Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi
-
Upload
truongkiet -
Category
Documents
-
view
263 -
download
8
Transcript of Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi
![Page 1: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/1.jpg)
Kreditni rizik Kreditni rizik –– Modeliranje i izazoviModeliranje i izazovi
Vili Krainz
Stavovi izraženi tijekom ove prezentacije su isključivo
stavovi autora
1
![Page 2: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/2.jpg)
Što je kreditni rizik?Što je kreditni rizik?
� Rizik da jedna strana u financijskom ugovoru neće izvršiti obavezu dijelomično ili u cijelosti
� Rezultira gubitkom za drugu stranu
� Primjer – bankarski krediti
� Kreditni rizik – najmaterijalniji bankarski rizik� Kreditni rizik – najmaterijalniji bankarski rizik
� Upravljanje rizicima
◦ Identificirati
◦ Procijeniti
◦ Pratiti (Monitorirati)
◦ Smanjiti (gdje je moguće)
2
![Page 3: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/3.jpg)
Regulacija bankarskog sustavaRegulacija bankarskog sustava
� Banka nije obično trgovačko društvo!
� Integracija u financijski sustav i njegovu stabilnost
� Socijalna komponenta
� Potreba za reguliranjem (nadgledanjem) rada banaka!
� RH – Regulator bankarskog sustava je HNB� RH – Regulator bankarskog sustava je HNB
� Između ostaloga - nadgledanje upravljanja rizicima
� Banka mora biti dovoljno sigurna da može izdržati šokove i nepovoljne ekonomske uvjete, kao i redovno poslovanje
� Jedan od vidova regulacije – Minimalni kapitalni zahtjevi
� Kapitalni zahtjevi – Količina kapitala koju regulator zahtijeva od banke kako bi ocijenio da je dovoljno sigurna i dozvolio njeno daljnje poslovanje
3
![Page 4: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/4.jpg)
Basel regulatorni okvirBasel regulatorni okvir
� 1988. – BCBS – Basel I
◦ Samo kreditni rizik
◦ Standardizirani pristup – predefinirani ponderi
� 1996. – Market Risk Amendment
� 2004. – Basel II� 2004. – Basel II
◦ Operativni rizik
◦ Internal Rating Based (IRB) pristup
� EU - Capital Requirements Directive
� RH – Zakon o kreditnim institucijama, Odluka o adekvatnosti jamstvenog kapitala
� 2010. – Basel III – Implementacija tek slijedi
4
![Page 5: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/5.jpg)
Basel II regulatorni okvirBasel II regulatorni okvir
1. StupMinimalni regulatorni
zahtjevi
2. StupSupervizorski proces
revizije
3. StupTržišna disciplina
Kapitalni zahtjevi za...Kreditni rizik
Okvir za banke (ICAAP)- Alokacija kapitala
Izvještajni zahtjevi za bankeKreditni rizik- Standardizirani pristup- Osnovni IRB pristup- Napredni IRB pristupTržišni rizik- Standardizirani pristup- Interni VaR modeliOperativni rizik- Pristup osnovnih indikatora- Standardizirani pristup- Pristup naprednog mjerenja
(AMA)
- Alokacija kapitala- Upravljanje rizicima
Supervizorski okvir- Evaluacija internih sustava banke- Procjena profila rizika- Pregled usklađenosti sa
svim propisima- Supervizorske mjere
- Transparentnost za tržišne sudionike glede rizične pozicije banke
- Povećana usporedivost među bankama
5
![Page 6: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/6.jpg)
Standardizirani pristupStandardizirani pristup
� Osnovni pristup
� Izračun rizikom ponderirane aktive (RWA) - Predefinirani ponderi
� Primjer:
Klijent Izloženost banke Ponder RWA
� Kapitalni zahtjev = 12% * RWA = 57,600 kn
� Prilično konzervativno!
