براساس توافقنامه بال 2، تسهیلات پرداختی به اشخاص حقیقی و بنگاه های اقتصادی کوچک و متوسط تحت عنوان پرتفوی اعتباری خرد تعریف شده است و بانک ها مجازند یکی از رویکردهای استاندارد یا
رتبه بندی داخلی را برای تعیین سرمایه مورد نیاز به منظور مواجهه با
ریسک اعتباری انتخاب کنند.
پیاده سازی رویکرد رتبه بندی داخلی، مستلزک طبقه بندی تسهیلات خرد به طبقات همپن ریسکی و تخمین پارامترهای ریسک اعتباری در سطح هر یک از طبقات است.
به طور خاص، تابع سرمایه مورد نیاز براساس این رویکرد، برای هر یک از تسهیلات تابعی از احتمال نکول (PD) و ارزش مشروط به نکول (LGD) هر قرض گیرنده است. به ازای سطح معین LGD، شکل ریاضی تابع سرمایه مورد نیاز نسبت به احتمال نکول در بازه ای گسترده، مقعر است.
به دلیل تقعر تابع سرمایه مورد نیاز، افزایش دقت در طبقه بندی تسهیلات به طبقات همگن ریسکی برای بانک ها صرفه جویی سرمایه ای به همراه خواهد داشت. در این مطالعه، با استفاده از روش درخت طبقه بندی و رگرسیون تسهیلات دریافتی 1343 نفر از مشتریان حقیقی خرد یکی از بانک های خصوصی کشور طی سال های 1391 تا 1392 به چند طبقه ریسکس همگن طبقه بندی شدند.
نتایج تحقیق حاکی از آن است که با طبقه بندی دقیق تر مشتریان در سطح پنجم، سرمایه مورد نیاز برای مواجهه با ریسک اعتباری در مقایسه با سطح صفر می تواند حدود 0.44 درصد کاهش یابد.
مقدمه
نقش محصولات اعتباری در بحران مالی 2007 تا 2009 اهمیت مدل سازی ریسک اعتباری و اندازه گیری دقیق این ریسک را در بانک ها بیش از پیش آشکار کرد. همچنین پس از توافقنامه بال 2 (کمیته نظارت بانکی بال (BCBS) 2006) بانک ها اجازه یافتند از مدل های ریسک اعتباری داخلی در چهارچوب رویکرد پیشرفته رتبه بندی داخلی برای تعیین سرمایه مورد نیاز به منظور مواجهه با زیان های غیر منتظره ناشی از ریسک اعتباری استفاده کنند.
برای پیاده سازی رویکرد رتبه بندی داخلی بانک ها باید سه پارامتر اصلی ریسک اعتباری، یعنی 1.احتمال نکول قرض گیرنده (PD) در یک سال آینده 2.ارزش مشروط به نکول (LGD)، به معنای درصدی از اعتباری که در صورت نکول قرض گیرنده قابل بازیافت نیست و به کیفیت وثایق ارتباط دارد و 3.ارزش در معرض نکول (EAD) معادل ریالی مبلغ اعتبار را که در صورت نکول قرض گیرنده در معرض زیان قرار می گیرد، برآورد کنند.
مهم ترین جزء ریسک اعتباری، PD است که براساس ویژگی ها و سوابق اعتباری قرض گیرندگان تعیین می شود. همچنین در صورت به کارگیری رویکرد پایه رتبه بندی داخلی، بانک ها مجازند از طریق مدل های ریسک اعتباری PD را برآورد و دو جزء دیگر ریسک اعتباری را با توجه به ویژگی های تسهیلات براساس مفاد توافقنامه بال 2 و بدون مدل سازی تعیین کنند.
براساس این رویکرد، بانک ها باید تسهیلات اعطایی به اشخاص حقیقی را تحت عنوان پرتفوی خرد و در گروه های همگن طبقه بندی و به صورت یک جا PD و سرمایه مورد نیاز را برای مواجهه با ریسک اعتباری مجموع اعتبارات داخل هر یک از طبقات ریسکی محاسبه کنند (به جای آن که به صورت انفرادی سرمایه مورد نیاز هر یک از اعتبارات محاسبه شود).
هر یک از تسهیلات اعطایی طوری باید در طبقات ریسکی جای گیرند که از لحاظ ویژگی های ریسکی همگن باشند، اما در متن توافقنامه محدودیت خاصی در خصوص روش طبقه بندی یا حتی تعداد طبقات ریسکی تعیین نشده است. اگرچه اشاره شده که شیوه طبقه بندی تسهیلات اعطایی در گروه های همگن باید به دقت مستندسازی شود تا ناظران بتوانند اعبتار شیوه های طبقه بندی را بررسی کنند.
لانگ و سانتومرو (2003)، استدلال کردند رویکرد جدید رتبه بندی داخلی بال 2 به نحوی است که بانک ها را به اندازه گیری دقیق تر ریسک اعتباری و تفکیک مشتریان خرد به طبقات همگن تر ریسکی تشویق می کند.
