リスク管理における複数の貸出データの分析と適用方法
金融リスク管理では、債務者の返済能力の評価が重要視されます。資産負債比率が大きすぎると、債務超過に陥った場合、金融機関はその人に融資をし続けることになり、貸し倒れのリスクが大きくなります。
借り手、あるいは借り手企業の返済能力を示す数多くの指標の中でも、多重融資は中核的な指標です。
マルチ・レンディングとは、1人の借り手が2つ以上の金融機関に融資を申し込むこと。多重貸付に関するデータは、一般的に少なくとも銀行ベースの多重貸付とノンバンクベースの多重貸付に大まかに分類されます。直近7日間、直近15日間、直近1ヶ月間、直近3ヶ月間、直近6ヶ月間、直近12ヶ月間に分類されます。
MultiLender は、申請件数のカウントに加え、申請機関数、申請間隔最長日数、申請間隔最短日数、申請記録月、月平均申請件数、月最大申請件数、月最小申請件数もカウントします。
一人の利用者の返済能力には限界があるため、複数からの借入は必然的にリスクが高くなります。一般的に、借り手が複数いるということは、その借り手がより経済的に困窮しており、返済能力を疑われる理由があることを意味します。
MLR は借り手の返済能力により効果的に対応できるため、MLR データは基本的に借り手の信用リスクと不正リスクの評価に使用されます。
借り手の次元的特徴としての多重借入は、多くの後期指標と組み合わせて分析することができます。
上表の例1では、過去7日間にNBFIsが機関プラットフォームを申請した件数を分析し、異なるプラットフォーム数を申請した顧客について、顧客ベースの分布シェア、FPD30%、FPD30-DPD90+%、通過注文量、FPD30注文量、DPD90+注文量、DPD90+%をそれぞれカウントします。統計後のデータを通じて、過去7日間にNプラットフォーム番号を申請した顧客の様々な延滞指標の傾向を分析します。例えば、上図の例1のFPD30%の増加のように、これはさらに戦略のカットオフポイントを見つけるか、または遡及分析から顧客ベースを除外するために使用されます。
複数の借入と貸出がモデル変数にあまり存在しない主な理由は2つあります。
まず、複数の貸し借りに関するデータは、戦略の同僚によってルールに適用されることがよくあります。
データモデリングの目的は、特徴工学的な手法によって、金融上の弱い変数から有効な識別変数を抽出し、スコアリングモデルを構築することです。そのため、複数の貸出データについては、戦略ルールですでに適用されているため、モデル変数に追加する必要はありません。もし読者が長期貸付変数とともに提出されたスコアリングモデルレポートを見た場合、モデリング担当者はすでに稼働しているストラテジールールセットについて事前知識を持っていなかったか、優れたモデルパフォーマンス指標のためにそれを使わざるを得なかったかのどちらかでしょう。
第二に、複数の貸し借りに関するデータは、カバー範囲が不完全な傾向があります。
多重借入はリスクと強く関連するものの、その発見率が批判されてきました。
例えば、1 ヶ月に複数の金融機関からローンを借りている場合、その特徴として、頻繁にローンを借りているにもかかわらず、特定の人物が MFP で捕捉されていない可能性が非常に高くなります。この特徴をモデル変数にすると、この変数は非常にノイジーになります。逆に、不正防止策にすれば、ノイズの問題を心配する必要はなく、棄却ラインが直接切り捨てのために選択され、最大の影響、つまり、十分な数のユーザーを棄却しないことも、ノイズの少ないモデルで補うことができます。
多重貸借は一般に、戦略上のルールとして、また戦略における拒絶の次元として、リスク管理プロセス全体に関与しています。異なる金融機関、異なるクレジット商品、異なるシナリオでは、多重貸付の拒絶ライン区分が異なります。風管理戦略アナリストにとって、どのように最適な多重借入拒絶ラインを見つけるかは、風管理作業の核心作業です。
まだ上図の例1を例として、現在の7日マルチプラットフォーム用の回線不合格のルールの数を6に分けると仮定すると、つまり、7日マルチプラットフォームの数≧7が不合格になります。全体の合格率を向上させるために、一部の顧客を7日間マルチプラットフォームルールから除外したい場合、この時の不合格ライン切りはどこで分けるべきでしょうか？
もしあなたが緊急の調整に対応していない状況の率を通じて、事前に7日、7-10顧客のマルチプラットフォーム数を免除することができ、テストサンプルとして、単一のボリュームの分布を通じて、顧客の7-10グループを生成するために使用され、その後、拒絶線は6に戻って、両方の統計分析表を生成することができます：
上記例2のオレンジ色の部分は、すべて分析による予測で、例えば、7-10のFPD30％は、上記例1の異なるマルチプラットフォーム番号のFPD30％の平均増加率0.7％により予測されます。
推定計算式 8FPD30% = 7FPD30% + 0.7%。その他の指標（FPD30、DPD90など）については、別途計算。
**FPD30-DPD90+%移行率は、異なる7日間マルチプラットフォーム・カウントのDPD90+%を予測するために使用されます。7-10日のFPD30-DPD90+%予測には、MAX(0-6 FPD30-DPD90+%)予測法を使用できます。
この後、異なる7日間のマルチプラットフォームカウントについて、リジェクトラインCutoffのFPD%とDPD%を測定したところ、以下のようになりました：
図 1 と図 3 の例について、Cutoff_DPD% を比較すると、ルール拒否のラインセットが >=7 の場合の DPD%は 3.0%、>=8 の場合の DPD%は 3.0%、>=9 の場合の DPD%は 3.3%でした。ルール拒否ラインを>=8に設定した場合のDPD%は増加しませんでした。この時点で、7日間のマルチプラットフォームカウントの拒否ラインを7に調整することを提案してみることができます。
もちろん、この戦略分析方法にはまだいくつかの欠点があります。例えば、この方法は観察するためのテストサンプルが必要で、合格率を迅速に調整する需要を満たすことができないこと、7日間でマルチプラットフォーム数のFPD30%の増加の実際の状況は線形成長ではなく、経験豊富な戦略アナリストは、FPD30%はあるノードで指数関数的に増加しなければならないことを知っています。
しかし、戦略アナリストは、上記のようなサンプルテストの方法を常に相互に行い、分析結果を実際の状況に照らして検証することで、戦略調整の経験を蓄積することができるからこそ、ルールの分布に一定の感度を持つことができるのです。これが、戦略分析の専門家と一般の戦略アナリストとのギャップです。
リスクマネジメントの道は、常に試行錯誤の連続の中で、皆に励まされながら最適解を見つけること。
