Определение особенностей кредитования физических лиц в КБ "ПриватБанк"

Определение особенностей кредитования физических лиц в КБ "ПриватБанк"

Показатели РTI не должны превышать:

¾              для кредитов в национальной валюте при доходе в национальной валюте 40 %;

¾              для кредитов в национальной валюте при доходе в иностранной валюте 45 %;

¾              для кредитов в иностранной валюте при доходе в иностранной валюте 40 %;

¾              для кредитов в иностранной валюте при доходе в национальной валюте 30 %.

2.                Коэффициент OTI (Оbligations-tо-Іnсоmе Rаtіо) обязательства к доходу, который рассчитывается так:

, (1.8)

где Пщ — сумма всех ежемесячных платежей заемщика, которая состоит из текущих расходов физического лица, взносов по страхованиям, квартирной платы и других расходов.

Показатели OTI не должны превышать:

¾              для кредитов в национальной валюте при доходе в национальной валюте 50 %;

¾              для кредитов в национальной валюте при доходе в иностранной валюте 55 %;

¾              для кредитов в иностранной валюте при доходе в иностранной валюте 50 %;

¾              для кредитов в иностранной валюте при доходе в национальной валюте 40 %.

3.                Коэффициент платежеспособности заемщика — физического лица (КПфо) определяется по формуле:

, (1.9)

Значение коэффициента платежеспособности должно быть больше 1.

К качественным характеристикам заемщика – физического лица принадлежат:

¾              общее материальное положение клиента (наличие имущества и копий соответствующих документов, которые подтверждают его право собственности, они должны быть засвидетельствованы в установленном порядке);

¾              социальная стабильность клиента (то есть наличие постоянной работы, деловая репутация, семейное положение и тому подобное);

¾              возраст клиента;

¾              кредитная история (интенсивность пользования банковскими кредитами/гарантиями в прошлом, своевременность погашения задолженности и процентов по кредиту).

Во время оценки кредитоспособности заемщиков – физических лиц, которые получают кредит как предприниматели, должны учитываться также соответствующие показатели, которые устанавливаются для юридических лиц, в частности:

¾              менеджмент (уровень менеджмента, деловая репутация и связи в деловом окружении, готовность и возможность заемщика нести личную ответственность по исполнению кредитных обязательств и тому подобное);

¾              факторы рынка (вид отрасли, оценка привлекательности товаров/услуг, которые изготовляются/предоставляются заемщику; рынок таких товаров/услуг, уровень конкурентоспособности, длительность деятельности на конкретном рынке, и тому подобное);

¾              прогноз движения денежных потоков (соотношение собственного капитала и размера кредита, соотношение денежных оборотов за месяц и суммы кредита и тому подобное).

В процессе оценки кредитоспособности заемщика осуществляется расчет лимита кредитования, который составляется с суммой кредита, которую спрашивает заемщик. В случае, если расчетный лимит кредитования меньше суммы кредита, которую спрашивает заемщик, ему предлагается изменить условия кредитования:

¾              увеличить срок пользования кредитом;

¾              уменьшить сумму кредита и др.

По результатам оценки кредитоспособности в зависимости от значения комплексной рейтинговой оценки банк относит заемщика физическое лицо к определенному классу "А", "Б", "В", "Г" или "Д", и принимает решение о выдаче кредита (табл. 1.5). Одним из перспективных направлений оценки кредитоспособности заемщика физического лица является использование системы кредитного скоринга, которая базируется на бальной оценке факторов кредитного риска[28].

Скоринг является математической или статистической моделью, с помощью которой на основе кредитной истории "прошлых" клиентов банк пытается определить, какая вероятность того, что конкретный потенциальный заемщик вернет кредит в определенный срок.

Скоринг используется главным образом во время кредитования физических лиц, особенно при выдаче потребительских кредитов, не обеспеченных залогом.

