Ead что это такое в банках

Риск по умолчанию (EAD)

Что такое Риск по умолчанию (EAD)?

Риск по дефолту (EAD) – это общая сумма, которой подвергается банк в случае дефолта по ссуде. Используя подход на основе внутренних рейтингов (IRB), финансовые учреждения рассчитывают свой риск. Банки часто используют модели внутреннего управления рисками по умолчанию для оценки соответствующих систем EAD. За пределами банковской отрасли EAD известен как кредитный риск.

Понимание подверженности при дефолте

EAD – это прогнозируемая сумма убытков, которые банк может понести в случае неисполнения должником ссуды. Банки часто рассчитывают значение EAD для каждой ссуды, а затем используют эти цифры для определения своего общего риска дефолта. EAD – это динамическое число, которое изменяется по мере того, как заемщик платит кредитору.

Есть два метода определения экспозиции по умолчанию. Регулирующие органы используют первый подход, который называется основанным на внутренних рейтингах фонда (F-IRB). Второй метод, называемый расширенными внутренними рейтингами (A-IRB), более гибкий и используется банковскими учреждениями. Банки должны раскрывать свою подверженность рискам. Банк будет основывать эту цифру на данных и внутреннем анализе, таком как характеристики заемщика и тип продукта. EAD вместе с убытком при дефолте (LGD) и вероятностью дефолта (PD) используются для расчета капитала кредитного риска финансовых учреждений.

Краткая справка

Банки часто рассчитывают значение EAD для каждой ссуды, а затем используют эти цифры для определения общего риска дефолта.

Особые соображения

Вероятность дефолта и убытков при дефолте

Анализ PD – это метод, используемый более крупными организациями для расчета ожидаемых убытков. Каждой мере риска присваивается PD, который представляет в процентах вероятность дефолта. PD обычно измеряется путем оценки просроченных кредитов. Он рассчитывается путем проведения анализа миграции ссуд с аналогичным рейтингом. Расчет производится для определенного периода времени и измеряет процент ссуд, по которым просрочены выплаты. Затем PD присваивается уровню риска, и каждый уровень риска имеет один процент PD.

LGD, уникальный для банковской отрасли или сегмента, измеряет ожидаемые убытки и отображается в процентах. LGD представляет собой сумму, не возмещенную кредитором после продажи базового актива, если заемщик не выполняет свои обязательства по ссуде. Может быть трудно определить точную переменную LGD, если убытки портфеля отличаются от ожидаемых. Неточный LGD также может быть из-за того, что сегмент статистически мал. Отраслевые LGD обычно доступны у сторонних кредиторов.

Кроме того, номера PD и LGD обычно действительны в течение всего экономического цикла. Однако кредиторы будут проводить переоценку с изменениями в составе рынка или портфеля. Изменения, которые могут вызвать переоценку, включают восстановление экономики, рецессию и слияния.

Банк может рассчитать ожидаемые убытки, умножив переменную EAD на PD и LGD:

Почему так важен риск по умолчанию

В ответ на кредитный кризис 2007–2008 годов банковский сектор принял международные правила, снижающие вероятность дефолта. Цель Базельского комитета по банковскому надзору – улучшить способность банковского сектора справляться с финансовым стрессом. За счет улучшения управления рисками и прозрачности банков международное соглашение надеется избежать эффекта домино при банкротстве финансовых институтов.

Источник

За пределами Базеля II эту концепцию иногда называют кредитным риском ( CE ). Он представляет собой немедленные убытки, которые понесет кредитор, если заемщик (контрагент) полностью не выполнит свои обязательства по своему долгу.

Содержание

Определение

В целом, EAD рассматривается как оценка степени, в которой банк может быть подвержен риску перед контрагентом в случае и в момент дефолта этого контрагента. EAD равна текущей непогашенной сумме в случае фиксированных рисков, таких как срочные кредиты. Для возобновляемых требований, таких как кредитные линии, EAD можно разделить на привлеченные и неиспользованные обязательства; Обычно полученное обязательство известно, тогда как невытянутое обязательство необходимо оценить, чтобы получить значение EAD. В соответствии с Базельскими руководящими принципами EAD для обязательств измеряет сумму кредита, которая может быть привлечена в дальнейшем в случае дефолта. Двумя популярными терминами, используемыми для выражения процента невыбранных обязательств, которые будут выполнены и не исполнены по умолчанию (в случае дефолта), являются коэффициент преобразования (CF) и эквивалент ссуды (LEQ).

