Нормативные среды, такая как МСФО (IFRS) 9 и CECL, требуют, чтобы учреждения оценивали резервы потерь на основе анализа на протяжении всей жизни, который зависит от макроэкономических сценариев. Более ранние модели часто были разработаны, чтобы предсказать один период вперед и часто без явной чувствительности к макроэкономическим сценариям. С учетом МСФО (IFRS) 9 и правил CECL модели должны предсказывать несколько периодов вперед, и модели должны иметь явную зависимость от макроэкономических переменных.
Основным выходом анализа кредитования в течение срока действия является ожидаемый кредитный убыток в течение срока действия (ECL). Пожизненный ECL состоит из резервов, которые банкам необходимо отложить на ожидаемые потери в течение всего срока действия кредита. Существуют различные подходы к оценке ECL в течение срока службы. Некоторые подходы используют относительно простые методы по данным о потерях с качественными корректировками. Другие подходы используют более совершенные методы timeseries или эконометрические модели для прогнозирования потерь с зависимостями от макро переменных. Другая методология использует модели вероятности дефолта (PD), модели потерь с учетом дефолта (LGD) и модели воздействия при дефолте (EAD) и объединяет их выходы для оценки ECL. Модели PD в течение срока службы в Risk Management Toolbox™ относятся к категории PD-LGD-EAD.
Традиционные модели PD предсказывают вероятность дефолта для следующего периода (то есть в следующем году, следующем квартале и так далее). Эти однолетние модели опередления включают область значений методологий, таких как кредитные карты результатов (creditscorecard), деревья решений (fitctree) и матрицы переходов (transprob). Эти модели включают различные типы предикторов. Некоторые из них просты, такие как доход клиента, а другие более комплексны, такие как коэффициент использования или некоторые другие показатели, связанные с финансовой деятельностью заемщика. Для этих моделей последних наблюдаемых значений предикторов, возможно, с некоторой отстающей информацией, обычно достаточно, чтобы сделать предсказание, и нет необходимости проектировать или прогнозировать значения предикторов в будущем.
Напротив, модели PD во время жизни требуют перспективных значений всех предикторов, чтобы сделать предсказание PD во время жизни до конца срока действия кредита. Поскольку проецируемые значения предикторов необходимы, эти модели могут уменьшить количество и сложность предикторов и использовать либо предикторы с постоянными значениями, такими как счет начала, либо предикторы, которые могут быть проецированы с небольшими усилиями, такими как отношение кредита к стоимости. Одним из предикторов, обычно включенных в эти модели, является возраст кредита. При использовании в регуляторных целях в модель должны быть включены макроэкономические предикторы, и для анализа кредита в течение жизни требуется несколько макроэкономических сценариев.
Анализ кредита в течение жизни также требует совокупного PD в течение жизни, которое является преобразованием предсказанных, условных PD. В частности, маргинальный PD, который является шагами в совокупном времени жизни PD, используется для расчета ECL. Часто сообщается и о вероятности выживания. Эти альтернативные версии вероятности являются рекурсивными операциями на предсказанных, условных значениях PD для одной ссуды. Другими словами, условные PD могут быть предсказаны на несколько периодов вперед и показывают зависящую от времени структуру, но эти предсказания являются предсказаниями «строка за строкой», где одна строка входов предсказывает условную PD независимо от всех других строк. Однако для совокупного времени жизни PD, совокупное значение PD для второго периода зависит от условных PD для первого и второго периодов, и все последующие периоды имеют явную зависимость от предыдущего периода (рекурсия). Поэтому для предсказаний срока службы программное обеспечение должно знать, какие строки во входах соответствуют одному и тому же кредиту, поэтому для предсказание срока службы требуется некоторая форма идентификатора кредита. В следующей таблице обобщены различия между традиционными моделями PD и пожизненными моделями PD.
| Традиционные модели PD | Модели ПД в течение жизни |
|---|---|
| Предсказать один период вперед | Предсказать несколько периодов вперед |
| Предсказание только условного ПД | Предсказать условную PD, совокупную длительность жизни PD, предельную PD и вероятность выживания |
| Предсказать для каждой строки входов данных, независимо от всех других строк | Предсказать для всех строк входов данных, которые соответствуют одному и тому же кредиту; это рекурсивная операция, которая требует некоторой формы идентификатора кредита, чтобы знать, с чего начать рекурсию |
| Нужна только самая последняя наблюдаемая информация, чтобы делать предсказания PD | Нужна самая последняя информация и проецируемые значения переменных предиктора за время жизни кредита, чтобы сделать предсказания PD |
| Может использовать сложные предикторы, которые являются результатом нетривиальной обработки данных или преобразований данных | Обычно используйте более простые предикторы, переменные, которые не трудно спроектировать и предсказать |
| Помимо предикторов, специфичных для кредита, модели могут включать макроэкономические переменные или возрастную переменную | Помимо предикторов, относящихся к кредитам, модели должны включать макроэкономические предикторы (особенно если они используются в регуляторных целях) и обычно включать возрастную переменную |
Risk Management Toolbox поддерживает моделирование и валидацию моделей PD в течение жизни через семейство классов, поддерживающих:
Моделируйте аппроксимацию с fitLifetimePDModel
Предсказание условного PD с predict функция
Предсказание PD во время жизни (совокупный, маргинальный и выживание) с predictLifetime функция
Моделируйте метрики дискриминации с modelDiscrimination функция
Постройте график кривой ROC с modelDiscriminationPlot функция
Моделируйте метрики точности с modelAccuracy функция
Постройте график наблюдаемых скоростей по умолчанию по сравнению с предсказанными PD на сгруппированных данных с modelAccuracyPlot функция
Поддерживаемые типы модели Logistic и Probit модели.
