Взаимосвязь наличия облигационных займов и кредитного риска компании

Размер рынка корпоративных облигаций в 2016 году составил 8,5 трлн долларов, что на 61,9% больше по сравнению с 5,3 трлн долларов в 2007 году. В 2016 году коло 1400 компаний в США выпустили корпоративные облигации на 1,5 трлн долларов для финансирования своей деятельности и роста против 38,5 млн долларов в России.

Корпоративные облигации США делятся на облигации инвестиционного уровня и высокодоходные облигации согласно рейтинговым оценкам. Облигациям инвестиционного уровня соответствуют рейтинги от BBB до AAA по шкале S&P, в то время как облигациям спекулятивного качества соответствуют рейтинги ниже BB. Облигации без рейтинговой оценки также считаются спекулятивными.

Облигационные выпуски по отраслям экономики США в 2016 году

Источник:рисуноксоставленавторомработыU.S. Capital Markets Deck, Securities Industry and Financial Markets Association

Распределение выпуска корпоративных облигаций по отраслям экономики в 2016 году представлено на рисунке 2 U.S. Capital Markets Deck // Securities Industry and Financial Markets Association [Электронныйресурс] - Режимдоступа: https://www.sifma.org/wp-content/uploads/2016/10/US-Capital-Markets-Deck-2017-09-11-SIFMA.pdf - Загл. сэкрана - 2018.. В отличие от российского рынка наибольшую долю среди компаний, выпустивших облигации в 2016 году, составляют компании финансового сектора, а второе место заняли компании энергетической отрасли. Отрасли высоких технологий, здравоохранения и промышленности внесли приблизительно одинаковый вклад в совокупный объем выпуска.

Выводы по первой главе

В первой главе данной работы были рассмотреныособенности корпоративных облигаций. Данный инструмент финансирования обладает значительными преимуществами по сравнению с банковским кредитом и используется для привлечения инвестиций как для покрытия дефицита ресурсов в компании, так и для качественных изменений в структуре и функционировании компании, таких как слияния и поглощения. С помощью рассмотрения классификаций облигаций по разным признакам были изучены присущие данному финансовому инструменту характеристики.Прежде чем поочередно приступить к стадиям выпуска корпоративных облигаций руководство компании должно принять решение о способе выпуска, сумме выпуска, ставке по облигациям и сроке обращения облигации на рынке. Важным нововведением на развивающемся рынке облигаций России стала программа облигаций «Красный апельсин»,которая призвана существенно оптимизировать выход компаний на данный рынок, сокращая как временные, так и финансовые затраты. Данная программа стимулирует компании выпускать облигации, тем самым раскрывать информацию о своей деятельности и поддерживать необходимый уровень ведения финансовой отчетности. Тем не менее, это лишь ненамного приближает по уровню развития российский рынок корпоративных облигаций к американскому, на котором и будет проводиться дальнейшее статистическое исследование. На примере компаний американского рынка будет показано, существует ли взаимосвязь между наличием облигаций, выпущенных компанией, и ее кредитным риском, а также будут исследованы другие взаимосвязи между кредитным риском и характеристиками облигаций. В следующей главе мы рассмотрим природу возникновения кредитного риска и методы его оценки.

Глава 2. Кредитный риск в коммерческом банке

Важнейшим видом риска, который банк должен постоянно оценивать, контролировать и которым должен управлять, является кредитный риск. Другими словами, это риск того, что заемщик по каким-либо причинам не вернет кредит полностью и в срок. Чаще всего, когда стоимость активов заемщика больше стоимости долга, он в состоянии ответить по обязательствам перед кредитором, если же наблюдается обратная ситуация и долг компании превышает стоимость ее активов, то заемщик объявляет о дефолте. Поэтому банк, как финансовый посредник, должен уметь как можно точнее оценивать финансовое состояние заемщика, стоимость долга и активов компании, вероятность банкротства и ставку восстановления в этом случае.

Функция кредитования делится на четыре этапа:

· организация;

· фондирование;

· обслуживание;

· мониторингPrinciples for the Management of Credit Risk [Электронный ресурс] / Basel Committee of Banking Supervision Basel // Bank of International Settlement -- Basle, 2000. -- 30 p. -- Режимдоступа: http://www.bis.org/publ/bcbs75.pdf -Загл. сэкрана. .

