Разработка скоринговой модели оценки кредитного качества корпоративных заемщиков для банков развития

Текущее исследование было посвящено практической проблеме построения скоринговых моделей для оценки кредитного риска. Оценка кредитного риска является важной частью для финансовых организаций, поскольку он влияет на капитал и RWA, а также влияет на процесс принятия управленческих решений. В этой работе были построены несколько моделей для оценки кредитного риска для банков развития, при использовании только открытых источников информации. В данном исследование систематизирована научная литература по анализу методов и моделей оценки кредитного качества. На основании этой литературы были определены методы и модели для постраения внутренией модели кредитных рейтингов. Данное исследование содержит информацию о преимуществах и недостатках каждого метода оценки кредитного качества, включая практическое применение представленных методов. На основе систематизации научной литературы были выбраны методы, которые были использованы для построения моделей для оценки кредитного качества корпоративных заемщиков на основе реальных данных от инжиниринговых компаний. Таким образом, модели были построены на основе эконометрических методов (линейная регрессия, упорядоченная регрессия, квадратичный дискриминантный анализ) и на основе методов машинного обучения (метод опорных векторов, нейронная сеть). Согласно результатам исследования, лучшая прогнозная способность была продемонстрирована методом опорных векторов и нейронной сетью, что позволило точно прогнозировать кредитный рейтинг в точно в 32% случаев и показало прогностическую способность в пределах одного рейтинга более 73%. Однако из-за трудной интерпретируемости и необходимости «обучения» большого набора данных нейронная сеть уступает методу опорных векторов с точки зрения прикладного использования. Эконометрические модели показали меньшую предсказательную силу. Наилучшая спецификация модели линейной регрессии позволила нам точно определить 26% рейтингов и 59% с ошибкой в одном рейтинге. Наилучшая спецификация упорядоченной логистической регрессии позволила нам точно определить 27% рейтингов и 62% рейтингов с ошибкой в одном рейтинге. Квадратичный дискриминационный анализ был исключен из результатов из-за качественного ограничения.