4. Portfolió-menedzsment és monitoring

Miután kialakítottuk hitelezési politikánkat fontos, hogy döntéseink következményeit folyamatosan figyelve tovább finomítsuk a termékpalettát és a bírálati elveket, ezért a portfoliónkon zajló folyamatokat ajánlatos rendszeresen figyelemmel kísérnünk. A legfontosabb feladatok, hogy a teljesítményt összevessük az üzleti tervben, a termékprogramban meghatározottakkal, valamint a többi piaci szereplő teljesítményével is összehasonlítsuk.

4.1. Leading indicators

Az első feladat, hogy a jelenlegi üzletmenet irányát megértsük, ne pusztán csak az új ügyfelek mennyiségét és a felvett hitel nagyságát, de az ügyfelek minőségét is vegyük figyelembe. Fontos, hogy az igénylők valóban a meghatározott célcsoport alanyai legyenek, mert feltehetőleg ők fogják majd oly módon használni termékünket, ahogyan azt a tervezés során elképzeltük. Ezért fontos annak visszamérése is, hogy a termék bírálati feltételeit az ő számukra átléphetően határoztuk-e meg, de ugyanakkor nem pozícionáltuk-e túl alacsonyan termékünket. Az analízis alapja a populáció értékesítési csatornák, régiók, demográfiai megoszlás és fizetési tapasztalat alapján történő megkülönböztetése. Ezek az ún. leading indikátorok. Az adósminősítési pontszámok eloszlása az ügyfélminőséget jelzi vissza számunkra, már amennyiben feltételezzük, hogy a besorolásukra használt scorecard valóban jól értékel. A jövedelmi szint, a munkahely és az ágazat a célpiac elérését mutatja, illetve a vállalt kockázat mértékét. A fizetési múlt, az eladósodottság mértéke, és a keretek kihasználtsága az ügyfélstabilitás, vagyis a hitel visszatérítési esélyének megítélésében segít. Tipikus indikátorok a jóváhagyás és elutasítás aránya, az átlagos hitelkeret limit, az átlagos életkor és jövedelem, az eladósodottság szintje, mióta ügyfele a banknak, és hasonlók.

A performancia mérés az első hónapokban rendszerint nem könnyű, miután az új scoringgal elbírált ügyfelek száma sem túl nagy, továbbá nem telt még el elegendő idő ahhoz, hogy az ügyfelek viselkedési jellemzői kialakuljanak (magyarul a rosszak késedelembe essenek). Az első hónapokban éppen ezért nem is szoktak messzemenő vizsgálatokba bocsátkozni, néhány ezres minta, mely legalább fél éves múltra visszanyúl azonban esetleg már elemezhető adatokkal szolgálhat. Ezzel szemben az angolul Population Stability névre hallgató tábla szinte azonnal használható a scorecard fejlesztési és a jelenleg bejövő minta közti eltérés, illetve általában a bejövő populáció minőségének mérésére. A tábla csak a jóváhagyott és a scoring miatt elutasított igényléseket tartalmazza. Az egyéb ok miatt elbukott ügyleteket azért nincs értelme vizsgálni, hiszen ők eleve nem részei a bank által elérni kívánt célcsoportnak, így az egyáltalán scorolni kívánt ügyfeleknek sem. Ezeket az adatokat összehasonlítjuk a vele egy tartományban lévő fejlesztési mintabeli adatokkal, amit egyrészt grafikusan is szemlélhetünk, másrészt a belőlük számított Population Stability Index nevű divergencia mutató számszerűen is értékeli a két portfolió viszonyát. Az index számításakor az új minta és a fejlesztői minta százalékos megoszlásának különbségét megszorozzuk azok hányadosának természetes alapú logaritmusával, majd a soronkénti értékeket összegezzük, így megkapjuk a teljes állományra érvényes Stability Indexet: (TL% - DS%) × ln(TL% / DS%).

