Statistinių kredito rizikos vertinimo modelių efektyvumo analizė

LTBankų vidaus kredito reitingų modeliais yra vertinama klientų kredito rizika. Norint nustatyti šių modelių efektyvumą turi būti skaičiuojami tam tikri kiekybiniai rodikliai. Straipsnyje pateikti kredito rizikos vertinimo modelių efektyvumą apibūdinantys rodikliai ir jų skaičiavimas: teisingo ir klaidingo klasifikavimo rodikliai, I ir II rūšies klaidos, modelių jautrumas ir specifiškumas, F-įvertis, ROC kreivė. Siekiant nustatyti dažniausiai naudojamų kredito rizikos vertinimo metodų efektyvumą buvo analizuojamos mokslinės publikacijos, kuriose aprašyti įvairių autorių sudaryti kredito rizikos vertinimo modeliai. Atlikus analizę nustatyta, kad tiksliausiai banko klientų kredito rizika įvertinama logistinės regresijos ir neuronų tinklų metodais. Mažiau patikimi metodai yra sprendimų medžiai ir diskriminantinė analizė. Taip pat buvo sudaryti 3 kredito rizikos vertinimo modeliai (dirbtinių neuronų tinklai), kuriais analizuoti Lietuvoje veikiančių įmonių duomenys. Suskaičiavus šių modelių efektuvumo rodiklius nustatyta, kad didžiausias įmonių klasifikavimo tikslumas pasiekiamas analizuojant 3 metų duomenis. Rodikliai leido įvertinti įmonių klaidingo klasifikavimo riziką bei kitas klasifikavimo charakteristikas. Remiantis šiais rodikliais galima objektyviai priimti sprendimą dėl bankų vidaus kredito reitingų modelių tinkamumo naudoti vertinant klientų kredito riziką. [Iš leidinio]Reikšminiai žodžiai: Banko klientų klasifikavimas; Kredito rizika; Modelių efektyvumo rodikliai; Classification of banks clients; Credit risk; Model efficiency rates.

ENBanks always seek to reduce potential loss due to crediting not reliable clients. So they must be able to to estimate credit risk of each client properly. One of possible instruments for credit risk measure is use of internal credit rating models in banks. Bank must determine significant attributes and select methods for credit risk estimation so that possibility of false decisions would be minimized. In most cases more than one model can be constructed and there is a problem which model to use in bank's activity. In practice the best model must be used so for the comparison of different models certain rates of models efficiency must be calculated. The purpose of paper is to define the indicators of statistical credit risk estimation models efficiency and to analyze the efficiency of created credit risk estimation models. In this paper rates of credit risk estimation models were described: correct classification and misclassification rates, false negative and false positive rates, model sensivity and specificity, F-measure, ROC analysis. Analysis of scientific publications about credit risk estimation models has shown that the most efficient of the most commonly used methods are logistic regression and artificial neural networks. Also three artificial neural networks models (multilayer perceptions) were constructed. The most efficient model analyses data about clients of 3 years. Models efficiency rates allowed to estimate risk of client misclassification and other characteristics. Also they help make a decision which model to use in practice. [From the publication]