Анализ финансового состояния заемщика и оценки кредитных рисков в коммерческом банке

Размещено на http://www.allbest.ru/

Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»

Факультет экономических наук

Образовательная программа «Экономика»

Бакалаврская выпускная работа

Анализ финансового состояния заёмщика и оценки кредитных рисков в коммерческом банке

Николаев Александр Александрович

Москва 2019 г



Содержание

Введение

1. IRB-подход оценки кредитных рисков

1.1 Рейтинговые системы

1.2 Оценка и управление кредитным риском в коммерческом банке

1.3 Факторы, влияющие на кредитоспособность заёмщика

1.4 Значение отраслевой составляющей для оценки кредитоспособности заёмщика

2. Данные

2.1 Методология

2.2 Модель 1. Исследование влияние отраслевой принадлежности заёмщика на вероятность его банкротства

2.3 Модель 2. Поиск оптимального набора финансовых показателей для оценки вероятности банкротства компаний из отрасли оптовой торговли

Заключение

Список литературы

Приложение



Введение

В настоящее время происходит кардинальное изменение на рынке банковских услуг, появляются новые тренды (цифровизация, использование финансовых технологий, появление новых банковских продуктов), изменяется регулирование банковского сектора (как, например, Basel III сильно влияет на деятельность банков, так как ужесточает нормативы достаточности капитала по сравнению с Basel II повышая норматив с 8 до 10,5 %, а также вводит требование по показателю текущей ликвидности Зангиева И.А. Развитие системы управления кредитными рисками банков с использованием Базельских соглашений, 2012), с учётом этих условий банкам нужно повышать эффективность при кредитовании, чтобы оставаться конкурентоспособными и финансово устойчивыми, для этого их модель измерения кредитных рисков (если они используют подход внутренних рейтингов) должна быть менее затратной и более точной, в том числе учитывающей отраслевые различия заёмщиков, особенности корпоративного управления, макроэкономическую ситуацию и другие факторы, влияющие на качество заёмщика и на потери банков при его дефолте.

Говоря о кредитоспособности заёмщика с точки зрения банка, который выдаёт ему кредит, мы должны воспринимать это понятие как возможность, способность и желание заёмщика в срок и в полном объёме (включая проценты) вернуть долг банку. Исходя из этого, множество факторов должны быть учтены при анализе каждого заёмщика. В этой работе мы остановимся на возможности заёмщика расплатиться с долгами, не рассматривая проблему того, что он по каким-то причинам предпочтёт не возвращать долг.

Таким, образом, целью данной работы является анализ зависимости качества заёмщика (выраженного в вероятности его дефолта, PD) от его отраслевой принадлежности, финансовых характеристик, макроэкономических показателей, а также других факторов.

Для этого необходимо создать модель оценки PD от различных параметров для выборки корпоративных займов в России и по итогам её анализа выявить значимость отраслевой принадлежности заёмщиков. Также построение достаточно простой и точной модели оценки вероятности дефолта корпоративных заёмщиков послужит доказательством того, что возможно применение IRB-подхода оценки кредитных рисков для большинства российских банков, что позволит повысить их эффективность при переходе со стандартизованного подхода. Третьей задачей, решённой в данной работе, будет определение оптимального набора финансовых показателей при прогнозировании дефолта компаний оптовой торговли.



1. IRB-подход оценки кредитных рисков

В первую очередь эта работа о коммерческих банках, т.е. о «финансовые учреждения, которые классифицируются в качестве банков национальным регулятором в своей стране и включаются в национальную банковскую статистику Верников А.В. Структурно-институциональное сходство банковских систем России и Китая, 2014». Также она основана на подходе внутренних рейтингов банков (IRB-approach), который предполагает внутреннюю систему оценки вероятности дефолта, ожидаемых и неожидаемых потерь, которая применяется банков после одобрения регулятором. Этот подход был предложен в Базеле II и начал применяться вместо стандартного подхода большей частью банков. Причём он обычно применяется средними и крупными банками, а стандартизованным подходом из-за его более простого процесса внедрения пользуются по большей части маленькие банки Van Roy P. Credit ratings and the standardised approach to credit risk in Basel II, 2005. Некоторые исследования были посвящены сравнению результатов использования этих двух подходов. Они показывают, что продвинутые методы оценки кредитного риска (различные методы, основанные на использовании внутренних рейтингов) приводят к экономии достаточного капитала и, как следствие, к усилению конкурентоспособности банка Ciporova E., Belas J. Assessment of Credit Risk Approaches in Relation of with Competitiveness Increase of the Banking Sector, 2012.

Базельский подход оценки кредитного риска основан на оценке трёх случайных величин: вероятности дефолта (probability of default, PD), потери при дефолте (loss given default, LGD), экспозиции под риском (Exposure at default, EAD). Произведение оценок этих случайных величин даёт оценку ожидаемых потерь банка при кредитовании (Expected losses, EL). Общие потери банка выражаются как сумма ожидаемых и неожиданных потерь банка (Unexpected losses, UL), которые рассчитываются как VaR на уровне значимости 99,9%. При использовании IRB-подхода банкам необходимо анализировать исторические данные по дефолтам на основе периода в как минимум 5 лет. Также необходимо учитывать, какую именно вероятность дефолта кредитная организация собирается учитывать при построении модели. Оценка “Point-in-time” (PIT), так как это точечная оценка вероятности дефолта, довольно чувствительна к колебаниям делового цикла на протяжении года, что влияет на капитал во время спадов и подъёмов. Поэтому показатель PD PIT отражает только нынешнее положение в экономике. Более стабильной является оценка “Through-the-cycle”, которая оценивает вероятность дефолта компании в среднем за период и не зависит от краткосрочных деловых циклов.