Republika Njemačka 1,000,000 kn 0% 0 kn
Neosigurani kredit fizičke osobe 200,000 kn 100% 200,000 kn
Stambeni kredit fizičke osobe u cijelosti osiguran hipotekom
800,000 kn 35% 280,000 kn
480,000 knUkupno 2,000,000 kn
6
![Page 7: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/7.jpg)
Internal ratingInternal rating--based (IRB) pristupbased (IRB) pristup
� Banka procjenjuje svoje parametre rizičnosti
� Direktna korist – Najčešće niži kapitalni zahtjevi!
� Kapitalni zahtjev se procjenjuje kao kvantil (99.9%) neke pretpostavljene razdiobe gubitaka, na horizont od godinu dana
7
![Page 8: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/8.jpg)
Osnovni pojmoviOsnovni pojmovi
� Default – Status neispunjavanja obveza druge ugovorne strane
◦ Prema Baselu – više od 90 dana kašnjenja ili neizglednost vraćanja duga (eng. unlikeliness to pay)
� Vjerojatnost ulaska u default (Probability of Default - PD)
� Gubitak zbog nastanka statusa neispunjavanja obveza (Loss Given Default – LGD)
� Izloženost u trenutku defaulta (Exposure at Default – EAD)
� Očekivani gubitak (Expected Loss – EL)
8
![Page 9: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/9.jpg)
Kvantifikacija gubitkaKvantifikacija gubitka
}
44 344 21IRBA
IRBF
EADLGDPDEL−
−
⋅⋅=
� Očekivani gubitak
� Neočekivani gubitak
� Ovisan o pretpostavkama o distribuciji� Ovisan o pretpostavkama o distribuciji
� Regulatorna formula
� Kapitalni zahtjev
5.1206.15.11
)5.2(1
1
)999.0()(11
⋅⋅
⋅−
⋅−+⋅
−
−
+⋅=
−−
b
bMPD
NPDNNLGDRWA
ρ
ρ
RWAK ⋅= %12
9
Sistemski rizik
Individualni rizikKorelacija unutar potfelja
![Page 10: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/10.jpg)
Procjena PD parametraProcjena PD parametra
� Osnova su kreditni scorecard modeli – Ekspertni ili statistički
� PrimjerDob Score
<22 0
22-45 20
>46 55
20
>46 55
Razina obrazovanja Score
NSS 10
SSS, VŠS 35
VSS i više 70
M
70
+
+
M
520Score >440 �
10
![Page 11: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/11.jpg)
Statistički scorecard modeliStatistički scorecard modeli
� Za koga - fizičke osobe ili trgovačka društva
� Aplikativni ili bihevioralni scorecard
� Na temelju povijesnih podataka nastojimo izvesti zaključke o budućnosti
Problem – utvrditi funkcijsku vezu između karakteristika � Problem – utvrditi funkcijsku vezu između karakteristika dužnika X1, X2, ... , Xn (pokretača rizika) i binarnog događaja defaulta (0/1), odnosno latentne varijable vjerojatnosti defaulta
11
![Page 12: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/12.jpg)
Aplikativne karakteristike fizičkih osobaAplikativne karakteristike fizičkih osoba
� Socio-demografske karakteristike:
◦ Starost, bračno stanje, rezidencijalni status...
� Ekonomske karakteristike:
◦ Razina obrazovanja, zanimanje, godine radnog staža...
� Financijske karakteristike:� Financijske karakteristike:
◦ Mjesečni dohodak, prosjeci mjesečnog dohotka...
� Karakteristike stabilnosti:
◦ Broj mjeseci na trenutnoj adresi, na trenutnom poslu...
� Karakteristike plasmana:
◦ Rata kredita, odobreni limit, ročnost kredita...
