Содержание к диссертации
Введение
1 Глава 1. Современные подходы к оценке кредитоспособности заемщика 11
1.1 Характеристика состояния российской банковской системы 11
1.2 Основные положения Базель II/III. Статус внедрения в России 22
1.3 Обзор и классификация моделей оценки вероятности дефолта 40
Выводы к Главе 1 54
2 Глава 2. Разработка модели оценки вероятности дефолта 55
2.1 Анализ требований к исходной информации 55
2.2 Формализация модели 67
2.3 Учет макроэкономической цикличности в модели 69
2.4 Анализ и отбор факторов в модель 72
2.5 Выбор методов апробации модели 78
Выводы к Главе 2 81
3 Глава 3. Реализация модели оценки вероятности дефолта 84
3.1 Формирование исходной информации данных для модели 84
3.2 Реализация модели на примере «Оптовой и розничной торговли» 90
3.3 Апробация модели 107
Выводы к Главе 3 111
4 Заключение 113
5 Список используемых источников 117
- Основные положения Базель II/III. Статус внедрения в России
- Обзор и классификация моделей оценки вероятности дефолта
- Учет макроэкономической цикличности в модели
- Реализация модели на примере «Оптовой и розничной торговли»
Введение к работе
Актуальность темы исследования.
Экономический кризис 2015 года поставил российскую банковскую систему между двух огней. Со одной стороны обострение ранее накопленных структурных проблем, связанных как со снижением качества обслуживания обязательств, так и с высоким уровнем закредитованности. С другой – продолжительное и значительное падение цен на нефть, а также резкое повышение ключевой ставки Банком России до 17% в декабре 2014 года.
Результатом такого воздействия на сектор стало снижение совокупной прибыли (до уплаты налогов) до 192 млрд руб. за 2015 год, что оказалось в 3 раза меньше аналогичного показателя предыдущего года. В большинстве кредитных организаций такая негативная динамика сопровождалась стремительным падением качества активов, что привело к росту просроченной задолженности. В частности, на 1 января 2016 года, ее доля в общем объеме кредитов, предоставленных нефинансовым организациям, составила 6,2%, что на 2 пп. больше соответствующего показателя на начало года.
Для поддержания финансовой стабильности и подавления кризисных явлений, Банк России выбрал курс на постепенный переход к принципам регулирования, предложенным Базельским комитетом по банковскому надзору, которые в качестве одного из основных параметров риска рассматривают оценку вероятности дефолта заемщика.
Наиболее острой проблемой для российской банковской системы при оценке вероятности дефолта заемщиков является преобладание доли кредитов непубличных компаний в структуре портфелей, что не позволяет воспользоваться методическими наработками международных рейтинговых агентств.
В этих условиях решение задачи оценки вероятности дефолта представляется возможным прежде всего при использовании собственной системы оценки кредитного риска. Зарубежные банки подобными системами пользуются уже давно, но их внедрение в России существенно затруднено в силу особенностей организации работы банковского сектора.
Потребность в разработке моделей оценки вероятности дефолта при кредитовании корпоративных заемщиков в российских условиях обуславливает актуальность тематики диссертационного исследования.
Степень разработанности проблемы.
В научной литературе известно большое количество работ российских и зарубежных авторов, в которых предлагаются различные подходы к оценке вероятности дефолта. Вопросам оценки вероятности дефолта посвящены работы Э. Альтмана, Д. Даффи, К. Синглтона, Р. Мертона, П. Нарайанана, М. Пека, А. Саундерса, Р. Хальдемана, Н. Сиддики и других.
Ведущее место в изучении вопросов внедрения новых подходов, предложенных Базельским комитетом по банковскому надзору, занимают работы западных ученых: Г. Гайгера, Г. Майера, Г. Ширенберга, Дж. Зюхтлинга, А. Кашипа, К. Педерцоли, Дж. Стайна и других. В отечественной литературе принципы регулирования Базельского комитета стали приниматься во внимание значительно позднее. Однако вопросы внедрения в России требования Базель-II были подвержены детальному рассмотрению в работах С.В Ивлеева, М.В. Помазанова, Ю.П. Соловьева, А.М. Карминского, А.А. Пересецкого, А.А. Лобанова.
