Здесь q_i(t) -- доля кредитов в портфеле в момент t в соответствующей группе. С другой стороны, можно рассматривать значения долей q₀(t), q₁(t), q₂(t), q₃(t), q₄(t) как вероятности соответствующих состояний дискретной цепи Маркова. На рис.3 приведен граф состояний для пяти однородных подмножеств кредитных договоров, рассматривая их в качестве вероятных состояний случайно выбранного кредита. Из описания однородных подмножеств договоров следует, что переход за один шаг может произойти только в соседнее состояние, что отражено на схеме» [38, с. 23-26].

Опираясь на исторические данные о платежах по ранее выданным кредитам, появляется возможность определить вероятности перехода из одного состояния в другое в течение 12 месяцев. Обозначим p_ij -- вероятность перехода из состояния i в j за один шаг (12 месяцев). Например, p₁₂ = P {X(t + 1) = S2|X(t) = S1} -- вероятность того, что кредит из состояния «без просрочки» по истечению 12 месяцев перейдет в кредит с просрочкой свыше 90 дней.



Рис. 3. Цепь Маркова для портфеля потребительских кредитов без реструктуризации[29]

На основании статистических данных такая вероятность оценивается как отношение количества кредитов, перешедших из группы кредитов без просрочки в группу с просрочкой выше 90 дней, к количеству кредитов первой группы (без просрочки) на начало отчетного периода. Переходные вероятности удобно представлять в виде матрицы переходных вероятностей, количество строк и столбцов которой равны числу субпортфелей, в данном случае пяти.

Соответствующая графу систему, матрица переходных вероятностей показана на рис. 4.

Рис. 4. Матрица переходных вероятностей

В случае, когда известны переходные вероятности, становится возможным прогнозировать поведения портфеля. А именно составлять прогноз доли кредитных договоров, которые через заданный интервал времени будут находиться в определенном бакете просроченной задолженности. «Так значение матрицы переходных вероятностей, характеризующее состояние кредитного портфеля через 24 месяца, можно получить, перемножив между собой 12-ти месячные матрицы переходных вероятностей. Значение матриц переходных вероятностей, характеризующих состояние портфеля через 36 месяцев можно получить перемножив 12-ти месячную матрицу переходных вероятностей на 24-х месячную матрицу» [37, с.23-25].

Определим оценку вероятности наступления дефолта PD, посредством построения семейства матриц переходных вероятностей. Построение семейства матриц переходных вероятностей начинается с получения базовой матрицы. Базовая матрица переходных вероятностей показывает долю кредитов, перешедших в течение 12 месяцев из одной группы просроченной задолженности в другую. Построение базовой матрицы переходных вероятностей происходит следующим образом: для каждого сегмента портфеля определяется миграция (количественное движение) кредитного портфеля, распределенного по категориям по состоянию на отчетную дату годовой давности в аналогичные категории по состоянию на отчетную дату. В части практической реализации составляется таблица в excel, содержащая группу просрочки на отчетную дату и на дату равную отчетной дате минус 12 месяцев, см. табл. 3.

Таблица 3. Подготовка данных для построения матрицы переходных вероятностей

Номер кредитного договора	Остаток ссудной задолженности, руб.	Группа просрочки на 01.04.2017	Группа просрочки на 01.04.2018
Договор№1	100000	Group 03: 61-90 days	Group 04: 90+ days
Договор№2	500000	Group 00: 0 days	Group 00: 0 days
Договор№3	250000	Group 00: 0 days	Group 01: 1-30 days
Договор№4	300000	Group 04: 90+ days	Group 04: 90+ days
Договор№5	700000	Group 01: 1-30 days	Group 00: 0 days
Договор№6	400000	Group 04: 90+ days	Group 01: 1-30 days

Используя данные, представленные в табличной форме, аналогичной таблице 4 нами была построена сводная таблица excel, показывающая сумму (ОСЗ) остатков ссудной задолженности по кредитным договорам переместившимся за период времени равный 12 месяцам из одной группы просрочки в другую, см. табл. 4.