На первом этапе производится анализ кредитоспособности заемщика, второй этап предусматривает предоставление кредита, третий - сбор выплат по процентам и по номиналу кредитного займа, а этап мониторинга характеризуется контролем над состоянием заемщика, стоимостью его активов и долга. Задача работников кредитного отдела банка на этапе мониторинга состоит в прогнозировании возможных потерь по кредитам и установление лимитов на допустимые потери по кредитам. Именно на первой и последней стадиях кредитования, во время первичного кредитования и мониторинга, оказывается чрезвычайно важно обладать знаниями о характеристиках заемщика. На данном этапе на помощь приходит модель пяти параметров кредитоспособности (пять C):

· Способность генерировать потоки (cashflow);

· Обеспечение (collateral);

· Капитал (capital);

· Условия (conditions);

· Характер (character).

Иначе говоря,модель пяти параметров кредитоспособности основана на аналитическом заключении банка. Банкир должен быть уверен, что, во-первых, компания генерирует адекватное движение денежных средств, чтобы обслуживать запрошенный долг, во-вторых, имеется достаточное количество средств для покрытия суммы кредита в качестве вторичного источника погашения (обеспечение), если компания потерпит неудачу, в-третьих, в компании достаточно капитала, чтобы выдержать неблагоприятное событие и обеспечить обязательство компании, в-четвертых,деятельность компании в бизнес среде (условия) не представляет каких-либо существенных рисков, и в-пятых, владельцы и руководство компании имеют моральную репутацию людей (характер), которым можно доверять и на слова которых можно положиться.

Почему для банка важно оценивать кредитный риск и финансовое состояние заемщика?

Чаще всего, основную часть активов банка образуют выданные им кредиты. При осуществлении данной деятельности банк сталкивается с риском невозврата кредита. Здесь и возникает кредитный риск, который измеряется в неуверенности кредитора в том, что заемщик погасит кредит. Умение контролировать функцию кредитования, и выдача максимального количества качественных кредитов позволяют банку избежать финансовых трудностей, связанных с его основной деятельности.

Рассмотрим две крайние ситуации. Если бы банк выдавал кредиты всем нуждающимся в финансировании заемщикам, убытки от невозвращенных ссуд были бы огромными. Таким образом, банку необходимо проводить анализ кредитоспособности заемщика и решить, стоит ли одобрять кредит того или иного заявителя. Разумеется, полностью обезопасить себя от невозврата кредитов банку не представляется возможным, однако проведение анализа состояния потенциального заемщика помогает банку избежать совершение ошибки, именуемую в статистике, «ошибка первого рода». Такая ошибка допускается, когда банк выдает кредит компании, которая с большой долей вероятности потерпит дефолт. В то же время, в погоне за первоклассными заемщиками банк рискует допустить «ошибку второго рода», то есть не предоставить кредит той компании, которая с большой долей вероятности его погасит. Если большое количество ошибок второго рода, допускаемые банком, приведет к большим издержкам упущенных возможностей, то большое количество ошибок первого рода выведет банк из конкурентной борьбы в сфере финансовых услуг. В таблице 4 приведена матрица решений банка о кредитовании.

Матрица решений о кредитовании

Источник:таблица составлена автором книги Синки Дж. Финансовый менеджмент в коммерческом банке и в индустрии финансовых услуг/Джозеф Синки - мл. Пер. с англ. М.: Альпина Паблишер, 2017 - 472 с.

Кредитный анализ представляет собой изучение финансовой отчетности и финансовой истории компании, изъявившей желание получить средства в кредит. Платежеспособность клиента определяется наряду со степенью финансовой устойчивости, вероятностью погашения обязательств по займу перед банком и, как следствие, необходимостью обеспечения или гарантий. По результатам анализа делается заключение о риске дефолта заемщика и прибыльной для банка ставке по кредиту.

На первом этапе принимается решение о кредитовании, выдавать кредит или нет. Главной целью данного этапа является поиск соответствия риска кредитного портфеля прибыльности, получаемой банком. В случае высокой требовательности банка к качеству кредитов их объем будет достаточно маленьким, а также пострадает объем клиентской базы, снизится возможность реализовывать другие финансовые услуги, как следствие, снизится выручка банка. С другой стороны, слишком низкие требования к качеству кредитов приведут к нейтрализации выгод от широкой клиентской базы и многочисленных возможностей продаж финансовых сервисов убытками от невыплаченных или не полностью выплаченных кредитных займов.

