Кредитно бодување

Од Википедија — слободната енциклопедија
Прејди на: содржини, барај

Кредитно бодување спаѓа во групата на квантитативни модели на оценување на кредитниот ризик бидејќи веројатноста дека должникот нема редовно да го отплаќа кредитот се мери врз основа на одредени квантитативни податоци.

Содржина

Поим за кредитно бодување[уреди]

Врз основа на историските податоци за претходно одобрените кредити, банката настојува со промена на одредени статистички техники да одреди кои карактеристики на потрошувачите се пресудни за уредна отплата или за невраќање на кредитите. Според тоа за да може да се примени овој метод на кредитна анализа банката мора да поседува богата база на податоци за одобрените кредити во некој подолг временски период. Според овој пристап кредитната аналаиза се врши така што врз основа на податоците од кредитното бодување и од другите извори на кредитобарателот му се доделува одреден број бодови и тоа посебно за секој поединечен фактор. Обично моделите на кредитно бодување вклучуваат десетина карактеристики на клиентот како што се : месечен приход, работен стаж, ниво на задолженост, кредитна историја, ликвиден имот, депозитно работење со банката, недвижен и подвижен имот, возраст итн. Пондерите на поединечните фактори се добиваат преку примена на некои економетриски техники како што се : повеќекратна регресија (multiple regression) , анализа на дискриминантата (discriminant analysis), логит-моделите (logit models) и невронски мрежи (neural networks).Крајната оцена (вкупниот број бодови) претставува пондериран просек од поединечните бодувања и врз основа на добиените бодови банката донесува одлука за прифаќање или одбивање на кредитното барање. Така ако вкупниот број бодови на кредитобарателот изнесува над некое критично ниво тој ќе биде оценет како кредитоспособен и банката ќе му одобри кредит. Обратно, ако кредитобарателот не успеал да го освои потребниот број бодови, тоа ќе значи дека тој е премногу ризичен и неговото кредитно брање го определува посебно секоја банка во зависност од нејзината кредитна политика. Кредитното бодување претставува објективен, бројчен систем на кредитна анализа, заснован врз статистичка методологија којшто ја отстранува можноста за пристрасност во кредитното бодување.[1]

Фаза 1: Планирање на основни елементи[уреди]

Процесот на развој и имплементација на еден модел на кредитно бодување не започнува со едноставно прибирање на податоци туку со детално планирање кое вклучува одредување на целите на проектот, креирање на бизнис планот, именување на членовите на проектниот тим и одредување на точни задачи за секој од нив. Планирањето започнува со дефинирање на целите на проектот при што се одредува една основа цел како фокусна точка а преостанатите цели се подредуваат во согласност со нивниот приоритет. Пред воопшто да се започне со дефинирање на останатите елементи, особено е важно да се одреди начинот на примена на моделот на кредитно бодување, односно дали тој ќе се употребува самостојно во процесот на одлучување или пак ќе биде употребуван како помошна алатка при одлучувањето. Така доколу се одлучи системот на кредитно бодување да се употребува самостојно, во тој случај системот би содржел повеќе карактеристики кои треба да опафатат целосна евалуација на кредитоспособноста на клиентот. Доколку се одлучи системот на кредино бодување да се користи како помошна алатка, неопходно е да се прецизира во кој дел од одлучувањето ќе се користи, па во зависност од улогата и примената да се селектираат категориите на потенцијалните карактеристики кои треба да бидат анализирани. Прецизирањето и планирањето на дел од важните елементи треба да биде содржано во проект-планот кој е неизбежен во оваа фаза. Проект-планот треба да ги вклучи сите потенцијани ризици и сите можни сценарија за да се обезбеди поврзаност меѓу развојот, импламаетацијата и постимплементациските процеси со најмалку можни проблеми. Исто така, проектираниот план не само што треба да ги идентификува потенцијалните ризици или проблематични точки, туку треба да предвиди начини на справување со овие потенцијални проблеми.. Во проект-планот треба да се предвиди временската рамка на справување на целиот проект и да се одредат членовите на тимот и нивните задачи.[2]

Фаза 2: Проектни параметри, проверка на податоци и креирање база на податоци[уреди]