Таблица 4. Подготовка данных для построения матрицы миграции

Распределение портфеля по группам просрочки на 01.04.2017	Распределение портфеля по группам просрочки на 01.04.2018
	Group 00: 0 days	Group 01: 1-30 days	Group 02: 31-60 days	Group 03: 61-90 days	Group 04: 90+ days	ОСЗ, млн. руб.
Group 00: 0 days	2480	27	22	2	13	2544
Group 01: 1-30 days	4	21	3	2	4	34
Group 02: 31-60 days	2	2	5	5	8	22
Group 03: 61-90 days	1	1	1	1	2	6
Group 04: 90+ days	22				451	473
ОСЗ, млн. руб.	2509	51	31	10	478	3079

Определим базовую матрицу миграции вероятностей и значений PD, как долю ОСЗ оказавшихся в группе «Group 04: 90+ days» кредитов на отчетную дату по отношению к ОСЗ, находившихся в группе «Group 00: 0 days» на дату предшествующую году до отчетной даты, т.е. в данном случае нужно 13 разделить на 2544 и, таким образом, будет получена оценка вероятности наступления дефолта на годовом горизонте равная 0,00511 или же 0,51%. Анализируя значения матрицы миграции, приведенные в таблице 5, можно сделать вывод о том, что для 0,51% контрактов, находящихся в статусе без просрочки, через 12 месяцев наступит дефолт. Аналогичным образом можно сказать, что для 11,76% договоров, находящихся в просрочке от 1 до 30 дней через 12 месяцев наступит просрочка платежа свыше 90 дней, и т.д. Для получения устойчивых оценок вероятности дефолта PD в базовой матрице миграции, рекомендуется использовать матрицу, являющуюся усредненным значением двенадцати матриц вероятностей наступления дефолта. Т.е. первая матрица вероятностей наступления дефолта образуется путем построения сводной таблицы на основе состояний портфеля на 01/04/2017 и на 01/04/2018, вторая матрица на основе данных на 01/03/2017 и на 01/03/2018 и так далее. После того, как 12 матриц миграции получено, производится их усреднение посредством расчета среднего арифметического значения для каждого элемента матрицы.

Таблица 5. Матрица вероятностей наступления дефолта через 12 месяцев

Распределение портфеля по группам просрочки на 01.04.2017	Распределение портфеля по группам просрочки на 01.04.2018
	Group 00: 0 days	Group 01: 1-30 days	Group 02: 31-60 days	Group 03: 61-90 days	Group 04: 90+ days	PD
Group 00: 0 days	97,48%	1,06%	0,86%	0,08%	0,51%	0,51%
Group 01: 1-30 days	11,76%	61,76%	8,82%	5,88%	11,76%	11,76%
Group 02: 31-60 days	9,09%	9,09%	22,73%	22,73%	36,36%	36,36%
Group 03: 61-90 days	16,67%	16,67%	16,67%	16,67%	33,33%	33,33%
Group 04: 90+ days	4,65%	0,00%	0,00%	0,00%	95,35%	95,35%

Для того чтобы получить прогнозное значение вероятности дефолта через 24 месяца необходимо перемножить матрицу вероятностей наступления дефолта на 12 месячном горизонте саму на себя. Получим значения, приведенные в табл. 6.

Таблица 6. Матрица вероятностей наступления дефолта через 24 месяца

Распределение портфеля по группам просрочки на 01.04.2017	Распределение портфеля по группам просрочки на 01.04.2018
	Group 00: 0 days	Group 01: 1-30 days	Group 02: 31-60 days	Group 03: 61-90 days	Group 04: 90+ days	PD
Group 00: 0 days	95,27%	1,78%	1,15%	0,35%	1,45%	1,45%
Group 01: 1-30 days	21,06%	40,06%	8,54%	6,63%	23,71%	23,71%
Group 02: 31-60 days	17,48%	11,57%	9,83%	9,50%	51,63%	51,63%
Group 03: 61-90 days	24,05%	14,76%	8,18%	7,56%	45,45%	45,45%
Group 04: 90+ days	8,97%	0,05%	0,04%	0,00%	90,94%	90,94%

Перемножением матрицы вероятности наступления дефолта на горизонте 24 месяцев на матрицу вероятностей наступления дефолта на 12 месячном горизонте можно получить значения вероятностей дефолта через 36 месяцев, приведены в табл. 7.

