Что такое cure rate

cure rate

1 cure rate

2 cure rate

3 cure rate

4 cure rate

5 cure rate

6 cure rate

7 cure rate

8 скорость вулканизации

9 скорость вулканизации

См. также в других словарях:

Cure — For other uses, see Cure (disambiguation). A cure is the end of a medical condition; the substance or procedure that ends the medical condition, such as a medication, a surgical operation, a change in lifestyle, or even a philosophical mindset… … Wikipedia

cure — 1. verb 1) after a long course of treatment, he was cured Syn: heal, restore to health, make well/better; archaic cleanse 2) economic equality cannot cure all social ills Syn: rectify, remedy, put/set right, right, fix, mend, repair … Thesaurus of popular words

Keeley cure — Kee·ley cure kē lē n a method of treatment for alcoholism that was formerly used Keeley Leslie E. (1832 1900) American physician. Keeley is remembered for implementing a kind of institutional care as a treatment method for chronic alcoholism and… … Medical dictionary

Mohs surgery — Intervention MeSH D015580 Mohs surgery, also known as chemosurgery, created by a general surgeon, Dr. Frederic E. Mohs, is microscopically controlled surgery used to treat common types of skin cancer. It i … Wikipedia

Basal-cell carcinoma — Classification and external resources A basal cell carcinoma ICD 10 C44 (ILDS C44.L21) ICD 9 … Wikipedia

Electrodesiccation and curettage — (EDC, ED C, or ED+C) is a commonly performed procedure by dermatologists, surgeons and general practitioners for the treatment of basal cell cancers and squamous cell cancers of the skin.[1] Contents 1 The procedure 2 Applications[6][7] … Wikipedia

Acute myeloid leukemia — DiseaseDisorder infobox Name = Acute myeloid leukemia ICD10 = ICD10|C|92|0|c|81 ICD9 = ICD9|205.0 ICDO = ICDO|9861|3 Caption = Bone marrow aspirate showing acute myeloid leukemia. Arrows indicate Auer rods. OMIM = 602439 MedlinePlus =… … Wikipedia

Antimalarial drug — Antimalarial drugs are designed to prevent or cure malaria. Some antimalarial agents, particularly chloroquine and hydroxychloroquine, are also used in the treatment of rheumatoid arthritis and lupus associated arthritis. There are many of these… … Wikipedia

Melanoma — Classification and external resources A melanoma ICD 10 C43 … Wikipedia

Sulfron — IntroductionSulfron 3000, modified aramid derived from Twaron, is a rubber ingredient which improves hysteresis and heat generation in sulfur vulcanized rubber compounds. Sulfron is produced and sold by Teijin Aramid.In practice, sulfur… … Wikipedia

Skin neoplasm — Skin cancer Classification and external resources A basal cell carcinoma. Note the pearly appearance and telangiectasia. ICD 10 C … Wikipedia

Источник

Cure Rate

Contents

Definition

Cure Rate is a metric used in the context of Non-Performing Loan management and Loss Given Default risk assessment. It denotes the percentage of loans that previously presented arrears (where in delinquency) and, post restructuring, present no arrears. [1]

Given the possibility that a cured credit asset can relapse into delinquency, (Re-Default Rate) the time horizon over which the cure rate is defined must be explicit. Borrowers that go directly into default without any cure period are said be in Direct Default

Cure Types

Cure of arrears on facilities presenting arrears could take place either

Regulatory guidance is that banks should have a mechanism in place to monitor the rate and the volume of those defaulted credit facilities cured naturally. [2]

Cure Period

The re-default rate is another key performance indicator that should be included in internal NPL monitoring reports for the management body and other relevant managers.

Relationship with LGD and LGL

Under the assumption that cured delinquencies / defaults remain so, there is a simple relationship linking the Cure Rate, with the Loss Given Default and Loss Given Loss estimates. Namely

IFRS 9

From an accounting perspective an exposure that is «cured» (ceases to be delinquent) will be considered a new asset if the old exposure has been derecognized post Renegotiation/modification. If the exposure has not been derecognized, it can be in-principle either a Stage 1 Asset or a Stage 2 Asset, depending on the assessment of credit risk taking the entire history into account. More specifically the standard stipulates [4] :

If the contractual cash flows on a financial asset have been renegotiated or otherwise modified, but the financial asset is not derecognised, that financial asset is not automatically considered to have lower credit risk. An entity shall assess whether there has been a significant increase in credit risk since initial recognition on the basis of all reasonable and supportable information that is available without undue cost or effort. This includes historical and forward-looking information and an assessment of the credit risk over the expected life of the financial asset, which includes information about the circumstances that led to the modification.

