Prosjekt-/Diplom- Oppgave for GE CAPITAL Bank

Transkript

1 Prosjekt-/Diplom- Oppgave for GE CAPITAL Bank

2 GE Capital Bank GE Capital Bank er et av Norges ledende selskap innen forbrukerfinansiering. Vi tilbyr kredittkort og lån uten sikkerhet, med tilhørende forsikrings- produkter. Vi har i dag over kunder og en utlånsportefølje på over 4 milliarder kroner. GE Capital Bank inngår i General Electric Company konsernet, og er en filial av GE Capital Bank AB med hovedkontor i Stockholm. General Electric Company Selskapets historie startet med Thomas Alva Edisons oppfinnelse av glødelampen for nesten 120 år siden. I dag er General Electric et av verdens største og mest solide foretak med en enorm produktbredde, fra flymotorer til hvitevarer og fra røntgenutstyr til lyspærer. Virksomhetsområdene til GE er Power Systems, Transportation Systems, Industrial Systems, Appliances, Aircraft Engine, Plastics, Lighting, TV-selskapet NBC, Medical Systems og GE Capital, som vi er en del av. GE Capitals opprinnelse Forløperen til GE Capital ble startet under depresjonen på 30-tallet i USA. Formålet var å hjelpe vanlige folk å handle hvitevarer fra General Electric på en tid da det var vanskelig å få kreditt. Denne forretningsideen ble grunnlaget for selskapets fremgang da tidene bedret seg, og det ble akseptabelt å låne penger. Prosjekt/Diplom Oppgave for GE Capital Bank Vi ønsker å benytte oss av kompetansen ved NTNU, og da spesielt ved Institutt for Matematiske fag og Institutt for Industriell Økonomi og Teknologiledelse. Flere av våre ansatte har selv studert ved disse instituttene og vet at studentene der har mye å bidra med. Oppgavene vil i første omgang være begrenset til Risk avdelingen. Vi vil gjøre alt vi kan for å tilrettelegge for en god oppgave for studentene. Det er muligheter for å skrive en oppgave for oss i Trondheim eller å sitte hos oss i Stavanger. Det vil da bli tilrettelagt arbeidsplass og utstyr, og en fadder vil følge med og hjelpe til etter beste evne. Vi har tilgang til store mengder innholdsrik data og det er stort potensial for å hente ut mye informasjon fra disse. Du vil også få muligheten til å lære deg å bruke noen av verktøyene vi bruker daglig hos oss, verktøy som blir brukt av store deler av finans- og forsikrings- bransjen, bl.a. SAS Institute, MS Access, VBA m.m. Er du interessert i statistikk og finans og vil jobbe med en praktisk oppgave så bør du absolutt vurdere en oppgave hos oss. Risk avdelingen består i dag av åtte personer og vi sitter i landskap med meget gode fasiliteter. Vi holder til i Nedre Strandgate i Stavanger sentrum. Det er en veldig sosial arbeidsplass og forholdene ligger absolutt til rette for trivsel. Vi vet av erfaring fra våre ansatte at en slik oppgave for og hos et firma er et stort pluss når man skal ut og søke jobb ved en senere anledning. GE er også et av verdens aller største konsern, noe som gir store muligheter for kunnskapsutveksling og ikke minst store muligheter etter endt utdanning. Oppgaver Vi kan tilby flere spennende problemstillinger, fra svært detaljerte spesifikasjoner og krav fra vår side til mer løse oppgaver som kan defineres av studenten selv i samarbeid med veileder ved NTNU og fadder ved GE. På neste side følger beskrivelse av et veldig aktuelt tema og noen oppgaveforslag. En prosjekt/diplom oppgave trenger ikke begrense seg til én av disse oppgavene. For flere av oppgavene vil det også være behov for utvikling av ulike applikasjoner. 2

