Факторы финансовой устойчивости коммерческих банков и подходы к прогнозированию банкротств

Специфика прогнозирования банкротств кредитных организаций Российской Федерации. Применение множественного дискриминантного анализа для моделирования банкротств, этапы моделирования. Прогнозирование дефолтов коммерческих банков Российской Федерации.

Рубрика Банковское, биржевое дело и страхование
Вид дипломная работа
Язык русский
Дата добавления 30.08.2016
Размер файла 1,1 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Правительство Российской Федерации

Федеральное государственное автономное образовательное учреждение

высшего образования

"Национальный исследовательский университет

"Высшая школа экономики"

Банковский институт

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

по направлению подготовки 38.04.08 Банковское дело

«Факторы финансовой устойчивости коммерческих банков и подходы к прогнозированию банкротств»

Студентка группы № МФА141

Калашникова Ольга Сергеевна

Научный руководитель

Преподаватель, CFA

Загвоздкина Ольга Николаевна

Москва, 2016

Содержание

  • Введение
  • 1. Специфика прогнозирования банкротств кредитных организаций Российской Федерации
    • 1.1 Основные подходы к прогнозированию банкротств кредитных организаций
    • 1.2 Исследование специфики отзыва лицензий российских коммерческих банков
    • 1.3 Оценка применимости модели Э.Альтмана к прогнозированию дефолтов в российском банковском секторе.
  • 2. Методология построения модели прогнозирования дефолтов банков Российской Федерации
    • 2.1 Применение множественного дискриминантного анализа для моделирования банкротств
    • 2.2 Исходные данные и формирование выборок для дискриминантного анализа
    • 2.3 Факторы, определяющие склонность банка к дефолту
    • 2.4 Этапы моделирования дефолтов банков
  • 3. Прогнозирование дефолтов коммерческих банков Российской Федерации
    • 3.1 Результаты дискриминантного анализа общей совокупности банков
    • 3.2 Результаты дискриминантного анализа финансово неустойчивых банков
    • 3.3 Сравнительный анализ результатов дискриминантного анализа
  • Заключение
  • Список литературы
  • Приложение 1
  • Приложение 2
  • Приложение 3

Введение

Устойчивость банковской системы является необходимым условием для обеспечения экономического роста страны. Во время финансового кризиса 2008-2009гг. банковский сектор столкнулся с новыми макроэкономическими условиями: увеличение объёмов неплатежей со стороны заемщиков, отсутствие спроса на кредиты и другие финансовые инструменты, отток капитала и увеличение процентных ставок. В результате этого, многие кредитные организации оказались не в состоянии не только поддерживать предприятия реального сектора, но и отвечать в соответствии с принятыми обязательствами перед кредиторами, что повлекло за собой возросшее количество банковских дефолтов.

Решение задачи прогнозирования дефолтов кредитных организаций позволяет на раннем этапе выявить существующие финансовые проблемы банков и осуществить проактивные действия по недопущению банкротств или нивелирования их последствий. Тема данной магистерской диссертации является актуальной, так как позволяет не только осуществить моделирование банкротств, но и определяет ключевые факторы, влияющие на финансовую устойчивость банков.

Объектом исследования данной магистерской диссертации является банковская система Российской Федерации. Предметом исследования являются дефолты российских банков, произошедшие в период с 2006 по 2015гг. Под дефолтом и банкротством в рамках данного исследования понимается любой прецедент отзыва лицензии банка.

Целью дипломной работы является построение модели прогнозирования дефолтов кредитных организаций.

К задачам дипломной работы относятся:

• Исследование подходов к прогнозированию банкротств кредитных организаций;

• Исследование специфики отзыва лицензий банков;

• Оценка взаимосвязи масштаба банка с его финансовой устойчивостью;

• Оценка предикативных характеристик модели Э. Альтмана для российского банковского сектора;

• Формирование гипотез о взаимосвязи финансовых показателей деятельности банка с его финансовой устойчивостью и формирование методологии прогнозирования дефолтов банков;

• Построение модели прогнозирования банкротств кредитных организаций, анализ и интерпретация полученных результатов.

Основным инструментом прогнозирования дефолтов банков в данной работе является метод множественного дискриминантного анализа, как один из наиболее часто используемых методов моделирования банкротств экономических агентов. Помимо основного метода для анализа данных будут использованы классические статистические, графические, эконометрические методы исследования.

Вопрос прогнозирования финансовой устойчивости организаций хорошо освещен в научных таких зарубежных авторов, как E.Altman, V. Agarwal, J.R. Taffler, H.H.A.Altaee, I.M.A.Talo, M.H.M.Adam, R.Pradhan, J.R.Chieng, G.Kyriazopoulos, K.Kanta, K.Mitou, A.Q.Mamo, D.Jordan, D.Rice, J.Sanchez, C.Walker, D.Wort , S.Cleary, G.Hebb, K.Schaek, E.Ozkan-Gunay, J.Yim, H. Ercan, O. Evirgen, J. Kolari, D. Glennon, H. Shin, M. Caputo и др. Научные труды, посвященные прогнозированию дефолтов российских банков принадлежат А.М. Карминскому, А.А. Пересецкому, С.В. Голованю, А.В. Копылову, А.В. Зубареву.

Приведенные исследования российского банковского сектора в качестве основного метода математического моделирования используют метод логистической регрессии, что говорит о научной новизне результатов, полученных в данной работе с использованием метода дискриминантного анализа. В дополнение, в данной работе впервые проведено тестирование модели Э. Альтмана на результатах деятельности российских банков. Кроме того, научная новизна данной работы заключается в том, что в ней проведено исследование причин отзыва лицензий банков в зависимости от временного периода, а также исследование специфики взаимосвязи финансовой устойчивости и масштабов банков.