به اعتقاد ایشان این موضوع باعث می شود سرمایه مورد نیاز برای مواجهه با ریسک اعتباری کاهش یابد و از این نظر بانک ها از یک صرفه جویی سرمایه ای بهره مند می شوند. البته در مطالعه ایشان از لحاظ تجربی این ادعا براساس داده های واقعی مورد بررسی قرار نگرفت.
در یک مطالعه تجربی، آلتمن و ساباتو (2007)، با استفاده از داده های 2000 بنگاه اقتصادی طی دوره زمانی 1994 تا 2002 در ایالات متحده آمریکا با استفاده از روش رگرسیون لاجیت و روش تحلیل ممیزی دو نوع مدل رتبه بندی برآورد و مشتریان را به هفت گروه طبقه بندی کردند.
آنان نشان دادند قدرت پیش بینی و تمیز مدل لاجیت بیش از مدل تحلیل ممیزی است، اما نکته جالب توجه این بود که هم زمان سرمایه مورد نیاز برای مواجهه با ریسک اعتباری مشتریان براساس مدل
رتبه بندی اعتباری لاجیت در مقایسه با مدل رتبه بندی اعتباری تحلیل ممیزی حدود 0.5 درصد کمتر شد، یعنی دقت در پیش بینی مدل ریسک اعتباری برای بانک ها صرفه جویی سرمایه ای به همراه دارد.
در حالی که مطالعات زیادی در خصوص ریسک اعتباری بنگاه های اقتصادی انجام شده، اما در حوزه ریسک اعتباری پرتفوی خرد اعتباری مطالعات کمتری انجام گرفته است (آلن و همکاران 2004 و کلاسنس و همکاران 2005). در این مقاله، دو هدف اصلی دو دنبال می شود:
- کاربرد درخت طبقه بندی و رگرسیون (CART) برای طبقه بندی پرتفوی خرد اعتباری یکی از بانک های خصوصی کشور به طبقات همگن ریسکی و برآورد احتمال نکول در سطح هر یک از طبقات تشریح می شود.
- تاثیر افزایش دقت پیش بینی مدل طبقه بندی مشتریان بر میزان سرمایه مورد نیاز ریسک اعتباری آنها مورد بررسی قرار می گیرد.
اگرچه در حوزه رتبه بندی اعتباری اشخاص حقیقی در کشور مطالعات زیای انجام شده است، اما کاربرد مدل های رتبه بندی اعتباری در طبقه بندی مشتریان و تخمین سرمایه مورد نیاز برای مواجهه با ریسک اعتباری آن ها کمتر مورد توجه قرار گرفته است.
در بخش نخست این تحقیق، روش های محاسبه سرمایه مورد نیاز برای مواجهه با ریسک اعتباری تسهیلات خرد و مبنای نظری ادعال لانگ و سانتومرو (2003)، مبنی بر صرفه جویی سرمایه ای ناشی از بهبود پیش بینی مدل و طبقه بندی مشتریان به طبقات ریسکی همگن مورد بررسی قرار می گیرد.
در بخش دوم، انواع روش های
طبقه بندی مشتریان اعتباری به طبقات ریسکی همگن و در بخش سوم، به طور خاص، روش درختان طبقه بندی و رگرسیون معرفی می شود.
در بخش چهارم، روش جمع آوری و ویژگی های داده های مشتریان اعتباری حقیقی خرد یکی از بانک های خصوصی کشور برای برآورد مدل طبقه بندی با روش CART توضیح داده می شود. در بخش پنجم، نتایج برآورد روش CART و در بخش ششم، تاثیر بهبود طبقه بندی مشتریان بر سرمایه مورد نیاز برای مواجهه با ریسک اعتباری مورد تجزیه و تحلیل قرار می گیرد. در نهایت، در بخش هفتم، نتیجه گیری و توصیه های سیاسی برگرفته از تحقیق، تشریح می شود.
سرمایه مورد نیاز برای مواجهه با ریسک اعتباری مبتنی بر توافقنامه های بال
براساس توافقنامه بال 1 سرمایه مورد نیاز ریسک اعتباری تسهیلات خرد برابر است با : K=0.08xRWxL
به طوری که
RW = ضریب ریسکی، برابر 50 درصد در صورتی که وثیقه ملکی مسکونی باشد و در غیر این صورت، برابر 100 درصد.
L= مبلغ اصل تسهیلات
برای تبیین رابطه فرض کنید یک وام یک میلیون تومانی ضریب ریسک 50 درصدی داشته باشد. در آن صورت، بانک باید به اندازه 8 درصد دارایی موزون شده به ریسک (500000=50%x1000000) که برابر می شود با 40000 تومان سرمایه تامین و بقیه را از طریق منابع سپرده گذاران تامین کند.
بدین ترتیب سرمایه مورد نیاز برای این وام 1000000 تومانی برابر 40000 تومان خواهد بود، اما اگر ضریب ریسک همین وام 100 درصد بود، بانک باید به اندازه 80000 تومان از این مبلغ را از طریق سرمایه تامین می کرد.