Среди этих случайных параметров только в измерении вероятности дефолта существует определённая гибкость, так как на него влияет множество параметров и методы оценки вероятности дефолта отличаются наборов риск-доминантных показателей. Целью всех моделей вероятности дефолта является наиболее точная оценка PD (что выражается в лучших результатах моделей валидации) при наименьших затратах на её разработку и применение. И в обычном IRB-подходе банку требуется разработать модель только для оценки вероятности дефолта заёмщика, в отличие от продвинутого IRB-подхода.

Для использования продвинутого подхода необходима разработка моделей для каждого из представленных выше параметров, но для обычного IRB-подхода достаточно и модели для PD. При внедрении IRB-подхода банк должен соответствовать нескольким критериям, разделённым по нескольким категориям: обработка и хранение информации, разработка и моделирование важных параметров кредитного риска, внедрение и применение разработанных моделей на практике Помазанов М.В. Управление кредитным риском: подход внутренних рейтингов (ПВР), 2016.. При этом полученные модели не должны использоваться только с целью расчёта нормативов достаточности капитала, но должны применяться для оценки кредитных рисков организации и принятия решений для его управления.

Говоря об уровне риска, требуется сказать и о горизонте риска (Maturity). С увеличением продолжительности времени уровень риска возрастает. Можно принять за горизонт риска как удобный период времени (например, год), чтобы потом модифицировать его с помощью различных предпосылок, так и принять его за срок кредита, срок реализации инвестиционного проекта или другой промежуток времени, на который необходимо оценить уровень риска.

В дополнении ко всему вышесказанному, необходимо также учитывать проблему процикличности поведения коэффициента достаточности капитала, особенно в сочетании с другими видами рисков, чтобы сохранить финансовую стабильность банка в период кризиса Андриевская И.К., Пеникас Г.И., Пильник Н.П. Моделирование динамики рисков по Базелю II, 2010.

1.1 Рейтинговые системы

Создание рейтинговой системы заёмщиков предполагает соблюдение нескольких принципов:

· Meaningful - распределение заёмщиков по рейтинговым категориям должно быть монотонно, т.е. более высоким рейтингам должна соответствовать меньшая вероятность дефолта.

· Stability - выданный рейтинг будет оставаться стабильным на протяжении какого-то продолжительного количества времени, т.е. вероятность того, что кредитный рейтинг сильно изменится (рейтинг заёмщика улучшится или ухудшится на несколько делений) очень мала.

В итоге рейтинговая шкала или рейтинговые значения компаний определяются исходя из вероятности дефолта заёмщика или из итогового рейтингового балла для скоринговых моделей. Деления (или значения) на рейтинговой шкале сопоставляются с неким интервалом оценочных значений вероятности дефолта или рейтингового балла. Для упрощения внедрения подхода внутренних рейтингов банк может использовать одну из общепринятых рейтинговых шкал, например, тех, что используют крупнейшие рейтинговые агентства. Исходя из полученных рейтингов кредитные организации могут формировать кредитные портфели для управления кредитным риском.

Как и в случае с вероятностью дефолта компаний, рассмотренном выше, банк должен выбрать, какой рейтинговой философии он придерживается, рассчитывает он рейтинги PIT или TTC. Крупнейшие рейтинговые агентства обычно используют систему рейтингов TTC из-за её большей стабильностиКарминский А.М., Пересецкий А.А. Рейтинги как мера финансовых рисков. Эволюция, назначение, применение, 2008. Выбор рейтинговой философии зависит от целей банка и его стратегии управления кредитными рисками.

Одним из важных шагов при построении рейтинговой модели является отбор риск-доминирующих факторов для каждого отраслево-целевого сектора. При этом не следует выбирать слишком большое количество факторов из-за возможности их взаимозависимости Петров Д.А., Помазанов М.В. Кредитный риск-менеджмент как инструмент борьбы с возникновением проблемной задолженности, 2008.. По этой причине необходимо проанализировать ранние исследования влияния различных факторов (качественных, количественных, макроэкономических и других) на вероятность дефолта корпоративного заёмщика для определения набора факторов, в целом наибольшим образом влияющих на вероятность дефолта, для того, чтобы полученная рейтинговая модель соответствовала основным требованиям (чтобы она была одновременно точная и дешёвая в создании). При создании собственной рейтинговой системы можно опираться на оценки крупнейших рейтинговых агентств, однако множество компаний в России не имеют кредитного рейтинга по причины отсутствия пользы от него (это актуально в основном для малого бизнеса и компаний с нестабильным финансовым положением, для которых получение кредитного рейтинга приведёт к ухудшению условий потенциальных кредитов).

При построении рейтинговых моделей может возникать ряд проблем, которые должны учитываться при анализе кредитного риска:

· Некоторые модели получают заниженные оценки вероятности дефолта высокорейтинговых компаний.

· Одной из групп проблем построения рейтинговых моделей является предпосылка множества моделей о независимости значений PD и LGD. Однако ряд исследований показывает наличие связи между вероятностью дефолта и уровнем потерь при дефолте Гусятников П.В. Модели для оценки и управления рисками дефолтов крупных компаний в кредитном портфеле коммерческого банка, 2013, поэтому этот фактор также нужно учитывать при оценке кредитного риска.

· При построении рейтинговых моделей следует учитывать процикличность кредитных рейтингов, так как между фиксированием финансового положения компании и присвоением ей кредитного рейтинга (на основе этих финансовых показателей) существует определённый временной лаг, который может исказить предоставляемые оценки качества заёмщика и привести к ошибкам при оценивании кредитных рисков Карминский А.М., Сосюрко В.В. Сравнительный анализ моделей формирования рейтингов, 2010.

Построенная рейтинговая модель должна быть проверена на точность её результатов и возможность её применения. Одним из способов валидации модели является анализ ROC-кривых. Этот метод рассматривает разделение заёмщиков на условно “хороших” и “плохих”. Хорошая модель предполагает правильное разделение этих двух групп заёмщиков, т.е. прогнозные значения вероятности дефолта “хороших” заёмщиков должны быть меньше прогнозных значений вероятности дефолта “плохих”. В ходе ROC-анализа мы рассчитываем долю правильно определённых положительных исходов (чувствительности модели). В банковском деле для повышения надёжности и минимизации кредитного риска чаще всего используются консервативные модели с высоким уровнем чувствительности (что означает повышение требований к потенциальным заёмщикам).



