Аналитика

В последние годы в сегментах микрокредитования и банковского розничного кредитования усиливается тенденция, при которой часть заемщиков вскоре после получения займа инициирует процедуру банкротства. Для кредитора это означает резкое ухудшение ожидаемого денежного потока по выданным займам, рост доли безнадежной задолженности и дополнительные издержки на сопровождение проблемного долга и юридические процедуры. На уровне портфеля даже умеренный рост частоты таких событий способен заметно ухудшить риск-профиль и финансовый результат, особенно в высокооборачиваемых продуктах с коротким горизонтом выдач.

               Классические скоринговые подходы, в первую очередь ориентированные преимущественно на историческую просрочку и текущую долговую нагрузку, могут недостаточно рано выявлять клиентов, чье поведение указывает на намерение или высокую вероятность последующего банкротства. Следовательно, требуется инструмент, который позволяет на этапе первичного решения оценивать именно вероятность получения заемщиком статуса банкрота в ближайшем будущем как самостоятельное целевое событие.

              В отличие от классического предсказания просрочки, предсказание вероятности наступления банкротства требует учитывать не только финансовую несостоятельность, но и паттерны кредитного поведения, предшествующие юридическому событию: особенности наращивания обязательств, динамику запросов и открытий новых кредитов, устойчивость/нестабильность платежной дисциплины, частоту реструктуризаций, а также признаки «перекредитования» и концентрации долговой нагрузки. Практика показывает, что потенциальные банкроты нередко демонстрируют специфичные косвенные характеристики в кредитной истории, которые могут быть формализованы в виде признаков и использованы в модели. Речь идет не о единичных «красных флагах», а о совокупности сигналов и их динамике во времени, позволяющих отделить заемщиков с временными финансовыми затруднениями от клиентов с повышенной вероятностью перехода к юридической процедуре.

             Далее описывается практическая часть исследования, посвященная построению модели, предсказывающей факт наступления юридического банкротства, а также принципам формирования обучающей выборки и определению целевых функций. Полученные результаты могут быть использованы риск-аналитиками и владельцами продуктов для повышения качества скоринга и снижения потерь, связанных с последующим банкротством заемщиков.

            В качестве исходной базы были выделены около 16 000 заемщиков, в кредитной истории которых присутствовала информация о проведении процедуры банкротства — как действующей, так и завершенной (тип статуса банкротства при отборе не дифференцировался). Такой подход позволил сформировать достаточный объем наблюдений, однозначно подтверждающих факт наступления целевого события. Затем в накопленной базе заявок Скористы были найдены исторические заявки некоторых из данных заемщиков, относящиеся к периоду до появления в кредитной истории признаков банкротства. Иными словами, на момент подачи соответствующих заявок заемщики еще не имели зафиксированной процедуры банкротства, однако в дальнейшем она наступила. Эти наблюдения будут отнесены к классу «плохих» (bad) в моделируемой выборке.

           Для формирования контрольной группы «хороших» (good) наблюдений случайным образом были отобраны заявки из сопоставимых временных периодов, по которым в дальнейшем не фиксировался факт проведения процедуры банкротства. Отбор из аналогичных периодов важен для снижения риска смещения, связанного с изменениями макроусловий, кредитной политики и доступности банкротных процедур во времени.

          На сформированной выборке были определены бинарные целевые переменные (таргеты), отражающие наступление банкротства в различных горизонтах прогнозирования. В частности, использовались таргеты: «банкротство в течение 30 дней», «в течение 60 дней», «в течение 90 дней», «в течение 180 дней», а также интервальные таргеты «не ранее 30 и не позднее 90 дней» и «не ранее 90 и не позднее 180 дней». Такой набор целевых функций позволяет сравнивать качество предсказания как на коротких горизонтах (более чувствительных к ближайшим рискам), так и на более длинных. В качестве предикторов использовались характеристики кредитной истории, доступные на момент принятия решения по заявке.

          Моделирование выполнялось методом логистической регрессии как базовым, интерпретируемым и широко применяемым инструментом в кредитном скоринге. По итогам обучения были получены модели с качеством разделения классов на уровне AUC выше 0.8, что указывает на высокую предсказательную способность в рамках сформированной постановки задачи и используемых таргетов. 

          На финальном этапе проводилась оценка моделей на тестовой выборке; из набора кандидатов были отобраны наиболее стабильные решения, после чего был сформирован общий ансамбль, предназначенный для повышения устойчивости качества и снижения чувствительности к частным особенностям отдельных таргетов и срезов данных. Показатели качества итогового ансамбля на выбранных целевых переменных:

      Ключевым результатом является высокая прикладная ценность модели в процессах андеррайтинга и скоринга. Внедрение модели позволяет точечно «вырезать» заявки с высокой оцененной вероятностью (более 70%) инициировать процедуру банкротства в ближайшие периоды, при этом влияние на общий уровень одобрения по портфелю остается минимальным. Такой эффект достигается за счет высокой концентрации будущих банкротов в относительно небольшом сегменте заявок.

       Выполненное исследование подтверждает, что юридическое банкротство заемщика является самостоятельным рисковым событием, требующим отдельного прогнозирования, а не «частным случаем» классической просрочки. Полученные модели показали, что значимые предикторы банкротства действительно отличаются по своей экономической логике от предикторов моделей просрочки. Если модели PD чаще «ловят» ухудшение текущей платежной дисциплины, то модель банкротства в большей степени опирается на косвенные характеристики кредитной истории, отражающие специфичную стратегию поведения и структурные изменения долговой нагрузки до наступления юридического статуса.

       Таким образом, предложенный подход формирует эффективный инструмент минимизации выдач заемщикам с высокой вероятностью последующего юридического банкротства. Его применение снижает ожидаемые потери и юридические издержки, улучшает устойчивость портфеля и повышает качество риск-управления без заметного ущерба для бизнес-показателей. В дальнейшем развитие решения может включать расширение набора источников данных, регулярный мониторинг стабильности предикторов, а также настройку порогов и стратегий использования скорингового балла под различные продуктовые сегменты и риск-аппетит кредитора.