CalPERS Pension Buck

По состоянию на июнь 2022 года доход CalPERS за последние 20 лет показывает, что каждый доллар, потраченный на пенсии государственных служащих, поступает из следующих источников:

Члены CalPERS

Просмотреть все

ФРС — сильно ли коррелируют доходы и кредитные рейтинги?

13 августа 2018 г.

Насколько сильно коррелируют доходы и кредитные рейтинги?

Rachael Beer, Felicia Ionescu, and Geng Li ¹

1. Введение

Кредитный рейтинг — числовой показатель, разработанный для прогнозирования кредитного риска заемщика, представляет собой важнейший элемент финансовой жизни человека и широко используется в выдаче кредита и ценообразовании. В среднем потребители с более высоким кредитным рейтингом, как правило, имеют более легкий доступ к кредитам и более выгодные условия по кредитам, которые они берут. Учитывая их широкое влияние на финансовое благополучие домохозяйств, важно понять, как кредитный рейтинг потребителей коррелирует с их социально-экономическими характеристиками, в частности с доходом.

Примечательно, что в некоторых недавних исследованиях утверждается, что доход и кредитные баллы сильно коррелируют. Например, Albanesi, De Giorgi и Nosal (2017) утверждают, что существует сильная положительная связь между кредитным рейтингом и доходом и что, после учета возраста, доход является наиболее важным фактором, определяющим колебания кредитного рейтинга. Высокий уровень корреляции между доходом и кредитным рейтингом предполагает, что большая часть изменчивости потребительских кредитных рисков связана с доходом, а доход может служить разумным приближением для кредитного рейтинга. Высокая корреляция между доходом и кредитным рейтингом также означает, что растущее неравенство в доходах, наблюдаемое в последние десятилетия, приведет к увеличению неравенства в доступе к кредитам, что, в свою очередь, может еще больше усугубить неравенство в потреблении и благосостоянии.

В принципе, доход может повлиять на кредитный рейтинг двумя возможными способами. Во-первых, доход и кредитный рейтинг будут коррелированы, если доход напрямую используется в моделях кредитного скоринга. Тем не менее, предыдущие исследования и раскрытие информации агентствами по разработке моделей показывают, что кредитные рейтинги оцениваются с использованием такой информации, как история платежей по долгам, уровень задолженности, длина файла кредитной истории и использование кредитного лимита. Доход, напротив, не включен в алгоритмы скоринговой модели. Во-вторых, доход и кредитный рейтинг будут коррелированы, поскольку первый коррелирует с факторами, используемыми при оценке второго. Например, домохозяйства с более высоким уровнем дохода, при прочих равных условиях, будут иметь более высокую способность погасить долг.

Насколько нам известно, статистический анализ взаимосвязи между доходом и кредитным рейтингом с использованием надлежащих данных остается скудным. Используя уникальный собственный набор данных, эта заметка пытается заполнить пробел в нашем понимании этой взаимосвязи. Наш анализ указывает лишь на умеренную корреляцию между доходом и кредитным рейтингом. В контексте линейной регрессии, в то время как оценочный коэффициент дохода в модели, прогнозирующей кредитные рейтинги, является положительным и статистически значимым, объяснительная способность дохода, измеряемая изменениями R-квадрата (R-sq.), является более скромной. Кроме того, мы показываем, что распределения кредитных рейтингов потребителей с высоким и низким доходом сильно разбросаны, что подтверждает мнение о том, что доход не является надежным предиктором кредитного рейтинга, или наоборот. Действительно, в большинстве процессов андеррайтинга кредита кредиторы собирают информацию о доходах в дополнение к кредитным рейтингам соискателей кредита. ²

2. Описание данных

Данные, которые включают в себя как рейтинги потребительских кредитов, так и информацию о доходах, встречаются редко. Этот дефицит данных отчасти объясняется тем, что модели кредитного скоринга не включают доход. Мы используем данные Mintel/Comperemedia (далее данные Mintel), которые обеспечивают уникальное сочетание кредитных рейтингов и данных о доходах, основанных на опросах, для одних и тех же потребителей. Набор данных Mintel представляет собой ежемесячный собственный обзор предложений по кредитным картам, в котором ежемесячно принимают участие около 2500 потребителей. Образовательные достижения и доходы участников опроса Mintel очень похожи на результаты других общенациональных репрезентативных обследований домохозяйств, таких как Обзор потребительских финансов. Однако выборка Mintel имеет несколько более высокий средний возраст и большую долю белых потребителей.