1.2 Оценка и управление кредитным риском в коммерческом банке

Существует множество моделей оценки кредитоспособности потенциального корпоративного заёмщика, учитывающие как качественные, так и количественные его характеристики. Основой для их составления является финансовая отчётность компании, различные юридические документы, составленные отчёты о компании, основанные на мнении эксперта, кредитная история заёмщика о предыдущих его кредитах и другие материалы, которые помогают составить наиболее полный отчёт о финансовом состоянии заёмщика и о его возможности и желании вернуть запрашиваемый долг. Одними из наиболее популярных методов оценки кредитоспособности потенциального заёмщика являются Горелая Н.В., Карминский А.М Основы банковского дела, 2013:

· Качественные системы оценки - CAMPARI, PARTS, 5C, основанные на качественной комплексной экспертной оценке экономического положения потенциального заёмщика. Они оценивают финансовое положение компании, движение денежных, качество менеджмента, деловую репутацию компании, макроэкономические показатели, деловую активность на рынке и в стране в целом и другие показатели, влияющие на кредитоспособность заёмщика. Однако эти методы основаны на слишком большой доле субъективизма эксперта, поэтому они не могут служить основанием для принятия решений по кредитным заявкам без применения каких-либо количественных методов.

· Рейтинговые и скоринговые системы оценки - они основаны на подсчёте баллов или определённого интегрального показателя после оценки значений определённых показателей (как качественных, так и количественных), после который заёмщик определяется в одну из нескольких групп, показывающих обобщённую оценку его кредитоспособности.

· Прогнозные - основаны на методах статистического анализа или на использовании нейронных сетей, после применения которых кредитная организация получает оценку вероятности дефолта заёмщика, а вследствие этого и оценку общих потерь банка из-за выдачи кредита этому заёмщику. На основании этих методов (в сочетании с какими-либо методами, описанными выше) можно принять решение об одобрении или отклонении кредитной заявки и об оптимальной цене кредита с учётом всех возникающих рисков.

При оценке кредитоспособности отдельного заёмщика необходимо учитывать все возможные риски, возникающие при кредитовании данного заёмщика (по крайней мере те, которые можно оценить хотя бы приблизительно). Совместить все виды рисков в одной модели очень сложно, потому что список факторов, влияющих на кредитоспособность заёмщика очень большой. Из-за этого при оценке целесообразно использовать несколько моделей и учитывать их результаты комплексно Шешукова Т.Г., М.В. Быкова К вопросу об особенностях заёмщиков малого бизнеса и анализе и кредитоспособности в коммерческой банке, 2013.

Существует несколько способов управления кредитным риском. Во-первых, можно просто включить потери по кредиту в цену продукта. Это приведёт к уменьшению величины спроса на кредит, поэтому данный вариант может рассматриваться только в ограниченных объёмах. Во-вторых, можно застраховать кредитный риск. В-третьих, можно использовать производные финансовые инструменты, чтобы хеджировать риск, например, кредитные деривативы, однако таким образом можно сделать только с малой долей риска (до 10%) Попов И.В. Совершенствование методов оценки кредитоспособности и управления кредитным риском юридических лиц, 2010.

Одним из важных способов управления кредитным риском является портфельный подход, так как он позволяет диверсифицировать риски в среднем по портфелю. При формировании портфеля кредитов банк также должен рассматривать возможную связь между заёмщиками, т.к. дефолт одного крупного заёмщика иногда может привести к проблемам у других связанных с ним заёмщиков Пустовалова Т.А., Р.Р. Кутуев Управление кредитным риском кредитного портфеля коммерческого банка, 2008.. Для анализа риска в целом по портфелю используются прогрессивные модели оценки кредитного портфельного риска, среди которых выделяются миграционный анализ, оптимально-теоретический подход и актуарный подход.

1.3 Факторы, влияющие на кредитоспособность заёмщика

Моделирование вероятности дефолта и выявление влияющих на неё факторов - популярная тема научных исследований. За продолжительное время исследований создано множество моделей оценки вероятности дефолта. Они основаны на различных объясняющих факторах и на различных эконометрических методиках. Наиболее распространёнными моделями являются регрессионные модели, бинарные логит и пробит-регрессии, модели, использующие методы нейронных сетей и машинного обучения. Обычно наибольшим качеством и точными результатами обладают логит и пробит-модели из-за довольно жёстких предпосылок, необходимых для применения дискриминационного анализа или других методов Lennox C. Identifying failing companies: A re-evaluation of the logit, probit and DA approaches, 1999. Далее мы будем рассматривать только статистические модели, так как другие виды моделей обычно применяются при неполных или нечётких данных, но по сравнению со статистическими моделями являются более трудоёмкими и дорогими, что противоречит первоначальной цели данной работы.

При моделировании вероятности дефолта преимущественно выполняются следующие шаги (модели в данной статье будут строиться примерно такими же методами):

· Сбор информации и исторических данных о финансовых показателях компаний, переживающих дефолт, а также похожих компаний аналогов, не выходившие в дефолт.

· Отбор ключевых факторов, влияющих на вероятность дефолта.

· Определение методологии, подходящей для данной ситуации, выборки и условий на основе предыдущих исследований

· Моделирование вероятности дефолта с использованием выбранных методов.

· Валидация результатов модели методом расчёта вероятности ошибок первого и второго рода, методом построения ROC-кривых.

