Bonita a kreditní skóre

Co je bonita a kreditní skóre

Bonita vyjadřuje schopnost a ochotu dlužníka splácet své závazky v souladu s dohodnutými podmínkami. Je výsledkem komplexního posouzení příjmů, výdajů, závazků, stability a rizikového profilu žadatele. Kreditní skóre je kvantitativní ukazatel (typicky bodové hodnocení), který pro věřitele shrnuje odhadované riziko nesplácení do jedné číselné veličiny. Skóre se používá při schvalování, stanovení úvěrových limitů, marží a při řízení portfolia.

Klíčové pojmy a metriky úvěrového rizika

PD (Probability of Default): pravděpodobnost, že dlužník v horizontu (např. 12 měsíců) nesplní své závazky.
LGD (Loss Given Default): očekávaná ztráta při defaultu po zohlednění zajištění a vymožitelnosti.
EAD (Exposure at Default): expozice v okamžiku defaultu (jistina + akruované úroky, čerpaná část rámce).
ECL (Expected Credit Loss): očekávaná kreditní ztráta = PD × LGD × EAD; používá se v účetním výkaznictví a oceňování rizika.

Vstupy hodnocení bonity: data a zdroje

Identifikační a demografické údaje: věk, rodinný stav, počet závislých osob, bydliště, délka pobytu.
Příjmy a jejich stabilita: zaměstnání (typ smlouvy, seniorita), podnikatelský příjem (historie, sezonnost), jiné příjmy.
Výdaje a závazky: splátky existujících úvěrů, leasingů, nájemné, pravidelné platby, životní náklady.
Úvěrová historie: platební disciplína, delikvence, počet a stáří účtů, využití limitů, restrukturalizace.
Externí registry a úvěrové kanceláře: negativní/pozitivní registry, dotazy, bankrotové a exekuční záznamy.
Účel a zajištění úvěru: LTV u hypotéky, kvalita kolaterálu, smluvní kovenanty.
Transakční data: bankovní výpisy, cash-flow, chování na účtu (výkyvy, chargebacky), open banking agregáty.

Ukazatele platební schopnosti a zadluženosti

DTI (Debt-to-Income): DTI = měsíční splátky dluhů / čistý měsíční příjem.
DSTI (Debt Service-to-Income): rozšířený DTI o budoucí splátku posuzovaného úvěru při stresové sazbě.
LTV (Loan-to-Value): LTV = výše úvěru / hodnota zajištění (u zajištěných úvěrů).
Využití limitu (utilization): čerpaní / disponibilní rámec u revolvingových úvěrů; vyšší využití signalizuje napjaté cash-flow.
Zůstatková likvidita: disponibilní příjem po zaplacení všech závazků a životních nákladů.

Konstrukce kreditního skóre: metody a modely

Skórekarty (scorecards): tradičně logistická regrese s kategorizovanými proměnnými, Weight of Evidence (WoE) transformací a Information Value (IV) pro výběr črt. Výhodou je interpretovatelnost.
Strojové učení: gradient boosting, náhodné lesy, neuronové sítě; vyšší predikční síla, nutnost explainability (SHAP, LIME) a robustní validace.
Hybridní přístupy: ML pro předvýběr črt a nelinearity, finální skórekarta pro interpretaci a governance.
Kalibrace: mapování skóre na PD pomocí Platt scaling nebo isotonic regression, následná rekalkulace na portfoliovou bázi.

Kvalita modelu: diskriminační síla a stabilita

AUC/Gini: plocha pod ROC křivkou (AUC) a Gini = 2×AUC − 1; měří separační schopnost mezi „dobrými“ a „špatnými“ klienty.
KS statistika: maximální rozdíl mezi kumulativními distribučními funkcemi „good“ a „bad“ populace.
Population Stability Index (PSI): citlivost na změny populace v čase; varování před driftem.
Backtesting a out-of-time validace: testování na datech mimo tréninkové období a segmenty.

Příklady typických črt ve spotřebitelském skóre

Proměnná	Popis	Vliv na skóre (typicky)
Věk účtu (měsíce)	Průměrný „age“ úvěrových účtů	Vyšší věk → lepší stabilita
Počet prodlení > 30 dní (12M)	Delikvence za posledních 12 měsíců	Více prodlení → výrazné zhoršení
Utilization revolving	Podíl čerpání z limitu	Nad 80 % → rizikové chování
Stabilita příjmu	Variabilita příjmů za měsíc	Vyšší variabilita → slabší skóre

Rozdíly mezi spotřebitelským a firemním (SME/corporate) hodnocením

Spotřebitel: zaměření na chování a registry; jednodušší cash-flow, menší objemy, více automatizace.
SME: finanční výkazy (EBITDA, krytí úroků), sektorová rizika, kvalita řízení, koncentrace dodavatelů a odběratelů.
Corporate: detailní finanční modely, scénáře, kovenanty, kolaterály, ratingové metodiky podobné ratingovým agenturám.

Schvalovací proces a rozhodovací strategie

Předzpracování: verifikace identity (KYC), příjmů, zaměstnání a zdrojů dat.
Skórování a odhad PD: aplikace skórekarty/ML modelu, mapování PD.
Pravidla a výjimky: cut-off skóre, tvrdá pravidla (např. aktivní exekuce), manuální výjimky s odůvodněním.
Cena a limit: risk-based pricing, stanovení úvěrového limitu a splatnosti podle rizika a zajištění.
Dokumentace a podpis: smlouvy, kovenanty, informování o rozhodnutí a důvodech (adverse action notice).

