Szelekciós torzítás és csökkentése az adósminősítési modelleknél

A bankoknak létérdeke, hogy minél több és jobb minőségű adatot szerezzenek az ügyfelekről, és ezekből minél több információhoz jussanak az ügyfelek fizetési képességével és hajlandóságával kapcsolatban. Ezt a célt szolgálja az adósminősítéshez használt credit scoring is. A credit scoring módszerek széleskörű alkalmazásának ellenére még mindig vannak a módszertannak olyan aspektusai, amelyek nem kaptak elegendő figyelmet sem a szakirodalomban, sem a gyakorlatban. A modellépítési minta reprezentativitásának kérdése például ilyen terület. Az adósminősítési modellek általában nem reprezentatív mintán épülnek, hiszen itt tipikusan csak azoknál az ügyfeleknél rendelkezünk teljes adatállománnyal, akik átestek egy hitelbírálati folyamaton és elfogadták őket. Ha csak a befogadott ügyfelek adatait használják a modellek építéséhez, akkor megkérdőjelezhető lesz azok érvényessége, hiszen a befogadottak és az elutasítottak eloszlása valószínűleg különbözik a szisztematikus elbírálási folyamat eredményeként, így a befogadottak nem reprezentálják a teljes sokaságot jelentő összes kérelmezőt. Ezt a jelenséget nevezzük elutasítási torzításnak (reject bias), vagy általánosabban szelekciós torzításnak. A dilemmára az elutasítottak jellemzőinek felhasználásával történő modellépítés (reject inference) jelenthet választ. Ez tulajdonképpen annak becslése, hogy hogyan viselkedett volna az elutasított kérelmező, ha megkapta volna a hitelt. A dolgozatban a credit scoring modelleknél fellépő szelekciós torzítás csökkentésére használható módszerekkel foglalkozunk. A jelenség vizsgálata a magyarnyelvű szakirodalomból szinte teljesen hiányzik, csak említés szintjén találkozhattunk vele. A témaválasztást elméleti érdekességén túl gyakorlati jelentőssége is indokolta. Hiszen ha csak egy kicsit is sikerül javítani a modellek teljesítményén, az óriási profitnövekedést, és/vagy kockázatcsökkenést eredményezhet a bankok számára, mivel nagy volumenű kihelyezésekről van szó. A kockázatok pontosabb értékelése ugyanakkor az ügyfelek számára is előnyös, mert a jó adósok számára a kockázati felár csökkentését teszi lehetővé, vagy megfelelő kockázati felárral olyanok is kaphatnak hitelt, akiket eddig elutasítottak. Az adósminősítési modelleknél fellépő szelekciós torzítás adathiányból eredő probléma, hiszen a korábban elutasított banki ügyfelek esetén a hitelkockázatot (hitelvisszafizetést) leíró eredményváltozó értéke hiányzik (nem megfigyelhető), ezért a dolgozatban a szelekciós torzítás csökkentését szolgáló módszerek ismertetése előtt a hiányzó adatok típusait és kezelésük lehetséges módjait, valamint a credit scoring feladatát és a leggyakrabban alkalmazott módszereket is áttekintjük. Összegezve elmondható, hogy az elutasítottak tényleges és imputált adatainak alkalmazásának haszna függ az elutasítási aránytól, a mintabeli és sokasági eloszlásoktól és az alkalmazott statisztikai feltételek teljesülésétől. Az alkalmazott feltételek teljesülése azonban általánosságban nem tesztelhető, így a torzítás csökkentésének egyetlen robusztus és megbízható módja, ha az elutasítottak egy részét ténylegesen meghitelezik és így figyelik meg viselkedésüket és esetleges bedőlésüket. Az empirikus kutatás keretében egy valós banki adatbázison (lakossági hitelkártya adatokon) vizsgáltam az ezzel a módszerrel elérhető javulást, annak költségeit és várható hasznait, és a modellszámítások eredményeként a gyakorlati szakemberek számára hasznosítható ajánlásokat fogalmaztam meg.

Name dc:type.qualificationname

phd

Level dc:type.qualificationlevel

doctoral

Grantor dc:publisher.institution

Budapesti Corvinus Egyetem

Year dc:date.issued

2009

Author dc:creator

• Oravecz, Beatrix

• Statisztika
• Pénzügy

Language dc:language

hu