Естественно, на вероятность дефолта заёмщика влияют сами параметры кредитной сделки, такие как срок и сумма кредита, цена кредита (процентная ставка) и параметры обеспечения (тип, стоимость). Так, например, наличие большого обеспечения может свидетельствовать о низком качестве заёмщика, для которого предоставление солидного обеспечения - единственный способ получения кредита. Т.е. обеспечение обычно требуется у более рисковых заёмщиковJimenez G., Saurina J. Collateral, type of lender and relationship banking as determinants of credit risk, 2004. Это помогает определять качество заёмщика в тех ситуациях, когда у банка недостаточно информации о заёмщике (когда уровень асимметрии информации высок). Но наличие и особенности обеспечения влияют на ожидаемые потери при дефолте (LGD), которые включаются в оценку кредитоспособности заёмщика при составлении его рейтинговой оценки. Поэтому при прочих равных условиях наличие большого и ликвидного обеспечения приведёт к уменьшению цены кредита, так как уменьшаются общие потери банка при кредитовании такого заёмщика.

Финансовые показатели компании - один из важнейших детерминантов качества заёмщика, т.к. напрямую говорит о его деятельности. Данные из финансовой отчётности свидетельствуют о положении дел в компании, как в краткосрочном, так и в долгосрочном периоде. Обычно анализируются ключевые финансовые показатели и финансовые коэффициенты:

· Показатели размера компании - сумма активов, прибыль, собственный капитал. Чем больше компания, тем сильнее она может диверсифицировать свои операционные риски, и тем сравнительно более устойчивой она будет.

· Коэффициенты рентабельности - рентабельность активов, рентабельность продаж, рентабельность собственного капитала - эти коэффициенты показывают общую эффективность работы компании, её способность получать прибыль, поэтому большее значение показателей рентабельности обычно положительно влияет на оценку кредитоспособности заёмщика.

· Коэффициенты финансовой устойчивости - коэффициент автономии, коэффициент финансового рычага (леверидж), коэффициент манёвренности собственного капитала, коэффициент обеспеченности собственными оборотными активами - они раскрывают уровень устойчивости предприятия, раскрывая структуру его капитала. Особенное внимание обращается на уровень заёмного капитала и на оборотные средства компании. Высокий уровень заёмного капитала может говорить о повышенных рисках для компании вследствие высокой долговой нагрузки на неё.

· Коэффициенты деловой активности - оборачиваемость активов, собственных средств, денежных средств, дебиторской и кредиторской задолженности. Чем быстрее в компании оборачиваются активы, тем больший объём действий она совершает за один период времени, и тем, соответственно, более успешной она будет при прочих равных условиях. Хотя, конечно, эти показатели сильно зависят от отраслевой принадлежности компании, так как на них влияют особенности деятельности фирмы и особенности ведения бизнеса.

· Коэффициенты ликвидности - текущая ликвидность, срочная ликвидность, абсолютная ликвидность. Эти показатели говорят о том, о каком объёме компания сможет рассчитаться с краткосрочными долгами с помощью своих наиболее ликвидных средств. Они показывают степень гибкости компании при принятии решений, компании с большими значениями коэффициента ликвидности имеют больше пространства для манёвра в различных ситуациях.

Эти показатели свидетельствует о хорошем или плохом финансовом положении компании, что, с свою очередь, говорит о способности компании выплатить взятые долги. Можно предположить, что из-за особенностей ведения бизнеса в разных отраслях и особенностей операционной деятельности, наиболее важными для анализа будут разные финансовые показатели.

Например, для компаний строительной отрасли, особую важность имеют коэффициент автономии, рентабельность затрат, рентабельность продаж, средний срок оборота дебиторской задолженности и др. Тотьмянина К.М. Моделирование вероятности дефолта корпоративных заёмщиков с учетом макроэкономической конъюнктуры, 2014 Для остальных отраслей список важных финансовых показателей (т.е. тех, которые больше свидетельствуют о финансовом положении компании) может быть другим.

Также качество дефолта зависит от структуры собственности заёмщика. Так, распыление прав контроля над денежными потоками приводит к значительному повышению стоимости кредитования для компании Lin C. Ownership structure and the cost of corporate borrowing, 2011. Другие исследования подтверждают, что наличие у компании большого количества собственников приводит к большему уровню корпоративного риска Poligorova T. Corporate risk taking and ownership structure, 2010 (большое количество активов позволят собственникам диверсифицировать риски, и, соответственно, принимать большие риски в одном конкретном случае). Также более развитая система защиты прав акционеров связана с большим уровнем риска, а более развитая система защиты прав кредиторов - с меньшим. Там же

Качество менеджмента и система корпоративного управления тоже влияет на уровень риска. Сюда входит система управления, система вознаграждения сотрудников, компетенция менеджеров, качество системы управления рисками, качество финансовой отчётности, прозрачность информации в компании и т.д. Эта группа факторов неразрывно связана к возможностям компании по внедрению инноваций с целью повышения своей конкурентоспособности (и, как следствие, к повышению кредитоспособности). В частности, такие развитие таких практик менеджмента, как лидерские качества и поддержка топ-менеджмента, система обучения и вовлечения сотрудников, система хранения и обработки информации, система управления процессами и ориентированность на клиента позволяют фирмам более эффективно внедрять инновации в свои бизнес-процессы и продукты Kafetzopoulos D. Relationship between quality management, innovation and competitiveness. Evidence from Greek companies, 2015 с целью повышения эффективности функционирования всей организации.

Этот аспект крайне сложно оценить количественно, поэтому обычно применяется качественный анализ и используются субъективные оценки данных факторов.

На степень рискованности кредита также влияют и отношения между банком и заёмщиком. Если банк и клиент имеют долгую историю отношений, это может повышать стимулы банка к выдаче более рискованных кредитов. С другой стороны, это снижает уровень морального риска заёмщика, у него становится меньше стимулов к неплатежам, потому что из-за более длительных и близких отношений с банком клиент получает более выгодные условия. Также, если заёмщик получает кредиты в множестве банков, у них есть стимулы к проведению более тщательной проверки перед выдачей кредитов, поэтому вероятность дефолта post ex снижается Jimenez G., Saurina J. Collateral, type of lender and relationship banking as determinants of credit risk, 2004.

