Анализ методов оценки кредитоспособности ЗАО "Демир Кыргыз Интернэшнл Банк"

Третья проблемой при составлении методик оценки качества потенциальных заемщиков, во-первых, является качественный подбор показателей, необходимых для проведения объективной оценки потенциальных заемщиков, так как именно от них зависит результат анализа финансовой отчетности предприятия, а, следовательно, и группа риска, к которой будут в последствии отнесены заемщики.

Во-вторых, коэффициенты, используемые для анализа, не всегда могут дать объективную характеристику финансового состояния заемщика в связи с инфляцией, особенностями состояния в экономике КР, спецификой деятельности заемщика в зависимости от отраслевой принадлежности, что требует сравнения со среднеотраслевыми показателями при отсутствии необходимой для сравнения информации.

Четвертая проблема: какие значения коэффициентов считать нормативными. На Западе значения коэффициентов, характеризующих фирму, рекомендуется сравнивать с ее более ранними показателями и со средними показателями по отрасли, к которой данное предприятие относится, а при долгосрочной оценке финансового состояния организаций обращается внимание на накопленные статистические данные о банкротствах. В условиях нашей страны реализовать такую рекомендацию трудно.

И наконец, пятая проблема, заключается в том что, предоставляемой заемщиком информации не достаточно для проведения качественного финансового анализа. Предприятия, в большинстве своем, не составляют отчеты о движении денежных средств, что делает невозможным проведение анализа денежных потоков - одного из главных и необходимых этапов оценки заемщиков.

Следует отметить, что свести к минимуму кредитный риск, лишь путем анализа кредитоспособности заемщика и прогнозирования погашения кредита нельзя. Даже при оценке заемщика как первоклассного следует определить внешние источники средств, пригодные для погашения долга банку в случае невозможности погашения самим заемщиком кредита за счет его эффективного использования. Это также является одним из методов минимизации кредитных рисков.

В настоящее время в банковской практике такими внешними источниками являются средства от реализации заложенных заемщиком ценностей, средства третьих лиц - гарантов и поручителей, исполняющих обязательства по погашению долга банку вместо несостоятельного заемщика.

Наиболее распространенной формой обеспечения обязательств заемщика по погашению долга является залог. Одновременно он порождает и наибольшее количество проблем. В качестве требований, предъявляемых к залогу, можно выделить его приемлемость и достаточность. Приемлемость залога определяется его качеством, а оно в значительной степени зависит от возможностей кредитора в будущем реализовать заложенные заемщиком ценности при непогашении кредита. На ликвидность залога влияет ряд факторов и, прежде всего, правильная оценка залога. Не следует завышать стоимость залога при ориентации на рыночные (договорные) цены, необходимо учитывать возможность частичной потери рыночной стоимости в период действия договора залога.

Кроме того, банк по возможности должен убедиться и в том, что заемщик захочет вернуть кредит и уплатить проценты по нему. Это также трудная задача, поскольку касается таких характеристик заемщика, как личные качества, моральный облик, репутация и т.д.

3.2 Решение проблем и пути совершенствования методов оценки кредитоспособности заемщика в ЗАО «ДКИБ»

На современном этапе существуют возможности для решения такого рода проблем, что способствует успешной реализации кредитной политики коммерческого банка.

Для решения ключевой задачи кредитной политики ЗАО «ДКИБ» - улучшения оценки кредитоспособности заемщика необходимо:

1. Разработать автоматизированную систему оценки кредитоспособности заемщиков банка

2. Использовать расширенный набор финансовых коэффициентов, поскольку применение ограниченного их количества снижает качество проводимого анализа;

3. Использовать для анализа кредитоспособности, в дополнение к анализу на основе финансовых коэффициентов, анализ денежного потока клиента;

4. Кроме традиционного анализа финансового положения предприятия-заемщика необходимо анализировать моральные качества клиента и его способность заработать деньги для погашения кредита, поскольку от этого, как показывает опыт, в значительной степени зависит своевременность и полнота возвращения заемных средств;

5. Прибегать к услугам независимых аудиторских компания, для более детального и глубокого выяснения положения дел потенциального заемщика.

6. Предлагать клиентам открытие расчетных счетов в ЗАО «ДКИБ» для отслеживания использования денежных средств.