12
![Page 13: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/13.jpg)
Aplikativne karakteristike trgovačkih društavaAplikativne karakteristike trgovačkih društava
� Financijske karakteristike:
◦ Veličina
◦ Profitabilnost
◦ Likvidnost
◦ Rast◦ Rast
◦ Financijska poluga
� Kvalitativne karakteristike:
◦ Kvaliteta menadžmenta tvrtke
◦ Odnos s bankom
◦ Tržišna pozicija
M
13
![Page 14: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/14.jpg)
Bihevioralne karakteristikeBihevioralne karakteristike
� Broj dana kašnjenja
� Dospjelo nenaplaćeno dugovanje
� Različiti omjeri i trendovske varijable izvedene iz prethodnih karakteristika
� Iskorištenost kreditnih linija, prekoračenja po tekućem � Iskorištenost kreditnih linija, prekoračenja po tekućem računu...
� Broj ulazaka u default u određenom razdoblju
� Broj poslanih opomena
M
14
![Page 15: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/15.jpg)
Matematički model u pozadini...Matematički model u pozadini...
� Logit model – najčešće korišten
� Logistička regresija
kiki
i
ii xx
PD
PDscore βββ +++=
−= L110
1ln
iscoreii
i
i
ePDscore
PD
PD
+=⇔=
−
1
11ln
i
i ePD +
1
15
![Page 16: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/16.jpg)
Matematički model u pozadini...Matematički model u pozadini...
� Koristi se metoda maksimizacije funkcije vjerodostojnosti
∏=
−
+−⋅
+=
N
i
y
x
y
x
i
i
i
i eexyL
1
1
''1
11
1
1),|(
βββ
),|(max xyLMLE ββ =
� xik – karakteristika k, i-te obzervacije u uzorku
� yi – ishod i-te obzervacije u uzorku (1 – default, 0 – nije default)
),|(max xyLMLE ββ
β=
16
![Page 17: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/17.jpg)
Matematički model u pozadini...Matematički model u pozadini...
� Cilj scorecard modela u ovom stadiju je da dobro diskriminira dobre i loše dužnike (kredite)
� Prediktivnost se najčešće mjeri Gini indeksom
PR
R
aa
aGini
+=
17
![Page 18: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/18.jpg)
Kalibracija modelaKalibracija modela
� Nekoliko razloga:
◦ Kvantifikacija scorea i svođenje na standardnu rating skalu (Moody’s, S&P, Fitch...)
Score = 3.23 PD = 3.8% Rating = BB-
� S vremenom:
◦ Uzima u obzir promjene u rizičnosti portfelja
◦ Uzima u obzir promjene u prediktivnosti scorecard modela
18
![Page 19: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/19.jpg)
Kalibracija scorecard modelaKalibracija scorecard modela
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
Promjena rizičnosti portfelja
AAA AA A BBB BB B CCC CC CAAA AA A BBB BB B CCC CC CAAA AA A BBB BB B CCC CC C
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
AAA AA A BBB BB B CCC CC C
Distribucija Portfelja
Promjena prediktivnosti
19
![Page 20: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/20.jpg)
Rezultat scorecard modelaRezultat scorecard modela
25,00%
30,00%
35,00%
40,00%
45,00%
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
AAA AA A BBB BB B CCC CC C
Realized Default Rate
Estimated PD
20
![Page 21: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/21.jpg)
...ali to sve je samo manji dio priče......ali to sve je samo manji dio priče...
21
![Page 22: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/22.jpg)
Koraci u razvoju (i životnom ciklusu) modelaKoraci u razvoju (i životnom ciklusu) modela
1. Konstrukcija uzorka
2. Prikupljanje podataka iz baze podataka
3. Provjera kvalitete podataka
4. Univarijantna analiza
5. Priprema podataka (Kategorizacija varijabli)5. Priprema podataka (Kategorizacija varijabli)
6. Multivarijantna analiza
7. Validacija, Kalibracija, Testiranje
8. Monitoring modela
22
![Page 23: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/23.jpg)
Konstrukcija uzorkaKonstrukcija uzorka
� Čini se trivijalno “na prvu” – daleko od istine
� Jedan od najbitnijih koraka
� Ovisi o modelu odnosno namjeni
� Primjer:
◦ Aplikativni scorecard model za fizičke osobe za stambene kredite◦ Aplikativni scorecard model za fizičke osobe za stambene kredite
- Sve odobrene aplikacije za stambene kredite od 1.1.2011.-31.12.2011.
