Анализ peer-to-peer кредитования как области исследования

Одним из видов потребительского кредитования является «peer-to-peer» (P2P) кредитование. P2P — кредитование обычно расшифровывается как «peer-to-peer кредитование» («кредитование среди равных», «одноранговое кредитование») или «person-to-person кредитование» («кредитование от человека человеку»), «социальное кредитование». Данный термин означает осуществление выдачи и получения займов физическими лицами без использования услуг посредников — финансовых институтов. Реализация данного процесса проходит на специализированных интернет-площадках, где пользователь может быть как в роли кредитора, так и заемщика (Агентство доступных кредитов, 2013).

Первая в мире компания, специализирующаяся на P2P кредитовании — Zopa, была зарегистрирована в Великобритании в феврале 2005 года. Годом позже в США появился интернет-сервис Prosper, затем на рынок вышла международная Kiva. На данный момент к крупнейшим компаниям также относятся Lendingclub.com (США), Smava. de (Германия) (Лайф.Среда, 2013). Основные характеристики крупнейших P2P заемных компаний представлены в Таблице 2.

Таблица 2.

Обзор крупнейших P2P заемных компаний1.

1 Сост. по источнику: Berger и Gleisner (2008).

Идея P2P кредитования достаточно проста: замена громоздкого посредника в лице банка с его огромным штатом, офисами, банкоматами, инкассаторами и прочим на интернет-площадку, где заемщики выставляют свои заявки на получение займов, а кредиторы сами решают, кому дать в кредит (Hulme и Wright, 2006). При условии, что площадка будет брать 1−2% комиссионных, то и заемщики смогут получить ставку ниже, чем в банке, и кредиторы будут иметь большую доходность, нежели чем по традиционным банковским вкладам.

Основным фактором успеха Р2Р площадок являются низкие комиссионные в сравнении с банками. Данные о себе заемщик вносит через интернет, и в течении получает решение по размеру кредита и процентной ставке. Главным условием является предоставление номера социального страхования, что означает доступ ко всей персональной информации: социальный статус, зарплата, кредитный рейтинг и т. д. (Лайф.Среда, 2013).

В России эту область кредитования представляют несколько компаний, например Кредитная биржа Webmoney — сервис, осуществляющий свою деятельность через электронные кошельки Webmoney, представляющий собой систему подбора кредиторов заемщиками. Другим сервисом является сайт Вдолг.ру — относительно крупный игрок на рынке, создана в 2012 году при участии информационно-аналитического портала banki.ru и коллекторского агентства ФАСП. Кредитбери — новичок рынка, стартап, запущенный компаний «Связной», функционирующий в режиме бета-версии. И, наконец, Мирденег.ру — также новая компания, вышедшая на рынок в конце 2013 г., позиционирующая себя как инновационная компания, делающая акцент на онлайн-технологиях.

В целом, судить об успешности P2P кредитования пока достаточно сложно, первые компании вышли на рынок сравнительно недавно, население слабо осведомленно и не доверяет таким компаниям, более того деятельность таких компаний не регулируется законодательно. Все это приводит к высоким процентным ставкам для заемщикам, что нивелирует основное достоинство данной области кредитования — низкие процентные ставки, по сравнению с коммерческими банками.

Отечественных работ в области оценки кредитного риска при P2P кредитовании практически нет, исключением являются лишь обзорные работы, описывающие особенности этой области кредитования.