Экспертные подходы стали одними из первых методов оценки кредитного риска. С их помощью оценка осуществлялась на основе профессиональных суждений кредитных специалистов, производящих анализ деятельности клиентов. Детальную характеристику этих методов дали Р. Дж.Таффлер и Р.А. Соммервиль (Somerville, Taffler, 1995). Ими же была продемонстрирована низкая достоверность экспертных методов: в большинстве случаев риск дефолта клиента переоценивается.
Более структурированные подходы к оценке вероятности дефолта – кредитный скоринг – получили свое развитие в трудах М. Пека, Дж. Хартцелля, Е. И. Альтмана (Altman, Hartzell и др., 1995), П. Нарайана, Р.Хальдемана (Altman, Haldeman и др., 1977). Кредитный скоринг использует балансовую отчетность клиента, а также данные о ценных бумагах заемщика, котирующихся на рынке. В основе данного подхода лежит применение логит-функций и дискриминантный анализ.
Весомый вклад в развитие методов оценки возможности наступления дефолта внесли К. Синглтон и Д. Даффи (Duffie, Singleton, 2003), в чьих трудах была заложена основа методик сокращенной формы. Данный тип предполагает наличие некоторого случайного процесса, определяющего уровень устойчивости организации. Применение различных подходов при условии наличия большого объема статистической информации позволяет осуществить оценку параметров данного стохастического процесса, которые применяются в дальнейшем для оценки возможности наступления дефолта организаций в течение определенного периода.
Весьма перспективным оказался подход к оценке вероятности дефолта, предложенный Р. Мертоном (Merton, 1973). В основе его метода лежит предположение, что статус дефолта присваивается организации, если стоимость ее обязательств становится выше стоимости активов. Данный подход положен в основу таких инструментов оценки, как KMV и RiskCalc 3.1 (CreditMonitorTM Specifications, 1999). Последний предусматривает наступление дефолта компании, если стоимость ее активов, описываемая случайным процессом, становится ниже определенного порога устойчивости.
Основой эффективного использования на практике подхода Мертона для оценки возможности наступления дефолта заемщика является наличие ценных бумаг, котируемых на
биржах. Это требование ограничивает возможности использования данного инструментария в российских условиях, характеризующихся небольшим числом крупных компаний с котируемыми рыночными инструментами, а также преобладание организаций-заемщиков среднего и мелкого бизнеса с короткой кредитной историей, не имеющих ценных бумаг, котируемых на рынке. Поэтому возникает настоятельная потребность в разработке и реализации на практике методик оценки вероятности дефолта, ориентированных на организации, бумаги которых пока не котируются на рынке. При этом адаптированный к российским реалиям новый инструментарий позволит кредитным организациям и банкам лучше оценивать финансово-экономическое состояние, заемщиков, а, следовательно, снизит их кредитные риски.
Необходимость разработки методов оценки финансовых последствий наступления дефолта заемщиков, в условиях текущего состояния российской банковской системы, и предопределили выбор темы настоящего исследования, его цели, задачи, а также методологию исследования.
Целью данного исследования является разработка инструментария оценки вероятности дефолта нефинансовых организаций-заемщиков, не обладающих длинной кредитной историей и не имеющих котируемых на бирже ценных бумаг.
Для достижения поставленной цели необходимо решить следующие задачи:
провести критический обзор методов оценки вероятности дефолта заемщиков, предложенных ведущими учеными и рейтинговыми агентствами;
предложить модель оценки вероятности дефолта заемщиков, наиболее адаптированную к использованию в российской банковской системе;
сформировать информационную базу характеристик заемщиков и событий дефолта на основе данных кредитного портфеля российского банка;
определить и применить метод решения модели (построения комбинации характеристик заемщика), позволяющий наилучшим образом прогнозировать вероятность перехода заемщика в дефолтное состояние, оценить точность прогнозов полученных результатов;
обосновать и разработать инструментарий учета влияния долгосрочного состояния экономики на вероятность дефолта.