- Pripadni aplikativne karakteristike u trenutku apliciranja (vlasnik i kredit)
- Nove izvedene karakteristike
- Indikator defaulta (0/1) za svaku aplikaciju koji agregira informacije o delikventnosti u narednih godinu dana od datuma aplikacije
- Koliko vremena prođe od aplikacije do isplate kredita, prve rate?
- Što napraviti ako netko ima poček ili moratorij?
- Izuzeća iz uzorka?
23
![Page 24: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/24.jpg)
Prikupljanje podatakaPrikupljanje podataka
� Kompleksnost prikupljanja podataka – dodatna, vremenska dimenzija
� Jesu li svi podaci koje želimo dostupni?
� Jesu li podaci dostupni direktno/indirektno?
� Direktno – modelari vrše ekstrakciju podataka – točnije i � Direktno – modelari vrše ekstrakciju podataka – točnije i preciznije, ali potrebno dodatno vrijeme i ekspertiza
� Indirektno – netko drugi (IT stručnjaci) priprema podatke za nas – često zna biti iterativan, dugotrajan i mukotrpan posao, s većom mogućnošću pogreške
24
![Page 25: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/25.jpg)
Provjera kvalitete podatakaProvjera kvalitete podataka
� Je li podatak pouzdan, smislen?
� Nerijetko postoji više izvora podataka (npr. Data Warehouse, Core sustav banke itd.), a podaci su međusobno neusklađeni – je li ikoji podatak točan? Koji?
� Multiplicirani unosi
� Nedostajuće vrijednosti� Nedostajuće vrijednosti
� Outlieri
� Problem – Odrediti koje informacije su smislene, a koje problem loše kvalitete podataka
� Dugoročno isplativije za potrebe modeliranja odbaciti sve varijable sumnjive kvalitete
� Konstrukcija novih potencijalno prediktivnih varijabli (relativne)
� Analiza distribucija varijabli
25
![Page 26: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/26.jpg)
Univarijantna analizaUnivarijantna analiza
� Prediktivnost svake zasebne varijable (Information value, Gini indeks...)
� Stabilnost varijable kroz vrijeme
� Prati li varijabla očekivanu poslovnu logiku
Dob Stopa Defaulta
� Grupiranje (kategorizacija) varijabli – balans između robusnosti i prediktivnosti
Dob Stopa Defaulta
<30 3.47%
[30, 55] 1.86%
>55 2.73%
Tzv. U-oblik
26
![Page 27: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/27.jpg)
Priprema podataka (Kategorizacija varijabli)Priprema podataka (Kategorizacija varijabli)
� Kategoričke varijable – ulaze u regresiju preko tzv. dummy
varijabli
� Primjer:
Rezidencijalni status Varijabla
Vlasnik nekretnine d_res_vlasnik (0/1)
� Numeričke varijable – izbor ulaska u numeričkom ili kategoričkom obliku (npr. mj. dohodak 0-3000, 3000-7000, 7000+)
U najmu d_res_najam (0/1)
Živi s roditeljima d_res_rod (0/1)
Ostalo d_res_ostalo (0/1)
kikii xxscore βββ +++= L110
27
![Page 28: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/28.jpg)
Priprema podataka (Kategorizacija varijabli)Priprema podataka (Kategorizacija varijabli)
� Numerički oblik numeričke varijable:
◦ “Precizniji” model
◦ Što sa outlierima?
◦ Što sa nedostajućim vrijednostima?