Расчет

Расчет EAD отличается при фундаментальном и продвинутом подходах. Если при фундаментальном подходе ( F-IRB ) расчет EAD осуществляется регулирующими органами, то при расширенном подходе ( A-IRB ) банки обладают большей гибкостью в том, как они рассчитывают EAD.

Фундаментный подход

Продвинутый подход

В соответствии с A-IRB банк сам определяет, как соответствующий EAD должен применяться к каждой позиции. Банк, использующий внутренние оценки EAD для целей капитала, может дифференцировать значения EAD на основе более широкого набора характеристик транзакции (например, типа продукта), а также характеристик заемщика. Ожидается, что эти значения представляют собой консервативный взгляд на долгосрочные средние показатели, хотя банки могут использовать более консервативные оценки. Банку, желающему использовать свои собственные оценки EAD, необходимо будет продемонстрировать своему надзорному органу, что он может выполнить дополнительные минимальные требования, относящиеся к полноте и надежности этих оценок. Все оценки EAD должны быть рассчитаны за вычетом каких-либо конкретных резервов, которые банк мог создать против риска.

Важность

Источник

ML и DS оттенки кредитного риск-менеджмента | EAD или деньги в дефолте

Новая статья цикла о моделировании в задачах управления кредитным риском (предыдущие статьи смотрите здесь и здесь) посвящена EAD — компоненте, отражающей размер задолженности заемщика перед банком в момент дефолта.

Как спрогнозировать сумму кредитного требования в момент дефолта, при условии, что момент дефолта неизвестен, и вообще может не настать? Как поступать с экстремальными, особенно большими по абсолютному значению, EAD? А если кредитный продукт, по которому нужно оценить риск — это так называемый револьверный кредит, где нет установленных регулярных платежей,- как, например, кредитка с кредитным лимитом?

Эти и подобные им вопросы возникают при моделировании компоненты. Их и рассмотрим под катом.

EAD как одна из компонент EL

где:
— вероятность дефолта;
— это кредитные обязательства по договору на момент дефолта. Кредитные обязательства, сумма кредитного требования, балансовая часть долга, баланс — это синонимы для описания суммы средств, которые заемщик должен банку. Соответственно, EAD — сумма средств, которые заемщик должен банку в момент дефолта.
— доля EAD, которую заемщик не возместит банку в течение условленного времени после дефолта.

В публикациях и на проектах, посвященных оценке ожидаемых потерь, основное внимание приковано к моделированию и оценке PD. И если LGD также удается уделить время, особенно в части сбора целевого события и выбора архитектуры решения, то на EAD его практически не остаётся.

Одна из причин в том, что основные «кнопки» управления итоговым значением EL расположены именно в компонентах PD и LGD: калибровка, горизонт наблюдения и сбора восстановления и др.

Тем не менее EAD является важным параметром, поскольку используется в формулах линейно определяет потери и, кроме того, проецирует расчеты в плоскость денег.

Наша цель — дать быструю инструкцию, которая учтет основные требования и позволит собрать baseline для решения задачи.

Методы оценки EAD

Подходы к оценке EAD различаются в зависимости от типа договора:

Договора с фиксированной суммой

Такие договора ещё называются аннуитетными. Например, к таким относится потребительский кредит. Для моделирования EAD аннуитетных договоров могут быть использованы следующие подходы:

Договора с нефиксированной суммой

С нефиксированной суммой, т.н. «револьверные», или «лимитные»: договора, имеющие балансовую и внебалансовую чаcть долга. Внебалансовая часть долга — денежные средства, которые есть возможность использовать, но не использованы на дату наблюдения. Примерами могут быть кредитная карта с лимитом или кредитная линия.

Сумма EAD для такого типа договоров может рассчитываться следующими способами:

Моделирование EAD

Схематично план моделирования EAD изображен на диаграмме:

Формирование витрины для моделирования

Здесь, как и в статьях ранее, мы рассматриваем витрину для моделирования (ABT) как результат объединения трех сущностей: сегмент (id, временная метка, атрибуты сегмента), целевое событие и поведенческие атрибуты.

