Привет студент

2 Анализ и прогнозирование кредиторской задолженности заемщиков «Банка Таганрог»

2.1 Прогнозирование уровня суммарной кредиторской задолженности

На первом этапе проведем прогнозирование уровня суммарной кредиторской задолженности. Это обосновывается тем, что уровень суммарной кредиторской задолженности отражает то насколько верную политику использует банк в потребительском кредитовании. Если уровень суммарной кредиторской задолженности с каждым годом снижается, то банк успешно кредитует население и вмешательство в кредитную политику не требуется. И наоборот, рост суммарной кредиторской задолженности покажет необходимость для банка более подробного исследования причин невозврата кредитов и выявления средств их устранения.

На рисунке 2.1 представлен график ряда суммарной кредиторской задолженности.

Рисунок 2.1 – График ряда суммарной кредиторской задолженности в 2005-2011 гг.

Согласно рисунку 1 видим существенный рост суммарной кредиторской задолженности в период 2008-2009 года, что объясняется началом финансового кризиса.

Для предположения типа ряда была построена автокорреляционная функция, представленная на рисунке 2.2.

Рисунок 2.2 – Оценка АКФ ВР суммарной кредиторской задолженности

Убывающая АКФ с высокими значениями на первых лагах дает основания предполагать, что исследуемый ряд нестационарный.

Для подтверждения предположений воспользуемся параметрическими и непараметрическими тестами проверяющими наличие тренда математического ожидания и дисперсии. Результаты приведены в таблицах 2.1-2.2.

Для определения типа ВР используем обобщенный тест Дики-Фулера и критерий KPSS, результаты приведены в таблице 2.3.

Таблица 2.1 – Проверка на наличие тренда математического ожидания

Критерий	Условие выполнения	Вывод
1	2	3
Критерий Стьюдента	tнабл>tкр	Тренд есть
Критерий Фишера	Fнабл>Fкр	Тренд есть

Таблица 2.2 – Проверка на наличие тренда дисперсии

Критерий	Условие выполнения	Вывод
1	2	3
Двухсторонний критерий Фишера	Tнабл<tкр2	Тренд дисперсии есть
Критерий Кокрена	Fнабл>Fкр	Тренд дисперсии есть

Результаты проверки критериев подтверждают предположение о наличии тренда мат. ожидания и дисперсии.

Таблица 2.3 – Проверка типа ряда

Критерий	Условие выполнения	Вывод
1	2	3
ADF-тест	Fнабл>Fкр	Ряд типа DS
KPSS-тест	Fнабл>Fкр	Ряд типа DS

Результаты применения критериев ADF и KPSS говорят о том, что имеем ряд типа DS. Следовательно, будем искать модель в классе моделей АРПСС.

Используя подход Бокса-Дженкинса были получены все адекватные модели из класса АРПСС. Наилучшие значения согласно критериям Акаике и Шварца дала модель АРПСС(1,1,1):

. (2.1)

Регрессионные остатки в полученной прогнозной модели распределены нормально (Приложение Б).

По полученной модели был построен прогноз на 1 год вперед. Прогнозные значения приведены в таблице 2.4, а график прогноза приведен на рисунке 2.3.

Таблица 2.4 – Прогнозные значения суммарной кредиторской задолженности на 2012 год

Дата	Прогнозное значение	Нижняя граница	Верхняя граница
1	2	3	4
01.01.12	61056,6	58133,14	63890
01.02.12	61535	56819	57251
01.03.12	62007	56576,27	67438
01.04.12	62474	55990	68957
01.05.12	62835	55449	70420
01.06.12	63390	54931	71849
01.07.12	63840	54423	73256
01.08.12	64284	53920	74648
01.09.12	64723	53415	76030
01.10.12	65156	52907,19	77405

Согласно полученным результатам прогнозируется дальнейший рост суммарной кредиторской задолженности в случае, если банк не изменит свою кредитную политику в рамках оценки благонадежности заемщиков.

Осуществим выравнивание уровней временного ряда на основе метода экспоненциального сглаживания, суть которых заключается в том, что уровни исходного временного ряда взвешиваются скользящей средней, с экспоненциальным характером изменения весов.

Рисунок 2.3 –График прогнозных значений

Прогнозная модель запишется в следующем виде:

, (2.2)

где S_t - значение экспоненциальной средней;

α- параметр сглаживания, a - постоянная величина, 0 < a < 1;

β = 1-α - параметр затухания;

t = 1,2,..., T;

S₀ - величина, характеризующая начальное условие.

