Експертні системи

В останні роки різні системи штучного інтелекту або, як їх ще називають, експертні системи стали досить популярним засобом, використовуваним для прийняття рішень у фінансовій сфері.

Незважаючи на те що багато з таких систем показали свою досить високу ефективність, вони володіють рядом недоліків. По-перше, це досить висока вартість і складність розробки і підтримки робочого стану систем подібного роду. По-друге, потрібно багато часу для вивчення алгоритмів мислення людей-експертів і трансляцію їх в правила, на яких буде побудована експертна система. По-третє, такі системи здебільшого не здатні до навчання і автоматичною модифікації закладених в них алгоритмів на основі накопиченого досвіду. Це означає, що будь-яка зміна навколишнього середовища може призвести до істотного зниження якості висновків, одержуваних системою.

Кількісні моделі

Кількісні моделі використовують дані по спостережуваних характеристикам позичальника і дозволяють оцінити ймовірність настання дефолту або класифікувати позичальників в різні групи кредитного ризику. Моделі цього класу дозволяють аналітику кількісно оцінити, які фактори важливі в поясненні ризику неплатежу, порівняти їх відносну важливість, поліпшити процедуру моніторингу кредитного портфеля і процедуру розрахунку і створення резервів по можливим втратам по позиках і, нарешті, вести більш адекватне ціноутворення кредитних ресурсів.

Кредитний ризик можна розглядати, наприклад, з точки зору конкретного кредиту або з погляду кредитного портфеля в цілому. У першому випадку мова йде про одиночному ризик, в другому - про портфельному.

Одиночний ризик - це ризик, пов'язаний з певним позичальником або певним борговим інструментів конкретного емітента, наприклад кредитний ризик якоїсь облігації.

Портфельний ризик - це ризик, властивий портфелю в цілому. Як приклад можна привести портфель, що складається з двох облігацій. Особливість портфельного ризику полягає в тому, що вхідні в портфель цінні папери можуть корелювати між собою. Таким чином, вибір комбінації може впливати на величину ризику і за рахунок диверсифікації можна досягти його зменшення.

Нами буде розглянуто виключно одиночний кредитний ризик.

І нарешті, ризик дефолту можна розглядати з погляду носія або суб'єкта це ризику. Це може бути фізична або юридична особа. У даній книзі суб'єктом кредитного ризику виступає юридична особа - компанія.

Основні вимоги до кількісних моделям

Ідеальна модель кредитного ризику повинна володіти наступними характеристиками:

  • 1) бути зрозумілою. Для багатьох аналітиків набагато важливіше розуміння, яким чином працює модель, ніж включення в модель будь-яких показників;
  • 2) володіти високою предсказательной здатністю. Це вимога цілком очевидно. Модель, не здатна розрізнити "здорові" і "проблемні" компанії, не має значної цінності для аналітика;
  • 3) бути емпірично перевіреної. Працездатність моделі і стабільність її висновків повинні бути перевірені на практиці і в ідеалі на великій репрезентативною вибіркою.

Формалізовані критерії оцінки моделей

Розглянемо способи, що дозволяють оцінити і порівняти якість роботи моделей кредитного ризику. До них відносяться:

  • o лінії кумулятивної точності (Cumulative Accuracy Profiles curves);
  • o коефіцієнти точності (Accuracy Ratios). Особливість даних метрик, насамперед, полягає в їх універсальності. З їх допомогою можна порівнювати моделі будь-якого типу, навіть коли тип результатів на їх виході різний, не піддається прямому порівнянні і може носити не числовий, а категоріальний характер (наприклад, кредитний рейтинг Moody's).

Лінії кумулятивної точності (CAP curves), або криві Лоренса, являють собою графічну ілюстрацію якості роботи моделей (рис. 11.1).

Лінії кумулятивної точності

Рис. 11.1. Лінії кумулятивної точності

Для побудови вказаних ліній дані сортуються в порядку зміни рейтингу компаній (ймовірності дефолту) від найризикованіших до найнадійніших. По осі у відображається число дефолтів (відсоток загальної кількості дефолтів у генеральної сукупності). Таким чином, лінія кумулятивної точності показує відсоток у (х) збанкрутілих компаній в загальному числі фірм-банкрутів, чий рейтинг менше або дорівнює рейтингу частки х.

На малюнку як приклад показані можливі ситуації: ідеальний випадок (100% дефолтів міститься в частці спостережень, рівної фактичної долі дефолтів у вибірці), випадок для якоїсь моделі і випадковість, коли рейтинг присвоюється компаніям випадковим чином (тобто х% спостережень містять х% дефолтів).

Таким чином, чим вище якість роботи моделі, тим ближче до ідеального нагоди проходить лінія кумулятивної точності.

Зручною аналітичної заходом працездатності моделі служить коефіцієнт точності (AR), або коефіцієнт Джинні, що характеризує відхилення CAP curve оцінюваної моделі від ідеального випадку. Даний показник розраховується як відношення площі фігури В до сумарної площі фігур А і В. Таким чином, ідеальна модель має = 1, випадкова -ак = 0.

 
< Попер   ЗМІСТ   Наст >