Таблица 7. Матрица вероятностей наступления дефолта через 36 месяца

Распределение портфеля по группам просрочки на 01.04.2017	Распределение портфеля по группам просрочки на 01.04.2018
	Group 00: 0 days	Group 01: 1-30 days	Group 02: 31-60 days	Group 03: 61-90 days	Group 04: 90+ days	PD
Group 00: 0 days	93,31%	2,27%	1,30%	0,50%	2,61%	2,61%
Group 01: 1-30 days	28,23%	26,84%	6,76%	5,42%	32,74%	32,74%
Group 02: 31-60 days	23,28%	9,81%	4,99%	4,51%	57,42%	57,42%
Group 03: 61-90 days	29,30%	11,38%	4,63%	4,01%	50,69%	50,69%
Group 04: 90+ days	12,98%	0,13%	0,09%	0,02%	86,78%	86,78%

Используя вероятности перехода из одной группы просрочки в другую, представленные в таблицах 6,7,8, составим таблицу содержащую прогнозные значения долей портфеля в через 12, 24, 36 месяцев, см. таблицу 8.

Таблица 8. Прогноз распределения портфеля по группам просрочки

	Горизонт прогнозирования, мес.
	0	12	24	36
Group 00: 0 days	100%	97,48%	95,27%	93,31%
Group 01: 1-30 days	0%	1,06%	1,78%	2,27%
Group 02: 31-60 days	0%	0,86%	1,15%	1,30%
Group 03: 61-90 days	0%	0,08%	0,35%	0,50%
Group 04: 90+ days	0%	0,51%	1,45%	2,61%

Получение значений долей портфеля в зависимости от групп просроченной задолженности на периоды не кратные 12 месяцам производится посредством линейной интерполяции. В общем виде расчет промежуточных значений по методу линейной интерполяции осуществляется при помощи следующей формулы:

(10)

Где - интересующее значение в момент времени t;

- значение функции в момент времени t₁;

- значение функции в момент времени t₀;

Применительно к задаче восстановления промежуточных значений долей портфеля в определенной группе просроченной задолженности формула линейной интерполяции примет следующий вид:

(11)

где - доля портфеля кредитов, отнесенной к определенной группе просроченной задолженности период между 13-м по 23-м месяцем обслуживания долга;

- доля портфеля кредитов, отнесенной к определенной группе просроченной задолженности на 12-м месяце обслуживания долга;

- доля портфеля кредитов, отнесенной к определенной группе просроченной задолженности на 24-м месяце обслуживания долга;

Аналогичным образом могут быть восстановлены промежуточные значения доля портфеля кредитов, отнесенной к определенной группе просроченной задолженности в период с 25-го по 35-й платеж и с 1-го по 11-й платеж. Однако, при восстановлении долей просроченной задолженности в портфеле однородных кредитов на ранних платежах, примем следующие допущения о том, что возникновение просроченной задолженности свыше 30 дней возможно только для 2-го и последующих платежей; возникновение просроченной задолженности свыше 60 дней возможно только для 3-го и последующих платежей; возникновение просроченной задолженности свыше 90 дней возможно только для 4-го и последующих платежей. В соответствии с принятым допущением считаем долю портфеля ранее оговоренных выше сроков равной нулю.

В качестве примера, в таблице 9 приведены прогнозные значения распределения долей портфеля по группам просроченной задолженности, полученных посредством метода интерполяции.

Таблица 9. Прогнозные значения долей портфеля по группам просроченной задолженности в зависимости от i-го платежа по кредиту

	10 мес.	11 мес.	12 мес.	13 мес.	14 мес.	15 мес.
Group 00: 0 days	98%	98%	97%	97%	97%	97%
Group 01: 1-30 days	0,88%	0,97%	1,06%	1,12%	1,18%	1,24%
Group 02: 31-60 days	0,72%	0,79%	0,86%	0,89%	0,91%	0,94%
Group 03: 61-90 days	0,07%	0,07%	0,08%	0,10%	0,12%	0,15%
Group 04: 90+ days	0,43%	0,47%	0,51%	0,59%	0,67%	0,75%

Вызревание долей портфеля по группам просроченной задолженности представлена на графике 5. Как видно из графика доля кредитов без просроченной задолженности снижается к 36-му платежу со 100% до 93,3%, при одновременном росте доли просроченных кредитов.

Рис. 5. Динамика измерения долей портфеля по группам просроченной задолженности

Расчет величины потерь при дефолте LGD. На величину потерь при дефолте оказывает влияние вероятность взыскания при наступлении дефолта (Recovery Rate) и уровень обеспеченности по сегменту кредитов (Loan-To-Value). Величина LGD рассчитывается для каждого сегмента кредитования в отдельности, по следующей формуле.