Каждому участвующему потребителю выдается набор конвертов и предлагается помещать почту из множества секторов, которые отслеживает Mintel, включая предложения по кредитным картам, в конверты и отправлять их обратно в Mintel еженедельно в течение участвующего месяца. Mintel оцифровывает информацию, содержащуюся в этих предложениях, и направляет ее в TransUnion, одно из трех крупнейших агентств кредитной информации США, в котором объединяются кредитные истории участников опроса, включая их кредитные рейтинги VantageScore 2.0. ³ Наш анализ фокусируется на корреляции между доходом домохозяйства и этим конкретным продуктом кредитного рейтинга. Кроме того, Mintel собирает демографические и социально-экономические данные участников опроса, включая семейное положение и доход домохозяйства, с помощью отдельной анкеты. ⁴

Мы храним только тех лиц, информация о кредитных рейтингах которых объединена TransUnion. Наши данные охватывают более 10 лет, с января 2007 г. по декабрь 2017 г., и включают около 215 000 наблюдений. Хотя данные Mintel предлагают уникальную возможность изучить взаимосвязь между доходом и кредитным рейтингом, у этого набора данных есть два ограничения. Во-первых, данные о доходах собираются на уровне домохозяйств, а не на индивидуальном уровне, но мы наблюдаем кредитные рейтинги отдельных потребителей. Чтобы решить эту проблему, мы проводим анализ надежности, используя подвыборку отдельных потребителей, чтобы сопоставить кредитный рейтинг и информацию о доходах одних и тех же лиц. Во-вторых, данные о доходах в выборке Mintel представлены в дискретных категориальных значениях. Вместо точного долларового значения дохода респонденты указывают свой доход в одной из 18 скобок, в диапазоне от «менее 7 500 долларов» до «более 200 000 долларов». Типичные группы определяются как «10 000–12,49 долларов США».9″ или «70 000–74 999 долл. США», где группы с более низким доходом определяются в более узких диапазонах. Мы используем среднее значение каждой группы доходов в качестве приблизительного уровня доходов. в данных Mintel. Мы количественно оцениваем такие внутригрупповые вариации по отношению к общим вариациям доходов, используя данные опросов, которые включают точные значения дохода, такие как панельное исследование динамики доходов и обследование потребительских финансов. Мы обнаружили, что замена точных значений дохода на соответствующие средние значения скобки приводят лишь к незначительному сокращению общих перекрестных вариаций дохода — стандартное отклонение ниже примерно на 5%.Исключение потребителей с доходом домохозяйства более 200 000 долл. образец

3. Результаты

Корреляция между кредитным рейтингом и доходом
В таблице 1 приведены оценочные коэффициенты корреляции между доходом и кредитным рейтингом. Как показано в столбце (1), мы обнаруживаем низкую корреляцию между уровнями кредитного рейтинга и доходом, с коэффициентом корреляции около 0,27 для уровней дохода и 0,29 для логарифмического дохода. Соответственно, R-кв. модели линейной регрессии Оценка = α + β Log(Доход) + ε составляет около 0,08 (не показано). Кроме того, учет более гибкой нелинейной спецификации дохода в приведенном выше уравнении не приводит к существенному увеличению R-кв. Кредитные баллы предназначены для отражения относительного положения потребителя в распределении кредитного риска. Соответственно, мы также оцениваем корреляцию между доходом и процентилем кредитных баллов (столбец 2) и ранговую корреляцию Спирмена (столбец 3). Эти оценочные коэффициенты корреляции немного больше, чем в столбце 1, но все они ниже 0,3.

