın. Belki de algoritma ayarları sadece bu bankada sizin için elverişsizdir. Bunu kontrol etmek için sitemizdeki puanlamayı geçmeye çalışın.

İyi çalışmalarınızı bilgi bankasına göndermek basittir. Aşağıdaki formu kullanın

Bilgi tabanını çalışmalarında ve işlerinde kullanan öğrenciler, lisansüstü öğrenciler, genç bilim adamları size çok minnettar olacaklar.

Yayınlanan http://www.allbest.ru/

Yayınlanan http://www.allbest.ru/

• giriiş
• 1.4 Sinir ağları
• 1.5 CHAIDanaliz
• 1.6 Diğer yöntemler
• 2.1 Sorunun ifadesi
• 3.1 Monge-Kantorovich sorunu
• 3.2 Monge-Kantorovich probleminin puanlamaya uygulanması
• Çözüm
• Kaynakça

giriiş

Puanlama, derecelendirme oluşturmanın ve çeşitli nesneleri gruplar halinde sınıflandırmanın buluşsal bir yoludur. Benzer sosyal göstergelere sahip insanların aynı şekilde davrandığı varsayımına dayanmaktadır. Bankacılıkta, pazarlamada, sigortacılıkta kullanılır.

Geleneksel puanlamanın temel amacı, banka müşterilerini, borç verenin bu müşteriyle ilgili uygun eylemleri seçebileceği temele göre “iyi” ve “kötü” olarak sınıflandırmaktır. Örneğin, "kötü" bir müşteri, ampirik olarak bir krediyi geri ödeme olasılığı düşük olan bir müşteri olarak tanımlanabilir. Ancak, kural olarak, böyle bir "kötü" müşteri tanımı, müşterinin banka için istenmeyen herhangi bir davranışını kapsayacak şekilde genişletilir. Sınıflandırma, müşterinin puanlama puanının hesaplandığı bir puanlama kartı temelinde gerçekleştirilir. Bayes ayrımcı puanlama

Puanlamayla ilgili literatürden birkaç çalışmaya dikkat çekiyoruz.

Elizabeth Mays tarafından düzenlenen "Kredi Puanlama Rehberi", 2008 - Rusça puanlama üzerine tek kitap. Genel kavramlar açıklanmakta, puan kartı oluşturma yöntemleri analiz edilmekte ve pratikte puanlama uygulaması tartışılmaktadır. Kitap, finans alanında yabancı uzmanların yazdığı makalelerden oluşuyor.

Samuel Glasson'ın tezi, “A Censored Sampling Method for Credit Scoring”, 2007. Sansürlü veriler altında kredi puanlama için hayatta kalma analizi araçlarını inceler. Doğrusal regresyon yönteminin ve özellikle Buckley-James yönteminin uygulaması analiz edilir. Çalışmanın pratik kısmı, bu yöntemlerin kredi temerrüt zamanının ve bir sonraki ödemenin ödeme zamanının tahminine uygulanmasını içermektedir.

Christina Bolton'un “Lojistik regresyonlar ve kredi puanlamadaki uygulamaları” adlı tez çalışması, 2009. Kredi puanlama kavramı, Güney Afrika'daki bankacılıkla ilişkili olarak analiz ediliyor. Bir puanlama modeli oluşturma yöntemleri, lojistik regresyon yöntemine özel bir vurgu yapılarak ele alınır. Bu yöntem bir puanlama modeli oluşturmak için kullanılır.

Mattias Kremple'in tez çalışması “Uyarlanabilir modeller ve kredi puanlamada uygulamaları”, 2011. Vurgu, veri kayması ve gecikmesi koşullarında tahmine dayalı modeller oluşturmaya yönelik yöntemlerin incelenmesi üzerinedir. Karar ağacı yöntemine dayalı puanlama modelleri oluşturmak için yeni bir yöntem sunulmuştur. Sunulan yöntem, iki gerçek finansal veri setindeki sapmayı tahmin etmek için uygulanır.

Yukarıda belirtilen çalışmalarda ortak bir sorun vardır: Yöntemlerin puanlama modellerinin oluşturulmasına uygulanması haklı değildir. Bu, elde edilen verilerin doğruluğu hakkında şüphe uyandırır. Görev, uygulaması gerekçelendirilecek bir yöntem oluşturmaktır. Bu yazıda, bu sorunu çözen bir yöntem sunuyoruz.

Puanlama modeli oluşturmak için birçok yaklaşım vardır. Bu çalışmanın 1. Bölümü, yukarıdaki tezlerde kullanılan yöntemleri açıklamaktadır. Bölüm 2, matematiksel bir puanlama modeli sunar ve bir puanlama modeli oluşturmak için ampirik Bayesçi yaklaşımı analiz eder: yaklaşım teorik olarak açıklanır ve ardından bir puanlama modeli oluşturmak için Sberbank of Russia'dan alınan gerçek verilere uygulanır. Bölüm 3, Monge-Kantorovich problemine dayanan bir yöntemi tanıtıyor. Bu yöntemin kullanımının teorik gerekçesi verilmiştir. Daha sonra Bölüm 2'de kullanılan veriler üzerinde bir puanlama modeli oluşturmak için kullanılır.

Bölüm 1. Puanlama modelleri oluşturma yöntemleri

1.1 Puanlamanın ortaya çıkışı ve gelişiminin tarihi

Başlangıçta, bir kredinin verilip verilmeyeceğine karar verme sürecini otomatikleştirmek amacıyla puanlama geliştirildi. Puanlama uygulanmadan önce, kimin ne miktarda kredi vereceğine bir kredi yetkilisi karar veriyordu. Buna, müşterinin kredi değerliliğini etkileyen parametrelerinin rehberliğinde, deneyimine ve kendi görüşüne dayanarak karar verdi.

1940'larda puanlama sistemlerinin tanıtımı başladı. 1941'de David Duran, tahmin sistemindeki çeşitli faktörlerin rolünü değerlendirdiği, kredi puanlama üzerine ilk araştırma makalesini yayınladı. Dünya Savaşı'nın sona ermesinden sonra, kredi ürünlerine olan talep fırladı ve geleneksel karar verme yöntemlerinin çok sayıda müşteride iyi çalışmadığı ortaya çıktı. Kısmen kredi kartlarının piyasaya sürülmesinden kaynaklanan kredi talebindeki patlama, borç verenleri otomatik kredi karar verme sistemlerini uygulamaya motive etti. Bilgisayar teknolojisinin paralel gelişimi buna katkıda bulundu ve büyük miktarda finansal verinin işlenmesini mümkün kıldı.

FICO, 1956 yılında tüketici kredileri geliştirmek için kuruldu. 60'lı yıllarda puanlama alanında bilgisayar teknolojilerinin tanıtımı başladı. 1963'te, kredi puanlama için ayrımcı veri analizinin kullanılması önerildi. Ve son olarak, 1975'te "ABD Eşit Kredi Fırsatı Yasası I"in kabul edilmesiyle puanlama nihayet kabul edildi.

Kredi puanlamanın geliştirilmesinde önemli bir adım, 90'ların başında davranış puanlamasının ortaya çıkmasıydı. Amacı, mevcut müşterilerin ödemelerini tahmin etmektir.

Son zamanlarda, puanlama sistemlerinin gelişimi, dış çevre tarafından yapılan düzenlemelerle yönlendirilmektedir. İkinci Basel Anlaşması'nın (Basel Bankacılık Denetim Komitesi 2001) yürürlüğe girmesiyle bağlantılı olarak bankalara getirilen sermaye yeterliliği gereksinimlerinin bir parçası olarak, kurumlar kredi portföyleriyle ilişkili riskleri yakından takip etmelidir. Kredi puanlama yöntemleri bunu yapmanızı sağlar.

İlk puanlama sisteminin tanıtılmasından bu yana birçok matematiksel ve istatistiksel yöntem kullanılmıştır. İstatistiksel olanlar arasında: diskriminant analizi, lineer regresyon, lojistik regresyon ve karar ağacı. Diğer yöntemler matematikten geldi: matematiksel programlama, sinir ağları, genetik algoritmalar ve uzman sistemler. Ardından, en yaygın yöntemleri analiz edeceğiz ve bunların avantajları ve dezavantajları hakkında konuşacağız.

1.2 Lineer diskriminant analizi ve lineer regresyon

Doğrusal diskriminant analizi, nesneleri önceden tanımlanmış kategorilere ayırma yöntemidir. Fikir, nesneleri en iyi şekilde kategorize edecek açıklayıcı değişkenlerin doğrusal bir kombinasyonunu bulmaktır. En iyi bölme ile, bu kategorilerin ortalamaları arasındaki maksimum mesafeyi sağlayan şey kastedilmektedir. Puan, müşterinin özellik değerlerinin doğrusal bir fonksiyonu olarak hesaplanır:

Burada, müşteri öznitelik değerleri, ilişkiyi maksimize eden model parametreleridir.

için ortalamaların vektörü nerede iyi ve kötü müşteriler, ortak kovaryans matrisidir.

