Анализ кредитной политики банка ЗАО "ВТБ 24"

     Кредитование  является основным видом ВТБ 24(ЗАО). Кредиты составляют основную статью доходных активов в балансе банка, а полученные по ним проценты являются основной статьей банковских доходов. От качества кредитного портфеля зависят ликвидность и рентабельность банка, и само его существование. Поэтому анализ эффективности кредитных операций является одним из определяющих аспектов анализа экономической дельности банка⁶.

     Одним из основных источников анализа являются активы, приносящие прямой процентный доход, в которых наибольшую долю составляют, как правило, кредиты. Рассмотрим структуру ссудной задолженности ВТБ 24(ЗАО) по срокам размещения, которые представлены в таблице 2.5.

Таблица 2.5- Структура ссудной задолженности ВТБ 24(ЗАО)

 

     Анализ  структуры кредитного портфеля по состоянию на 01 января 2009 года показывает, он сформирован из кредитов, предоставленным юридическим лицам, в т.ч коммерческое кредитование 40,00% и кредиты физическим лицам – индивидуальным предпринимателям 6,45%; на 50% - физическим лицам. Таким образом, за анализируемый период наибольшее изменение в структуре кредитного портфеля произошло по статье коммерческое кредитование, изменение в относительном выражении составило 2,98%.

     Рассмотрим  структуру кредитного портфеля за 2007 г. и 2009г, которые изображены на рисунках 2.1 и 2.2.

     

     Рисунок 2.1 –Структура кредитного портфеля ВТБ 24(ЗАО) за 2007 г.

     

     Рисунок 2.2 –Структура кредитного портфеля ВТБ 24(ЗАО) за 2009 г.

     Сопоставляя два рисунка можно сделать следующие выводы. Кредиты юридическим лицам увеличились на 2%, а кредиты физичиским лица и кредиты индивидуальным предпринимателям уменьшились. Данные обстоятельства можно обосновать таким фактором как экономический кризис, который повлиял на обеспеченность кредитов.

     В целом качество кредитного портфеля можно оценить как удовлетворительное, что говорит об эффективности  проводимой кредитной политики ВТБ24 (ЗАО) за анализируемый период. Однако отделению необходимо уделить особое внимание на рост просроченной задолженности заемщиков в общем ссудном портфеле, что говорит о необходимости повышения эффективности системы мониторинга и управления кредитным риском.

 

     Выводы  к главе 2

 

     1) Изложены особенности кредитной политики ВТБ 24 (ЗАО). ВТБ 24 (ЗАО) предоставляет кредиты заемщикам на цели, предусмотренные их уставом для осуществления текущей и инвестиционной деятельности. Предоставление банком кредитов основывается на учете необходимых потребностей заемщиков в заемных средствах, наличии достаточных гарантий для своевременного их возврата.

      2) Проведен анализ качества кредитного портфеля ВТБ 24 (ЗАО). Кредитный портфель представляет собой состав и структуру выданных кредитов по отраслям, видам обеспечения и срокам. При анализе кредитного портфеля банка можно отметить, что в 2009 удельный вес просроченных ссуд остался на прежнем уровне 3,64 %. Наибольшее увеличение доли просроченных ссуд наблюдается 2008-2009 гг.. – 3,64, по сравнению с 2007 годом 1,83%.

      Перейдем  к 3 главе и рассмотрим предложения по совершенствованию кредитной политики банка.

3 МЕРОПРИЯТИЯ ПО  СОВЕРШЕНСТВОВАНИЮ  КРЕДИТНОЙ ПОЛИТИКИ  БАНКА ВТБ 24(ЗАО)

 

      3.1 Использование технологий интеллектуального анализа данных как способа снижения просроченной задолжности

 

     Для уменьшения задолжности при операциях кредитования физических лиц рассмотрим метод, основанный на применении технологии интеллектуального анализа данных (Data Mining). Можно привести давно всем известную цепочку связанных событий: чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк; чем больше клиентов обратиться в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности. Риск, связанный с невозвратом суммы основного долга и процентов можно значительно снизить, оценивая вероятность возврата заемщиком кредита. В последнее время для оценки риска кредитования заемщика в мировой практике широкое распространение получил скоринг. В России ему также уделяют должное внимание. Сущность этого метода состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных⁷.