Основное задание скоринга заключается в том, чтобы выяснить не только, состоятельный клиент ли выплатит кредит, но и степень надежности и обязательности клиента (таблица 1.5).

Таблица 1.5 – Определение класса заемщика — физического лица по результатам оценки его финансового состояния.

В упрощенном виде скоринговая модель составляет взвешенную сумму определенных банком характеристик.

Перечень характеристик для оценки уровня кредитного риска заемщика — физического лица определяется банком самостоятельно. Чаще всего используют такие характеристики, как возраст, количество детей/иждивенцев, профессия, чистый доход, дополнительный доход на семью, длительность работы на последнем месте работы, длительность клиентских отношений с банком, наличие счета и др. Но прежде всего кредитный скоринг учитывает такие параметры, как погашение заемщиком задолженности в прошлом, текущий уровень задолженности, длительность кредитной истории и др.

Результатом скоринга является рассчитанный интегральный показатель (sсоrе), который вычисляется как сумма определенных характеристик с разными взвешивающими коэффициентами. Чем выше значение интегрального показателя, тем выше надежность клиента. В соответствии со значением интегрального показателя банк может упорядочить перечень своих клиентов по степени роста кредитоспособности.

Интегральный показатель каждого клиента сравнивается с каким-то числовым порогом или линией разделения, что, собственно говоря, является линией безубыточности и рассчитывается исходя из того, сколько в среднем необходимо клиентов, которые платят в срок, для того, чтобы компенсировать убытки от непогашения одного кредита. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии — нет.

Внедрение кредитного скоринга в практическую деятельность отечественных банков даст возможность:

¾              повысить эффективность управления кредитным портфелем банка на основании принятия взвешенных и обоснованных решений;

¾              снизить операционные расходы благодаря экономии рабочего времени работников кредитного отдела, поскольку в сравнении с традиционным анализом кредитной заявки снижается количество документации, которая обрабатывается;

¾              использовать качественно новые системы принятия решений относительно выдачи кредита и совершенствование моделей кредитования.

В последнее время скоринг становится все более популярным не только во время оценки кредитного риска, но и в других отраслях: при маркетинговом исследовании (для определения вероятности, что именно эта группа клиентов будет пользоваться этим видом продукции); работе с должниками (для определения наиболее эффективного метода возмещения убытков); выявлении мошенничества с кредитными карточками; определении вероятности, что клиент может перейти к конкуренту и др. Банки все чаще пользуются технологией "быстрой оценки" не только при выдаче потребительских кредитов, но и при кредитовании мелкого бизнеса. Для проведения скоринга в этом случае необходим минимальный пакет документов, а решение о выдаче кредита принимается после анализа основных данных о бизнесе клиента. Как правило, это сведения об объеме дохода от реализации продукции (работ, услуг), количество торговых мест, торговую площадь этих объектов, а также о личном имуществе владельца бизнеса.

Банки Украины предоставляют кредиты по большей части заемщикам, которые принадлежат к классам "А", "Б" и "В". Заемщикам, которые по результатами оценки финансового состояния попали К классам "Г" или "Д", кредиты выдают в отдельных случаях, например, для рефинансирования уже выданного ранее кредита, для реализации программы санации предприятия-заемщика или при условии наличия высоколиквидного обеспечения и тому подобное[26].

Методология построения скоринговых систем.

Методы и подходы, лежащие в основе скоринговых систем, весьма разнообразны. К основным известным и используемым в настоящее время методам могут быть отнесены следующие:

1. Линейный дискриминантный анализ.

Дискриминантный анализ – это раздел математической статистики, содержанием которого является разработка методов решения задач различения (дискриминации) объектов наблюдения по определенным признакам. Применительно к скорингу объекты наблюдения – это данные о потенциальном заемщике, признаки – характеристики (факторы). Дискриминируются заемщики на два класса: кредитоспособные и некредитоспособные. Процедуры дискриминантного анализа можно разделить на две группы. Первая группа процедур предназначена для описания (интерпретации) различия между существующими классами, вторая – для проведения классификации новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они относятся.