Doğrusal ayırma yöntemi, iki koşulun yerine getirildiğini varsayar. İlk olarak, her iki grup için bağımsız değişkenlerin kovaryans matrislerinin eşleşmesi gerekir. İkincisi, bağımsız değişkenler normal dağılmalıdır. Puanlamada genellikle bağımsız değişkenler ayrıktır veya normal dağılım göstermez. Dolayısıyla bu yöntemin uygulanmasında sorunlar yaşanmaktadır. Ancak normalliğin ihlali durumunda bile bu yöntemin yaygın olarak uygulanabilir olduğu gösterilmiştir. Avantajı kullanım kolaylığıdır.

Puanlama modelini oluşturmak için benzer bir doğrusal regresyon yöntemi de kullanılır. İki kategori olması durumunda, doğrusal diskriminant analizi yöntemine eşdeğerdir ve bir değişkenin (bağımlı) diğerlerine (bağımsız) bağımlılığını ifade eder. Genel olarak şöyle görünür:

bağımlı değişken;

Açıklayıcı bağımsız değişkenler;

En küçük kareler yöntemiyle bulunan bilinmeyen regresyon katsayıları;

Doğrusal puanlama modelini uygulamak için aşağıdaki varsayım gereklidir: bağımlı ve bağımsız değişkenler arasındaki ilişki doğrusal olmalıdır. Aksi takdirde, tahmin doğruluğu önemli ölçüde bozulur. Hatalar bağımsız olmalı ve normal dağılmalıdır.

Diskriminant analizinde olduğu gibi, kredi puanlama koşullarında doğrusal regresyon uygulamak için gereken varsayımlar sıklıkla ihlal edilir. Doğrusal regresyon, kabul edilemez olan aralık dışı bir olasılık tahmini verebilir. Örneğin, lojistik regresyonun bu dezavantajı yoktur.

1.3 Lojistik regresyon ve probit regresyon

Bu tür regresyonlar, verilerin kategorik olarak sunulmasına izin verdiği için bir puanlama modeli oluşturmak için daha uygundur. Lojistik regresyon modeli şu şekilde tanımlanır:

müşterinin "kötü" olma olasılığının bir tahmini nerede , - olabilirlik oranı maksimizasyon koşulu aracılığıyla hesaplanan bilinmeyen regresyon parametrelerinin bir vektörü.

Lojistik regresyon modeli, logaritma fonksiyonuna dayanmaktadır. Buna karşılık, probit regresyonu normal dağılıma dayalıdır ve aşağıdaki gibi verilir:

nerede. Vektör, lojistik regresyon modelindekiyle aynı şekilde bulunur.

Lojistik regresyon ve probit regresyon şekil olarak benzer dağılımlar kullandığından, bu modellerin uygulanmasının sonuçları da benzerdir. Lojistik regresyon tercih edilir çünkü hesaplamalar probit regresyondan daha basittir ve onunla çalışmak için daha fazla araç vardır. İkili doğası nedeniyle, puanlama modelleri oluşturmak için kullanıldığında lojistik regresyon doğrusal regresyona tercih edilir. Uygulamada, tahmin edilen sonuçların doğruluğundaki farkın önemsiz olduğu bulundu. Ancak skorlama sistemlerinde lojistik regresyon ağırlıklıdır.

1.4 Sinir ağları

Yapay sinir ağları, doğada bulunan sinir ağlarının simülasyonlarıdır. Bu kavram, insan beyninde meydana gelen süreçleri modellemeye çalışırken ortaya çıktı.

Çok katmanlı algılayıcılar olarak da adlandırılan sinir ağları, özellikle sınıflandırma problemini çözmek için uygundur. Çeşitli alanlarda yaygın olarak kullanılmaktadırlar: finans, bilgisayar bilimi, fizik ve tıp. Sinir ağlarının popülaritesi kısmen, karmaşık durumları kullanıcıya çok az maliyetle modelleme yeteneğinden kaynaklanmaktadır. Yapay sinir ağları, doğası gereği, verilerdeki herhangi bir doğrusal olmayan durumu otomatik olarak algılar ve buna göre ayarlama yapar. Ayrıca, çok katmanlı sinir ağları evrensel yaklaşımlayıcılardır, yani herhangi bir işleve istenildiği kadar doğru bir şekilde yaklaşabilirler.

Sinir ağları, sırasıyla düğümlerden oluşan katmanlardan oluşur. Ağlarda 3 tip katman vardır: girdi, gizli, çıktı. Girdi katmanı, cinsiyet, yaş vb. müşteri özniteliklerinden oluşur.

m girişli k'inci düğümün çıktısı aşağıdaki gibi temsil edilir:

burada aktivasyon fonksiyonu, giriş veri vektörü, düğümler arasındaki bağlantının gücünü gösteren ağırlık vektörüdür.

Ana dezavantaj, tahminin yüksek doğruluğunu elde etme yeteneğine rağmen, şu veya bu kararın neden verildiğini anlamanın imkansız olmasıdır.

Kredi puanlama bağlamında, sinir ağlarının geleneksel yöntemlerin yanı sıra performans gösterdiği gösterilmiştir.

1.5 CHAID analizi

Bu yöntem, özellikle ilişkiler doğrusal değilse, veriler arasındaki ilişkileri bulmak için harikadır. Karar ağaçları oluşturmak için kullanılır ve diskriminant analizi ve lineer regresyon gibi klasik yöntemlerle pek çok ortak noktası vardır.

CHAID kısaltması, Ki-kare Otomatik Etkileşim Dedektörü anlamına gelir.

Bu yöntemin esnekliği, kullanımını çekici kılmaktadır, ancak bu, geleneksel yöntemler yerine kullanılması gerektiği anlamına gelmez. Dağılımla ilgili katı teorik varsayımlarla karşılaşıldığı durumlarda geleneksel yöntemler tercih edilmektedir. Bir araştırma tekniği olarak veya geleneksel yöntemler başarısız olduğunda, CHAID analizi eşsiz bir araçtır.

CHAID, özellikle büyük veri kümelerini analiz etmek için çok uygun olan nispeten basit bir algoritmaya dayalı olarak ikili olmayan ağaçlar (yani ikiden fazla dalı olabilen ağaçlar) oluşturur. Algoritma, ki-kare testinin uygulanmasına dayanmaktadır.

1.6 Diğer yöntemler

Karar ağacı.

Yöntem, verileri, her biri davranışında orijinal veri kümesinden daha tek tip olan alt kümelere ayırır. Bu alt kümelerin her biri, aynı algoritmaya göre ayrıca bölünür. Bölünmenin sonucuna bu ağacın "yaprağı" denir. Benzer bir prensipte çalışan başka yöntemler de vardır.

Bu yöntemin avantajları basitlik ve sezgiselliktir. Yöntem, eksik gözlemlerle çalışabilmektedir. Çalışmalarından önce veriler hakkında pratik olarak hiçbir şey bilinmediğinde ve herhangi bir tahmin veya hipotez oluşturmanın imkansız olduğu durumlarda özellikle geçerlidir.

Bu yöntemin ana dezavantajı, bilgisayar hesaplamalarının karmaşıklığıdır. Ortaya çıkan ağaçların hacimli olması nedeniyle, modeli inceleme süreci zahmetlidir. Durumdaki değişiklikler tüm karar ağacının gözden geçirilmesine yol açabilir.

Temel olarak, yöntem bir yardımcı olarak kullanılır. Örneğin, bağımlı değişkenin davranışını en güçlü şekilde açıklayan değişkenleri belirlemek.

Yöntemken yakın komşular Parametrik olmayan nesne sınıflandırma yöntemi. Veriler arasındaki benzerliği ölçen bir metriğe dayalıdır.

Başlangıçta, eğitim verileri girilir, sınıflara ayrılır. Daha sonra tahmin edilen veriler girilir ve girilen veriler ile eğitim verileri arasındaki benzerlik belirlenir. Metrik temel alınarak k en yakın komşu seçilir. Yeni eleman, komşularının çoğunun ait olduğu sınıfa atanır.

Komşuların sayısı k, telafi ve dağılım arasındaki bir değiş tokuşla belirlenir. Sınıf ne kadar küçükse k o kadar küçük seçilir. Bu durumda, büyük k için sonucun daha iyi olması gerekli değildir.

Bu yöntemin avantajlarından biri, modeli değiştirmeden yeni veri eklemenin kolay olmasıdır. Bu yöntemin parametrik olmayan doğası, özellik uzayındaki risk fonksiyonlarında irrasyonellikle çalışılmasına izin verir.