Рисунок 3.1- Определение группы заемщиков

Таблица 3.1 - Группы кредитоспособности заемщика

 

      На  основе  полученной  информации  можно  сделать определенные выводы, например:

      1)  к  числу  самых  добросовестных  клиентов  относится женщина в возрасте  от  25  до  35  лет,  имеющая  одного  или двух  детей, среднегодовой  заработок  которой  составляет менее 50 тыс. рублей;

      2) одним из самых ненадежных  клиентов является человек (независимо  от пола) в возрасте от 18 до 25 лет,  не имеющий детей, среднегодовой заработок которого составляет менее 50 тыс. рублей.

      Затем для каждой группы устанавливаются лимиты кредита, проценты по нему и срок возврата. На базе всей этой информации  может строиться или корректироваться  скоринговая система, которой и пользуется кредитный менеджер банка, опираясь при оценке клиента уже не только на предположения, но и на вполне обоснованные данные, что так или иначе способствует снижению кредитного риска⁸.

      Алгоритм  построения приведенного выше дерева решений можно разбить на два этапа. Первый — создание дерева(tree building). В ходе его выполнения программа сканирует данные в базе заемщиков с целью выявления у клиента характеристик,  наиболее  удобных  для  «расщепления».  Затем имеющаяся информация классифицируется в соответствии с найденными  признаками.  Само  собой  разумеется,  что количество групп риска, равно как и характеристик клиентов,  значительно больше,  чем изображено на схеме(см.Рис.3.1). Чтобы интерпретация результатов была удобной для использования, следует держать под контролем размер дерева решений, не давая ему чрезмерно разрастаться. По этому на втором этапе DM системы в случае необходимости производят сокращение (pruning) «точек ветвления» дерева⁹.

      Безусловным  плюсом  большинства современных программных продуктов,  предназначенных  для  сбора  данных  и обнаружения  скрытых  множественных  взаимосвязей  между ними, является то, что они не требуют от пользователя глубоких знаний в области программирования и структур данных. Более того, результаты анализа могут быть интерпретированы

в интуитивно понятной и доступной форме, что существенно расширяет круг потенциальных пользователей и поклонников инструментов Data Mining.

      Выявление  профилей кредитоспособности  клиентов- не единственная область применения технологии Data Mining в кредитных учреждениях. Наряду с этим, используя все те же инструменты и элементарную логику, можно получить ответ и на другие не менее важные для банка вопросы, в том числе:

1. Какой категории граждан подойдут с наибольшей вероятностью те или иные банковские продукты?
2. Как лучше дистанцироваться от конкурентов?
3. Какая реклама будет наиболее эффективной для привлечения клиентов?
4. Какова вероятность покупки той или иной услуги или продукта в связке с другой услугой или продуктом?
5. Каковы тенденции потребительского поведения?

      Список  можно  продолжить,  поскольку  круг  решаемых с  помощью  DM  задач  ограничивается  лишь  целесообразностью  их  выполнения  и качеством  данных,  имеющихся в базе банка или кредитного бюро¹⁰.

     Для демонстрации подобной технологии будет  использоваться программа Tree Analyzer из пакета Deductor ver.3. В качестве исходных данных была взята выборка, состоящая из 1000 записей, где каждая запись – это описание характеристик заемщика плюс параметр, описывающий его поведение во время погашения ссуды. При обучении дерева использовались следующие факторы, определяющие заемщика: "N Паспорта"; "ФИО"; "Адрес"; "Размер ссуды"; "Срок ссуды"; "Цель ссуды"; "Среднемесячный доход"; "Среднемесячный расход"; "Основное направление расходов"; "Наличие недвижимости"; "Наличие автотранспорта"; "Наличие банковского счета"; "Наличие страховки"; "Название организации"; "Отраслевая принадлежность предприятия"; "Срок работы на данном предприятии"; "Направление деятельности заемщика"; "Срок работы на данном направлении"; "Пол"; "Семейное положение"; "Количество лет"; "Количество иждивенцев"; "Срок проживания в данной местности"; "Обеспеченность займа"; "Давать кредит". При этом поля: "N Паспорта", "ФИО", "Адрес", "Название организации" алгоритм уже до начала построения дерева решений определил как непригодные (рисунок 3.2) по причине практической уникальности каждого из значений¹¹.

     Целевым полем является поле "Давать кредит", принимающий значения "Да"(True) и "Нет"(False). Эти значения можно интерпретировать следующим образом: "Нет" – плательщик либо сильно просрочил с платежами, либо не вернул часть денег, "Да" – противоположность "Нет". Факторы для построения дерева были собраны и консолидированы в хранилище данных Deductor Warehouse.

     

     Рисунок 3.2 - Настройка определяющих и целевых факторов