Факторы финансовой устойчивости коммерческих банков и подходы к прогнозированию банкротств

Приведенная корреляционная матрица позволяет выявить ожидаемую сильную положительную взаимосвязь между показателями E/TA и E/L, которые характеризуют финансовый рычаг банков.

2.4 Этапы моделирования дефолтов банков

В результате статистического анализа и анализа значимости факторов, предложенных для использования в модели, предлагается использовать 2 дискриминирующие функции следующих видов:

В рамках данной работы предлагается осуществить моделирование дефолтов банков в соответствии со следующими этапами:

1. Дискриминантный анализ данных всей сформированной совокупности банков (284 банка-банкрота и 284 не обанкротившихся банка): построение дискриминантных функций и оценка предикативных способностей построенных моделей. При этом прогнозные модели предлагается сформировать на основе двух групп показателей: за 0,5 года до дефолта и за 1 год до дефолта;

2. Дискриминантный анализ данных только той совокупности банков, отзыв лицензий которых был основан на слабом финансовом положении банка (проблемы с ликвидностью или платежеспособностью);

3. Сравнительный анализ результатов моделирования на этапах 1 и 2.

Таким образом, в рамках данной работы предлагается произвести моделирование дефолтов банков на основе метода множественного дискриминантного анализа. Для реализации поставленной задачи были собраны квартальные данные по 92 финансовым показателям за период с 2006 по 2015 годы для выборки из 1052 банков. В качестве показателей, влияющих на финансовую устойчивость банка, предлагается рассмотреть показатели ликвидности, платежеспособности, прибыльности, качества активов и пассивов, при этом статистический анализ позволил оценить правильность сформированных гипотез относительно направления взаимосвязей перечисленных индикаторов. Для прогнозирования предлагается оценить адекватность и точность предсказаний двух моделей дискриминантного анализа для двух периодов: за полгода и за один год до наступления банкротства. На следующем этапе исходная выборка будет очищена от тех банков, отзывы лицензий которых производились не в связи с ухудшением финансового состояния, а по иным причинам, рассмотренным в части 1 данной работы. Заключительным этапом будет сравнительный анализ полученных дискриминантных функций.

3. Прогнозирование дефолтов коммерческих банков Российской Федерации

3.1 Результаты дискриминантного анализа общей совокупности банков

Рассмотрим результаты моделирования (Приложение 3):

1. За 0,5 года до дефолта

По результатам моделирования первая дискриминантная функция выглядит следующим образом:

В случае если D1 > 0.0045 банк классифицируется как устойчивый и не склонный к дефолту.

Доля корректных предсказаний исходов по модели достигает 60,31%, что превосходит результаты тестирования модели Э.Альтмана на контролируемой выборке.

Полученные коэффициенты подтверждают сформированные ранее гипотезы:

1) Большее отношение резервов по сомнительным долгам к выданным кредитам говорит о недостаточно высоком качестве активов, а, следовательно, приводит банк к потере финансовой устойчивости;

2) Системная и краткосрочная прибыльность банка говорят о лучшем финансовом положении банка и устойчивости к банкротству;

3) Чем больше собственного капитала в пассивах банка, т.е. чем меньше финансовый рычаг, тем более устойчив банк.

4) Больший показатель отношения депозитов ЦБ РФ к совокупным депозитам банка является индикатором государственную поддержку банка, а следовательно является признаком его устойчивости.

Следует заметить, что показатель ликвидности (Cash/TA) оказался статистически не значимыми.

Общий вид второй дискриминантной функции представлен ниже:

В случае если D2 > 0.005 банк классифицируется как устойчивый и не склонный к дефолту.

Доля корректных предсказаний исходов по модели достигает 60,38%, что также превосходит результаты тестирования модели Э.Альтмана на контролируемой выборке.

Аналогично первой дискриминантной функции, полученные коэффициенты подтверждают сформированные ранее гипотезы. Кроме того, показатель ликвидности (WC/TA) также оказался статистически не значим.