Величина S_t - взвешенная сумма всех членов ряда. Причем веса отдельных уровней ряда убывают по мере их удаления в прошлое (в зависимости от возраста наблюдений). Экспоненциальная средняя играет роль «фильтра», поглощающего колебания временного ряда. С одной стороны, следует увеличивать вес более свежих наблюдений, что может быть достигнуто повышением а, с другой стороны, для сглаживания случайных отклонений величину а нужно уменьшить.

Модель экспоненциального сглаживания с аддитивным сезонным эффектом имеет вид:

, (2.3)

где f_t – некоторый усредненный уровень временного ряда в момент t после устранения сезонного эффекта;

g_t - аддитивный показатель сезонности;

t = 1,2,..., T.

Модель экспоненциального сглаживания с мультипликативным сезонным эффектом имеет вид:

, (2.4)

где m_t - мультипликативный показатель сезонности; t = 1,2,..., T.

В результате применения экспоненциального сглаживания была построена прогнозная модель вида:

(2.5)

Согласно полученной прогнозной модели в октябре 2012 года размер кредиторской задолженности составит 67 890 рублей. Полученные прогнозные модели дают приближенно равные результаты. Для обобщения результата прогноза построим обобщенный прогноз.

Для этого рассчитаем следующие показатели точности по контрольной выборке.

Показатели точности прогноза, рассчитанные по контрольной выборке, доказывают, что полученные прогнозные значения уровня суммарной кредиторской задолженности – хорошие.

Таблица 2.5 – Показатели точности прогноза

Название показателя точности	Значение показателя точности моделей
	АРПСС(1,1,1)	ЭС
1	2	3
СК ошибка прогноза	622,47	1642,7
Ср. ошибка аппроксимации, %	2,5138	5,6749
Скорр. ср. ош. аппроксимации, %	1,2816	3,1477
Ст. ошибка прогноза	485,45	1233,7
Коэффициент детерминации	0,9795	0,9046

Показатели точности прогноза, рассчитанные по контрольной выборке, доказывают, что полученные прогнозные значения уровня суммарной кредиторской задолженности – хорошие, однако модель класса АРПСС более высокого качества, чем модель, полученная в результате применения экспоненциального сглаживания. Построим с помощью этих моделей обобщенный прогноз уровня суммарной кредиторской задолженности в банке «Таганрог», предварительно определив для каждой из них вероятности участия в обобщенном прогнозе. Результаты представлены в таблице 2.6.

Таблица 2.6 – Обобщенный прогноз уровня суммарной кредиторской задолженности заемщиков

Значение	АРПСС(1,1,1)	ЭС
1	2	3
СК ошибка	622,47	1642,7
1	2	3
1/СК ошибка	0,0016	0,0006
Весовой коэффициент	0,7096	0,2904

Таким образом, наибольшая доля в обобщенном прогнозе приходится на прогноз по модели САРПСС, качество которого является наилучшим.

Следовательно, обобщенный прогноз имеет вид:

. (2.6)

Таким образом, наименьший вклад в обобщенный прогноз внесла модель экспоненциального сглаживания. Наибольший – модель с авторегрессии проинтегрированного скользящего среднего.

Результаты обобщенного прогноза представлены на рисунке 2.4

Согласно полученным результатам (рисунок 2.4) в 2013 году продолжится рост кредиторской задолженности.

Рисунок 2.4 – График обобщенного прогноза

Также были рассмотрены основные направления кредитной политики банка. В результате проведенного анализа кредитного портфеля (рисунок 2.5) было выявлено, что более 50% в портфеле занимают потребительские кредиты населению.

Рисунок 2.5 - Объем кредитного портфеля

Далее будем рассматривать модели оценки кредитоспособности потенциальных заемщиков банка, с цель повысить эффективность существующей кредитной политики.

2.2 Выявление факторов, оказывающих влияние на наличие у заемщиков задолженности

Первым этапом построения модели бинарного выбора является отбор и анализ показателей, влияющих на наличие у заемщика задолженности по кредиту. Информационная база исследования была сформирована на основе анкетных данных клиентов банка на момент подачи кредитной заявки. Имеются следующие показатели:

x₁ – срок кредита (мес.);

x₂- месячный уровень дохода (руб.);

x₃- стаж (1 – менее двух лет; 2 – 2-5 лет; 3 – 5-10 лет; 4 – 10-20 лет; 5 – более 20 лет);

x₄- семейное положение (0 – нет; 1 - да);

x₅- возраст (лет);

x₆- наличие других кредитов (0 – нет; 1 - да);

x₇- наличие недвижимости (0 – нет; 1 - да);

x₈ - наличие предыдущих кредитов (0 – нет; 1 - да);

x₉ - наличие иждивенцев (0 – нет; 1 - да);

y - Отсутвие задолженности (1 – есть задолженность, 0 – нет задолженности).

