Masarykova univerzita Přírodovědecká fakulta
DIPLOMOVÁ PRÁCE Bc. Eva Krejčová
Retailový a korporátní credit scoring
Vedoucí práce: Mgr. Martin Řezáč, Ph.D. Studijní program Aplikovaná matematika Studijní obor Finanční matematika
2011
Na tomto místě bych ráda poděkovala panu Mgr. Martinu Řezáčovi, Ph.D. za jeho cenné rady a připomínky při vedení této práce.
Prohlášení: Prohlašuji, ţe jsem svou diplomovou práci napsala samostatně a výhradně s pouţitím citovaných pramenů. .……………….
………………….
V Brně, dne
Bc. Eva Krejčová
Název práce: Retailový a korporátní credit scoring Autor: Bc. Eva Krejčová Ústav matematiky a statistiky Přírodovědecké fakulty MU Vedoucí diplomové práce: Mgr. Martin Řezáč, Ph.D. Abstrakt: Diplomová práce „Retailový a korporátní credit scoring“ se zabývá problematikou hodnocení retailových a korporátních klientů finančních institucí pomocí kvalitativních i kvantitativních metod. V práci jsou popsány zejména matematické metody credit scoringu, finanční analýzy a rating klientů. Je zde taktéţ popsán a patřičně komentován rozdíl mezi scoringem retailových a korporátních klientů. Klíčová slova: riziko, credit scoring, logistická regrese, Altmanův model
Title: Retail and corporate credit scoring Author: Bc. Eva Krejčová
Department of Mathematics and Statistics, Faculty of Science, MU Supervisor: Mgr. Martin Řezáč, Ph.D.
Abstract: Thesis "Retail and Corporate Credit Scoring" deals with issues related to evaluation of retail and corporate clients of financial institutions with the aid of both qualitative and quantitative methods. The paper particularly describes the mathematical methods of credit scoring, financial analysis and rating of clients. There is also described and appropriately commented
the
difference
between
scoring
of
retail
Keywords: risk, credit scoring, logistic regression, Altman model
and
corporate
clients.
Obsah 1
Úvod ........................................................................................................................................................... 7
2
Riziko ......................................................................................................................................................... 8 2.1
Druhy rizika ....................................................................................................................................... 9
2.2
Metody měření a řízení rizik ............................................................................................................ 13
2.2.1
Měření trţních rizik ..................................................................................................................... 13
2.2.2
Měření strukturálních rizik ........................................................................................................... 14
2.2.3
Měření a řízení úvěrového rizika .................................................................................................. 15
2.3 2.3.1
Basel I ......................................................................................................................................... 16
2.3.2
Basel II. ....................................................................................................................................... 17
2.4 3
Pravidla Basel .................................................................................................................................. 16
Rating .............................................................................................................................................. 21
Poskytování úvěrů ..................................................................................................................................... 27 3.1
Základní funkce banky ..................................................................................................................... 27
3.2
Poskytování úvěrů pro fyzické osoby ............................................................................................... 28
3.2.1
Česká spořitelna, a.s..................................................................................................................... 29
3.2.2
ČSOB .......................................................................................................................................... 30
3.2.3
Komerční banka ........................................................................................................................... 30
3.2.4
UniCredit Bank ............................................................................................................................ 31
3.2.5
Raiffeisen Bank ........................................................................................................................... 31
3.3
Poskytování úvěrů pro korporátní klienty ......................................................................................... 32 Podmínky poskytnutí podnikatelského úvěru ............................................................................... 34
3.3.1 4
Credit scoring ............................................................................................................................................ 36 4.1
Druhy skóringu ................................................................................................................................ 36
4.2
Funkce credit scoringu ..................................................................................................................... 38
4.2.1
Technologie pro credit scoring ..................................................................................................... 38
4.3
Postupná výstavba modelu ohodnocení kreditního rizika .................................................................. 40
4.4
Scoringové modely .......................................................................................................................... 41
Definice 4.4.1 ............................................................................................................................................ 41 4.5
Logistická regrese ............................................................................................................................ 42 Metoda maximální věrohodnosti .................................................................................................. 43
4.5.1
Věta 4.5.1 (Newtonova-Raphsonova metoda) ............................................................................................ 45 4.5.2
Promněnné typu odds................................................................................................................... 45
4.5.3
Podstata modelů ........................................................................................................................... 46
4.6
Independence model ........................................................................................................................ 47
4.7
WOE model ..................................................................................................................................... 48
4.8
Plný logistický model ....................................................................................................................... 48
4.9
Altmanův model .............................................................................................................................. 49
4.10
Rozhodovací stromy ........................................................................................................................ 51
4.10.1
Struktura stromu ...................................................................................................................... 51
4.10.2
Typy Stromů............................................................................................................................ 52
4.10.3
Regresní stromy....................................................................................................................... 53 5
5
Retailový a korporátní credit scoring ......................................................................................................... 55 5.1
Shrnutí ............................................................................................................................................. 62
6
Závěr ......................................................................................................................................................... 64
7
Seznam pouţité literatury .......................................................................................................................... 66
6
1 Úvod Má diplomová práce se skládá ze čtyř částí. V první části se zabývám rizikem. Definuji pojem rizika, jaké jsou druhy rizika a jejich rozdělení. Protoţe se kaţdé riziko chová jinak, popisuji zde také metody měření a řízení rizik. Dále jsem se zaměřila především na úvěrové riziko, protoţe je nejvíce spjato s tématem mé diplomové práce. Uvádím pravidla Basel, které souvisí se stanovením minimální hodnoty vlastního kapitálu bank a také se zabývají problematikou bankovních rizik a jejich řízením. Pozornost je v této kapitole také věnována ratingu, coţ znamená nezávislé hodnocení subjektu, tj. jak je tento subjekt schopen dostát včas a v plné výši svým závazkům. Je zde popsána historie ratingu a dále jsou vyjmenovány hlavní ratingové agentury. Uvedena je zde i stupnice hodnocení ratingu. Druhá část mé diplomové práce se nazývá Poskytování úvěrů. V této kapitole shrnuji základní funkce banky a popisuji podmínky pro poskytnutí úvěru u pěti největších bank v České republice pro reitalové a korporátní klienty. U těchto podmínek porovnávám rozdíly pro retailové a korporátní klienty. Třetí část mé práce je stěţejní část, jedná se o kapitolu Credit scoring. Zde jsou popsány jednotlivé druhy scoringu a vhodnost jejich pouţití. Je zde naznačen i postup výstavby modelu ohodnocení kreditního rizika. Dále jsou v této části rozpracovány jednotlivé scoringové modely, ze kterých se nejvíce věnuji logistické regresi, vysvětluji ale také princip WOE modelu, plný logistický model, Altmanův model a proces rozhodování pomocí regresních stromů. Praktická část tvoří poslední kapitolu. Oslovila jsem několik bank v České republice a poţádala je o informace týkající se credit scoringu. Zajímala jsem se o jimi pouţívané metody výpočtu a o rozdíly mezi retailovým a korporátním credit scoringem. Cílem této práce je porovnat různé scoringové modely, zjistit, které z nich jsou nejvíce pouţívané v praxi, a porovnat rozdíly mezi credit scoringem retailových a korporátních klientů.
7
2 Riziko Riziko je pojem, který je kaţdému člověku velice blízký. Riziko provází člověka na kaţdém kroku a je nerozlučně spojeno s kaţdou lidskou činností. Co riziko tedy vlastně představuje? Riziko je nahodilá, nenadálá událost, která pro většinu lidí znamená určitý projev nejistoty, zejména ve vztahu k výsledku dané situace. Riziko je často chápáno jako nebezpečí vzniku určité ztráty. Finanční teorie obvykle definuje riziko jako volatilitu (kolísavost) finanční veličiny (hodnoty portfolia, zisku atd.) okolo očekávané hodnoty v důsledku změn řady parametrů. [26] Riziko je historický výraz, pocházející údajně ze 17. století, kdy se objevil v souvislosti s lodní plavbou. Výraz „risico“ pochází z italštiny a označoval úskalí, kterému se museli plavci vyhnout. Následně se tím vyjadřovalo „vystavení nepříznivým okolnostem“. Ve starších encyklopediích najdeme pod tímto heslem vysvětlení, ţe se jedná o odvahu či nebezpečí, případně ţe „riskovat“ znamená odváţit se něčeho. Teprve později se objevuje i význam ve smyslu moţné ztráty. Dnes jiţ víme, ţe nebezpečí představuje něco poněkud jiného a v teorii rizika souvisí s hrozbou. Podle dnešních výkladů se rizikem obecně rozumí nebezpečí vzniku škody, poškození, ztráty či zničení, případně nezdaru při podnikání. [10] Neexistuje jedna obecně uznávaná definice, pojem riziko je definován různě:
Pravděpodobnost či moţnost vzniku ztráty, obecně nezdaru.
Variabilita moţných výsledků nebo nejistota jejich dosaţení.
Odchýlení skutečných a očekávaných výsledků.
Pravděpodobnost jakéhokoliv výsledku, odlišného od výsledku očekávaného.
Situace, kdy kvantitativní rozsah určitého jevu podléhá jistému rozdělení pravděpodobnosti.
Nebezpečí negativní odchylky od cíle (tzv. čisté riziko).
Nebezpečí chybného rozhodnutí.
Moţnost vzniku ztráty nebo zisku (tzv. spekulativní riziko).
Neurčitost spojená s vývojem hodnoty aktiva (tzv. investiční riziko).
Střední hodnota ztrátové funkce.
Moţnost, ţe specifická hrozba vyuţije specifickou zranitelnost systému.
Pojem rizika jako ekonomické kategorie, která je neoddělitelnou součástí soustavné činnosti provozované za účelem dosaţení zisku, tj. podnikání, se objevuje aţ s vytvářením specifické kategorie osob – podnikatelů. Kaţdá jednotlivá podnikatelská činnost je charakterizována 8
jinou škálou rizik. Některá rizika jsou společná pro všechny obory podnikání, některá jsou specifická. Některý druh rizika je pro jednu podnikatelskou činnost významnější neţ pro druhou. Bankovní podnikání je pevnou součástí celkového podnikatelského prostředí. Základem tohoto podnikání je hospodaření s majetkem, které není ve vlastnictví banky. Základní podnikatelskou činností bank je přijímání vkladů a poskytování úvěrů. Zvláštnost bankovního podnikání vyvolala společenskou poptávku po regulaci rizika spojeného s kvalitou aktiv bank. Tuto regulaci provádí subjekty k tomu určené, kterými jsou většinou centrální banky jednotlivých zemí. Tato diplomová práce se bude zabývat především úvěrovým rizikem v bankách. Úvěrové riziko je pravděpodobně nejstarším bankovním rizikem. Chápeme jej zpravidla ve dvou smyslech – v širším a uţším pojetí. Dle širšího pojetí se úvěrovým rizikem má na mysli riziko ztráty ze selhání obchodního partnera tím, ţe nedostojí svým závazkům podle podmínek kontraktu, a tím způsobí drţiteli pohledávky ztrátu. Dle uţšího pojetí je úvěrové riziko chápáno jako riziko nesplacení úvěru klientem nebo jeho části či opoţdění smluvně stanovených plateb. 2.1
Druhy rizika
Rozdělení rizik není zcela sjednoceno. Rizika (nebezpečí vzniku ztráty) se dělí podle svého původu (např. v druhé straně obchodního kontraktu nebo v politické a ekonomické situaci dané země nebo jiných zemí, popř. v charakteru zboţí či sluţeb, jeţ jsou předmětem kontraktu). Kromě jiţ zmíněného rizika úvěrového, existují ještě další rizika. Mezi nejvýznamnější patří:
tržní, které vzniká jako moţná ztráta prodávajícího v důsledku neprodejnosti sluţby nebo výrobku, nebo nebezpečím změny cenových relací v době mezi uzavřením kontraktu a jeho splněním,
úrokové, banka je mu vystavena díky rozdílné senzitivitě aktiv a pasiv z titulu doby jejich splatnosti či doby do refixace úrokové sazby,
měnové je generováno nesouladem krátkých a dlouhých pozic v jednotlivých cizích měnách,
akciové riziko vzniká negativním dopadem změn cen akciových nástrojů na své hospodaření,
inflační představuje moţnost utrpět ztrátu nebo dosáhnout zisku v důsledku inflačního vývoje,
9
kursové je představováno moţností, ţe v důsledku pohybu kursu dojde ke změně očekávaného výsledku obchodní operace, a to tak, ţe vznikne kursová ztráta nebo kursový zisk,
likvidity vzniká z transformace krátkodobých zdrojů na dlouhodobá aktiva.
Existuje několik přístupů k rozdělení rizik. Relativně jednoduché schéma rozdělení je dle pojetí PriceWaterhouseCoopers (mezinárodní síť poradenských společností) [4], kde jsou finanční rizika rozdělena do tří skupin na transakční, likviditní a provozní. Tyto skupiny, kromě likviditní, se dále dělí:
likviditní
transakční o úvěrové o cenové
úrokové
měnové
trţní
provozní o přepáţky o back office o systémů
Jiné rozdělení rizik uvádí například Ing. Půlpánová [7], která bankovní rizika dělí dle následujícího schématu:
úvěrové
úvěrové angaţovanosti
trţní o úrokové o měnové o akciové o komoditní
likviditní
provozní o systémové o selhání lidského prvku
10
Další rozdělení je např. podle B. Sekerky [8], který dělí finanční rizika na:
úvěrové riziko
trţní riziko o úrokové riziko o akciové riziko o komoditní riziko o měnové riziko
operační riziko
právní riziko
riziko likvidity o riziko trţní likvidity o riziko cash flow
Jiné rozdělení je podle J. Vlachého [6]:
trţní riziko o úrokové riziko o měnové riziko o akciové riziko o komoditní riziko
kreditní riziko o úvěrové riziko o riziko vypořádání o riziko ztráty obchodu
riziko likvidity o riziko vlastní likvidity o riziko likvidity trhu
Nejširší rozdělení rizik je dle pojetí Prof. Jílka [1], který se snaţí zařadit rizika co moţná do nejuţších skupin. Finanční rizika dělí na pět hlavních skupin:
úvěrové riziko
trţní (cenové) riziko o úrokové riziko o akciové riziko o komoditní riziko 11
o měnové riziko
likvidní riziko o riziko financování o riziko trţní likvidity
operační riziko (riziko ztráty způsobené lidským faktorem) o transakční riziko o riziko operačního řízení o riziko systémů
obchodní riziko o právní riziko o riziko změny úvěrového hodnocení o reputační riziko o daňové riziko o riziko měnové konvertibility o riziko pohromy o regulační riziko
Dále ještě uvádí riziko systémové, které vniká v případě, pokud alespoň jedno z výše uvedených pěti rizik způsobí subjektu potíţe, které následně negativně dopadají na velké mnoţství dalších subjektů nebo v krajním případě i na větší část finančního systému.