(12)

где LGD - величина потерь при наступлении дефолта;

RR - вероятность возвращения заемщика в график погашения платежей при наступлении дефолта, определяемая как доля ссудной задолженности в группах «Group 00: 0 days» и «Group 01: 1-30 days» отнесенная к портфелю кредитов, находящейся в непрерывной просрочке свыше 90 дней 12 месяцев назад;

- определяется как отношение суммы обеспечения по кредиту с учетом дисконта к сумме основного долга;

Проведем расчет RR (RecoveryRate) - вероятности возвращения заемщика в график погашения платежей. Для оценки RR построим матрицу миграции, показывающую доли кредитов перешедших в течение 12 месяцев из состояния наличия текущей просроченной задолженности продолжительность более 90 дней в другие состояния, представленную в таблице 10. Фактически RR характеризует эффективность мероприятий по сбору просроченной задолженности. Основываясь на значениях модельного примера, приведенного в табл. 5, рассчитаем значение RR = (131,88+232,36)/3140 = 0,116. Таким образом, можно сделать вывод о том, что 11,6% ссудной задолженности находящейся в настоящее время в просроченной задолженности продолжительностью более 90 дней через 12 месяцев будет находиться в состояние без просроченной задолженности или же с наличием просроченной задолженности до 30 дней.

Таблица 10. Матрица миграции для определения RecoveryRate

	Group 00: 0 days	Group 01: 1-30 days	Group 02: 31-60 days	Group 03: 61-90 days	Group 04: 90+ days	Итого:
Сумма ссудной задолженности, млн. руб.	131,88	232,36	376,8	665,68	1733,28	3140

Рассчитаем значения коэффициента , т.е. величину обратную LTV (Loan-to-Value), показывающую долю ссуды, не покрываемую предметом залога. Значение LTV определяется по следующей формуле (8).

(13)

где Z - коэффициент дисконта с которым учитывается предмет залога;

D - оценочная стоимость предмета залога, руб.;

S - сумма предоставленной ссуды, руб.;

Коэффициенты дисконтирования стоимости обеспечения выбираются в зависимости от типа обеспечения, в соответствии с таблицей 11.

Таблица 11.Коэффициенты дисконтирования стоимости обеспечения

Тип обеспечения	Величина дисконта
Вклад, сберегательный сертификат	0%
Жилые помещения, квартира, имущественные права, закладная	20%
Транспортное средство, залог движимого имущества	50%
Здания, сооружения, прочие нежилые помещения, земельные участки	60%
Оборудование, доля в квартире, поручительство	90%

По формуле (8) рассчитаем значение LTV. Используем допущение о том, что клиент банка получает кредит на покупку автомобиля стоимостью 650 тысяч рублей. Тогда, значение коэффициента .

Подставив значения коэффициентов RR и в формулу (7), получим значение коэффициента LGD. В данном случае значение коэффициента LGD равно 0,16575.

2.3 Оценка ожидаемых потерь и рентабельности с учетом риска

Для оценки величины ожидаемых потерь в соответствии с положением 590-П, воспользуемся формулой (5). В результате перемножения прогнозной величины долей портфеля в зависимости от группы просроченной задолженности на ставки резервирования получим прогноз изменения резервов, представленный на рис. 6. Так ожидаемые потери для модельного портфеля на горизонте 36 месяцев составили 12,7 млн. рублей.

Рис. 6. Прогноз изменения резервов по 590-П

Теперь решим обратную задачу, а именно зная значения ожидаемых потерь на горизонте 36 месяцев для рассматриваемого поколения выдачи, вычислим ежемесячную премию за риск, выраженную в надбавке к процентной ставке. Для этого обратным счетом подберем такой коэффициент, чтобы при его умножении на остаток ссудной задолженности на отчетную дату с последующим суммированием результатов умножения было получено значение ожидаемых потерь модельного портфеля на горизонте 36 месяцев. В данном случае ежемесячная премия за риск, выраженная в виде процентной надбавки к трансфертной ставки составила 0,164 процентных пункта.