Зарубежные исследования в этой области часто посвящены изучению факторов, влияющих на вероятность получения кредита заемщиком, методом оценки вероятности получения кредита заемщиком при этом являются модели бинарного выбора. В основном это работы, исследующие так называемую «мягкой информации» (soft information) в P2P кредитовании, т. е. персональную информацию социального характера, предоставляемую заемщиком в рамках P2P сети, а также эффекты возникающие в результате социального взаимодействия между заемщиками и кредиторами (Berger и Gleisner, 2009). Так, например, Herzenstein et. al. (2008) на основе данных компании Prosper в 2006 г. установили, что такие социальные характеристики как раса и пол оказывают слабое влияние на вероятность получение кредита по сравнению с финансовыми показателями заемщика. В свою очередь Ravina (2008), используя данные компании Prosper 2007 г. показала, что красота и раса оказывают влияние на вероятность получения займа. На основе 12 000 заявок было доказано, что заемщики, которые воспринимаются обществом как «красивые», с большей вероятностью получают кредит и платят проценты по меньшей ставке; более того, представители негроидной расы наоборот с меньшей вероятностью получают кредит и выплачивают большие проценты (схожие результаты получили Pope и Sydnor (2008) также на данных компании Prosper).

К «мягкой информации» также можно отнести наличие социальных сетей и сообществ на P2P площадках: Berger и Gleisner (2009) на основе данных Prosper за 2005;2007 гг. показали, что в рамках таких сообществ может действовать механизм сигнализирования. Если лидер такого сообщества дает рекомендацию конкретному заемщику или конкретной заявке, то вероятность получения кредита этим заемщиком увеличивается, еще больше вероятность увеличится, если лидер сам станет один из кредиторов этого заемщика. Freedman и Jin (2008) используя данные Prosper показали, что действительно социальные сети могут содержать в себе «мягкую информацию» о заемщике, но по их мнению данный механизм используется недостаточно эффективно. К этой области относятся работы, изучающие явления стадного поведения в P2P кредитовании, например Luo и Lin (2013) используя дерево решений на данных Prosper показали, что кредиторы склонны давать деньги заемщикам с большим количеством кредиторов, особенно если в числе этих кредиторов есть друзья заемщика, но при этом такое поведение приводит к уменьшению дохода кредитора.

Некоторые авторы посвящают свои исследования разработке рекомендаций для заемщиков, выполнение которых позволит заемщикам увеличить вероятность увеличения кредита. Puro et. al. (2010) на данных Prosper пришли к выводу, что вероятность кредита обратно зависит от первоначальной ставки процента, предложенной заемщиком, т. е. чтобы увеличить вероятность получения кредита заемщику необходимо соглашаться на более высокую ставку процента. В то же время, некоторые авторы пытаются построить инвестиционные модели для кредиторов, так например Wang et. al. (2013) успешно применили Байесовскую сеть для принятия инвестиционных решений (выдачи кредитов) на рынке копании Prosper.

Работы, посвященные изучению вероятности дефолта заемщика также рассматривают «мягкую информацию» как один из факторов. Но, тем не менее, основными детерминантами кредитного риска заемщика остаются финансовые показатели заемщика, в частности специальные показатели кредитного рейтинга.

В области исследования «мягкой информации» открыт вопрос влияния расового признака на вероятность выплаты кредита: Ravina (2008) утверждает, что представители негроидной расы являются более надежными заемщиками, но Pope и Sydnor (2008) получили обратные результаты (обе работы использовали данные компании Prosper). Проблема половой дискриминации также поднимается в рамках исследования P2P заемных рынков, Chen et. al (2013) на основе данных китайской компании PPdai.com пришли к выводу, что женщинам чаще отказывают в кредите, но при этом вероятность дефолта у женщин меньше.

Iyer et. al. (2009) анализируя данные Prosper приходят к выводу, что основным индикатором вероятности дефолта является начальная ставка процента, установленная заемщиком; кроме того, по их мнению, «мягкая информация» также может использоваться для прогнозирования вероятности дефолта, наиболее эффективно при определение вероятности дефолта заемщиков с низким кредитным рейтингом. Freedman и Jin (2008), также на данных Prosper, показали, что в целом кредиторы достаточно часто делают ошибки при выборе заемщика, но обладают способностью учиться на своих ошибках и со временем число ошибок при выборе заемщика уменьшается.

