Application of the Scoring Approach to Monitoring Function of Central Bank Credit Registry
Loading...
Date
2021
Authors
Filatov, Vladyslav
Kaminsky, Аndriy
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
The Central Bank Credit Registry was established in Ukraine in 2018. The two key functions which are fulfilled by Credit Register are monitoring and credit information sharing. This paper is devoted to applying a scoring approach for monitoring function realization in segments of individuals. The logic of using scoring tools to monitoring is based on an objective to create an effective form which reflects the dynamic of the above-mentioned segment. Data mining procedures for Credit Registry were realized and most significant characteristics were chosen. Correlation analysis for characteristics was applied. Different approaches to construct scoring for monitoring functions were analyzed. Namely, logistic regression, Machine Learning, method grounded on tree created by the XGBoost algorithm. Last method demonstrated the best efficiency for scoring construction and can be developed for implementation.
The views expressed are those of the authors and do not necessarily reflect those of the National Bank of Ukraine.
У 2018 р. було створено Кредитний реєстр Національного банку України, базовими функціями якого є моніторинг кредитної системи та обмін кредитною інформацією між банками. Основна мета роботи полягала в обґрунтуванні скорингового підходу до реалізації моніторингової функції та побудови скорингу на основі даних реєстру. Цей підхід у статті розглянуто в сегменті фізичних осіб, інформація про кредитування яких передається до реєстру. Першим кроком для досягнення мети дослідження було застосовано процедури Data Mining. Побудовано статистично значущу вибірку, до якої застосовано процедури "очищення" даних щодо викидів та технічних помилок. Другим кроком ідентифіковано бінарну змінну "дефолт" та сукупність характеристик, які можуть бути використані під час побудови скорингу. Третім кроком проведено комплексний аналіз пояснювальних характеристик методами кореляційного аналізу та поетапної селекції (stepwise selection). Проведено тестування нелінійного зв’язку між характеристиками та здійснено оцінку їх інформаційної значущості. Сформовано сукупність значущих характеристик, до якої увійшли такі характеристики, як строк кредиту, відсоткова ставка, підтверджений і непідтверджений дохід тощо. На цій основі здійснено побудову скорингів за допомогою різних методів. Зокрема, застосовано методи логістичної регресії та машинного навчання. Аналіз результатів показав, що застосування методу Extreme Gradient Boosting Trees дає кращі результати скорингового оцінювання кредитів. Зокрема, спостерігаються менші значення середнього квадратичного відхилення та більші значення коефіцієнта детермінації. Незважаючи на вищу ефективність одного з методів, автори рекомендують використовувати обидва методи для більш повного і ґрунтовного аналізу досліджуваної проблеми. З допомогою методу логістичної регресії можна оцінити залежність між залежною змінною та характеристиками, доступними в реєстрі. З іншого боку, метод Extreme Gradient Boosting Trees ефективніший для побудови саме скорингової моделі, яка пропонується в роботі для здійснення функції інтегрального моніторингу. Результатами проведеного дослідження є: 1) оцінка значущості даних Кредитного реєстру для здійснення макропруденційного моніторингу; 2) побудований скоринг інтегральної оцінки якості кредитів, ефективність якого визначено компаративним аналізом при застосуванні різних методів побудови.
У 2018 р. було створено Кредитний реєстр Національного банку України, базовими функціями якого є моніторинг кредитної системи та обмін кредитною інформацією між банками. Основна мета роботи полягала в обґрунтуванні скорингового підходу до реалізації моніторингової функції та побудови скорингу на основі даних реєстру. Цей підхід у статті розглянуто в сегменті фізичних осіб, інформація про кредитування яких передається до реєстру. Першим кроком для досягнення мети дослідження було застосовано процедури Data Mining. Побудовано статистично значущу вибірку, до якої застосовано процедури "очищення" даних щодо викидів та технічних помилок. Другим кроком ідентифіковано бінарну змінну "дефолт" та сукупність характеристик, які можуть бути використані під час побудови скорингу. Третім кроком проведено комплексний аналіз пояснювальних характеристик методами кореляційного аналізу та поетапної селекції (stepwise selection). Проведено тестування нелінійного зв’язку між характеристиками та здійснено оцінку їх інформаційної значущості. Сформовано сукупність значущих характеристик, до якої увійшли такі характеристики, як строк кредиту, відсоткова ставка, підтверджений і непідтверджений дохід тощо. На цій основі здійснено побудову скорингів за допомогою різних методів. Зокрема, застосовано методи логістичної регресії та машинного навчання. Аналіз результатів показав, що застосування методу Extreme Gradient Boosting Trees дає кращі результати скорингового оцінювання кредитів. Зокрема, спостерігаються менші значення середнього квадратичного відхилення та більші значення коефіцієнта детермінації. Незважаючи на вищу ефективність одного з методів, автори рекомендують використовувати обидва методи для більш повного і ґрунтовного аналізу досліджуваної проблеми. З допомогою методу логістичної регресії можна оцінити залежність між залежною змінною та характеристиками, доступними в реєстрі. З іншого боку, метод Extreme Gradient Boosting Trees ефективніший для побудови саме скорингової моделі, яка пропонується в роботі для здійснення функції інтегрального моніторингу. Результатами проведеного дослідження є: 1) оцінка значущості даних Кредитного реєстру для здійснення макропруденційного моніторингу; 2) побудований скоринг інтегральної оцінки якості кредитів, ефективність якого визначено компаративним аналізом при застосуванні різних методів побудови.
Description
Keywords
credit risk, credit registry, central bank, scoring, article, кредитний ризик, кредитний реєстр, центральний банк, скоринг
Citation
Filatov V. Application of the Scoring Approach to Monitoring Function of Central Bank Credit Registry / V. Filatov, A. Kaminsky // Наукові записки НаУКМА. Економічні науки. - 2021. - Т. 6, Вип. 1. - С. 73-83. - https://doi.org/10.18523/2519-4739.2021.6.1.73-83