В таблице 2 представлены оценочные корреляции между кредитными баллами и доходом в различных подгруппах населения. Для начала изучим, различается ли корреляция между потребителями в расцвете сил (65 лет и младше) и старше (старше 65 лет). Большинство потребителей старше 65 лет являются пенсионерами, и их текущий доход может не быть тесно связан с их финансовыми ресурсами, способностью погасить долг и кредитными рисками. Действительно, как показано в столбце 1 таблицы, корреляция между доходом и кредитным рейтингом среди молодых потребителей, хотя и остается умеренной, заметно выше, чем у пожилых потребителей. ⁶

Столбцы 2 и 3 сравнивают логарифмическую корреляцию между доходом и кредитным рейтингом между одинокими и состоящими в браке потребителями. Как уже упоминалось, данные Mintel собирают информацию о доходах домохозяйств, а не отдельных потребителей. Следовательно, возможно, что корреляция между доходом и кредитным рейтингом среди одиноких потребителей отличается от корреляции среди потребителей, состоящих в браке. Однако наши оценки показывают, что независимо от возраста потребителей корреляция среди одиноких потребителей аналогична корреляции среди потребителей, состоящих в браке.

В столбцах 4 и 5 сравниваются корреляции между потребителями с высшим образованием и без него. Интересно, что корреляция среди потребителей с высшим образованием выше для всей выборки, но ниже для каждой возрастной подвыборки, хотя ни одно из различий в коэффициентах корреляции не является особенно большим. Наконец, в столбцах 6 и 7 сравнивается предполагаемая корреляция логарифмического дохода и кредитного рейтинга в двух периодах подвыборки — 2007–2012 и 2013–2017 годах. Для всей выборки корреляция во второй половине периода несколько выше; однако разрывы для каждой возрастной группы меньше.

Таблица 1: Корреляции Vantage Score и дохода

Таблица 2.

Дополнительная объяснительная сила дохода домохозяйства
Кредитные баллы оцениваются исключительно с использованием информации, доступной из кредитной истории. Теоретически добавление информации о доходах к истинным моделям оценки кредитоспособности не должно повышать объяснительную силу модели. Однако модели кредитного скоринга обычно являются частными и используют большое количество переменных и условий взаимодействия. Здесь мы изучаем с помощью экономной линейной модели, в которой кредитные рейтинги проецируются на небольшое количество ключевых переменных кредитной истории, какую дополнительную объяснительную силу может иметь доход домохозяйства. В частности, мы оцениваем следующую модель

с учетом и без включения термина Log(Доход) . В приведенном выше уравнении Z представляет собой вектор выбранных переменных кредитной истории, которые включают журнал общих остатков долга; журнал общих возобновляемых кредитных лимитов и остатков; возобновляемые коэффициенты использования кредита; возраст кредитной истории; манекены наличия недавних просроченных счетов, когда-либо имевших просроченные счета, а также наличия банкротства или других уничижительных флагов; и количество кредитных запросов за последние 24 месяца.

Как видно из таблицы 3, модель, не учитывающая доход домохозяйства, несмотря на ее относительную экономность, имеет R-кв. около 0,8. Добавление логарифмического дохода к модели, несмотря на то, что коэффициент оценивается как статистически значимый (не показан), существенно не увеличивает R-sq. модели. Оценка модели с использованием различных субпопуляций, представленных в таблице 2, приводит к столь же скромному увеличению R-sq.

Таблица 3: Объясняющая способность дохода домохозяйства

Распределение кредитных рейтингов внутри группы доходов
Наконец, мы представляем дисперсию кредитного рейтинга в пределах одной и той же группы доходов, чтобы проиллюстрировать ограниченную способность использования дохода домохозяйства для прогнозирования кредитного рейтинга. На рис. 1 представлены гистограммы кредитных рейтингов домохозяйств с высоким, средним и низким доходом, каждое из которых представляет примерно одну треть выборки. Как показано на трех панелях, кредитные баллы распределены по всей поддержке для всех трех групп доходов, и, помимо распределения группы с высоким доходом, имеющей большую массу в верхнем конце распределения поддержки, формы гистограммы групп с высоким и средним доходом в целом совпадают. Действительно, даже среди потребителей с высоким доходом значительная масса потребителей имеет кредитный рейтинг ниже 680, широко известных как «нестандартные» или «субстандартные» заемщики.