Evidence that the criteria for the recognition of lifetime expected credit losses are no longer met may include a history of up-to-date and timely payment performance against the modified contractual terms. Typically a customer would need to demonstrate consistently good payment behaviour over a period of time before the credit risk is considered to have decreased. For example, a history of missed or incomplete payments would not typically be erased by simply making one payment on time following a modification of the contractual terms.

Model Estimation Guidelines

For regulated financial institutions (banks) the cure rate applicable to a individual Non-Performing Loan / Stage 3 Asset must be estimated in order to support the overall Loss Allowance calculation (which also affects the NPL Risk Capital calculation).

In applying these requirements, the following should be taken into account:

Modelling Approaches

A «Cure Event» for a given credit is a type of (positive) credit event and can be approached with the variety of tools available for default risk modelling. Some key dimensions

A transitions-based framework is described in [6]

Источник

cure rate

Смотреть что такое «cure rate» в других словарях:

Cure — For other uses, see Cure (disambiguation). A cure is the end of a medical condition; the substance or procedure that ends the medical condition, such as a medication, a surgical operation, a change in lifestyle, or even a philosophical mindset… … Wikipedia

cure — 1. verb 1) after a long course of treatment, he was cured Syn: heal, restore to health, make well/better; archaic cleanse 2) economic equality cannot cure all social ills Syn: rectify, remedy, put/set right, right, fix, mend, repair … Thesaurus of popular words

Keeley cure — Kee·ley cure kē lē n a method of treatment for alcoholism that was formerly used Keeley Leslie E. (1832 1900) American physician. Keeley is remembered for implementing a kind of institutional care as a treatment method for chronic alcoholism and… … Medical dictionary

Mohs surgery — Intervention MeSH D015580 Mohs surgery, also known as chemosurgery, created by a general surgeon, Dr. Frederic E. Mohs, is microscopically controlled surgery used to treat common types of skin cancer. It i … Wikipedia

Basal-cell carcinoma — Classification and external resources A basal cell carcinoma ICD 10 C44 (ILDS C44.L21) ICD 9 … Wikipedia

Electrodesiccation and curettage — (EDC, ED C, or ED+C) is a commonly performed procedure by dermatologists, surgeons and general practitioners for the treatment of basal cell cancers and squamous cell cancers of the skin.[1] Contents 1 The procedure 2 Applications[6][7] … Wikipedia

Acute myeloid leukemia — DiseaseDisorder infobox Name = Acute myeloid leukemia ICD10 = ICD10|C|92|0|c|81 ICD9 = ICD9|205.0 ICDO = ICDO|9861|3 Caption = Bone marrow aspirate showing acute myeloid leukemia. Arrows indicate Auer rods. OMIM = 602439 MedlinePlus =… … Wikipedia

Antimalarial drug — Antimalarial drugs are designed to prevent or cure malaria. Some antimalarial agents, particularly chloroquine and hydroxychloroquine, are also used in the treatment of rheumatoid arthritis and lupus associated arthritis. There are many of these… … Wikipedia

Melanoma — Classification and external resources A melanoma ICD 10 C43 … Wikipedia

Sulfron — IntroductionSulfron 3000, modified aramid derived from Twaron, is a rubber ingredient which improves hysteresis and heat generation in sulfur vulcanized rubber compounds. Sulfron is produced and sold by Teijin Aramid.In practice, sulfur… … Wikipedia

Skin neoplasm — Skin cancer Classification and external resources A basal cell carcinoma. Note the pearly appearance and telangiectasia. ICD 10 C … Wikipedia

Источник

ML и DS оттенки кредитного риск-менеджмента | Компоненты

В предыдущей статье цикла о моделировании в задачах управления кредитным риском (здесь) мы провели обзор трех задач кредитного риск-менеджмента, нашли возможные точки приложения ML и DS к этим задачам и попутно ввели набор терминов для дальнейшей работы.

Сейчас мы расскажем о трех компонентах (PD, LGD, EAD), которые участвуют при расчете ожидаемых потерь: рассмотрим основные драйверы и методологию построения моделей. В конце статьи приведем сводную таблицу с особенностями работы с компонентами на различных этапах разработки, сформированную на основе нашего проектного опыта.