Втората фаза може да се обележи како најдолгата и најинтензивната фаза во која целта е да се одреди-дали развојот на системот на кредитно бодување е изводлив и притоа да се одредат целните параметри на проектот. Примарна задача е да се обездедат уредни и веродостојни податоци од кои понатаму може да се формираат бази на податоци во согласност со потребите и податоците треба да ги исполнат барањата за статистичка значајност и случајност.[3]

Проектни параметри[уреди]

Со дефинирањето на проектните параметри, всушност се одредува начинот на кој ќе бидат групирани сите податоци во соодветен формат на база на податоци. Основните проектни параметри подразбираат прецизно дефинирање на “добрите”, “лошите” и “неопределените” сметки, дефинирање на исклучоците, утврдување на временскиот период на активност на бараните сметки и анализиразниот временски период на сметките и други. Најчесто се користат податоци од претходните две до пет години при што секогаш ги отсликуваат достигнувањата од минатото. Врз таа претпоставка се анализираат перформансите и однесувањето на претходно отворените сметки за да се предвиди однесувањето на идните сметки. Кај селектираниот примерок на податоци важни се два временски периода. Првиот е временскиот период на активност или постоење на самите сметки од нивното отворање па се до одреден период, додека вториот период е анализираниот период на примерокот и го претставува временскиот интервал кој ќе биде анализиран и од кој ќе се преземат “добрите” и “лошите” сметки. Најчесто при одредување на овие периоди, користени информации може да се добијат со анализа на плаќањата и деликвенцијата на портфолиото а тоа се информации кои секојдневно месечно и кавартално се следат од страна на секторите задолжени за следење и оцена на кредитниот ризик.[4]

Сегментација[уреди]

Кај некои портфолија, употребата на повеќе различни бодовни картички, за едно портфолио обезбедува подобра диференцијација на ризикот отколку употребата на една бодовна картичка, за целото портфолио. Ова се случува кај оние портфолија кај кои популацијата е толку различна и е составена од неколку субпопулации, при што примената на една бодовна картичка нема да биде ефикасна како примената на повеќе бодовни картички, бидејќи секоја субпопулација има различно однесување. Така според тоа ќе бидат потребни различни карактеристики за да се предвиди ризикот,што ќе резултира со посебни бодовни картички за секоја субпопулација. Овој процес на идентификување на субпопулациите се нарекува сегментација и вообичаено се спроведува на два начини. Првиот начин ги опфаќа статистичките техники “групирање” и “дрво на одлучување”, додека вториот начин на сегментација опфаќа поделба на субпопулации врз основа на искуствата и индустриските и деловните знаења кои потоа се потврдуваат и се проверуваат со аналитички техники.[5]

Креирање база на податоци[уреди]

Откако ќе се спроведат сите претходни чекори потребно е да се прецизираат деталите за избирање на примерокот, односно базата на податоци која ќе се користи во натамошните фази. Начелно, до овој момент ги имаме следниве податоци: бројот на потребните бодовни картички и дефинирани сегменти, дефиниции за “добрите”, “лошите” и “неопределените” сметки, стапките на “добри” и “лоши” сметки за секој сегмент во портфолиото, дефиницијата на исклучоците и прецизен временски перод на активност на сметките и анализираниот период на примерокот. Оваа фаза се заокружува со прецизирање на карактериситиките од внатрешени и надворешни извори кои ќе се користат во секој сегмент, изведените дополнителни карактеристики и се разбира големината на потребниот статистички примерок, за секој сегмент.[6]

Фаза 3:Креирање на бодовни картички (scorecards)[уреди]

Вака добиениот примерок на податоци, дополнет со карактеристиките и дефинираните “добри” и “лоши” сметки, ќе биде употребен за да се креираат бодовните картички. Процесот на креирање зависи од намената за којашто тие ќе бидат употребени. Така, докoлку станува збор за апликативни модели на кредитно бодување тогаш процесот започнува со проверка и со истражување на дадените податоци. Потоа следи анализа на иницијалните карактеристики од која произлегуваат прелиминарните бодовни картички на кои се спроведува постапка на изведување на одбиените, за понатаму да се повтори анализа на иницијалните карактеристики од која ќе се добијат финалните бодовни картички, така што на крајот вака добиените финални бодовни картички треба да бидат контролирани и проверени. Во случај на бихејвиорални модели на кредитно бодување, процесот е нешто пократок, бидејќи се изоставува постапката на изведување на одбиените.[7]