На втором этапе осуществляется идентификация проблемных кредитов. В ходе анализа информации о финансовом состоянии заемщика кредитный отдел банка определяет займ в группу, соответствующую его кредитному риску. Кредитам, по которым осуществляется подобного рода мониторинг, может быть присвоен статус беспроблемного, проблемного и нуждающегося в дополнительной информации и анализе.

На третьем этапе проводится работа с проблемными кредитами. Если по результатам предыдущих этапов кредит признан проблемным, осуществляется дополнительная работа с информацией о заемщике, чтобы определить действия по данному займу. В данном случае банк принимает решение, которое способствовало бымаксимизации его чистой приведенной стоимости, будь то ликвидация обеспечения или привлечение заемщика к судебным разбирательствамСинки Дж. Финансовый менеджмент в коммерческом банке и в индустрии финансовых услуг/Джозеф Синки - мл. Пер. с англ. М.: Альпина Паблишер, 2017 - 472 с..

Данная работа призвана выявить, является ли наличие облигаций, выпущенных компанией-заемщиком, сигналом для определения его кредитного риска. В свою очередь, для выявления данной взаимосвязи необходимо выбрать модель, на основе которой будет оцениваться кредитный риск компании, предварительно изучив основные классы моделей оценки кредитного риска и вероятности дефолта.

2.2 Модели оценки кредитного риска и вероятности дефолта

Структурные модели рассматривают стоимость всех акций компании в качестве call-опциона на активы компании, где обязательства компании приравниваются к ценестрайк. Основу данной модели заложили Ф. Блэк и М. Шоулз, предложившие модель ценообразования опционов. Р. Мертон же продолжил идею, положенную Блэком и Шоулзом, и принял кредиторскую задолженность за требование, которое может быть обращено на ее стоимость. Далее он использовал формулу Блэка-Шоулза для вычисления риска дефолта компанииBlackF., ScholesM., 1973. The pricing of options and corporate liabilities. The Journal of Political Economy, Vol. 81, No. 3 (May -- Jun.), pp. 637-654. . Другими словами, модель расценивает кредит как покупку активов компании у держателей ее акций, одновременно с этим происходит передача им call-опциона на данные активы, где страйк ценой будет стоимость займа, а срок погашения будет равен сроку выдачи кредитаMerton R.C., 1974. On the pricing of corporate debt: the risk structure of interest rates. Journal of Finance, Vol. 29, No. 2, (May), pp. 449-470. . Таким образом, если стоимость активов в момент времени tобозначить как V_T, а номинальную сумму долга, требуемую кредиторами в момент времени T, обозначить D, то получаемая кредиторами сумма может быть описана следующим образом. Если сумма долга полностью покрывается активами компании, т.е. V_T ? D, то кредиторы получат выгоду, равную V_T - D. Однако если сумма долга не обеспечена активами компании, то кредиторы получают нулевую ценность. Большим недостатком данной модели является предположение, что компания имеет единственный долг, и вся сумма выплачивается единовременно, то есть не берутся в расчет промежуточные процентные выплаты.

Еще одним распространенным видом рыночных моделей оценки вероятности дефолта являются модели сокращенных форм. Они заключаются в том, что вероятность дефолта - величина непрерывная и ее значение привязано к изменению рыночной стоимости компании. Их применение требует наличие информации о текущей стоимости долга заемщика и спрэдах доходности по этим обязательствам по сравнению с безрисковой ставкой. Важно отметить, что данная модель не выявит конкретных факторов, повлиявших на банкротство компании. Модели сокращенной формы, основанные на исследованиях Мертона, были детально проработаны Робертом Джерроу и Стюартом Тернбуллом, где они предложили способ ценообразования и хеджирования деривативов, которым характерно наличие кредитного риска, при условии, что функция дефолта непрерывна и случайна Jarrow R.A., Turnbull S., 1995. Pricing derivatives on financial securities subject to credit risk. Journal of Finance, Vol. 50 (March), pp. 53-85 .

Несмотря на все недостатки рыночных моделей, связанных с недостатком информации и ограничениями применения данных инструментов оценивания риска дефолта, структурные модели дали толчок в развитии известного программного сервиса CreditMonitor корпорации KMV, которым пользуется одно из ведущих рейтинговых агентств в мире Moody's. Данная модель предусматривает 4 шага оценки кредитного риска фирмы, разместившей свои акции на рынке.

