Моделирование вероятности дефолта российских банков

Востребованность модели вероятности дефолта в российском банковском секторе Российская банковская система прошла два полных этапа развития водоразделами для которых стали крупнейшие кризисы 1998 и 2008 годов. Создание качественной модели вероятности дефолта российских банков способно решить данную задачу и представляет потенциальный интерес для трех групп пользователей: Банка...

2015-09-03

45.91 KB

16 чел.


Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск


Карминский А.М, д.э.н., д.т.н., проф.  

Костров А.В.,  студент магистратуры МИЭФ

Высшая школа экономики

Тезисы к докладу

«Моделирование вероятности дефолта российских банков»

Российский экономический конгресс – 2013

Востребованность модели вероятности дефолта в российском банковском секторе

Российская банковская система прошла два полных этапа развития, водоразделами для которых стали крупнейшие кризисы 1998 и 2008 годов. Представляется, что в ближайшем будущем развитие  как российской, так и мировой банковской системы будет ориентировано на обеспечение устойчивости при умеренном уровне прибыльности. Среди основных задач по реформированию банковской системы России –  формирование дистанционной системы мониторинга деятельности отдельных банков и системы в целом. Создание качественной модели вероятности дефолта российских банков способно решить данную задачу и  представляет потенциальный интерес для трех групп пользователей: Банка России как регулятора, коммерческих банков и их контрагентов.

Банк России сможет выявлять наиболее уязвимые банки (группу риска) для своевременного принятия мер по их финансовому оздоровлению. Можно также надеяться, что модели дефолта окажутся полезными в борьбе регулятора с процикличностью требований к капиталу коммерческих банков.  Модель  окажется полезна и для банковских контрагентов, позволит лучше осознавать риски вложения финансовых средств в конкретную кредитную организацию. Для коммерческих банков представляет интерес  и наблюдение за собственной вероятностью дефолта  для оценки рисков, связанных с банковской деятельностью и проводимой политикой.  Более того, создание качественных моделей вероятности дефолта банков является одним из перспективных направлений риск-менеджмента, предусмотренных Базельским соглашением в рамках IRB-подхода.

Данные и моделирование

В работе рассматривается, а затем получает  развитие опыт моделирования вероятности дефолта банков в России и развивающихся странах. Также, сформулировано определение дефолта с учетом положений Федерального закона "О банках и банковской деятельности" от 02.12.1990 N 395–1.

Российская банковская статистика была взята из  базы ИАС «Банки и финансы» (продукт Информационного агентства «Мобиле»). Для каждого банка рассматривались поквартальные данные за период 1998-2011 гг. Исходная выборка была разбита на две части. Первая, по которой строятся модели, включала наблюдения с 1998 г. по 2009 г., вторая, по которой оценивается  прогнозная сила построенных моделей, наблюдения с 2010 г. по 2011 г.

За рассматриваемый 14-летний период (1998-2011гг.) было зафиксировано 910  фактов отзыва лицензии, а также 37 случаев, когда банки были подвержены санации. По большинству их этих банков в использовавшейся базе данных была представлена финансовая статистика, для моделирования были доступны доступны 374 случая дефолта (в соответствии с нашей классификацией, см. рис. 1).

Рис. . Сравнение исторической динамики отзывов лицензии у кредитных организаций и отзывов, признанных дефолтами: поквартально, 1998-2011 годы

ИАС «Банки и финансы» включает порядка 170 финансовых показателей, определяемых на основе российской отчетности коммерческих банков.  Для построения модели вероятности дефолта банка был сформирован набор возможных относительных финансовых объясняющих переменных, данные по которым представлены в базе на должном уровне на протяжении всего периода исследования. Предварительно была произведена очистка данных от ошибок ввода и статистических выбросов. Затем, выбор объясняющих переменных был осуществлен исходя из возможности базы, накопленного в других исследованиях опыта, а также анализа объясняющих возможностей соответствующих переменных статистическими методами. Оставшиеся объясняющие переменные были разбиты по группам в соответствии с методологией CAMELS, которая позволяет учесть основные риски банковской деятельности.

Для построения модели финансовые показатели брались с лагами. Проведенный анализ показал, что с увеличением лага падает качество моделей и адекватность модели эмпирическим данным. В этой связи для дальнейшего рассмотрения был принят лаг в 2 квартала.  