Obrázek 1
Zdroj: vlastní zpracování podle Jílek [1] 12
Vzhledem k tomu, ţe dělení není zcela jednotné, nelze ani přesně stanovit nejdůleţitější riziko. Česká národní banka povaţuje mezi nejvýznamnější rizika bankovního podnikání úvěrové riziko, riziko ztráty likvidity, trţní riziko a riziko země. Do rizika trţního zahrnuje riziko měnové, úrokové, akciové a komoditní. Další důleţitá rizika, která lze obtíţně kvantifikovat jsou rizika operační, právní, riziko dobré pověsti a riziko nenadálých událostí. České banky poskytují informace o řízení rizik ve svých výročních zprávách. 2.2
Metody měření a řízení rizik
Řízení rizik je nástrojem vedení banky k dodrţení poţadované rizikové úrovně, a to jak jednotlivých transakcí, tak i celkové rozvahy banky. Řízení rizik přispívá k ocenění rizikovosti potenciálních transakcí, do nichţ mají banky moţnost vstoupit. Toto riziko se v matematické teorii modeluje pomocí pravděpodobnostních modelů, které popisují chování rizikových faktorů. Účelem řízení rizik je tedy vyčíslení rizika plynoucího z daného podnikání. K výpočtu se pouţívají různé charakteristiky v závislosti na účelu a druhu rizika. [9] Proces řízení rizik probíhá v několika krocích: 1) identifikace rizika 2) aplikace metody měření rizika 3) způsob omezení rizika 4) pravidelné měření rizika 2.2.1
Měření tržních rizik
Trţní riziko zachycuje negativní dopad vývoje cen jednotlivých instrumentů do hospodaření banky a do něj je často zahrnováno riziko úrokové, měnové, akciové a komoditní. Měření spočívá v denním sledování trţních rizik a jeho cílem je kvantifikovat potenciální ztrátu plynoucí ze změny trţních parametrů v nejbliţších několika dnech. Jednotlivé metody měření rizika se liší, v závislosti na jaké míře rizika jsou zaloţeny a z jakého pravděpodobnostního modelu chování se vychází. Měření je zaloţeno na standardně pouţívané míře rizika zvané Value-At-Risk. Coţ je definováno jako maximální ztráta, kterou můţe vlastník portfolia vzhledem k jeho současné hodnotě utrpět, a to ve stanoveném časovém horizontu a s předem určenou pravděpodobností. K výpočtu se pouţívají dva parametry: hladina spolehlivosti a doba drţení. Nevýhoda měření rizik zaloţených na této
13
metodě je skutečnost, ţe nic neříkají o rozsahu moţných ztrát za příslušným pravděpodobnostním kvantilem. [9] Pravděpodobnostní modely pouţívané pro chování trţních rizikových faktorů lze rozdělit do tří skupin na parametrické, semiparametrické a neparametrické. U parametrických modelů předpokládáme znalost pravděpodobnostního rozdělení rizikových faktorů aţ na několik parametrů. U semiparametrických modelů nepředpokládáme ţádný konkrétní tvar pravděpodobnostního rozdělení, ale uvaţujeme jeho závislost na nějakých parametrech (např.: střední hodnota, volatilita, korelace). U neparametrických modelů se ţádné parametry neuvaţují, pracujeme jen s obecnými předpoklady (např.: spojitost pravděpodobnostního rozdělení, efektivita trhu). K výpočtu se uţívají statistické metody, které pomohou přejít od pravděpodobnostního modelu k jeho odhadu. V současné době se pouţívá metoda historické simulace, která patří do neparametrických metod výpočtu. Předpokládá se, ţe se vývoj trţních faktorů řídí stále stejným modelem, a ţe se cyklicky opakuje. Tato metoda je vhodná pro odhady rizika v krátkodobém horizontu. Další nejnáročnější, ale nejpřesnější metoda je Monte Carlo simulace. Zde můţeme vycházet z jakéhokoliv pravděpodobnostního modelu. Metoda je zaloţena na generování náhodných scénářů budoucího vývoje trţních rizikových faktorů. 2.2.2
Měření strukturálních rizik
Jedná se o dlouhodobé sledování rizik vyplývajících z celkové struktury bilance. Zde se snaţíme pouze sledovat základní charakteristiky, trendy a jejich změny, nejedná se o přesném vyčíslení. Do této skupiny patří likviditní riziko, strukturální úrokové riziko, kreditní riziko portfolia aktiv banky a operační riziko. Likviditní riziko Riziko likvidity můţeme definovat jako riziko, ţe banka ztratí schopnost dostát svým finančním závazkům. Pro řízení likviditního rizika banky jsou důleţité zejména ukazatele likvidnosti (poměr likvidních aktiv k celkovým aktivům, poměr klientských úvěrů ke klientským vkladům), ukazatel cenných papírů (poměr likvidních cenných papírů k celkovým aktivům). Důleţitý je tedy pro banku odhad budoucího vývoje. Sledování likviditního rizika banky se děje na základě scénářů, přičemţ strategie banky v sledování likvidity pro dané období je konkretizována základním scénářem, čím se rozumí očekávaný stav bilance banky ke stanovenému období. Pokud nastane nečekaný výkyv, banka vypracovává krizové scénáře.
14
Strukturální úrokové riziko Úroková citlivost bilance je bankou sledována a analyzována souhrnně za portfolio obchodní a bankovní knihy. Základní metodou, která umoţňuje sledovat úrokovou citlivost bilance, je simulace vývoje výnosnosti úrokově citlivé části bilančního portfolia. Kreditní riziko portfolia aktiv banky Monitorování vývoje kreditního rizika spočívá v monitorování vývoje rizika tří segmentů retail, malé a střední klientely a corporate. Toto se provádí jednotnou metodikou s vyuţitím teoretického základu CR+ metodiky. Operační riziko Operační riziko je vţdy spojeno s provozem banky a s počtem jejích obchodních operací. Kaţdá operace je spojena s rizikem moţné chyby, chyba také můţe nastat i díky události, působící na banku z vnějšího prostředí. Z těchto chyb vznikají finanční či nefinanční ztráty. Toto riziko selhání lidského faktoru nelze zcela eliminovat, lze jej pomocí vnitřních předpisů minimalizovat. 2.2.3
Měření a řízení úvěrového rizika
Úvěrové riziko lze rozdělit do pěti skupin:
přímé úvěrové riziko
riziko úvěrových ekvivalentů
měnové vypořádací riziko
vypořádací riziko cenných papírů
riziko úvěrové angaţovanosti
Toto riziko představuje nejváţnější hrozbu pro banky. Příčiny úvěrového rizika lze rozdělit na interní a externí. Interní příčiny jsou bezprostředně závislé na vlastních rozhodnutích banky, vyplývají ze špatných alokací aktiv. Externí příčiny jsou naopak v zásadě nezávislé na rozhodnutí banky a jsou dány celkovým vývojem ekonomiky, politickou situací. K eliminaci úvěrového rizika slouţí Centrální registr úvěrů, který umoţňuje bankám působícím na českém trhu rychlou výměnu informací o úvěrovém zatíţení jednotlivých dluţníků a kvalitě splácení jejich pohledávek. Provoz tohoto registru zahájila ČNB 1. listopadu 2002.
15
Úvěrový proces má několik fází: 1) rozhovor s klientem 2) ţádost o úvěr 3) určení bonity 4) monitorování úvěru 5) splacení úvěru Částí tohoto procesu je také úvěrová analýza (určení bonity), která má určit stupeň rizikovosti úvěrového obchodu. 2.3
Pravidla Basel
Standard pro měření a řízení rizik v bankách a pro stanovení minimální hodnoty vlastního kapitálu, kterou musí banky udrţovat na pokrytí těchto rizik, jsou pravidla Basel I, II. Ve švýcarském městě Basel (Basilej) se nachází sídlo Banky pro mezinárodní platby (Bank for International Settlements), jejíţ součástí je také Výbor pro bankovní dohled. Toto grémium bylo zaloţeno roku 1974 centrálními bankami zemí G10 a skládá se ze zástupců centrálních bank a orgánů bankovního dohledu Německa, Francie, Velké Británie, Belgie, Lucemburska, Nizozemska, Švýcarska, Itálie, Španělska, Švédska, Japonska, Kanady a USA. Basilejský výbor pro bankovní dohled (Basel Committee on Banking Supervision – BCBS) byl zaloţen v roce 1975 guvernéry centrálních bank zemí skupiny G-10 a Lucemburska. Původním posláním Basilejského výboru byla koordinace národních reţimů bankovních dohledů. Od 80. let 20. století se Basilejský výbor pro bankovní dohled zabývá mimo jiné také problematikou bankovních rizik a jejich řízením. 2.3.1
Basel I
V roce 1988 schválil Basilejský výbor pro bankovní dohled novou zásadní regulační směrnici, tzv. Basel I. Uvedená směrnice ustanovila standard o minimální kapitálové přiměřenosti pro mezinárodní banky (stanovila kapitálový poţadavek k úvěrovému riziku, tj. banky, které poskytují firemní financování, musí drţet v rezervě 8 % výše poskytnutých úvěrů). V roce 1993 byla Basel I doplněna o kapitálový poţadavek k trţnímu riziku. Rozvoj trhů a celosvětové trendy však způsobily, ţe kapitálová dohoda přestala být aktuální. Basel I se vyznačoval jednoduchostí, ta měla v době vzniku své opodstatnění. Pravidlo kapitálové přiměřenosti bylo snadno implementovatelné a zároveň z pohledu regulátora ho bylo moţné účinně kontrolovat. Jednoduchost systému měla i dva základní nedostatky: nedostatečné 16
zohlednění rizikovosti aktiv a nebyla pokryta veškerá rizika. Na rozdíl od nového přístupu původní výpočet kapitálové přiměřenosti banky nemotivoval k aktivnímu přístupu. Banky neměly moţnost sníţit objem poţadovaného kapitálu za pomoci vlastních modelů a propracovanějších metod výpočtu. Celosvětové trendy způsobily, ţe kapitálová dohoda přestala být aktuální a vyvstala potřeba zavedení nových sofistikovanějších pravidel. V roce 1999 byl vypracován první návrh nových pravidel, pro stanovení minimální výše kapitálu. Konečná verze nového konceptu kapitálové přiměřenosti byla publikována Basilejským výborem pro bankovní dohled dne 26. června 2004. Tento koncept známý pod názvem Basel II zahrnuje do kapitálových poţadavků nově uţ i operační riziko. 2.3.2
Basel II.
Dohoda Basel II vytváří „princip tří pilířů“. 1. pilíř: Kapitálový požadavek
Při výpočtu kapitálového poţadavku je dle Basel II nutné vzít v potaz úvěrové riziko, trţní riziko a operační riziko.
Úvěrové riziko se bezprostředně se týká klientů a jejich financování.
Trţní rizika vznikají v důsledku kolísání úrokových sazeb, směnných kurzů, kurzů akcií nebo komodit. Týkají se jak obchodních transakcí s denní tvorbou kurzu (obchodní kniha), tak i tradičního bankovního obchodu (bankovní kniha).
Operační riziko je podle Basel II definováno jako „riziko ztrát, ke kterým dochází v důsledku nepřiměřenosti nebo selhání interních mechanismů, lidí a systémů nebo externích událostí“. Kapitálový poţadavek banky se vypočítává na základě součtu těchto tří kategorií rizik. Obrázek 2
17
2. pilíř: Aktivity bankovního dohledu
Tato úprava definuje práva a povinnosti národních regulátorů (úřadů pro dohled). V České republice tuto funkci zastává Česká národní banka, která je vybavena mnoţstvím informačních práv, regulačních a sankčních pravomocí. Jedním z nejdůleţitějších úkolů bankovního dohledu je kontrola spolehlivosti a prediktivní účinnosti interních bankovních metod měření rizika. 3. pilíř: Tržní disciplína
Trţní disciplínou se rozumí zveřejňování relevantních ukazatelů rizik. Kaţdá banka je povinna informovat a dokumentovat, jak měří své riziko, jak její rizikový profil detailně vypadá a kolik vlastního kapitálu v poměru k přijatým rizikům drţí. Význam těchto informací roste s rozsáhlejším vyuţíváním vlastních rizikových parametrů a modelů při stanovení adekvátního kapitálu. Tento pilíř BASEL II logicky doplňuje ostatní dva. Uveřejňované informace nejsou však důleţité nejen pro orgán pro bankovní dohled, ale také pro ostatní účastníky trhu, aby získali lepší přehled o rizikovém profilu banky, coţ zároveň vytváří tlak na disciplinované chování bank. Basel II soustředí svou pozornost zejména na nové metody měření a stanovení kapitálového poţadavku pro úvěrové a operační riziko. Příspěvek se zabývá měřením bankovních rizik pro potřeby kapitálové přiměřenosti. Pozornost je věnována především metodám měření úvěrového rizika a problematice ratingu, zejména pak externího ratingu. Vyspělejší metody měření úvěrového rizika jsou postaveny na vyuţití vlastních bankou prováděných ratingů klientů. Banky tak mohou pouţívat své vlastní jedinečné postupy, v nichţ je obsaţeno jejich know-how. Tyto postupy však musí splňovat určitá kritéria a jejich pouţití je podmíněno souhlasem regulátora. Dnes známe dvě základní formy ratingu. V závislosti na tom, kdo ratingové hodnocení provádí, rozlišujeme externí rating (prováděný ratingovou agenturou) a interní rating (prováděný samotnou bankou). Rating je nezávislé hodnocení, jehoţ cílem je zjistit, a to na základě komplexního rozboru veškerých známých rizik hodnoceného subjektu, jak je tento subjekt schopen a ochoten dostát včas a v plné výši všem svým splatným závazkům. Závěrečným výstupem kaţdého ratingu je ratingová známka. Ta udává pravděpodobnost, ţe hodnocený subjekt dostojí včas svým závazkům. [13]
18
Pro stanovení výše kapitálového poţadavku k úvěrovému riziku Basel II vyuţívá následující metody: standardizovaný přístup (Standardized Approach, STA), základní přístup zaloţený na interním ratingu (Foundation Internal Ratings-Based Approach, FIRB) a pokročilý přístup zaloţený na interním ratingu (Advanced Internal Ratings-Based Approach, AIRB). Obrázek 3
Standardní přístup
Na rozdíl od přístupů typu IRB, pro které jsou rozhodující interní ratingy bank, se při standardním přístupu zjištění rizikové váhy pouţívají výhradně ratingy uznávaných ratingových agentur (Standard & Poor’s, Moody’s, Fitch Ratings atd.). Příjemcům úvěrů, kteří nedisponují externím ratingovým ohodnocením, se jednotně přiděluje riziková váha 100 % (odpovídá kapitálovému poţadavku ve výši 8 %).