2. За 1 год до дефолта

По результатам моделирования на показателях за год до банкротства первая дискриминантная функция выглядит следующим образом:

В случае если D1 > -0,002 банк классифицируется как устойчивый и не склонный к дефолту.

Доля корректных предсказаний исходов по модели достигает 59,45%.

Все отмеченные ранее взаимосвязи между финансовыми показателями деятельности банка и вероятностью его дефолта соблюдаются. Однако следует отметить, что сила влияния показателей на дискриминантное значение претерпела следующие изменения: 1) прибыльность банка в краткосрочной перспективе за год до дефолта имеет меньшую взаимосвязь со склонностью банка к дефолту; 2) показатель финансового рычага за год до дефолта имеет более выраженную взаимосвязь с вероятностью дефолта банка.

Вторая дискриминантная функция, рассчитанная на данных за год до дефолта, выглядит следующим образом:

В случае если D2 > 0.005 банк классифицируется как устойчивый и не склонный к дефолту. Доля корректных предсказаний исходов по модели достигает 59,68%. Данная модель не противоречит выводам полученным ранее.

Таким образом, результаты моделирования подтверждают сформированные ранее гипотезы относительно взаимосвязи показателей прибыльности, платежеспособности, качества активов и качества пассивов с вероятностью дефолтов банков. В целом, модели на показателях деятельности банка за 0,5 года до дефолта имеют лучшие предикативные характеристики, чем показатели за 1 год до дефолта.

2.5 Результаты дискриминантного анализа финансово неустойчивых банков

Как уже говорилось в ч.1 данной работы, отзывы лицензий банков не всегда связаны с реальным негативным финансовым положением банка, а могут быть вызваны соображениями безопасности или некорректной отчетностью банка. В связи с этим предлагается рассмотреть результаты дискриминантного анализа только тех банков, лицензии которых отозваны в связи с потерей ими ликвидности или платежеспособности (109 банков в каждой из групп)

1. За 0,5 года до дефолта

Рассмотрим первую дискриминантную функцию:

В случае если D1 > 0 банк классифицируется как устойчивый и не склонный к дефолту.

Доля корректных предсказаний исходов по модели достигает 64,68%, что на 4% превышает предикативную способность модели, построенной по общей совокупности банков.

Взаимосвязи показателей финансового рычага, прибыльности, качества активов и пассивов с вероятностью дефолтов банков сохраняются. Следует заметить, что в данном случае значимым становится показатель ликвидности. Это можно объяснить тем, что выборка, очищенная от банков, лицензии которых отозваны по причинам, не связанным с финансовым состоянием, является более репрезентативной для установления взаимосвязи отзыва лицензий с проблемой банка с ликвидностью. При этом показатель ликвидности имеет положительную взаимосвязь с характеристикой устойчивости банка, что соответствует первоначально выдвинутой гипотезе и не соответствует результатам статистического анализа, проведенного на всей выборке из обанкротившихся банков. Вероятнее всего, значительные показатели ликвидности у банков-банкротов полной выборки говорят о наличии сомнительных операций.

Рассмотрим вторую дискриминантную функцию:

В случае если D2 > 0банк классифицируется как устойчивый и не склонный к дефолту. Доля корректных предсказаний исходов по модели достигает 60,27%.

Аналогично результатам дискриминантного анализа по первой функции, все ранее наблюдаемые взаимосвязи сохраняются, показатель ликвидности значим в данной модели и имеет положительную взаимосвязь с вероятностью дефолтов банка.

2. За 1 год до дефолта

Рассмотрим, как изменятся результаты моделирования при увеличении горизонта прогнозирования до 1 года.

Первая дискриминантная функция имеет вид:

В случае если D1 > 0,0066 банк классифицируется как устойчивый и не склонный к дефолту.