K'yi seçmek için resmi bir yöntemin olmaması ve sonucun olasılıksal olarak yorumlanmasının imkansızlığı, çünkü sonuç beklenen frekanslardır, yöntemin ana dezavantajlarıdır. Bu zorluklar Bayes yaklaşımı yöntemi kullanılarak çözülebilir.

Bu yöntem puanlamada çok az kullanılır. Bunun nedenlerinden biri, bir nesneyi sınıflandırmak için tüm nesnelere dayalı bir tabana sahip olmanın gerekli olmasıdır.

Daha yeni destek vektör makinesi, makine öğrenimi üzerine kurulu, geleneksel puanlama yöntemlerinden daha kötü olmadığını kanıtladı. İki süreçten oluşur: ilki, girdi verilerini özellik uzayında yüksek boyutlu verilere dönüştürür; ikincisi, verileri doğrusal bir sınıflandırıcı kullanarak sınıflandırır. Sınıflandırıcı, örneğin doğrusal diskriminant analizi olabilir.

1.7 Farklı yöntemlerin karşılaştırılması

Puanlama yöntemleri için bir dizi karşılaştırmalı çalışma yapılmıştır. Sıralama kriterleri, sınıflandırma hatalarının yüzdesi ve ROC eğrisi idi. 8 veri seti incelenmiştir.

	Ortalama puanı
Nöral ağlar
Destek vektörleri
Lojistik regresyon
Lineer Diskriminant Analizi
Doğrusal LS-SVM'ler
Genişletilmiş Bayes Ağacı
Naive Bayes Sınıflandırıcı
Radyal tabanlı fonksiyonlar
k-en yakın komşular (k=100)
Doğrusal SVM
İkinci dereceden Ayrım Analizi
karar ağacı
Doğrusal programlama
karar ağacı
karar ağacı
k-en yakın komşular (k=10)
karar ağacı

Tablo, sinir ağlarının ve destek vektör makinesinin incelenen 8 veri setinde en iyisi olduğunu göstermektedir. Ek olarak, lineer ve diskriminant analizi gibi geleneksel yöntemler de rekabetçi olduklarını göstermiştir. Bundan, çoğu kredi notu verisinin yalnızca biraz doğrusal olmayan olması muhtemeldir. Sonuç olarak, doğrusal yöntemler doğrusal olmayanlarla aynı seviyede olduğunu kanıtladı.

Her durum için optimal bir puanlama modeli yoktur. Model seçimi, verilere ve modelin oluşturulmasının yönlendirildiği amaca bağlıdır. Ayrıca, en iyisini tahmin eden yöntem, belirli bir durumda mutlaka en iyisi değildir.

Bölüm 2 Ampirik Bayes Yaklaşımı

Bu bölümde ampirik Bayes yaklaşımını analiz edeceğiz ve onu bir puanlama modeli oluşturmak için kullanacağız. İnşaat, "Sberbank of Russia" bankasının tüketici kredilerine ilişkin istatistiklere dayanacaktır.

2.1 Sorunun ifadesi

Bireylere kredi veren belirli bir banka olduğunu varsayalım. Müşteriler kredi için bankalara başvuruyor. Kredi verme kararı, müşteri hakkındaki bilgilere dayanarak banka tarafından verilir.

Banka, müşteri hakkında çeşitli kaynaklardan bilgi alır: müşterinin kendisinden, kredi bürosundan ve diğer kaynaklardan. Müşterinin kendisi tarafından sağlanan bilgileri dikkate alacağız. Banka, borçlu tarafından doldurulan bir anket yoluyla alır.

Ankette, borçlu şu verileri belirtir: cinsiyet, yaş, medeni durum, çocukların varlığı, aylık gelir, gayrimenkulün mevcudiyeti vb.

Bu verilere dayanarak, müşterileri belirli açılardan benzer oldukları gruplara ayıracağız. Her müşteri için Bayes yöntemine göre bir derecelendirme bulacağız - müşterinin bu gruba ait olması koşuluyla krediyi geri ödemesinin ampirik olasılığı.

Yöntemi uygulamak için, veriler aşağıdaki koşulları sağlamalıdır:

Bağımsızlık - müşteriler krediyi geri ödemek için gizli anlaşma yapmazlar;

homojenlik - veriler bir genel popülasyondan alınır;

eşitlik - müşterilerin gruplara eşit şekilde dağılma olasılığı vardır.

Uygulamaları aşağıda doğrulanmıştır.

2.2 Puanlama modeli oluşturma

Bir olasılık uzayı tanıtıyoruz. Bu alanda bankanın müşterisini belirleyelim.

Bankanın her müşterisinin, tamamlanan ankete göre bir dizi özelliği vardır. Örneğin: evli ya da değil, kategorilere ayrılmış gelir düzeyi, araba sahipliği ve diğer özellikler. Bu özelliklere göre, mekanın bir bölümünü kümelere ayırıyoruz.

Böylece, müşteri seti gruplara ayrılır.

Rastgele değişkenleri tanıtalım.

j'inci gruptaki müşteri sayısı.

Verilerden ortak bir ampirik olasılık dağılımı oluşturabiliriz.

A olayının a priori ampirik olasılığı nerede,

A koşulu altında B olayının ampirik olasılığı,

A olayının B koşulu altında ampirik olasılığı, buna sonsal olasılık denir,

B olayının ampirik olasılığı.

Bu formül, B olayının meydana geldiği gerçeği göz önüne alındığında, A olayının olasılığını fazla tahmin etmenize izin verir.

Koşullu olasılığın tanımından şunu yazabiliriz:

(1)'den ifade ederek ve ifadeyi bu formülde yerine koyarak şunu elde ederiz:

2.3 Verilere bir model uygulama

Sberbank of Russia'nın 1977 müşterisi hakkında, krediyi geri ödeyip ödemedikleri hakkında bilgiler de dahil olmak üzere verilerimiz var.

Bayes yaklaşımını uygulamak için 3 hipotezin karşılandığından emin olmak gerekir:

· bağımsızlık konusunda - müşteriler krediyi ödemek veya ödememek için gizli anlaşma yapmazlar;

homojenlik hakkında - veriler bir genel popülasyondan alınmıştır;

· dağıtım türü hakkında - veriler eşit olarak dağıtılır.

bağımsızlık hipotezi

Bu hipotezi test etmek için Spearman sıralama testini kullanıyoruz. Bu kriterin istatistiği, aşağıdaki gibi tanımlanan sıra korelasyon katsayısıdır.

İki dizi gözlem verilmiştir: i. Bu gözlemlere dayanarak, sıra çiftleri oluştururuz. Rank derken, bir varyasyon dizisindeki bir gözlemin işgal ettiği yerin sayısını kastediyoruz. Rütbeyi de aynı şekilde anlıyoruz. Ardından, sıra çiftlerini ilk bileşenin artan düzeninde yeniden düzenleriz. Elde edilen seriyi gösterelim.

Korelasyon katsayısı aşağıdaki formülle bulunur:

Kriterin kritik bölgesi. Bulmak için, büyük n için dağılım yasasının eğilimli olduğu gerçeğini kullanırız. Buradan. İşte standart Gauss yasasının dağılım işlevi.

Anlamlılık düzeyinde, =1.959964. Kritik bölgenin sınırı. Bulunan korelasyon katsayısı.

Böylece, kriterin istatistikleri kritik bölgesine düşmemekte ve bağımsızlık hipotezini 0,05 anlamlılık düzeyinde kabul edebilmekteyiz.

homojenlik hipotezi

Hipotez aşağıdaki gibi formüle edilmiştir. Verilen iki örnek ve dağılımlardan ve sırasıyla, dağılım fonksiyonları ile ve. Sonra homojenlik hipotezi.

Bu hipotezi test etmek için Smirnov kriterini kullanıyoruz.

Bu kriterin istatistikleri, örneklemler üzerine kurulu ampirik dağılım fonksiyonlarının nerede olduğu ve. Kritik bölge formda belirtilir. Büyük n ve m için, kritik bölgenin sınırı şuna eşit alınabilir, nerede. Kolmogorov dağılım işlevidir.

Böylece, homojenlik hipotezi ise reddedilir. 0.05 anlamlılık düzeyinde. kritik bölgenin sınırıdır. İstatistik.

Test istatistiği kritik bölgeye düşmez ve homojenlik hipotezini 0,05 anlamlılık düzeyinde kabul edebiliriz.

Dağıtım türü hakkında hipotez

Bir hipotez formüle edelim. Bize bilinmeyen bir dağılım fonksiyonuna sahip bir dağılımdan bir örnek veriliyor. Aralıktaki düzgün dağılımın dağılım fonksiyonu olup olmadığını kontrol etmek gerekir.