V České republice existuje jen velice málo firem, které mají externí rating. Pro převáţnou část klientů z podnikové sféry ţádajících o úvěr to znamená jednotnou rizikovou váhu ve výši 100 %. A tím se také dostáváme ke slabině tohoto přístupu: kvůli nedostatečnému rozlišení podle bonity příjemců úvěrů prakticky nelze vypočítat adekvátní kapitálovou rezervu, odpovídající individuálnímu rizikovému profilu příslušné banky. Ve výsledku se výpočet kapitálového poţadavku podle standardního přístupu odlišuje od výpočtu dle platných předpisů (Basel I) jen nepatrně. Interní rating
Přístupy typu IRB („internal rating based“) – základní i pokročilý – dovolují bankám, které jsou schopny statisticky změřit příslušné riziko určitého financování, aby svou kapitálovou 19
vybavenost upravovaly adekvátně dle svého individuálního rizika. Za předpokladu „dobrého“ úvěrového portfolia (dobrá bonita klientů, dostatečné zajištění) vyplývá pro banky – ve srovnání se standardním přístupem – niţší kapitálový poţadavek. Příklad: Neplacení a ztráta Pro interní měření úvěrového rizika jsou rozhodující následující parametry, které je banka povinna statisticky zjišťovat a provádět jejich prognózu:
Pravděpodobnost nesplácení úvěru Do jaké míry je pravděpodobné, ţe příjemce úvěru během příštích 12 měsíců přestane splácet (platební neschopnost, prodlení s placením déle neţ 90 dnů atd.)?
Ztráta v případě nesplácení Jak vysoká je předpokládaná ztráta, kterou banka utrpí v případě neplacení ze strany příjemce úvěru?
Výše úvěrové pohledávky při nesplácení Jak vysoký bude předpokládaný stav čerpání úvěru v případě výpadku splácení ze strany klienta?
Externí versus interní rating
Externí ratingy jsou udělovány mezinárodními ratingovými agenturami (Moody’s, Standard & Poor’s, Fitch Ratings) a agentury jsou zásadně pověřovány samotným podnikem, který má být ohodnocen. S udělením externího ratingu jsou spojeny vysoké poţadavky a náklady pro podnik. Účelem externího ratingu je obvykle přání podniku získat přístup na kapitálový trh. Ve srovnání s tím jsou interní ratingy přidělovány bankami u příleţitosti poskytnutí úvěru a Obrázek 4
20
při pravidelných kontrolách, proto je nutné bance pravidelně předkládat finanční výkazy. Ohodnocení rizika provádí sama banka prostřednictvím svých vlastních, interních ratingových metod. Segmentace klientů
Basel II předpokládá klasifikaci klientů do pěti tříd: 1. Retail privátní klienti, osoby samostatně výdělečně činné a malé podniky se závazkem u financující banky niţším neţ 1 mil. EUR 2. Corporates větší a velké podniky a speciální financování („specializedlending“) 3. Institutions (především) banky 4. Sovereigns (především) státy 5. Equity podílníci podniků Kaţdý klient musí být podle Basel II zařazen do správného segmentu. Předpisy vycházejí v zásadě z toho, ţe pro úvěry v kategorii Retail je nutné drţet v rezervě méně kapitálu neţ pro podnikové úvěry. Důvodem je niţší riziko, které vyplývá z větší diverzifikace a niţších úvěrů. Za určitých předpokladů smějí banky na malé a střední podniky se závazkem niţším neţ 1 mil. EUR pro účely kapitálové přiměřenosti pohlíţet jako na soukromé osoby, a mohou tak na tyto úvěry pro malé a střední podniky udrţovat niţší kapitálové rezervy. 2.4
Rating
Jak uţ bylo zmíněno, Rating je nezávislé hodnocení, jehoţ cílem je zjistit, a to na základě komplexního rozboru veškerých známých rizik hodnoceného subjektu, jak je tento subjekt schopen a ochoten dostát včas a v plné výši všem svým splatným závazkům. Úvěrový rating (credit rating) je kód, který vyjadřuje bonitu či důvěryhodnost, to jest pravděpodobnost, ţe půjčka či cenný papír bude správně a včas splacen. Můţe se týkat jak jednotlivých emisí (cenných papírů), tak také jejich emitentů - bank, firem nebo států. Rating má rozhodující vliv na ochotu bank příslušnému subjektu půjčovat (případně kupovat jeho závazky) i na podmínky takové půjčky: úrokové sazby, lhůty i pojištění rizik (Credit default swap, CDS). Rating udělují renomované ratingové agentury na základě komplexního rozboru 21
veškerých známých rizik hodnoceného subjektu a odhaduje schopnost i ochotu tohoto subjektu dostát včas a v plné výši svým závazkům. Ratingové kódy obvykle začínají písmeny A (nejlepší) aţ D (nejhorší), agentury však pouţívají ještě jemnější dělení. Historie ratingu
Historie ratingu jako sluţby úzce souvisí s vývojem finančního trhu Spojených států amerických. Za počátek ratingu se dá povaţovat rok 1909, kdy John Moody začal hodnotit obligace ţelezničních společností (coţ tehdy bylo velmi významné odvětví hospodářství). Nedlouho poté začal pouţívat tento typ hodnocení i pro dluhopisy podniků veřejných sluţeb a průmyslových společností (Moody's Investors Service). Mezi první agentury dále patřila Poor‘s Publishing Company, která vydala své první ratingy v roce 1916, a Standard Statistics Company a Fitch Publishing Company, jejichţ ratingy následovaly v roce 1922. Nejvýznamnější evropskou ratingovou agenturou se stala společnost IBCA. Byla zaloţena v roce 1978 na britských ostrovech jako specializovaná instituce na rating bank. Zanedlouho poté rozšířila svou ratingovou aktivitu na britské korporace i na emitenty z kontinentální Evropy. V roce 1992, díky fúzi s francouzskou ratingovou firmou Euronotation, se společnost IBCA stala největší evropskou nezávislou ratingovou agenturou se zaměřením na emitenty z evropských zemí. V roce 1997 převzala společnost FIMALAC, S. A. (francouzský majitel společnosti IBCA) americkou Fitch Investor Service. Tím došlo ke spojení obou agentur a k vytvoření třetí největší ratingové agentury na světě FitchIBCA. Konsolidace v 90. letech byla zakončena v roce 2000 přátelským převzetím americké Duff & Phelps a poté také Thomson Bank Watch (menší agentura specializovaná na finanční instituce). Název této fúzované společnosti se vrátil k původnímu Fitch. Ratingové agentury
V současnosti po celém světě uznávané tři hlavní ratingové agentury:
Moody´s Agentura má zhruba 40% podíl na světovém ratingovém trhu. Zaloţil ji v roce 1914 John Moody. Vedle ratingů se nabízí ekonomické a finanční analýzy podniků, finančních institucí a zemí. Společnost působí ve 27 státech.
Standard & Poor´s Společnost se zhruba 40% trţním podílem vznikla v roce 1941 fúzí Standard Statistics 22
Company
a
Poor's
Publishing
Company.
Zaměřuje se na poskytování řady finančních sluţeb
včetně
investičních
doporučení
a
ekonomických analýz. Má pobočky ve 23 zemích.
Fitch Agentura s 16% podílem na světovém trhu ratingu je jednou ze tří částí finanční společnosti Fitch Group. Na trhu působí od roku 1913. Poskytuje poradenství a sluţby finančnímu sektoru. Graf 1
Tržní podíly ratingových agentur 4% 40%
40%
Moody's Fitch Standard & Poor´s
16%
ostatní
Druhy ratingu
Rating lze členit vzhledem k četnosti jeho vyuţití z různých hledisek. Jednak lze rating členit podle trhu, pro který je určen (podle adresátů), následně pak podle dluhového instrumentu, se kterým je dané hodnocení spojené, neméně významné je i členění ratingu z hlediska času. John Moody v roce 1909 pouţil k ohodnocení kvality cenných papírů škálu vyuţívající kombinaci písmen a čísel k označení stupně rizika pro investory. Tato interpretace výsledků se zachovala do současnosti a v nejrůznějších obměnách jej pouţívají všechny ratingové agentury. Postupem doby se ratingové agentury dle poţadavků trhu a potřeb investorů začaly orientovat na další subjekty hodnocení. Dnes se provádí i ratingové hodnocení států, měst, průmyslových podniků, bank, pojišťoven, penzijních fondů, ale i směnek, prioritních akcií, syndikovaných úvěrů, projektů atd. Pokud rating zahrnuje do hodnocení i hodnocení vnějšího prostředí, tak firma 23
nemůţe mít nikdy lepší rating neţ stát, ve kterém podniká, protoţe prostředí výsledné ratingové hodnocení sníţí.
Hledisko času V případě krátkodobého ratingu se jedná obvykle o hodnocení krátkodobých dluhů, tedy závazků se splatností do jednoho roku (příkladem mohou být směnky, neodvolatelné akreditivy, aktuálně splatné dlouhodobé dluhy, ostatní krátkodobé dluhy). Kaţdá agentura má svoje subjektivní známkování. Pro stanovení výsledného hodnocení se známky doplňují o znaménka +/-. Tato znaménka dále de facto rozšiřují a precizují uţívanou škálu hodnocení a poskytují tím investorům podrobnější informaci. V případě dlouhodobého ratingu se jedná naopak o hodnocení dluhů, jejichţ splatnost je delší neţ jeden rok. Porovnání ratingových stupnic nejvýznamnějších ratingových agentur: (Vzhledem k tomu, ţe značení je záleţitostí té které ratingové agentury, uvádím zde pro srovnání stupnice nejvýznamnějších světových ratingových agentur, podle nichţ se můţe orientovat investor na celém světě.)
24
Tabulka 1
Moody's Standard & Poor's Investiční stupeň 1. vysoký stupeň Aaa
AAA
Aa AA 2. průměrný stupeň A
A
Baa BBB Spekulativní stupeň 3. spekulativní Ba B.
BB B 4. promeškané Caa CCC Ca CC C
Charakteristika
Nejvyšší kvalita, velmi vysoká schopnost emitenta plnit závazky, úrokové platby jsou kryty vysokou marţí. Vysoká kvalita, dobrá schopnost emitenta, marţe pro krytí úrokových sazeb však není tak vysoká, jako u první skupiny. Vyšší střední kvalita, adekvátní předpoklady pro splnění povinností. Přiměřená schopnost plnit závazky, změna vnějších podmínek však můţe sníţit platební schopnost dluţníka.
Závazky obsahují spekulativní prvky. Budoucí plnění povinností je nejisté. Plnění závazků v dlouhém období je nejisté. Nízká kvalita, nebezpečí pro splacení. Vysoce spekulativní dluhopisy.
C
Velmi malá pravděpodobnost úplného splacení. Většina plateb v prodlení.
D
Velmi nebezpečné dluhopisy. Všechny platby v prodlení nebo nesplatitelné.
25
Hledisko podle typu dluhového instrumentu
rating cenných papírů s pevným výnosem (obligace, směnky)
rating syndikovaného dluhu
rating strukturovaného financování
rating prioritních akcií
rating projektového financování
Další možné dělení
rating emitenta
rating banky či pojišťovny
rating podílového nebo penzijního fondu
rating organizátora trhu s cennými papíry (např. burzy)
Členění ratingu podle hodnoceného objektu
rating úvěrů – credit rating
rating státu – sovereign rating
rating bank – kromě klasického credit ratingu můţe získat tzv. FINANCIAL STRENGH RATING, který má vlastní stupnici A – E se zjemňujícími znaky +/-. Ratingy českých bank se k 12. únoru 2002 pohybovaly pouze od C- s průměrným ohodnocením cca D+.
rating pojišťoven – kromě klasického credit ratingu existuje i specifický rating v této oblasti CPA – Claims Paying Ability rating. Zahrnuje schopnost dostát závazkům plynoucích z pojistných plnění, která mohou potenciálně nastat
rating ostatních subjektů (obcí, měst, krajů, států, atd.)
26
3 Poskytování úvěrů Banka je instituce, která poskytuje finanční sluţby. Její základní činností je shromaţďování dočasně volných peněţních prostředků, které formou úvěru dává k dispozici a nastavováním úroku zhodnocuje. Tímto způsobem umoţňuje pohyb peněz v ekonomice a zprostředkovává vyuţití dočasně volných zdrojů. Provozování těchto sluţeb je regulováno státem. Banka proto pro svoji činnost potřebuje bankovní licenci a podléhá bankovnímu dozoru, který většinou vykonává centrální banka. 3.1
Základní funkce banky
1. Depozitní funkce
Depozitum (vklad) – částka peněz uloţená na bankovním účtu
Různé druhy účtů
Netermínované depozita (vklady na viděnou) – kdykoli si vybereme peníze
Termínovaná depozita – aţ po předchozím oznámení
2. Úvěrová funkce
Úvěr – je návratná forma poskytnutí peněz za úrok
Banky je poskytují malým i velkým podnikům, občanům i státu
Splatnost je různá od dnů aţ po roky, výše úvěrů se také různí
Poskytováním úvěrů vytvářejí bezhotovostní peníze a tak ovlivňují nabídku peněz v ekonomice
3. Funkce zprostředkovatele plateb
Příkaz k bezhotovostnímu převodu nebo placení šekem nebo kartou
Odepíše z účtu plátce, připíše oprávněné osobě
Poplatky za vedení účtu
27
V této části kapitoly jsem se chtěla zaměřit na podmínky bankovních institucí pro poskytnutí úvěru. Podmínky, které jsem zde zpracovala, jsou pouţity z pěti největších bank v České republice podle objemu aktiv (viz. níţe). Kaţdá z těchto bank dělí úvěry podle toho, jestli jsou určeny pro fyzické osoby či právnické osoby. Podmínky pro udělení úvěru se u retailových a korporátních klientů značně liší. Pět největších bank v České republice podle objemu aktiv 1. Česká spořitelna, a.s. 2. ČSOB 3. Komerční banka 4. UniCredit Bank 5. Raiffeisenbank Nejdříve jsem se věnovala podmínkám pro poskytnutí úvěru u retailových klientů, posuzovala jsem tedy podmínky pro poskytnutí úvěrů fyzickým osobám u daných pěti bank. 3.2
Poskytování úvěrů pro fyzické osoby („RETAIL“)
Banky nabízejí svým klientům poměrně mnoho produktů na financování svých potřeb. U retailových klientů nalezneme různé druhy úvěrů. Od kontokorentních úvěrů, přes kreditní karty, spotřebitelské úvěry aţ k hypotečním úvěrům. Bankovní úvěry můţeme rozdělit dle celé řady kritérií do několika kategorií. Např.: 1. Podle doby splatnosti a. Krátkodobé (do 1 roku) b. Střednědobé (od 1 do 4 let) c. Dlouhodobé (více neţ 4 roky) 2. Podle poskytnuté měny a. Korunové b. Devizové (v jiné měně) 3. Podle poskytnutých záruk a. Zajištěné b. Nezajištěné 4. Podle způsobu čerpání a. Jednorázové úvěry
28
b. Ve formě úvěrové linky (klient si opakovaně půjčuje finanční prostředky na financování vlastních potřeb do výše stanoveného úvěrového limitu) Kaţdá banka má své podmínky pro poskytnutí úvěru. Podle kterých posuzuje klienta, jestli včas a v určité době svůj závazek splní. Níţe jsem vypsala z pěti bank České republiky podmínky pro poskytnutí úvěru. 3.2.1
Česká spořitelna, a.s.