Анализа на иницијалните карактеристики[уреди]

Оваа анализа во суштина се состои од два дела при што во првиот дел се проценува моќта на предвидување на секоја карактеристика индивидуално, со цел да се добијат слабите и нелогични карактеристики, додека вториот дел опфаќа групирање на најјаките карактеристики. Бодовните картички можат да бидат креирани и без да се групираат карактеристиките но сепак, групирањето носи одредени придобивки: полесно откривање на екстремните вредности, полесно откривање и разбирање на меѓусебните врски на карактеристиките и однесувањето да предвидувачите на ризикот и овозможува поголема контрола на развојниот процес. Откако ќе се групираат карактеристиките и ќе се подредат според моќноста, може да се спроведе селекција. Сепак целта на оваа анализа е да се прикаже група од моќни, групирани карактеристики, кои понатаму ќе се употребат за добивање на финалните бодовни картички.[8]

Прелиминарна бодовна картичка[уреди]

Откако е дефинирана групата на јаки карактеристики, во соодветен формат, може да се премине на наредниот чекор, а тоа е употреба на некој вид техники на моделирање со кои ќе се избере групата на карактеристики кои заедно обезбедуваат најголема моќ на предвидување и ќе ја сочинуваат прелиминарната бодовна картичка. Прелиминарната бодовна картичка најчесто содржи помеѓу осум и петнаесет карактеристики, што е сосема доволно да обезбеди стабилно предвидување, дури и во услови кога во текот на времето профилот на апликантите би се променил, така што две или три карактеристики би ја изгубиле моќта на предвидување.[9]

Изведување на одбиените[уреди]

Во досегашниот развој на моделот, беа анализирани само сметки чиишто перформанси беа познати, односно “добри” и “лоши” сметки кои всушност се земен примерок од одобрените сметки. Но, кога станува збор за апликативно бодување, всушност, треба да се предвиди однесувањето на сите апликации, па затоа, примената на модел на кредитно бодување креиран на примерок само од одобрени апликации, нема да даде точни и прецизни резултати. Затоа, потребно е примерок од одбиените апликации, исто така да биде вклучен во анализираните податоци.[10]

Финална бодовна картичка[уреди]

За да се добие финална бодовна картичка, потребно е повторно да се спроведе анализа на иницијалните карактеристики и статички техники на моделирање за да се добие крајната група на карактеристики на бодовната картичка. Но, овојпат се применува анализата на примерокот на кој претходно спроведовме изведување на одбиените. Во добиените резултати, може да се забележи дека кај некои карактеристики моќта на предвидување е променета и во тој случај доколку разликите се големи би требало да се повтори целиот процес на селекција на карактеристиките. На крајот ќе се добие група на карактеристики кои ја сочинуваат бодовната картичка, но за да се комплетира целиот процес, потребно е дополнително да се спроведе распоредување на бодовите, избор на конечната бодовна картичка и нејзино потврдување. Бодовните картички можат да бидат креирани во неколку формати за што одлуката се донесува на почеток во првата фаза на планирање на основните елементи.[11]

Фаза 4: Имплементација на бодовната картичка и извештаи[уреди]

Пред воопшто да се имплеметира бодовната картичка, во жива околина и да се започне со нејзина примена, потребно е да се комплетира развојниот процес со неколку прегледи и извештаи. Целта на овие извештаи е да бидат употребени за креирање на стратегија на одлучувањето и менаџирањето, позиционирањето на точката на прифатливи бодови за секоја бодовна картичка и следење на перформансите на бодовните картички во иднина. Вообичаено е за овие извештаи да се користи базата на податоци од која се добиени бодовните картички, а во нивното изработување да бидат вклучени и крајните корисници на бодовните картички за да го запознаат подетално системот на кредитно бодување кој треба да биде имплементиран и вклучен во одлучувањето.[12]

Фаза 5: Постимплементација[уреди]