Объектом исследования являются нефинансовые организации-заемщики, не обладающие длинной кредитной историей и не имеющие котируемых на бирже ценных бумаг. Предмет исследования - модели оценки вероятности дефолта заемщиков. Теоретическую и методологическую основу исследования составляют научные
разработки современных российских и зарубежных ученых в области микроэкономики,
финансов, методов прогнозирования, а также риск-менеджмента. В ходе работы над диссертацией использовались методические разработки ведущих рейтинговых агентств мира, таких как Moody's и S&P. Особое внимание уделялось законодательным и правовым актам Российской Федерации, регулирующим деятельность банков и других кредитных организаций.
В ходе исследования в качестве инструментария использовались методы сравнительного анализа, эконометрические методы, методы теории вероятности и математической статистики в части проверки статистических гипотез, а также метод экспертных оценок.
Фактографическая база исследования основывается на данных бухгалтерской отчетности, анкетной информации, статистике дефолтов нефинансовых организаций, работающих на территории Российской Федерации, а также на динамике макроэкономических показателей.
Научная новизна исследования. В результате диссертационного исследования разработана адаптированная к российским условиям модель оценки вероятности дефолта, которая позволит повысить точность расчета резервов и требований к капиталу банка. На основе сформированной информационной базы определена комбинации финансовых и нефинансовых факторов, которая обеспечивает высокую точность прогноза.
В работе получены следующие новые научные результаты:
на основе обзора инструментов оценки вероятности дефолта заемщиков произведена их классификация, а также выявлены ограничения с позиции их применимости к корпоративным портфелям российских банков;
разработана модель оценки вероятности дефолта в разрезе видов деятельности, которая позволяет:
а) ранжировать заемщиков по их кредитному качеству не только на основе
количественных, но и качественных факторов;
б) учитывать степень подверженности заёмщиков макроэкономической цикличности
через установление целевого уровня дефолтов на горизонт прогнозирования;
сформирована информационная база оценки дефолта, включающая в себя бухгалтерскую отчетность, анкетные данные, статистику дефолтов, а также динамику макроэкономических показателей;
обоснованы и выполнены процедуры сведения значений финансовых и нефинансовых характеристик к единой балльной шкале;
Теоретическая и практическая значимость исследования состоит в том, что полученные результаты и предложенные подходы вносят существенный вклад в совершенствование и развитие подходов к оценке вероятности дефолта клиентов, не имеющих кредитной истории и котируемых ценных бумаг.
Предложенные в диссертационной работе методы позволят повысить достоверность оценки вероятности дефолта заемщиков и оптимизировать размер резервов на возможные потери по ссудам, что повысит надежность и эффективность работы кредитных организаций, а также обеспечит устойчивое развитие банковской системы России в целом.
Апробация и внедрение результатов исследования. Основные результаты, полученные
в диссертационной работе, обсуждены и одобрены на заседаниях кафедры математических
методов в экономике РЭУ им. Г. В. Плеханова, докладывались на XXI Международных
Плехановских чтениях (Москва, 2010), а также на Международной научно-практической
конференции «Интеллект. Инновации. Информация. Инвестиции Институты. Инфраструктура»
(Москва, 2011). Предложенная в диссертации модель, включающая проведение факторного
анализа, учет макроэкономического состояния, а также валидацию результатов оценки
вероятности дефолта нефинансовых организаций-заемщиков, была внедрена в
автоматизированную систему риск-менеджмента частного банка.
Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 5 работ
опубликованы в журналах, рекомендованных ВАК. Общий объем публикаций, составляет 7,3
п.л., в которых личный вклад автора равен 6,1 п.л.
Структура работы. Работа изложена на 126 страницах машинописного текста, состоит из введения, трех глав, заключения и двух приложений. Работа иллюстрирована 22 таблицами, 26 рисунками. Библиографический список содержит 111 наименований литературных источников.
Основные положения Базель II/III. Статус внедрения в России
Суть соглашений Базель II заключается в том, что строгие банковские нормативы станут более эластичными. Такие предписания, как достаточность банковского капитала, отчисления в фонды резервирования, будут определяться в зависимости от степени риска финансовых операций, которые осуществляет банк. В результате банковский бизнес станет более мобильным, финансово-кредитным организациям не придется «замораживать» солидные средства в виде отчислений в резервные фонды. В то же время от банков Базель II потребует более высокого уровня корпоративного управления, создания эффективных служб внутреннего контроля и управления рисками. Разумеется, все это потребует больших организационных усилий и финансовых затрат.
