ПРО ОДИН ПІДХІД ДО ФОРМАЛЬНОГО ОЦІНЮВАННЯ КВАЛІФІКАЦІЇ КРЕДИТНИХ АНАЛІТИКІВ КОМЕРЦІЙНОГО БАНКУ

Автор(и)

DOI:

https://doi.org/10.20535/2307-5651.22.2022.260167

Анотація

Неефективне управління у сфері кредитування може призвести до суттєвих втрат і навіть банкрутства банку. Отже, для мінімізації можливих втрат фахівці банку мають провести кредитну оцінку платоспроможності потенційного позичальника на високому рівні. Цей факт і висока конкуренція банків у цій сфері призвела до широкого застосування скоринг систем. Водночас немає універсальної моделі кредитного скорингу і автоматизована система неспроможна зафіксувати підозрілу поведінку чи граничний стан клієнта. Таким чином, при прийнятті кредитного рішення доцільно спиратися не тільки на результати скоринг системи, але й на думку кваліфікованих експертів (кредитних аналітиків), що особливо важливо при зміні економічної ситуації. Тому побудована на байєсовських стратегіях класифікації формальна схема оцінки кваліфікації кредитного аналітика на основі наявної апріорної інформації є актуальною. Відповідно до запропонованого підходу для оцінки кваліфікації кредитних аналітиків проводиться їх тестування, використовуючи раніше відомі результати кредитних історій банку. Кандидату необхідно класифікувати колишніх позичальників банку, відносячи їх до одного з двох класів – благонадійний позичальник, який без проблем виконав умови кредитування або неблагонадійний позичальник, який повернув кредит у примусовому порядку. Якщо за результатами тесту середній ризик рішень кредитного аналітика менший за апріорний ризик рішень, які менеджер банку приймає лише на підставі знання ймовірностей появи благонадійних та неблагонадійних клієнтів, то кредитний аналітик вважається кваліфікованим. Також у статті наведено схему вибору найбільш кваліфікованих кредитних аналітиків у групу прийняття кредитного рішення на основі запропонованих формальних умов. Для практичного використання запропонованого підходу достатньо оцінити апріорні ймовірності благонадійних та неблагонадійних клієнтів у тестовій вибірці кредитних історій та умовні ймовірності помилок, які допускає потенційний кредитний аналітик при класифікації клієнтів банку з відомою кредитною історією. Надано модельний приклад, що ілюструє запропонований підхід.

Посилання

Lim M., Sohn S. (2007) Cluster-Based Dynamic Scoring Model. Expert Systems with Applications, vol. 32 (2), pp. 427–431.

Bidiuk P. I., Danylov V. Ia., Zhyrov O .L. (2017) Otsiniuvannia kredytnykh ryzykiv metodamy intelektualnoho analizu danykh. Systemni doslidzhennia ta informatsiini tekhnolohii, no. 1, pp. 33–48. (in Ukrainian)

Sustersic M., Mramor D., Zupan J., (2009) Consumer credit scoring models with limited data, Expert Systems with Applications, vol. 36 (3), pp. 4736–4744.

Abdou H., Pointon J. (2011) Credit scoring, statistical techniques and evaluation criteria: a review of the literature. Intelligent Systems in Accounting, Finance & Management, vol. 18 (2-3), pp. 59–88.

Jasiński A. (2011) Credit Expert – Expert System For Credit Applications Evaluation. Journal: Ad Alta: Journal of Interdisciplinary Research, vol. 01, pp. 107–118.

Bisbey T. M., Allison M. T., Salas E. (2021) Transforming Teams of Experts into Expert Teams: Eight Principles of Expert Team Performance. Journal of Expertise, vol. 4(2), pp. 190–207.

Zhukovska O. A., Fainzilberg L. S. (2018) Matematychni modeli kolektyvnykh rishen: monohrafiia, Kyiv: Osvita Ukrainy, 160 p. (in Ukrainian)

Zhukovska O. A. (2009) Osnovi іnterval'nogo analіzu: navch.pos., Kyiv: Osvita Ukrainy, 132 p. (in Ukrainian)

##submission.downloads##

Опубліковано

2022-06-28

Номер

Розділ

Технології як фактор економічного зростання