Пусть имеется множество объектов наблюдения (кредитных договоров с данными по заемщикам и результатом – кредит погашен должным образом или имели место проблемы). Каждая единица наблюдения характеризуется несколькими факторами (переменными): xij – значение j-й переменной у i-го объекта, при i = 1...N; j = 1...p. Все множество объектов разбито на несколько подмножеств (два и более), или классов. Из каждого подмножества взята выборка объемом nk, где k – номер подмножества (класса) при к = l...g. Признаки, которые используются для того, чтобы отличать один класс (подмножество) от другого, называются дискриминантными переменными (предикторами). Каждая из этих переменных должна измеряться либо по интервальной шкале, либо по шкале отношений.

Интервальная шкала позволяет количественно описать различия между свойствами объектов. Для задания шкалы устанавливаются произвольная точка отсчета и единица измерения. Примерами таких шкал являются возраст заемщика, уровень его среднемесячного дохода за последние 6 месяцев и т.д.

Шкала отношений – частный случай интервальной шкалы. Она позволяет соотносить категоризированные предикторы. Теоретически число дискриминантных переменных не ограничено, но на практике их выбор осуществляется на основании содержательного анализа исходной информации и соответствующих статистических процедур оценки вклада каждого предиктора в процесс формирования правильных решений по классификации. Число объектов наблюдения должно превышать число дискриминантных переменных как минимум на два, то есть p < N. Дискриминантные переменные должны быть линейно независимыми. Еще одним предположением при дискриминантном анализе является нормальность закона распределения многомерной величины, то есть каждая из дискриминантных переменных внутри каждого из рассматриваемых классов должна быть подчинена нормальному закону распределения. В случае когда реальная картина в выборочных совокупностях отличается от выдвинутых предпосылок, следует решать вопрос о целесообразности использования процедур дискриминантного анализа для классификации новых наблюдений, так как при этом затрудняются расчеты каждого критерия классификации. Линейная дискриминантная функция имеет вид:

D(X) = w0 + w1x1 + w2x2 +... + wn xn, (1.10)

где wi- коэффициенты.

Для случая дискриминации на два класса решающее правило выглядит следующим образом: если D(X) <= 0, объект Х относится к 1-му классу, если D(X) >= 0, - ко 2-му. Необходимо отметить, что дискриминантный анализ является достаточно грубым и приближенным методом для скоринга в силу сделанных предположений и линейности самой дискриминантной функции. Однако данный метод важен в начале разработки скоринговых систем для оценки важности ("просеивания") предикторов.

2. Многофакторная логистическая регрессия.

Логика построения уравнения логистической регрессии аналогична построению линейной дискриминантной функции:

log(p/(1-p)) = w0 + w1x1 + w2x2 + ... + wnxn, (1.11)

где р – вероятность дефолта (невозврата кредита),

w – весовые коэффициенты,

х – характеристики клиента.

В результате распознавания или классификации по предъявляемому объекту – потенциальному заемщику уравнение логистической регрессии дает оценку вероятности дефолта (невозврата) кредита. Если разработчиками скоринговой системы заранее установлено определенное пороговое значение этой вероятности для разделения двух классов объектов (например, "надежный заемщик" и "проблемный заемщик"), такая конструкция будет способна в автоматическом режиме формировать вывод о допустимости или недопустимости выдачи кредита. Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

3. Деревья решений.

В методе деревьев решений сегментация (классификация) объектов осуществляется путем последовательного дробления факторного пространства Х1, Х2,..., Xm на вложенные прямоугольные области. Первый шаг – разделение по самому значимому фактору (характеристике). Последующие шаги – повторение процедуры до тех пор, пока никакой вариант последующей сегментации не даст значимого различия между соотношением объектов разных классов по сравнению с полученными ранее сегментами. Количество разветвлений, факторы, по которым в узлах дерева решений осуществляется ветвление, и пороговые значения факторов в узлах дерева решений определяются в методе автоматически.

