Hitelek nem fizetési kockázatának modellezése többváltozós statisztikai módszerekkel

Absztrakt (kivonat)

Szakdolgozatomban olyan, többváltozós statisztikai eljárásokon alapuló modelleket vizsgáltam, melyek alkalmasak lehetnek a hitelek bedőlésének előrejelzésére. Az ilyen modellek segítségével a rossz adósok jelentős részben kiszűrhetőek lennének a banki hitelportfóliókból, ezáltal jelentősen csökkenhetnének a hitelezés költségei. A vállalati csődök előrejelzésének jelentős szakirodalma van, ezzel szemben viszonylag kevés cikk foglalkozik a lakossági hiteligénylők besorolásával a jó adós (pontosan törlesztő) és a rossz adós (a hitelt törleszteni nem tudó) kategóriába. Ezért dolgozatom céljának a vállalati csődmodellezés terén elért eredmények (és az alkalmazott módszerek) lakossági hitelek minősítésére való alkalmazását választottam. Dolgozatom szerkezete: A dolgozat bevezető fejezetében (1. fejezet) röviden ismertetem a csődelőrejelzés témakörének fontosságát, jellemzőit, nagy vonalakban felvázolom a terület fejlődését, kialakulásától napjainkig. Emellett röviden ismertetem a dolgozat további struktúráját. A 2. fejezetben bemutatok három, a csődelőrejelzés terén igen elterjedt módszert (többváltozós diszkriminancia analízis, bináris logisztikus regresszió, CHAID-alapú döntési fa), továbbá három gyakran használt összehasonlító eszközt (klasszifikációs tábla, ROC-görbe, Gini-index). A 3. fejezetben a vállalati csődelőrejelzés szakirodalmából ismertetek pár válogatott tanulmányt. A fejezet első felében azokat a cikkeket tárgyalom, melyek a korábban már tárgyalt módszereket meghonosították a csődelőrejelzés területén. A fejezet második felében két hazai csődmodell-vizsgálat eredményeit ismertetem. A 4. fejezet tartalmazza saját elemzésemet, melyet az SPSS programcsomag (PASW Statistics 18) segítségével egy 5000 elemű lakossági mintán végeztem. A hitelek pontos törlesztése és 7 egyéb változó (életkor, munkahely, lakóhely, iskolai végzettség, jövedelem, adósság, stb.) között kerestem összefüggést. Mindhárom modellalkotási eljárást kipróbálva a logisztikus regresszió produkálta a legjobb eredményt. A fejezet végén a három modell eredményeinek segítségével megpróbáltam olyan hitelbírálati módszert kidolgozni, mellyel a lehető leghatékonyabban szűrhetők ki a rossz adósok. A legjobb döntési szabály a következő volt: a hitelkérelmet csak abban az esetben fogadjuk el, ha az igénylőt mindhárom modell hitelképesnek minősítette. Ezen döntési szabály mellett a pozitívan elbírált hitelek között a jó adósok aránya 85,5%-nak bizonyult, míg a rossz adósok aránya (a teljes mintán belüli 25,1%-ról) 14,5%-ra csökkent (és mindezt úgy értük el, hogy közben az összes jó adósnak csak kevesebb, mint 14%-át kellett visszautasítanunk). Az 5. fejezetben összegeztem vizsgálódásom tapasztalatait és arra a következtetésre jutottam, hogy a többváltozós statisztikai módszerekre támaszkodva nem csak a vállalati hitelek bedőlése (vállalati csődök), hanem a lakossági hitelek bedőlése is előre jelezhető. Azonban egy ilyen (aktualizált és pontos) modell megalkotása további vizsgálatokat igényel.