Az index értékét általában 0,1-ig minősítjük jónak, a felett kb. 0,25-ig már bizonyos torzulásról beszélhetünk, felette viszont bátran kimondhatjuk, hogy a beérkező populáció nem reprezentálja a tervben megfogalmazottat. A fenti számítás eredménye 0,09 lett, vagyis portfoliónk nagyjából illeszkedik a scorecard fejlesztés során használt mintához. A jók eloszlása és a sávonkénti badrate (rosszak aránya) szorzatösszegeként kapott 5,7% mutatja, hogy a jóváhagyások score értékei alapján ekkora delikvencia várható a terméken. Ha grafikusan is felvázoljuk az eloszlást láthatjuk, hogy alacsonyabb tartományokban az új mintából nagyobb arányban szerepelnek, mint a fejlesztői mintában, magasabb tartományban pedig a korábbi minta szerepel valamelyest jobban. Ez alapján megállapíthatjuk, hogy az új portfolió valamivel gyengébb, mint a fejlesztői minta volt, legalábbis az új scorecard alapján.

Szintén a populáció minőségének mérésére szolgál az ügyfelek minősítésének karakterisztikánkénti mérése. Ebben score változónként és azon belül is jellemzőnként megvizsgáljuk a jelenlegi és fejlesztői populáció megoszlását. A két minta jellemzőnkénti megoszlása különbségének score pontszámmal megszorzott összege mutatja, hogy az oda sorolt ügyfelek hány ponttal térítik el a populációt a mintától, ezek összege pedig kiadja, hogy az adott score karakterisztika hogyan befolyásolja ugyanezt.

5. táblázat - Characteristic Analysis Chart (részlet)

A jelen példa alapján elmondhatjuk, hogy az eltartottak számának másként alakulása következtében 1,6 ponttal romlott az adott populáció minősítése.

Bírálati rendszerünket abból a szempontból is célszerű megvizsgálni, hogy az igénylések milyen arányban kerülik el valamilyen módon a standard folyamatot. Miután a standardizált módszerek tendenciák alapján működnek, ezért az igénylők nagy részére a kimutatott tulajdonságok valószínűleg igazak is, azonban egyes esetekben a bíráló számára nyilvánvaló, hogy az ügyfél hitelképességét a standard bírálati feltételek tévesen tükrözik, így az ez alapján hozott döntés nem lenne helyénvaló. Ezen esetekben az erre jogkörrel rendelkező hitelbírálók felülbírálhatják az ilyen döntést. Felülbírálat előfordulhat score pontszám, alapfeltétel, hiányos dokumentáció miatt, vagy akár a bíráló puszta megérzésére alapozva. A döntés pozitív és negatív irányú egyaránt lehet, sőt amennyiben az adott terméken kockázati árazás van, úgy esetenként a hitel feltételei is megváltoztathatók. Az override alkalmazása bizonyos mértékig elfogadott, azonban ha túl nagy arányban fordul elő, felmerül a kérdés, hogy a döntési szabályok megfelelőek-e.

6. táblázat - Override analízis

A fenti tábla a korábban már megismert Population Stability riport kiegészítése, az egyszerűség kedvéért azonban az egyes score-sávok szerinti megoszlást most nem írtuk ki. Ez az elemzés csak a scoring override-ot vizsgálja, a jelen példában láthatjuk, hogy 63 ügyfelet - a cutoff alattiak 3 százalékát - pozitív elbírálásban részesítettünk annak ellenére, hogy scoring miatt el kellet volna utasítani őket, ugyanakkor 516 olyan ügyfelet utasítottunk el, akik a kellő pontszámot elérték, más szempontból azonban mégsem feleltek meg a kívánalmaknak. Az összességében 9,8%-os override ráta nem mondható alacsonynak, de elfogadható mértékű.

4.2. Coincident Indicators

Miután kellően feltérképeztük bírálati folyamatainkat, megfelelő méretű minta összegyűlése után nekiláthatunk a folyósított portfolió minőségének megismeréséhez, ami a gyakorlatban a delikvencia elemzését jelenti. A fizetési hajlandóságot vizsgálhatjuk termékszinten is, de a "vintage-szemlélet" alapján érdemes lehet a portfolió szeletekre bontása különböző bírálati elvek, score érték, vagy más jellemzők alapján is. A vizsgálatokat végezhetjük pillanatfelvétel módjára, amikor az ügyletek aktuális állapotát nézzük, de érdemes a trendek idősoros elemzésére is figyelmet fordítani. Az ilyen jellegű elemzéseket nevezzük coincident vizsgálatoknak.