Конечно же при предоставлении кредита корпоративному заёмщику необходимо рассматривать цель этого кредита, рассматривать эффективность инвестиционного проекта (например, рассчитывая его чистую приведённую стоимость). Если цель кредита не оправдана или представленный проект неэффективен, следует аккуратно относиться к такой заявке даже при условии хорошего финансового положения компании или большого обеспечения Зангиева И.А. Развитие системы управления кредитными рисками банков с использованием Базельских соглашений, 2012.

Ещё одной группой факторов являются события, показывающие отношения заёмщика с государством и потребителями. Эти факторы являются преимущественно качественными и их сложно включать в какие-либо количественные модели. Примерами таких параметров могут быть информация о компании в СМИ, признаки мошенничества Лыкова Н.М. Развитие методов управления проблемными кредитами в коммерческом банке, 2013, деловая репутация компании, репутация руководящего состава, наличие или отсутствие проблем с законом компании или членов её руководящего состава, результаты соцопросов и т.д.

Особенности экономического и социально-политического положения в стране также влияют на кредитоспособность потенциального заёмщика. Среди этих параметров Хрестинин В.В. Оценка отраслевой составляющей в рамках комплексного анализа кредитоспособности потенциального заёмщика, 2007:

· Качество работы судебной системы

· Уровень бюрократии в стране и влияние её на деятельность компаний

· Уровень развития экономических институтов

· Риск давления на фирму со стороны государства

· Прогноз различных макроэкономических показателей

· Инвестиционный климат в стране и уровень доступности денежных средств для компаний

Также из-за неравномерного развития разных регионов в России необходимо учитывать и региональный аспект, начиная с природно-географических условий и заканчивая экономическими и финансовыми показателями, а также оценивая развитие экономических, социальных и правовых институтов, влияющих на эффективность действия компаний.

Если говорить о России, то существует ряд проблем, связанных с оценкой кредитоспособности заёмщика, которые мешают получить более точную оценку:

· Банкротство компаний по нефинансовым причинам. Иногда проблемы компании связаны с институциональными, криминальными или иными причинами (например, с человеческим фактором), которые искажают статистику и портят выборку при моделировании качества заёмщика.

· В финансовых отчётностях компаний часто встречаются ошибки, случайные или намеренные, из-за чего информация о компании искажается.

· Отсутствие отработанных и проверенных процедур проверки информации о заёмщике, низкое качество внутрибанковских документов и практик, что приводит к внутрибанковским ошибкам при анализе и контроле заёмщика Кучиев А.З. Кредитоспособность корпоративного заёмщика в условиях финансовой нестабильности, 2016.

Все представленные выше факторы необходимо рассматривать в динамике, анализируя их изменение на протяжении нескольких периодов для наиболее точного прогноза изменения этих показателей в будущем.

1.4 Значение отраслевой составляющей для оценки кредитоспособности заёмщика

Отрасль, в которой действует компания, может относительно свидетельствовать о её кредитоспособности. В этом случае следует оценивать два важных параметра:

1) Положение отрасли на рынке - следует проанализировать положение дел в отрасли, её изменение за последнее время, тренды как во всей экономике, так и конкретно в отрасли, которые могут привести к её изменению в будущем. Этот фактор также сложно выразить в цифрах, поэтому в этом случае применяется качественная оценка (например, от 1 до 10 или в терминах «хорошо-плохо»). Можно получить некую оценку отрасли по сравнению с другими, включив в модель оценки вероятности дефолта отраслевые переменные.

2) Положение компании в отрасли - отражает конкурентоспособность компании в отрасли, предполагает анализ конкурентов и их сравнение с изучаемой фирмой. Как и предыдущий параметр, оценивается качественно.

Оценивая влияние отраслевой составляющей для кредитоспособности заёмщика, вместе с отраслью следует рассматривать положение экономики страны в данный момент. Таким образом будут учитываться и макроэкономические риски страны (которые влияют на всю экономическую деятельность), и отраслевые приоритеты страны (некоторые отрасли могут поддерживаться государством с целью повышения конкурентоспособности данной отрасли, получения доходов бюджета или повышения общего благосостояния страны), что помогает оценивать всю ситуацию с отраслевыми рисками в целом.

В ранних работах проводились исследования по связи финансовых коэффициентов и отраслевой принадлежности компании. Например, в работе (А.Ю. Домников и др., 2013) показаны обычные значения финансовых коэффициентов для компаний разных отраслей. Например, для компаний промышленных отраслей характерно высокие значения коэффициентов EBITDA/процентные расходы, Чистый долг/EBITDA, инвестиции/выручка. Для компаний финансового сектора - более высокие показатели рентабельности по EBITDA и коэффициента финансового рычага Домников А.Ю., Ходоровский М.Я., Хоменко П.М. Совершенствование методики оценки кредитного риска корпоративных клиентов коммерческого банка с учётом отраслевой специфики,2013.

При этом официальные нормативы финансовых коэффициентов без учёта отраслевой специфики компаний показывают недостаточную эффективность при определении качества потенциального заёмщика Федорова Е.А, Тимофеев Я.В.. Нормативы финансовой устойчивости российских предприятий: отраслевые особенности, 2015, поэтому необходимо использовать систему нормативных значений коэффициентов с учётом отрасли заёмщика (например, для коэффициентов финансовой устойчивости обнаруживаются значительные отраслевые различия, при том, что в коэффициентах ликвидности таких больших различий нет Там же).

Ранее уже проводился анализ отраслевой составляющей заёмщика как детерминанты его качества. Например, в работе (Хрестинин, 2007) Хрестинин В.В. Оценка отраслевой составляющей в рамках комплексного анализа кредитоспособности потенциального заёмщика, 2007 наиболее кредитоспособными и финансового устойчивыми были названы компании нефтяной промышленности и металлургии из-за смещения макроэкономических приоритетов страны в эти направления.