Первым шагом является расчет критической точки дефолта, как правило, это сумма краткосрочных и половины долгосрочных обязательств фирмы. Затем принимается утверждение, что наступление дефолта имеет место тогда, когда рыночная цена активов становится ниже установленной критической точки.

Вторым шагом определяется стоимость и волатильность капитала, а потом и активов компании.

Затем, третьим этапом высчитывается, так называемое, расстояние до дефолта, что равняется количеству стандартных отклонений до точки дефолта. Так, определяется предельное падение стоимости активов до момента объявления компании банкротом.

Четвертый шаг - это определение ожидаемой частоты дефолта на базе данных системы CreditMonitor. Эта частота показывает долю фирм, имеющих одинаковое расстояние до дефолта и объявивших дефолт в рассматриваемый период. За счет этого прогнозируется дефолт и для других компаний.

Чем хорош такой подход, так это его предсказательной силой, ведь он позволяет предвидеть изменение рейтинга за 6-18 месяцев, при этом вероятность дефолта - величина непрерывная и ее значение привязано к изменению рыночной стоимости компанииCreditMonitorTM Specifications, 1999 / [Электронныйресурс] - Режимдоступа: http://www.kmv.com/ .

2.2.2 Модели на основе фундаментальных показателей

Для начала рассмотрим модели на основе макроэкономических показателей. Их существование обусловлено предположением, что вероятность наступления дефолта заемщиков банка имеет циклический характер и имеет тенденцию к возрастанию во время экономического спада. В большинстве случаев этот класс моделей использует регрессионный анализ, включающий макроэкономические показатели, например, такие как ВВП, курс национальной валюты, уровень безработицы и инфляции и другие. Здесь существует возможность получить две оценки вероятности дефолта: долгосрочную и краткосрочную. Первая из упомянутых оценка называется Through The Cycle estimation (TTC) и показывает уровень риска банкротства на протяжении целого экономического цикла. Вторая же оценка называется Point In Time estimation (PIT) и отражает вероятность дефолта, изменяющуюся вслед за изменением состояния экономики International Convergence of Capital Measurement and Capital Standards, Comprehensive Version. Basel Committee on Banking Supervision / [Электронныйресурс] - Режимдоступа: http://www.bis.org/publ/bcbsc111.htm. Внутри данного класса моделей можно выделить модели, в основе которых лежат внешние и внутренние факторы.

Идея макроэкономических моделей на основе внешних факторов состоит в том, что макроэкономические показателиявляются заданными вне модели. Распространенным представителем данного класса моделей является модель УилсонаWilson T., 1997. Portfolio Credit Risk: part II. Risk Magazine, October, pp. 56-61. , продолжением которой стала программа CreditPortfolio View, разработанная консалтинговой компанией McKinsey & Co для оценки кредитного риска.

Традиционно, заемщиков делят по признаку принадлежности к определенной отрасли, в которой они ведут свою деятельность. Величина каждого фактора: ВВП, курса, инфляции, безработицы и т.д., определяется с помощью авторегрессии. Риски по каждой индустрии затем объединяются и при помощи метода Монте Карло генерируются убытки от дефолта по всем сегментам, максимальные потери по методологии VaR (ValueatRisk). Таким образом, данная модель незаменима при оценке риска дефолта по портфелю инструментов, которые в большей степени чувствительны к изменениям в экономике и экономическим циклам. Тем не менее, у данной модели существует значительный минус: она не предусматривает определение риска дефолта по отдельно взятой компании, поскольку анализ проводится на отраслевом уровне.