В первой части данной работы проведено исследование существующих методов прогнозирования дефолтов экономических агентов в целом и организаций банковского сектора в частности. На следующем этапе проведен анализ специфики российского банковского сектора, который включает исследование причин отзыва лицензий российских банков, а также исследование зависимости дефолтов банков от их масштаба. В заключительном параграфе первой части отражено исследование применимости модели Э.Альтмана для прогнозирования дефолтов российских банков.

Вторая часть данной диссертационной работы посвящена формированию методологии построения модели прогнозирования дефолтов банков. В рамках данной части приводится основная информация относительно метода дискриминантного анализа, формулируются основные гипотезы относительно взаимосвязи показателей деятельности банка с его финансовой устойчивостью, а также приводятся результаты проведенного статистического и корреляционного анализа выбранных факторов. В заключении к части приводится общий вид дискриминантных функций для классификации банков.

В третьей части приведены результаты моделирования дефолтов банков в соответствии с разработанной методологией. Кроме того, проведен сравнительный анализ результатов прогнозирования дефолтов на разных временных промежутках, а также на нескольких выборках, сформированных в зависимости от причин отзыва лицензий банков.

Результаты, полученные в рамках проведенного исследования, могут быть использованы для оценки финансового положения банка и прогнозирования вероятности его дефолта. Предикативная способность полученной модели достигает 60%, что превосходит результаты моделирования на основе модели Э. Альтмана. Данный факт, вероятнее всего, говорит о специфике российского банковского сектора и подтверждает, что модели развитых экономик не применимы для прогнозирования дефолтов в российских реалиях.

Полученная модель прогнозирования банкротств может быть улучшена путем дополнительного исследования индивидуальной специфики каждого из рассматриваемых банков. Предполагается, что такие факторы, как государственное участие, субсидирование, структура собственников, географическое положение, структура активов и пассивов в динамике могут оказывать значительное влияние на финансовую устойчивость банка.

1. Специфика прогнозирования банкротств кредитных организаций Российской Федерации

1.1 Основные подходы к прогнозированию банкротств кредитных организаций

коммерческий банк прогнозирование банкротство

Проблема исследования финансовой устойчивости кредитных организаций и поиска предпосылок их банкротства становится наиболее актуальной в связи с возникшей нестабильностью в банковском секторе Российской Федерации. Адекватная оценка риска банкротства финансовой организации позволяет осуществить превентивные действия и не допустить катастрофических последствий не только для банка и вкладчиков, но и для всей финансовой системы в целом.

Задача прогнозирования банковских дефолтов относится к более широкому классу задач прогнозирования банкротств любых экономических агентов. Наиболее часто используемыми методами для предсказания банкротств являются методы дискриминантного анализа, logit-модели и нейронные сети. В работах M.A.Aziz, H.A.Dar [16] сделан обзор используемых методик в зарубежных экономических исследованиях за период с 1968 по 2003 год (табл. 1).

Таблица 1. Методы прогнозирования дефолтов

Методология

Количество

Дискриминантный анализ

27

Logit-модели

19

Нейронные сети

8

Дерево решений

5

Теории энтропии

4

Генетические алгоритмы

4

Теория неточных множеств

3

Одномерный анализ

3

Теории управления ликвидностью

3

Модели временных рядов

3

Линейная модель вероятности

3

Теории кредитного риска

2

Прецедентный анализ

2

Probit-модель

2

Задача о разорении игрока

1

Total

89

Первым наиболее значимым трудом в области прогнозирования банкротств является труд W.H.Beaver (1966) [17], в котором автор, используя одномерный анализ, сравнил финансовые характеристики 79 «здоровых» и 79 обанкротившихся фирм. В результате расчета предикативных характеристик 30 финансовых показателей, W.H. Beaver пришел к выводу, что наилучшим показателем, отражающим высокий риск банкротства организации, является показатель отношения чистого денежного потока компании к сумме ее внешнего долга. Несмотря на высокую предикативную способность полученных результатов (78%), ограничением полученной модели является ее одномерность и пренебрежение другими факторами, которые хоть и в меньшей степени, но определяют финансовую устойчивость.

В 1968г. Э. Альтман (E.Altman)[15] развил идею W.H.Beaver(а) путем добавления 4 дополнительных переменных и использования метода дискриминантного анализа (Multiple Discriminant Analysis, MDA). В качестве основных переменных, определяющих финансовую устойчивость организаций, в работе выделяются: 1) отношение оборотного капитала к совокупным активам; 2) отношение нераспределенной прибыли к совокупным активам; 3) отношение EBIT к совокупным активам; 4) отношение рыночной стоимости капитала к балансовой стоимости обязательств; 5) отношение выручки к совокупным активам.

В дальнейшем, на основе первоначальной модели Э.Альтмана, был построен ряд моделей, наиболее точно отражающих специфику рынка, экономическую развитость страны и т.д. Например, для прогнозирования банкротств в долгосрочной перспективе в 1977г. в трудах E.Altman, R. Haldelman, P. Narayanan [13] на основе дискриминантного анализа построена Zeta-функция, к переменным, формирующим которую, относятся: 1) доходность активов, 2) стабильность дохода 3) коэффициент обслуживания долга (отношение EBIT к краткосрочной задолженности по кредитам и займам) 4) накопленная прибыль, 5) ликвидность (отношение оборотного каптала к активам), 6) капитализация; 7) размер активов. В 1983г. Э.Альтманом [11] была сформирована Z'-модель, адаптированная под специфику частных компаний. Эта модель в 1995г. была развита в совместном труде Altman, Hartzell, Peck [14], новая модель Z''score -модель была адаптирована под развивающиеся страны, растущие рынки и могла быть использована для предсказания банкротства организаций сферы услуг, в том числе кредитных организаций. Переменные, которые были включены в модель в качестве основных характеристик финансовой устойчивости, включают: 1) отношение оборотного капитала к совокупным активам; 2) отношение нераспределенной прибыли к совокупным активам; 3) отношение EBIT к совокупным активам; 4) Отношение балансовой стоимости капитала к балансовой стоимости обязательств.

