Ο τραπεζικός δανεισμός και δη η στεγαστική και καταναλωτική πίστη αποτελούν τους κινητήριους μοχλούς μιας οικονομίας. Ενώ όμως βοηθούν στην ανάπτυξη της αγοραστικής δύναμης της κοινωνίας και την αύξηση των κερδών των Τραπεζών, μπορούν εξίσου εύκολα να οδηγήσουν στην υπερχρέωση, φαινόμενο δυσάρεστο τόσο για τα τραπεζικά ιδρύματα, όσο και για τους δανειολήπτες. Προκειμένου λοιπόν το τραπεζικό σύστημα να θωρακίσει τον υπεύθυνο δανεισμό, να διασφαλίσει την οικονομική ευρωστία, να προστατεύσει τους καταναλωτές από αθέμιτες πρακτικές και να διαφυλάξει την χρηματοοικονομική σταθερότητα οφείλει να εφαρμόζει πιστά συγκεκριμένους ρυθμιστικούς κανόνες. Στα πλαίσια των κανόνων αυτών συγκαταλέγεται η πρόληψη καθώς και η αντιμετώπιση του πιστωτικού κινδύνου, που είναι άμεσα συνυφασμένος με τον όρο της υπερχρέωσης. Η εμφάνισή της αποφέρει ζημιές στις Τράπεζες, που προέρχονται από την αθέτηση πληρωμής των υποχρεώσεων των πιστούχων και οι οποίες μπορούν ν αποφευχθούν μέσα από την εφαρμογή συγκεκριμένων μοντέλων και διαδικασιών της Διαχείρισης Κινδύνων. Το τμήμα αυτό εντοπίζει και παρακολουθεί το σύνολο των κινδύνων και φροντίζει για την καταστολή του μέσω των μοντέλων ποσοτικοποίησης του πιστωτικού κινδύνου. Τα μοντέλα μέτρησης του πιστωτικού κινδύνου συνεχώς εξελίσσονται και εξειδικεύονται, ακλουθώντας πάντα τις προκλήσεις που δημιουργούνται στο οικονομικό στερέωμα. Όλα τα παραπάνω αναλύονται στην παρούσα εργασία και παρουσιάζεται το παράδειγμα της Τράπεζας Πειραιώς ως προς την προσέγγιση που έχει απέναντι στη Διαχείριση Κινδύνων. Στη συνέχεια, μέσα από την εφαρμογή ενός Νευρωνικού Δικτύου συγκρίνονται τα ποσοστά εγκρισιμότητας και οι παράγοντες-μεταβλητές που επηρεάζουν περισσότερο την έγκριση ενός στεγαστικού και καταναλωτικού δανείου. Μέσα από τα αποτελέσματα οδηγούμαστε σε ασφαλή συμπεράσματα και επαληθεύουμε τα αποτελέσματά μας, αφού οι μεταβλητές που κρίνουν με μεγαλύτερη βαρύτητα το αποτέλεσμα, εν τέλει αντιστοιχούν και στους σημαντικότερους παράγοντες απόρριψης ενός δανείου.
Bank lending and especially mortgage and consumer credit are the driving forces of an economy. But while they help to develop the purchasing power of society and increase the profits of banks, they can just as easily lead to over-indebtedness, a phenomenon that is unpleasant for both banking institutions and borrowers. Therefore, in order for the banking system to shield responsible lending, ensure financial soundness, protect consumers from unfair practices and safeguard financial stability, it must faithfully apply specific regulatory rules. These rules include the prevention as well as the treatment of credit risk, which is directly related to the term of over-indebtedness.
Its appearance brings losses to the Banks, which come from the default of the creditors' obligations and which can be avoided through the application of specific models and procedures of Risk Management. This department identifies and monitors all risks and ensures its suppression through credit risk quantification models. Credit risk measurement models are constantly evolving and specializing, always following the challenges created in the financial firmament.
All the above are analyzed in the present work and then the example of Piraeus Bank is presented in terms of its approach to Risk Management. Subsequently, through the application of a Neural Network, the approval rates and the factors-variables that most influence the approval of a housing and consumer loan are compared. Through the results we lead to safe conclusions and verify our results, since the variables that judge the result with greater weight ultimately correspond to the most important factors of rejecting a loan.
Υπεύθυνος δανεισμός με χρήση μοντέλων μέτρησης πιστοληπτικής ικανότητας ιδιωτών, στεγαστική/καταναλωτική πίστη-παράδειγμα Τράπεζας Πειραιώς