3 Reservemodellering Reserver er dagens estimat av fremtidige tap. Det er viktig at vi hele tiden har nok reserver til å dekke fremtidige tap. Reservene blir predikert vha. ulike modeller ut ifra historiske data. Pr dags dato setter GE av nok reserver til å dekke alle tap over livsløpet til en portefølje. Det er viktig at reservene som settes av er så nøyaktige som mulig. På den ene siden skal de, som nevnt, dekke fremtidige tap, på den andre siden ønsker man å holde dem lave for å få så høy avkastning på egenkapitalen i selskapet som mulig. Da reservene ikke kan benyttes til utlån er avkastningen på dem lavere enn på resten av kapitalen. I tillegg til dette begrenses den nedre grensen for reservene av reguleringer fra myndighetene (Basel I og II). Lån blir misligholdt i varierende grad, derfor deler vi inn status for kontoer i "riskklasser": 0: À jour 1: 0-29 dager etter forfall 2: : : : : : : : 240+ (Avskrevet) I tillegg har vi en tilstand "innbetalt" som inkluderer alle innbetalinger. Disse riskklassene bruker vi i reservemodelleringene våre. Tilstandene "9" og "innbetalt" kan ses på som absorberende tilstander mens de andre er transiente. Absorberende vil si at så snart en kunde enten er avskrevet eller innbetalt kan han ikke forandre status, transiente tilstander kan kunden derimot bevege seg inn og ut av. I en måned kan han være en 15 dager forsinket, mens han i neste måned er a jour igjen. I dag bruker vi hovedsakelig to modeller for reservemodellering, Gross Roll Rate Modellen (GRRM), og Markov modellen: GRRM brukes på revolverende produkter, dvs. produkter der kunden kan øke sin saldo underveis, for eksempel et handlekort/kredittkort. Denne modellen ser på total balanse i de ulike tilstandene måned for måned, faktiske tall. Så antar den at hele balansen i en tilstand har rullet fra tilstanden over siden forrige måned. Da kan man regne ut en "rullerate" fra hver tilstand til neste. Denne raten blir så brukt til å regne ut sannsynligheten for å gå til avskrivning. I denne estimeringen bruker man også en størrelse kalt "turnover". Dette er et estimat på hvor lang tid det vil ta å likvidere (avvikle) porteføljen. Vi ser på estimerte reserver (vha GRRM), deler denne på antall tilstander, og multipliserer med turnover for å finne endelig bruttoreserver. Den andre modellen blir brukt på våre gjeldsbrev, dvs. lån med en engangsutbetaling (forbrukslån). Denne modellen tar i bruk de transiente og absorberende tilstandene ved at den benytter en Markov modell. Kontoenes faktiske bevegelser fra en tilstand i et tidspunkt blir koblet med tilstanden et år senere. Fra dette estimeres en sannsynlighetsmatrise med transisjoner mellom samtlige tilstander for f.eks. et år omgangen. I tillegg til de nåværende reservemodellene, har en simuleringsmodell blitt testet ut. Ideen er å bruke ulike faktorer til å predikere/simulere kundenes fremtidige betalingsoppførsel. I simuleringen genereres for hver enkelt konto en fremtidig betalingshistorikk, hvor man ser på bevegelser mellom de ulike riskklassene. Ut fra hvordan man definerer write-off kan man trekke ut de kundene som i den simulerte historikken går til write-off, og på bakgrunn av dette beregne et forventet tap beløp for porteføljen totalt. Prosedyren gjentas et høyt antall ganger (jf. Monte Carlo simulering), slik at man får en sannsynlighetsfordeling for porteføljens tap. Ut fra denne er det interessant å se på statistiske størrelser som forventning og standardavvik, samt Value at Risk (VaR). 3

4 For mer utførlig forklaring av de forskjellige modellene beskrevet over, se diplom oppgaven til Aarrestad og Johansen (2004), Credit Risk in Banking Reserve modelling in the consumer finance business. En viktig del av reservemodelleringen er å estimere recoveries, hvor mye vi klarer gjenvinne fra kunder som allerede har blitt avskrevet. En høy grad av gjenvinning vil redusere nettosreservene og det er derfor av stor interesse å estimere denne mer nøyaktig. Nettoreserve = bruttoreserve*(1- recovery rate), bruttoreserve beregnes vha Markov modellen, GRRM eller simulering. Økningen i gjenvinninger fra en avskrevet konto vil over tid flate ut, og det vil være en interessant oppgave å estimere hvor lenge dette tar og når det ikke lenger er lønnsomt å jobbe med denne konto. Dette er også svært interessant i anledning prising av porteføljer for salg. Her har vi i dag ingen gode prosedyrer for å sette en slik grense for når det ikke lenger er lønnsomt å jobbe med en konto, når den bør selges, og til hvilken pris den bør selges. Forecasting av ulike størrelser vil alltid være svært interessant og nyttig, spesielt prognoser av effekten over tid ved endringer i for eksempel mislighold. Det vil være aktuelt å se på forventningsverdier og variansen til størrelser som mislighold, avskrivninger og reserver. Også fjerning av støy og finne frem til underliggende faktiske bevegelser/endringer vil være aktuelt. Her vil kunnskaper innen tidsrekker være nyttig. 4