Начнем с целевого события. Обратим внимание на два его параметра — горизонт и алгоритм сбора. Не стоит забывать, что поскольку событие инициировано фактом дефолта, то все остальные аспекты дефолта (дата начала, дата окончания, тип события) также имеют значение при описании EAD.

Определение горизонта наблюдения

Величина EAD, а также момент дефолта, станут известны только в момент дефолта (сюрприз-сюрприз). Моделировать же его необходимо, выбрав заранее, на каком временнОм интервале планируется прогнозировать дефолт и, соответственно, EAD. Такой интервал называется горизонтом наблюдения. Возможны несколько подходов для учета событий дефолта.

Три наиболее распространенных подхода: метод фиксированного горизонта, когортный и смешанный метод [2].
а) Фиксированный горизонт. Наблюдения формируются таким образом, чтобы от даты наблюдения до даты дефолта временной интервал был фиксированным. При этом длину интервала рекомендуется выбирать таким образом, чтобы она была такой же, как у горизонта наблюдения модели PD для текущего портфеля (например, 12 месяцев).

Формирование сегмента

После того, как определена длина горизонта, необходимо определиться с тем, какие наблюдения попадают в выборку для моделирования.

Обычно подразумевается, что выборкой для моделирования является совокупность договоров, которые в текущий момент не в дефолте, но на горизонте наблюдения в дефолте окажутся.
Имеет место также такой вариант формирования выборки, при котором в момент дефолта одного из договоров, все остальные активные договора заемщика также признаются дефолтными. Этот подход называется дефолтом в результате «инфицирования» и зачастую используется для изменения уровня дефолта.

Определение целевой переменной

Стоит отметить, что в кредитном портфеле встречается большой разброс по балансам: от очень маленьких (на грани материальности) до очень больших значений. Из-за этого прогнозирование непосредственно абсолютного значения баланса может привести к существенной величине ошибки. Чтобы этого избежать, для моделирования используют целевые переменные, которые отражают относительную разницу между актуальным балансом и балансом на дату дефолта (EAD), либо — относительную же разницу между значением лимита и EAD.

В следующем разделе рассмотрим некоторые из них.

Коэффициент кредитной конверсии

где:
и — это, соответственно, лимит по кредитному договору и баланс на момент наблюдения, — сумма основного и просроченного кредитного долга на момент дефолта.

Поскольку у аннуитетных договоров нет внебалансовой части (то есть, всегда равен нулю), этот подход может применяться только для лимитных договоров.

Выборка для применения представляет собой открытые и недефолтные договора на дату, и рассчитанные для каждого из наблюдений атрибуты, вошедшие в финальную модель. На основании атрибутов рассчитывается CCF для наблюдения. На основании CCF, баланса и лимита рассчитывается прогнозный EAD по следующей формуле:

В этой формуле и — прогнозные значение EAD и CCF соответственно.

Коэффициент использования лимита

Такое целевое событие может быть применено к продуктам с изменяемыми лимитами, что в случае расчета CCF может приводить к отрицательным значениям [4].

Также, как и предыдущий, этот подход может быть применен только для лимитных договоров.

Множитель текущей балансовой позиции

По некоторым револьверным кредитам превышение лимита наступает до момента дефолта. В таком случае подход, основанный на CCF, не имеет смысла ввиду значения больше 100%. Решением подобной проблемы может стать рассмотрение в качестве целевой переменной множителя текущей балансовой позиции.

Прогнозное значение EAD будет иметь следующий вид:

Поскольку в этом подходе расчет EAD опирается только на значение баланса, он может быть использован в том числе для моделирования сегмента аннуитетных договоров.

Использование двух целевых переменных (двухкомпонентная модель)

Общая формула этого подхода выглядит следующим образом:

где:
— баланс на дату наблюдения,
— множитель текущей балансовой позиции,
— коэффициент кредитной конверсии,
— кредитный лимит по договору на дату наблюдения.

Подход можно использовать как для лимитных, так и для аннуитетных договоров:

Когда в кредитном портфеле содержатся договора обоих типов, использование двухкомпонентной модели выгодно отличается от иных подходов, позволяя настроить функционал для каждого сегмента по отдельности.