Az egyik legegyszerűbb módszer, ha az aktív ügyleteket aktuális állapotuk alapján késedelmi kategóriákba soroljuk, és ez alapján vizsgáljuk a delikvenciát. A tőke alapján számított delikvencia arány valamint a minősítési kategóriák alapján előbecsült céltartalék mutatja, hogy mekkora pénzügyi veszteség várható, az ügyfelek száma alapján számított pedig inkább marketing szempontból érdekes, a várhatóan elvesztett egyéneket mutatja. Az összesítéseknél érdemes két fajta delikvencia arányt is számolni, ha meg akarjuk különböztetni a számottevő késedelembe esett, de még megmenthető ügyfeleket - esetünkben ez a 30 napon túli mutató - illetve azokat, akiket (főleg egy kisösszegű fedezetlen hitelek esetén) nagy valószínűséggel elveszít a bank - ezek pedig a 90 napon túliak.

7. táblázat - Delikvencia analízis

A jelen példában a tőke alapján számított 30+ delikvencia 8,9%-os, míg a 90+ 4,4%-os. Ilyen arány hitelkártya, és hasonló kockázatú termékek esetén még elfogadható, de nem ad okot túlzottan nagy örömre. Ha a delikvenciát idősorosan vizsgáljuk, akkor néha megfigyelhető, hogy az arány görbeszerűen, kismértékben fel-le hullámzik. Ezt a "mosolygörbét" mindössze a szezonalítás okozza, értelemszerűen vannak ugyanis időszakok, amikor a háztartások kiadásai megnövekednek (pl. őszi beiskoláztatás, karácsonyi időszak, stb.) és ez időszaki kilengéseket okoz. Idősebb portfoliónál megfigyelhető - elsősorban annuitásos, vagyis véges futamidejű hitelek esetén - hogy a delikvencia egy idő után nemhogy stabilizálódik, de enyhén vissza is hajlik, vagyis csökken. Ennek azon magatartás az oka, hogy a hitel lejárta felé már kissé fellélegeznek az ügyfelek, és az utolsó hónapokban még nehézségek árán is inkább kigazdálkodják a törlesztőrészletre valót, mint hogy késedelembe essenek.

Amennyiben viszonylag fiatal, vagy gyorsan növekedő portfoliót vizsgálunk, úgy erős torzító hatása lehet az új ügyfeleknek, melyek elrejtik a régiek teljesítményét, ezáltal tévesen javítják a delikvencia mutatót. Ezért ilyen esetekben késleltetett delikvencia analízist is érdemes készíteni, mely az aktuális késedelmet a korábbi állományokhoz viszonyítja, így pontosabb képet nyújt. A módszer elve, hogy mondjuk kilencven napon túli késedelembe csak azok az ügyfelek eshettek, akik már legalább négy hónapja a bank ügyfelei, ezért az e kategóriában szereplő ügyfeleket az akkori állományhoz viszonyítjuk. A példa alapján az előzőleg 8,9%-nak számolt 30 napon túli delikvencia ezzel az analízissel 10,1%-ra emelkedett.

8. táblázat - Késleltetett delikvencia analízis

Érdemes a portfolió egyes elkülöníthető részeit külön is vizsgálni. A folyósítás dátuma, vintage, ügyféltípus, értékesítési csatorna, régió és egyéb szempontok alapján felszeletelt portfolió sok tanulsággal szolgálhat, miután különböző gyenge pontokra mutathat rá. Az egyes értékesítési csatornák hozta ügyfelek minősége, a kampányidőszak miatti leterheltség és esetleges gyengébb bírálat következménye, régióbeli különbségek mind leszűrhetőek egy ilyen analízissel.