Bunu yapmak için Pearson uyum iyiliği testini kullanıyoruz.

Test istatistiği. Burada, i'inci dilime düşen gözlemlerin sıklığı, i'inci dilime düşme olasılığıdır. Test edilen hipotez doğruysa, büyük n için istatistikler k-1 serbestlik dereceli bir ki-kare dağılımına uyar.

İstatistik kritik değeri aşarsa hipotez reddedilir.

Statistica yazılım paketini kullanarak istatistiklerin değerini hesaplayacağız - =24.19468, k-1=39. Önem düzeyinde kritik bölgenin sınırı.

Bu nedenle, istatistiklerin değeri kritik düzeyi aşmamakta ve danışanların gruplara göre tek tip dağılımı hipotezi 0,05 anlamlılık düzeyinde kabul edilmektedir.

Böylece, veriler yukarıda verilen tüm hipotezleri karşılar ve derecelendirmeleri bulmaya başlayabiliriz.

Mevcut veriler birçok farklı müşteri özelliği içermektedir. İnşaat için en önemlisi olan 4 tanesini kullanacağız. Örneğimizin sınırlılığı (1977 element) daha fazla element almamıza izin vermiyor.

Seçilen özellikler: borçlunun yaşı ve cinsiyeti, çocukların varlığı, kredi geri ödemelerinin borçlunun toplam gelirinin %'si olarak. Karakteristik yaş 3 değer alır - 18-29, 30-45, 46-…; borçlunun cinsiyeti iki değer - erkek ve kadın; çocukların varlığının iki anlamı vardır - çocuklar vardır ve çocuklar yoktur; ödemeler 5 değer alır - (<5%),(6-10%), (11-16%), (17-22%),(23-55%).

Karakteristiğin her belirli değeri, ödünç alanın mülkiyeti olarak adlandırılacaktır. Belirli bir müşteride belirli bir özelliğin varlığına bağlı olarak tüm müşterilerimizi kümelere ayıralım. Örneğin, çocuğu olmayan birçok müşteri var.

İşte notasyonlar:

Çocuklar, = Çocuğu yok, = Çocukları var;

Yaş, =Yaş1(18-29), =Yaş2(30-45), =Yaş3(46-…);

Cinsiyet, =Kadın, =Erkek;

Borçlunun toplam gelirinin yüzdesi olarak kredi geri ödemeleri, =In1(<5), =Вып2(6-10), =Вып3(11-16), =Вып4(17-22), =Вып5(23-55).

Müşterinin tüm olası özelliklerinin bir kombinasyonu olarak yeni setler oluşturuyoruz - mümkün olan her şey için Örneğin, set, ödeme yapan çocuğu olmayan 18-29 yaş arası kadınlardan oluşuyor<5% от своего суммарного дохода. Количество таких множеств равно 60.

Tablo 2.1. Kodlamayı ayarlayın.

						Evlat yok	Çocukları var

Şunlara dikkat edin - tüm müşteri kümesinin bir bölümünü oluşturun:

İki ayrı rasgele değişkenin ortak ampirik dağılımını oluşturalım - ve, burada =(0,1), =(, i=1:60). Bunu, bir çift rastgele değişken (X, Y) değerini karşılayan müşteri sayısının toplam müşteri sayısına oranı olarak inşa edeceğiz.

Her olası çifte (X,Y) karşılık gelen müşteri sayısını sabitleriz.

Tablo 2.2. Her gruptaki krediyi geri ödeyen ve ödemeyen müşterilerin sayısı. 0 - krediyi iade etti, 1 - krediyi iade etmedi.

Ortak bir ampirik olasılık dağılımı oluşturalım. Bunu yapmak için, her bir gruptaki krediyi iade eden ve etmeyen müşteri sayısını toplam müşteri sayısına böleriz.

Tablo 2.3. Ortak ampirik olasılık dağılımı.

Şekil 2.1. X=0'da ampirik dağılım fonksiyonu.

Şekil 2.2. X = 1 için ampirik dağılım fonksiyonu.

Şekil 2.3. X=0'da ortak dağılımın histogramı.

Şekil 2.4. X=1'de ortak dağılımın histogramı.

Grupların her birine girme olasılıklarının ampirik dağılımını bulalım. Bunu yapmak için, her gruptaki müşteri sayısını toplam müşteri sayısına böleriz. Toplam müşteri sayısı.

Tablo 2.4. Her bir gruba girme olasılıklarının ampirik dağılımı.

Şekil 2.5. Grup i'ye girmenin histogramı.

Buna dayanarak, sınıflandırmayı elde ederiz:

60 risk grubundan müşteriler

1-5, 7-12, 15, 17, 25, 31, 32, 33, 35-37, 39, 40, 42, 54-56, 58 gruplarından müşteriler - orta riskli

· 6, 13, 14, 16, 18-24, 26-30, 34, 38, 41, 43-53, 57, 59 gruplarından müşteriler güvenilirdir

Bölüm 3. Monge-Kantorovich problemine dayalı yaklaşım

3.1 Monge-Kantorovich sorunu

Monge'un sorunu.

İki olasılık uzayı ve negatif olmayan ölçülebilir bir fonksiyon verildiğinde, ...

Benzer Belgeler

Çok değişkenli istatistiksel analizin bir dalı olarak diskriminant analizi. Göstergelerin normal dağılım yasası kapsamında diskriminant analizi. İki eğitim örneğinin varlığında diskriminant analizinin uygulanması. Sistem istatistiklerindeki sorunun çözümü.

dönem ödevi, 01/21/2011 eklendi


Diskriminant analiz modelleri. Klasik Batı ve Rus iflas tahmin modellerinin etkinliği. Sektöre özel. Örnek özellikleri, yöntem, faktörlerin listesi ve analiz yönteminin öngörü gücü dahil olmak üzere makalelerin açıklaması.

özet, 24.07.2016 tarihinde eklendi


Lineer regresyon analizinin temelleri. Cobb-Douglas işlevini kullanmanın özellikleri. Çoklu doğrusal regresyon uygulaması. En küçük kareler yönteminin özü. Yanlış korelasyondan kaçınmanın yolları. Regresyon katsayılarının anlamlılığının kontrol edilmesi.

özet, 31.10.2009 tarihinde eklendi


Ülkelerin ekonomik sınıflandırması, ekonomik gelişmenin temel göstergelerinin özellikleri. İstatistiksel analiz yöntemleri, diskriminant tanımı, kümeleme, faktöriyel ve grafiksel analiz. Ekonomik güvenlik çalışmasının parametreleri.

tez, 10/14/2013 eklendi


Fonksiyonel maliyet analizinin ortaya çıkış tarihi, metodolojisi, ilkeleri, görevleri ve uygulama aşamaları. Sistem analizinin kullanımı ve her bir parçanın tasarımının eleman bazında geliştirilmesi Yu.M. Sobolev. Fonksiyonel maliyet analizinin uygulanması.

test, 04/08/2012 eklendi


Ekonomik analizin teorik ve metodolojik temelleri, konusu, amacı, görevleri. Ekonomik analiz ilkelerinin özellikleri, yaklaşımları ve pratikte kullanımlarının özellikleri. Analize dayalı kurumsal gelişim trendlerinin belirlenmesi.

dönem ödevi, 20/12/2010 eklendi


Tek yönlü doğrusal regresyon için en küçük kareler yönteminin özü ve uygulaması. Belirli bir X noktasında belirtilen model için esneklik katsayısının bulunması ve ekonomik analizi. Doğrusal regresyona dayalı kayıp tahmini.

testi, 06/15/2009 eklendi


Şirket değerleme teorisindeki en umut verici modern gelişmelerden biri olarak Olson modelinin özü. Pratik değerlendirmede EVO, Rusya'daki çalışmalarının özellikleri. Olson ve Feltham-Olson Doğrusal Bilgi Dinamiklerinin Özellikleri.

test, 04/07/2011 eklendi


Ekonomik bilgi kavramı, özü ve özellikleri, sınıflandırılması ve çeşitleri, özellikleri ve ayırt edici özellikleri. Ekonomik analizin özü, konusu ve nesneleri, amaç ve hedefleri. Analizin diğer bilimlerle ilişkisi, organizasyonu.

hile sayfası, 04/05/2009 eklendi


Ekonomik-matematiksel bir model geliştirme yöntemleri: problem bildirimi, değişkenler sistemi ve kısıtlamalar. Bir tarımsal işletmenin üretim yapısını optimize etmek için ekonomik-matematiksel modelin çözüm türleri, ikili tahminlerin analizi.

Kredilendirme işlemlerinin karlılığının artırılması, kredi risk değerlendirmesinin kalitesi ile doğrudan ilişkilidir. Müşterinin risk gruplarına göre sınıflandırılmasına bağlı olarak, banka kredi verip vermeyeceğine, hangi kredi limiti ve faizinin belirlenmesi gerektiğine karar verir.