Оценим величину ожидаемых потерь по портфелю потребительских кредитов, используя подходы, изложенные в стандарте МСФО 9. Расчет справедливой стоимости кредита, как приведенной к отчетной дате продисконтированной суммы потока платежей, и величины создаваемых резервов. Для оценки справедливой стоимости кредита, производится построение графика оставшихся платежей клиента в счет погашения основного долга и процентов. Для построения графика платежей применяется формула расчета аннуитетных платежей, как наиболее часто применяемая на практике. Формула для расчета величины аннуитетного платежа имеет следующий вид:

(12)

Где ОД - остаток ссудной задолженности на отчетную дату;

I - процентная ставка по кредиту;

N - количество платежных периодов оставшихся до погашения;

Таким образом, зная размер остатка ссудной задолженности на отчетную дату, размер процентной ставки и количество платежных периодов до окончания срока действия договора становится возможным рассчитать сумму аннутитетного платежа, использую формулу (5). Просуммировав по формуле (6) приведенные стоимости аннуитетных платежей становится возможным определить справедливую текущую стоимость отдельно взятого кредита, входящего в множество кредитов портфеля. Для получения справедливой стоимости портфеля кредитов необходимо просуммировать справедливые стоимости кредитов, полученные по формуле (6).

(13)

где t_k - срок обслуживания кредита, соответствующий k-ому платежу, t₁ = 1;

- размер аннуитетного платежа;

I - процентная ставка по кредиту;

N - количество оставшихся платежей по кредиту;

Оценка величины создаваемого резерва зависит от количества дней просрочки по кредитному договору. Так в случае, когда кредит может быть отнесен к группе кредитов без просрочки, либо же к группе кредитов с наличием текущей просроченной задолженности продолжительностью до 30 дней, то размер создаваемых резервов по множеству таких кредитов рассчитывается по формуле (2). В случае, когда просроченная задолженность по кредитному договору составляет от 30 до 90 дней, то размер создаваемых резервов оценивается по формуле (3). В случае же, когда по договору наблюдается просрочка свыше 90 дней или же имеются признаки обесценения, то такая сумма считается дефолтной и величина резерва по ней оценивается по формуле (3). Совокупные же ожидаемые потери EL оцениваются как сумма ожидаемых потерь для пула кредитов без просрочки и с просрочкой до 30 дней, ожидаемых потерь по пулу кредитов с просрочкой свыше 31 дня.

Кривая, описывающая прогноз изменения резервов в соответствии с подходами, изложенными в стандарте МСФО 9, представлен на рис. 7. Ожидаемые потери для модельного портфеля принимают максимальное значение в момент выдачи кредита с последующим снижением до величины 0,098 млн. рублей на горизонте 36 месяцев. Такое низкое значение резервов, полученное посредством применения методики МСФО 9, обуславливается тем, что в рассматриваемой методике учитывается влияние на снижение формируемых резервов реализации заложенного имущества.

Рис. 7. Прогноз изменения резервов по МСФО 9

2.4 Оценка рентабельности по модели RBY

Для оценки рентабельности с учетом риска по методу RBY воспользуемся соотношением (4). В рассматриваемом соотношении определим величину процентного дохода за вычетом трансфертного расхода и административно-хозяйственных расходов. По условиям модельного примера портфеля потребительских кредитов, ставка размещения равна 15% годовых, трансфертная ставка составляет 8%, расходы на АХР в пересчете на процентную ставку составляют 2,5% годовых. Таким образом, доходность без учета риска составляет 4,5% годовых. Для определения процентного дохода за каждый платежный период умножим доходность без учета риска на величину портфеля, относящегося к 1-ой, 2-ой, 3-ей категории качества. Динамика изменения процентного дохода без учета риска представлена на рис. 8.

Подставив в формулу (4) признанный процентный доход, трансфертный расход, расходы на АХР, величину резервов и их прирост получим рентабельность с учетом риска. Динамика изменения рентабельности модельного портфеля с учетом риска приведена на рис. 9.



Рис. 8. Динамика процентного дохода, расходов, премии за риск

Рис. 9. Динамика изменения рентабельности модельного портфеля с учетом риска

2.5 Стресс-тестирование

В качестве дальнейшего развития методов анализа рентабельности следует сказать о необходимости учитывать влияние на ожидаемую рентабельность экстраординарных событий в экономике. В целях оценки последствий таких событий применяется стресс-тестирование. Основой методики стресс-тестирования является предположение об ухудшении способности заемщика погашать полученную ранее ссуду в результате воздействия стресс-факторов и, как следствие, ухудшение категорий качества ссуд и вызванное этим увеличение величины созданных банком резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности. Увеличение суммы созданных резервов в системах учета и отчетности расценивается как потери банка от реализации кредитного риска, что в свою очередь находит отражение в уменьшение капитала банка. Расчет достаточности капитала Банка с учетом стресс-потерь может быть рассчитан по следующей формуле:

(14)

Где H1.X_St - величина норматива достаточности собственных средств банка при реализации сценариев стресс-тестирования;

Х - номер норматива достаточности собственных средств (капитала) банка (Н1.0, Н1.1, Н1.2);

Н1.Х - значение обязательного норматива достаточности капитала банка Н1.0, Н1.1, Н.1.2, рассчитываемые в соответствии с инструкцией ЦБ РФ 180-И;

K_X - величина базового капитала банка/величина основного капитала банка/величина собственных средств (капитала) банка (в зависимости от значения Х);

S_CreditRisk - величина стресс-потерь, возникшая в результате реализации стресс-сценария.