При анализе нелинейностей проводилось  включение квадратов и кубов объясняющих переменных в эконометрическую модель.  Одним из недостатков простой логистической модели является неучет фактора времени. Для ликвидации этого недостатка были введены ежегодные дамми-переменные, а также дамми-переменные на кварталы – для учета возможной проблемы сезонности. Также, в модель вошли индикаторы делового цикла и переменные, характеризующие институциональные особенности операционной среды банка.

В данном исследовании была использована логистическая модель бинарного выбора, которая позволяет оценивать влияние на вероятность дефолта каждого из объясняющих факторов и рассчитать соответствующие предельные эффекты.  

Результаты и выводы

Анализ влияния финансовых переменных

Зависимость вероятности дефолта банка от доли собственного капитала банка относительно его чистых активов нелинейна. В качестве оптимального значения по результатам проведенного исследования можно считать значение отношения, равное 0,4. При умеренных значениях (менее 0,4) рост показателя уменьшает вероятность дефолта банка, формируя «подушку безопасности» банка.

Зависимость вероятности дефолта от доли балансовой прибыли банка относительно его чистых активов снова  нелинейна. Оптимальные значения лежат в районе 0,05. На эффективном рынке получение сверхприбылей сопряжено с огромными рисками, которые, по-видимому, принимает на себя достигающий их банк. При умеренных значениях отношения  рост показателя увеличивает вероятность выживания банка. Особенно ярко это проявляется при очень низких значениях показателя  . Ведь прибыль – основной источник средств на развитие в успешной организации.

Доля негосударственных ценных бумаг в активах банка связана нелинейной связью с вероятностью выживания банка. Для банков, вкладывающих умеренное количество денежных средств в негосударственные ценные бумаги (менее 10%) отсутствует негативное влияние данного показателя на вероятность дефолта. Такие вложения совершаются, как правило, из соображений управления ликвидностью преимущественно в высоконадежные корпоративные бумаги, доходность по которым выше, чем по государственным.

Согласно результатам проведенного анализа, размер активов банка, включенный линейно,  не  влияет  на  вероятность его дефолта. В то же время при включении в модель квадратичной объясняющей переменной мы наблюдаем опровержение гипотезы о справедливости постулата “too big to fail” в российской действительности.

Коэффициент при отношении просроченной задолженности по ссудам к выданным кредитам принял положительное значение. Выдача ссуд ненадежным заемщикам, по причине агрессивной кредитной политики или неадекватной оценки рисков, в результате приводит к повышению вероятности дефолта банка.

Снижение отношения оборотов по корреспондентским счетам к чистым активам банка приводит к повышению вероятности дефолта банка. Дело в том, что падающее отношение оборотов по корреспондентским счетам к активам банка за период времени может сигнализировать о потенциальных проблемах с проведением платежей или о снижении активности банка.

Анализ влияния фактора времени

Значимой оказалась дамми – переменная только для 2009 г.  Коэффициент при данной переменной положителен, т.е. в 2009 г. вероятность дефолта у банков была сравнительно выше (произошла недооценка риска). Это естественно: в это время мировую экономику потряс финансовый кризис. По-видимому, важен сам механизм распространения кризисных явлений. Учет такого канала влияния как финансирования нерезидентами или иных ненаблюдаемых факторов на российский банковский сектор интересен для развития исследования, но на сегодня релевантные данные приемлемого качества отсутствуют.

Анализ влияния макроэкономических переменных

В модель включен индекс потребительских цен. Оценка коэффициента при данном показателе положительна. Это означает, что с увеличением уровня инфляции вероятность дефолта банка растет. Одним из объяснений может служить то, что увеличение уровня цен снижает реальную доходность банка по выданным ранее кредитам.

Анализ влияния институциональных переменных

Высоким значениям индекса Лернера, которые соответствуют значительной монопольной власти банка, соответствует пониженная вероятность дефолта: в условиях низкой конкуренции вероятность выживание каждого отдельного банка выше.

Согласно полученным результатам, банки с головным офисом   в московском регионе менее стабильны. Это означает, что с позиции надежности для московских банков издержки агрессивной конкурентной среды превышают выгоды от развитой инфраструктуры и качественных человеческих ресурсов. Также данное явление может объясняться различиями в политике банка России по отзыву лицензий в столице и регионах.