Fairness, etika a regulace

GDPR a minimalizace dat: zpracování pouze nezbytných údajů, jasný účel, souhlas při nadstandardních zdrojích.
Nediskriminace: eliminace přímé i nepřímé diskriminace (pohlaví, rasa, věk); testy fair lending a audit bias.
Transparentnost a vysvětlitelnost: srozumitelné důvody zamítnutí, vysvětlení klíčových faktorů včasného varování i u ML modelů (např. SHAP top faktory).

Makroekonomika, cykly a stresové testy

Point-in-time vs. Through-the-cycle PD: cyklické vs. vyhlazené odhady; použití podle účelu (schvalování vs. kapitálové požadavky).
Stresování: scénáře růstu sazeb, nezaměstnanosti, inflace a poklesu cen aktiv; dopad na PD, LGD a kapitál.
Včasné varování: chování účtů (zvýšené čerpání, klesající zůstatky, mikro-delikvence), watch list.

Řízení modelů (model risk management) a governance

Životní cyklus modelu: vývoj → nezávislá validace → schválení → monitoring → rekalkulace → vyřazení.
Dokumentace: datové zdroje, předzpracování, výběr črt, metodika, limity použití, známé slabiny.
Monitoring: champion–challenger, drift črt, stabilita koeficientů, výkonnostní metriky a alerty.
Bezpečnost a audit: záznamy o verzích, kontrola přístupů, reprodukovatelnost výsledků.

Typické chyby a zkreslení při hodnocení bonity

Sample bias a reject inference: model trénovaný pouze na schválených žadatelích; nutnost imputace informací o zamítnutých.
Data leakage: použití informací nedostupných v době rozhodování; vede k nerealisticky vysoké výkonnosti.
Overfitting: nadměrná složitost modelu bez generalizace; kontrola pomocí out-of-time testů.
Proxy diskriminace: neúmyslné využití proměnných korelujících s chráněnými atributy.

Využití skóre v životním cyklu klienta

Originace: schvalování, limitování, pricing.
Behaviorální skóre: pravidelné přehodnocování limitů, proaktivní nabídky zvýšení/snížení rámce.
Collection skóre: segmentace dlužníků v prodlení (self-cure vs. vysoké riziko), volba strategie vymáhání.
Retence a cross-sell: pravděpodobnost předčasného splacení, pravděpodobnost reakce na nabídku.

Příklad rozhodovací matice (zjednodušený)

PD pásmo (ročně)	Rozhodnutí	Cena/Marže	Doplňkové podmínky
< 1 %	Schválit	Nízká marže	Možnost vyššího limitu
1–3 %	Schválit	Standardní marže	Ověření příjmů + LTV ≤ 80 %
3–8 %	Podmíněně	Vyšší marže	Nižší limit, dodatečné zajištění
> 8 %	Zamítnout	–	Alternativní produkt/finanční poradenství

Metodika výpočtu affordability (dostupnost úvěru)

Stanovit stabilní čistý příjem (očistěný o volatilní složky).
Vypočítat nezbytné výdaje (bydlení, energie, minimum na živobytí dle velikosti domácnosti).
Přičíst existující splátky a budoucí splátku posuzovaného úvěru při stresové sazbě.
Ověřit DSTI a minimální zůstatkovou likviditu (např. ≥ 15–20 % příjmu).

Implementace v praxi: datové a technologické požadavky

Datový sklad a kvalita dat: jednotná identita klienta, deduplikace, verzování atributů, kontrolní součty.
API a real-time rozhodování: propojení s registry, open banking poskytovateli, interními službami v milisekundových SLA.
MLOps a monitoring: pipeline pro trénink, deployment, kontinuální sledování driftu a výkonu.

Komunikace s klientem a finanční edukace

Adverse action notice: jasné uvedení klíčových důvodů zamítnutí a možností nápravy (snížení využití limitů, konsolidace, stabilizace příjmů).
Finanční gramotnost: doporučení ke zlepšení skóre (včasné platby, dlouhodobé udržení účtů, nízké využití revolvingů, omezení simultánních dotazů).

Kontrolní seznam pro robustní hodnocení bonity

Ověřené a aktuální příjmy (více zdrojů, křížová verifikace).
Kompletní registr závazků a historie delikvencí.
Správně vypočítané DTI/DSTI, stress rate a zůstatková likvidita.
Vhodný model PD s prokázanou diskriminací (AUC/Gini) a stabilitou (PSI).
Transparentní rozhodovací pravidla, cut-off a eskalační proces výjimek.
Zdokumentované fairness testy a vysvětlitelnost výstupů pro klienta.

Bonita a skóre jako pilíř odpovědného úvěrování

Kvalitní posouzení bonity a správně kalibrované kreditní skóre umožňují věřitelům vyvážit obchodní cíle s kontrolou rizika a klientům poskytují přiměřené, udržitelné financování. Klíčem je spojit relevantní data, disciplinovaný modelový rámec, transparentní rozhodování a etické zásady tak, aby výsledkem byly předvídatelné ztráty, férové ceny a dlouhodobě zdravé portfolio.