В результате того, что при ухудшении качества ссуд, часть из них, отнесенных к i-ой категории качества (i = 1 .. 4), будет реклассифицирована в (i+1)-ую категорию качества с доначислением резервов, величина потерь может быть определена при помощи следующего соотношения:

(15)

Где i - категория качества ссуд;

- сумма ссуд соответствующей категории качества до начала реализации стресс-сценария;

- сумма ссуд, перешедших в i-тую категорию качества из (i-1)-ой категории качества, в соответствии с матрицей миграции ссуд;

- сумма ссуд, перешедших в i-той категорию качества из (i-1)-ую категории качества, в соответствии с матрицей миграции ссуд;

R_i - средняя величина резервов на возможные потери по ссудам для соответствующей категории качества, в процентах от суммы ссуд и определяется начальными условиями стресс-сценария;

В рамках данной работы предложено использование трех стресс-сценариев. Первый стресс-сценарий имитирует наступление финансового кризиса национального масштаба, второй, более жесткий, имитирует протекание мирового финансового кризиса. Согласно первому и второму стресс-сценариям доля реклассифицированных, т.е. перешедших на одну более низкую ступень категории качества ссуд, от остатка ссудной задолженности на дату начала стресс-теста содержится в табл. 12 и табл. 13, соответственно.

Таблица 12. Динамика доли реклассифицированных ссуд по 1-му стресс-тесту

Категория качества ссуд	через 30 дней	через 60 дней	через 90 дней
1	3%	4%	5%
2	4%	6%	7%
3	10%	12%	15%
4	15%	20%	25%

Таблица 13. Динамика доли реклассифицированных ссуд по 2-му стресс-тесту

Категория качества ссуд	через 30 дней	через 60 дней	через 90 дней
1	5%	8%	10%
2	7%	10%	13%
3	15%	20%	25%
4	20%	30%	35%

При этом средняя величина резервов для каждой категории качества в процентах на дату отчета рассчитывается как средневзвешенная величина резервов по фактическим данным баланса банка. Сумма резерва по реклассифицированным ссудам рассчитывается исходя из ставок резервирования для новых категорий качества, приведенных в табл. 14.

Таблица 14. Ставки резервирования (согласно методике расчета резервов по РСБУ)

Категория качества, в которую перешли ссуды	Расчетный резерв, %
2	4%
3	21%
4	50%
5	100%

В качестве третьего сценария стресс-теста следуют упомянуть о резком изменении ключевой ставки в экономике и как следствие возникновение необходимости оценки последствий реализации процентного риска при осуществлении потребительского кредитования. Примером резкого повышения ключевой ставки в экономике может служить повышение ставки, произошедшее в Российской Федерации в ночь с 15 на 16 декабря 2014 года, когда ключевая ставка была повышена с 10,5% до 17%.

Заключение

В дипломной работе были рассмотрены основные виды банковских рисков. Установлено, что среди различных банковских рисков для портфеля потребительских кредитов наиболее характерен кредитных риск. В качестве количественной меры оценки риска выступает величина ожидаемых потерь и потерь сверх ожидаемых. В работе перечислены следующие методы управления риском: диверсификация, хеджирование, планирование и лимитирование рисков.

«Одним из основных принципов управления рентабельностью и риском розничного кредитного портфеля банка является поиск оптимального соотношения риск/доход. Управление кредитным риском производится как до выдачи кредита, так и после. До выдачи кредита определяются параметры продукта и целевой сегмент заемщиков, настраивается кредитный конвейер и скоринговая карта. При помощи скоринговой модели становится возможным оценить вероятность дефолта по кредиту и сформулировать позицию банка относительно возможности предоставления кредита» [37, с.31-33].