На основе моделей Э. Альтмана были опубликованы научные труды, в которых модель z-score была адаптирована под страновую специфику. Например, в работах V. Agarwal и R. Taffler [8] приведены результаты построения z-score модели для Великобритании, в работе H.H.A.Altaee, I.M.A.Talo, M.H.M.Adam [9] - для стран Совета сотрудничества арабских государств Персидского залива (ССАГПЗ), в работе R.Pradhan [26] - для индийского банковского сектора. Кроме того, существует ряд публикаций, нацеленных на оценку применимости модели Э. Альтмана для прогнозирования дефолтов в банковском секторе: Европейского Союза - J.R.Chieng [18], Греции - G.Kyriazopoulos, K.Kanta, K.Mitou [23], Кении - A.Q.Mamo[24]. Также существуют исследования, основной целью которых является повышение предикативных характеристик моделей предсказания дефолтов банков США, основанных на дискриминантном анализе, к ним относятся: D.Jordan, D.Rice, J.Sanchez, C.Walker, D.Wort [21], S.Cleary, G.Hebb [19].

Помимо исследований, основанных на методе дискриминантного анализа, существуют публикации, использующие другие методики для прогнозирования финансовой несостоятельности: в работе Schaeck [27] используется квантильная регрессия, в работах Ozkan-Gunay,Ozkan [25] и Yim [29] - нейронные сети, в работе Ercan and Evirgen [20] - компонентный анализ, в работе J. Kolari, D. Glennon, H. Shin, and M. Caputo [22] - logit-модель и т.д.

Научные труды, посвященные прогнозированию дефолтов российских банков принадлежат А.М. Карминскому, А.А. Пересецкому, С.В. Голованю, А.В. Копылову, С.М. Дробышевскому, А. В. Зубареву [1,2,3,5]. Приведенные исследования в качестве метода математического моделирования используют модели бинарного выбора. В работе [1] в качестве независимых переменных, оказывающих влияние на вероятность дефолтов банков, выступают следующие показатели: 1) сумма пассивов, 2) резервы под возможные потери от финансовых операций, 3) кредиты нефинансовым организациям, 4) вложения в государственные долговые обязательства, 5) размер собственного капитала, 6) ликвидные активы, 7) депозиты физических лиц, 8) неликвидные активы, 9) негосударственные долговые обязательства.

Таким образом, большинство моделей прогнозирования дефолтов экономических агентов основаны на методе множественного дискриминантного анализа. При этом наиболее значимые исследования вероятности банкротства элементов российского банковского сектора в качестве основного метода прогнозирования используют логистические регрессии.

1.2 Исследование специфики отзыва лицензий российских коммерческих банков

Под дефолтом обычно принято понимать невыполнение заемщиком своих обязательств, которое влечет за собой его фактическое банкротство. Несмотря на то, что в большинстве российских исследований [1,2,5] понятие «дефолт» банка включает не только фактическое банкротство (отзыв лицензии), но и технический дефолт (отрицательное значение собственного капитала и большая доля просроченных платежей), в рамках данного исследования дефолтом предлагается считать только фактическое решение об отзыве лицензии регулятором.

За период с 2006 по 2016 годы 592 банка подверглись отзыву лицензии регулятором, на 1 апреля 2016 года количество отозванных лицензий в 2016 году достигло 26 штук. На рис. 1 и 2 приведена динамика отзыва лицензий банков за указанный выше временной промежуток.

Рисунок 1. Динамика отзыва банковских лицензий

Рисунок 2. Доля банков-банкротов в общем числе действующих банков

Можно заметить, что кризисным годам (2009, 2014-2015) характерно увеличение количества отзывов лицензий, однако и в некризисные годы показатель отозванных лицензий достаточно высок. Данный факт позволяет выдвинуть предположение о том, что отзыв лицензии кредитной организации не всегда связан с неустойчивым финансовым положением и выраженными слабыми финансовыми характеристиками, отзыв лицензии может иметь под собой иное обоснование.

Для проведения исследования в рамках данной магистерской диссертации был произведен сбор ежеквартальных данных по 1052 российским банкам за период с 01.01.2006 по 31.12.2015. В результате очистки первоначальных данных от ошибок и выбросов, пригодной для статистического анализа причин отзывов лицензий в зависимости от масштабов стала выборка из 1003 банков, у 325 из которых были отозваны лицензии. При этом по причине недостаточности данных для анализа финансовых показателей и их влияния на устойчивость банков могут быть использованы только 284 банка-банкрота.

Для того чтобы проверить предположение о том, что отзыв лицензии не всегда свидетельствует о неустойчивом финансовом положении и техническом дефолте банка, был произведен дополнительный сбор информации относительно причин отзыва лицензии банков выборки (Приложение 1). В результате была сформирована классификация возможных причин отзыва лицензий регулятором у коммерческого банка:

1) Реорганизация (слияние, поглощение);

2) Сомнительные операции (содействие терроризму, отмывание, обналичивание, кредитование аффилированных компаний и т.д.);

3) Платежеспособность (снижение уровня достаточности капитала ниже требуемого норматива);

4) Ликвидность (систематические невыплаты по обязательствам, снижение показателей ликвидности ниже нормативного уровня);

5) Недостоверная отчетность (некорректное ведение бухгалтерского учета, сокрытие операций, некорректная оценка рисков финансовых активов).