Принципиальным отличием Базель II от предыдущего соглашения является учет с целью определения достаточности капитала не только кредитных, как было раньше, но и всех операционных рисков; высокая информационная открытость банков и транспарентность капитала, а также банковский надзор и рыночная дисциплина.
Компонент «Банковский надзор» Базель II основан на ряде принципов. Первый принцип предполагает наличие в банке процедуры оценки достаточности капитала по отношению к общему уровню рисков, а также выработанной стратегии поддержания капитала на должном уровне. Причем здесь имеется в виду более широкий набор рисков, чем в части второй соглашения: процентный риск, риск ликвидности, риски концентрации, стратегический и репутационный риски. Кроме того, должны учитываться внешние факторы, например, деловой цикл.
Второй принцип устанавливает обязанность регулятора проверить адекватность оценки достаточности капитала и правильность выбранной банком стратегии поддержания капитала на должном уровне. Необходимо проверить способность банка соблюдать пруденциальные требования. Наряду с этим производится оценка, учтены ли все значимые виды риска, насколько структура собственного капитала отвечает текущим макроэкономическим условиям, как обеспеченность капиталом контролируется руководством банка и пр.
Согласно третьему принципу, надзорные органы обязаны иметь инструменты, принуждающие банки соблюдать минимально необходимый уровень собственного капитала. Регулирующий орган вправе применять повышенный норматив достаточности капитала, как ко всей банковской системе в целом, так и к отдельным категориям кредитных организаций в соответствии с уровнем риска.
Четвертый принцип утверждает, что надзорные органы обязаны своевременно реагировать на недостаточную обеспеченность банка капиталом и оперативно предотвращать подобную ситуацию. В научном сообществе предлагаются идеи установить дополнительное ограничение на коэффициент достаточности собственного капитала, при нарушении которого кредитная организация подвергается более пристальному вниманию со стороны регулирующих органов.
Компонент «Рыночная дисциплина» Базель II направлен на разработку требований к раскрытию информации, использование которых позволит участникам рынка проанализировать основную информацию о структуре капитала и его достаточности, а также о процедурах оценки и управления рисками. По мнению Комитета, раскрытие информации становится более актуальным с выходом Соглашения, согласно которому даёт кредитные организации, базирующиеся на внутрибанковской методологии, получают более широкую свободу действий при расчете достаточности капитала.
Банки должны раскрывать информацию о том, как на самом деле происходит оценка и управление рисками. В соответствии с «Минимальными требованиями к уровню капитала» кредитные организации используют стандартизированные методы оценки риска и достаточности капитала. По мнению комитета, такой общий подход позволит эффективно информировать рынок о уровне банковских рисков и обеспечить последовательное и понятное раскрытие информации, что дает возможность производить качественное сравнение кредитных организаций.q
Обзор и классификация моделей оценки вероятности дефолта
Апробация модели оценки может быть проведена путем сравнения с внешним бенчмарком, по которому на основании тех же исходных данных можно рассчитать вероятность дефолта. Примером бенчмарка являются рейтинги международных и национальных рейтинговых агентств, общепризнанные подходы к оценке вероятности дефолта. В данной ситуации таким бенчмарком может выступить, Z-индекс Альтмана, который, судя по его качеству (см. Табл. 2.6), может выступать весомым аргументом в решении о выдаче кредита заемщику. Расчет вероятности дефолта с помощью прочих инструментов затрудняется ввиду необходимости в получении дополнительных исходных данных, а также по причине отсутствия детальной информации об используемых в них алгоритмах.
На первом этапе тестирования проверяется способность разработанной модели оценки к ранжированию по сравнению с Z-индексом Альтмана на всей выборке.
Важно проверить статистическую мощность модели не только в целом, но и применительно к различным отраслево-целевым группам, и убедиться, что она превосходит по AR альтернативный Z-индекс во всех секторах.
