リテール・クレジット・リスクへようこそ！

皆さん、こんにちは！FRM Part IIのカリキュラムの中でも、最も実務的で面白い章の一つへようこそ。コーポレート・クレジット・リスク（法人信用リスク）が大企業や複雑な契約を扱うのに対し、リテール・クレジット・リスクは、あなたや私、そしてクレジットカードや自動車ローン、住宅ローンを持つすべての人々を対象としています。銀行は数百万もの少額ローンを扱うため、一人ひとりを手作業で分析することはできません。代わりに、数学と「スコアリング」を活用し、一瞬で融資の判断を下します。数学が苦手でも心配はいりません。これらのモデルを、日常的な感覚で理解できるように分かりやすく解説していきます。

1. リテール・クレジット・リスクは何が違うのか？

法人向けの世界では、大手航空会社がデフォルト（債務不履行）を起こせば大惨事ですが、リテール向けの世界では、デフォルトは毎日どこかで起こっています。重要なのは「すべてのデフォルトを防ぐ」ことではなく、「膨大な顧客層全体の平均的なデフォルト率を予測する」ことです。保険会社を思い浮かべてみてください。保険会社は「あなた」が明日事故を起こすかどうかは分かりませんが、10万人の中で何人が事故に遭うかは正確に予測できますよね。

リテール・クレジットの主な特徴：
1. 多件数・少額： 少額のローンが大量に存在し、少数の巨大なローンとは対照的です。
2. 統計的性質： 「大数の法則」を利用します。個人の行動を予測するのは困難ですが、グループとしての行動は非常に安定しています。
3. 標準化された商品： クレジットカードや住宅ローンの条件はどれも似通っており、モデル化が容易です。
4. データ主導： 判断は信用調査機関（クレジット・ビューロー）のデータと支払い履歴に基づいています。

クイックレビュー： 法人向けリスクは（財務諸表を見る）「判断型」であるのに対し、リテール向けリスクは（データ内のパターンを見る）「統計型」です。

2. クレジット・スコアリング・モデルの理解

クレジット・スコアとは、借り手が一定期間内（例：今後12ヶ月間）に「破綻（通常は90日以上の支払遅延と定義）」する確率を予測する単なる数値です。

線形確率モデル（Linear Probability Model）：
最も単純なスコアは、様々な要素を加重平均した合計値です：
\( Score = w_1 \times (所得) + w_2 \times (勤続年数) + w_3 \times (過去のデフォルト有無) \)
ここで \( w \) は、銀行がその要素に与える「重み」や重要度を表します。

スコアリング・モデルの種類

1. アプリケーション・スコアリング： ローンを申し込んだ時に使用されます。申込書の内容（所得、雇用形態など）と信用情報機関のレポートに基づきます。
2. ビヘイビア（行動）・スコアリング： 既存の顧客に対して使用されます。銀行は、あなたが実際に口座をどう使っているかを見ます。期日通りに支払っているか？ 常に限度額一杯まで使っていないか？ これは「言葉よりも行動が雄弁である」のと同様、アプリケーション・スコアよりも予測精度が高いことが多いです。

豆知識： ビヘイビア・スコアは頻繁（多くは毎月）に更新されますが、アプリケーション・スコアは申請時点の「スナップショット（その瞬間の切り抜き）」に過ぎません。

まとめ： クレジット・スコアリングとは、一人の人間の経済生活を一つの数値に変換し、迅速かつ客観的な融資判断を行う仕組みのことです。

3. モデルの「良さ」を測る方法

では、スコアリング・モデルが実際に機能しているのか、どうやって確認するのでしょうか？ 主にCAP（Cumulative Accuracy Profile）曲線とKS（Kolmogorov-Smirnov）統計量という2つのツールを使います。名前が難しそうに見えても、怖がることはありません！

CAP曲線とジニ係数

すべての借り手を「スコアが悪い順」に並べたと想像してください。モデルが完璧なら、実際にデフォルトした人全員がリストの最下位に集まっているはずです。
• 完璧なモデル： デフォルトする人をすべて即座に特定できる。
• ランダムなモデル： （45度の直線） コイン投げと変わらない。
• ジニ係数： モデルとランダムモデルの間の面積を測定する、0から1の数値です。高いほど優秀！ ジニ係数0.70は、0.30よりもはるかに強力です。