Dünya uygulamasında, borç verme riskini değerlendirmek için hem ayrı ayrı hem de birbiriyle kombinasyon halinde kullanılabilen iki ana yöntem vardır:

• uzmanların veya kredi görevlilerinin öznel görüşü;
• Otomatik puanlama sistemleri.

Bu makale, şu anda ekonomik olarak gelişmiş tüm ülkelerde yaygın olarak kullanılan puanlama sistemlerini kullanmanın Batı uygulamasına ayrılmıştır. Puanlama, matematiksel ve istatistiksel yöntemlerin iş hayatında kullanımının en başarılı örneklerinden biri olmasına rağmen, Rus basınında bu konu haksız yere göz ardı edilmektedir. Bu yayının amacı, bu boşluğu doldurmak ve puanlamanın tarihçesi ve uygulamasına genel bir bakış sağlamaktır. Makale oldukça geniş bir okuyucu yelpazesine yönelik olduğundan, yalnızca puanlamanın nasıl çalıştığına dair çok genel bir açıklama sağlar. Bir veya başka bir yöntemi kullanmanın yasallığının teorik temelleri ve gerekçeleri burada etkilenmez.

Puanlama esas olarak bireylere borç vermede, özellikle teminatsız krediler için tüketici kredilerinde kullanıldığından, aşağıdaki tartışma borç alanların - bireylerin kredi riskinin değerlendirilmesine odaklanacaktır.

Kredi itibarının tanımı ve bunu tahmin etmek için kullanılan bilgiler

Kredi riskini değerlendirmek için, borçlunun kredi değerliliğinin bir analizi yapılır; bu, Rus bankacılık uygulamasında şu anlama gelir: kabiliyet tüzel veya gerçek kişinin borç yükümlülüklerini tam ve zamanında ödemesi. Batı bankacılığı uygulamasında kredi değerliliği şu şekilde yorumlanmaktadır: Bir dilek bağlı fırsat verilen yükümlülüğü zamanında ödemek. Aşağıda "kredi değerliliği" terimini bu anlamda kullanacağız. Bu tanıma göre, puanlamanın asıl görevi, yalnızca müşterinin krediyi geri ödeyip ödeyemeyeceğini bulmak değil, aynı zamanda müşterinin güvenilirlik ve bağlılık derecesini de bulmaktır. Başka bir deyişle puanlama, bir müşterinin ne kadar kredi değerli olduğunu, yani bir krediye ne kadar “layık” olduğunu değerlendirir.

puanlama"geçmiş" müşterilerin kredi geçmişine dayanarak, bankanın belirli bir potansiyel borçlunun krediyi zamanında geri ödeme olasılığını belirlemeye çalıştığı matematiksel veya istatistiksel bir modeldir.

Batı bankacılık sisteminde, bir kişi kredi başvurusunda bulunduğunda, banka analiz için aşağıdaki bilgilere sahip olabilir:

borçlu tarafından doldurulan bir anket;

bir kredi bürosundan bu borçlu hakkında bilgi - ülkenin tüm yetişkin nüfusunun kredi geçmişini saklayan bir kuruluş;

bankanın mevcut bir müşterisinden bahsediyorsak, hesap hareketleriyle ilgili veriler.

Kredi analistleri şu kavramlarla çalışır: müşterilerin "özellikleri" (matematiksel terminolojide - değişkenler, faktörler) ve "işaretler" - değişkenin aldığı değerler. Bir müşterinin doldurduğu bir anket hayal edersek, özellikler anketin sorularıdır (yaş, medeni durum, meslek) ve işaretler bu soruların cevaplarıdır.

En basit haliyle, bir puanlama modeli, belirli özelliklerin ağırlıklı bir toplamıdır. Sonuç, ayrılmaz bir göstergedir (puan); ne kadar yüksekse, müşterinin güvenilirliği o kadar yüksek olur ve banka, müşterilerini artan kredi değerliliğine göre düzenleyebilir.

Her müşterinin ayrılmaz göstergesi, belirli bir sayısal eşikle veya özünde bir başabaş çizgisi olan ve ortalama olarak zamanında ödeme yapan kaç müşteriye ihtiyaç duyulduğu oranından hesaplanan bölme çizgisiyle karşılaştırılır. bir borçlunun zararlarını tazmin etmek için. İntegral göstergesi bu çizginin üzerinde olan müşterilere kredi verilir, bu çizginin altında integral göstergesi olan müşterilere kredi verilmez.

Bunların hepsi çok basit görünüyor, ancak asıl zor kısım, modele hangi özelliklerin dahil edileceğine ve hangi ağırlıkların eşleştirileceğine karar vermek. Müşteri Sınıflandırma Yöntemleri bölümünde tartışılacak olan bu soruna birkaç yaklaşım vardır.

Puanlamanın felsefesi, bu kişinin neden ödeme yapmadığına dair bir açıklama bulmak değildir. Puanlama, güvenilmezlikle veya tersine müşterinin güvenilirliğiyle en yakından ilişkili olan özellikleri vurgular. Bu borçlunun krediyi geri ödeyip ödemeyeceğini bilmiyoruz ama geçmişte bu yaşta, aynı meslekte, aynı eğitim düzeyinde ve bakmakla yükümlü olunan kişi sayısı aynı olan kişilerin krediyi geri ödemediğini biliyoruz. Bu nedenle, bu kişiye kredi vermeyeceğiz.

Bu, puanlamanın ayrımcı (istatistiksel değil, kelimenin sosyal anlamında) doğasıdır, yani bir kişi kredi geçmişi kötü olan bir gruba resmi olarak yakınsa, o zaman ona borç vermezler. Bu nedenle, otomatik puanlama sistemlerinin çok yüksek derecede kullanılmasıyla bile, kredi görevlisi güvenilmez olarak sınıflandırılan bir kişinin aslında "iyi" olduğunu kanıtlayan ek bilgiye sahip olduğunda ve tersi durumda sübjektif müdahale gerçekleşir.

Kredi riskini tahmin etmek için en "değerli" özellikler hangileridir? İngiltere'de, aşağıdaki özellikler en yaygın olarak kullanılır:

Çocuk/bakmakla yükümlü olunan kişi sayısı

Uzmanlık alanı

eşin mesleği

eşin geliri

ikamet alanı

Konut maliyeti

bir telefona sahip olmak

Bu adreste kaç yıldır oturuyorsunuz?

Kaç yıldır bu iştesiniz?

Kaç yıldır bu bankanın müşterisisiniz?

Kredi kartı/çek defteri var

Diğer ülkelerde, temerrüt olasılığıyla (bir borçlunun temerrüde düşme veya geri ödemede gecikme olasılığı) en yakından ilişkili olan özellikler dizisi, ulusal ekonomik ve sosyo-kültürel özellikler nedeniyle farklılık gösterecektir. Modelin geliştirildiği müşteri popülasyonu ne kadar homojen olursa, varsayılan tahmin o kadar doğru olur. Bu nedenle, bir modelin bir ülkeden diğerine veya bir bankadan diğerine otomatik olarak transfer edilemeyeceği açıktır. Hatta aynı banka içerisinde bile farklı müşteri grupları ve farklı kredi türleri için farklı modeller bulunmaktadır.

Puanlama geliştirme geçmişi

Puanlama, özünde, bizi ilgilendiren tüm popülasyonu farklı gruplara ayırma yöntemidir; bu grupları ayıran özelliği (müşterinin krediyi iade edip etmeyeceğini) bilmediğimizde, ancak ilgili diğer özellikler. bizi ilgilendiren biri biliniyor. İstatistikte, bir popülasyonu gruplara ayırma fikirleri, 1936'da Fischer tarafından bitkiler örnek alınarak geliştirildi. 1941'de David Durant, bu tekniği kredilerin "kötü" ve "iyi" olarak sınıflandırılmasına ilk kez uyguladı. Bu, neredeyse tüm kredi analistlerinin cepheye çağrıldığı ve bankaların bu uzmanları acilen değiştirme ihtiyacı ile karşı karşıya kaldığı İkinci Dünya Savaşı ile aynı zamana denk geldi. Bankalar, analizin uzman olmayan kişiler tarafından yapılabilmesi için, analistlerini ayrılmadan önce bir kredi verme kararlarına rehberlik edecek bir dizi kural yazmaya zorladı. Bu, olduğu gibi, geleceğin uzman sistemlerinin bir prototipiydi.

50'li yılların başında. San Francisco'da, puanlama sistemi geliştiricileri arasında hala lider olan, puanlama alanındaki ilk danışmanlık firması Fair Issac kuruldu.