В условиях малой статистики дефолтов задача повышения качества инструмента оценки вероятности дефолта сводится к достижению максимальной степени «близости» внутреннего рейтинга и внешнего прокси. Индикатором связи инструментов оценки может выступать критерий Кендалла, с помощью которого представляется возможность определять степень относительной упорядоченности двух ранговых величин. Несомненным преимуществом критерия является то, что он работает даже в случае, когда две ранговые величины имеют разную размерность. Коэффициент Кендалла рассчитывается следующим образом Тх = ,7хє[-1;1] (2.13) п(п -1) где aij, bij - элементы двух матриц А и В размерностью (nxn). Элементы определяются следующим образом: a =1 - ранг заемщика i больше либо равен рангу заемщика j a = -1 - в противном случае a =0 -для диагональных элементов. Предложенные выше подходы к учету состояния макроэкономической среды в инструментах оценки вероятности дефолта вызывают необходимость проведения тестов на их дискриминирующую способность в различные периоды бизнес-цикла, чтобы выявить чрезмерную временную зависимость.
Рассмотренные тесты позволят убедиться в том, что модель оценки может эффективно отделять хорошие кредиты от плохих. Тем не менее, необходимо проверить, объясняется ли это результатом общей эффективности, или влиянием какой-либо подвыборки. Стандартный тест для оценки этого фактора — скользящий контроль по k-блокам (k-fold cross-validation test), при котором допустившие и не допустившие дефолт компании случайным образом делятся на k блоков одинакового размера. Такое разграничение дает k независимых подвыборок одинакового размера, которые демонстрируют один и тот же процент дефолтов. Каждый блок по очереди становится контрольной подвыборкой, при этом оценка коэффициентов производится по остальным k-1 блокам. Эта процедура повторяется для всех возможных сочетаний, и затем k оцененных вневыборочных подвыборок объединяются, чтобы рассчитать AR по объединенному набору данных.
Положительным результатом данного теста является подтверждение того, что ROC-кривые, которые основаны на обучающей выборке, и кривые, которые просчитаны на вневыборочных данных, практически не отличаются для однолетнего горизонта прогнозирования. А разница между AR на общей выборке и выборке, которая построена методом скользящего контроля, несущественна.
Второй вневыборочный тест — форвардный тест (walk-forward test) – проводится по той же схеме, что и скользящий контроль, за исключением того, что он определяет влияние времени. Разработанный нами инструментарий оценивается, основываясь на данных вплоть до определенного года, а затем оценки коэффициентов используются для ранжирования наблюдений в следующем году. (www.moodys.com, 2011)
Полученные таким образом значения вероятности дефолта заемщика являются вневыборочными с точки зрения времени (вневременными). Затем включаются данные еще за один год, после чего снова производится оценка коэффициентов.
Этот процесс повторяется для всех годов в выборке. Вневыборочные и вневременные оценки объединяются в единый набор прогнозных данных для дальнейшего расчета AR и построения ROC-кривой для данного набора данных. Затем сравниваются вневыборочный AR с соответствующим выборочным AR и ROC-кривой.
Данными, относящимися к будущему периоду, мы пользуемся не для отладки инструмента оценки, а только для его тестирования. Мы проверяем оценки значения параметров на предмет стабильности по разным подвыборкам.
Учет макроэкономической цикличности в модели
Устранение аномальных значений количественных факторов достигается путем преобразования значений фактора через логистическую трансформацию. Для упрощения сравнения значений факторов осуществляется приведение баллов с распределением от 0 до 1, к нормальному распределению, со средним арифметическим равным нулю и стандартным отклонением равным 50. Данное преобразование позволяет достичь двух положительных эффектов. Во-первых, баллы становятся интуитивно-понятными (баллы ниже нуля всегда хуже среднего) и находиться на одной шкале. Поскольку среднее значение равно нулю, а стандартное отклонение 50 для каждого фактора их можно сравнивать. Во-вторых, окончательные баллы представляют собой взвешенную линейную комбинацию в диапазоне от -100 до 100, причем сумма весов составляет 100%, что делает окончательные результаты интуитивно-понятными.