A vintage szerinti felosztás például megmutatja, hogy egy újabb scorecard bevezetése valóban hatékonyabb bírálatot és jobb ügyfeleket eredményezett-e, vagyis hogy az új fejlesztés során valóban hatékonyabb eszköz jutott-e birtokunkba a rossz adósok kiszűrésére. Ennek egyik legegyszerűbb módja, ha a különböző scorecarddal pontozott ügyfeleket bizonyos időközönként - mondjuk havonta - számba vesszük, és minden időszak végén megnézzük a delikvens ügyfelek arányát. A grafikonok alapján láthatjuk, hogy az előző portfolió (previous vintage) magasabb delikvencia arányokat produkált azonos időszak elteltével, vagyis a jelenlegi (current) minta javítja a teljes hitelállományt, érdemes volt tehát a fejlesztést elvégeznünk.

Újabb módszer a hatékonyság mérésére a delikvencia score tartományonkénti mérése. Ez a számítás megmutatja, hogy az új portfolióban rossz ügyféllé vált ügyletek száma hogyan aránylik az ugyanott lévő jó ügyfelekhez. Az OTBG (Odds To Be Good) mutató a jó és rossz ügyfelek hányadosa, vagyis hogy hány jó ügyfél jut egy rossz adósra.

9. táblázat - Delinquency by Score

	Goods	Bads	Total	OTBG
247-258	0,2%	0,0%	0,2%		6,00
259-270	1,5%	0,1%	1,7%		13,00
271-282	22,4%	2,3%	24,7%		9,65
283-295	21,9%	1,5%	23,4%		14,47
296-307	18,0%	1,1%	19,1%		16,35
308-319	13,6%	0,7%	14,3%		18,28
320-331	9,4%	0,3%	9,7%		28,73
332-344	4,4%	0,1%	4,5%		37,25
345-356	2,0%	0,1%	2,0%		33,00
357-368	0,4%	0,0%	0,4%		-
Total	93,7%	6,3%	100,0%		14,81

Ha ránézünk a fenti táblázatra láthatjuk, hogy az OTBG érték a score tartományokban egyre feljebb haladva 271 és 344 között folyamatosan emelkedik, ami alátámasztja a score hatékonyságát, mivel megmutatja, hogy a jók aránya felfelé haladva egyre növekszik a rosszakhoz képest. A 259-270 tartomány OTBG értéke ugyan jobb, mint az eggyel magasabb tartományé, azonban a cutoff alatti igénylők csak scoring override-dal (felülbírálat) hagyhatók jóvá, ezért minden esetben jobban megvizsgálják őket. A legfelső tartományokban található enyhe visszaesés pedig a kis elemszám miatti nagyobb véletlen hatás miatt következhetett be.

Szintén felosztási szempont lehet az esetlegesen alkalmazott override ill. annak típusa. Ez az esetlegesen befogadandó ügyfélkör megismerésében is hasznunkra lehet, ugyanis ez esetben olyan ügyfeleket vizsgálunk, akik a bírálati feltételek szigorúan vétele esetén nem kerülhettek volna a portfolióba. Sokszor kiderülhet az is, hogy az ilyen ügyfelek jobbak az átlagnál, azonban ez mégsem jelenti automatikusan azt, hogy az adott csoport jobb, ugyanis ők az override-ért cserébe jóval mélyebb vizsgálati folyamaton mentek keresztül, mint a standard ügyletek.

A mérések eredményétől függően sokfajta visszacsatolási lehetőség áll rendelkezésre. A bank szervezhet különféle bevételnövelő programokat, melyek irányulhatnak az ügyfelek aktivitásának növelésére. Lehetnek cross-selling (keresztértékesítési) akciók, melyben a már meglévő ügyfelek viselkedése alapján más termékeket, esetleg előzetesen már jóváhagyva is ajánlanak. A hitelkeretet magas százalékban kihasználó és amúgy jó ügyfelek hitelkeretének megemelése is pozitív hatást eredményezhet. A teljesítmény tükrében szükség esetén újragondolható a bank behajtási stratégiája, illetve a problémás mutatók monitorozását gyakrabban lehet végezni, ill. mélyebb vizsgálatok is végezhetőek. Súlyosabb esetben azonban sor kerülhet termékrevízióra is, ill. a piac más szereplőinek stratégiája is fokozott figyelmet érdemel.