С целью наиболее полного сбора информации о заемщике и его репутации банк использует изучение его финансовых отчетов и документов, выезды сотрудников на места для личного интервью с клиентом, запросы в банки, предприятия, страховые компании и другие учреждения об опыте их общения с данным клиентом, использование возможностей межбанковских структур (как пример можно привести межбанковскую службу безопасности, которая занимается сбором, обработкой и предоставлением информации о заемщиках).

Новой и наиболее эффективной с точки зрения отбора и дальнейшего «отсева» неблагонадежных заемщиков, возврат которыми полученного кредита вызывает сомнения у банка, а также снижения кредитного риска кредитного портфеля и, следовательно, коммерческого банка в целом, является методика оценки кредитоспособности основанная на нейронных сетях.

Дело в том что основным показателем кредитоспособности заемщика в практике банков Кыргызстана, является его кредитный рейтинг.

Процесс присвоения кредитного рейтинга заключается в переходе от группы показателей, в основном финансовых, к единственному интегрированному значению - рейтингу. Инструментом такого перехода в большинстве случаев служит уравнение линейной зависимости. При этом веса показателей, участвующих в расчете рейтинга, устанавливаются банками на субъективной основе. Однако там, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо, основным инструментом становятся нейросетевые методы.

Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью нейронных сетей, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика.

НС нелинейны по своей природе и представляют собой мощный метод моделирования, воспроизводящий сложные зависимости.

Основной областью приложений НС был военно-промышленный комплекс. Однако широкие возможности решения банковских и финансовых задач привели к тому, что ряд крупных разработчиков НС занялся созданием систем, нацеленных на решение исключительно банковских проблем. Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью НС, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика.

Применительно к анализу кредитоспособности заемщика обучение НС происходит следующим образом: имеется совокупность предприятий с уже присвоенными кредитными рейтингами. Этим рейтингам соответствуют значения количественных и качественных показателей, содержащиеся в кредитном досье. В процессе наблюдений НС вычисляет вес каждого показателя, учитывающегося при расчете кредитного рейтинга. Полученные значения весов корректируются до тех пор, пока рассчитываемые с помощью этих весов кредитные рейтинги всей исходной совокупности заемщиков не совпадут с заданными значениями. В этом случае ошибка обучения будет сведена к нулю, а НС воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом.

Процесс решения задачи с помощью НС начинается со сбора данных для обучения. Обучающий набор данных представляет собой уже известную информацию, для которой указаны значения входящих и выходящих переменных. Выбор переменных, по крайней мере первоначальный, может осуществляться интуитивно. На первом этапе рассматривается вся совокупность переменных, которые способны оказывать влияние на результат. Затем это множество сокращается.

Ранее мы показали, что оценка кредитоспособности проводится на основе всестороннего анализа деятельности заемщика. Это, например, и расчет финансовых коэффициентов, и определение величины денежного потока, и учет отраслевых особенностей деятельности, макроэкономического положения в стране. Совокупность такой информации о деятельности заемщика и представляет собой набор входящих переменных. Такому набору данных соответствуют уже рассчитанные значения кредитных рейтингов, т.е. выходящие переменные.

Вопрос о том, какие данные взять в качестве входных для НС, - один из самых сложных. Это объясняется несколькими причинами. Во-первых, при решении реальных задач часто неизвестно, как прогнозируемый показатель связан с имеющимися данными. Поэтому собираются разнообразные данные в больших объемах; среди этих данных предположительно есть и важные, и такие, ценность которых не известна и сомнительна. Во-вторых, в задачах нелинейной природы среди параметров могут быть взаимозависимые и избыточные. Например, каждый из двух параметров может сам по себе ничего не значить, но вместе они несут чрезвычайно важную информацию. Поэтому попытки ранжировать параметры по степени значимости могут оказаться неправильными. И наконец, иногда лучше просто убрать некоторые переменные, в том числе несущие значимую информацию, чтобы уменьшить число входных переменных, а значит, и сложность задачи, и размеры сети. Проблема значительного усложнения расчетов за счет незначительного увеличения числа входящих переменных получила название «проклятие-размерности».

Единственный способ получить гарантию того, что входящие данные выбраны наилучшим образом, - перепробовать все возможные варианты входных наборов и выбрать наилучший. На практике сделать это невозможно из-за огромного количества вариантов. Одно из действенных средств решения вопроса генетический алгоритм отбора входных данных.