Постимплементацискиот период на развојот на системите на кредитно бодување е обезбеден со следење на перформансите на системот и изготвување на различни видови извештаи и анализи. Во основа сите видови на анализи се сведуваат на следење и анализа на портфолиото и перформансите на бодовните картички преку статистичка анализа на параметри како што се : стапката на одобрени апликации, стапката на “лоши” пласмани, стапката на производи одобрени на исклучителна основа, во однос на вкупните пласмани и други. Со анализите на перформансите на бодовните картички треба да се потврди дали постојат разлики помеѓу анализираниот профил на клиентите и моменталниот профил на клиентите, да се средат евентуалните промени на профилот на клиентите и да се откријат причините за ваквите промени, како и посебно да се следи профилот на клиентите и процентот на пласманите одобрени на исклучителна основа во однос на вкупните пласмани.[13]

Статистички методи на креирање бодовни картички[уреди]

Статистичките техники на креирање бодовни картички, се првите методи кои се користени во креирањето на бодовните картички. Дури и денес најприменуваните методи се методите на дискриминантата и класификациските методи.[14]

Анализа на дискриминантата[уреди]

Процесот на одобрување на кредитни производи во основа се сведува на две опции: одобрување и одбивање на апликацијата на кредините производи. Системот на кредитно бодување всушност помага за полесно одлучување преку изнаоѓање на група правила за постапување врз основа на однесувањето на минатите клиенти. Токму заради тоа во целиот процес клучен момент е поделбата наклиентите на “добри” и “лоши”, каде што за “добри” се сметаат оние кои имаат прифатливо однесување ( кое е дефинирано од страна на заемодавецот), додека за “лоши” се сметаат оние клиенти чиешто однесување е несоодветно и заемодавецот посакува да ги одбиел.[15]

Логичка регресија[уреди]

Да претпоставиме дека Y = w0 + x1w1 + x2w2 +…… + xpwp е линеарна комбинација на карактеистиката (Thomas, Edelman and Crook, 2002) и атрибутите X = ( x1, x2,…xp) и соодветните пондер wp при што збирот на коефициентите на пондерите за една карактеристика е 1, односно ∑i wi = 1. Кај анализата на дискриминанатата, претставена преку линеарна регресија, веројатност за неплаќање pi може да се претстави како линеарна комбинација на атрибутите и пондеите со што ќе се добие следниов идентитет: pi = w0 + x i1w1 + xi2 w2 +…… + xipw p  ; каде што, i се клиентите неплаќачи во примерокот.[16]

Присатпи на нелинеарна регресија[уреди]

Освен досега наведените пристапи се користат и пристапи на нелинеарна регресија. Вообичаено, во литературата како такви се сретнуваат пробит и тобит анализите (Thomas, Edelman and Crook, 2002) . Во пробит анализата N (x) е функција на кумулативен нормален распоред.[17]

Дрва на класификација[уреди]

Основната идеја, која ја сочинува техниката на дрва на касификација, е сосема различна од останатите статистички техники. Суштината се состои во поделба на, можните одговори од апликацијата на различн сегменти кои се идентификувани како “добри” или “лоши” во зависност од тоа какви случаи преовладуваат во соодветниот сегмет. Оваа техника е дополнително усовршена со примената на вештачка интелигенција и соодветни компјутерски техники.[18]

Пристап на најблизок сосед[уреди]

Овој пристап претставува непараметриски пристап за калсификација на случаите. Суштината на овој пристап е избор на метричка мерка во просторот на податоците од анализираниотн примерок, со цел да се измерат два случаја на апликанти, колку се оддалечени меѓу себе. Тогаш, со помош на репрезентативен примерок избран од претходните апликанти, секој нов апликант се класифицира како “добар” или како “лош”, во зависност од пропорциите на “добари” и “лоши” случаи помеѓу најблиските апликанти од репрезентативниот примерок, односно новите најблиски соседи апликанти на анализираниот случај.[19]

Нестатистички методи на креирање бодовни картички[уреди]

Основната идеја за развој на првите системи на кредитно бодување, била преку статистичка анализа на примерок од клиентите од минатото, да се извлечат заклучоци и правила кои ќе помогнат во процесот на одлучување за доделување на кредитнпроизводи на нови и постојани клиенти.[20]