За подробностями добро пожаловать под кат.

PD или как ковер задает стиль всей комнате

Определение дефолта

Начнем с главной компоненты, которую необходимо оценивать (например, в случае базового или продвинутого ПВР) PD (a. k. a. probability of default) – вероятность дефолта клиента. В качестве свидетельства о дефолте клиента могут выступать разные события в кредитной истории. Часто – это просрочка платежа по кредитному договору 90 и более дней.

Для подсчета количества дней просрочки существует два метода: LIFO (last in first out) и FIFO (first in first out) [1]:

Для определения дефолта необходимо задать следующие три атрибута:

Но этого недостаточно для формирования целевого события. У целевого события есть еще один важный атрибут: горизонт сбора информации о дефолте, или горизонт моделирования.

Определение длины горизонта

Информация о дефолте используется для оценки ожидаемых потерь, под которые банк осуществляет резервирование. В этом случае возникает вопрос, а на каком периоде смотреть выходы в дефолт? Важно ли это? С точки зрения бизнеса, важно понимать период планирования, с точки зрения моделей мы хотим выбрать такой период, в котором будет охвачено не менее 80%-90% всех возможных выходов в дефолт для всех открытых и не находящихся в дефолте договоров на текущий момент времени.

Для целей выбора длины горизонта может быть использован винтажный анализ [2]. Он заключается в построении графической аналитики и последующего вывода о данных по ней. График может быть построен так:

При построении графика выше для каждой когорты было рассчитано значение, составляющее 80% от максимального числа наблюдений, вышедших в дефолт, а диапазон полученных значений обозначен серой полосой. По графику можно сделать вывод о том, что оптимальная длина горизонта лежит в интервале 6-8 месяцев.

Сегментирование выборки

Некоторые атрибуты настолько сильно коррелируют с целевой переменной, что вклад остальных практически нивелируется. Это приводит к моделям с плохим ранжированием внутри группы с одинаковым значением «главного» атрибута. Во избежание такой ситуации используют подход сегментации, в рамках которого выборку делят на два или несколько сегментов — по одному на каждое значение «главного» атрибута (драйвера), и для каждого из них строят отдельную модель. В кредитном риске один из таких драйверов – наличие или длительность просрочки по платежу.

Если выборка была разделена на два сегмента по длительности просрочки: сегмент с малой просрочкой и сегмент с большой просрочкой, и второй сегмент достаточно мал, то для него можно сделать простую модель на двух атрибутах: на скоринговом балле модели с малой просрочкой и длительности текущей просрочки. Если результат удовлетворяет всем требованиям валидации, то на нем можно остановиться.

Альтернативно можно разделить выборки на сегменты с просрочками за историю (I) и без просрочек за историю (II).

Необходимое условие для сегментации – достаточное количество дефолтных наблюдений в каждом из сегментов. А для того, чтобы выяснить целесообразность и границы новых сегментов используется roll-rate анализ [3]. Он заключается в разделении выборки на подсегменты на основании значений величины текущей просрочки и сравнении между ними среднего уровня дефолта. Те группы, уровень дефолта которых значимо различается, имеет смысл моделировать по отдельности.

Рассмотрим, например, сегментацию наблюдений по величине просрочки. На картинке ниже в качестве примера выделены следующие 5 сегментов, соответствующих интервалам (бакетам) значений просрочки: 0-4 дня, 5-14 дней, 15-29 дней, 30-59 дней, 60-89 дней. Эти сегменты рассматриваются в нескольких моментах времени: HY1_2015, HY2_2015 — соответственно, первое и второе полугодия 2015 года, HY1_2016, HY2_2016 — соответственно, первое и второе полугодия 2016 года. В процессе анализа нас интересует динамика выхода наблюдений в просрочку более 89 дней, поэтому для каждого из этих сегментов подсчитан процент клиентов, просрочка которых на горизонте наблюдения составила более 89 дней.

По графику можно сделать следующие выводы:

EAD (Деньги в дефолте)

После того, как оценена вероятность дефолта заемщика, ставится вопрос – с какой суммой задолженности заемщик уйдет в дефолт? Эта сумма линейно влияет на размер ожидаемых потерь и, соответственно, объем резервов, и называется exposure at default – требования в дефолте. Итак, EAD – exposure at default – кредитные обязательства по договору на момент дефолта.