4. Нейронные сети.

Идея нейронных сетей возникла в результате попыток смоделировать поведение живых существ, воспринимающих действия внешней среды и обучающихся на собственном опыте. Нейронные сети дают возможность по обучающей выборке объектов (массиву данных по заемщикам с закрытыми кредитными договорами и с известным результатом погашения кредита) конструировать структуру, состоящую из нейронов и связей и предназначенную для отнесения предъявляемого объекта (потенциального заемщика) к одному из вышеназванных классов ("надежные заемщики" или "проблемные заемщики"). Применительно к скоринговым системам нейросеть рассматривается как черный ящик, содержание которого (нейроны, количество слоев нейронов, расположение нейронов по слоям, вес нейронов и т.д.) не имеет какой-либо смысловой трактовки или явного смысла.

5. Метод минимизации структурного риска В. Вапника

Этот метод лежит в основе предлагаемого на российском рынке программного продукта по скорингу KXEN. Очевидно, что лучшей решающей функцией будет функция, минимизирующая уровень ошибки классификации (ожидаемый риск). Однако напрямую, только по обучающей выборке, оценить ожидаемый риск невозможно. Если размерность пространства функций f(X; a) (своеобразная оценка сложности семейства функций, среди которых ищется оптимальная решающая функция) ограничена, то может быть получена оценка сверх ожидаемого риска. Ожидаемый риск рассматривается как сумма двух рисков: эмпирического (уровень ошибок классификации на обучающей выборке) и риска использования пространства функций f(X; a) размерности (N) (мера ошибок классификации вследствие неполноты (с точки зрения задач классификации) пространства функций f(X; a)). Принцип минимизации структурного риска, предложенный В. Вапником, состоит в выборе такого семейства решающих функций и нахождении в этом семействе такой оптимальной решающей функции, которая удовлетворительно классифицирует объекты обучающей выборки и не является чрезмерно сложной (имеющей большую размерность)[10].

Программные продукты.

Обзор компаний, реализующих скоринговые системы на отечественном рынке, и их программных продуктов (Credit Scoring Solution, EGAR Application Scoring, автоматизированная система РОСНО по предоставлению предстраховой экспертизы, dm-Score, Deductor, KXEN, "Франклин&Грант. Финансы и аналитика", Forecsys Scoring Pilot и др.) показывает, что рынок программного обеспечения находится в стадии формирования и развития. При этом большинство поставщиков программного обеспечения не раскрывают деталей алгоритмов скоринга, лежащих в основе предлагаемых ими продуктов. Не более 10% банков в настоящее время используют покупные скоринговые системы. Словом, перспективы для роста данного рынка весьма велики.

Ни одна приобретаемая скоринговая система, как правило, не пригодна для практического использования без предварительной "настройки". Суть такой настройки состоит в том, чтобы на имеющихся у банка данных (обучающая выборка) по закрытым кредитам (с известным результатом погашения) провести настройку скоринговой системы, включающую, в частности, отбор наиболее значимых (из числа имеющихся) характеристик потенциального заемщика, для решения задач скоринга. Как показывает практика, такой набор характеристик существенно отличается не только для разных стран Западной Европы, но и для разных регионов одной страны (например, Москвы и небольших городов с численностью населения до 100 тыс. человек). Так, в ряде регионов для небольших городов одной из важнейших характеристик заемщика нередко оказывается место работы и срок работы на каком-либо градообразующем предприятии. Для крупнейших городов страны данный фактор может и не быть определяющим. Это означает, что многофилиальные банки, осуществляющие кредитование в различных регионах страны, будут вынуждены проверять настройку скоринговых систем для каждого филиала или групп филиалов. Иначе говоря, в многофилиальных банках может иметь место ситуация, когда в разных филиалах функционируют разные версии скоринговой системы. Более того, и постоянная модификация (обновление) скоринговой системы должна проводиться дифференцированно в разрезе филиалов и групп филиалов.