Рисунок 3. Причины отзывов лицензий банков

Полученные результаты (рис. 3) позволяют подтвердить выдвинутое предположение о том, что реальные финансовые проблемы банка являются причиной менее чем 50% отзывов лицензий регулятором.

Структура причин отзыва лицензий у банков по годам (рис. 4) позволяет выявить следующие тенденции:

· Доля банков, лицензии которых отзываются по причине предоставления некорректных данных, постепенно снижается. Вероятнее всего, это связано с усилением контроля над финансовой деятельностью и отчетностью кредитных организаций и активной чисткой ненадежных банков со стороны ЦБ РФ;

· Кризисным годам свойственно увеличение доли банков, лицензии которых отзываются по причине ухудшения финансового состояния (проблемы с ликвидностью и платежеспособностью);

· В 2014-2015гг. заметно значительное увеличение доли отзывов лицензий банков, осуществляющих сомнительные операции. Можно предположить, что данный факт так же связан с политикой ЦБ РФ по очистке банковской среды от «карманных» банков.

Рисунок 4. Структура отзыва лицензий по годам

Для определения зависимости вероятности дефолта банка от его масштаба в рамках данной работы рассмотренные банки были разделены на 4 группы в зависимости от масштаба, путем ранжирования по размеру совокупных активов (табл. 2).

Таблица 2. Распределение банков на группы в зависимости от размера активов

Группа

Масштаб

Количество

Среднее значение совокупных активов

L

Крупные

100

355 млрд.руб.

M

Средние

300

12,5 млрд.руб.

S

Мелкие

300

2,5 млрд.руб.

XS

Очень мелкие

303

0,7 млрд.руб.

Данные, приведенные в табл. 3 и на рис. 5, позволяют судить о том, лицензии чаще отзываются у банков небольшого масштаба. Это можно объяснить следующим образом:

· Небольшим банкам труднее привлекать средства, в связи с этим они вынуждены предлагать более высокие процентные ставки по депозитам, что, в свою очередь, приводит к наиболее рискованной политике управления активами;

· Региональные мелкие банки довольно часто создаются под нужды аффилированного бизнеса. Вследствие действующей программы регулятора по очистке банковской системы от подобных банков, отзывы лицензий более свойственны мелким банкам.

Таблица 3. Зависимость количества дефолтов от масштаба банков

Размер

Количество банков

Количество дефолтов(2006-2015)

Доля дефолтов

L

100

11

11%

M

300

88

29%

S

300

88

29%

XS

303

138

46%

Рисунок 5. Доля дефолтов банков различного масштаба

Рассмотрим причины отзыва лицензий у банков в зависимости от их масштаба (рис. 6). Можно заметить, что более 40% лицензий крупных банков отозваны по причине предоставления недостоверных данных, проблемы с ликвидностью не свойственны крупным банкам. По мере уменьшения масштаба банка можно заметить увеличение доли отзыва лицензий по причине ведения сомнительных операций и уменьшение доли реорганизаций.

Рисунок 6. Причины отзыва лицензий банков в зависимости от масштаба

Таким образом, в результате проведенного графического и статистического анализа, было отмечено, что отзыв лицензий у банков регулятором осуществляется не всегда по причине нестабильного финансового положения. Больше половины отзывов лицензий произведены по следующим причинам: предоставление недостоверной отчетности, реорганизация банка, ведение сомнительных операций. В связи с этим, прогнозирование дефолтов российских банков может иметь выраженную страновую специфику, а, следовательно, можно высказать предположение о том, что существующие модели прогнозирования банкротств в банковском секторе развитых экономик покажут невысокие предикативные характеристики на российском рынке. Для проверки этой гипотезы произведена апробация модели Э.Альтмана на данных российских банков.

1.3 Оценка применимости модели Э.Альтмана к прогнозированию дефолтов в российском банковском секторе.

Одной из всемирно известных и широко распространенных методик прогнозирования дефолтов на основе метода множественного дискриминантного анализа является методика Э.Альтмана. Как упоминалось выше, первоначально предложенная модель по моделированию финансовой устойчивости компаний реального сектора [15] в дальнейшем была модифицирована. Модель Z''-score была адаптирована под компании сферы услуг и развивающиеся рынки [14]:

,

где:

- показатель ликвидности: отношение оборотного капитала к активам банка. Ввиду того, что показатель оборотного капитала не является стандартным для банковского сектора, в рамках данной работы он был вручную рассчитан как разность ликвидных активов и ликвидных обязательств в соответствии с отчетом о финансовом состоянии;

- показатель устойчивости: отношение нераспределенной прибыли прошлых лет к активам банка;

- показатель операционной эффективности: отношение операционной прибыли к активам банка;

- показатель финансового рычага: отношение собственного капитала к заемным средствам.

Расчетное значение Э. Альтмана имеет прямое соответствие с рейтинговой таблицей S&P (рис. 7, [18]).