После анализа данных и исключения всех неудовлетворительных записей получили выборку, содержащую информацию о 1000 заемщиках, исходные данные представлены в приложении Б.

Далее проверим влияние указанных показателей на наличие у клиентов кредиторской задолженности.

Основные статистические методы, использующиеся в анализе отдельных характеристик, основываются на сравнении благонадежных и неблагонадежных заемщиков.

Рассчитаем информационное значение IV, предложенное профессором Ковалевым как статистический показатель, определяющий степень зависимости переменных.

Данный показатель позволяет определить, насколько хорошо с помощью данной переменной можно определить принадлежность заемщика к классу благонадежности: чем больше значение IV, тем больше значимость переменной и как следствие оказывает ли этот показатель влияние на наличии задолженности.

Результаты рассчета переменной IV представлены в таблице 2.7.

Таблица 2.7 – Результат рассчета Информационного значения

Характеристика	IV	Значимость
1	2	3
Срок кредита	0,004506	Незначимая
Средний ежемесячный доход заемщика	0,36055	Сильно значимая
Стаж	0,096406	Малозначимая
Семейное положение	0,473882	Сильно значимая
Возраст заемщика	0,633788	Сильно значимая
Наличие других текущих кредитов	0,341411	Сильно значимая
Наличие собственного жилья	0,271344	Значимая
Наличие предыдущих кредитов	0,096413	Малозначимая
Наличие иждивенцев	0,085948	Малозначимая

Согласно таблице 7 можно сделать следующие выводы.

К незначимым переменным относится переменная «Срок кредита». Это может быть обусловлено тем, что для банка одинаково важны как краткосрочные, так и долгосрочные займы. К малозначимым относятся переменные «Стаж», «Наличие предыдущих кредитов» и «Наличие иждивенцев». Это может быть обусловлено теми факторами, что в зависимости от сферы получения дохода люди с разным стажем имеют разный ФОТ, а малозначимость второй переменной обусловлена большим количеством новых клиентов.

Значимой переменной была признана переменная «Наличие собственного жилья». Это обусловлено тем, что если заемщик не в силах погасить свою кредиторскую задолженность банк в праве потребовать часть имеющегося движимого и недвижимого имущества в количестве имеющейся задолженности. Все остальные переменные были признаны статистически сильнозначимыми, что свидетельствует о необходимости их включения в последующие модели, так как они значимо влияют на показатель кредитоспособности.

Далее проведем анализ качественных показателей на основе таблиц сопряженности. На предыдущем этапе были отобраны следующие показатели, влияющие на показатель благонадежности.

Проанализируем взаимосвязь номинальных показателей «кредитоспособность» и «стаж». Показатель «стаж» отражает в себе сколько лет заемщик работает на последнем месте работы.

Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.6.

Наблюдаемый уровень значимости р<0.05 свидетельствует о взаимосвязи этих двух показателей (нулевая гипотеза отвергается). Таким образом, чем больше стаж потенциального заемщика, тем более благонадежным его видит банк.

Рисунок 2.6 - Таблица сопряженности в пакете Gretl для признаков «Кредитоспособный» и «Стаж»

Проанализируем взаимосвязь номинальных показателей «кредитоспособность» и «семейное положение».

Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.7.

Рисунок 2.7 – Таблица сопряженности в пакете Gretl для признаков «Кредитоспособный» и «Семейное положение»

Значение р<0.05 свидетельствует о взаимосвязи этих двух показателей. Таким образом, видим, что состояние в браке делает заемщика более благонадежным в глазах банка.

Проанализируем взаимосвязь номинальных показателей «кредитоспособность» и «другие кредиты». Показатель «другие кредиты» отражает в себе наличие у заемщика других текущих кредитов.

Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.8.

Рисунок 2.8 – Таблица сопряженности в пакете Gretl для признаков «Кредитоспособный» и «Наличие других текущих кредитов»

Значение р<0.05 свидетельствует о взаимосвязи этих двух показателей (Рисунок 2.8). Таким образом, видим, что наличие других текущих кредитов снижает потенциальную кредитоспособность заемщика.