Напрямую, как правило, EAD не моделируют. Так как эта величина – денежная, её распределение не носит нормальный характер: в выборке могут присутствовать наблюдения очень большие и очень маленькие, не являющиеся при этом аномалиями. В зависимости от специфики портфеля можно выбрать разные целевые переменные – об этом подробнее будет сказано в последующих статьях цикла, но наиболее широко используемая – CCF – credit conversion factor – коэффициент кредитной конверсии – вычисляется следующим образом:

где:
Balance – сумма средств, которые клиент должен банку в момент наблюдения,
Limit – доступный клиенту лимит,
EAD – сумма средств, который клиент должен банку в момент дефолта.

Получается, что CCF – это та часть доступных на момент наблюдения средств, которая будет использована клиентом к моменту дефолта.

Как и вероятность дефолта, эту величину необходимо прогнозировать заранее. Обычно горизонт прогноза такой же, что и у PD.

Все описанное выше касалось денег до дефолта и во время него. А что происходит сразу после? Об этом компонента LGD.

LGD («Где деньги, Лебовски?»)

Даже в случае дефолта заемщика, часть средств возвращается в банк:

Поскольку временной интервал, на котором происходит т.н. «восстановление» (возвращение долга), может варьироваться поклиентно, возникает необходимость определить длину горизонта восстановления, на котором будет рассчитываться целевая переменная. На длину горизонта влияет в первую очередь доступность достаточного временного периода в данных для моделирования. Обычно длина горизонта лежит в диапазоне 3-5 лет после дефолта.

В общем случае LGD рассчитывается формуле:

где:
Ri – денежный поток от клиента (выплаты, реализация залога и др.), полученный на горизонте восстановления после дефолта,
T – временной период от момента учета возмещения после момента дефолта (в годах).

При расчете денежного потока, который идет на восстановление, обычно используется дисконтирование – механизм учета текущей стоимости денежных средств, полученных на горизонте восстановления. Особенно это актуально на больших горизонтах, когда стоимость денег может существенно изменяться.

Суммы возмещения, затрат и продажи долга при дисконтировании умножаются на «фактор дисконтирования» [4] P(T):

T – временной период от момента учета возмещения после момента дефолта (в годах),
r – ставка дисконтирования.

В качестве r может быть использована, например, процентная ставка по договору.

С компонентами, в первом приближении, понятно: все разные, а моделировать их нужно вместе! Есть ли какой-то подход, который позволит более-менее единообразно отобрать переменные для моделей и выбрать наиболее оптимальную комбинацию? Можно попробовать. О возможном варианте далее.

«Великолепный план, Уолтер … надёжный как … швейцарские часы» или pipeline разработки

Этапы моделирования компонент риска схематично изображены на следующей диаграмме (стрелки – дополнительные итерации, возникающие в процессе разработки):

Подготовка данных

Подготовка данных включает в себя формирование трёх сущностей: наблюдения (сегмент), витрина дефолтов, витрина атрибутов,- с единым внешним ключом — ID заемщика или договора и временная метка.

Такая декомпозиция обеспечивает гибкий подход к формированию выборки – легко изменять горизонт, гранулярность наблюдений, определение дефолта и не беспокоиться о корректности сбора атрибутов для итоговой витрины.

Каждое наблюдение – ID заемщика или договора и временная метка; другими словами, нас интересует состояние заемщика или договора на конкретную дату. Обычно используются наблюдения, соответствующие временным срезам, отстоящим друг от друга на равные промежутки времени (например, квартальным).

В случае задачи резервирования объем данных должен включать в себя полный экономический цикл, что составляет примерно 5-7 лет.

Для формирования выборки необходимо учитывать горизонт.

В выборки для разработки и тестирования включаются наблюдения, для которых есть данные о выходе в дефолт на всем горизонте, поскольку включение наблюдений, для которых не прошел полный этап сбора (на картинке изображен красным цветом) приведёт к смещению величины уровня дефолта.

Из-за необходимости учитывать период сбора, оптимальная глубина данных составляет 2-3 горизонта наблюдения.

Также, если в модели планируется учесть какого-то рода сезонность — необходимо соответствующим образом выбирать глубину данных и периодичность срезов.

В таблице под катом перечислены основные группы и примеры атрибутов широкого списка переменных.