Рисунок 7. Соответствие Z''-score и S&P

Для оценки применимости Z''-score модели для прогнозирования дефолтов российских банков в рамках данного исследования была произведена контролируемая проверка на 24 банках, лицензия которых была отозвана в 2009г. и при этом в публичном доступе есть данные финансовой отчетности. С целью проведения корректного анализа каждому из 24 обанкротившихся банков сопоставлен «здоровый» банк, аналогичный по размеру активов. Для всех 48 банков был произведен расчет Z''-score в соответствии с методикой, на основании полученных результатов были оценены предикативные характеристики модели: за полгода до наступления дефолта (YE 0,5), вероятность получить корректный прогноз по модели - 58% , с увеличением промежутка времени до фактического дефолта банка (YE 1 - YE 2,5) предикативная способность модели снижается (табл. 4).

Таблица 4. Предикативная способность Z''-score модели

Z-score

52%

YE 0,5

58%

YE 1

56%

YE 1,5

58%

YE 2

42%

YE 2,5

50%

YE 3

47%

Для понимания того, насколько значимыми для дискриминантной функции являются показатели, отраженные в модели, рассмотрим отличия в средних выборки обанкротившихся и не обанкротившихся банков (табл. 5).

Таблица 5. Описательная статистика. Банкроты и не банкроты

WC/TA

RE/TA

EBT/TA

E/L

Z cр

def

nondef

def

nondef

def

nondef

def

nondef

def

nondef

YE 0,5

0,037

0,061

0,040

0,043

0,002

0,006

0,365

0,500

0,771

1,104

YE 1

0,070

0,079

0,044

0,060

0,006

-0,003

0,323

0,411

0,983

1,120

YE 1,5

0,068

0,082

0,040

0,052

0,010

0,003

0,261

0,413

0,919

1,160

YE 2

0,067

0,058

0,032

0,043

0,011

0,010

0,226

0,330

0,861

0,937

YE 2,5

0,008

0,022

0,031

0,042

0,007

0,008

0,145

0,283

0,348

0,643

YE 3

0,010

-0,043

0,031

0,043

0,004

0,004

0,095

0,142

0,274

0,074

По результатам приведенной таблицы можно заметить, что у банков-банкротов среднее значение z''-score ниже, что говорит о целесообразности модели в целом. Также можно заметить, что у банков-банкротов систематически ниже доля оборотного капитала в активах, что говорит о недостатке ликвидности, и больший финансовый рычаг, что говорит о возможных проблемах с платежеспособностью. Показатель RE/TA у банков-банкротов систематически ниже, чем у здоровых банков, что говорит о долгосрочной неустойчивости объектов. Показатель EBT/TA не имеет выраженной взаимосвязи с обанкротившимся или не обанкротившимися банками, это может быть следствием того, что часто банки, испытывающие финансовые трудности прибегают к рискованным финансовым инструментам и могут показывать высокую прибыльность. Следует заметить, что все отличия в средних, приведенные в табл. 5 не являются статистически значимыми.

Наибольший интерес вызывают те банки, которые, несмотря на хорошие предсказания Z''-score модели, подверглись отзыву лицензии. Рассмотрим 11 таких банков (табл. 6).

Таблица 6. Банки-банкроты с высокими показателями Z''-score

Название банка

WC/TA

RE/TA

EBT/TA

E/L

Z'' score

ВЕФК-УРАЛ

0,006

0,064

0,064

0,216

0,906

ВЫМПЕЛ

0,401

0,003

0,002

1,329

4,050

КАУРИ

0,293

0,101

0,003

0,189

2,473

КУБАНЬ

0,173

0,006

0,003

0,314

1,507

МЕГА БАНК

0,072

0,055

0,002

0,456

1,140

МИБ

0,501

0,042

-0,001

0,385

3,824

МУНИЦИПАЛЬНЫЙ КОММЕРЧЕСКИЙ БАНК

0,267

0,016

0,004

0,334

2,177

ПРИКАМЬЕ

0,363

0,044

0,006

0,244

2,819

СИР

0,057

0,030

0,001

0,318

0,813

СОЦКРЕДИТБАНК

0,155

0,022

0,002

0,217

1,331

УНИВЕРСАЛ

0,102

0,040

0,005

0,418

1,275

По информации, размещенной на сайте ЦБ РФ:

· 5 из 11 вышеприведенных банков предоставляли в ЦБ РФ недостоверную отчетность (Вымпел, Каури, Кубань, МИБ, Муниципальный коммерческий банк);

· 3 из 11 банков нарушали требования к ведению бухгалтерского учета (Универсал, СИР, Мега банк).

Таким образом, предсказать дефолт 8 из 24 рассматриваемых банков не представлялось возможным вследствие предоставления регулятору некорректных данных. Специфика российского банковского сектора такова, что классические модели развитых экономик не в полной мере могут оценить риск дефолта кредитных организаций. Однако исключив 8 банков, фактически предоставляющих некорректностью отчетность, можно заметить значительное улучшение предикативных характеристик модели (табл. 7): за полгода до дефолта с использованием Z''-score можно предсказать 68% банкротств.

Таблица 7. Предикативные характеристики моделей

 

До

После

Итого

52%

58%

YE 0,5

58%

68%

YE 1

56%

63%

YE 1,5

58%

66%

YE 2

42%

45%

YE 2,5

50%

55%

YE 3

47%

50%

Проведем статистический анализ отличий в средних между обанкротившимися и не обанкротившимися банками в выборке, сокращенной на 5 нерепрезентативных банков (табл. 8).