Наименее надёжными заёмщиками являются компании в отраслях сельского хозяйства, машиностроения и связи. Основными причинами такого положения называется недостаточный спрос на продукцию данных компаний и их низкую конкурентоспособность по сравнению с зарубежными аналогами.



2. Данные

Говоря о понятии вероятности дефолта, следует также определить, какое событие мы считаем дефолтом. Банкротство является окончательным завершением деятельности фирмы и имеет строгое юридическое определение. При этом с момента фактического дефолта (момента, когда компания перестаёт платить свои долги и приносит потери кредиторам) до момента объявления банкротства может пройти от 1,5 до 3,5 лет Гусятников П.В. Модели для оценки и управления рисками дефолтов крупных компаний в кредитном портфеле коммерческого банка, 2013, что влияет на итоговые потери банка, поэтому этот вопрос должен быть определён в первую очередь. Как непосредственно банкротство заёмщика, так и просто неплатежи приносят банку убытки, это особенно важно, когда мы начинаем считать ожидаемые потери от кредита, а именно LGD.

Также для краткосрочных неплатежей (до года) и для долгосрочных (дольше года) отличаются факторы, влияющие на потери при дефолте. Так, при неплатежах до года экспозиция при дефолте (EAD) наиболее сильно влияет на LGD, а на временном горизонте более года важными становятся год выдачи кредита и стоимость обеспечения Chalupka R., Copecsni J. Modeling bank loan LGD of corporate and SME Segments:A case study, 2008. В этой работе из-за особенностей доступных данных и отсутствия более полных сведений дефолтом будет считаться банкротство компании.

Для анализа будут использоваться несколько групп объясняющих переменных:

Данные о состоянии заёмщика - информация о банкротстве компании. Годом банкротства будет считаться год объявления компании банкротом (на основании судебных решений). Из выборки исключались компании, для которых невозможно установить год их банкротства. С точки зрения рейтинговой философии анализируемая вероятность дефолта является PD TTC, т.к. сложно использовать PD PIT в эконометрических моделях, потому что придётся учитывать влияние деловых циклов на состояние компании, а это сделать сложно из-за особенностей доступных данных. При анализе использовались финансовые данные компаний за год до банкротства (информация на предыдущий год).

Макроэкономические переменные:

· ВВП (Валовый внутренний продукт) - основная классическая переменная, характеризующая общее экономическое положение в стране. Соответственно, чем больше этот показатель, тем лучше экономическая и деловая обстановка в стране, и как следствие, тем ниже должна быть вероятность банкротства компаний.

· Экспорт и импорт товаров - важные макроэкономические переменные, показывающие активность внешней торговли страны. Эти показатели могут по-разному влиять на компании разных отраслей из-за особенностей их спецификации.

· Инфляция может влиять на положение компании как позитивно, так и негативно. Для тех компаний, которые заключают долгосрочные контракты с поставщиками по фиксированным ценам, высокий уровень инфляции может служить преимуществом, потому что относительная цена материалов снижается, а цена товаров изменяется из-за инфляции более быстро. Для других компаний, соответственно, высокая инфляция может быть проблемой, если цена на материалы повысится, а спрос упадёт из-за повышения уровня цен и понижения реальных доходов населения.

· Цена нефти - этот показатель также является довольно важным показателем состояния экономики в России из-за сильной ориентированности страны на добычу и продажу нефти и газа. Чем выше цена нефти, тем больше поступления в государственный бюджет из-за экспорта и, вследствие этого, экономическое положение в стране становится более благоприятным для существования и деятельности фирм. Из этого можно сделать предположение, что более высокая цена нефти будет отрицательно влиять на вероятность банкротства компаний.

Финансовые показатели заёмщика:

· Показатели прибыльности - рентабельность активов, рентабельность продаж, рентабельность собственного капитала.

· Показатели размера компании - логарифм совокупных активов, прибыль компании после налогов, собственный капитал.

· Показатели финансовой устойчивости - доля денежных средств в активах, коэффициент финансового рычага (леверидж), коэффициент автономии.

· Показатели ликвидности - текущая ликвидности, абсолютная ликвидности.

· Показатели деловой активности - срок оборота дебиторской задолженности, срок оборота кредиторской задолженности.

Отраслевая принадлежность компании выражалась в значении дамми-переменных. Также при анализе учитывалось присутствие компании на финансовой бирже, обращаются ли там её акции. Предполагается, что присутствие компании на бирже обозначает её более устойчивое финансовое положение, так как неустойчивым компаниям сложнее получить доступ к бирже.

Переменным были присвоены следующие наименования:

PROF - чистая прибыль (в тыс.руб), CAP - собственный капитал (в тыс.руб), LN_ASSETS - логарифм совокупных активов (активы - в тыс.руб)TURN_PAY - срок оборота кредиторской задолженности (в днях), TURN_REC - срок оборота дебиторской задолженности (в днях), PROF_ASS - рентабельность активов, PROF_SALE - рентабельность продаж, PROF_CAP - рентабельность собственного капитала, LEV - коэффициент финансового рычага (леверидж), EQ - коэффициент автономии, CASH_ASS - доля денежных средств в активах, CURR_LIQ - коэффициент текущей ликвидности, ABS_LIQ - коэффициент абсолютной ликвидности, IND_X - дамми-переменные, обозначающие принадлежность компании к определённой отрасли, где X = WH - оптовая торговля, RETAIL - розничная торговля, ENERGY - энергетика, LIGHT - лёгкая промышленность, FOOD - пищевая промышленность, CONST - строительство, STOCK - дамми-переменная, обозначающая присутствие компании на финансовой бирже, LN_GDP - логарифм ВВП (ВВП - в млрд.руб), EXPORT - величина экспорта (в млн.долл), IMPORT - величина импорта (в млн.долл), INFL - уровень инфляции (в процентах), OIL - стоимость нефти (в долл. за баррель).