Тестирование модели

 В исходной базе данных присутствовало достаточно много пропущенных значений по ключевым финансовым показателям. В силу этого, был проведен статистический тест о влиянии пропусков в исходной модели на полученные результаты, который подтвердил незначимость пропусков.

Прогноз вне выборки проводился по данным за 2010-2011 гг., которые не использовались при оценке коэффициентов модели.  Для определения качества прогноза производился контроль за количеством верно предсказанных дефолтов и величиной среднеквартальной группы риска на протяжении 2010-2011 гг.

Всего за 2010-2011 гг. было зарегистрировано 19 случаев дефолта. По нашему мнению, к группе риска следует причислять те банки, вероятность дефолта которых превышает 30%. Это позволяет одновременно сократить размер группы риска и предсказать значительное число дефолтов – 63%. (см. табл. 1)

Таблица 1.

Тестирование предсказательной силы модели. Количество верно предсказанных дефолтов в зависимости от определения группы риска.

Критерий причисления банка к группе риска: вероятность дефолта банка ≥ X

Величина группы риска, среднеквартальная

Количество (доля) верно предсказанных дефолтов, количество, (%)

X = 10%

54

16 (84%)

X = 20%

34

12 (63%)

X = 30%

30

12 (63%)

X = 40%

28

10 (52%)

Заключение

В данном исследовании предложена адекватная модель вероятности дефолта для российских банков на основе национальной банковской статистики, макроэкономических и институциональных данных за период с 1998 г. по 2011 гг.

Построенная регрессия продемонстрировала убедительную предсказательную силу при тестировании вне выборки: при умеренном количестве банков в группе риска было верно предсказано более 60% произошедших в 2010-2011 гг. дефолтов. Это, в свою очередь, подтверждает применимость использованных статистических методов в совокупности с подходом CAMELS при отборе наилучших объясняющих переменных для построения моделей вероятности дефолта.

Результаты моделирования представляют потенциальный интерес как  для регулятора, так и для коммерческих банков в рамках задач риск-менеджмента. Перспективным направлением развития модели видится использование банковских рейтингов для получения более точной оценки вероятности дефолта банка.

Список литературы

  1.  Карминский А.М. (2005) Рейтинги в экономике: методология и практика. – М. Финансы и статистика.
  2.  Карминский, А. М., Костров, А. В., Мурзенков, Т. Н. (2012). Моделирование вероятности дефолта российских банков с использованием эконометрических методов: препринт WP7/2012/04. – М.: Изд. дом Высшей школы экономики, 2012. – 64 с.
  3.  Пересецкий А.А. (2007) Методы оценки вероятности дефолта банков. Экономика и математические методы, 43(3), 37—62.
  4.  Claeys S., Schoors K. (2007). Bank supervision Russian style: Evidence of conflicts between micro- and macro-prudential concerns // Journal of Comparative Economics. 2007. Vol. 35. No. 3. P. 63–657.
  5.  Fungacova Z., Solanko L. (2009). Risk-taking by Russian banks: Do location, ownership and size matter? BOFIT Discussion Papers 21/2008. Bank of Finland.

7



 