Оценка эффективности скоринговой системы.

Разумеется, представленный обзор направлений, методов разработки скоринговых систем и программного обеспечения не является исчерпывающим и законченным. Актуальность, сложность и значимость самого процесса скоринга будут стимулировать модернизацию известных методов и разработку новых методов и подходов. Тем не менее для банков как при разработке собственных скоринговых систем, так и при покупке систем, предлагаемых на рынке, принципиально важно оценить эффективность скоринговой системы. Методология ее построения обусловливает вероятность ошибок, что и определяет в конечном счете эффективность системы. Более точно эффективность скоринговой системы может быть оценена с позиции вероятности ошибок 1-го и 2-го рода:

¾              ошибка 1-го рода: кредитоспособный заемщик квалифицируется скоринговой системой как некредитоспособный;

¾              ошибка 2-го рода: некредитоспособный заемщик квалифицируется скоринговой системой как кредитоспособный.

Очевидно, что ошибки 2-го рода являются наиболее фатальными с точки зрения кредитного риска, а ошибки 1-го рода характеризуют упущенные рыночные возможности по кредитованию физических лиц. Соотношение этих ошибок может быть различным у различных скоринговых систем. При принятии решения о покупке или внедрении скоринговой системы (независимо от глубины и нестандартности теоретических обоснований методов, на которых она базируется) необходимо оценить эффективность последней. Обычно это осуществляется в два этапа:

а)                на обучающей выборке проводится настройка скоринговой системы. Необходимо отметить, что при формировании обучающей выборки соотношение числа погашенных в срок и проблемных кредитов должно соответствовать реальному соотношению за последний период (год или полугодие).

б)                на контрольной выборке (данные этой выборки не использовались при настройке системы скоринга) осуществляется оценка ошибок 1-го и 2-го рода.

По результатам второго этапа принимается решение о приемлемости скоринговой системы к внедрению исходя из требований, установленных банком для уровней ошибок 1-го и 2-го рода. Здесь встречаются ситуации, когда необходимо сравнивать текущий уровень просроченной задолженности с потенциальными возможностями, предоставляемыми скоринговой системой. Пусть, например, текущий уровень просроченной задолженности по розничному портфелю составляет 4%. Уровни ошибок 1-го и 2-го рода скоринговой системы, оцененные по контрольной выборке, составляют 6 и 5% соответственно. Есть ли смысл в данном случае внедрять скоринговую систему? Если основная цель – снижение кредитных рисков, то, безусловно, стоит. Схема использования скоринговой системы будет такова: по существующим в банке (без учета скоринговой системы) критериям осуществляется предварительный отбор заемщиков (1-й шаг процедуры отбора). Уровень просроченной задолженности по отобранным таким образом заемщикам может быть оценен в 4%. Затем заемщик подвергается оценке со стороны скоринговой системы (2-й шаг процедуры отбора). По итогам обоих шагов процедуры отбора уровень просроченной задолженности в отобранном множестве потенциальных заемщиков, признанных кредитоспособными, составит 0,2%, то есть доля проблемных кредитов в портфеле будет снижена с 4% (до внедрения скоринговой системы) до 0,2%. При этом, однако, будет ошибочно отказано в предоставлении кредитов 6% от числа обратившихся и прошедших 1-й шаг процедуры отбора частным лицам. При принятии решений необходимо оценить и взвесить приемлемые структуру распределения и уровни ошибок 1-го и 2-го рода. В общем случае для самых приближенных оценок может использоваться линейная функция полезности вида:

U = S*х*(е0 - е2*х*е0) – М*х*е1*х*d, (1.12)

где S – объем кредитного портфеля;

e0 – уровень просроченной задолженности по портфелю до внедрения скоринговой системы;

e1 – уровень ошибок 1-го рода;

e2 – уровень ошибок 2-го рода;

М – количество кредитов в портфеле;

d – объем доходов по одному погашенному в срок кредиту (в среднем по портфелю).