Komu je určen
Podmínky založení
pro soukromou klientelu (občané) ve věku od 18 let
prokázat schopnost úvěr v dohodnutém termínu ze svých příjmů splatit
občan České republiky s trvalým pobytem na území ČR
doloţení účelu úvěru
cizí státní příslušník s povoleným trvalým pobytem na území ČR
vedení účtu u České spořitelny nebo u jiné banky
občan ČR nebo cizí státní příslušník s trvalým pobytem v zahraničí
Prokázaní příjmů 1. klient s příjmy ze závislé činnosti
2. klient s příjmy z podnikání a z jiné samostatně výdělečné činnosti
potvrzení zaměstnavatele o výši pracovního příjmu (pokud není zasílán na účet České spořitelny)
daňové přiznání za poslední ukončené zdaňovací období (včetně přílohy) potvrzené razítkem daňového úřadu na kaţdé straně doklad o zaplacené daně doklady prokazující oprávnění podnikat
29
3.2.2
ČSOB
Komu je určen občan ve věku 18 aţ 67 let pokud klient má nebo si zřídí ČSOB Konto nebo ČSOB Aktivní konto
Podmínky založení doloţit příjmy (příp. doloţit příjmy spoluţadatelů, spoludluţníků a ručitelů) předloţit 2 doklady totoţnosti (občanský průkaz + např. řidičský průkaz) Doložení příjmů Příjem
Způsob doložení
směřován minimálně tři měsíce do nejsou vyţadovány ţádné další ČSOB doklady potvrzení o příjmu vydané zaměstnavatelem (o průměrné směřován do jiné banky výši za poslední 3 měsíce, poslední výpis z účtu, kam je příjem zasílán)
vyplácen v hotovosti
potvrzení o příjmu vydané zaměstnavatelem (poslední 3 výplatní pásky, poslední aktuální doklad o některém z pravidelných výdajů domácnosti ţadatele a spoluţadatele např.: SIPO, TELECOM)
Doložení příjmu ze závislé činnosti od více zaměstnavatelů Přiznání k dani z příjmu fyzických osob (kopie) za poslední celý kalendářní rok, potvrzení o zaplacení daně. Doložení příjmů z podnikání (samostatné výdělečné činnosti) Přiznání k dani z příjmu fyzických osob (kopie) za poslední celý kalendářní rok, potvrzení o zaplacení daně, čestné prohlášení o bezdl ţnosti vůči FÚ a ČSSZ.
3.2.3
Komerční banka
Komu je určen
Podmínky založení
občanům ČR ve věku od 18 let
2 doklady totoţnosti (občanský průkaz + např.: cestovní pas)
cizincům s trvalým pobytem v ČR
potvrzení o příjmu nebo daňové přiznání za poslední zdaňovací období včetně dokladu o zaplacení daně
občanům členských zemí EU s povolením k přechodnému nebo trvalému pobytu v ČR výhradně pro osobní, nepodnikatelské potřeby
30
3.2.4
UniCredit Bank
Komu je určen pro občany ČR nebo cizince s trvalým pobytem v ČR a rodným číslem ve věku minimálně 18 let
Podmínky založení další podmínky a poţadavky na pobočce
klienty s trvalými příjmy (v případě zaměstnaneckého poměru nesmí být ţadatel ve zkušební nebo výpovědní lhůtě) klienty s telefonním kontaktem nepodnikatelské účely
3.2.5
Raiffeisen Bank
Komu je určen věk minimálně 18 let
Podmínky založení trvalý nebo dlouhodobý pobyt na území ČR pevnou linku domů nebo do zaměstnání (lze ji nahradit vyúčtováním za mobilní telefon s paušálním tarifem ve výši alespoň 150 Kč) doklady totoţnosti (občanský průkaz, cestovní doklad) Doklad o příjmu pro zaměstnance: potvrzení o příjmu potvrzené zaměstnavatelem pro podnikatele nebo více zdanitelných příjmů najednou: přiznání k dani z příjmu fyzických osob výměr starobního důchodu výměr výsluhové renty
Shrnutí Kaţdá z pěti uvedených bank má ve svých podmínkách minimální věkovou hranici. Klient, který ţádá o úvěr, musí dosáhnout minimální výše věku 18 let. Jedna z bank (ČSOB) také ve svých podmínkách uvedla i maximální věkovou hranici a tou je 67 let. Dále ţadatel o úvěr musí být buď občan České republiky s trvalým pobytem na území České republiky, nebo cizí státní příslušník s povoleným trvalým pobytem na území České republiky. U některých bank (Komerční banka, UniCredit Bank) je také zmíněno, ţe půjčka je výhradně pro osobní potřeby tedy nepodnikatelské účely. Podmínkou většiny bank je mít zaloţené konto, u ČSOB musí mít přímo konto zaloţené u této společnosti. Banky Raiffeisen a UniCredit Bank poţadují,
31
aby klient na sebe měl telefonní spojení. U České spořitelny je nutné doloţení účelu úvěru a prokázat schopnost úvěr v dohodnutém termínu ze svých příjmů splatit. Jednou z nejdůleţitějších podmínek je identifikace, kde klient, který ţádá o úvěr, musí předloţit dva doklady totoţnosti a to občanský průkaz s řidičským průkazem nebo cestovním pasem. Další neméně důleţitou podmínkou je doklad o prokázání příjmu. Tady se klienti dělí na klienty s příjmy ze závislé činnosti, klienty s příjmy z podnikání a z jiné samostatně výdělečné činnosti. Zde poţadují banky tuto dokumentaci: potvrzení zaměstnavatele o výši pracovního příjmu (o průměrné výši za poslední 3 měsíce, někde i výpisy z účtů), daňové přiznání za poslední ukončené zdaňovací období potvrzené razítkem daňového úřadu, doklad o zaplacení daně, doklady prokazující oprávnění podnikat v některých případech i prohlášení o bezdluţnosti vůči FÚ a ČSSZ. Dále se budu věnovat podmínkám pro poskytnutí úvěru u korporátních klientů. Zde vyjmenuji, za jakých podmínek banka poskytne úvěr ţadateli. Co vše banka potřebuje od klienta, který ţádá o podnikatelský úvěr. 3.3
Poskytování úvěrů pro korporátní klienty („CORPORATE“)
Podnikatelský úvěr je úvěr poskytovaný fyzickým osobám – podnikatelům a právnickým osobám na financování jejich potřeb. Banky nabízejí širokou paletu podnikatelských úvěrů. Tyto úvěry se liší dobou splatnosti, způsobem zajištění, subjektem (příjemcem) úvěru či účelem na který je daný úvěr poskytován. Úrokové sazby jsou nejčastěji stanovovány individuálně v závislosti na bonitě klienta, způsobu zajištění, výši úvěru a podobně. Nejniţší úrokové sazby jsou u podnikatelských hypoték, naopak nejvyšší u kontokorentních úvěrů. Potřeby korporátních klientů se do značné míry liší podle toho, o jaký typ společnosti se jedná. Pokud jde o průmyslové podniky, stavební společnosti či municipality, jsou jejich potřeby odlišné od potřeb společností obchodních, Nejmarkantnější rozdíly potřeb ovšem spatřujeme mezi podniky velkými, středními a malými. Kaţdá banka má jiné členění společností, nejdříve uvedu veškerá členění jmenovaných bank, které uvádí příslušné instituce na svých internetových stránkách.
32
Tabulka 2
Česká spořitelna, a.s.
ČSOB
Komerční banka
UniCredit Bank
Raiffeisen Bank
Velké firmy (podniky a korporace s obratem nad 30 mil. Kč)
Podnikatelé, malé a střední podniky
Firmy s obratem pod 60 mil. Kč
Podnikatelé a menší firmy
Podnikatelé a malé firmy
Bytová druţstva a SVJ (společenství vlastníků jednotek)
Bytová druţstva a SVJ
Firmy s obratem nad 60 mil. Kč
Svobodná povolání
Firmy
Veřejná správa
Firmy a veřejný sektor
Velké podniky
Finanční instituce (fin. instituce a Municipality a Korespondenční bankovnictví) neziskové organizace Město a obce (města, obce, kraje, Korporace a instituce příspěvkové organizace…)
Private banking
Podnikatelé a malé firmy (podnikatelé a malé firmy s ročním obratem do 30 mil. Kč) Neziskové organizace (občan. Sdruţení, zájmová sdruţení PO, nadace a nadační fondy, církve…) Developeři (podnikatelé a investoři v oblasti nákupu či výstavby nemovitostí)
U těchto typů společností je různé členění podnikatelských úvěrů. 1. Členění podle subjektu (příjemce) úvěru a. Úvěry pro FO – drobné podnikatele a ţivnostníky b. Úvěry pro malé a střední firmy (dle výše ročního obratu) c. Úvěry pro střední a větší firmy 2. Členění podle účelu, na který je úvěr určen a. Provozní úvěry b. Investiční úvěry c. Kontokorentní úvěry 3. Členění podle doby splatnosti úvěru a. Krátkodobé (do 1 roku) b. Střednědobé (od 1 roku do 5 let) c. Dlouhodobé (nad 5 let) 4. Další druhy úvěrů a. Eskontní úvěr b. Dodavatelské a odběratelské úvěry c. Lombardní, emisní a hypoteční úvěr d. Bankovní záruky
33
Dále jsem se zaměřila na podmínky pro získání úvěru. Tyto podmínky u vybraných bank jsou velice podobné, proto jsem je shrnula do jedné části. 3.3.1
Podmínky poskytnutí podnikatelského úvěru
Doklady totoţnosti.
Trvalé bydliště v ČR.
Základní údaje o společnosti.
Potvrzení o bezdluţnosti vůči Finančnímu úřadu (FÚ) a České správě sociálního zabezpečení (ČSSZ) a příslušným zdravotním pojišťovnám. Některé banky vyţadují místo potvrzení jen čestné prohlášení ţadatele o úvěr.
Firma není v konkurzu, likvidaci ani ve vyrovnání.
Úředně ověřená kopie rozhodnutí příslušného orgánu o oprávnění k podnikání resp. dokladu prokazujícího právní subjektivitu.
Roční účetní závěrky za období předchozích 1, 2 aţ 3 let (u společností s povinností auditu ověřené auditorem), výroční zprávu a zprávu auditora (jsou-li zpracovávány) a daňová přiznání za poslední 3 roky (některým bankám stačí jen za 1 poslední rok) včetně příloh tak, jak byly předány finančnímu úřadu. V případě, ţe klient nemá zpracováno daňové přiznání za poslední účetní období, předloţí za toto období předběţné výsledky v rozsahu účetní závěrky.
Některé banky vyţadují 3 měsíční výpisy z běţného účtu.
Ekonomické výsledky za poslední měsíc a odpovídající měsíc předchozího roku v rozsahu účetních výkazů (rozvaha a výkaz zisků a ztrát).
Informace o předmětu financování.
Podnikatelský záměr podepsaný statutárním orgánem společnosti s uvedením charakteristiky nosných činností a dalších významných údajů o minulém vývoji, stavu a perspektivách nosných aktivit.
Finanční plán na dobu úvěrové angaţovanosti.
Prohlášení o vzájemných vazbách k jiným subjektům.
Materiály týkající se navrhovaného zajištění.
Případné bankovní reference na společnost a její vlastníky.
Doplňující údaje dle poţadavku klientského úvěrového pracovníka ((např. komentář příčin výkyvů v účetních výkazech, plán investic, časový rozbor pohledávek, aktuální
34
rozbor finančních investic, podíl exportu na trţbách, rozbor trţeb dle nosných činností).
Doklad o zajištění odbytu produkce (dle charakteru produkce).
Závěr Rozdíly v podmínkách pro poskytnutí úvěru mezi retailovým a korporátním klientem nejsou velké. Aby banka mohla nadále plnit správně a s nejniţším rizikem svojí funkci, musí si být jistá, jestli klient svůj dluh vrátí v plné výši a ve stanovené době. Proto se banka snaţí o klientech zjistit dostatek informací. U retailových klientů se banka zaměřuje především na identifikaci klienta, zaměstnanost (zda má stálý příjem) a také na účel úvěru. Toto jsou tedy nejdůleţitější kritéria pro získání úvěru u retailových klientů. U korporátních klientů je opět nejdůleţitější identifikace vlastníka a informace o společnosti. Dále pak ekonomické výsledky, finanční plán, materiály týkající se zajištění a další. Tedy podstatným rozdílem mezi podmínkami získání úvěru retailními či korporátními klienty je rozsah potřebných informací. U korporátních klientů banka ţádá více informací nejen o majiteli firmy, ale především o podniku samotném. Tato informace je zřejmá vzhledem k výši poskytovaných úvěrů. Korporátní klienti si většinou půjčují vyšší částky neţ retailní klienti, proto banka potřebuje více informací vedoucích k větší pravděpodobnosti splacení úvěru.
35
4 Credit scoring Bodovací metoda credit scoring (nebo také kreditní bodování) je jeden ze způsobů, kterým se banka snaţí předvídat pravděpodobnost, zda zákazník (spotřebitel) splatí úvěr. Banka na základě zkušeností z minulosti (statistických informací) kvantifikuje všechny proměnné týkající se ţadatele o úvěr, které se vztahují k jeho úvěruschopnosti (schopnost úvěr přijmout a splácet). Stanoví tedy počet bodů pro kaţdou jeho osobní charakteristiku (např. pro způsob bydlení, dobu pobytu na poslední adrese, druh zaměstnání, počet let v posledním zaměstnání, věk ţadatele, finanční reference od zaměstnavatele). Celkové skóre (celkový počet bodů) musí být vyšší neţ předem stanovený minimální bodový limit, aby mohla banka dále uvaţovat o moţnosti úvěr poskytnout. [24] Credit scoring počítá úroveň rizika a sniţuje úroveň subjektivního posouzení v rámci rozhodování o úvěrovatelnosti dluţníka. Tato technika výrazně usnadňuje postupy při posuzování ţádostí o financování v rámci segmentů RETAIL a SME 1. Zároveň model credit scoringu umoţňuje rychlejší a snazší řízení rizika v rámci oddělení credit risk managementu. Credit scoring je jedna z nejvíce spolehlivých a soudrţných technik, která spravedlivým způsobem definuje potenciální úroveň rizika spjatou s potenciálním či existujícím dluţníkem. Samozřejmě, ţe credit scoring není pouţitelný vţdy a všude a existují i další techniky, které umoţňují
stanovení
k nejpouţívanějším.
rizika. Tradiční
V
posledních scoringové
desetiletích modely
však
umoţňují
patří řazení
credit
scoring
klientů
dle
pravděpodobnosti výskytu úpadku podle dosaţeného score (bodového hodnocení). Nepřímo úměrná stupnice dosaţených bodů, která odpovídá pravděpodobnosti úpadku, je standardem v mnoha finančních institucích po celém světě. 4.1
Druhy skóringu
Aplikační (Application scorecard)
Behaviorální kreditní (Behavioural scorecard)
Kreditní (Credit Bureau Scorecard)
Aplikační scoringový model vychází z údajů získaných v rámci akvizice nových klientů, zejména pak údajů z ţádosti klienta. Základními proměnnými pouţívanými v rámci modelu jsou socio-demografické proměnné, charakteristiky subjektu (RETAIL, SME) a případně také
1
Malé a střední podniky je kategorie podniků s nízkým počtem zaměstnanců. Jednotlivé státy a instituce pouţívají pro definici této kategorie různá kritéria – například Evropská unie za hranici povaţuje 250 zaměstnanců, zatímco ve Spojených státech je hranicí 500 zaměstnanců. V odborné literatuře se často vyuţívá zkratka SME (Small and Medium Enterprise) nebo SMB (Small and Medium Business).