4.3. Lagging indicators

Az analízisek harmadik egységénél a Nettó Hitelezési Veszteség és az azzal kapcsolatos tényezők kerülnek fókuszba, így a termék végső megítélését teszik lehetővé. Ezek a mutatók már nem pusztán előrejelzik, hanem számszerűsítik is a veszteségeket, számításuk így nem túl bonyolult. Hátulütőjük viszont, hogy a véglegesen leírt veszteségek időben igen későn jelentkeznek, így stabil megbízható adatokra több évet kell várni, a problémákra azonban nyilvánvalóan sokkal előbb kell reagálni, így operatív beavatkozások esetén sajnos kevés hasznukat vehetjük. A mérések elsősorban a felmondott szerződések számát és értékét, a kezességek érvényesítését, a fizetési meghagyásokat a peres követeléseket, bírósági végrehajtásokat, Bruttó Hitelezési Veszteséget, a leírt de megtérült követeléseket, a megtérült időt és a Nettó Hitelezési Veszteséget vizsgálják. Az eredmények tükrében a hitelezési stratégia, akvizíciós politika újragondolható, a behajtási és fedezetérvényesítési stratégia, illetve a hitelkockázati tőke és az értékvesztési ráták is felülvizsgálható.

Összefoglalásként elmondhatjuk, hogy a leading indikátorok megmutatják, hogy a célpiac megszerzése rendben zajlik-e, illetve a döntéshozatali mechanizmusok is hogyan működnek. A coincident indikátorok segítenek megismerni, hogy a termékprogramok a tervben meghatározott kockázattal futnak-e. A lagging mutatók pedig a valójában keletkezett veszteségek számszerűsítésében nyújtanak segítséget.

4.4. A kockázatkezelés jövője

Az utóbbi időben nemzetközi szinten is mindinkább foglalkoznak a bankok működése során minden téren felmerülő kockázati tényezőkkel, ezért a Nemzetközi Fizetések Bankja (BIS) berkeiben megalkották a bázeli tőkemegfelelési szabályozást (New Basel Capital Accord), melyet röviden Bázel II-nek nevezünk. Módszerei és bevezetésének ideje hosszú ideje vita tárgya, a jelenlegi tervek szerint 2006 végén lép hatályba. Az egyezmény kitér a bankok hitelezési, működési, felelősségi kockázatára egyaránt, sőt az intézményeket nem vállalatonként, hanem cégcsoportonként tekinti. Az elveket később az EU is átvette saját szabályainak alapjaként.

A hitelezés kockázatainak kétfajta számítási módját vázolja fel a tervezet, a standard ill. belső adatokon alapuló elemzést. Előbbi módszer igyekszik minél egyszerűbb számítási módokat meghatározni, ugyanakkor a kockázat miatt elkülönített tőkét igyekszik a valós veszélyek által arányosabbá tenni a jelenlegi szabályozásnál. A tőkekövetelményt továbbra is a kockázati tőke minimálisan 8%-ában határozza meg az egyezmény. Külön kockázati súlyok kerülnek azonban meghatározásra a hitelfelvevők személye szerint, amely lehet az állam, bank, vállalat vagy lakosság. Ezek a súlyok a jelenlegi szabályozásban négy értéket vehetnek fel (0, 20, 50 és 100%), melyeket az új ajánlás 75 és 150%-os súlyokkal egészített ki. Ez a súly lakossági ügyfelek esetén az eddigi rendszerben kikötött 100%-kal szemben 75%, azonban ha az adott felügyeleti szerv - Magyarországon a PSZÁF - a piacot kockázatosabbnak ítéli meg, úgy felemelheti a rátát. A 90 napja lejárt hitelek esetén a súly 100% marad, mely 150%-ra is emelkedhet, ha a céltartalékok szintje a teljes hitelállomány 20%-ánál alacsonyabb. A 150% persze nem azt jelenti, hogy a kintlévőség másfélszeresével kell számolni veszteségként, csupán a tőkekövetelmény 8-ról 12%-ra való emeléséhez ezt a módszert találták a legegyszerűbbnek.