Смысл функции U состоит в том, чтобы оценить в денежном выражении баланс доходов (вследствие уменьшения доли просроченной задолженности) и потерь (вследствие отказа кредитоспособным заемщикам) от внедрения скоринговой системы. Значение функции U должно также анализироваться совместно с рассмотрением цен (затрат на разработку) и расходов на внедрение и актуализацию скоринговой системы. Конкретный вид и структура функции полезности будет выбираться каждым банком с учетом собственной рыночной стратегии и кредитной политики.

Говоря о перспективах развития и внедрения скоринговых систем, необходимо констатировать, что это направление деятельности будет развиваться параллельно с развитием системы бюро кредитных историй и применяться скоринговые системы будут не только в экспресс-кредитовании, но и во всех видах розничного кредитования как операциях, несущих кредитный риск[13].

В данном разделе диплома мы рассмотрели теоретические основы банковского кредитования, а именно следующие подразделы:

¾              понятие и классификация кредитов;

¾              принципы и правила кредитования;

¾              кредитоспособность заемщика, как экономическое понятие;

¾              методы оценки кредитоспособности заемщика.

В подразделе «Понятие и классификация кредитов» было подробно рассмотрено, что такое кредит и какие виды кредитов по классификационным признакам предоставляются в наше время банками.

В подразделе «Принципы и правила кредитования» были рассмотрены принципы кредитования, к которым относятся:

¾              срочность возвращения;

¾              целевой характер;

¾              обеспеченность;

¾              платность кредита.

Также были рассмотрены основные правила кредитования и запреты на предоставление кредитов.

В подразделе «Кредитоспособность заемщика, как экономическое понятие» было подробно рассмотрено понятие кредитоспособности, а также чем кредитоспособность отличается от платежеспособности. Также было рассмотрено понятие кредитоспособности от лица различных экономистов разных времен.

В подразделе «Методы оценки кредитоспособности» были подробно рассмотрены следующие методы:

¾              метод оценки кредитоспособности заемщика на основе системы финансовых коэффициентов, которые определяются по балансовым формам;

¾              метод оценки кредитоспособности заемщика на основе расчета финансовых коэффициентов;

¾              метод оценки кредитоспособности на основе анализа денежных потоков;

¾              метод оценки кредитоспособности на основе анализа делового риска;

¾              метод оценки кредитоспособности заемщика – физического лица.

Также в данном вопросе был рассмотрен скоринговый метод кредитования физических лиц, а также методология построения скоринговых систем, к основным методам относятся:

¾              линейный дискриминантный анализ;

¾              многофакторная логистическая регрессия;

¾              деревья решений;

¾              нейронные сети;

¾              метод минимизации структурного риска В. Вапника.

2. АНАЛИЗ КРЕДИТНОЙ ДЕЯТЕЛЬНОСТИ ПАО КБ «ПРИВАТБАНК»

2.1 Анализ масштабов и динамики кредитных вложений

Анализ кредитной деятельности банка целесообразно начинать с определения места, которое занимают кредитные операции в общем объеме активов банка, то есть необходимо дать общую оценку масштабов кредитной деятельности. Для этого рассчитывается коэффициент части кредитов в общих активах банка по формуле:

. (2.1)

Этот показатель может быть рассчитан как в целом за анализируемый период, так и на определенную дату, то есть на начало, или на конец периода. Он показывает часть кредитных операций в общих активах банка и характеризует кредитную активность банка. Если данный коэффициент слишком высокий, то это означает, что деятельность банка, возможно, недостаточно диверсифицирована, что, в свою очередь, увеличивает риск в случае ухудшения кредитного портфеля. Наоборот, коэффициент низкий свидетельствует о том, что банк недостаточно использует источники финансирования в процессе формирования прибыльных активов и тем самым ограничивает свой прибыльный потенциал.