В работе рассмотрены факторы кредитного риска, которые можно подразделить на внешние и внутренние, а также приведена их классификация. Один из разделов работы посвящен вопросу исследования показателей рентабельности капитала. Широкое практическое применение нашли такие показатели рентабельности как ROE, ROA, RAROC, RBY. Применительно к оценке рентабельности розничного кредитного портфеля можно рекомендовать к применению показатели RAROC и RBY. Оценка рентабельности при помощи показателя RAROC является предпочтительной в случае, когда исходные данные представлены в относительных величинах, а показатель RBY целесообразно применять при использовании показателей портфеля выраженных в абсолютных значениях.

В практической части работы была подробно рассмотрена методика оценки ожидаемых потерь в соответствии с положением ЦБ РФ 590-П и международным стандартом МСФО 9. В качестве достоинства методики, изложенной в положении 590-П следует отметить относительную простоту реализации. К достоинствам методики МСФО 9 следует отнести, то обстоятельство, что при расчете величины формируемых резервов на возможные потери по ссудной и приравненной к ней задолженности принимается во внимание залоговое обеспечение и эффективность процессов взыскания просроченной задолженности. Применительно к модельному портфелю кредитов была построена матрица переходных вероятностей и построен прогноз распределения долей кредитного портфеля по группам просроченной задолженности на срок действия кредитного договора. Именно применение матриц переходных вероятностей позволяет прогнозировать изменение доли безвозвратных кредитов на весь срок кредитования. Для цели оценки ожидаемых потерь в соответствии с методикой МСФО 9 была проведена оценка таких коэффициентов, как LGD, RecoveryRate и LTV. Сравнением между собой ожидаемых потерь, полученных в соответствии с положением ЦБ РФ 590-П и по МСФО9 показало значительно расхождение в оценке ожидаемых потерь. Такое расхождение можно объяснить учетом в методике МСФО9 стоимости залога и возможности возвращения заемщика в график платежей в случае возникновения непрерывной просроченной задолженности свыше 90 дней. Была решена и обратная задача, заключающаяся в отыскании эффективной ставки, добавление которой в качестве процентной надбавки за кредитный риск, позволит учесть влияние ожидаемых потерь на рентабельность банковского продукта.

В качестве дальнейшего развития методов анализа рентабельности в работе обоснована необходимость использования стресс-сценариев для оценки степени устойчивости прогнозных значений рентабельности к экстраординарным экономическим событиям. Было предложено рассмотреть влияние на уровень рентабельности реализацию следующих стресс-сценариев: протекание национального и мирового кризисов, резкое повышение регулятором ключевой ставки.

Список использованной литературы

1. Воронина Ю.С., Колесник Н.Ф. Прогнозирование роста прибыльности и рентабельности коммерческого банка (на примере ОАО «Россельхозбанк») //Системное управление. - 2012. - №. 1. - С. 41-41.

2. Акулов П.А. Подходы к оценке и использованию экономического капитала в банке //Мир экономики и управления. - 2007. - Т. 7. - №. 3.

3. Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework - Comprehensive Version. - 2006.

4. Шлаин Б.М., Кано О.А. Кредитный конвейер: практическое пособие //М.: Регламент-Медиа. - 2013.

5. Костюченко Н.С. Анализ кредитных рисков. - 2012.

6. Митрофанова К.Б. Понятие кредитного риска и факторы, на него влияющие //Молодой ученый. - 2015. - №. 2. - С. 284-288.

7. Розанова Е.Ю. Риски в банковской сфере // Ежемесячный журнал «Банковское дело». - 2009, №7. - С. 8-14.

8. Рыбин Е.В. Риск-менеджмент в банках и банковских группах: проблемы и тенденции //Банковское дело. - 2009. - №. 9. - С. 67-71.

9. Швецов А.М. Банковские риски и внешние аспекты управления ими в условиях экономического кризиса //Финансы и кредит. - 2010. - №. 40 (424).

10. Тимофеев Н.А. Математическая модель винтажного анализа кредитного портфеля банка //Вестник Уральского государственного университета путей сообщения. - 2011. - №. 1. - С. 86-92.

11. Белоусов В.С. Винтажный анализ и прогноз кредитных потерь с помощью Age-Period-Cohort-модели // Риск-менеджмент в кредитной организации. 2015. №2.

12. Инструкция ЦБ РФ от 28.06.2017 № 180-И «Об обязательных нормативах банков».

13. Лаврушина О. И. Банковский менеджмент //М.: КНОРУС. - 2009.

14. Масан О.Б., Меньшенина А.В. Процесс управления розничным кредитным портфелем коммерческого банка //Вестник Омского университета. Серия «Экономика». - 2014. - №. 1.