Повторяя анализ с использованием выборки потребителей моложе 65 лет, как показано на рис. 2, мы обнаруживаем, что формы распределения кредитных баллов для групп с высоким и средним доходом аналогичны. Однако большая часть распределения кредитных баллов потребителей с низким доходом моложе 65 лет смещается влево по сравнению с распределением на рисунке 1, что, вероятно, отражает тот факт, что многие потребители с низким доходом старше 65 лет имеют высокие кредитные рейтинги. Тем не менее, распределение для группы с низким доходом остается широко рассредоточенным.

4. Заключительные замечания

Подводя итог, используя уникальный собственный набор данных, который включает в себя кредитные рейтинги потребителей и доход домохозяйства, о котором сообщают сами, мы обнаружили, что доход домохозяйства умеренно коррелирует с кредитным рейтингом потребителей и перекрестными данными. вариации в доходах домохозяйств составляют скромную долю вариаций кредитных рейтингов. Дополнительная объяснительная сила дохода становится минимальной, когда учитывается небольшой набор переменных кредитной истории. Ограниченная корреляция предполагает, что растущее неравенство в доходах, наблюдавшееся в последние десятилетия, не означает механически растущее неравенство в доступе к кредитам через эту конкретную корреляцию. Действительно, по округам США наша расчетная корреляция дисперсии кредитного рейтинга внутри округа и коэффициента Джини дохода (часто используемая мера неравенства доходов) составляет около 0,15, что ниже расчетной корреляции между доходом и кредитным рейтингом. Кроме того, наши результаты соответствуют существующим теоретическим исследованиям кредитного скоринга и обеспечивают эмпирическую поддержку. Например, Атрея, Тэм и Янг (2012) обнаружили, что на необеспеченном кредитном рынке с неполной информацией доход имеет лишь ограниченную сигнальную силу в отношении кредитных рисков.

Рисунок 1a: Распределение кредитных баллов по группам дохода

Рисунок 1b: Распределение кредитных баллов по группам дохода

Рисунок 1c: Распределение кредитных баллов по группам дохода

Доступная версия

Рисунок 2a: Распределение кредитных баллов по группам доходов: потребители в расцвете сил

Рисунок 2b: Распределение кредитных баллов по группам дохода: потребители в расцвете сил

Рисунок 2c: Распределение кредитных баллов по группам дохода: потребители в расцвете сил

Доступная версия

Ссылки

1. Альбанези, Стефания, Джакомо Де Джорджи и Яромир Носаль (2017). «Рост кредита и финансовый кризис: новый рассказ», рабочий документ, https://www.jaromirnosal.net/uploads/6/0/7/5/60756213/newnarrative_september_2017.pdf.

2. Атрея, Картик, Суан Там и Эрик Янг (2012). «Количественная теория информации и необеспеченного кредита», American Economic Journal: Macroeconomics, vol. 4 (июль), стр. 153–83.

3. Хан, Сонг, Бен Киз и Гэн Ли (2018). «Предложение необеспеченных кредитов, кредитные циклы и регулирование», Review of Financial Studies , vol. 31 (март), стр. 1184–217.

1. Исследовательская работа для этой заметки была проведена, когда Рэйчел Бир была научным сотрудником в Совете Федеральной резервной системы. Представленные взгляды принадлежат авторам и не обязательно отражают точку зрения Совета Федеральной резервной системы или его сотрудников. Вернуться к тексту

2. Например, документально подтвержденный доход является основным требованием во многих заявлениях на ипотеку. Вернуться к тексту

3. Этот продукт кредитного рейтинга находится в диапазоне от 501 до 990 и был совместно разработан Equifax, Experian и TransUnion. Вернуться к тексту

4. Более подробное описание данных Mintel см., например, в Han, Keys, and Li (2018). Вернуться к тексту

5. Мы удаляем потребителей с заявленным доходом «выше 200 000 долларов США», поскольку среднее значение этой категории не определено. Однако использование среднего значения, полученного на основе данных опроса для доходов домохозяйств выше 200 000 долларов США, качественно не меняет наши результаты. Вернуться к тексту

6. Корреляция между доходом и кредитным рейтингом более узко определенных возрастных групп потребителей моложе 65 лет аналогична. Вернуться к тексту

Пожалуйста, указывайте это примечание следующим образом:

Бир, Рэйчел, Фелиция Ионеску и Генг Ли (2018). «Доход и кредитный рейтинг сильно коррелированы?», FEDS Notes.