Банк, который чересчур перегруженный займами, имеет высокий коэффициент части займов в общих активах. Показатель более 65% считается высоким. Ликвидные банки имеют уровень ниже этого коэффициента, но большую часть средств в краткосрочных средствах денежного рынка и в инвестиционных ценных бумагах, которые, в свою очередь, могут легко конвертироваться в денежные средства, которые потом могут быть выданы в форме займов.

Определим кредитную активность ПАО КБ «ПриватБанк» за 3 отчетных периода на основе данных финансовой отчетности банка.

,

,

.

По результатам расчетов, часть кредитных операций банка в 2007 году составила 74,2%, в 2008 году 90,8%, а в 2009 году 87,1% всех активов банка, то есть с 2007 по 2008 год этот показатель увеличился на 16,6%, а с 2008 по 2009 год этот показатель уменьшился на 3,7%. Ситуацию 2007-2009 года можно расценивать как позитивное явление, а уменьшение показателя в 2008-2009 году как негативное. Но полный вывод о целесообразности расширения заемной деятельности можно сделать после анализа погашения займов и расчета эффективности отдельных видов банковской деятельности, а также объективных возможностей их развития.

Кредитная активность банка приведена в таблицах 2.1 и 2.2.

Из данных, полученных в таблице видно, что кредитные вложения за год увеличились на 31 094 425 тыс. грн., либо на 74,58%, активы банка увеличились на 23 954 060 тыс.грн., либо на 42,61%, удельный вес кредитов в общих активах за год увеличился на 16,6 процентных единиц, либо в процентном выражении на 22,37%.

Таблица 2.1 – Анализ масштабов кредитной деятельности ПАО КБ «ПриватБанк» за 2007-2008гг.

Аналогично в таблице 2.2 отразим анализ масштабов кредитной деятельности ПАО КБ «ПриватБанк» за 2008-2009 год

Таблица 2.2 – Анализ масштабов кредитной деятельности ЗАО КБ «ПриватБанк» за 2007-2008 гг.

Из таблицы видно, что кредитные вложения за 2009 год по сравнению с 2008 годом увеличились на 2 203 185 тыс.грн, либо в относительном выражении на 3,02%, общие активы увеличились на 5 900 666 тыс.грн, либо на 7,36%, удельный вес кредитов в общих активах за год уменьшился на 3,7 процентных единиц, либо в процентном выражении на 4,07%.

Обозначим графически показатели кредитных вложений и общих активов ПАО КБ «ПриватБанк» в 2007-2009 гг. на рисунке 2.1.

Рисунок 2.1 – Кредитные вложения и общие активы ПАО КБ «ПриватБанк» за 2007-2009 гг.

Следующим этапом кредитных операций является определение темпов роста и прироста. Темп роста определяется как соотношение суммы кредитных вложений на конец отчетного периода и суммы на начало периода:

. (2.2)

Темп прироста кредитных вложений рассчитывается по формуле:

. (2.3)

Приведенные коэффициенты свидетельствуют о темпе роста (прироста) или снижении заемной деятельности банка. При этом необходимо определить и проанализировать какие-либо источники (то есть сегменты портфеля) изменений, а также их влияние на риск деятельности. Кроме этого, важно выявить, являются ли эти изменения типичными для всей банковской системы, или только для данного банка.

На основе данных финансовой отчетности ПАО КБ «ПриватБанк», рассчитаем показатели темпа роста и темпа прироста за 3 отчетных периода.

,

,

.

По данным расчетов, видно, что кредитные вложения в 2007 году по сравнению с 2006 годом увеличиваются, темп роста в 2007 году составил 1,45, то есть увеличился на 45%, в 2008 году темп роста составил 1,75, то есть кредитные вложения в 2008 году по сравнению с 2007 годом увеличились на 75%, а в 2009 году темп роста составил 1,03, что говорит о том, что кредитные вложения увеличились, но не значительно, по сравнению с предыдущими отчетными периодами, а именно, вложения увеличились всего лишь на 3% за год.