A másik lehetséges módszer (IRB) a belső minősítésen alapul, melynek számítása lényegesen komplikáltabb, azonban ennek megfelelően pontosabb értéket ad, miután a bank saját tapasztalataira és korábbi portfoliójához illeszkedik. Ez a bankokat a kockázatkezelés fejlesztésére ösztönzi, hiszen az ily módon számított tőkekövetelmény a standard módszerrel számítottnál várhatóan alacsonyabb, nem beszélve arról, hogy nagyobb szabadságot is nyújt. A módszerek természetesen nem lehetnek akármilyenek, az alkalmazott számítások felügyeleti ellenőrzés alá esnek, mely folyamatosan vizsgálja a meghatározott minimumkövetelmények teljesülését.

"Az új szabályozás legfontosabb célja, a közgazdaságilag szükséges tőke és a szabályozói tőkekövetelmény közelítése, a belső minősítésen alapuló tőkeszükséglet számítás révén teljesül leginkább. A Bizottság ezen új módszerek bevezetésével a bankokat egyben kockázatkezelési rendszereik fejlesztésére ösztönzi, hiszen az ily módon számított tőkekövetelmény a jelenlegi egyezmény szerinti és az új egyezményben továbbfejlesztett sztenderd módszer által eredményezett tőkekövetelménynél várhatóan alacsonyabb. E módszerek a bankoknak nagyobb szabadságot adnak a tőkekövetelmény meghatározásában, hiszen saját becsléseiket használhatják fel, de a megbízható és biztonságos működéshez, a megfelelő tőkekövetelmény szintjének biztosításához a módszerek alkalmazása felügyeleti engedélyhez kötött."23

A módszernek két további alfaja létezik. Az alap módszerben a bank csak a nemteljesítés valószínűségét (PD) vizsgálja, a többi paraméter a bizottság által megadott. A fejlett módszerben viszont a bank ezen felül saját maga számítja a nemteljesítéskor előforduló átlagos veszteséget (LGD) és a nemteljesítéskori kockázati kitettség értékét (EAD). A nemteljesülők (defaulterek) meghatározása alapján mindenkit ilyen kategóriába kell sorolni, akinek tartozása 90 napja lejárt, vagy valószínűsíthető, hogy az adós tartozását csak részben tudja teljesíteni. A nemteljesítési veszteségre alapesetben a felügyelet 45%-ot ír elő, belső számítás esetén a bankok próbálják meg kikalkulálni azt az összeget, amekkorát a bank a delikvens ügyfeleken elveszít, ez ugyanis várhatóan még ekkor sem a hitel teljes összege. A kockázati kitettségre a felügyelet 100%-ot ad meg, ez a bankok számítása esetén is általában a kintlévőség értéke, amelytől kevés esetben lehet eltérni. Hosszabb lejáratú hitelek esetén a futamidőt (M) korrekciós tényezőként figyelembe lehet venni a tőkekövetelmény számításakor. Rulírozó hitelek esetén, tehát többek között a hitelkártyánál az egyezmény megengedi, hogy a várható veszteségek 75%-át a bank a jövőbeni bevételből fedezze - természetesen a várható veszteségekre fedezetet nyújtó jövőbeni bevételből. A banknak a felügyeleti szervekkel hitelesíttetnie kell minősítési politikáját, az ügyfeleket már a bírálati folyamat során külön kockázati szinthez kell rendelni, és ennek megfelelően kell kialakítani a nemteljesítés valószínűségét. Rendelkezni kell olyan módszerekkel, melyek a belső elemzéseken alapuló minősítés helyességét rendszeresen ellenőrzik, és szükség esetén a beavatkozás is lehetséges.

Előző fejezet
Következő fejezet