36
informace z dostupných úvěrových registrů a dluţnických databází. Aplikace tohoto modelu se pouţívá zejména při akceptaci, resp. zamítnutí potenciálního dluţníka, nastavení úvěrového limitu, případně při stanovení úrokové sazby na základě metody risk-based pricing. Behaviorální kreditní scoringový model vychází z údajů získaných z informací o chování dluţníka, coby klienta, nebo zákazníka věřitele. Jedná se tedy o scoringový model vyuţívající údaje z hlavních účetních či transakčních systémů a dalších databází uvnitř finanční instituce. Tento model se aplikuje zejména pro potřeby řízení portfolia, monitorování a případné úpravy úvěrových limitů, opětovné schvalování některých úvěrových produktů a taktéţ ke stanovování úrokové sazby. Speciálním modelem tohoto scoringu je model, který podporuje rozhodování o vhodných metodách pouţitelných v rámci vymáhání pohledávek a dluţných závazků po splatnosti. Kreditní scoringový model, který vychází z údajů o chování klienta v rámci databáze historií o platebním chování z úvěrového registru. Z hlediska vypovídací schopnosti a stability se jedná o jeden z nejlepších modelů, kterým můţe finanční trh disponovat. Aplikace modelu obsahuje všechny výše uváděné momenty jako u application a behavioural scorecard. Síla tohoto modelu je zejména v tom, ţe mnohdy nahrazuje jakékoliv informace o dluţníkovi, které jinde neţ v databázi úvěrového registru nejsou dostupné. Pouţití credit scoringu s sebou nese následující výhody: 1. Sniţuje podíly na ztrátových úvěrech – zamítnutí ţadatelů s nízkým score preventivně vylepšuje úroveň portfolia. 2. Lepší podmínky pro dobré dluţníky – na základě score je moţné individuálně nastavovat podmínky pro jednotlivé segmenty dluţníků dle rizika. Nejenom ţe ţadatelům s vysokým score je moţné sníţit úrokovou sazbu, ale na druhé straně je moţné ţadatelům s nízkým score navrhnout vyšší úrokovou sazbu a reflektovat adekvátně kupované riziko. 3. Řízení rizik – pouţití scoringových modelů výrazně zkvalitňuje práci manaţerů rizika hned v několika ohledech. Jejich vliv na portfolio je díky aplikaci score vyšší a přitom můţe být daná změna promítnuta velmi rychle, bez prodlev spojených s diktátem úprav podmínek jednotlivým úvěrovým pracovníkům. 4. Sníţení nákladů – scoringový model je ideálním prvkem automatizovaného procesu. Zapojení scoringového modelu umoţňuje manaţerům rizika věnovat více času určitým 37
marginálním a speciálním oblastem rizika do větší hloubky. Tím způsobem se neustále vylepšuje celkový model posuzování ţadatelů a sniţují se náklady na manuální procesy. 5. Konzistentní a přesné rozhodnutí – bez pouţití scoringových modelů přistupují často schvalující pracovníci k zapojení více osobních a subjektivních metod do konečného rozhodnutí. To způsobuje statisticky nekonzistentní bázi rozhodnutí, která můţe hraničit s morálním hazardem v neprospěch dluţníka. Credit scoring má jasnou a srozumitelnou vypovídací schopnost, která je lépe obhajitelná neţ kterékoliv jiné metody. 4.2
Funkce credit scoringu
Credit scoring zahrnuje proces vytvoření, ohodnocení a následného monitorování statistických modelů. Při tvorbě modelů se z dostupných dát vybírají jen ty charakteristiky, které mají na kreditní riziko zásadní vliv a odstraní se duplicitní informace. Vybrané charakteristiky jsou potom součástí skórovací karty (scorecard). Tradiční skórovací karta vypadá jako tabulka obsahující seznam otázek a všech moţných odpovědí. Kaţdé odpovědi je přiřazený určitý počet bodů – čím více bodů, tím menší je riziko. Pokud celkové skóre ţadatele překročí stanovený limit, je doporučeno ţádost akceptovat. V současnosti však nejsme při stanovení skóre ţadatele odkázáni jen na uţití skórovací karty a tradiční logistické regrese, do popředí se čím dál víc dostávají pokročilé dataminingové metody. Často se skóre, které nabývá mnoha různých hodnot, nahrazuje jednodušším ratingem, který podává méně detailní informaci o rizikovosti klienta. Kritériem pro posouzení vhodnosti skóringového modelu je totiţ i jeho lehká a rychlá aplikace. Dále je třeba stanovit vhodnou hranici skóre nebo ratingu (cut-off) oddělující bonitní ţadatele od neţádoucích. Optimální hranice se určuje na základě závěrů datových analýz a poţadovaného procenta schválených ţádostí. Takto vzniklý model se ohodnotí skórovaním testovacích dat a vyuţívá se pro skórování nových případů. Poslední, avšak velmi významnou částí skóringového procesu, je pravidelná kontrola modelu. [21] 4.2.1
Technologie pro credit scoring
Termín credit scoring je obvykle spjat s pojmy, jako data mining, prediktivní modelování apod. Kaţdá instituce pouţívá pro své záznamy nějaký typ databáze. Analyzovaná data jsou obvykle spravována pomocí nějakého dotazovacího nástroje (SQL), jenţ je spuštěn nad relační databází nebo technikou nazývanou OLAP (on-line analytical processing), která se 38
vyuţívá v multidimenzionálních databázích pro data tříděná ve formě sumarizovaných tabulek podle různých hierarchicky uspořádaných dimenzí (např. datum versus lokalita). Nad samotnými daty stojí „skóringová“ aplikace. Jeden z moţných způsobů vytváření skóringových modelů je jejich ruční programování, které se obvykle omezuje na tradiční logistickou regresi. Tento postup je časově náročný a vyţaduje neustálé sledování trhu a populace. Kdykoli dojde ke změnám závislostí, je třeba model přizpůsobit. Proto je vhodnější pokročilejší program, jenţ je obvykle součástí vyspělého analytického nástroje. Takový program uţ nabízí řešení pro tvorbu komplexních skóringových modelů na základě vlastních dat, které vyuţívají metody data miningu a umoţňují real-time skóring. Princip je ukázán na obrázku níţe. [21]
Obrázek 5
Zdroj [21]
Nad databází stojí data miningové nástroje, které zpravidla obsahují tři základní skupiny technik – predikci (určení hodnoty atributu na základě jiného), deskripci (odhalení nových zákonitostí v datech) a indikaci, pomocí níţ chceme poznat nestandardní vzory v systému. Skóringový model je zaloţen na vyuţití pokročilých metod, jako jsou klasifikační stromy, neuronové sítě, boosting trees a další. Nad „vytěţenými“ daty2 pracuje skóringový nástroj, který automaticky v reálném čase detekuje změny v populaci, rozlišuje špatné a dobré uchazeče, kontroluje hraniční skóre atd. 2
tj. daty získanými pomocí data miningu 39
Tyto modely nemají sice snadnou interpretaci, kterou poskytovala tradiční skórovací karta, ale poskytují lepší výsledky. [21] 4.3
Postupná výstavba modelu ohodnocení kreditního rizika
Kaţdá instituce, která poskytuje úvěry klientům, se vystavuje kreditnímu riziku, tj. riziku, ţe klient úvěr nesplatí. Proto je důleţité toto riziko správně kvantifikovat. K tomu slouţí scoringové metody, které posuzují úvěruschopnost klienta. Scoringový model přiděluje kaţdému ţadateli o úvěr jeho skóre, které reprezentuje jeho očekávanou schopnost splácet. Podle skóre se pak daná společnost rozhodne, za jakých podmínek úvěr poskytne. Zde chci ukázat postup výstavby některých scoringových modelů na základě databáze existujících klientů. A to klientů dobrých, který splatili svůj úvěr včas za daných podmínek a špatných klientů, který některých závazků nedostáli. Selhání dluţníka, který nesplnil své závazky řádně a včas, se nazývá defaultem. Obrázek 6
40
4.4
Scoringové modely
Credit scoring vyuţívá pro své výpočty celou řadu statistických metod, které se dělí na parametrické a neparametrické metody. Do parametrických metod se pro účely credit scoringu řadí především: lineární regrese (jejím hlavním nástrojem je metoda nejmenších čtverců), diskriminační analýza (hlavní nástroj je Mahalanobisova vzdálenost), logistická regrese (nástrojem je metoda maximální věrohodnosti). Mezi neparametrické metody, které credit scoring pouţívá, patří zejména: rozhodovací stromy, neuronové sítě, lineární programování (hlavním nástrojem je simplexová metoda) a další. Kaţdá z těchto metod má své výhody a nevýhody, a proto je třeba zváţit, zda je vybraná metoda vhodná pro daný typ dat, jak je rychlá a časově náročná, jestli je adaptabilní a jak snadno je interpretovatelný její výstup. V praxi je nejčastěji pouţívanou metodou právě logistická regrese. [20] Vzhledem k velkému počtu různých statistických metod a k jejich sloţitosti jsem se rozhodla popsat pouze některé. Neţ přistoupím k vlastnímu popisu, ve stručnosti zde zmíním některé záleţitosti z teorie pravděpodobnosti a matematické statistiky, které budu dále vyuţívat. Definice 4.4.1
Nechť (, , P) je pravděpodobnostní prostor3. Řekneme, že funkce X : R je náhodná veličina, pokud platí
(x R)( X 1 , x X x ) Pokud náhodná veličina nabývá nejvýše spočetně mnoha hodnot, hovoříme o diskrétní náhodné veličině a její rozdělení popisujeme jednotlivými pravděpodobnostmi
pn PX xn K popisu spojitých náhodných veličin pak pouţíváme hustotu pravděpodobnosti f 0 . Pravděpodobnost, ţe hodnota náhodné veličiny X padne do intervalu xa , xb je pak dána takto
Pxa X xb
xb
f x dx
(1)
xa
Pokud náhodná veličina X nabývá pouze hodnot 0 nebo 1, říkáme, ţe má alternativní rozdělení s pravděpodobnostní funkcí
PX 0 1
3
Ω je mnoţinou všech elementárních výsledků, A je σ-algebra jevů a P je pravděpodobnostní funkce. 41
PX 1 , kde 0,1 . Tato náhodná veličina tedy nabývá hodnoty 0, pokud jev nenastal nebo 1, pokud nastal. Logistická regrese
4.5
Logistická regrese je označení metody matematické statistiky zabývající se problematikou odhadu pravděpodobnosti nějakého jevu (závislé proměnné) na základě určitých známých skutečností (nezávisle proměnných), které mohou ovlivnit výskyt jevu. Událost, zda zkoumaný jev nastal, se modeluje pomocí náhodné veličiny s alternativním rozdělením. Uvaţujme náhodnou veličinu (vysvětlovanou proměnnou) Y. Představuje-li vektor
xi xi1 , xi2 ,...xik , i 1,2,...n i -tou kombinaci hodnot k nenáhodných vysvětlujících proměnných X 1 , X 2 ,... X k , pak i -té
rozdělení veličiny Y s parametrem i vypadá takto:
P yi i iyi 1 i
1 yi
Zůstává-li pro různé vektory xi hodnot veličin
(2) X 1 , X 2 ,... X k
podmíněné rozdělení
pravděpodobnosti veličiny Y stejné, pak veličina Y na těchto proměnných nezávisí. Pokud však
různé
kombinace
hodnot
vysvětlujících
proměnných
vedou
k různým
pravděpodobnostem, lze zřejmě uvaţovat o nějakém typu závislosti Y na těchto vysvětlujících proměnných a tedy se pokusit o její zobrazení regresním modelem. Regresní funkci s tzv. logitovou transformací π g ln
x , (3) 1 kde x 1, x1 , x2 ,...xk , 0 , 1 ,... k se říká logistická regresní funkce. je vektorem
parametrů regresního modelu. Pro podmíněnou střední hodnotu pak platí vztah
1
e x .
(4)
Tento vztah se také často uvádí ve tvaru
1 . 1 e x
(5)
V praktické úloze vektor x vyjadřuje vlastnosti klienta banky v okamţiku ţádosti o úvěr. Kladné sloţky vektoru určují charakteristiky, které mají pozitivní vliv na nesplacení úvěru, nebo naopak. Sloţky vektoru, které jsou nulové, nemají na pravděpodobnost nesplacení
42
klienta ţádný vliv. Vektor je vektorem neznámých parametrů. K jeho odhadu se nejčastěji pouţívá metoda maximální věrohodnosti. 4.5.1
Metoda maximální věrohodnosti
Pro odhady modelu logistické regrese se pouţívá metoda maximální věrohodnosti (známá také jako MLE – maximum likelihood estimation), která spočívá v tom, ţe jako odhad neznámého parametru vezmeme takový, který maximalizuje příslušnou pravděpodobnost. Nechť X X 1 , X 2 ,... X n je náhodný výběr s hustotou pravděpodobnosti f x,1 ,... n , kde
1 ... n je vektor neznámých parametrů z parametrického prostoru R n . Definujme funkci Lx1 ,...xn , f x1 , f x2 , ... f xn , ,
(6)
kterou budeme nazývat věrohodnostní funkce. Parametr ˆ , který maximalizuje funkci L pak budeme nazývat maximálně věrohodný odhad parametru . Jelikoţ se v praxi velmi často setkáváme převáţně s tzv. exponenciální třídou hustot, vyplatí se místo funkce L pracovat s jejím logaritmem. Jelikoţ logaritmus je monotónní a prostá funkce, nalezené extremální body budou stejné. V případě, ţe je věrohodnostní funkce dostatečně hladká, lze pouţít diferenciálního počtu. Maximálně věrohodný odhad pak bude řešení soustavy věrohodnostních rovnic Lx1 , x2 ,...xn , 0. i
(7)
Spočítejme maximálně věrohodný odhad pro dva konkrétní příklady: Mějme náhodný výběr X 1 ,... X n s alternativním rozdělením A(p), kde p je neznámý parametr. Sestavte logaritmickou věrohodnostní funkci: n xi n xi ln Lx1 ,..., xn , p ln p i 1 1 p i 1 n
n n x ln p n xi ln 1 p i i 1 i 1
Věrohodnostní rovnice pak vypadá takto n n 1 1 ln Lx1 ...xn , p xi n xi 0 p p i 1 i 1 1 p
a tedy pˆ
43
1 n xi x n i 1
Snadno lze nahlédnout, ţe v tomto bodě nabývá funkce L svého maxima. Maximálně věrohodný odhad je tedy přímo výběrový průměr.