Основное предположение макроэкономических моделей на основе внутренних факторов состоит в обратной связи между вероятностью дефолта заемщика и макроэкономическими показателями. К примеру, произошло снижение дохода компании, что привело к сокращению ее инвестиционных возможностей, а это, в свою очередь, отрицательно повлияло на показатель ВВП. Среди распространенных моделей данного класса модели Хоггарта, Соренсена и Зикчино (2005), Алвеса (2005), Трои?тлера и Ваи?нера (2006), которые основаны на построении векторной авторегрессии, включающей эндогенные переменные вероятности дефолта и состояния экономики Chan-Lau J.A., 2006. Fundamentals-based estimation of default probabilities: a survey/ [Электронныйресурс] - Режимдоступа: http://ideas.repec.org. Данные модели проявили себя на практике в системе стресс-тестирования риска наступления дефолта компаний банковского сектора под названием Financial Sector Assessment Programme, FSAP, разработанной Мировым банком и Международным валютным фондом. В результате был одобрен документ по оценке стабильности финансового сектора Financial Sector Stability Assessment, FSSA и утверждены на модельном уровне основные показатели финансовой устойчивости кредитных организаций и системных рисков банковского сектора в целом, которые называются Financial Soundness Indicators, FSI.

Макроэкономические модели обладают следующими весомыми преимуществами. Во-первых, данные модели позволяют учитывать циклический характер вероятности дефолта заемщика и сделать это в долгосрочной перспективе. Во-вторых, они применимы для тестирования других моделей оценки риска дефолта на значимость. В-третьих, для оценки вероятности дефолта с помощью макроэкономических моделей используется доступная информация по показателям, что позволяет производить оценку риска банкротства компаний в разных географических локациях.

В то же время, большим недостатком макроэкономических моделей является то, что их применение предполагает использование показателей, относящихся к одному бизнес-циклу, точное определение которого весьма затруднительно. К тому же, как уже было упомянуто, данные модели не позволяют оценить риск дефолта конкретного заемщика.

Модели,используемые рейтинговыми агентствами, получили широкое распространение на практике. Основоположником данного класса моделей можно считать Тамари, который присваивал баллы от 0 до 100 в зависимости от показателей, входящих в модель, а также весовые коэффициенты в зависимости от важности показателя. Количество баллов, набранное компанией, находится в прямой зависимости от ее финансового состоянияTamari M., 1966. Financial ratios as a means of forecasting bankruptcy. Management International Review, No. 4, pp. 15-21.. В дальнейшем модель была усовершенствована включением в нее нормативных показателей.

В основе данной модели используются два подхода. Первый подход основывается на межгрупповых переходах, то есть переходах из одной группы риска в другую. В его рамках строятся матрицы перехода, которые отражают частоту, с которой выбранные фирмы переходят из одного рейтинга в другой. Вероятность дефолта здесь может рассчитываться с помощью модели, а также на основе анализа исторических данных. Эта величина вычисляется как отношение количества компаний, перешедших в группу дефолтных, к общему числу наблюдений на начало рассматриваемого периода. Результаты анализа межгрупповых переходов публикуются крупнейшими рейтинговыми агентствами мира.

В основе кредитных рейтингов международных рейтинговых агентств лежат оценки вероятности дефолта, ожидаемых потерь и следующие качественные показатели. Большое значение имеет операционная среда компании, то есть внешняя экономическая среда и ситуация на рынке (конкуренция, концентрация, регулятивная база, государственная поддержка). Особое внимание уделяется менеджменту в компании, его качеству и профессионализму, уровню развития корпоративного управления, стратегии и управлению рисками. Среди количественных финансовых показателей, влияющих на присвоение того или иного рейтинга, выделяют достаточность капитала, ликвидность, рентабельность и оборачиваемость активов. Наличие существенной корреляции между рейтингом организации и степенью ее кредитоспособности отражено в работах [BrandandReza, 1999] и [Keenan, 1999]. Таким образом, было принято решение использовать оценки рейтинговых агентств в качестве оценочного зависимого параметра для дальнейшего статистического исследования, описание которого приведено в третьей главе данной работы.

В Таблице 5 приведены относительные вероятности дефолта компаний в соответствии с присвоенными им оценками рейтинговых агентств.

Шкала оценок рейтинговых агентств

Источник: таблица составлена автором статьи Международные рейтинговые агентства // «Сравни.ру» [Электронный ресурс] - Режим доступа: https://www.sravni.ru/enciklopediya/info/mezhdunarodnye-rejtingovye-agentstva/ - Загл. с экрана - 2009-2018, а также Rating Methodology // Moody's Investors Service, 2016 Jan. - p. 110 - [Электронный ресурс] - Режим доступа: https://www.moodys.com/researchdocumentcontentpage.aspx?docid=PBC_186998