Разработки в области нейронных сетей показали возможность использования НС в качестве надежного и действенного инструмента анализа в сфере расчета кредитных рисков заемщиков - юридических и физических лиц.

На этапе обучения на вход НС необходимо подавать информацию, характеризующую экономическую деятельность заемщика. Такая информация может быть основана на уже существующих кредитных досье коммерческого банка. В качестве выходящей информации, необходимой для обучения НС, используются уже рассчитанные на основании входящих показателей кредитные рейтинги. В процессе обучения НС выявляет нелинейные зависимости между показателями и рейтингом. Обучение НС происходит по методу обратного распространения ошибки. Цель обучения состоит в минимизации ошибок при присвоении кредитных рейтингов заданной совокупности предприятий. Обучение идет до тех пор, пока веса показателей, а следовательно, и функция связи показатели - рейтинг не «научится правильно» классифицировать предприятия, т.е. пока рассчитанные НС рейтинги не будут совпадать с заданными. После завершения обучения на вход НС будем подавать информацию аналогичного формата, по которой необходимо определить значение кредитного рейтинга.

Итак, можно сделать выводы:

1. Нейронные сети представляют собой инструмент моделирования, способный воспроизводить сложные нелинейные зависимости. Одно из главных приложений НС в банковской сфере - оценка кредитоспособности заемщика.

2. Изучение нелинейных связей происходит во время так называемого обучения сети, когда значения входящих переменных сопоставляются с выходным результатом. Наиболее распространенным алгоритмом обучения является метод обратного распространения. В том случае, если существует большой набор входящих переменных и невозможно определить степень влияния переменной на результат, используют генетический алгоритм, позволяющий воспроизводить биологические процессы.

3. Если на этапе обучения сети сопоставить финансовые показатели заемщика и значение его кредитного рейтинга, то полученные зависимости можно использовать в дальнейшем при анализе новых заемщиков.

4. В процессе обучения можно опираться не только на количественные, но и на качественные показатели, например, фазу экономического цикла и качество менеджмента. Это позволяет практически исключить возникновение субъективных ошибок.

5. Нейронные сети представляют собой качественно новый, надежный инструментарий работы по оценке кредитоспособности заемщика.

Таким образом, на основе вышеприведенного анализа можно сделать вывод, что для повышения эффективности оценки кредитоспособности банку следует:

1) Оптимизировать оценку кредитоспособности заемщика за счет автоматизации системы оценки кредитоспособности и более тщательного анализа заемщика.

2) Использование помимо классических методик оценки кредитоспособности заемщика, факторные модели, как Ж. Де Поляна, Спрингейта, R-модели и Альтмана.

3) Одновременно наряду с применяемыми моделями ввести практику использования нейронных сетей, что позволит проводить более качественную оценку кредитоспособности заемщика, а это в свою очередь будет вести к снижению риска неплатежеспособности.

Заключение

Подводя итоги, еще раз целесообразно подчеркнуть актуальность темы. Все больше и больше внимания уделяется состоянию заёмщика, обратившегося за кредитом в банк. Цель любого кредитора - это полный анализ финансового состояния заёмщика в динамике, анализируя который будет легко сказать, сможет ли данная компания погасить кредит и проценты по нему целиком и в срок. И уже в зависимости от полученных результатов банк решает, на какой срок стоит выдавать кредит, в каком объёме и какой должен быть залог.

В этой связи в дипломной работе изучены методы оценки кредитоспособности заемщика, применяемые в практике большинства коммерческих банков Кыргызстана а так же методика, применяемая одним из ведущих коммерческих банков - ЗАО «Демир Кыргыз Интернэйшнл Банк».

Автором была произведена комплексная оценка кредитоспособности крупного предприятия - ЗАО «Шоро». Оценка кредитоспособности заемщика ЗАО «Шоро» с помощью финансового анализа состояния предприятия, финансовых коэффициентов кредитоспособности и по бальной методике оценки кредитоспособности заемщика, применяемой в ЗАО «Демир Кыргыз Интернэйшнл Банк»

Так же были рассчитаны дополнительные модели Альтмана, R-model, Ж. Де Паляна и модель Спрингейта.