Ancak puanlamanın yaygınlaşması kredi kartlarının yaygınlaşması ile başlamıştır. Günlük olarak kredi kartı başvurusunda bulunan kişi sayısı ile bankaların kredi vermek için karar verme sürecini otomatikleştirmekten başka çaresi kalmamıştır. Ancak çok geçmeden, yalnızca kredi başvurularının işleme alınma hızını değil, aynı zamanda risk değerlendirmesinin kalitesini de takdir ettiler. Bazı araştırmalara göre, puanlama sistemlerinin kullanılmaya başlanmasından sonra şüpheli alacak düzeyi %50'ye düşürülmüştür ( Churchill G.A., Nevin JR, Watson R.R.//Kredi puanlamasının kredi kararındaki rolü. kredi dünyası. Mart/1977; Myers JH, Sahte E.W. Sayısal kredi değerlendirme sistemlerinin gelişimi//Journal of American Statistical Association. Eylül/1963).

1974'te Amerika Birleşik Devletleri, bir kredinin şu özelliklere dayanarak reddedilmesini yasaklayan Eşit Kredi Fırsatı Yasasını kabul etti: ırk, renk, ulusal köken, yaş, cinsiyet, medeni durum, din, sosyal yardım alma, tüketiciyi savunma Haklar. Birleşik Krallık'ta yasa, yaş ve medeni durumla ilgili bilgilerin kullanılmasına izin verir, ancak herhangi bir fiziksel yaralanma ve engelin (sakatlık) dikkate alınmasını yasaklar. Kredi kurumları için, puanlama sistemlerinin kullanılması, bu ayrımcılık karşıtı yasaların uygulandığının kanıtı haline geldi - bilgisayarın hiçbir önyargısı yok.

Borç vermede eşitlik ilkelerini oluşturmanın yanı sıra, aynı 1974'te Birleşik Krallık'ta kabul edilen Tüketici Kredisi Yasası gibi ABD kredi mevzuatı, kredi bürosu hizmetinin oluşumu için önemliydi. Bu tür bürolarda, ülkedeki herhangi bir kredi kuruluşuna kredi başvurusunda bulunan tüm kişilerin kredi geçmişi kaydedilmektedir.

Kredi büroları aşağıdaki veri türlerini tutar:

sosyo-demografik özellikler;

mahkeme kararları (borç talebinde bulunma davalarının mahkemeye devredilmesi durumunda);

iflaslar hakkında bilgi;

"sen - bana, ben - sana" ilkesine dayalı olarak kredi kurumlarından alınan bireysel borçlulara ilişkin veriler, yani bir banka, diğer bankaların müşterileri hakkında ancak kendisi benzer bilgileri sağlaması durumunda bilgi alabilir.

Büro tarafından tutulan bilgilerin kapsamı ve niteliği, her ülkenin yasalarıyla sıkı bir şekilde düzenlenir. Eylül 1999'da "Bankacılık Teknolojileri" nde kredi büroları hakkında bir yayın vardı - "Rusya'da bir kredi bürosu kurma sorunları." Makalede ele alınan büro modellerinin yanı sıra Experian, Equifax, TransUnion, Scorex gibi ulusötesi ticaret şirketlerinin de olduğunu eklemek isterim. Bu şirketlerin kendileri puanlama sistemlerini kullanır ve çoğu durumda müşterilere "ham" bilgi değil, bir kredi kuruluşunun otomatik sistemine girilen hazır bir entegre gösterge satarlar.

Kredi bürolarının önemi son derece yüksektir, varlıkları, kredi kuruluşlarının daha önce bu kuruluş tarafından hizmet verilmeyen müşterilere kredi vermesine olanak tanır. Ek olarak, temerrüt olasılığını tahmin etmede önceki kredi geçmişinin değeri genellikle kabul edilmektedir.

Şu anda puanlama, yalnızca çeşitli kredi türleri için risk değerlendirmesinde değil, aynı zamanda diğer alanlarda da giderek daha popüler hale geliyor: pazarlamada (bu belirli müşteri grubunun bu tür bir ürünü kullanma olasılığını belirlemek için), ile çalışırken borçlular (müşteri bir sonraki ödemeyi geciktirirse, hangi etkileme yöntemi en etkili olacaktır), kredi kartı dolandırıcılığını tespit ederken, bir müşterinin bir rakibe kaçma olasılığını belirlerken vb.

İstemci Sınıflandırma Yöntemleri

Bu nedenle, müşteriler hakkında çok çeşitli bilgilere sahibiz. Bu bilgi okyanusunda, önemli iş deneyimine sahip bir kredi görevlisinin bile, örneğin hangi müşterinin daha büyük bir risk oluşturduğu sorusuna yanıt verirken bazen gezinmesi zordur: boşanmış çocuksuz bir erkek girişimci veya üç çocuklu evli bir kadın avukat. gelir düzeylerinin aynı olduğu gerçeği? Tamamen farklı özelliklere sahip müşterileri karşılaştırabilmek ve borç verme kararlarını sezgisel olarak değil, doğrudan temerrüt olasılığıyla ilgili resmileştirilmiş kriterlere dayanarak verebilmek için, hangi bilgileri değerlendirmemize izin verecek bir matematiksel model oluşturmak gerekir. önemlidir ve ihmal edilebilir.

Bir model oluşturmak için, önce, iyi bir borçlu olduklarını kanıtlayıp kanıtlamadıkları zaten bilinen bir kredi kuruluşunun müşterilerinden bir örnek yapılır, bazen böyle bir örneğe "eğitim" denir. Bir şirketin kredi portföyünün on milyonlarca müşteriden oluşabileceği Batı'da bir sorun olmayan bu, birkaç bin ile yüz binler arasında değişebilir. Örnek iki gruba ayrılmıştır: "iyi" ve "kötü" riskler. Bu, bankanın borç verme konusunda bir karar verirken ilk aşamada iki seçenek arasından seçim yapması anlamında haklı çıkar: kredi vermek ya da vermemek. "İyi" / "kötü" tanımlarının "çocukça" olmasına rağmen, bunlar tam olarak kredi analistleri tarafından kullanılan terimlerdir.

"Kötü" riskin tanımı bankanın politikasına bağlı olarak değişebilir; Batı Avrupa'da "kötü" risk genellikle bir sonraki ödemesini üç ay geciktiren bir müşteri olarak kabul edilir. Bazen "kötü" riskler, krediyi çok erken ödeyen müşterileri içerir ve bankanın onlardan bir şey kazanmak için zamanı yoktur.

Bu nedenle, puanlama, mevcut bilgilere dayanarak, bir müşteri örneğini en doğru şekilde "kötü" ve "iyi" olarak ikiye bölen bir işlev elde etmenin gerekli olduğu bir sınıflandırma görevidir.

Ama önce eldeki bilgiyi analiz edilebilir bir forma dönüştürmek gerekiyor. Hem nicel hem de nitel özelliklerle çalışmaya uygun iki ana yaklaşım vardır:

1. Her özelliği ayrı bir ikili değişkene dönüştürün. Bu yaklaşım, bağımlı ve bağımsız değişkenler arasında herhangi bir ek ilişki dayatmasa da çok sayıda değişkene yol açması açısından sakıncalıdır.

   Her özelliği, belirli bir özniteliğe sahip "kötü" istemci sayısının aynı özniteliğe sahip "iyi" istemci sayısına oranına karşılık gelen değerleri alacak bir değişkene dönüştürün. Daha karmaşık bir seçenek, bu oranın logaritmasını almaktır. Böylece, her özellik, "risklilik" düzeyine karşılık gelen sayısal bir değer alır.

Sınıflandırma yöntemlerinin kendisi çok çeşitlidir ve şunları içerir:

diskriminant analizine dayalı istatistiksel yöntemler (doğrusal regresyon, lojistik regresyon);

doğrusal programlamanın çeşitli varyantları;

sınıflandırma ağacı veya özyineleme-bölümleme algoritması (RPA);

nöral ağlar;

genetik Algoritma;

en yakın komşu yöntemi

Geleneksel ve en yaygın olanı, öncelikle doğrusal olan regresyon yöntemleridir. çok değişkenli regresyon :

R = w o + 1x1+ w 2x2 + … + w n x n ,

nerede R- temerrüt olasılığı, w-- ağırlık katsayıları, x-- müşterinin özellikleri.

Bu modelin dezavantajı, denklemin sol tarafında 0 ile 1 arasında değer alma olasılığının olması, sağ taraftaki değişkenlerin - Ґ ile + Ґ arasında herhangi bir değer alabilmesidir.

Lojistik regresyon bu eksikliği giderir:

günlük(p/(1-p)) = w o + 1x1+ w 2x2 + … + w n x n .