Самыми известными из рейтинговых агентств являются Standard & Poor's (S & P), Moody's & Fitch. Рейтинги представляют собой показатель относительной кредитоспособности предприятия с учетом широкого спектра факторов, таких как условия внешней среды, конкурентоспособность, качество управления и финансовая устойчивость бизнеса. В таблице 5 приведены данные по шкалам рейтингов известных агентств. Данное сравнение рейтингов важно, когда кредитные портфели включают компании, содержащие рейтинги от различных рейтинговых агентств. На основе оценок S & P: - AAA: чрезвычайно сильная способность отвечать по финансовым обязательствам - самый высокий рейтинг; АА: очень высокая способность выполнять финансовые обязательства; A: высокая способность выполнять финансовые обязательства, но несколько подвержена неблагоприятным экономическим условиям и изменениям обстоятельств; BBB: считается участниками рынка самым высоким кредитным риском среди компаний инвестиционного качества; BB: компания менее уязвима в краткосрочной перспективе, но сталкивается с существенной неопределенностью в неблагоприятных экономических условиях; B: более высокая степень уязвимости для неблагоприятных деловых, финансовых и экономических условий, но в настоящее время имеет способность выполнять финансовые обязательства; ССС: в настоящее время высокая уязвимость и зависимость от благоприятных деловых, финансовых и экономических условий для выполнения финансовых обязательств; CC: очень незащищенное финансовое состояние; C: крайняя уязвимость и высокий риск дефолта, а также присутствуют другие неблагоприятные обстоятельства; D: дефолт по финансовым обязательствам.

Второй распространенный подход моделей на основе данных рейтинговых агентств - подход на основе дюрации. Он предусматривает постепенный процесс наступления банкротства вместо рассмотрения результата на конец временного периода.

Положительными аспектами моделей на основе данных рейтинговых агентств являются их простота и высокая предсказательная сила на момент оценки.

Однако не все компании обладают рейтингом специализированных агентств. Даже если у компании-заемщика существует присвоенный ей рейтинг, то данная оценка может не отражать действительности в силу временной задержки оценки кредитоспособности компании рейтинговыми агентствами.

Модели на основе показателей бухгалтерской и финансовой отчетности

Большой популярностью для оценки кредитоспособности заемщика пользуются модели, которые базируются на данных финансовой отчетности компании. Среди них можно выделить скоринговые модели, которые используются банками для первичного анализа большого количества потенциальных заемщиков, модели дискриминантного анализа, а также бинарные модели.

Модель кредитного скоринга -- это инструмент, который обычно используется в процессе принятия решений о предоставлении или отклонении кредита. Модель кредитного скоринга является результатом статистической модели, которая основывается на информации о заемщике, позволяет различать «хорошие» и «плохие» кредиты и давать оценку вероятности дефолта. Скоринг активно применяется в банковской деятельности при анализе однородных кредитных портфелей. По сравнению с первоначальным прототипом, созданным американским ученым Дэвидом Дюраном в середине прошлого века, сегодняшние скоринговые модели включают и анализируют гораздо большее количество характеристик заемщика, нежели его пол, возраст, достаток и профессия.Gurnэ P., Gurnэ M., 2013. Comparison of Credit Scoring Models on Probability of Default Estimation for US Banks. Prague Economic Papers, 2, pp. 163-175..

Самой распространенной моделью оценки риска дефолта компании методом множественного дискриминантного анализа является модель Альтмана. В своей работеAltman E.I., 1968. Financial ratios. Discriminant analysis, and the prediction of corporate bankruptcy. Journal of Finance, September No. 4. pp.589-609. «Financialratios. Discriminantanalysis, andthepredictionofcorporatebankruptcy» он исследовал 66 американских производственных компаний с 1946 по 1965 год и вывел Z-дискриминант, который позволяет отнести компании к банкротам или не банкротам. Достоинство множественного дискриминантного анализа состоит в том, что он рассматривает весь профиль параметров, присущих фирме, а также их взаимодействие. Дискриминантная функция преобразует значение переменных в один дискриминантный балл, или значение Z, которое затем используется для классификации компаний. Функция, полученная Альтманом, имеет следующий вид:

Где Z - результирующее значение дискриминанта, X1 -- доля чистого оборотного капитала в сумме активов, X2 -- доля нераспределенной прибыли в общей сумме активов, X3 -- доля прибыли до уплаты процентов и налогов в активах, X4 -- отношение собственного капитала к объему обязательств, X5 -- доля выручки в общих активах. Таким образом, переменные представляют пять категорий стандартных коэффициентов, включая ликвидность, доходность, леверидж, финансовую устойчивость и оборачиваемость.