Линеарно програмирање[уреди]

Техниката на линеарно програмирање се обидува да ги минимизира недостатоците на статистичките линеарни функции преку модел на линеарно програмирање. Всушност овој пристап, со помош на еден од елементите МСАГ- минимизација на сумата на апсолутните грешки или ММГ – минимизација на максималната грешка, успеа да ја подели групата на две точни подгрупо, дури и во случаи кога групата содржи членови кои не се линеарно деливи во целост (Thomas, Edelman and Crook, 2002). Основната предност на линеарното програмирање над статистичките техники е што во развојот на бодовната картичка едноставно е вклучувањето на одредени групи на случаи кои имаат тенденција да бидат изоставени од примерокот или да бидат фаворизирани на одреден начин.[21]

Интегрално програмирање[уреди]

Интегрално програмирање како нестатички пристап настојува да ги отстрани недостатоците на линеарното програмирање. АКо сумираме дека линеарното програмирање настојува да ги сведе на минимум девијациите во системот на кредитно бодување тогаш интегралното програмирање настојува да ги минимизира бројот на лошо класифицираните случаи, преку намалување на трошоците од лошото класифицирање на случаите.[22]

Невронски мрежи[уреди]

Во осумдесеттите години на минатиот век, невронските мрежи станаа една од најистражуваните техники на вештачка интелигенција која наоѓа примена и во системот на кредитно бодување. Невронските мрежи функционираат на сличен начин како и мозокот кој ги користи невроните за да ги процесира информациите и да ги поттикне механизмите на дејство. Аналогно како и мозокот невронскаѕта мрежа се состои од број на влезни инаформации или варијабли при што секоја варијабла заедно со соодветниот пондер формира производ кој е идентичен на мозочниот дендрон. Сите вакви производи сумирани заедно формираат еден неврон чијшто понатамошен резултат станува инпут или влезна вредност на друг неврон и ова всушност претставува невронска мрежа на едно ниво.[23]

Генетска алгоритма[уреди]

Генетските алгоритми претставуваат процедура за систематско пребарување низ популацијата на потенцијални решенија во процесот на донесување одлука за решенија кои се најблиску до решението на проблемот имаат најголеми шанси да бидат кандидати за финално избраното решение.[24]

Експертски систем[уреди]

Во основа експертските системи се збир на правила и процедури кои го симулираат процесот на одлучување и однесувањето на експертите. Еден ваков систем обично содржи повеќе делови. Основната се нарекува база на знаења и се состои обично од правила. Некои бази на знаења имаат и по неколку илјади правила. На базата на знаење се надополнува вториот дел, а тоа се серија на факти. Како тие ќе се поврзат со правилата од базата на знаење од нив се изведува како производ правилник на препорачани активности.[25]

Бихејвиористички систем на кредитно бодување[уреди]

Основната и најчеста примена на системите на кредитно бодување во процесот на одлучување е да одговорат на прашањето - дали да се додели кредитен производ на клиентот или не. Но, освен оваа примена моделите на кредитно бодување можат да се користат и за донесување одлуки дали кај постојаните клиенти постои опасност од неплаќање во блиска иднина или пак на подолг рок. Овие модели го проценуваат сервисирањето на обврските и однесувањето на клиентите. Заемодавачите ги користат моделите на кредитно бодување за да одлучат – дали да ги зголемат или да ги намалат лимитите на постојаните кредитни производи на клиентите.[26]

Нови начини на кредитно бодување[уреди]

Последниве неколку децении, драстично е зголемена примената на системите на кредитно бодување и тоа не само во банкарството туку и во други економски гранки. Паралелно со овој раст постојано се вршат научни истражувања со кои се усовршува и надоградува развојот на овие системи но и се зголемуваат областите во коишто системите на бодување ја наоѓаат својата примена. Ваквиот развој е резултат пред се на придобивките кои ги имаат системите на бодување. Системите на кредитното бодување пак придонесуваат во усвојување на профитот преку намалување на стапката на лоши пласмани. Успехот на кредитното и бихејвиористичкото бодуање во анализирањето на однесувањето на клиентие и формирањето на таргет групи со предвидено однесување наоѓа примена во повеќе стопански гранки кои се занимаваат со трговска или со услижна дејност на мало.[27]