Проанализируем взаимосвязь номинальных показателей «кредитоспособность» и «предыдущий кредит». Показатель «предыдущий кредит» отражает в себе наличие у заемщика положительной кредитной истории.

Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.9. Наблюдаемое р-значение свидетельствует об отсутствующей взаимосвязи этих показателей.

Рисунок 2.9 – Таблица сопряженности для признаков «Кредитоспособный» и «Наличие положительной кредитной истории»

Проанализируем взаимосвязь номинальных показателей «Кредитоспособность» и «Наличие иждивенцев». Показатель «Наличие иждивенцев» отражает в себе наличие у заемщика иждивенцев. Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.10.

Рисунок 2.10 – Таблица сопряженности для признаков «Кредитоспособный» и «Наличие иждивенцев»

Наблюдаемый уровень значимости р>0.05, что свидетельствует о отсутствующей взаимосвязи показателей кредитоспособность и наличие иждивенцев.

Проанализируем взаимосвязь номинальных показателей «кредитоспособность» и «наличие недвижимости». Показатель «наличие недвижимости» отражает в себе наличие у заемщика в собственности недвижимого имущества.

Теоретическое распределение вероятностей, а также значение статистики представлены на рисунке 2.1.

Рисунок 2.11 – Таблица сопряженности в пакете Gretl для признаков «Кредитоспособный» и «Наличие недвижимости»

Значение р<0.05 свидетельствует о взаимосвязи этих двух показателей. Таким образом, видим, что лица, имеющие в собственность недвижимость воспринимаются банком как более кредитоспособные.

Таким образом, видим, что значение статистики IV и анализ таблиц сопряженности дают практически одинаковые результаты. Несмотря на наличие незначимых показателей мы не исключим эти показатели чтобы посмотреть на них в процессе моделирования.

Таким образом, на наличие у заемщика задолженности оказывают влияние следующие показатели: пол, семейной положение, наличие других кредитов, доход, стаж, наличие собственного жилья. При этом взаимосвязи с наличием предыдущих кредитов, а также количеством иждивенцев у заемщика обнаружено не было. Срок кредита также не оказывает влияние на благонадежность заемщика, чтобы может быть объяснено широкой линейкой банковских продуктов по данному показателю.

На данный момент благонадежность заемщиков банки оценивают чаще всего оценивают с помощью скоринговых карт или бинарных моделей. Следовательно, для того, чтобы исследование проблемы было более полным, а также чтобы можно было практически обосновать для банка необходимость введения более широкой классификации заемщиков, построим и проанализируем бинарную модель множественной регрессии.

Для оценки данной модели воспользуемся ППП Gretl. После исключения факторов, оказывающих незначимое влияние, получили оценки коэффициентов модели, представленные в Таблице 2.8.

Таблица 2.8 - Оценки коэффициентов модели

Продолжение таблицы 2.8

1	2	3	4	5
стаж	0,19	0,0639	2,989	0,0386
семейное положение	0,35	0,055	2,263	0,0714
возраст	0,011	0,0069	1,61	0,0023
наличие других кредитов	-0,622	0,0775	-3,507	0,0754
наличие недвижимости	0,593	0,0559	3,809	0,0261

Оценка функции регрессии принимает следующий вид (формула 2.7).

. (2.7)

Проанализируем полученную модель. Чем выше стаж и возраст заемщика, тем более банк расположен выдать кредит. Также банк отдает предпочтение заемщикам, состоящим в браке и имеющим собственную недвижимость, не имеющим других текущих кредитов. Наличие собственной недвижимости также повышает шансы получить кредит.

Для проверки качества полученной модели построим ROC-кривую. В нашем случае была построена следующая ROC кривая, представленная на рисунке 2.12.

В банке выбрана стратегия строгого отбора заемщиков, направленная на максимальное выявление неблагонадежных клиентов, а значит, следует отдать предпочтение более высокому порогу, который соответствует высокой чувствительности, например, точке 22.03 (чувствительность более 94%).

Рисунок 2.12 – ROC-кривая

Таким образом, при помощи логистической регрессии ROC-анализа осуществляется управление рисками в кредитовании, хотя ROC-анализ может быть применен к любой модели, в которой есть выходное непрерывное поле.

Были оценены ошибки 1-ого и 2-ого рода. В результате можно сделать вывод, что ошибка I рода – положительные примеры, классифицированные как отрицательные наблюдалась в 39,6% случаях, а ошибка II рода - отрицательные примеры, классифицированные как положительные в 26,59% случаях, что говорит о невысоком качестве полученной модели.