Таблица сравнения применимости целевых переменных для некоторых случаев

ДаCCF, k- двухкомпонентная модельИспользуется для портфелей, в которых существенную часть составляют аннуитеты, а также есть предпосылки считать, что лимитные/аннуитетные договора имеет смысл моделировать по отдельностиДа

Для задачи резервирования можно рассматривать другие архитектуры модели EAD. Например, при расчете EAD для всего времени жизни договора. Life-time EAD — компонента в рамках МСФО9, которую иногда декомпозируют на две — вероятность и сумму досрочного погашения (prepayment). Это важно, т.к. позволяет «вовремя» перестать резервировать деньги под быстрозакрывающиеся кредитные обязательства.

В более простом варианте, для смежных задач достаточно использовать модель досрочного погашения, т.е. прогноз срока жизни договора.

Расчет ретроспективных значений целевой переменной для всех наблюдений

После того как выбран горизонт событий и целевая переменная, выполняется расчет ее значения для всех наблюдений сегмента.

Поскольку сегмент представляет собой договора, которые попали в дефолт, то для всех них известен EAD. Используя формулы для расчета выбранной на предыдущем шаге целевой переменной, рассчитывается фактическая целевая переменная для наблюдений.

Для некоторых случаев — таких, как двухкомпонентная модель, очевидным шагом будет рассчитать разные целевые переменные для разных сегментов, и возможно, проводить дальнейшее моделирование по каждому из сегментов в отдельности.

Поведенческие атрибуты

Почти все подготовлено для формирования витрины для моделирования. Осталось добавить поведенческие атрибуты. Среди основных драйверов:

Выбор типа модели и бинаризация целевой переменной

Перечисленные целевые переменные являются вещественными числами. Вещественная целевая переменная ограничивает выбор типа модели до подмножества регрессионных.

Другим нюансом является тот факт, что в рассматриваемой задаче форма распределения целевой переменной далека от нормальной. Рассмотрим пример распределения целевой функции CCF [3]:

Распределение CCF часто характеризуется пиками около CCF = 0 и CCF = 1. Такое распределение может привести к неточному прогнозу модели стандартной линейной регрессии. В этом случае можно использовать GLM — обобщенную модель линейной регрессии — с некоторой функцией связи (link function), которая учитывает распределение целевой переменной, отличное от нормального [6]. Тем не менее, это требует дополнительного анализа на предмет функции связи, который необходимо проводить заново для каждого моделируемого портфеля. По этим причинам, иногда целесообразно бинаризовать целевую переменную, и использовать классификационную модель.

Существует несколько способов бинаризовать целевую переменную [7].

Отсечение по фиксированному пороговому значению

где – выбранное пороговое значение.

В этом случае пороговое значение — гиперпараметр модели, и подбирать его следует на выборке для валидации.

Взвешенный метод

Другой подход заключается в том, что каждое наблюдение витрины для моделирования дублируется. Для одного из дублированных наблюдений значение CCF принимается равным 1, а для другого — 0. Дополнительно, каждому из дублированных наблюдений присваиваются веса, которые равны CCF и 1 — CCF соответственно.

Вот для примера таблица, которая получается путем подобного преобразования.

Изначально CCF означал долю неиспользованного на текущий момент лимита, которую заемщик израсходует к моменту выхода в дефолт.

Бинаризованный же CCF может принимать только два значения:

По сути, сформулирована классификационная задача, для решения которой можно использовать любой из подходящих алгоритмов машинного обучения. Впрочем, часто останавливаются на логистической регрессии. В случае бинаризации взвешенным методом — на взвешенной логистической регрессии (weighted logit regression). Выбор именно логистической регрессии обусловлен тем, что она интерпретируема и классически широко используется в моделях кредитного моделирования, в первую очередь, моделях PD.

Прогноз модели — вероятность наступления события CCF_binary = 1 — лежит в интервале от 0 до 1. При применении модели его можно интерпретировать как прогнозную оценку оригинальной, вещественной переменной CCF.

Применяя таким образом модель и зная значения баланса и лимита, рассчитывается прогнозное значение EAD по формуле из раздела о CCF:

Заключение и вывод

EAD — несложная, по сравнению с PD и LGD, компонента для моделирования. Как правило, для быстрого построения качественного baseline можно воспользоваться одной из рассмотренных траекторий. Сборка модульная. Отбор признаков и все оттенки ML для финальной модели могут быть подобраны исходя из предложенного нами ранее pipeline.

TL:DR Пример одного из возможных решений:

Авторы статьи: Алиса Пугачёва (alisaalisa), Александр Бородин (abv_gbc)

Источник