,

,

.

Темп прироста в 2007 году составил 0,45, в 2007 году 0,75, и в 2009 году 0,03, что свидетельствует о том, что кредитные вложения банка с каждым годом возрастают.

Проиллюстрируем графически изменения темпов роста и темпов прироста кредитных вложений ПАО КБ «ПриватБанк» в 2007-2009 гг. на рисунке 2.2.

Рисунок 2.2 – Показатели темпов роста и темпов прироста кредитных вложений ПАО КБ «ПриватБанк» в 2007-2009 гг

В данном подразделе были проанализированы кредитные вложения ПАО КБ «ПриватБанк» за 3 отчетных периода. Проведенный анализ показал, что кредитные вложения в 2007-2008 годах растут, что является положительным явлением, а вот проанализировав 2009 отчетный период, видно значительное уменьшение показателей, это может быть следствием кризиса, который настиг банковскую деятельность, а в частности кредитные операции[6].

2.2 Анализ кредитного портфеля ПАО КБ «ПриватБанк»

Кредитный портфель банка включает агрегированную балансовую стоимость всех кредитов, в том числе просроченных, пролонгированных и сомнительных до возвращения. Вместе с тем в него не входят:

¾              проценты начисленные, но не уплаченные;

¾              обязательства выдать кредит;

¾              кредитные линии, которые еще не использованы;

¾              гарантии и аккредитивы;

¾              оперативный лизинг.

От структуры и качества кредитного портфеля банка в значительной степени зависит его стабильность, репутация и финансовый успех. Поэтому банку необходимо анализировать качество займов, проводить независимые экспертизы больших кредитных проектов и мероприятий, выявлять случаи отклонения от законной кредитной политики.

Данные кредитного портфеля ПАО КБ «ПриватБанк» за 2006-2008 гг. представлены в таблице 2.3.

Таблица 2.3 – Кредитный портфель ПАО КБ «ПриватБанк»

Общая сумма сомнительной задолженности по кредитам состоянием на конец дня 31.12.2007 года составила 99 647 тыс. грн. По внебалансовым счетам для учета не оплаченных в срок доходов банк насчитывает сомнительные к получению проценты и комиссии по предоставленным кредитам, штрафы и пеню за нарушение условий договоров и другие сомнительные доходы по операциям с клиентами[37]. Наибольший удельный вес в кредитном портфеле ПриватБанка принадлежит таким отраслям, как:

–оптовая торговля и посредничество в торговле - 24,49%;

– металлургия - 6,81%;

– услуги, предоставленные преимущественно юридическим лицам - 5,78%;

– индивидуальные услуги - 3,81%;

– сельское хозяйство - 3,26%.

Проиллюстрируем это на рисунке 2.3

Рисунок 2.3 – Наибольший удельный вес в кредитном портфеле ПАО КБ «Приватбанк»

Кредиты, предоставленные физическим лицам, составляют 40,18% кредитного портфеля банка. Общая сумма сомнительной задолженности по кредитам состоянием на 31.12.2008 г. составила 67021 тыс. грн (или 0,26%) от общего размера кредитного портфеля банка.

Проведем горизонтальный и вертикальный анализ кредитного портфеля ПАО КБ «ПриватБанк» за 2006-2008 годы.

Таблица 2.4 – Горизонтальный анализ кредитного портфеля ЗАО КБ «ПриватБанк» за 2006-2007гг.

Проведенный горизонтальный анализ показал нам, что сокращение кредитов наблюдается по следующим статьям кредитного портфеля:

¾              операции рэпо;

¾              учтенные векселя;

¾              кредиты в инвестиционную деятельность;

Страницы: 1, 2, 3, 4, 5