Уравнение логистической трансформации описывает S-образную кривую на графике трансформирования фактора, которая позволяет в большей степени дифференцировать клиентов на середине S-кривой, где крутизна наибольшая, и меньше всего на обоих концах, где крутизна наименьшая. Эта форма предотвращает назначение максимального количества баллов аномальным значениям и искажения регрессии. В то же время она обеспечивает сравнимость значений фактора.
В случае дискретных процедур нет необходимости рассчитывать штрафные процентные ставки посредством сведения ответов в корзину и расчета скользящих средних для каждого значения фактора, т.к. можно рассчитать среднюю величину дефолта всех клиентов с этим значением фактора, поскольку ответы были уже рассортированы естественным образом.
На Рис. 3.4 продемонстрировано распределение клиентов, а также относящихся к ним частот дефолтов в зависимости ответов на вопрос относительно позиции клиента на рынке: A. Заемщик занимает определенную нишу на рынке (менее 10 процентов регионального рынка); B. Заемщик входит в число компаний, контролирующих рынок (доля заемщика - от 10 до 25 процентов регионального рынка); C. Доминирующее положение (от 25 до 50 процентов рынка в регионе); D. Монопольное положение (более 50 процентов рынка в регионе), наличие эксклюзивных лицензий, способность влиять на ценообразование. Рис. 3.4 Кривая ADF для фактора «Позиция клиента на рынке» (y11) Форма графиков показывает, насколько сильно изменение коэффициента влияет на значение ADF. Чем круче уклон трансформанты, тем сильнее изменение коэффициента влияет на риск. Для формирования перечня факторов, которые наилучшим образом разделяют дефолтную и недефолтную выборку, они были проверены критериями Стьюдента и Вилкоксона, анализом ROC-кривых и расчетом коэффициентов AR. Традиционный статистический метод проверки однородности двух выборок дается критерием Стьюдента, в рамках которого был рассчитан уровень значимости , при котором t=tMN. Наилучшими с точки зрения качества дискриминации являются показатели с максимальным .
Критерий Стьюдента продемонстрировал (см. Табл. 3.4), что наилучшим образом дефолтную и недефолтную выборку разделяют факторы Коэффициент автономии (хю), Коэффициент левериджа (хіз), Соотношение собственных и заемных средств (хм). Наихудшими с этой точки зрения являются факторы Запасы/выручка (х5), ln(Выручки) (х6), Оборачиваемость активов, дней (Х7).
В дополнение, критерий Стьюдента был усилен более общим двухвыборочным критерием Вилкоксона. Объем первой выборки не превосходит объема второй, т.е. М N, в противном случае выборки можно поменять местами. Уровень значимости отвержения гипотезы об однородности (совпадении) выборок, демонстрирует следующие результаты:
Критерий Вилкоксона показал (см. Табл. 3.5), что наилучшим образом дефолтную и недефолтную выборку разделяют факторы ln(выручки) (x6), Коэффициент автономии (x10), Соотношение собственных и заемных средств (x14). Наихудшими, согласно критерию, оказались факторы Коэффициент рентабельности собственного капитала (x1), Запасы/выручка (x5), Долговая нагрузка (x11).
При сравнении результатов тестирования коэффициентов на предмет принятия гипотез Стьюдента и Манна-Уитни, получились различные результаты. Тем не менее, можно сделать выводы, что оба критерия позволили выделить факторы с сильными (x10, x13, x14) и слабыми (x1, x3, x4) дискриминирующими свойствами.
Тем не менее, оба критерия (Стьюдента и Вилкоксона) не раскрывают сути различий между выборками показателей, поэтому рассмотренные критерии необходимо применять с долей осторожности и принимать во внимание экономическую суть дискриминирующих показателей, которые действительно могут разделять компании на «плохих» и «хороших». Поэтому возникает потребность в применении более общего графического критерия и интуитивно-понятного индекса дискриминации.
Для оценки дискриминирующей способности рассчитанных факторов, влияющих на финансовое положение заемщика, был проведен анализ ROC-кривой (Receiver Operation Characteristic), в процессе которого оценим площадь под построенной кривой AUC (Area Under Curve), или кривой Лоренца, на основе которого рассчитывается коэффициент AR (AR-index). Сводные результаты расчета AR представлены в Табл. 3.6.