Lojistik regresyon uygulamak, ağırlıkları türetmek için çok daha karmaşık hesaplamalar ve dolayısıyla daha güçlü bir bilgisayar tabanı ve geliştirilmiş yazılım gerektirir. Ancak bilgisayar teknolojisinin mevcut gelişme düzeyi ile bu bir sorun değildir ve şu anda lojistik regresyon puanlama sistemlerinde liderdir.

Lojistik regresyonun avantajı, müşterileri iki gruba (0 - kötü, 1 - iyi) veya birkaç gruba (1, 2, 3, 4 risk grubu) ayırabilmesidir.

Tüm regresyon yöntemleri, özellikler arasındaki korelasyona duyarlıdır, bu nedenle modelde yüksek korelasyonlu açıklayıcı değişkenler olmamalıdır.

Doğrusal programlama ayrıca doğrusal bir puanlama modeline yol açar. Kötü ve iyi müşteriler olarak kesin olarak doğru bir sınıflandırma yapmak imkansızdır, ancak hatayı en aza indirmek arzu edilir. Problem, hatanın minimum olacağı ağırlık katsayılarının aranması olarak formüle edilebilir.

Sınıflandırma ağacı ve sinir ağları müşterileri, risk seviyelerinin aynı ve diğer grupların risk seviyelerinden maksimum derecede farklı olduğu gruplara ayıran sistemlerdir. Sinir ağları, tüketici kredisinden daha küçük örneklerin analiz edildiği tüzel kişilerin kredi değerliliğinin belirlenmesinde kullanılır. Ancak en başarılı uygulamaları, olağandışı durumları tespit etme yetenekleri nedeniyle kredi kartı dolandırıcılığının tespitinde olmuştur (bkz: norton m. Gergin iş//Bankacılık teknolojileri. 1995. Sayı 3. S. 73).

genetik Algoritma doğal seçilimin biyolojik süreci ile bir analojiye dayanmaktadır. Borç verme alanında şöyle görünür: "mutasyona uğramış", "çapraz" bir dizi sınıflandırma modeli vardır ve sonuç olarak "en güçlü", yani en doğru olanı veren model seçilir. sınıflandırma.

kullanma en yakın komşu yöntemi müşteriler arasındaki mesafeyi belirlemek için bir ölçü birimi seçilir. Örnekteki tüm istemciler belirli bir uzamsal konum alır. Her yeni müşteri, çevresinde daha fazla iyi veya kötü müşteri olmasına göre sınıflandırılır.

Uygulamada, birkaç yöntemin bir kombinasyonu kullanılır ve şirketler puanlama modellerini son derece gizli tutar, bu nedenle hangi yöntemin daha iyi olduğunu söylemek zordur. Bilimsel yayınlara dayalı olarak yalnızca yaklaşık sonuçlar çıkarılabilir, aşağıda Profesör L. Thomas tarafından derlenen çeşitli yöntemler için karşılaştırmalı bir sınıflandırma doğruluğu tablosu bulunmaktadır ( Thomas LC Bir Kredi ve Davranışsal Puanlama Araştırması//Edinburgh Üniversitesi. 1999).

Yazarlar "iyi" risklerin farklı tanımlarını kullandıkları ve farklı popülasyonlar ve örnekler üzerinde çalışmalar yaptıkları için karşılaştırma yalnızca yatay olarak yapılmalıdır. Tablo, doğru sınıflandırılmış müşterilerin yüzdesini gösterir. Alıntı yapılan tüm çalışmaların amacı, farklı sınıflandırma yöntemlerinin etkinliğini karşılaştırmaktı, bu nedenle, ticari sistemlerin birkaç yöntem kullandığı zaten söylendiğinden, bu rakamların genel olarak puanlama sistemlerinin etkinliğini gösterdiği sonucuna varılmamalıdır.

Masa

kaynaklar:

Henley BİZ Kredi puanlamanın istatistiksel yönleri. Doktora tez. açık üniversite. 1995.
Boyle M., Crook J.N., Hamilton R., Thomas LC Credit Scoring and Credit Control//Oxford University Press'te yavaş ödeyenlere uygulanan kredi puanlama yöntemleri. 1992.
Srinivasan V., Kim YH Kredi verme: sınıflandırma prosedürlerinin karşılaştırmalı bir analizi//Journal of Finance. 1987. Sayı 42.
Yobas M.B., Crook J.N., Ross P. Sinirsel ve evrimsel teknikler kullanılarak kredi puanlama//Çalışma Belgesi 97/2, Kredi araştırma Merkezi, Edinburgh Üniversitesi.
Desai V.S., Conway D.G., Crook J.N., Overstreet G.A. Sinir ağlarını ve genetik algoritmaları kullanan kredi birliği ortamında kredi puanlama modelleri//IMA J. İşletme ve endüstride uygulanan matematik. 8/1997.

Yöntemlerin her birinin kendi avantajları ve dezavantajları vardır, ayrıca, bir veya başka bir yöntemin seçimi, bankanın stratejisi ve bankanın modeller geliştirirken hangi gereksinimleri öncelikli olarak gördüğü ile ilgilidir. Regresyon yöntemleri, risk düzeyini belirlemek için her bir özelliğin önemini gösterir ve bu nedenle müşterilerin doldurduğu bir anket geliştirme aşamasında özellikle önemlidir. Doğrusal programlama çok sayıda değişken üzerinde çalışabilir ve belirli koşulları modelleyebilir: örneğin, bir bankanın pazarlama stratejisi gençleri hedefliyorsa, gençlerin integral göstergesinin 60 yaşın üzerindekilerden daha yüksek olduğu bir koşul girebilirsiniz. ve sınıflandırma ağaçları, doğrusal modellerde hatalara yol açabilecek değişkenler arasındaki doğrusal olmayan ilişkileri ortaya çıkarır.

Sınıflandırmanın doğruluğu, küçük örnekler için "kayan sınav" yöntemiyle kontrol edilir (model, rastgele seçilen bir müşteri dışında tüm örneklem üzerine kuruludur, ardından bu müşteri üzerinde kontrol edilir ve tüm müşteriler sıralanır. bu şekilde) veya yeterince büyük bir örnekle, iki bölüme ayrılır: bir model inşa edilir, diğerinde - kontrol edilir.

Puanlama kullanımına ilişkin sınırlamalar

Puanlama ile ilgili iki ana sorun vardır. Birincisi, örneklem sınıflandırmasının sadece kredi kullandırılan müşteriler üzerinden yapılmış olmasıdır. Kredisi reddedilen müşterilerin nasıl davranacağını asla bilemeyeceğiz: bir kısmının oldukça kabul edilebilir borç alanlar olduğu ortaya çıkmış olabilir.

Ancak, kural olarak, oldukça ciddi nedenlerle bir kredi reddedilir. Bankalar bu ret nedenlerini düzeltir ve "reddedenler" hakkında bilgi depolar. Bu, kredi başvuru sahiplerinin orijinal popülasyonunu yeniden oluşturmalarına olanak tanır.

İkinci sorun, insanların ve dolayısıyla insanların davranışlarını etkileyen sosyo-ekonomik koşulların zamanla değişmesidir. Bu nedenle, en "taze" müşterilerden oluşan bir örneklem üzerinde puanlama modelleri geliştirilmeli, sistemin kalitesini periyodik olarak kontrol etmeli ve kalite bozulduğunda yeni bir model geliştirmelidir. Batı'da ortalama olarak her bir buçuk yılda bir yeni bir model geliştirilir, model değişimleri arasındaki süre ekonominin o dönemde ne kadar istikrarlı olduğuna bağlı olarak değişebilir. Rusya için, muhtemelen, maksimum süre altı ay olacak ve o zaman bile, bu dönemde Ağustos 1998 olayları gibi önemli şokların olmaması şartıyla.

Modelin daha uzun süre dayanması için sosyo-ekonomik özelliklerin modele nasıl dahil edileceğine dair araştırmalar halen devam etmektedir.

Rusya'da puanlamanın gelişmesi için beklentiler

Rusya'da, puanlama sistemlerinin kullanımı, her şeyden önce, düşük borç verme hacimleri nedeniyle engellenmektedir. Ancak ekonomik büyümeyle (iyimser olalım) durum değişmeye başlayacak.

Kendi başına, Batılı kredi kurumlarına kıyasla borçlu sayısının az olması bir engel değildir, sadece örneklem büyüklüğü ile ilgili özellik sayısını izlemek gerekir. V. Stepanov, A. Zayats'ın "Bankanın durumunun analizi" adlı makalesinde (Banking Technologies. 1996. No. 8. S. 58), yazarlar bankaları riske göre sınıflandırmak için istatistiksel bir yaklaşım - küme analizi - kullandılar. toplam 76 eyaletteki gruplar ve aynı zamanda iyi bir sonuç aldı - uzmanların değerlendirmesiyle maçların% 90'ından fazlası.