◦ Potrebna je transformacija varijable u slučaju nelinearnog odnosa
� Kategorički oblik numeričke varijable:
◦ Robusniji model
◦ Automatski tretira mogući nelinearan odnos i “legitimne” outliere i nedostajuće vrijednosti
◦ Moguća posebna kategorija za ostale outliere i/ili nedostajuće vrijednosti
◦ Nakon kategorizacije potrebna provjera prediktivne moći
28
![Page 29: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/29.jpg)
Multivarijantna analizaMultivarijantna analiza
� Analiza međusobne korelacije među varijablama kandidatima za finalni model
� Nepoželjno jer je zbog visoke (apsolutne) korelacije nezavisnih varijabli nepreciznija procjena koeficijenata modela (prakse 0.4-0.7)
� Najčešće se izbacuje varijabla manje prediktivne moći� Najčešće se izbacuje varijabla manje prediktivne moći
� Logistička regresija – zadržavaju se varijable koje zadovoljavaju određenu razinu značajnosti (1%-5%)
� Analiza koeficijenata scorecard modela
� Finalni model 6-12 varijabli
29
![Page 30: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/30.jpg)
Validacija, Kalibracija, TestiranjeValidacija, Kalibracija, Testiranje
� Validacija na testnom uzorku (80/20, 70/30...) ili bootstrap metodom
� Kalibracija modela
� Testiranje modela
◦ PD vs. Stopa defaulta po rating razredima◦ PD vs. Stopa defaulta po rating razredima
◦ Stabilnost modela po scoreu
◦ Koncentracija
◦ Testiranje za sve svrhe u koje će se model koristiti
◦ Granični score za dodjelu kredita (tržišni udio vs. profitabilnost)
M
30
![Page 31: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/31.jpg)
Monitoring modelaMonitoring modela
� Praćenje čitavog niza pokazatelja (prediktivnost, stabilnost, koncentracija...)
� Praćenje i anticipiranje utjecaja promjena u okruženju (internom i eksternom) na modele
� Provjere da se model koristi za namijenjene svrhe i na pravi Provjere da se model koristi za namijenjene svrhe i na pravi način (odobravanje kredita, cross-selling, strateško planiranje, risk-based pricing...)
� Monitorira se i interakcija među modelima – scorecardi, PD, LGD, EAD modeli
31
![Page 32: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/32.jpg)
Životni ciklus scorecard modelaŽivotni ciklus scorecard modela
RazvojPad
prediktivne moći
Trajanje ciklusa:
• Aplikativni Scorecard –
2-3 godine
• Bihevioralni Scorecard –
4-5 godina
ImplementacijaMonitoring i Rekalibracija
32
![Page 33: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/33.jpg)
Što bi sve trebao znati dobar modelar?Što bi sve trebao znati dobar modelar?
� Rad s bazama podataka i poznavanje njihove strukture
� Programiranje (SQL, PLSQL, SAS, Matlab, C...)
� Matematika i statistika
� Ekonomija i financije
� Regulatorni okvir i zakoni� Regulatorni okvir i zakoni
� Poslovno okruženje (organizacija financijske institucije, kreditna politika...)
� “Soft skills”
33
![Page 34: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/34.jpg)
ZaključakZaključak
� Moramo biti svjesni ograničenja modela – nije zamjena ekspertnom znanju i iskustvu niti zdravom razumu
� Obavezna je suradnja modelara i eksperata
� Modeli se rade na “starim” podacima – uvijek kaskaju za aktualnom situacijomza aktualnom situacijom
� Pažljivi monitoring i osvježavanje modela je apsolutno nužno
� Percepcija risk managera od strane okoline
34
![Page 35: Kreditni rizik Kreditni rizik – Modeliranje i izazovi Modeliranje i izazovi](https://reader034.fdocuments.net/reader034/viewer/2022052203/5875ecd51a28ab9c028b4ef1/html5/thumbnails/35.jpg)
Za kraj...Za kraj...
"A bank is a place that will lend you money if you can prove that
you don't need it." -- Bob Hopeyou don't need it." -- Bob Hope
35