Это свидетельствует о необходимости дальнейшего исследования клиентской базы коммерческого банка.

2.3 Анализ клиентской базы банка методом ассоциативных возможностей

С целью выявления портрета наиболее типичного заемщика используем поиск ассоциативных правил.

Целью анализа является установление следующих зависимостей: если встретился некоторый набор элементов X, то на основании этого можно сделать вывод о том, что другой набор элементов Y также же должен появиться.

Согласно предложенной методике исходные данные представляют собой наборы транзакций. Транзакция – это множество событий, произошедших одновременно.

Необходимо найти закономерности между этими событиями. Как в условии, так и следствии правила должны находиться элементы транзакций.

Пусть – множество элементов, входящих в транзакцию. – множество транзакций.

Ассоциативным правилом называется импликация , где Х и У – подмножества элементов из I, которые не пересекаются.

Поддержкой правила называется относительная частота совместного появления объединения Х и У в множестве транзакций D и представимо в виде формулы (2.8):

, (2.8)

где – количество транзакций содержащих ;

n – общее число транзакций.

Достоверность правило – это относительная частота совместного появления X и Y в подмножестве транзакций из D, представимо в виде формулы (2.9):

, (2.9)

где – количество транзакций содержащих условие X.

Она показывает, какова оценка условной вероятности Y при условии X.

Таким образом, набор представляет интерес, если его поддержка выше определенного пользователем минимального значения. Эти наборы называют часто встречающимися [16,21].

Однако в большинстве случаев, количество правил необходимо ограничивать заранее установленными минимальными и максимальными значениями поддержки и достоверности.

Если значение поддержки правила слишком велико, то в результате работы алгоритма будут найдены правила очевидные и хорошо известные. Слишком низкое значение поддержки приведет к нахождению очень большого количества правил, которые, возможно, будут в большей части необоснованными, но не известными и не очевидными для аналитика. Таким образом, необходимо определить такой интервал, который с одной стороны обеспечит нахождение неочевидных правил, а с другой - их обоснованность.

В настоящее время существуют большое число различных алгоритмов построения ассоциативных правил [13].

С целью выявления скрытых закономерностей и составления портретов потенциальных благонадежных и неблагонадежных заемщиков проведем поиск ассоциативных правил в базе данных о заемщиках.

Исследовалась группа физических лиц, подававших заявку на получение кредита в банк «Таганрог» в 2011 году.

Для анализа был выбран уровень минимальной поддержки равный 0,2, уровень максимальной поддержки равный 0,8, а также достоверность ассоциативных правил в диапазоне 0,4-0,9. Фрагмент полученных правил представлен на рисунке 2.13.

В результате исследования было получено 83 правила, по которым заемщика можно классифицировать как кредитоспособного. Так как некоторые из полученных правил являются следствием из предыдущих количество правил было уменьшено с целью повысить качество формируемого портрета потенциального благонадежного заемщика.

Таким образом, из 83 полученных правил были отобраны 34, в следствии которых отражено кредитоспособен ли заемщик.

Рисунок 2.13 – Фрагмент множества ассоциативных правил в аналитической платформе Deductor

Полученный набор представлен в виде дерева правил на рисунке 2.14.

Рисунок 2.14 – Визуализатор «Дерево правил»

Из представленного на рисунке 2.14 дерева правил выделим следующие правила:

1) если у заемщика имеется собственное недвижимое имущество, то при с достоверностью 0,75 он будет классифицирован как благонадежный. Это обусловлено тем, что в случае если заемщик не отвечает по своим долговым обязательствам банк возместит свои потери в счет имеющегося имущества;

2) если заемщик имеет доход выше среднего, то с достоверностью 0,74 у него будет отсутствовать задолженность. Это обусловлено тем, что при таком уровне дохода заемщик в состоянии отвечать своим долговым обязательствам практически при любом размере кредита;

3) у заемщиков, состоящих в браке с достоверностью 0,73 будут отсутствовать задолженность по кредиту. Это связано с тем, что размер располагаемых средств и сбережений у заемщиков, состоящих в браке больше, чем у не состоящих;

4) если заемщик имеет положительную кредитную историю, то с достоверностью 0,71 он будет осуществлять все платежи по кредиту вовремя. Это обусловлено тем, что в случае если заемщик брал кредит и погасил задолженность вовремя, то даже имея не высокие показатели по другим параметрам он может являться благонадежным. Такая ситуация распространена для заемщиков с низким уровнем заработной платы, но имеющим дополнительный неофициальный доход.