Типичный рабочий процесс моделирования для анализа ПД в течение жизни включает:
Подготовка данных
Жизненные модели PD требуют входа данных панели для подбора кривой, предсказания и валидации. Переменная отклика должна быть двоичной (0 или 1) переменная, с 1 указывает по умолчанию. Существует широкая область значений инструментов, доступных для лечения недостающих данных (использование fillmissing), обрабатывать выбросы (используя filloutliers) и выполнять другие задачи по подготовке данных.
Моделирование подбора кривой
Используйте fitLifetimePDModel функция для соответствия пожизненной модели PD. Необходимо использовать ранее подготовленные данные, выбрать тип модели и указать, какие переменные соответствуют специфичным для ссуды переменным (таким как счет происхождения и отношение кредита к стоимости). Кроме того, можно также включать возрастную переменную (например, годы в книгах) и макроэкономические переменные (такие как рост валового внутреннего продукта или уровень безработицы), а также переменную идентификатора и переменную отклика. Можно задать описание модели, а также идентификатор модели или тег в целях отчетности во время валидации модели.
Валидация модели
В валидации модели участвует несколько задач, включая
Смотрите базовую статистическую модель, которая хранится в 'Model' свойство Logistic или Probit объект. Для получения дополнительной информации смотрите Basic Lifetime PD Валидация.
Измерьте дискриминацию модели или на обучении, или на тестовых данных с modelDiscrimination функция. Визуализация также может быть сгенерирована с помощью modelDiscriminationPlot функция. Данные можно сегментировать для измерения дискриминации по различным сегментам.
Измерьте точность модели на обучении или тестовых данных с modelAccuracy функция. Визуализация также может быть сгенерирована с помощью modelAccuracyPlot функция. Требуется сгруппированная переменная, чтобы измерить наблюдаемую скорость по умолчанию для каждой группы и сравнить ее со средним прогнозируемым условным PD для группы.
Проверьте модель на соответствие бенчмарку (для примера - модель-чемпион). Для получения дополнительной информации см. «Сравнение логистической модели для PD в течение жизни с моделью Champion».
Выполните перекрестный анализ валидации, чтобы сравнить альтернативные модели. Для получения дополнительной информации смотрите Сравнение моделей PD в течение жизни с использованием перекрестной валидации.
Выполните качественную оценку условных предсказаний PD при помощи predict функция непосредственно с краевыми падежами. Обратите внимание, что валидация модели основана на условных предсказаниях PD, сгенерированных predict функция. predict функция автоматически вызывается modelDiscrimination и modelAccuracy чтобы сгенерировать метрики.
Визуализируйте пожизненные предсказания PD для валидации модели с помощью predictLifetime функция с краевыми случаями, а затем выполните качественную оценку предсказаний.
Если вы разрабатываете и проверяете модель PD в течение жизни, можно использовать ее для анализа ECL в течение жизни. Пример расчета ожидаемого кредитного убытка (ECL) демонстрирует базовый рабочий процесс вычисления ECL.
Пример Расчета Ожидаемые потери кредита (ECL) показов, как визуализировать пожизненные предсказания PD для различных сценариев макросов.
Пример расчета ожидаемого кредитного убытка (ECL) также показывает, как вычислить ECL по сценарию и как вычислить окончательный пожизненный ECL для данного кредита.
Для получения дополнительной информации о подготовке данных для предсказания (включая присоединение прогнозов кредитных данных и макропрогнозов) и дополнительных параметрах и расчетах, необходимых для оценки ECL на протяжении срока службы, смотрите Расчет ожидаемого кредитного убытка (ECL).
Можно также использовать модели PD продолжительности жизни для анализа проверки напряжения. Однако анализ кредита и стресс- проверка имеют несколько различий, которые суммируются в следующей таблице.
| Стресс- Проверка | Анализ кредита в течение жизни |
|---|---|
| Особое внимание на негативных, пессимистических сценариях | Должен рассмотреть область значений сценариев, включая пессимистические, нейтральные и оптимистические таковые |
| Модели часто смещены, калиброваны, чтобы получить более консервативные результаты | Ожидается, что модели будут объективными |
| Пролегает на несколько четвертей вперед | Может охватить много лет вперед |
| Макроэкономические прогнозы по стрессовым проверкам уходят на несколько кварталов вперед | Макро-сценарии достигают далеко в будущем и, как правило, должны вернуться к некоторому базовому уровню через несколько кварталов |
Типы моделей, используемых для обоих этих анализов, очень похожи. Можно использовать пожизненные модели PD для анализа проверки напряжения с некоторыми дополнительными факторами для учета разниц, перечисленных в предыдущей таблице.
[1] Baesens, Bart, Daniel Roesch, and Harald Scheule. Аналитика кредитных рисков: методы измерения, приложения и примеры в SAS. Уайли, 2016.
[2] Беллини, Тициано. МСФО (IFRS) 9 и CECL «Моделирование и валидация кредитных рисков: практическое руководство с примерами, используемыми в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.
[3] Бриден, Джозеф. Жизнь с CECL: Словарь моделирования. Santa Fe, NM: Prescient Models LLC, 2018.
fitLifetimePDModel | Logistic | modelAccuracy | modelAccuracyPlot | modelDiscrimination | modelDiscriminationPlot | predict | predictLifetime | Probit