Генерички бодовни картички и моделирање на мали примероци[уреди]

Се претпоставува дека основниот предуслов за развој на успешен систем на бодување секогаш е хомогена популација на апликанти. Доколку се утврди дека популацијата не е хомогена тогаш според заедничките карактеристики таа се дели на помали хомогени сегмент при што за секој ваков сегмент се генерира посебна бодовна картичка. Ваквата прилика важи за големи популации на апликанти. Но во случаите каде што популацијата е мала и доколку не е хомогена сепак продолжува да се употребува само една бодовна картичка за таа популација. Ваков е пристапот бидејќи е скапо и неефикасно и комплексно да се развиваат бодовни картички за премногу мали сегменти.[28]

Комбинација на две бодовни картички[уреди]

Системите на кредитното бодување во комерцијани услови денес се користат се помасовно. Нивната комерцијална употреба наложува извесно модифицирање и прилагодување кон потребите на корисниците но и кон постигнување на максимални ефекти. За таа цел во некои случаи се јавува и употреба на повеќе од еден систем на бодување во процесот на кредитирање на населението. Некои корисници користат комбиниран систем на бодување при што една бодовна картичка користи карактеристики исклучиво од апликацискиот формилар а во втората бодовна картичка ја сочинуваат карактеристиките на кредитното биро (Thomas, Edelman and Crook, 2002). Доколку клиентите постигнат доволно бодови при анализата со првата бодовна картичка тие се оценуваат и со втората а во спротивно тие се веднаш одбиени. На овој начин со двојните бодовни картичку се постигнува заштеда на време и намалување на непотребните трошоци бидејќи добиените податоци од кредитнот биро се наплатуваат за секој анализиран клиент посебно.[29]

Индиректно кредитно бодување[уреди]

Сите досега презентирани модели на кредитно бодување имаат за цел да го предвидат ризикот од неплаќање. Индиректното кредитно бодување настојува да го предвиди очекуваниот профит наместо ризикот од неплаќање. Оваа проценка се прави преку предвидување на вредноста на неколку варијабли наместо со проценка исклучиво на кредитниот ризик. Вообичаено употребувани варијабли се кредитниот ризик, преостанатото салдо, вишокот на средства и други варијабли кои влијаат на профитот. На овој начин индиректно преку профито се проценува ризикот од неплаќање.[30]

Графички модели применети во системите на кредитното бодување[уреди]

Индиректниот пристап ја нагласува корисноста од моделирањето на врските помеѓу карактеристиките со цел да се прикажат атрибутите и однесувањето на потрошувачите. Графичките модели ја имаат истата цел но притоа користат група од статистички алатки со кои се моделираат врските помеќу карактеристиките. Секој графички модел на некоја состојба се состои од одреден број темиња при што секое теме претставува една карактеристика. Карактеристиките коишто се вклучуваат можат да бидат: апликативни (живеалиште, возраст, брачен статус, вработување и сл.) ; релативни ( број на ненавремени или пропуштени отплати, салдо на сметка по 12 месеци и др.) и егзогени ( каматни стапки, стапка на невработеност и др. ). Сите темиња се поврзани меѓу себе со врски кои ја прикажуваат веројатната зависност помеѓу нив. Доколку некои темиња не се поврзани со врска може да се заклучи дека двете темиња се меќусебно независни.[31]

Наводи[уреди]

  1. Горан Петревски, Управување со банките (второ издание),Скопје:Економски факултет,2011,стр.159-160.
  2. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  3. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  4. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  5. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  6. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  7. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  8. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  9. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  10. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  11. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  12. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  13. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  14. Siddiqi Naem; 2006; "Credit risk scorecards: Developing and implementing intelligent credit scoring"; John Wiley & Sons Ltd., England.
  15. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  16. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  17. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  18. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  19. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  20. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  21. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  22. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  23. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  24. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  25. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  26. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  27. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  28. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  29. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  30. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.
  31. Thomas L.C., Banasik J., Crook J.N.; 2001; "Recalibrating scorecards" Jornal of Operational Research Society.