Kredi bürolarının olmaması da tabii ki puanlamanın gelişmesine katkı sağlamaz. Ancak öte yandan Batı'da bir kişinin ankette kendisi hakkında belirttiği bilgilerin doğruluğunu doğrulama sorunu vardır. Rusya'da bu bilgilerin çoğu pasaportta yer almaktadır. Bankaların pasaport verilerine ve çalışma kitabı verilerine sahip olması yeterlidir - bu, analiz için kaynak materyaldir.

Diğer bir olumsuzluk ise SAS ve SPSS gibi evrensel istatistiksel paketlerin yeterince yaygın olmamasıdır. Ancak yine V. Stepanov ve A. Zayats'ın makalesine atıfta bulunarak, Stat-Media paketinin kullanımına dikkat çekiyoruz. Ek olarak, çok değişkenli lineer regresyon yapabilen uygun fiyatlı başka programlar da var ve bu başlangıç ​​için oldukça yeterli.

Rusya'da puanlamanın ilk olarak bireyler için değil, tüzel kişiler için kullanılması muhtemeldir, çünkü bankalar, değişen karmaşıklıkta ve farklı otomasyon seviyelerine sahip risk puanlama sistemlerini kullanırken işletmeler hakkında çok daha fazla bilgi biriktirmiştir. Puanlama sistemi ile puanlama sistemi arasındaki fark, birincisinde belirli bir katsayı veya finansal göstergenin öneminin sübjektif olarak belirlenmesi, ikincisinde ise katsayıların risk düzeyi ile bağlantılı olmasıdır.

Batı'da, tüzel kişilere borç verirken puanlama modelleri tüketici kredilerindeki kadar yaygın değildir. Bunun nedeni, bir model geliştirmek için birbirine benzeyen yeterli sayıda şirketi işe almanın çok zor olmasıdır: şirketler büyüklük, ciro ve ekonominin sektörleri bakımından büyük farklılıklar gösterir. İşletme ne kadar büyükse, karşılaştırma için benzer işletmeleri bulmak o kadar zor olur.

Son yıllarda, küçük işletmeler için puanlama modellerinin geliştirilmesinde büyük değişimler yaşandı. Küçük ve orta ölçekli işletmeler için puanlamanın kullanılması, tam olarak çok sayıda benzer işletme nedeniyle mümkün oldu.

Sonuç olarak, Rusya'da puanlamanın getirilmesinin, banka yöneticilerinin matematiksel ve istatistiksel yöntemlere güvensiz tavrıyla ilgili öznel nedenlerle olduğu kadar nesnel nedenlerle de engellendiğini belirtmek isterim. Müşterilerinizi - geçmiş müşterilerin kredi geçmişini ve istatistik paketini - analiz etmeye başlamak fazla zaman almaz ve getirisi çok büyük olur. Puanlama sistemlerinin avantajları arasında Batılı bankacılar, her şeyden önce, kredi temerrüt seviyesinde bir düşüşe işaret ediyor. Ayrıca, karar vermede hız ve tarafsızlık, kredi portföyünün etkin bir şekilde yönetilme olasılığı ve uzun vadeli personel eğitimine ihtiyaç duyulmaması not edilir.

Rusya'da, puanlamanın tanıtımı kademeli olarak yapılmalıdır. Başlangıç ​​olarak, borçluların ön değerlendirmesi için otomatik bir sistem oluşturabilirsiniz; bu sistem açıkça "kötü" riskleri otomatik olarak filtreler ve kredi komitesi tarafından değerlendirilmek üzere "iyi" ve "marjinal" riskler sunar. Ancak, otomasyonu tanıtmadan bile, müşterinin bireysel özelliklerinin hem bireyler hem de tüzel kişiler için temerrüde düşme olasılığı ile ilişkisini değerlendirmek mümkündür - bu tür özelliklerin bilgisi, kredi memurlarına önemli bir destek sağlayabilir.

Dolayısıyla puanlama, ABD ve Batı Avrupa'da yaygın olarak kullanılan otomatik bir kredi risk değerlendirme sistemidir. Puanlama için kaynak materyal, çeşitli istatistiksel ve istatistiksel olmayan sınıflandırma yöntemleri kullanılarak gelecekteki borçluların kredi değerliliği hakkında bir tahminde bulunulan geçmiş müşteriler hakkında çeşitli bilgilerdir. Puanlama sistemleri, banka çalışanlarının hızlı kredi verme kararları almalarına, kredi hacimlerini piyasa durumuna göre düzenlemelerine ve kredi verme operasyonlarının karlılığı ile risk düzeyi arasındaki optimum oranı belirlemelerine olanak tanır.

Makalenin hazırlanmasında Edinburgh Üniversitesi'ndeki (İngiltere) Kredi Çalışmaları Merkezi'nden alınan materyaller kullanılmıştır.

Puanlama, bankaların kullandığı, istatistiksel yöntemlere dayalı bir müşteri değerlendirme sistemidir. Kural olarak, bu, potansiyel bir borçlunun verilerinin girildiği bir bilgisayar programıdır. Yanıt olarak, ona borç vermeye değip değmeyeceğine dair bir sonuç verilir. İsim puanlaması İngilizce skor kelimesinden gelir, yani "score".

Dört tür puanlama vardır:

başvuru puanlaması (İngilizce'den gerçek çeviri - “başvuruların puanlanması, temyiz”) - kredi verirken borçluların kredibilitesinin bir değerlendirmesi. Bu, müşteriler tarafından bilinen en yaygın puanlama türüdür. Borçlunun kişisel verilerinin birincil olarak toplanmasına, bunların bir bilgisayar tarafından işlenmesine ve şu sonuca varılmasına dayanır: kredi vermek ya da vermemek;

tahsilat-puanlama - kötü kredilerle çalışma aşamasında puanlama sistemi. "Kötü" kredileri geri ödemek için banka çalışanlarının öncelikli eylemlerini belirler. Aslında program, kötü borçlarla başa çıkmak için bir dizi adım atmanıza izin verir, örneğin, ilk uyarıdan davayı bir tahsilat kurumuna yönlendirmeye kadar. Bu tür işlemler sırasında müşterilerin yaklaşık% 40'ının unutkanlığa başvurduğuna ve krediyi geri ödediğine inanılıyor;

davranışsal puanlama, "davranış puanlaması" - borçlunun en olası finansal eylemlerinin bir değerlendirmesi. Böyle bir sistem, borçlunun ödeme gücündeki değişiklikleri tahmin etmeyi, onun için belirlenen limitleri ayarlamayı mümkün kılar. Analizin temeli, müşterinin belirli bir dönemdeki eylemleri, örneğin kredi kartı işlemleri olabilir;

dolandırıcılık puanlaması - potansiyel bir borçlunun hileli eylemlerde bulunma olasılığının istatistiksel bir değerlendirmesi. Bu puanlama genellikle diğer müşteri araştırması türleriyle birlikte kullanılır. Aynı zamanda, Rusya'daki kredi temerrütlerinin% 10'a varan kısmının doğrudan dolandırıcılıkla ilişkili olduğuna inanılıyor ve bu rakam artıyor.

Birçok puanlama sistemi yalnızca girilen verileri işlemekle kalmaz, aynı zamanda kendi kendine öğrenme yeteneğine de sahiptir: Gelecekteki borç alacaklara ilişkin değerlendirmelerini ayarlamak için zaten kabul edilmiş müşterilerin davranışlarını dikkate alırlar.

Bankacılık yazılımları pazarında hazır çözümler bulunmaktadır. En ünlü Western programları SAS Kredi Puanlama, EGAR Puanlama, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine'dir (SPSS). Rus geliştiriciler arasında Basegroup Labs, Diasoft öne çıkıyor ve Ukraynalı şirket Neuro-Systems Business iyi biliniyor. Aynı zamanda birçok banka kendi sistemlerini geliştiriyor.

Puanlama sistemleri, karar vermeyi otomatikleştirerek maliyetleri düşürmeye ve operasyonel riski en aza indirmeye, kredi başvurularının işlem süresini kısaltmaya, bankaların kredi politikalarını merkezi olarak yürütmelerine olanak tanır ve finansal kuruluşlar için dolandırıcılığa karşı ek koruma sağlar. Aynı zamanda puanlamanın bir takım dezavantajları da vardır: genellikle sistemin kararı yalnızca ödünç alan tarafından sağlanan verilerin analizine dayanır. Ek olarak, yalnızca geçmiş deneyimleri dikkate aldıkları ve sosyo-ekonomik durumdaki değişikliklere gecikmeli tepki verdikleri için puanlama sistemlerinin sürekli olarak iyileştirilmesi ve sürdürülmesi gerekir.