Другие похожие работы, которые могут вас заинтересовать.
16563. Анализ устойчивости бизнес-моделей российских банков 112.82 KB
  В условиях ужесточения конкурентной борьбы банки для укрепления своих позиций на рынке повышают производительность работы разрабатывают новые банковские продукты внедряют новейшие банковские технологии. В связи с этим большой практический интерес представляет проведение комплексного исследования банковского сектора на основе мониторинга...
16886. Моделирование индексов потребительских цен для доходных групп российских домашних хозяйств (на основе совместного использования информации выборочных обследований и макростатистики) 60.01 KB
  Индекс потребительских цен ИПЦ как самая распространенная мера инфляции применяется для расчета и индексации различных социальных выплат. Хотя в некоторых странах получила распространение практика расчета и публикации индекса цен по доходным группам например в Сингапуре однако методика расчета таких индексов не раскрывается. В условиях когда цены достаточно сильно дифференцированы даже внутри региона и города у потребителя есть возможность выбора.
4868. Анализ вероятности банкротства ООО Технотрейд 72.8 KB
  Особенности кризиса и антикризисного управления на предприятиях торговли. Сущность кризиса и его особенности на предприятиях торговли. Системы диагностики финансового состояния предприятия в рамках антикризисного управления. Анализ бухгалтерского баланса предприятия.
21835. Расчет доверительного интервала для двух значений доверительной вероятности 126.83 KB
  При измерении напряжения между двумя точками электрической схемы было произведено 10 равноточных измерений цифровым вольтметром класса точности 0,05-0,02 на пределе 10 В. Показания прибора приведены в табл. Запишите результат эксперимента в виде доверительного интервала для двух значений доверительной вероятности = 0,95 и = 0,99. Оцените неисключенную систематическую погрешность результата эксперимента.
11166. Придание автомобилю информативных свойств, которые обеспечивали бы уменьшение вероятности ДТП 4.13 MB
  Расположение органов управления и приборов. Для иллюстрации этого положения приведем некоторые статистические данные: 1 число людей погибающих в мире от автомобильных катастроф давно превысило уровень смертности от всех инфекционных болезней вместе взятых; 2 в США число людей погибших на автомобильных дорогах от аварий в несколько раз больше числа человеческих жертв за все войны около 600 тыс. Причиной дорожно-транспортного происшествия часто является несоответствие одного из элементов системы водитель автомобиль дорога среда...
17275. Исследование вероятности и программного обеспечения новых туристских дестинаций Турции 1.91 MB
  Какое направление для путешествия выберет турист какая страна будет предпочтительнее в этом сезоне какой вид туризма будет наиболее популярным Куда следует направить активность в продвижении своего туристского продукта Как правильно построить тур В наши дни невозможно представить себе крупный город без иностранных туристов. Для решения этой цели поставлены следующие задачи: рассмотреть теоретические аспекты определения туристской дестинации; проанализировать современное состояние и развитие новой туристской дестинации Каппадокии;...
2176. Прогнозирование вероятности возникновения трещин в монолитном слое дорожных одежд нежесткого типа 129.92 KB
  Сплошность монолитных слоев не будет нарушена если растягивающие напряжения при многократном изгибе не превысят допустимых напряжений для материала данного слоя установленных с учетом усталостных явлений. В связи с этим для слоев с органическим вяжущим проверка ведется по критерию максимальных растягивающих напряжений по подошве слоя по оси нагрузки. Исследования в данной работе направлены на установление вероятности возникновения трещин в монолитном слое при изгибе в зависимости от качественного состояния конструкций.
13996. Активные операции коммерческих банков 161.36 KB
  Что же касается данной дипломной работы то в ней как раз и будут исследованы операции коммерческого банка а именно активные операции. Исходя из цели работы были поставлены следующие задачи: определить сущность активных операций коммерческого банка; рассмотреть нормативное регулирование банковской деятельности; дать краткую характеристику ООО Хоум Кредит энд Финанс Банк; проанализировать основные показатели коммерческой деятельности ООО Хоум Кредит энд Финанс Банк; проанализировать состояние активных операций ООО ...
7526. Основы организации и деятельности коммерческих банков 23.96 KB
  Важным элементом денежно-кредитной системы Российской Федерации являются коммерческие банки. В 90-е годы коммерческие банки прошли несколько этапов в своем развитии: от массового создания в период до 1998г. до сокращения в настоящее время. Одновременно с этим в последние годы происходит укрупнение банковского капитала, рост их активов.
11386. Анализ активных операций коммерческих банков РК 327.18 KB
  Классификация активов коммерческого банка по степени ликвидности В состав ликвидных активов входят кроме перечисленных высоколиквидных активов все кредиты выданные кредитной организацией в тенге и иностранной валюте со сроком погашения в течение ближайших 30 дней а также другие платежи в пользу кредитной организации подлежащие перечислению в ближайшие 30 дней. К активам долгосрочной ликвидности относятся все кредиты выданные кредитной организацией в тенге и иностранной валюте с оставшимся сроком погашения свыше года а так же 50...
© "REFLEADER" http://refleader.ru/
Все права на сайт и размещенные работы
защищены законом об авторском праве.