Доля корректных предсказаний исходов по модели достигает 61,38%, что ниже, чем доля корректных предсказаний по модели, построенной на данных за 0,5 года до дефолта.

Вторая дискриминантная функция для данных за 1 год до дефолта не имеет статистической значимости, а, следовательно, интерпретировать результаты дискриминантного анализа не представляется возможным.

2.6 Сравнительный анализ результатов дискриминантного анализа

Проведем сравнительный анализ результатов моделирования (табл. 13):

1) Показатель ликвидности не является дискриминирующим фактором на выборке из всех обанкротившихся банков. После очистки выборки банков от тех, лицензия которых была отозвана не по причине финансовой неустойчивости, проявляется положительная взаимосвязь вероятности дефолта банка с недостатком ликвидности. Это объясняется тем, что более, чем 70% лицензий банков отзываются не по причине проблем с ликвидностью, а следовательно, этот показатель является слабым классификатором для всей выборки. Кроме того, следует отметить, что в модели D1 показатель ликвидности обладает большей дискриминирующей силой за 1 год до банкротства банка.

2) Показатель платежеспособности (финансового рычага) является значимым для всех построенных моделей, при этом на промежутке за 0,5 года до дефолта его сила взаимосвязи с вероятностью банкротства банков больше для скорректированной выборки, чем для полной. Аналогично п.1, это объясняется тем, что вследствие очистки выборки наиболее значимыми становятся показатели реальной финансовой устойчивости.

3) Показатель RE/TA является значимым для всех построенных моделей, при этом за 1 год до дефолта его дискриминирующая сила больше, чем за 0,5 года. Данный факт можно объяснить тем, что будучи показателем систематической устойчивости, он позволяет судить о финансовом положении банка в долгосрочной перспективе.

4) Показатель прибыльности EBT/TA имеет положительную взаимосвязь с устойчивостью банка, при этом за полгода до дефолта его объясняющая сила больше, чем за 1 год до дефолта. Это можно объяснить тем, что прибыльность банка в текущем периоде не является определяющим фактором в долгосрочной перспективе.

5) Показатель отношения депозитов ЦБ РФ к сумме привлеченных депозитов банка положительно связан с финансовой устойчивостью, при этом для очищенной выборки сила этой взаимосвязи больше.

6) Показатели качества активов банка значимы для всех сформированных моделей и имеют отрицательную взаимосвязь с устойчивостью банка.

В целом, следует отметить, что точность предсказания по сформированным моделям снижается при увеличении временного промежутка для прогнозирования. Предикативная способность моделей, построенных на усеченной выборке выше, что объясняется чистотой данных. Модель D2 показала плохие результаты для классификации сокращенной выборки за 1 год до дефолта, в связи с этим предлагается в дальнейшем использовать модель D1, обладающей относительно высокими предикативными характеристиками.

Таким образом, в рамках части 3 данной работы проведено построение дискриминантных функций, классифицирующих банки по качественному признаку: дефолт и не дефолт. Полученные результаты подтверждают выдвинутые ранее гипотезы о влиянии платежеспособности, прибыльности, качества активов и пассивов на устойчивость банка. Для полной выборки обанкротившихся банков показатель ликвидности оказался не значимым дискриминантным фактором, однако после очистки выборки от банков, лицензии которых отозваны в связи с косвенными причинами, показатель ликвидности стал иметь положительную взаимосвязь с устойчивостью банков. Модели, построенные на сокращенной выборке, имеют более высокую точность предсказания, при этом, чем короче промежуток времени до банкротства, тем точнее модель. Ввиду того, что на промежутке за 1 год до дефолта для ограниченной совокупности банков модель D2 оказалась неадекватной, модель D1 рекомендуема к использованию для предсказания дефолтов банков. При этом, для общей совокупности банков за 0,5 года до дефолта ее предикативная способность достигает 60,31%, за 1 год до дефолта - 59,45%, для сокращенной выборки ее точность также находится на уровне 60,5%.