5 Score Kort Et scorekort er en statistisk regresjonsmodell der man bruker logistisk regresjon til å predikere sannsynligheten for suksess eller fiasko, i vårt tilfelle god eller dårlig kunde. Vi har gode modeller og prosedyrer innen scorekort utvikling, men det vil alltid være potensial for forbedring. Vi bruker flere typer scorekort: Application scorekort blir brukt til å score nye søkere slik at vi slipper inn de riktige kundene. Behaviour scorekort blir brukt til å score eksisterende kunder slik at vi kan følge opp de riktige kundene. Collection scorekort blir brukt til å score kunder som inkassoavdelingen jobber med slik at inkassoavdelingen kan optimalisere sine ressurser og hele tiden jobbe med de kunder det er størst sannsynlighet for å få tilbakebetalt gjeld fra. Kommersielt scorekort blir brukt til å score bedrifter vi samarbeider med, slik at vi får inn riktige kunder gjennom riktige kanaler og ikke blir utsatt for unødvendige konkurser og lignende. For alle typer scorekort vil det være aktuelt å kartlegge metoder vi bruker i dag og kvaliteten av disse. Vi har som sagt store mengder data som gjør det mulig å jobbe med flere spennende oppgaver. Vi jobber også en del med overvåking av svindel og her vil det også være flere spennende oppgaver. Mulige oppgaver: Utvikle et scorekort, enten kommersielt eller behaviour, der også anvendelser av makroøkonomiske variabler blir studert. Her vil en kartleggelse av ulike modeller og deres fordeler/ulemper være nyttig, anvendelse av for eksempel hasardmodeller og/eller GARCH modeller vil være svært interessant. Måter å overvåke et scorekort etter det er implementert vil også være en svært relevant oppgave. Vi trenger flere mål på hvor godt et scorekort fungerer slik at vi kan sette i gang nødvendige tiltak på et tidlig stadie. Her vil utvikling av et automatisert overvåkingsverktøy være et naturlig mål. For å plukke opp mulig svindel på et tidlig tidspunkt kan man bruke scorekort her også, men vi har så lite svindel i Norge at vi ikke har nok data til et scorekort. Derfor vil det være nødvendig med andre modeller for å plukke opp svindel tidlig. Her kan man se på nevrale nettverk, nærmestenabo, clustering og lignende. 5

6 Hva er gjort så langt? Les hovedoppgaven til Aarrestad og Johansen (2004) for å få et utfyllende svar på dette spørsmålet (GECB har egen kopi). Det meste av det vi har gjort og lært står der, selv om det ikke har vært plass til alt. Alt som er gjort av analyser er samlet på CD en som følger oppgaven. Det eneste som mangler der før modellene kan kjøres er å koble kundedata og modeller. Kort oppsummert har vi gjort følgende - Satt reserve modellering inn i en større kontekst, og oppsummert utviklingen innen forbrukerfinansiering i Europa, og spesielt Norge, de siste årene. - Diskutert teoretisk de reservemodellene vi har kommet over Gross Roll Rate Model (GRRM), benyttet på revolverende produkter i GECB i dag Markov Chain (MC) model, benyttet på forbrukslån (Closed End products / installment products) av GECB i dag Mover-Stayer modellen, en forbedring av MC modellen som tar sikte på å forbedre homogenitetsantagelsen i vanlig MC modeller. Dynamic Delinquency Model Simulering - Implementert og testet MC modellen på revolverende og CE produkter. - Utredet simuleringsmodellen på både revolverende og CE produkter - Implementert simuleringsmodellen på CE produkter - Testet forholdet mellom recovery rates og sannsynligheten for å bli avskrevet (written off). For en oversikt over resultatene av testene, se kapittel 5 i Aarrestad og Johansen (2004). 6