X 1 ,... X n s normálním rozdělením N(μ,σ2). Logaritmus
Mějme nyní náhodný výběr
věrohodnostní funkce vypadá takto
ln L x1 ,..., xn , ,
2
x n i 2 1 ln e 2 i 1 2
2
n ln 2 n ln 2 1 2 2 2 2
n
x i 1
2
i
Soustava věrohodnostních rovnic má tvar
1 n L x1 ...xn , , 2 2 xi 0 i 1 n 1 1 n 2 xi 2 0 L x ... x , , 1 n 2 2 2 2 2 i 1
Vyřešením soustavy pak dostaneme odhady
ˆ
1 n xi n i 1 2
1 n ˆ xi x n i 1 2
Postup hledání maxima věrohodnostní funkce (resp. jejího logaritmu) vzhledem k neznámým parametrům vede obecně k soustavě nelineárních algebraických rovnic. Je zřejmé, ţe čím více bude neznámých parametrů, tím můţe být soustava komplikovanější. Často se tedy k výpočtu pouţívá zejména Newtonova-Raphsonova metoda, kdy je logaritmus věrohodnostní funkce v okolí počátečního odhadu aproximován prvními třemi členy Taylorova rozvoje a určí se maximum pro tuto aproximaci; opravený odhad je pak vţdy pouţit v dalším iteračním kroku. Počáteční odhad parametrů je získán například metodou nejmenších čtverců na základě vztahu mezi výběrovými logity a lineární kombinací vysvětlujících proměnných (spojité vysvětlující proměnné je pro určení výběrových logitů třeba kategorizovat). Algoritmus Newtonovy-Raphsonovy metody relativně rychle konverguje k maximálně věrohodnému odhadu parametrů. Jeho výhodou je rovněţ to, ţe poskytuje informační matici, a tedy i kovarianční matici odhadů parametrů, na jejímţ základě lze konstruovat odhady intervalové a rovněţ testová kritéria pro ověřování hypotéz o parametrech. [22] Pro funkci jedné proměnné f Newtonova–Raphsonova metoda v podstatě
spočívá
v aproximaci funkce tečnou a hledáním kořene této tečny. Její funkčnost je zaručena následující větou.
44
Věta 4.5.1 (Newtonova-Raphsonova metoda)
Nechť funkce f má na [a,b] spojitou druhou derivaci a nechť existuje číslo c takové, že f(c) = 0. Jestliže f´(c) ≠ 0, pak existuje δ > 0 takové, že posloupnost
xn xn 1
f ( xn1 ) f ( xn1 )
(8)
konverguje k číslu c pro libovolné počáteční x0 takové, že x0 c . Tuto metodu je moţné zobecnit i pro funkce více proměnných. 4.5.2
Promněnné typu odds
Pro objasnění významu parametrů v lineární kombinaci vysvětlujících proměnných je podstatné, ţe vyjadřuje transformovanou střední hodnotu vysvětlované proměnné (alternativní či binomické) – logit. logit ln
1
(9)
Logit vyjadřuje šanci (odds), ţe veličina Y nabývá hodnoty 1. Parametr β0 udává velikost logitu pro nulové hodnoty (resp. referenční kategorie) všech vysvětlujících proměnných. Pro β0 = 0 je šance, ţe Y = 1, jedna ku jedné, neboli π = 0,5. Kladné hodnoty parametru β0 znamenají, ţe tato šance je větší neţ jedna (π > 0,5), záporné hodnoty znamenají, ţe je menší neţ jedna (π < 0,5). V závislosti na jedné nebo více vysvětlujících proměnných se logit můţe měnit. Logistický regresní model lze hodnotit jednak podle toho, nakolik je model schopen na základě hodnot vysvětlujících proměnných rozlišovat jednotky podle hodnoty vysvětlované proměnné, jednak podle toho, nakolik se pro určité kombinace hodnot vysvětlujících proměnných shodují zjištěné a očekávané četnosti nastoupení sledovaného jevu (postupy vhodné pro tříděná data). [22] Předpokládejme, ţe vysvětlující proměnné tvoří s skupin, kde i -tá skupina obsahuje s i kategorií (znaků). Označme
Z i, j i 1,2,..., s, j 1,2,..., si mnoţinu všech uspořádaných dvojic i, j , kde i značí skupinu a j její kategorii. Dále předpokládáme, ţe kaţdý klient spadá v kaţdé skupině do právě jedné kategorie. Potom tedy pro kaţdého klienta k máme sloupcový vektor x k , jehoţ prvky tvoří
xk x ij
k
45
i, j Z ,
kde předpokládáme, ţe pokud nabývá k -tý klient v i -té skupině j -tý znak, pak x ij
x
i l k
k
1 a
0 pro všechny ostatní znaky l dané skupiny. Dále označme
G ij k k 1,2,...n, y k 1, x ij
k
1
mnoţinu indexu všech dobrých klientů v j -té kategorii i -té skupiny a
B ij k k 1,2,...n, y k 0, x ij
k
1
mnoţinu indexu všech špatných klientů v j -té kategorii i -té skupiny. Nyní můţeme definovat proměnnou odds , tzv. šanci celku, jako poměr počtu dobrých klientů ku počtu špatných klientů
G
odds
(10)
B
a pro jednotlivé znaky j jednotlivých skupin i proměnné odds ij , tzv. šance znaku, jako poměry příslušných počtů dobrých a špatných klientů v dané kategorii
odds i j
G ij
.
B ij
(11)
Nakonec zaveďme proměnnou odds ratio. Označme OR ij podíl odds ij příslušné kategorie a
odds celku, tedy OR i j
4.5.3
odds ij odds
.
(12)
Podstata modelů
Vzhledem k přirozeným odhadům pravděpodobnosti můţeme vyjádřit
G odds
G B
GB
B
PY 1 . PY O
(13)
GB Pokusme se odhadnout teoretickou funkci oddsx v závislosti na empirických hodnotách zavedených proměnných
Gx
oddsx
Gx PYx 1 G x B x , Bx PYx 0 Bx G x Bx
46
(14)
kde jsme značili Gx k k 1,2,...n, y k 1, xk x jako mnoţinu indexů všech dobrých klientů s charakteristikou x a Bx k k 1,2,...n, y k 0, xk x jako mnoţinu indexů všech špatných klientů s charakteristikou x . Protoţe hodnoty G x a B x závisí na konkrétní kombinaci hodnot vektoru x a těchto kombinací můţe být obecně mnoho, předchozí odhad se v praxi nepouţívá. Pokusme se (14) tedy dále upravit.
Gx oddsx
Gx Bx
G G B Bx
.
(15)
B Protoţe
Gx
je moţno interpretovat jako empirický odhad pravděpodobnosti, ţe dobrý klient G bude mít charakteristiku x , můţeme za předpokladu nezávislosti regresorů tuto pravděpodobnost zapsat takto: x ij
G ij , G i , j Z G
Gx
(16)
tedy jako součin činitelů těch kategorií, pro které x ij 1 . Analogicky upravíme
Bx B
a po
dosazení do vztahu (15) dostaneme x ij
G ij i, j Z G G G oddsx x ij B B B ij i, j Z B a tedy s pouţitím obvyklého značení x ij
i , j Z
G ij i Bj G B
x ij
i odds ij odds OR ij x j . oddsx odds (17) i , j Z odds i , j Z Tento vztah je spolu s předpokladem nezávislosti regresorů základem tzv. Independence modelu. [24] 4.6 Independence model
Independence model je nejjednodušším z trojice představovaných modelů ohodnocení kreditního rizika. Skóringová funkce vychází pouze z vypočítaných hodnot proměnných
odds a OR ij . Na základě předchozích úvah definujme skóringovou funkci S IM jako
47
S IM ( x) odds
OR
i i xj j
,
(18)
i , j Z
kde x x ij i, j Z
je sada nezávisle proměnných, která charakterizuje hodnoceného
klienta. Odtud vidíme, ţe skóringová funkce S IM je tvořena součinem odds a OR ij právě těchto kategorií, ve kterých se příslušný klient nachází. Tento přístup modelování skóringové funkce se často pouţívá právě pro svou jednoduchost. Jeho podstatnou nevýhodou však je předpoklad nezávislosti regresorů a fakt, ţe model přikládá všem hodnotám OR ij stejnou váhu a tím sniţuje svou vypovídající schopnost. V praxi se někdy jako skóre pouţívá logaritmus uvedeného vztahu. ln S IM x ln odds
x lnOR . i , j Z
4.7
i j
i j
(19)
WOE model
Dalším moţným přístupem k modelování kreditního rizika pomocí skóringové funkce je WOE model. WOE je zkratka z anglického weight of evidence a značí, ţe v modelu přiřadíme kaţdé skupině jinou váhu podle toho, jaký je její statistický vliv na hodnotu vysvětlované proměnné Yx . Takový model potom můţeme vyjádřit ve tvaru
S WOE x, odds
OR
i i i xj j
,
(20)
i , j Z
i, j Z je opět sada nezávisle proměnných a
kde x x ij
i i 1,2...s je vektor vah
jednotlivých skupin. Takto vytvořená skóringová funkce je opět odhadem funkce oddsx , proto její logaritmus je funkce log it x a vektor parametrů λ je moţno odhadovat metodou logistické regrese, pomocí vztahu
log it x ln S WOE x, ln odds
x ln OR z. i
i , j Z
i j
i j
(21)
Tento model je výpočetně náročnější, avšak zvláště pro větší databáze poskytuje větší přesnost a částečně tak řeší nedostatky independence modelu. Tento model je vhodný pro databáze s více neţ 150 defaulty (případy nesplacení). 4.8
Plný logistický model
Plný logistický model přiřazuje specifickou váhu kaţdému jednotlivému znaku. Takto získáváme pro skóringovou funkci definiční vztah 48
S PLM x, odds
OR
i i i jxj j
,
(22)
i , j Z
i, j Z
kde x x ij
i, j Z
je sada nezávisle proměnných a ij
vektor vah
jednotlivých znaků. Podobně jako u WOE modelu odhadneme vektor parametrů metodou logistické regrese
log it x ln S PLM x, ln odds
x ln OR z. i , j Z
i j
i j
i j
(23)
Tento model je nejpřesnější z uvedené trojice modelů, ale také výpočetně nejnáročnější. V praxi se většinou pouţívá pro velmi rozsáhlé databáze, pro databáze s více jak 1200 defaulty. 4.9
Altmanův model
Neboli bankrotní model, jehoţ základem je diskriminační analýza. Altmanův model je zaloţený na poměrových ukazatelích, jehoţ úkolem je odhad budoucí finanční pozice a zejména pak včasné určení případného bankrotu. Model byl publikován profesorem financí Edwardem Altmanem v roce 1968 na New York University Stern School of Business a stal se jedním ze základních modelů pro finanční analýzu firmy. Vychází z předpokladu, ţe jisté ukazatele bankrotujících a nebankrotujících firem ukazují ve svém souhrnu význačné rozdíly, kterými lze tyto firmy odlišit. Altmanovo Z-score vzniklo v roce 1968 jako předpovědní ukazatel bonity společností. Oblíbenost tohoto modelu v České republice vychází pravděpodobně z jednoduchosti výpočtu. Tento počet je stanoven jako součet hodnot pěti běţných poměrových ukazatelů, jimţ je přiřazena různá váha, z nichţ největší váhu má rentabilita celkového kapitálu. Altman pouţil k předpovědi podnikatelského rizika diskriminační metodu, coţ je přímá statistická metoda spočívající v třídění pozorovaných objektů do dvou nebo více definovaných skupin podle určitých charakteristik. Na základě této metody určil váhu jednotlivých poměrových ukazatelů, jeţ jsou zahrnuty jako proměnné do tohoto modelu. Je moţné říci, ţe stejně jako se mění ekonomická situace v jednotlivých firmách a zemích, musel se i tento model v průběhu své existence přizpůsobovat. Obecný zápis diskriminační funkce: Z a1 X 1 a2 X 2 a3 X 3 a4 X 4 a5 X 5 ,
(24)
kde a i jsou diskriminační koeficienty (určují oddělující nadrovinu) a X i jsou diskriminační proměnné (poměrové ukazatele).
49
Z tohoto obecného vzorce vzniklo několik vzorců, v nichţ se mění pouze diskriminační koeficienty a i , nikoliv však poměrové ukazatele X i . Jednotlivé vzorce rozlišují buď stupeň rozvoje trhu anebo rozlišují společnosti na akciové a ostatní obchodní společnosti. Altmanův model pro společnosti, které patří do skupiny firem veřejně obchodovatelných na burze, je moţné vyjádřit rovnicí: Z 1,2 X 1 1,4 X 2 3,3 X 3 0,6 X 4 X 5 ,
kde diskriminační proměnné interpretujeme následovně:
X 1 …pracovní kapitál /celková aktiva (Working Capital / Total Assets) X 2 …hospodářské výsledky + fondy ze zisku / celková aktiva = rentabilita čistých aktiv (Retained Earnings / Total Assets)
X 3 …zisk před zdaněním a úroky/celková aktiva (Earninigs before Interest and Taxes / Total Assets)
X 4 …trţní hodnota podniku/závazky nebo průměrný kurz akcií/nominální hodnota cizích zdrojů (Market Value of Equity / Book Value of Total Liabilities)
X 5 …výnosy/celková aktiva (Sales / Total Assets) Vypočtený výsledek je moţno interpretovat podle toho, do jakého spektra jej můţeme zařadit. Je-li hodnota vypočítaného indexu Z :
Z 2,99 firma, jejíţ finanční situace je uspokojivá.
Z 1,81;2,99 šedá zóna, podnik s nevyhraněnou finanční situací.
Firmu nelze jednoznačně označit za úspěšnou ani jako firmu s problémy.
Z 1,81 výrazné finanční problémy a tedy i moţnost bankrotu.
Altmanovy závěry jsou následující:
Z 1,81 firma je ohodnocena jako potenciální kandidát bankrotu, úvěr by neměl
být poskytnut.
Z 2,99 firma je povaţována za zdravou, úvěr by měl být poskytnut.