Также можно рассмотреть обобщенные ассоциативные правила, которые характеризуют благонадежность заемщика на основании двух и более условий.

Были отобраны следующие правила, характеризующие благонадежного заемщика следующие:

1) если заемщик имеет стаж работы выше среднего и берет кредит в первый раз, то с достоверностью 0,75 он будет классифицирован как благонадежный. Это обусловлено тем, что заемщики зная о том, что все региональные и федеральные банки имеют общую базу некредитоспособных физических лиц, стремятся погасить кредит вовремя;

2) если заемщик имеет другой текущий кредит и подает заявку на получение микрозайма на срок до двух недель, то с достоверностью 0,81 он будет классифицирован как благонадежный. Это обусловлено тем, что в случае такие ситуации чаще всего возникают при необходимости у заемщика покрыть кредит в другом банке. В случае выдачи этого микрозайма заемщик получает положительную кредитную историю, что повышает уровень его репутации перед банком;

3) самый высокий уровень достоверности, равный 0,87 соответствует классу заемщиков от 30 до 40 лет, которые женаты и имеют стаж на последнем месте работы от 5 до 10 лет.

Также был составлен портрет потенциального некредитоспособного заемщика на основе набора обобщенных ассоциативных правил:

1) если заемщик имеет стаж работы ниже среднего и не имеет положительной кредитной истории, то с достоверностью 0,72 он будет иметь задолженность по кредиту;

2) если заемщик имеет другой текущий кредит и подает заявку на получение долгосрочного займа, то с достоверностью 0,75 он будет иметь задолженность;

3) если заемщик попадает в возрастную категорию до 20 лет, не женат и имеет стаж работы не более двух лет, то с достоверностью 0,87 заемщик будет иметь задолженность по кредиту.

На основании обобщенных правил были портреты портреты благонадежных и неблагонадежных заемщиков.

Таким образом, некредитоспособный заемщик характеризуется следующим образом:

1) имеет стаж ниже среднего;

2) не имеет положительной кредитной истории;

3) имеет другие текущие кредиты;

4) подает заявку на получение долгосрочного займа;

5) имеет возрастную категорию до 20 лет;

6) заемщик не состоит в браке;

7) имеет стаж работы не более двух лет.

Портрет кредитоспособного заемщика характеризуется следующим образом:

1) имеет саж выше среднего;

2) имеет положительную кредитную историю;

3) имеет другие текущие кредиты;

4) подает заявку на получение микрозайма;

5) имеет возрастную категорию от 30 до 40 лет;

6) заемщик состоит в браке;

7) имеет стаж работы от 5 до 10 лет.

Также были составлены портреты заемщиков в зависимости от срока желаемого кредита. Для банка необходимость таких портретов обусловлена тем, что это позволит выделить наиболее доходные и наиболее безопасные виды кредитов.

Так, краткосрочный займ обычно берут молодые люди с положительной кредитной историей, имеющие стаж на последнем месте работы от двух до пяти лет.

Среднесрочные займы обычно берут заемщики состоящие в браке, в возрасте от 30 до 40 лет, имеющие положительную кредитную историю и характеризующиеся наличием иждивенцев.

Долгосрочные займы берут заемщики, состоящие в браке, имеющие собственную недвижимость, стаж работы более десяти лет, а также с положительной кредитной историей.

Микрозаймы обычно берут молодые люди, не состоящие в браке, имеющие другие текущие кредиты и не имеющие положительной кредитной истории. Это объясняется тем, что цель получения микрозайма чаще всего погасить другой текущий кредит, то есть это самый рисковый вид кредитования по срокам кредита.

Таким образом, применение анализа ассоциативных правил позволило выявить наиболее рисковые группы заемщиков по срокам кредита, а также сформировать портреты потенциальных благонадежных и неблагонадежных заемщиков.

Таким образом, в данной главе было осуществлено прогнозирование уровня кредиторской задолженности, результаты которого показывают тенденцию к росту задолженности заемщиков. Это обуславливает необходимость совершенствования методов оценки кредитоспособности заемщиков. Для этого был осуществлен отбор скоринговых параметров и оценена бинарная логит-модель. Невысокое качество полученной модели обуславливает необходимость выделения большего количества групп заемщиков. Сформированные на основе анализа ассоциативных правил портреты заемщиков показали, что все параметры могут оказывать значимое влияние на кредитоспособность в зависимости от возможных комбинаций.