7 Videre arbeid Markov Chain Her bør modellene testes ut på nytt når lengre historikk blir tilgjengelig, siden problemet med disse modellene er at de ikke gir bra estimat før produktet har stabilisert seg. På samme måte vil endringer i riskklasse system forstyrre estimatene. Videre vil det være interessant å se på hvor lange gjennomsnitt man skal bruke i beregningene. GE bruker i dag gjennomsnittet av transisjonsmatrisene for de siste 12 månedene i sine beregninger for sikre seg mot at kortsiktige og mer eller mindre tilfeldige svingninger skal påvirke estimatene. I tillegg til at man ser på hvor lange snitt som bør brukes (1, 3, 6 eller 12), kan man se på vekting av de ulike matrisene, slik at de nyeste matrisene tillegges større vekt enn de eldste. Månedlige transisjoner bør også testes ut på CE produkter når det lenger historikk er tilgjengelig. På revolverende produkter må månedlige transisjoner benyttes av praktiske årsaker. I dag segmenteres a jour kontoer på time-on-book (dvs hvor lenge de har vært registrerte kunder). En ytterligere segmentering av a jour kontoene bør foretas, aller hest bør behaviour score benyttes da denne typen score vil være mer gunstig for segmentering av kontoer med høy time-on-book. Simulering For detaljer om hvordan modellen er oppbygd, se i rapporten, samt vba-koden som er vedlagt. Erfaringen vår er at det tar veldig lang tid å kjøre modellen i vba/excel, og at man derfor bør forsøke å implementere modellen i for eksempel C++ i stedet. Fokus fremover bør være på å optimalisere sammensetningen av de forklarende faktorene som simuleringen bygges på. Dette gjøres ved hjelp av regresjon (lineær/logistisk for henholdsvis kontinuerlig og diskret utfallsrom). Alle faktorer som kan påvirke kundenes betalingsoppførsel bør i prinsippet testes ut. Disse inkluderer stort sett de samme typene faktorer som inngår i et behaviour scorekort, slik som betalingshistorikk, kundens alder, inntekt og lignende, i tillegg til makro-økonomiske variable. De første månedene etter en konto har blitt født, har man ikke nok historikk til å lage denne typen faktorer, slik at for kontoer som har time-on-book mindre enn x måneder, bør man ha et annet sett med forklarende faktorer enn for kontoer som har time-on-book høyere enn x måneder. Et potensielt problem her som det er viktig å ta hensyn til er multikollinearitet. Multikollinearitet oppstår når noen av de forklarende faktorene er sterkt korrelerte med hverandre. Dette begrenser hvor mange forklarende faktorer man bør ta med. En bra innføring i multikollinearitet og hvordan man kan redusere problemet gis i Gujarati: Basic Econometrics, som kan lånes på hovedbiblioteket på Gløshaugen. En av de store fordelene med simulering er at man ikke får problemer med porteføljer som ikke enda har stabilisert seg, slik som Markov Chain modellene får. Dette fordi simuleringsmodellen ser på hver enkelt konto, mens MC behandler alle konti i samme riskklasse under ett. Dermed kan simuleringsmodellen tas i bruk ved et produkts oppstart i motsetning til MC. Recovery Rates Hypotesen vi tittet på var at recovery rates og default probability er negativt korrelerte. Vi brukte application score som proxy for default probability, og fant en viss sammenheng. Behaviour score hadde vært bedre, men GE hadde ikke det tilgjengelig for oss. Vi foreslår å teste ut de samme faktorene som nevnt over til å teste sammenhengen mellom recovery rates og default probability. Når dette er gjort, bør det være enkelt å integrere recovery rates i simuleringsmodellen, slik at den predikerer nettotap direkte. 7

8 Scorekort GE har i dag ikke behaviour scorekort for alle produktene, her kan en mulig oppgave være å jobbe med utvikling av dette. Videre kan det ses på kommersielt scorekort som kan brukes til å score bedrifter det samarbeides med. 8