Altmanův model se hojně pouţívá jako podpůrný prostředek při poskytování úvěrů. Není-li společnost veřejně obchodovatelná na burze, má Altmanův index tvar podobný tomu, který
50
měly společnosti veřejně obchodovatelné, a liší se pouze částečně. Odlišnost spočívá jen v hodnotách vah jednotlivých poměrových ukazatelů vstupujících do Altmanova modelu: Z 0,717 X 1 0,847 X 2 3,107 X 3 0,42 X 4 0,998 X 5 ,
a také v interpretaci výsledků, kde jsou hraniční hodnoty mírně posunuté [23]:
Z 2,9 pásmo prosperity.
Z 1,81;2,99 pásmo šedé zóny.
Z 1,2 pásmo bankrotu.
4.10 Rozhodovací stromy Rozhodovací stromy jsou jednou z nejoblíbenějších data miningových technik. Důvodů pro aplikaci těchto technik je několik. Hlavní důvod spočívá v jejich přehlednosti a snadné interpretaci, která umoţňuje uţivatelům rychle a lehce vyhodnocovat získané výsledky, identifikovat klíčové poloţky a vyhledávat zajímavé segmenty případů. Cílem rozhodovacích stromů je identifikovat objekty, popsané různými atributy, do tříd. Jelikoţ se jedná o strom, algoritmus je velmi rychlý. Rozhodovací strom se musí nejprve vytvořit z mnoţiny daných objektů, které musí někdo zařadit do skupin. Kaţdý uzel stromu představuje jednu vlastnost objektů, z tohoto uzlu vede konečný počet hran. Proto je nutné vlastnosti nejdříve diskretizovat. Kámen úrazu je však ve vytváření takového stromu. Ten musí co nejlépe objekty od sebe odlišit. Pro kořenový uzel se vybírá takový atribut, který objekty od sebe maximálně odliší. Vyuţívá se proto entropie (míra informační hodnoty atributu neboli míra neuspořádanosti nějakého systému). V teorii informace je entropie definovaná jako T
H ( pt log 2 pt ),
(25)
t 1
kde p t je pravděpodobnost výskytu třídy t a T je počet tříd. 4.10.1 Struktura stromu
Stromy se skládají z kořene, uzlů (neterminálních uzlů) a listů (terminálních uzlů). V kaţdém neterminálním uzlu se strom větví. Uzel, který nemá ţádné potomky, se nazývá terminální.
51
Existují také binární stromy, kde z jednoho uzlu vyrůstají právě dvě větve. Nebinární stromy jsou takové, kde z jednoho uzlu vyrůstají dvě a více větví.
Obrázek 7
4.10.2 Typy Stromů
Klasifikační (rozhodovací) strom Modelujeme proměnné
závislost na
proměnných,
jedné
kategoriální či
prediktorech
více
závisle
nezávislých
(kategoriálních,
spojitých).
Regresní strom Modelujeme závislost spojité závisle proměnné na jedné či více nezávislých proměnných, predátorech (kategoriálních, spojitých).
Při tvorbě rozhodovacího stromu se postupuje metodou „rozděl a panuj“ (divide and concquer). Trénovací data se postupně rozdělují na menší a menší podmnoţiny tak, aby v těchto podmnoţinách převládaly příklady jedné třídy.
52
Příklad:
Obrázek 8
Od kořene stromu se na základě odpovědí na otázky (umístěné v nelistových uzlech) postupuje příslušnou větví stále hlouběji, aţ do listového uzlu, který odpovídá zařazení příkladu do třídy. 4.10.3 Regresní stromy
Slouţí k modelování závislosti spojité závisle proměnné na jedné či více nezávislých proměnných
(kategoriálních
i
spojitých).
Umoţňují
odhadovat
hodnotu
nějakého
numerického atributu. V kaţdém uzlu je určena veličina, podle které dělíme datový soubor a hranice, která určuje, kde dělení má provést (v případě spojité veličiny). Po provedení posloupnosti rozhodnutí je výsledkem zařazení objektu do jednoho z listů na základě vlastností zkoumaného objektu. Místo entropie se zde vychází ze směrodatné odchylky hodnot cílového atributu. Tedy uvaţujeme kritérium redukce směrodatné odchylky ( S y2 je rozptyl hodnot cílového atributu pro celá trénovací data, S y2 ( K (v)) je rozptyl hodnot cílového atributu pro příklady pokryté kategorií K(v)):
Sy
n( K (v)) Sy( K (v)). n
(26)
Pro větvení vybereme atribut, který maximalizuje toto kritérium. Větvení skončí, pokud se hodnota cílového atributu pro příklady v uvaţovaném uzlu jen málo liší (tj. směrodatná 53
odchylka v tomto uzlu je menší neţ 5 % směrodatné odchylky pro celá data), nebo pokud je v uvaţovaném uzlu jen málo příkladů. Obrázek 9
V tomto příkladu je v listech regresního stromu konstanta. Některé algoritmy umoţňují vyjadřovat hodnotu v listu sloţitěji. Výhodou regresních stromů je snadné grafické znázornění, není nutná podmínka na typ rozdělení, dále algoritmy tvorby stromu jsou odolné vůči odlehlým hodnotám. Naopak nevýhodou je závislost tvaru stromu na datech. [26] Tímto jsem popsala základní druhy a podstatu některých scoringových modelů. Také jsem se zajímala o to, které z daných modelů se nejvíce vyuţívají v praxi, tzn. které modely vyuţívají největší banky v České republice. Zjištěné informace jsou zpracovány v následující kapitole.
54
5 Retailový a korporátní credit scoring V mé praktické části jsem kontaktovala bankovní instituce, abych se dozvěděla, jaké modely pouţívají při určování score klienta. Oslovila jsem Českou spořitelnu, ČSOB, Komerční banku, Raiffeisenbank, Volksbank CZ a.s., GE Money Bank a UniCredit Bank. Některé společnosti mi předaly kontakt na kompetentního pracovníka, který mi poskytl potřebné informace, většina bank mi ale tyto informace odmítla sdělit, protoţe jsou interního charakteru. Při osobním setkání s daným pracovníkem, jsem zjišťovala odpovědi, na mé předem vypracované otázky. Seznam otázek: 1) Které oddělení ve Vaší bance se zabývá credit scoringem? 2) Jaké scoringové modely vyuţíváte pro retailové klienty? Proč zrovna tento model a jaké jsou jeho výhody a nevýhody? 3) Které scoringové modely vyuţíváte pro korporátní klienty? Proč pouţíváte tento model a jaké jsou jeho výhody a nevýhody? 4) Zkoušeli jste také pouţít neuronové sítě, bayesovské sítě nebo rozhodovací stromy? 5) Jaké jsou hlavní proměnné při výpočtu credit scoringu pro retailové klienty? 6) Jaké jsou hlavní proměnné při výpočtu credit scoringu pro korporátní klienty? 7) Zadávají se tyto údaje spojitě nebo se dělí do kategorií? 8) Které charakteristiky (vlastnosti klienta) mají největší vliv na kreditní riziko? 9) Jaká je škála rozdělení bodů (score) pro retailového klienta pro schválení ţádosti o úvěr či nikoli? 10) Jaká je škála rozdělení bodů (score) pro korporátního klienta pro schválení ţádosti o úvěr či nikoli? 11) Jaké jsou hlavní rozdíly mezi credit scoringem pro retailové klienty a pro korporátní klienty? 12) Které statistické programy pouţíváte k výpočtu?
55
Získat patřičné informace se mi podařilo pouze od tří největších českých bank. Na otázky mi většinou odpovídali ředitelé a vedoucí pracovníci oddělení Rating and Scoring nebo Risk Controllingu. Vzhledem ke shodnosti získaných informací u dvou bank, které si přáli být nejmenované, jsem zpracovala dané informace dohromady dle mých otázek. 1. Které oddělení ve Vaší bance se zabývá credit scoringem? Oddělení, které se nazývá Rating a Scoring, úsek strategického risk managementu. 2. Jaké scoringové modely využíváte pro retailové klienty? Proč zrovna tento model a jaké jsou jeho výhody a nevýhody? Naše scoringové modely jsou zaloţeny na Logistické regresi. Výhodou tohoto modelu je jednoduchá interpretace, vzhledem k tomu, ţe se jedná o lineární model, kde kaţdá proměnná má přiřazenou určitou váhu. Dále je tento model také jednoduchý na zpracování, na rozdíl např. od rozhodovacích stromů či neuronových sítí, protoţe odhad pravděpodobnosti splacení či nesplacení z nelineárních modelů by bylo těţké získat a interpretovat. Scoringových modelů je několik druhů, dělí se především na poskytovací a aplikační modely:
Schvalovací modely patří mezi poskytovací modely. Pouţívají se k rozhodování, jestli poskytnout či neposkytnout nový úvěr.
Behaviorální modely patří mezi aplikační modely. S jejich pomocí se zjišťuje, jak je klient „kvalitní“, jaké je jeho chování (tzn. monitoruje se pravidelně portfolio klientů).
Model „vymáhání“ je speciální druh scoringových modelů, který se pouţívá, kdyţ uţ se klient dostane do problémů. Tento model pomáhá rozhodnout, jestli se má klientovi pouze zavolat, či poslat upomínka, neboli jestli se jedná o jinak spořádaného klienta, který pouze zapomněl zaplatit jednu splátku. Nebo jestli bude třeba peníze na klientovi vymáhat a v tomto případě se i odhaduje, jakou částku od něj bude moci banka získat.
3. Které scoringové modely využíváte pro korporátní klienty? Proč používáte tento model a jaké jsou jeho výhody a nevýhody?
56
Pro korporátní klienty vyuţíváme také Logistickou regresi. Altmanův ani Mertonův model nevyuţíváme, protoţe tyto modely závisí na hodnotě aktiv v čase, coţ odpovídá ceně akcií na burze. Ale my máme velmi málo korporátních klientů obchodovatelných na burze, tedy bychom neměli potřebné údaje pro tyto modely. 4. Zkoušeli jste také použít neuronové sítě, bayesovské sítě nebo rozhodovací stromy? Tyto metody nepouţíváme, protoţe nejsou lineární. V některých metodách pouţíváme regresní stromy jako specifické modely. Pouţíváme je na příklad k výpočtu, kolik nám klient zaplatí, pokud je jiţ defaultu (po splatnosti). Regresní stromy vyuţíváme ale opravdu jen v některých případech, převáţná část modelů zhruba 95 % modelů je zaloţeno na Logistické regresi. 5. Jaké jsou hlavní proměnné při výpočtu credit scoringu pro retailové klienty? Proměnné se dělí do větších skupin, podle různých ukazatelů.
U retailových klientů je první nejdůleţitější behaviorální ukazatel, tj. jak se chová klient na svém účtu, pokud je to náš existující klient, tzn. rating klienta. Z tohoto vycházejí proměnné typu např.: obraty na účtu, čerpání kreditní kartou či vyuţívání a výše kontokorentu, výše úspor, délka existence u naší banky apod.
Druhý nejdůleţitější ukazatel u retailových klientů jsou proměnné z úvěrového registru. Zjišťujeme, jestli měl klient někdy problémy se splácením úvěru a to i v jiných bankách. Zajímá nás také, jestli má ve stejném období úvěr, hypotéku či kreditní kartu u jiné banky. Tímto získáme informace pozitivní i negativní. Pozitivní jsou ty, jak klient splácí a jestli uţ něco doplatil. Negativní informace jsou ty, ţe klient nesplácí a něco nezaplatil.
Třetí typ proměnných jsou sociodemografické charakteristiky. To je např. věk, pohlaví, vzdělání, rodinný stav apod. Také sem patří skupina proměnných z geografické segmentace. (tzn. rozdělení klientů dle místa výskytu). Dále existuje skupina transakčních proměnných. Zde se sleduje, jestli klientovi nechodí na účet podpora v nezaměstnanosti, sledují se také jeho platby např. v sázkových kancelářích či casinu. Zjišťuje se, jestli častěji platí kartou nebo si vybírá hotovost. Tyto proměnné ale uţ mají menší váhu.
Podle toho jaké informace o klientech dokáţeme zjistit, je dělíme na tři skupiny: a) Existující klienti 57
U
těchto
klientů
známe
všechny
úvěrový
(behaviorální,
registr,
typy
proměnných.
sociodemografické
charakteristiky) b) New to bank Jedná se o klienty, kteří mají nějaké produkty v jiných bankách. U
nich
známe
proměnné
z úvěrového
registru
a
sociodemografické. c) New to market To jsou klienti, kteří nemají svojí historii v ţádné bance, tedy nemají ţádný bankovní produkt. O těch tedy víme pouze sociodemografické charakteristiky. A podle toho, o kterého klienta se jedná, tak jej zařadíme do dané skupiny a pro kaţdou skupinu máme jiný model. 6. Jaké jsou hlavní proměnné při výpočtu credit scoringu pro korporátní klienty? V naší bance máme retailové klienty, které se dělí na privátní klienty a na small middle enterprises (MSE). U MSE také zohledňujeme kromě jiţ zmiňovaných proměnných ještě finanční data. U korporátních klientů jsou proměnné podobného typu jako u retailových klientů. Rozdíl je v sociodemografických datech, zde to nazýváme Socfaktory.
Socfaktory zahrnují proměnné jako rizikovost v odvětví, závislost na dodavatelích, kompetence managementu, podíl na trhu apod. Jedná se o parametry, které vyplní dodavatel kreditní aplikace na základě předpisů. Banka si také vyţádá faktury za určité období, ze kterých zjistí, kolik má firma odběratelů a dodavatelů. A také se určí, do jakého odvětví firma patří.
Další typ informací jsou finanční data. (např.: obraty firmy, zadluţenost firmy, zisky, cash flow, atd.)
Behaviorální ukazatele jsou stejné jako u retailových klientů. Informace jak se klient chová na účtu v bance, jestli vše platí, jaké má obraty, apod.
Informace z úvěrového korporátního registru (tzn.: jestli nebyl někdy po splatnosti, angaţovanosti mimo naši banku).
58
Dále sledujeme komplexní údaje o firmě. Údaje o mateřské firmě, dceřiných firmách, kdo je vlastník firmy apod.