Один из способов увеличения интерпретируемости и стабильности модели – это использование в качестве атрибутов не абсолютных значений признаков, а относительных: нормированных, например, на доход (выручку) или отражающих тренд/динамику показателя на временном интервале.

Однофакторный анализ

Целью проведения однофакторного анализа является уточнение широкого списка факторов таким образом, чтобы исключить неподходящие переменные.

Для проведения однофакторного анализа необходимо разбить выборку на выборки для разработки (train) и тестирования (test). Выборка для тестирования может быть сформирована одним из следующих способов:

Стоит отметить, что в идеальном мире (где достаточное число клиентов и дефолтов) корректнее разбивать исходную выборку на три части (разработка, валидация и тестирование). В рамках такого разбиения проведение однофакторного анализа ведется на выборках для разработки и валидации, а итоговое качество отбора оценивается на выборке для тестирования. Для упрощения мы здесь и далее рассматриваем разбиение на train/test.

Многофакторный анализ и финальная модель

Цель многофакторного анализа – построение оптимальной комбинации факторов из списка, образованного на предыдущем шаге, для максимизации предсказательной силы модели при сохранении стабильности.

Процесс многофакторного анализа заключается в построении множества моделей и выборе наилучшей из них. Модели строятся на различных наборах атрибутов из списка, сформированного на этапе однофакторного анализа,

Две самые распространенные модели для прогноза вероятности дефолта – это:

где:
DistrGood – отношение числа недефолтных наблюдений, имевших значение атрибута из данного бина, к общему числу недефолтных наблюдений;
DistrBad – отношение числа дефолтных наблюдений, имевших значение атрибута из данного бина, к общему числу дефолтных наблюдений.

Общие правила для выполнения категоризации атрибутов складываются из экспертных правил (принципы заполнения пропусков, условие монотонности WOE, соответствие логике атрибута) и статистических критериев (достаточность наблюдений в категории).

Одним из недостатков подхода с использованием значений WOE вместо реальных значений атрибута являются потенциально возможные скачки значений вероятности дефолта (PD). Для решения указанной проблемы может использоваться сглаживание порогов функции WOE с целью создания непрерывных «плавных» переходов между соседними значениями WOE. Чаще всего сглаживание может производиться с помощью сигмоиды или гиперболического тангенса.

После описанных выше преобразований над атрибутами модель логистической регрессии строится над преобразованными атрибутами. Для выбора оптимальной комбинации факторов может быть использовано несколько подходов: [6]:

При построении модели в качестве оптимизируемой метрики могут быть использованы информационные критерии (например, SBC [8], AIC [9]). Разбиение атрибутов на группы и расчет значений WOE производится на выборке для разработки, а затем сформированный биннинг и соответствующие ему значения WOE транслируются в выборку для тестирования.

В случае, когда нет требования интерпретируемости, может быть использована модель градиентного бустинга, наиболее часто используется реализация библиотеки Xgboost. В данном случае отсутствует требование к слабой корреляции атрибутов модели. В случае необходимости ограничить набор признаков модели, используется значимость атрибута – его вклад в итоговое качество, оцениваемое коэффициентом Джини, дает не менее 1% или уменьшает функцию потерь на величину, превышающую пороговое значение.

Итоговое качество модели определяется на тестовой выборке. Выборка для тестирования может формироваться тем же способом, что и при проведении однофакторного анализа.

Сводная таблица по компонентам

Выводы

Итак, в статье мы провели детализацию особенностей моделирования компонент ожидаемых потерь: PD, LGD и EAD.

Главный вывод можно сформулировать следующим образом: прежде чем мы дойдем до import xgboost as xgb ML необходимо существенную часть времени потратить на аналитику и учитывать особенности бизнес-процессов при разработке и тестировании модели. Формулу для DS, применительно к нашим компонентам, можно записать в следующем виде:

Однако здесь стоит иметь ввиду два момента. Во-первых, для сегмента физических лиц характерна большая доля ML и автоматизации решений, по сравнению с сегментом юридических лиц. Во-вторых, доля ML вырастает за счет привлечения продвинутых алгоритмов для анализа, например текстовых и геоданных, а также для поиска сложных паттернов поведения клиентов по разнородным источникам.

Авторы статьи: Александр Бородин (abv_gbc), Алиса Пугачёва (alisaalisa),
Артём Савинов (artysav), Илья Могильников (eienkotowaru).

Список использованных терминов и сокращений

Источник