15. Зинкевич В.А., Усков К.В. Управление портфелем ритейловых ссуд //Банковский ритейл. - 2009. - №. 3.

16. Ковалев М., Корженевская В. Методика построения банковской скоринговой модели для оценки кредитоспособности физических лиц //Банки Казахстана. - 2008. - №. 1. - С. 43.

17. Белоглазова Г., Кроливецкая Л. Банковское дело. Организация деятельности коммерческого банка: учебник. - Litres, 2018.

18. Кабушкин С. Н. Управление банковским кредитным риском. - Новое знание, 2004.

19. Лаврушина О. И., Валенцева Н. И. Банковские риски: учебное пособие // М.: КНОРУС. - 2008.

20. Мурычев А.В. Кризис дает шанс начать структурное преобразование экономики //Научные труды Вольного экономического общества России. - 2015. - Т. 195. - С. 630-638.

21. Симановский А.Ю. Банковское регулирование: реэволюция //Деньги и кредит. - 2014. - №. 9. - С. 3-14.

22. Тавасиев А.М., Мехряков В.Д., Ларина О.И. Организация деятельности коммерческих банков. Теория и практика: учебник для магистров //М.: Юрайт. - 2014.

23. Бабиков В.Г. Теория и практика розничного кредитования //Управление финансовыми рисками. - 2014. - №. 1. - С. 44-61.

24. Бухтин М. А. Управление кредитным риском банка: понятия ожидаемых и непредвиденных потерь //Деньги и кредит. - 2008. - №. 5. - С. 19-31.

25. Российская Федерация: Банк России. Положение о порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности: утвержден Банком России 12.07.2017 г., N 590-П.

26. Российская Федерация: Банк России. О требованиях к системе управления рисками и капиталом кредитной организации и банковской группы: утвержден Банком России 15.04.2015 г., N 3624-У.

27. Международный стандарт финансовой отчетности (IFRS) 9 «Финансовые инструменты» в редакции 2014 года.

28. Щугорева В. А., Лобанов О. С., Дятлов С. А. Оценка средств управления эффективностью банковского риск-менеджмента //Современные технологии управления. - 2017. - №. 5 (77).

29. Бруссер П. А. Показатель RAROC и методика его расчета //Лекционный материал

30. Павлов А.А., Принципы и методы управления кредитным риском банка, факторы, его определяющие (на примере оценки портфеля розничных кредитов) // Курсовая работа, НИУ ВШЭ. - 2017

Приложение

Таблица 15. Модельные данные портфеля кредитов

Кол-во выданных кредитов, шт.	1000
Средняя сумма кредита, млн. руб.	0,40
Ставка кредита = D	15%
Срок кредита, мес	36
Трансфертная ставка = F	8%
Ежемесячный платеж, млн. руб.	0,0139
АХР, % годовых = C	2,50%
Норматив, Н1.0	8,50%

Таблица 16. Ставки резервирования

Категория качества	Расчетный резерв	Кол-во дней просрочки
1	1%	без просрочки
2	3%	от 1 до 30 дней
3	20%	от 31 до 60 дней
4	50%	от 61 до 90 дней
5	100%	свыше 90 дней

Таблица 17. Доли портфеля с исходным состоянием "без просрочки" через 12, 24, 36 мес.

	0 мес.	12 мес.	24 мес.	36 мес.
Group 00: 0 days	100%	97,48%	95,27%	93,31%	это 1-ая категория
Group 01: 1-30 days	0	1,06%	1,78%	2,27%	это 2-ая категория
Group 02: 31-60 days	0	0,86%	1,15%	1,30%	это 3-ая категория
Group 03: 61-90 days	0	0,08%	0,35%	0,50%	это 4-ая категория
Group 04: 90+ days	0	0,51%	1,45%	2,61%	это 5-ая категория

Таблица 18. Расчет коэффициента LGD

Оценочная стоимость предмета залога, млн. руб.=	0,65
Коэфф. Дисконта залога =	0,5
стоимость залога с учетом дисконта, млн. руб.=	0,325
сумма выдачи, млн. руб.=	0,40
LTV(Loan to Value)=	1,230769
1/LTV=	0,8125
сумма кредита, не покрываемая залогом, руб.=	75000
LGD=(1-RecoveryRate)*(1-1/LTV)=	0,16575

Рис 10. Фрагмент таблицы с расчетом показателей рентабельности

Размещено на Allbest.ru