Обобщая вышесказанное, необходимо отметить, что основная часть работ использует данные компании Prosper по американскому рынку. Это, в свою очередь, означает, что результаты этих исследований не могут быть распространены на весь рынок P2P, поскольку специфика деятельности компании Prosper может отличаться от других компаний в отрасли.

Кроме того, результаты исследования могут варьироваться в зависимости от основных параметров данных (компания-источник, рынок, временной промежуток). Так, например, исследования посвященные «мягкой информации» потеряли свою актуальность. Дело в том, что в ноябре 2008 г. Комиссия по ценным бумагам и биржам США наложила запрет на ведение деятельности компании Prosper, крупнейшей на тот момент P2P заемной компании США. Комиссия заключила, что выдача кредитов на сайте Prosper является продажей незарегестрированных ценных бумаг, что нарушает главу 5 Закона о ценных бумагах (1933 г.) На самом деле, при передаче средств от компании от кредитора заемщику P2P заемная компания пользуется услугами банка-посредника, при этом передача денежных средств производится путем выдачи векселей от заемщика банку и от банка P2P компании. Эту операцию Комиссия по ценным бумагам признала продажей ценных бумаг на основе следующих причин:

Кредиторы клиенты Prosper мотивированы ожидаемым доходом от своих вложений;

Заявки заемщиков предлагаются широкому кругу лиц;

Рациональный кредитор предполагает, что выданный им кредит является для него инвестицией;

Платформа не предлагает альтернативной нормативной схемы, снижающей риск для кредитора.

В результате деятельность компании была приостановлена более чем на полгода, за которые компании пришлось зарегистрироваться в Комиссии по ценным бумагам. Главный конкурент — Lending Club за полгода до запрета деятельности Prosper, также останавливал свою деятельность для регистрации в Комиссии, но уже на добровольной основе. С тех пор на рынке P2P заемных компаний США установилась дуополия, британская Zopa покинула рынок США, барьеры для входа на рынок для новых игроков стали слишком высоки: стоимость регистрации в Комиссии по ценным бумагам США для таких компаний составляет около $ 3 млн. (Smith, 2009). Компаниям пришлось пересмотреть бизнес-модель: Prosper отказалась от аукционного метода определения ставки процента по займу и ввела свою систему установки ставок процента, также как и Lending Club. Более того, компании перестали позиционировать себя как социальные сети, отныне кредитные заявки стали анонимными, без какой-либо «мягкой информации». С другой стороны, обе компании предоставили возможность кредиторам продавать свои «инвестиции» на вторичном рынке. Таким образом, все работы, анализирующие «мягкую» информацию заемщиков таких компаний оказались нерелевантными, большинство работ, использующих данные компании Prosper до 2009 г. также потеряли свою актуальность.

Общепринятым методом оценки кредитного риска при P2P кредитовании в академической литературе является модели бинарного выбора. Главным недостатком рассмотренных работ является то, что даже при исследовании влияния «мягкой информации» на вероятность дефолта заемщика авторы не учитывают эндогенную природу этой информации. Заемщик может изменять свои социальные характеристики, более того было сказано, что разрабатываются специальные методики для увеличения вероятности получения кредита заемщиком. Пренебрежение этой проблемы приведет к несостоятельности и смещенности оценок (Цыплаков, 2007).

Методом решения этой проблемы является метод инструментальных переменных: для этого сначала необходимо выявить переменные, имеющие эндогенную природу и подобрать такие переменные, которые будут коррелировать с этими переменными, но при этом не будут коррелировать с ошибкой модели (Цыплаков, 2007).

Открытым остается вопрос о подбор подходящих инструментальных переменных. Одним из способов может являться использование лаговых переменных (Цыплаков, 2007), но в случае оценки кредитного риска заемщика он недоступен, заявка заемщика подается на один момент и ее параметры не являются временным рядами. Другой способ — это использование усредняющих переменных, т. е. в качестве объясняющих переменных используются не индивидуальные данные, а данные по группе, к которой относится индивид (Cutler и Glaser, 1997).