На основании проведенной оценки кредитоспособности заемщика можно сделать следующие выводы:

1. При оценке кредитоспособности заемщика с помощью вертикального и горизонтального анализов выяснилось, что на конец 2012 года совокупные активы компании составили 227,2 млн. сом, увеличившись с началом года на 25%. Основной причиной послужило увеличение балансовой стоимости основных средств за счет покупки оборудования. Это связано, прежде всего, со стабильным ростом компании, который заключается в расширении производственной базы предприятия.

Доля краткосрочных обязательств в 2012 году увеличилась на 13,6% и составила 26%, но доля долгосрочных обязательств и собственного капитала снизились на 4% (39,9%) и 9,6% (34,1%) соответственно. Увеличение доли краткосрочных обязательств связано с выпуском долговых ценных бумаг.

Выручка ЗАО «Шоро» за анализируемый период имеет тенденцию роста так к концу 2011 года данный показатель увеличился на 9,8%, приравняв выручку предприятия к 148,6 млн. сом, при этом рост в абсолютном выражении составил на 13,3 млн. сом. А к концу в связи с ростом покупательной активности 2012 году сумма выручки выросла на 27,5% и составила 205,1 млн. сом.

Себестоимость произведенной продукции компании увеличилась на 30% к концу 2012 года, при увеличении выручки от реализации на 27,5%, обеспечив рост чистой прибыли предприятия на конец анализируемого периода на 12,9% составив 18,1 млн. сом.

2. При оценки кредитоспособности заемщика с помощью группы финансовых коэффициентов выяснилось:

Что показатели ликвидности ЗАО «Шоро» не удовлетворяют нормативам коэффициентов значениям. Показатель текущей ликвидности компании в 2012 году был равен 1,4, коэффициент быстрой ликвидности 0.7 и коэффициент абсолютной ликвидности 0.06. Такое положение данных показателей свидетельствует о высоком объеме краткосрочных обязательств компании, что составляет 26% от валюты баланса в 2012 году. Это связано с выпуском долговых ценных бумаг на сумму 45 млн. сом.

В 2012 году компания использовала в хозяйственной деятельности почти в два раза больше заемных средств, нежели собственный капитал, тому свидетельство показатель коэффициента соотношения заемных и собственных средств равный 1,93. Что характеризует достаточно высокий уровень риска финансовой устойчивости.

Коэффициент концентрации собственного капитала имел тенденцию роста, что было связано, с реинвестированием части прибыли в развитие компании.

Коэффициент структуры долгосрочных вложений увеличивается в связи с увеличением долгосрочных займов компании и уже концу 2012 года 63% внеоборотных активов были покрыты за счет долгосрочных займов.

Всем показатели рентабельности финансово - хозяйственной деятельности предприятия, на конец анализируемого периода, демонстрируют устойчивый рост.

Деловая активность предприятия повышается, что было вызвано, прежде всего, увеличением объема продаж в 2 раза, снижении оборотов кредиторской задолженности до 10 дней, увеличения доходности основных средств с 1,60 до 1,90 сом, снижения показателей оборачиваемости активов до 354 дней и увеличения выручки предприятия.

3. Бальная система оценки кредитоспособности показала, что сумма баллов в 210 говорит о том, что предприятие ЗАО «ШОРО» относится ко второму классу заемщиков. Второклассные заемщики считаются финансово неустойчивыми и кредитуются на общих основаниях, т.е. без: овердрафта, гибких графиков погашения кредита, льготных процентных ставок дальнейшей пролонгации.

4. Факторные модели оценки вероятности банкротства предприятия

По модели Альтмана, компания ЗАО «ШОРО» с точки зрения кредитоспособности находиться в ситуации неопределенности, иными словами вероятность банкротства не исключается. Более положительная картина вырисовывается при использовании усовершенствованной модели Спрингейта, так на отчетную дату показатель Спрингейта равен 1,318, это нам говорит о том, что компания ЗАО «ШОРО» находится на допустимом уровне риска банкротства и является кредитоспособной.

Аналогичная ситуация складывается с моделями Ж. Де Паляна и R-model.

Хотелось бы добавить, что компании ЗАО «Шоро» будет осуществлена выдача кредита, однако рекомендуется поднять базовые процентные ставки для данного заемщика для обеспечения меньшего риска невозврата кредита.