Таблица 8. Описательная статистика. Скорректированные выборки

WC/TA

RE/TA

EBT/TA

E/L

Z cр

def

non

def

non

def

non

def

non

def

non

YE 0,5

Mean

-0,040

0,063

0,042

0,045

0,002

0,007

0,327

0,470

0,236

1,099

Sigma

0,162

0,180

0,033

0,074

0,021

0,012

0,166

0,542

1,035

1,580

Diff

*

*

 

 

 

 

 

 

*

*

YE 1

Mean

-0,005

0,077

0,037

0,064

0,007

-0,005

0,292

0,377

0,439

1,078

Sigma

0,154

0,149

0,030

0,052

0,012

0,065

0,158

0,418

0,998

1,245

Diff

*

*

*

*

 

 

 

 

*

*

YE 1,5

Mean

0,000

0,082

0,032

0,052

0,010

0,003

0,249

0,378

0,438

1,126

Sigma

0,138

0,143

0,023

0,044

0,021

0,023

0,139

0,498

0,875

1,436

Diff

*

*

*

*

 

 

 

 

*

*

YE 2

Mean

0,019

0,064

0,030

0,042

0,013

0,012

0,214

0,271

0,534

0,921

Sigma

0,170

0,148

0,027

0,027

0,028

0,016

0,140

0,282

1,269

1,241

Diff

 

 

 

 

 

 

 

 

 

 

YE 2,5

Mean

-0,050

0,035

0,028

0,043

0,006

0,010

0,117

0,288

-0,077

0,727

Sigma

0,147

0,200

0,025

0,031

0,007

0,009

0,075

0,385

1,026

1,749

Diff

 

 

 

 

 

 

*

*

*

*

YE 3

Mean

-0,034

-0,027

0,026

0,043

0,005

0,004

0,097

0,149

-0,026

0,110

Sigma

0,150

0,123

0,022

0,029

0,003

0,002

0,074

0,079

0,994

0,798

Diff

 

 

*

*

 

 

*

*

 

 

Можно заметить, что после очистки выборки от банков, предоставлявших недостоверную отчетность, отличия в средних по показателям WC/TA, RE/TA, E/L и непосредственно Z''-score стали статистически значимы. Таким образом, все показатели, за исключением характеристики EBT/TA, могут быть использованы в качестве основных определяющих факторов при дискриминантном анализе.

Применение модели Z''-score на выборке из всех обанкротившихся банков дало следующие результаты (что существенно ниже, чем применение на ограниченной выборке за 2009г.):

Таблица 9. Предикативные характеристики модели Z''-score на полной выборке

Z-score

52%

YE 0,5

54%

YE 1

53%

YE 1,5

51%

YE 2

51%

Таким образом, по результатам анализа применимости Z''-score модели Э.Альтмана на выборке из 48 банков, из которых у 24 была отозвана лицензия, можно сказать, что показатель ликвидности (WC/TA), финансового рычага (E/L) и систематической устойчивости (RE/TA) являются хорошими дискриминирующими факторами. Предикативная способность модели на данных за 1 год до дефолта составляет 56%, при этом после очистки выборки от банков с недостоверной отчетностью данный показатель улучшился до 63%. На выборке из всех банков точность предсказаний дефолтов составляет 54%, в связи с этим в рамках данной магистерской диссертации предлагается улучшить модель Э.Альтмана в соответствии со спецификой российского банковского сектора.

2. Методология построения модели прогнозирования дефолтов банков Российской Федерации

2.1 Применение множественного дискриминантного анализа для моделирования банкротств

Дискриминантный анализ - один из методов многомерного статистического анализа, предназначенный для классификации исследуемых объектов на группы, путем преобразования множества характеристик объектов в одномерный показатель.

При проведении дискриминантного анализа находят дискриминантную функцию (линейную комбинацию независимых переменных), которая наилучшим образом различает категории или группы зависимой переменной.

Методология дискриминантного анализа подразумевает:

1) Формирование взаимоисключающих групп по отношению к некоторому качественному признаку. В данном случае, как говорилось выше, сформированы две группы (обанкротившиеся и не обанкротившиеся банки) по 284 банка в каждой.

2) Формирование дискриминантной функции - линейной комбинации характеристик исследуемых объектов, которая наилучшим образом позволяет разделить объекты на заданное количество групп.

Преимуществом дискриминантного анализа является возможность одновременной оценки количественных характеристик исследуемого объекта, вместо последовательной проработки каждого показателя. Это преимущество позволяет анализировать и классифицировать выборки большого размера.

В рамках поставленной в диссертации задачи метод дискриминантного анализа позволяет рассчитать z-значение для каждого из банков выборки и на основании полученных результатов спрогнозировать склонность к дефолту банков, не вошедших в первоначальную выборку. В дальнейшем будет показано, что дискриминантная функция позволяет с достаточно высокой вероятностью определить склонность банка к дефолту.

2.2 Исходные данные и формирование выборок для дискриминантного анализа

Как было отмечено выше, для проведения исследования был произведен сбор информации по 1052 банкам на ежеквартальной основе за период с 01.01.2006 по 31.12.2015. Источниками информации стали основные порталы банковских данных: сайт ЦБ РФ [33], портал банковских аналитиков [31], портал банки.ру [30].

Для корректного расчета показателей была собрана информация о 95 показателях финансовой деятельности банков (Приложение 2). К их числу относятся:

1) Показатели отчета о финансовом состоянии (75 показателей);

2) Показатели отчета о прибылях и убытках (2 показателя)

3) Расчётные финансовые индикаторы и нормативы (6 показателей)

4) Переменные, характеризующие наличие государственной поддержки или отражающие особенности временного интервала (9 показателей)

5) Макроэкономические индикаторы (3 показателя)

Для проведения дискриминантного анализа осуществлено разделение исходного массива данных на следующие группы:

1) «Failed» - обанкротившиеся банки. Банкротством признается факт отзыва лицензии;

2) “Matched” - не обанкротившиеся банки, сопоставимые с банками из группы “failed”. Принцип формирования выборки “matched” заключался в ручном подборе соответствующих по размеру активов банков каждому из обанкротившихся банков;

3) Прочие банки, не попавшие в сопоставляемые выборки.