7. Zadávají se tyto údaje spojitě nebo se dělí do kategorií? Zadávají se přímo hodnoty, ale údaje na score kartách jsou přímo nějaké kategoriální skupiny (např.: věk od 18 do 24 je jedna skupina, od 24 do 30 druhá skupina, atd.). Tedy údaje v modelech se vţdy rozdělí do nějakých kategoriálních skupin. 8. Které charakteristiky (vlastnosti klienta) mají největší vliv na kreditní riziko? U retailových klientů se jedná o behaviorální ukazatele, u korporátních klientů závisí nejvíc na socfaktorech a také na finančních datech. 9. Jaká je škála rozdělení bodů (score) pro retailového klienta pro schválení žádosti o úvěr či nikoli? 10. Jaká je škála rozdělení bodů (score) pro korporátního klienta pro schválení žádosti o úvěr či nikoli? Naše bankovní společnost má rozdělení od 0 do 1000, kde 1000 je nejniţší riziko a 0 je nejvyšší riziko. Bliţší informace Vám sdělit bohuţel nemohu, jelikoţ se jedná o interní informace. 11. Jaké jsou hlavní rozdíly mezi credit scoringem pro retailové klienty a pro korporátní klienty? Liší se frekvencí výpočtu scoringu. U korporátních klientů se rating obnovuje jednou ročně. Závisí to na nových výkazech firmy, podle kterých se jednou za rok rating klienta přepočítá. U retailových klientů se rating obnovuje kaţdý měsíc. U těchto klientů nemáme finanční data, nebo jsou pouze v malé váze, sledujeme zde především behaviorální informace, které se mění kaţdý měsíc. Další rozdíl je také ve váze ukazatelů. U korporátních klientů mají největší váhu finanční ukazatelé a také socfaktory (jaké je postavení na trhu, v čem podniká, finanční data, apod.). U retailových klientů mají největší váhu behaviorální data. Znamená to, ţe u retailových klientů je důleţité, jak se osoba chová na účtu, jaké má obraty a nezáleţí tolik na tom, v jakém oboru podniká. Ale u korporátních klientů záleţí především na tom, v jakém oboru podniká a také na finančních datech. Tady lze finančním datům více 59
důvěřovat, protoţe se jedná o auditované firmy, naopak u retailových klientů se na toto spoléhat nemůţeme, proto se více sleduje pohyb na účtu. 12. Které statistické programy používáte k výpočtu? Naše banka pouţívá statistický program SAS. Od třetí banky jsem získala informace přes elektronickou poštu. Kontaktovala jsem vedoucího pracovníka Risk Controllingu ve Volksbank CZ a.s. (dále budu značit VB CZ), který mi odpověděl na mé otázky. V některých případech jsou odpovědi podobné jako u předchozích bank. Nejdříve mi poskytl globální informace ohledně credit scoringu a dále se věnoval mým otázkám.
VB CZ sama o sobě nevyvíjí ratingové systémy a credit-scoringové modely. Tato činnost probíhá centrálně na úrovni mateřské banky VBAG 4.
Role VB CZ je tyto modely pouţívat a následně lokálně validovat, podílet se na jejich zpětném testování a dalším zdokonalování.
VB CZ se připravuje k získání regulatorního souhlasu s přechodem na IRB přístup, takţe ratingové systémy jsou nadále ve vývoji.
1. Které oddělení ve Vaší bance se zabývá credit scoringem? Risk Controlling z odboru řízení rizik, přímo podléhající členu představenstva zodpovědnému za řízení rizik (Chief Risk Officerovi). 2. Jaké scoringové modely využíváte pro retailové klienty? Proč zrovna tento model a jaké jsou jeho výhody a nevýhody? U retailových klientů je to score karta, která má dva soubory kritérií (hard facts ukazatele a soft facts dotazník). Kde kaţdé kritérium obdrţí skóre a přes svoji předdefinovanou váhu je promítnuto do výsledného skóre, které se pak mapuje na ratingový stupeň a na pravděpodobnost selhání. Výhodou je např. z pohledu jeho uţivatelů dobrá transparentnost a poměrná jednoduchost. 3. Které scoringové modely využíváte pro korporátní klienty? Proč používáte tento model a jaké jsou jeho výhody a nevýhody? 4
Volksbank International AG 60
Pro korporátní klienty se pouţívá statistický ratingový systém, který se dělí opět na dvě linie hard facts a soft facts. Dále se vše transformuje na score pomocí regresní funkce a následuje transformace score na PD5. 4. Zkoušeli jste také použít neuronové sítě, bayesovské sítě nebo rozhodovací stromy? Nezkoušeli, pouze rozhodovací strom je nyní hlavním kandidátem pro model LGD6. 5. Jaké jsou hlavní proměnné při výpočtu credit scoringu pro retailové klienty?
Hard facts: Cash flow ratio (poměr obligatorních nákladů domácnosti včetně výše splátek úvěrů ku výši příjmů).
Soft facts: Více kritérií s podobnou váhou, důraz klademe na dosavadní zkušenost s klientem a na záznamy v registru BRKI7.
6. Jaké jsou hlavní proměnné při výpočtu credit scoringu pro korporátní klienty?
Hard facts: Podíl kapitálu vůči výši aktiv, obratové ukazatele, ukazatele cash flow (schopnost dluhové obsluhy z generovaného cash flow).
Soft facts: Dosavadní zkušenosti s klientem, pozice na trhu, konkurenčnost oboru, (ne)závislost na několika málo dodavatelích nebo odběratelích a jejich případná nahraditelnost, způsob řízení firmy.
7. Zadávají se tyto údaje spojitě nebo kategorizovaně? U Hard facts jsou údaje číselné. Soft facts pouţívá určitou formu výběru z předdefinované mnoţiny kategorií. 8. Které charakteristiky (vlastnosti klienta) mají největší vliv na kreditní riziko? Největší vliv na kreditní riziko mají hlavní proměnné Hard facts a Soft facts. 9. Jaká je škála rozdělení bodů (score) pro retailového klienta pro schválení žádosti o úvěr či nikoli?
5
Pure data Loss given default 7 Bankovní registr klientských informací 6
61
Skóre (ratingový stupeň interního ratingu) není naprosto určující pro úvěrové rozhodnutí, je pouze silným indikátorem. VB CZ neschvaluje retailové úvěry zcela automatizovaným postupem, lidský prvek zůstává do jisté míry stále přítomen a osvědčilo se to v době krize. 10. Jaká je škála rozdělení bodů (score) pro korporátního klienta pro schválení žádosti o úvěr či nikoli? Podobně jako u detailových klientů, avšak zde je vliv lidského posouzení podstatně vyšší (menší počet větších případů). 11. Jaké jsou hlavní rozdíly mezi credit scoringem pro retailové klienty a pro korporátní klienty? Hlavní rozdíly jsou především v typu ratingového systému, ve sledovaných kritériích a v četnosti pouţití credit scoringu. 12. Které statistické programy používáte k výpočtu? Kolegové ve Vídni pouţívají při vývoji, remodelingu a rekalibraci ratingových systémů program SAS. 5.1
Shrnutí
Vzhledem k tomu, ţe jsem nezískala informace od většího počtu bankovních institucí, nemohu zcela všeobecně posoudit pouţívané scoringové modely. Ve třech bankách, které byly ochotny mi informace sdělit, ale dvě z nich si přály být nejmenovány, jsem se dozvěděla podobné informace. Obě instituce pouţívají scoringové modely zaloţené na logistické regresi, protoţe jsou snadno interpretovatelné a zpracovatelné. Scoringové modely se dělí na tři základní kategorie – schvalovací, behaviorální modely a model vymáhání. V určitých specifických případech banky pouţívají regresní rozhodovací stromy. Při výpočtu credit scoringu se proměnné rozdělují do větších skupin, které se pro retailové a korporátní klienty jemně liší. Hlavní rozdíl mezi credit scoringem retailových a korporátních klientů je kromě frekvence výpočtu scoringu, také podstatný rozdíl ve váze ukazatelů. U korporátních klientů se klade největší důraz na váhu finančních ukazatelů a socfaktorů, zatímco u retailových klientů mají největší váhu behaviorální data. K výpočtu banky pouţívají statistický program SAS. Tento program pouţívá i třetí dotazovaná banka Volksbank CZ a.s., která ale sama nevyvíjí ratingové systémy a credit-scoringové modely. Tato činnost probíhá centrálně na
62
úrovni mateřské banky VBAG. Proto mi pracovník této banky jednoznačně neodpověděl, které scoringové modely se zde vyuţívají, zmínil pouze score kartu, podle které banka rozděluje získané informace o klientovi na dva základní soubory kritérií – hard facts a soft facts. Tato banka také neschvaluje úvěry zcela automatizovaných postupem, je zde stále přítomen lidský prvek.
63
6 Závěr Cílem práce bylo zmapovat základní a nejvíce pouţívané scoringové metody. Popsat jejich princip a rozdíly. Dále mou snahou bylo zjistit rozdíl mezi credit scoringem retailových a korporátních klientů. Práci jsem rozdělila na čtyři části, kde tři kapitoly byly teoretické, poslední část byla praktická. V první části jsem popsala metody měření a řízení rizika a zaměřila jsem se více na úvěrové riziko a poté jsem se věnovala ratingu. Druhá část se zabývala podmínkami poskytování úvěrů pro retailové i korporátní klienty u pěti největších bank v České republice. Zde jsem porovnala podmínky pro poskytnutí úvěru u retailových a korporátních klientů. U retailových klientů byly tyto podmínky velice podobné, lišili se pouze například tím, ţe některé banky poţadují, aby klient měl konto právě u té společnosti, u které ţádá o úvěr. Některé banky také nastavily i horní věkovou mez pro poskytnutí úvěru. Stejným a pevným základem pro banky byla nutnost správné identifikace klienta a prokázání jeho příjmů. V případě korporátních klientů všechny banky vyţadovaly stejné informace. Zde se většinou jedná o úvěry na vyšší částky, proto banka potřebuje informace nejen o klientovi, ale také o jeho firmě, o zajištění, o jeho bezdluţnosti vůči Finančním úřadům a České správě sociálního zabezpečení a další informace, aby sníţily riziko nesplacení úvěru. Hlavní část mé práce spočívala ve třetí kapitole, kde jsem vysvětlila, co je credit scoring neboli kreditní bodování. Existují tři druhy skóringu: Aplikační, Behaviorální kreditní a Kreditní. Jsou zde také uvedeny výhody pouţití credit scoringu, jehoţ hlavní funkce je vybrat z dat pouze ty charakteristiky, které mají na kreditní riziko největší vliv. Vybrané charakteristiky jsou potom součástí skórovací karty, coţ je tabulka s danými otázkami, za které je přičteno určité mnoţství bodů. Čím více bodů, tím niţší riziko. Zde také pojednávám o pojmu default, coţ je selhání dluţníka. Dále jsem se věnovala jen některým scoringovým modelům, protoţe credit scoring vyuţívá celou řadu statistických metod. Nejdříve jsem se zaměřila na logistickou regresi, která se zabývá problematikou odhadu pravděpodobnosti výskytu nějakého jevu na základě určitých známých skutečností, které mohou ovlivnit výskyt jevu. Pro odhady parametrů logistické regrese se pouţívá metoda maximální věrohodnosti, kterou jsem v této části také popsala a vysvětlila. Dále jsem se zabývala NewtonovoRaphsonovou metodou, Independence modelem, WOE modelem, Plným logistickým model a Altmanovým modelem.
64
Praktická část spočívala v tom, ţe jsem kontaktovala uvedené bankovní instituce se záměrem zjistit, které scoringové metody nejvíce vyuţívají v praxi, zajímala jsem se také o rozdíly mezi scoringovými metodami pro retailové a korporátní klienty a o jednotlivé proměnné potřebné pro výpočet scoringu. Bohuţel největší problém v této části byl v komunikaci s institucemi, většina bank mi tyto informace odmítla sdělit, protoţe je pokládá za interní. Odpovědi jsem tedy získala pouze od třech institucí, dvě instituce, které si přály být nejmenované, odpověděly téměř shodně. Ve třetí bankovní instituci, Volksbank CZ a.s., se credit scoringem přímo nezabývají, tato činnost probíhá centrálně na úrovni mateřské banky VBAG. Zde jsem se tedy dozvěděla pouze, jak rozdělují získané údaje o klientovi na dva základní soubory a také jaké jsou základní parametry při posuzování ţádosti o úvěr. První dvě bankovní instituce pouţívají k výpočtu credit scoringu převáţně scoringové modely zaloţené na logistické regresi. Také uvedli, jak rozdělují proměnné do větších skupin, které se pro retailové a korporátní klienty poněkud lišily. Dalším hlavním rozdílem mezi credit scoringem retailových a korporátních klientů byl ve váze ukazatelů a ve frekvenci výpočtu scoringu. K výpočtu všechny banky pouţívají statistický program SAS.
65
7 Seznam použité literatury Kniha [1]
Jílek J.: Finanční rizika, Grada, Praha, 2000
[2]
Jílek J.: Finanční trhy a investování, Grada, Praha, 2008
[3]
Jílek J.: Akciové trhy a investování, Grada, Praha, 2009
[4]
PriceWaterhouseCoopers: Úvod do řízení úvěrového rizika, Management Press, 1994
[5]
Půlpán K. a kol.: Slovík bankovnictví, pojišťovnictví a kapitálových trhů, Public History, 1998
[6]
Vlachý J.: Řízení finančních rizik, Eupress, Praha, 2006
[7]
Půlpánová S.: Vývoj řízení rizik v českých bankách, Acta Carolina, Praha, 2000
[8]
Sekerka B.: Řízení bankovních rizik, Profess Consulting, s.r.o., Praha, 1998
[9]
Teplý P.: Řízení úvěrového rizika v českých bankách, Karlova Univerzita, Praha, 2002
[10] Smejkal V., Rais K.: Řízení rizik ve firmách a jiných organizacích, Grada Publishing, 2006 [11] Dvořák P.: Bankovnictví, VSE v Praze, 1998 [12] Ziegler K., Ţalman L., Šperl J, Černý L., Mrkva L., Lukáš V.: Finanční řízení bank, Bankovní institut, 1997 [13] Valová I., Metody měření bankovních rizik podle Basel II, Ekonomická fakulta, Ostrava, 2008 [14] Anderson, R.: The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation. New York: Oxford Univerzity Press Inc.,2007 [15] Růţičková P.: Finanční analýza: metody, ukazatele, vyuţití v praxi; 2. aktualizované vydání [16] Tvrdík J.: Analýza vícerozměrných dat, Ostravská Univerzita 2003 [17] Tvrdík J.: Logistická regrese a vyhledávání modelů, Robust´98, KI PřF OU, Ostrava [18] Bojanovská H.: Probit analýza a její teoretické vlastnosti, Brno 2009, Diplomová práce, VUT [19] www.creditinfosolution.com (citováno březen 2011) [20] Hrdinová M.: Hodnocení bonity klienta před poskytnutím úvěru, Brno, diplomová práce, 2010 [21] Blaţková L., Ulrich M.: Credit scoring IT systems, listopad 2010 [22] Pecáková I.: Logistická regrese s vícekategoriální vysvětlovanou proměnnou, Acta Oeconomica Pragensia, ročník 15, č. 1, 2007 66
[23] Růčková P.: Finanční analýza, Grada publishing, 2008 [24] Rychnovský M.: Postupná výstavba modelů hodnocení kreditního rizika, MFF, Praha, 2008 [25] Slovník základních pojmů z bankovnictví, Fortuna, ISBN 80-7168-495-4, 1997 [26] Šmilauer P.: Moderní regresní metody, JČU, České Budějovice, 2007
Internetové stránky www.cnb.cz www.businessinfo.cz www.hn.ihned.cz www.csas.cz www.csas.cz www.csob.cz www.kb.cz www.unicreditbank.cz www.rb.cz www.finance.cz www.firemnifinance.cz www.systemonline.cz www.statsoft.cz www.creditinfosolutions.com
67