В ходе проведенного анализа нами были выявлены следующие проблемы:

1) Ретроспективность анализа, так как источниками данных для его проведения служат балансовые данные клиента, которые отражают состояние дел в период, предшествующий кредитованию.

2) Достоверность предоставленных заемщиком балансовых и других данных. Для ее решения может служить требование обязательного аудиторского подтверждения достоверности данных, предъявляемых в банк для оценки возможности получения кредита заемщиком.

3) При составлении методик оценки качества потенциальных заемщиков, во-первых, является качественный подбор показателей, необходимых для проведения объективной оценки потенциальных заемщиков; Во-вторых, коэффициенты, используемые для анализа, не всегда могут дать объективную характеристику финансового состояния.

4) Какие значения коэффициентов считать нормативными.

5) Предоставляемой заемщиком информации не достаточно для проведения качественного финансового анализа.

На основе обозначенных проблем было предложено совершенствовать систему оценки кредитоспособности заемщиков и провести следующие мероприятия:

1) Оптимизировать оценку кредитоспособности заемщика за счет автоматизации системы оценки кредитоспособности и более тщательного анализа заемщика.

2) Использование помимо классических методик оценки кредитоспособности заемщика, факторные модели, как Ж. Де Поляна, Спрингейта, R-модели и Альтмана.

3) Одновременно наряду с применяемыми моделями ввести практику использования нейронных сетей, что позволит проводить более качественную оценку кредитоспособности заемщика, а это в свою очередь будет вести к снижению риска неплатежеспособности.

Использование вышеописанных рекомендаций позволит анализируемому банку осуществлять свою кредитную политику на более высоком уровне и значительно сократит риски невозврата.

Список литературы

кредитный банк заемщик спрингейт

1. Закон «О Национальном банке Кыргызской Республики»

2. Закон «О банках и банковской деятельности в Кыргызской Республике»

3. Закон «О банковской тайне»

4. Закон «О бухгалтерском учете»

5. Закон «Об аудиторской деятельности»

6. Финансовая отчетность ЗАО «Демир Кыргыз Интернэшнл Банк»

7. Финансовая отчетность ЗАО «Шоро»

8. Анализ деятельности банков: Учебное пособие для вузов/ Под рук. Н.С. Зотовой. - Бишкек, 2004

9. Банковское дело: Учебник для вузов / Под ред. О.И. Лаврушина. -2-е изд., перераб. и доп. М.: Финансы и статистика, 2000

10. Банки и банковское дело/ Под ред. И.Т. Балабанова. - СПб.: Питер, 2003

11. Банковское дело: Учебник/ Под ред. В.И. Колесникова, Л.П. Кроливецкой. 4-е изд., перераб. и доп. - М.: Финансы и статистика, 1999

12. Балабанов И.Т. Анализ и планирование финансов хозяйствующего субъекта. М.: Финансы и статистика, 2001

13. Банки и банковские операции: Учебник для вузов / Е.Ф. Жуков, Л.М. Максимова, О.И. Маркова и др.; Под ред. проф. Е.Ф. Жукова.

14. Власова М.И. Анализ кредитоспособности клиента коммерческого банка // Банковское дело. 1997

15. Едронова В.Н., Хасянова С.Ю. Принципы системной методологии оценки показателей для определения кредитоспособности заемщика // Финансы и кредит. 2002

16. Каспаров А.В., Еременко О.В., Леонтьева О.Н., Фанталова И.А. Дистанционный анализ финансового состояния контрагентов: проблемы и методы решения // Банковское дело. 2000

17. Едронова В.Н., Хасянова С.Ю. Оценка рейтинга кредитной заявки // Финансы и кредит. 2002

18. Питер С. Роуз. Банковский менеджмент. Предоставление финансовых услуг: Пер. с англ., М.: Дело, 1995

19. Хеддевик К. Финансово-экономический анализ деятельности предприятий

20. Анализ кредитоспособности и его роль в работе с юридическими лицами // Финансист 2010

21. Маслаченков Ю.С. Бизнес-диагностика проблемного клиента банка: методические рекомендации по оценке и прогнозированию // Бюллетень финансовой информации. 2001. - №2.

Размещено на Allbest.ru