LUOTTOPROSESSIN TEHOKKUUS JA ECL-LASKELMAN PARAMETRIT: ASIAKASRATINGIN VAIKUTUS ODOTET TUUN LUOTTOTAPPIOON

Abstract

Tässä tutkimuksessa tarkasteltiin luottoprosessin tehokkuutta ja erityisesti Expected Credit Loss (ECL) -mallin kykyä ennustaa luottotappioita. Tutkimuksen keskiössä oli asiakasratingin (PD-luku) vaikutus luottotappioiden ennustamiseen. Tavoitteena oli tunnistaa ne tekijät, jotka eniten vaikuttavat luottotappioihin, sekä arvioida ECL-mallin kehittämispotentiaalia tarkemmaksi ennustustyökaluksi. Tutkimuskysymyksenä oli: Mitkä tekijät vaikuttavat eniten luottotappioihin ja miten ECL-mallia voitaisiin kehittää?

Opinnäytetyö toteutettiin kuvailevana kirjallisuuskatsauksena, ja sen tutkimusaineisto kerättiin Lapin ammattikorkeakoulun kirjaston kautta hyödyntämällä LUCFINNA-palvelua. Aluksi tehtiin testihakuja, joiden avulla kartoitettiin saatavilla olevaa materiaalia tutkimusaiheesta. Näiden tulosten pohjalta hakusanoja suunniteltiin ja tarkennettiin. Koska suomenkielistä aineistoa ei löytynyt riittävästi, päätettiin rajata haku englanninkielisiin tutkimuksiin. Hakuprosessin tueksi etsittiin uusia hakusanoja jo löydettyjen tutkimusten asiasanaluetteloista. Lisäksi määritettiin selkeät sisäänotto- ja poissulkukriteerit hyväksyttävälle aineistolle, jotta tutkimuksen luotettavuus ja relevanssi voitiin varmistaa.

Analyysin tulokset osoittivat, että IFRS 9 -tandardin mukainen Probability of Default (PD) -laskenta tarjoaa aiempaa tarkempia ja oikea-aikaisempia arvioita luottoriskeistä, mikä parantaa pankkien kykyä varautua mahdollisiin luottotappioihin. Lisäksi havaittiin, että PD-arvioiden kehittäminen hyötyisi entistä systemaattisemmasta lähestymistavasta, joka huomioi makrotaloudelliset skenaariot ja asiakaskohtaiset riskiprofiilit. Tutkimuksessa ilmeni myös, että luottoprosessien heikkouksia liittyi etenkin datan keräämisen ja mallintamisen yhdenmukaisuuteen sekä arviointimenetelmien läpinäkyvyyteen.

Opinnäytetyön tuloksia voidaan hyödyntää pankin riskienhallinnassa ja luottoprosessien kehittämisessä. Tutkimuksen tulokset antavat pankille mahdollisuuden parantaa luottotappion ennustamista ja vähentää siten luottoriskejä.

This study examined the efficiency of the credit process, focusing particularly on the Expected Credit Loss (ECL) model's ability to predict credit losses. The core of the research was the impact of customer rating (Probability of Default, PD) on credit loss prediction. The objective was to identify the key factors influencing credit losses and assess the potential for improving the ECL model as a more accurate predictive tool. The research question was: What factors have the greatest impact on credit losses, and how could the ECL model be improved?

The thesis was conducted as a descriptive literature review, and the research material was collected through the Lapland University of Applied Sciences library using the LUC-FINNA service. Initially, test searches were conducted to map the available material on the research topic. Based on the results, search terms were designed and refined. Since there was insufficient Finnish-language material, it was decided to limit the search to English-language studies. To support the search process, new potential keywords were identified from the subject indexes of already found studies. Additionally, clear inclusion and exclusion criteria were established for the accepted material to ensure the reliability and relevance of the research.

The analysis results showed that Probability of Default (PD) calculations under the IFRS 9 standard provide more accurate and timely credit risk assessments, enhancing banks' ability to prepare for potential credit losses. Furthermore, it was observed that the development of PD assessments would benefit from a more systematic approach that considers macroeconomic scenarios and customer specific risk profiles. The study also revealed weaknesses in credit processes, particularly concerning the consistency of data collection and modeling, as well as the transparency of evaluation methods.

The results of this thesis can be utilized in bank risk management and credit process development. The findings provide banks with the opportunity to improve credit loss prediction and, consequently, reduce credit risks.