2.3 Факторы, определяющие склонность банка к дефолту

В дополнение к показателям, включенным Э.Альтманом в модель прогнозирования дефолта: ликвидность (WC/TA), устойчивость (RE/TA), финансовый рычаг (E/L), прибыльность (EBT/TA), предлагается также рассмотреть показатели качества активов и пассивов. К числу индикаторов качества активов можно отнести:

1) Отношение просроченных платежей по выданным кредитам к общей сумме кредитов (OD/Loans)

2) Отношение резервов по сомнительным долгам к сумме кредитов выданных (LP/Loans)

Качество пассивов выражают следующие показатели:

1) Отношение привлеченных депозитов к совокупным обязательствам (Dep/L), которое характеризует способность банка самостоятельно привлекать средства;

2) Отношение суммы депозитов, полученных от Центрального банка к общей сумме депозитов (CBR/Dep). Данный индикатор, с одной стороны, может характеризовать намеренность ЦБ РФ поддержать банк и доверие к его деятельности, а с другой стороны - ненадежность банка и неспособность самостоятельного привлечения средств.

Кроме того, предлагается дополнить характеристики ликвидности, финансового рычага и прибыльности дополнительными показателями:

· Cash/TA - отношение наличных средств к совокупным активам

· D/E - отношение привлеченных средств к собственному капиталу

· E/TA - отношение собственного капитала к совокупным активам

· ROA - рентабельность активов, отношение чистой прибыли к совокупным активам.

Таким образом, финальный набор факторов, которые могут быть использованы в модели, выглядит следующим образом:

1) Ликвидность (WC/TA, Cash/TA)

2) Системная устойчивость (RE/TA)

3) Финансовый рычаг (D/E, E/TA, E/L)

4) Качество активов (LP/Loans, OD/Loans)

5) Качество пассивов (Dep/L, CBR/Dep)

6) Прибыльность (ROA, EBT/TA)

Сформируем основные гипотезы относительно взаимосвязи обозначенных факторов со склонностью банков к дефолту (табл. 10):

1) Чем выше показатели ликвидности банка, тем ниже его склонность к дефолту. Ликвидность банка характеризует его краткосрочную устойчивость. Высокий показатель говорит о том, что в случае оттока краткосрочных депозитов и прочих краткосрочных заемных средств банка, он сможет ответить по взятым на себя обязательствам.

2) Чем выше показатель отношения нераспределенной прибыли к активам, тем ниже вероятность дефолта банка. В соответствии с логикой, заложенной в показатель Э.Альтманом, показатель характеризует долгосрочную (историческую) устойчивость банка, и говорит о существующей «подушке безопасности» при наступлении кризиса.

3) Чем выше финансовый рычаг банка, тем выше его склонность к дефолту. Во время роста экономики финансовый рычаг позволяет значительно увеличить прибыльность деятельности банка в ввиду использования заемного капитала для обеспечения операционной деятельности, однако, в случае наступления стрессовых ситуаций, высокая доля заемных средств может привести к полной потере платежеспособности банком.

4) Чем выше качество активов (в данном случае - ниже доля просроченных платежей по выданным кредитам и меньше отношение резервов по сомнительным долгам к кредитам выданным), тем ниже вероятность банкротства банков. Высокая доля просроченных платежей является индикатором рискованной политики банка и следовательно отрицательно влияет на финансовую устойчивость.

5) Чем выше качество пассивов (в данном случае - чем выше доля депозитов в обязательствах и больше доля депозитов ЦБ РФ), тем ниже вероятность дефолта банка.

6) Зависимость вероятности дефолта банка от его прибыльности является дискуссионным вопросом. С одной стороны, высокая прибыльность банка говорит об эффективном управлении активами банка, с другой стороны - высокая прибыльность чаще всего является следствием рискованной политики банка, а следовательно, в предкризисные периоды, высокий показатель прибыльности может говорить о финансовых проблемах банка в будущем.

Таблица 10. Ожидаемые взаимосвязи

Показатель

Влияние на вероятность банкротства (+/-)

Ликвидность

-

Системная устойчивость

-

Финансовый рычаг

+

Качество активов

-

Качество пассивов

-

Прибыльность

?

Проведем статистический анализ различий в средних и медианных значениях сформированных выборок: 1) обанкротившиеся банки, 2) сопоставимые не обанкротившиеся банки и 3) все банки выборки (табл. 11).

Таблица 11. Описательная статистика

Failed

Matched

ALL

Mean

Median

Mean

Median

Mean

Median

WC/TA

13,85%

11,99%

12,96%

10,70%

9,56%

7,60%

Cash/TA

19,05%

13,96%

18,64%

14,70%

18,65%

14,15%

RE/TA

3,97%

2,54%

5,24%

3,33%

4,79%

3,10%

E/TA

26,78%

21,62%

29,04%

23,62%

24,58%

19,89%

E/L

52,36%

27,58%

59,50%

30,92%

45,59%

24,83%

LP/Loan

7,02%

4,16%

5,69%

4,04%

5,43%

3,28%

OD/Loan

3,39%

1,69%

3,34%

1,88%

3,14%

1,59%

Dep/L

90,91%

94,08%

90,13%

94,13%

89,98%

93,63%

CBR/Dep

1,29%

0,00%

1,50%

0,00%

1,62%

0,00%

EBT/TA

0,67%

0,50%

0,98%

0,68%

0,78%

0,54%

Полученные результаты позволяют сделать следующие выводы:

1) Показатели ликвидности у обанкротившихся банков выше, чем показатели ликвидности у не обанкротившихся банков, вопреки высказанной ранее гипотезе. Вероятнее всего, это говорит о том, что банки, близкие к дефолту, не в состоянии адекватно управлять своими активами, и средства банка или остаются на расчетном счете, или направляются на выдачу краткосрочных ссуд.

