Динамічне оцінювання ризиків і розробка антиризикових стратегій банківської діяльності
DOI:
https://doi.org/10.35681/1560-9189.2021.23.1.235111Ключові слова:
банківські ризики, індекс ризику, ступінь ризику, логістична регресія, випадковий ліс, XGBoost, моделі виживанняАнотація
Статтю присвячено розробці єдиного підходу до динамічного оцінювання ризиків і прогнозування можливих втрат банку. Запропоновано методологію, яка передбачає виконання основних етапів дослідження і емпіричного аналізу вхідних даних, оцінювання ймовірності та прогнозування очікуваних втрат, пов’язаних з можливим відтоком клієнтів. Показано два підходи до оцінювання втрат від появи ризиків: на основі втраченого балансу та через математичне сподівання втрат, зважених на ймовірність настання ризику відтоку клієнтів. Запропоновано індекс ризику та оцінювання «ваги» (внеску) клієнта у сукупний банківський баланс, що дозволило визначити допустимий, критичний і катастрофічний рівні та ступені ризику. Виконано дослідження періоду відтоку клієнтів із застосуванням моделей виживання. Розроблені математичні моделі оцінювання ймовірнрсті та прогнозування втрат на основі методу опорних векторів, градієнтного бустингу XGBoost, випадкового лісу, логістичної регресії, наївного байєсівського класифікатора дозволили отримати високі прогнозні оцінки точності і якості прогнозів можливих втрат за обома підходами до оцінювання втрат. Напрацьовані стратегії і рекомендації для банку дозволяють скоригувати стратегію його розвитку з урахуванням визначених і оцінених рівнів ризиків.
Посилання
Kuznietsova N.V., Bidyuk P.I. Teoriya i praktyka analizu finansovykh ryzykiv: systemnyy pidkhid/monohrafiya. Kyiv: Vyd-vo «Lira-K», 2020. 400 p.
Siddiki N. Skoringovye karty dlja ocenki kreditnyh riskov: per. s angl. E. Ilicheva. Moskva: Mann, Ivanov i Ferber, 2014. 268 p.
Kuznietsova N.V., Bidyuk P.I. Modelirovanie kreditnyh riskov na osnove teorii vyzhivanija. Problemy upravlenija i informatiki. 2017. No. 6. pp. 33–46.
Breiman L. Random forests. Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. doi: 10.1023/A:1010933404324
Cortes C., Vapnik V. Support-vector networks. Machine Learning. 1995. Vol. 20, No. 3. pp. 273–297.
Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics. 2001. Vol. 29, No. 5. P. 1189–1232. URL: https://www.jstor.org/stable/2699986?origin= JSTOR-pdf&seq=1
Friedman J. H. On bias, variance, 0/1—loss, and the curse-of-dimensionality. Data mining and knowledge discovery. 1997. Vol. 1, No. 1. pp. 55–77.
Shitikov V.K., Rozenberg G.S., Zinchenko T.D. Kolichestvennaja gidrojekologija: metody sistemnoj identifikacii. Toljatti: IJeVB RAN, 2003. 463 p.
Kuznietsova N.V., Seebauer M., Zabielin S. Some methods for estimating financial risks in banking. IEEE 1st Conf. on System Analysis and Intelligent Computing, SAIC 2018. 2018. pp. 271–274. URL: https://ieeexplore.ieee.org/document/8516873.
Kuznietsova N.V. Dynamichnyy metod otsinyuvannya ryzykiv u systemi finansovoho menedzhmentu. Reyestratsiya, zberihannya i obrob. danykh. 2019. T. 21. No.3. pp. 85–98. doi: 10.35681/1560-9189.2019.21.3.183724
Kuznietsova N.V., Bidyuk P.I. Dynamichne modelyuvannya finansovykh ryzykiv. Induktyvne modelyuvannya skladnykh system. 2017. Vyp. 9. pp. 122–137. URL: http://nbuv.gov.ua/UJRN/Imss_2017_9_15
Stepanova M., Thomas L.C. Survival analysis methods for personal loan data. Operations Research. 2002. Vol. 50, No. 2. pp. 277–289.
Havrylovych M., Kuznietsova N. Survival analysis methods for churn prevention in telecommunications industry. CEUR Workshop Proceeding. 2020. Vol. 2588. pp. 47–58. URL: http://ceur-ws.org/Vol-2577/paper5.pdf
Cox D. R. Regression Models and Life-Tables. Journal of the Royal Statistical Society, Series B. 1972. Vol. 34, No. 2. pp. 187–220.