По полученным результатам рассмотренных критериев можно сделать предварительные выводы о возможности включения ряда факторов в модель оценки. Так, на Рис. 3.5 отображены ROC-кривые по 2-м факторам, которые согласно критериям Стьюдента и Манна-Уитни, продемонстрировали различную предсказательную способность:
Реализация модели на примере «Оптовой и розничной торговли»
Рассмотрена возможность применения принятых в мировой практике групп методов оценки вероятности дефолта в зависимости от состава исходной информации и особенностей процедур оценки кредитного риска: На основе показателей финансовой отчетности; На основе макроэкономических показателей; На основе информации о долевых и долговых ценных бумагах; Продвинутые оценки.
Данный анализ показал, что ни одна из них не отвечает в полной мере требованиям, продиктованным особенностями российской банковской системы. Вместе с тем этот анализ дает важный теоретико-методический материал для разработки адекватного российской действительности инструментария оценки кредитного риска. В частности, это касается выбора инструментария, отбора важнейших факторов, оценки качества и надежности реализуемых алгоритмов и др.
Для оценки вероятности дефолта в работе разработана Logit-модель. Ее решение представлено нами в виде последовательной двухступенчатой процедуры:
На первом этапе, на основе метода максимального правдоподобия, производится поиск такой линейной комбинации финансовых и нефинансовых факторов, которая позволяет наилучшим образом ранжировать заемщиков по степени их подверженности дефолту, выраженной в балле.
На втором этапе определяются параметры и модели, при которых среднее значение прогнозируемых PD соответствовало бы заданному целевому уровню дефолтов в следующем году.
В качестве независимых переменных использованы факторы, базирующиеся на бухгалтерской отчетности, а также качественные факторы (такие, как опыт работы топ-менеджеров и степень зависимости основной деятельности клиента от поставщиков), ранее не применяемых в методиках ведущих западных рейтинговых агентств.
В рамках сбора и подготовки исходных данных выполнена трансформация финансовых и нефинансовых факторов для перевода их в единую безразмерную шкалу, за счет чего появилась возможность устранить аномальные значения, которые могли бы исказить анализ, а также определить интуитивные взаимосвязи между значениями факторов и дефолтом. Проиллюстрирован графический подход к анализу таких взаимосвязей.
В работе была обоснована необходимость разработки процедуры разбиения кредитного портфеля на специализированные классы, с последующим построением для каждого из них отдельного уравнения, способного не только отразить особенности того или иного класса, но и обеспечить высококачественный прогноз.
Для определения статистической взаимосвязи между совокупностью факторов риска и показателем PD в работе предложены два подхода. При достаточном объеме выборки наиболее обоснованным является метод максимального правдоподобия (ММП). Однако в условиях ограниченной статистической информации для оценки параметров модели результаты ММП целесообразно проверить правилом Фишберна. В работе предложена адаптация этого метода, в соответствии с которой значимость факторов оценки вероятности дефолта определяется, прежде всего, через предсказательную силу факторов и корреляционный анализ.
В работе предложен ряд тестов, основанных на ROC-анализе, позволяющих оценить качество и надежность модели оценки. Среди них следует выделить сравнение коэффициента AR модели, рассчитанной по ММП, с соответствующим показателем инструмента, использующего правило Фишберна, для подтверждения эффективности построения ПВР-инструмента экспертным методом.
Таким образом, поставленная цель достигнута. Модель выполнена на основании требований Базель-II. Кроме расчета требований к капиталу банка, ее результаты могут быть использованы при оценке резервов на возможные потери, ценообразовании, а также установлении лимитов. Модель дает возможность точнее оценивать текущий кредитный портфель и оперативно реагировать на ухудшение кредитоспособности заемщиков.
Для актуализации модели достаточно одного-двух дней. Такая низкая трудоемкость достигается только при регулярном пополнении информационной базы, а также при использовании ММП через стандартную надстройку «Подбор параметра» MS Excel. Реализация модели не предполагает работу в специализированном программном обеспечении.