Всего из базы данных «Ruslana» от Bureau van Dijk были выгружены финансовые показатели компаний за 2013-2017 годы. Следующие фильтры были применены первоначально:

Дата регистрации компании не раньше 2013 года. Совокупные активы выше некоторого значения, которое различалось для отраслей (например, выше 20000 долларов для строительной отрасли и оптовой торговли, 15000 для компаний лёгкой промышленности, 10000 для розничной торговли и т.д.). Данные фильтры необходимы для исключения очень маленьких фирм (на которых влияет большое количество специализированных рисков, например, риски, связанные с криминальными действиями, транспортные риски, человеческий фактор и другие, которые очень сложно учесть и которые будут сильно искажать модель), а также фирм, причиной существования которых может быть не получение прибыли или повышение общественного благосостояния в случае ряда государственных компаний, а, например, выполнение функции посредника в экономических действиях или других побочных функций, существование которых может быть прекращено из-за неэкономических причин.

Всего первоначально было выгружены данные по 3798 российских компаний из 8 отраслей (оптовая торговля, розничная торговля, энергетика, лёгкая промышленность, строительство, фармакология, пищевая отрасль, металлургия). Из них обанкротившимися были 214 компаний.

В дальнейшей компании были отфильтрованы по следующим принципам:

· Компании должны иметь доступную отчётность для расчёта основных показателей, использованных в анализе.

· Рассчитанные коэффициенты должны быть относительно нормальными и не должны противоречить своей логике (исключались компании, значение коэффициентов для которых превышало норму в сотни и тысячи раз, или, например, значение которых было меньше нуля, хотя коэффициент принимает значение только от 0 до 1)

· Банкротами признавались ликвидированные компании, компании в стадии ликвидации и те, что прекратили своё действие. При анализе рассматривались только компании, для которых можно было определить год банкротства.

· Так как среди фармакологических компаний не оказалось банкротов, были исключены все компании из данной отрасли.

В результате была получена следующая выборка обанкротившихся компаний по отраслям (всего 107 компаний):

· Оптовая торговля - 27

· Энергетика - 9

· Розничная торговля - 9

· Пищевая промышленность - 10

· Лёгкая промышленность - 13

· Металлургия - 10

· Строительство - 29

К этим компаниям в выборку добавлялись 107 не обанкротившихся компаний-аналогов (в таком же соотношении по отраслям) и в итоге общая выборка, которая использовалась в анализе, составила 214 компаний.

Анализируемая выборка наблюдений во второй модели состоит из 27 компаний из отрасли оптовой торговли, допустивших дефолт в период 2014-2017 годов (аналогично формированию выборки в модели 1). Далее в выборку случайным образом добавилось 27 компаний, которые не допускали дефолт в данный промежуток времени и подходили под обозначенные выше условия.

Всего в работе анализируется два типа моделей. Одна группа моделей предполагает оценку влияния отраслевой составляющей на вероятность дефолта компаний. Другая исследует ключевые финансовые показатели компаний в отрасли оптовой торговли при определении вероятности их дефолта. кредитный риск коммерческий банкротство

2.1 Методология

При оценке вероятности дефолта будет использоваться бинарная логит-модель, как наиболее часто встречающаяся модель в ранних исследованиях и как модель, которая лучше всего подходит для подобного рода исследований и позволяет как анализировать вероятность дефолта для всех отраслей, так и сравнивать отрасли между собой Fernandez J. Corporate Credit Risk Modeling: Quantitive Rating System and Probability of Default Estimation, 2005, из неё можно будет рассчитать базовую оценку вероятности дефолта. Проверка точности получившейся модели будет происходит двумя способами. Первый - оценка псевдо-R2 получаемой модели. Хорошей обычно считается модель, имеющая R2 примерно 0,7-0,8, поэтому мы будем стремиться примерно к этим показателям. Второй способ проверки модели - вычисление вероятности ошибок первого и второго рода. Приемлемым результатом будет получение значений этих вероятностей меньше 20%.

Вторая модель будет анализировать влияние разных финансовых коэффициентов (в нормированном виде) на вероятность банкротства компаний, занимающихся оптовой торговлей. Целью этой модели является поиск наилучшего набора финансовых показателей (из тех, что были рассчитаны и для модели 1) для оценки вероятности банкротства этих компаний. В этой части работы была использована методология из статей (Тотьмянина, 2014 Тотьмянина К.М. Моделирование вероятности дефолта корпоративных заёмщиков с учетом макроэкономической конъюнктуры, 2014) про подобное исследование для компаний строительной отрасли. Сначала для этой цели требуется провести тесты на сравнение средних и дисперсий для двух независимых выборок обанкротившихся и здоровых компаний. В данной работе это t-тест, тест Уэлча, F-тест и тест ANOVA. Далее из оставшихся переменных (тех, для которых отвергаются гипотезы о равенстве средних и дисперсий двух выборок) строится матрица корреляции, чтобы выявить связь между исследуемыми переменными. В финальной части анализа мы строим модели зависимости средней вероятности дефолта от финансовых показателей, отбирая в модель показатели из разных групп и без наличия связи между ними (которая была выявлена посредством расчёта корреляций). Наилучшей будет считаться та модель, которая будет иметь наибольший R2 при значимых на 10% уровне значимости коэффициентах. После получения наилучшей модели проверим её точность методов вычисления вероятности ошибок первого и второго рода.

Исходя из ранних исследований и анализируемой модели, можно составить несколько гипотез:

1. Отраслевая принадлежность заёмщика существенно влияет на вероятность его дефолта. Это приводит к необходимости расчёта новых нормативов финансовых коэффициентов с учётом отрасли, в которой действует заёмщик.

2. Для компаний из отрасли оптовой торговли существует определённый набор финансовых показателей, который лучше позволяет определить его финансовое состояние.

3. Возможно создать простую (и, как следствие, дешёвую), но при этом довольно точную модель оценки кредитного риска для более качественного использования IRB-подхода, в первую очередь для новых банков и банков, в настоящем использующих стандартный подход оценки кредитного риска.