با اجرای توافقنامه بال 1 در کشورهای مختلف، به تدریج موارد ضعف آن آشکار شد، برای مقال، براساس توافقنامه بال 1 انواع تسهیلات اعطایی دارای ضریب ریسکی 100 درصد هستند، صرف نظر از اینکه میزان ریسک اعتباری هر یک از آن ها ممکن است متفاوت باشد (رستی و سیرونی (2007) سایر ایرادهای توافقنامه بال 1 را به تفصیل مورد اشاره قرار داده اند)
در اواخر دهه 1990 میلادی با آشکار شدن موارد ضعف بیانیه اولیه، راه برای بازنگری و تجدید نظر در آن هموار و در ژوئن 1999، نخستین پیش نویس بیانیه دوم سرمایه ای موسوم به بال 2 ارائه شد. البته در نوامبر 2005 نسخه نهایی و بازنگری شده این توافقنامه ارائه شد.
توافقنامه بال 2 برخلاف بال 1 دارای ساختار کاملا پیچیده ای است. هدف از ارایه توافقنامه بال 2، رفع اشکالات توافقنامه بال 1 که بدان اشاره شد، بود. براساس توافقنامه بال 2، دو نوع رویکرد برای تخمین سرمایه مورد نیاز ریسک اعتباری تسهیلات خرد پیشنهاد شده است (کمیته نظارت بانکی بال، 2006):
رویکرد استاندارد
براساس رویکرد استاندارد سرمایه مورد نیاز برای مواجهه با ریسک اعتباری تسهیلات خرد برابر است با: K=8%x75%xEAD
به طوری که در این رویکرد، مبلغ EAD متناظر با کیفیت وثایق و تضمینات اخذ شده می تواند از مبلغ اصل تسهیلات کمتر باشد. به عبارت دیگر، در این رویکرد، در مقایسه با توافقنامه بال 1، بانک ها آزادی عمل بیشتری برای اخذ انواع وثایق به منظور تقلیل سرمایه مورد نیاز ریسک اعتباری دارند.
روش های طبقه بندی
برخی از رایج ترین روش های طبقه بندی مشتریان به گروه های ریسکی همگن به دو گروه پارامتریک و ناپارامتریک به شرح زیر طبقه بندی می شود:
- تحلیل ممیزی
- رگرسیون لاجیت و پروبیت
- هوش مصنوعی
- درختان رگرسیون و طبقه بندی
- سایر روش ها (الگوریتم ژنتیک، برنامه ریزی ریاضی، نزدیک ترین همسایگی و چگالی کرنل)
در حالی که در روش های پارامتریک توزیع احتمال خاصی برای متغیرهای پیش بین فرض می شود، در روش های غیر پارامتریک چنین فرضی مورد نیاز نیست. از آنجا که در واقعیت فروض مربوط به شکل توزیع برقرار نیست، روش های ناپارامتریک روش های قابل اتکاتری هستند.
تحلیل ممیزی نخستین بار توسط فیشر (1936) به عنوان یک تکنیک تمیز و طبقه بندی پیشنهاد شد. در این روش، مشتریان اعتباری یک تابع خطی از ویژگی های آن ها امتیازدهی و به دو گروه طبقه بندی می شوند. در صورتی که
امتیاز اعتباری یک مشتری کمتر از امتیاز برش (توسط تحلیلگر تعیین می شود) شود، وی در طبقه بندی پر ریسک و در غیر این صورت، در طبقه بندی کم ریسک طبقه بندی می شود.
به دلیل برخی محدودیت های روش تحلیل ممیزی مانند لزوم فرض نرمال بودن متغیرهای مستقل مدل، گرایش به سمت به کارگیری مدل لاجیت در طبقه بندی مشتریان اعتباری تغییر یافت. در این روش، از طریق حداثرسازی تابع حداکثر راست نمایی با این فرض که تابع چگالی احتمال دارای توزیع لاجیت است، احتمال قرار گرفتن هر یک از مشتریان اعتباری در طبقات نکول و غیر نکول برآورده می شود.
این روش یکی از رایج ترین تکنیک های اقتصادسنجی برای طبقه بندی مشتریان اعتباری است. تنها وجه تمایز روش رگرسیون پروبیت با لاجین شکل تابع چگالی احتمال بوده که به شکل نرمال است. به دلیل سادگی، مدل لاجیت به مدل پروبیت ترجیح داده می شود.
به تازگی با عنایت به ارتقای قابلیت های یادگیری رایانه ای از انواع روش های هوش عصبی برای مسائل طبقه بندی و امتیازدهی اعتباری استفاده می شود. رایج ترین مدل های ارزیابی ریسک اعتباری، شبکه های عصبی (ANN) و ماشین بردار پشتیبان (SVM) هستند.
رويکرد رتبه بندی داخلی بال 2 و سرمايه مورد نياز برای مواجهه با ريسک اعتباری
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=355758