Кроме того, следует заметить, что показатели ликвидности по всей выборке в целом значительно ниже, чем у моделируемых выборок (failed и matched);

2) Показатель систематической устойчивости выше у matched-выборки, что подтверждает приведенную ранее гипотезу;

3) Показатель отношения собственного капитала к совокупным активам также выше у matched-выборки, что говорит об отрицательном влиянии финансового рычага на устойчивость банка, а, следовательно, подтверждает приведенную ранее гипотезу;

4) Показатель отношения резервов по сомнительным долгам к кредитам выданным выше у обанкротившихся банков, что соответствует исходной гипотезе. В то же время показатель просроченных платежей по кредитам у контрольных выборок отличается незначительно, сделать вывод о наличии дискриминирующей силы не представляется возможным;

5) Показатель доли депозитов в обязательствах существенно не отличается в выборках, однако можно заметить, что доля депозитов ЦБ РФ в общей сумме депозитов выше у банков matched-выборки, что подтверждает предположение о том, что ЦБ поддерживает более стабильные банки;

6) Показатель прибыльности существенно ниже у обанкротившихся банков, что говорит о его отрицательной взаимосвязи с финансовой устойчивостью.

Во избежание мультиколлинеарности факторов, включаемых в диксриминантный анализ, рассмотрим корреляционную матрицу (табл. 12).

Таблица 12. Корреляционная матрица

 

WC/TA

RE/TA

EBT/TA

E/L

Cash/TA

LP/Loan

OD/

Dep/L

E/TA

CBR/Dep

WC/TA

1,00

RE/TA

0,12

1,00

EBT/TA

-0,04

0,02

1,00

E/L

0,34

0,33

0,05

1,00

Cash/TA

0,10

0,04

0,02

0,05

1,00

LP/Loan

0,16

0,10

0,00

0,11

0,00

1,00

OD/

-0,05

-0,04

-0,08

0,16

-0,12

0,01

1,00

Dep/L

-0,01

-0,14

0,01

-0,33

0,14

-0,10

-0,31

1,00

E/TA

0,33

0,36

0,06

0,84

0,11

0,24

0,19

-0,28

1,00

CBR/Dep

0,07

-0,05

-0,01

-0,08

-0,17

0,03

0,09

-0,04

-0,10

1,00

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%.


Подобные документы

  • Деятельность кредитных организаций в Российской Федерации. Сущность, функции и организационная структура коммерческих банков. Основные операции и ликвидность коммерческих банков. Аналитическое исследование деятельности и активных операций Газпромбанка.

    курсовая работа [135,3 K], добавлен 27.05.2009

  • Сущность и роль коммерческих банков, их функции. Нормативно-правовая база регулирования банковского сектора в Российской Федерации. Основные операции, осуществляемые коммерческими банками. Анализ деятельности коммерческих банков в Российской Федерации.

    курсовая работа [56,6 K], добавлен 07.12.2015

  • Рассмотрение понятия и законодательного регулирования вопросов несостоятельности (банкротства) кредитных организаций. Ознакомление с порядком ликвидации и реорганизации коммерческих банков; особенности прохождения данных процессов в Российской Федерации.

    курсовая работа [52,0 K], добавлен 21.07.2011

  • Суть банковской системы РФ - совокупности национальных банков и кредитных учреждений, действующих в рамках общего денежно-кредитного механизма. Функции Центрального и коммерческих банков, расчетно-кассового центра и небанковских кредитных организаций.

    реферат [45,6 K], добавлен 26.03.2012

  • Виды и функции коммерческих банков, их основные операции. Банковский сектор Российской Федерации под влиянием кризиса 2014–2015 годов. Оценка рентабельности активов и капитала банков. Анализ кредитных и депозитных операций коммерческих банков России.

    курсовая работа [332,4 K], добавлен 05.10.2017

  • Методологические подходы к оценке финансовой устойчивости коммерческих банков. Влияние мирового кризиса на их стабильность. Улучшение механизма обеспечения устойчивости банковского сектора в России. Изучение финансовой неизменности ОАО "Мобилбанк".

    дипломная работа [116,3 K], добавлен 28.04.2011

  • Функционирование коммерческих банков в Российской Федерации. Макроэкономические показатели деятельности банковского сектора. Количественные характеристики кредитных организаций России. Структура доходов и расходов действующих кредитных организаций.

    реферат [25,7 K], добавлен 19.03.2011

  • Теоретические основы функционирования коммерческих банков. Анализ деятельности коммерческих банков на современном этапе. Выявление программ по совершенствованию финансовой системы коммерческих банков и изучение антикризисных мер для банковского сектора.

    курсовая работа [71,1 K], добавлен 16.11.2011

  • Роль, права, обязанности и ответственность коммерческих банков как участников налоговых отношений. Налогообложение коммерческих банков налогами на прибыль организаций, на добавленную стоимость и имущество организаций. Проблемы налогообложения банков.

    курсовая работа [57,2 K], добавлен 16.12.2013

  • Исследование места коммерческих банков в современной банковской системе Российской Федерации. Способы классификации коммерческих банков. Анализ деятельности крупнейших российских банков. Лизинговые, трастовые и консалтинговые операции, кредитные услуги.

    курсовая работа [42,0 K], добавлен 30.11.2014

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.