2.2 Модель 1. Исследование влияние отраслевой принадлежности заёмщика на вероятность его банкротства

Сначала построим первоначальную логит-модель для вероятности дефолта компаний, используя все имеющиеся переменные

Рисунок 1

Сразу можно отметить довольно высокий псевдо-R2 модели (0,84) и то, что вся модель в целом значима. Чтобы улучшить её, последовательно удалим незначимые переменные.

Незначимыми переменными в итоге оказались следующие

· ВВП

· Абсолютная ликвидность

· Рентабельность активов

· Рентабельность собственного капитала

· Импорт

· Присутствие на бирже

· Оборот дебиторской задолженности

Выбросив ряд незначимых переменных, получим следующую модель:

Рисунок 2

Псевдо-R2 хоть и снизился, но очень не на много (до 0,83). В результате следующие коэффициенты оказываются значимыми:

Финансовые показатели:

· Прибыль компаний - логично, что большая прибыль компании говорит о её большей эффективности и о большей финансовой устойчивости.

· Величина собственного капитала - коэффициент положительный, большее значение капитала ведёт к меньшей вероятности банкротства.

· Логарифм совокупных активов - вопреки двум предыдущим переменным, коэффициент при этой оказывается отрицательным, а это значит, что при прочих равных у более крупных компаний вероятность банкротства выше. Но, возможно, это коэффициент можно объяснить тем, что крупные и малые компании действуют с большими различиями, поэтому и нормативы коэффициентов при оценке

· Оборачиваемость дебиторской задолженности - коэффициент перед переменной значимый и положительный, т.е. чем больше срок оборота дебиторской задолженности, тем выше вероятность банкротства компании.

· Рентабельность продаж - коэффициент значимый и отрицательный. Большая рентабельность продаж означает большую эффективность операционной деятельности компании, что приводит у меньшей вероятности банкротства

· Доля денежных средств в активах - коэффициент отрицательный, чем больше у компании денежных средств, тем более она манёвренна в своих действиях

Значение p-value коэффициентов текущей ликвидности и финансового рычага приближается к граничной отметке (0,158 и 0,12 соответственно), но мы всё же не можем назвать их значимыми.

Отраслевые переменные:

Переменная, отвечающая за строительную отрасль, в данной модели выступает в качестве ориентира, т.е. все последующие сравнения отраслевых переменных будут происходить с ней.

Есть две переменные, коэффициент при которых незначим. Это коэффициенты, отвечающие за принадлежность к отраслям энергетики, розничной торговли. Это те отрасли, при которые мы не может говорить с точки зрения отраслевого влияния на вероятность банкротства.

Коэффициенты перед остальными отраслями положительны, но наибольшее значение (6,38 получается перед коэффициентом металлургической отрасли. Это обозначает, что компаниям этой отрасли нужно сравнительно более хорошие значения остальных коэффициентов для сохранения равного с остальными отраслями уровень вероятности банкротства. Наименьшее значение переменной в этой группе перед дамми-переменной компаний оптовой торговли. Средние значения - у отраслей пищевой и лёгкой промышленности. В целом эти четыре отрасли при прочих равных больше склонны к банкротству, чем компании строительной отрасли.

Макроэкономические переменные:

· Величина экспорта - коэффициент перед переменной отрицательный, чем больше экспорт, чем больше вероятность дефолта компании.

· Цена нефти - коэффициент положительный, чем выше цена нефти, тем выше вероятность банкротства компании. Значения при макроэкономических переменных получаются контринтуитивными, потому что можно было предполагать другие знаки при этих переменных, учитывая ориентированность экономики России на экспорт сырья (в том числе нефти).

Посмотрим на предсказательную точность полученной модели, посчитав вероятность ошибки 1 и 2 рода.

Будем считать, что модель предсказывает дефолт, если она выдаёт вероятность дефолта компании более 50%. В итоге получаем такое распределение результатов проверки (табл.1):

Таблица 1

	В реальности дефолт	В реальности отсутствие дефолта
Прогнозируется дефолт	103 (94,5%)	6 (5,5%)
Прогнозируется отсутствие дефолта	4 (3,8%)	101 (96,2%)

Вероятность ошибки 1 рода - 3,8%, вероятность ошибки 2 рода - 5,5%, то является очень хорошим результатом. Значение показателя чувствительности - 94,5%, специфичности - 96,2%. Поэтому можно сказать, что модель предоставляет довольно точные оценки вероятности дефолта.

В качестве дополнительной проверки данным методом установим другой порог признания заёмщика потенциальным банкротом. Будем считать, что модель прогнозирует дефолт компании, если вероятность её дефолта больше 30%. Получим такое распределение результатов (табл.2):

Таблица 2

	В реальности дефолт	В реальности отсутствие дефолта
Прогнозируется дефолт	105 (91,3%)	10 (8,7%)
Прогнозируется отсутствие дефолта	2 (2%)	97 (98%)

В этом случае вероятность ошибок первого и второго рода также очень низкое (8,7 и 2 процента соответственно). Чувствительность модели - 91,3%, специфичность - 98%.

Также для проверки получившейся модели посмотрим на зависимость между объясняющими переменными, построив матрицу их корреляции (см. приложение).

Из неё мы замечаем сильную связь между величиной экспорта и ценой нефти (обычно наблюдается сильная связь между макроэкономическими переменными), среднюю связь между величиной прибыли и логарифмом совокупных активов и между собственным капиталом и коэффициентом автономии (из-за формулы расчёта последнего). Однако при удалении какой-нибудь из этих переменных качество модели резко ухудшается, поэтому было решено оставить их в итоговом варианте модели.

Дальше построим похожие модели, только будем использовать отраслевые переменные отдельно, также выбрасывая наиболее незначимые переменные. Получаем следующие результаты для всех рассматриваемых отраслей:

Оптовая торговля - коэффициент положительный, при прочих равных компании этой отрасли менее склонны к банкротству