KS統計量

KS統計量は、「優良客（支払う人）」と「不良客（デフォルトする人）」の累積分布の間の最大乖離距離を測るものです。
例え： 砂の山が2つあると想像してください。片方は「優良客」、もう片方は「不良客」です。KS統計量は、その2つの山がどれだけ離れているかを示します。山が完全に重なっていればモデルは役に立ちませんが、大きく離れていれば、そのモデルは両者を見分ける能力が非常に高いと言えます！

公式のメモ： \( KS = max | F_{bad}(s) - F_{good}(s) | \)
ここで \( F \) はスコア \( s \) における累積分布です。値は通常0から100の範囲で表され、リテール業界では一般的に30を超えると「まずまず」と見なされます。

よくある間違い： 学生はジニ係数とKS統計量を混同しがちです。こう覚えておきましょう：ジニは精度の「全体の面積」を測り、KSは分離が「最も広がるポイント」を探すものです。

4. リテール・ポートフォリオの管理

スコアが出たら、次はどうするのでしょうか？ 銀行はそれをリスクベース・プライシング（リスクに基づく価格設定）と与信限度額の設定に使用します。

リスクベース・プライシング

クレジット・スコアが低いと、「リスクが高い」と見なされます。返済されないリスクが高い分を補うために、銀行はより高い金利を要求します。
\( 金利 = 資金調達コスト + 運営コスト + 期待損失 + 利益マージン \)
もし期待損失が増加すれば（スコアが低い）、利益マージンを維持するために金利も上げる必要があります。

限度額の設定

銀行は顧客にどれだけの信用を与えるかを決定します。
• 高スコア： 高い与信限度額（例：クレジットカード利用限度額200万円）。
• 低スコア： 低い与信限度額（例：5万円）または融資拒否。
これにより、借り手が問題を抱えた際のデフォルト時エクスポージャー（EAD）を制限するのです。

要約： スコアリングとは単に「イエスかノーか」を決めるだけではなく、「いくらまで貸すか？」「いくらの金利を適用するか？」を決めるためのものなのです。

5. 重要な危険：逆選択とモラル・ハザード

どんなに素晴らしいモデルがあっても、人間心理が絡むと問題が生じることがあります。

逆選択（Adverse Selection）： これは融資が行われる前に起こります。銀行が金利を上げすぎると、「優良な」借り手は他で安いローンを探して去ってしまい、他に行く当てのない「リスクの高い」借り手だけが残ってしまう現象です。
モラル・ハザード： これは融資が行われた後に起こります。借り手が「どうせデフォルトするしかない」と分かっている場合、失うものは何もないと開き直り、クレジットカードを上限まで使い切ったり、余計なリスクを取ったりする可能性があります。

覚え方： Adverse selection（逆選択）はAt the start（最初）に起こる。Moral hazard（モラル・ハザード）はMidway through（途中）で起こる。

最後に：重要ポイントのまとめ

リテール・クレジット・リスク管理は、統計とパターンのゲームです。試験に向けてこれだけは覚えておきましょう：
1. リテールは特殊： 手作業の分析ではなく、大数の法則と自動化されたスコアリングに依存する。
2. ビヘイビア・スコアリング： 実際の支払データを使用するため、アプリケーション・スコアリングよりも強力な場合が多い。
3. モデル評価： 自身のモデルが「優良」と「不良」を見分けられるかを確認するため、ジニ係数（面積）とKS統計量（分離幅）を使う。
4. リスクベース・プライシング： リスクの高い顧客は、高い期待損失（EL）をカバーするために高い金利を払う。
5. データが命： モデルの精度は、信用調査機関や社内システムから提供されるデータの質に完全に左右される。

頑張ってください！ あなたなら大丈夫です。リテール・クレジットは定義が多く見えるかもしれませんが、自分自身のクレジットカードや住宅ローンに当てはめて考えてみれば、論理は自然と頭に入ってくるはずです。