На основе значения Z-scoreАльтман делал вывод о риске дефолта компании. Если значение дискриминанта Z>2,9, то компания попадает в зону финансовой устойчивости и вероятность банкротства крайне мала. Если результирующее значение в интервале от 1,8 до 2,9, то точно определить компанию в какую-либо группу не представляется возможным, это так называемая серая зона. И наконец, компания относится к группе потенциальных банкротов, если значение ее Z-дискриминанта меньше 1,8.

Огромным преимуществом модели Альтмана является ее высокая точность прогнозирования (до 70% верно предсказанных дефолтов за пять лет).

В данном подклассе моделей также целесообразно рассмотреть модель Д. Чессера, которая направлена не только на выявление потенциального дефолта, но и любых отклонений от договора между кредитором и заемщиком. Чессер исследовал 74 банковских кредита, равное количество которых принадлежало группам хороших и плохих заемщиков, то есть тех, кто полностью и не в полной мере выполнил условия договора, соответственно. На основе анализа показателей финансовой отчетности автор вывел следующую модель.

Где X₁ - (Денежные средства + Быстрореализуемые ценные бумаги) / Совокупные активы, X₂ - Нетто-продажи / (Денежные средства + Быстрореализуемые ценные бумаги), X₃ - Брутто-доходы / Совокупные активы, X₄ - Совокупная задолженность / Совокупные активы, X₅ - Основной капитал / Чистые активы, X₆ - Оборотный капитал / Нетто-продажи.

При этом если значение дискриминанта ? 0,5, то компанию относят к плохим заемщикам и наоборотChesser D., 1974. Predicting loan noncompliance. The Journal of Commercial Bank Lending, August, pp. 28-38. . Модель Альтмана оценивает угрозу банкротства фирмы, в то время как модель Чессера направлена на выявление риска любого отклонения от первоначальных договоренностей банка и заемщика, это объясняет тот факт, что большинство значимых переменных в данных моделях отличаются. Данные модели позволяют без больших затрат времени и вычислительных сил провести анализ большого количества компаний и выявить проблемы на ранней стадии их возникновения.

Наконец, третий вид моделей на основе показателей финансовой отчетности - это модели бинарного выбора, logit-иprobit-модели, в основе которых лежит не линейная, а логистическая регрессия. Отличия заключаются в различных распределениях вероятности дефолта и в видах функциональной зависимости характерных для фирмы показателей и риском дефолта. В рамках данных моделей на первом этапе выявляются важные показатели кредитоспособности компании-заемщика, а на втором этапе оценивается вероятность банкротстваКарминскии? А.М., Пересецкии? А.А., Петров А.Е. Реи?тинги в экономике: методология и практика: Монография / Под ред. А.М. Карминского. -- М.: Финансыистатистика, 2005. . Таким образом, модели бинарного выбора предполагают два типа переменных: комбинация независимых показателей и зависимая переменная, показывающая, к какой группе следует отнести заемщика.

Существуют некоторые отличия данных моделей от моделей, основанных на мультипликативном дискриминантном анализе,к примеру, от модели Альтмана.Logit-модели предполагают получение точной оценки вероятности дефолта, которая принадлежит интервалу от 0 до 1. Однако, как и в моделях дискриминантного анализа, логистические модели рассматривают банкротство как событие, наступающее одномоментно, а не в течение определенного времени. Здесь важно помнить, что логистическая модель чувствительна к мультиколлинеарности, то есть к наличию линейной зависимости между объясняющими факторами, и результаты могут искажатьсяOhlsonJ.A., 1980. Financial ratios and the probabilistic prediction of bankruptcy. Journal of AccountingResearch, Vol. 18, No. 1, pp. 109-131. . Данная модель не получила широкого распространения в России, так как нуждается в адаптации к внешним условиям, что обусловлено проведением данных исследований исключительно на развитых зарубежных рыках. Более того, большое количество рассмотренных моделей не берут во внимание специфику отрасли. Данный аспект в работе будет рассмотрен позже, когда результаты статистического исследования покажут, есть ли различия в значимости различных переменных в рамках выбранной модели.

Что касается класса моделей на основе данных бухгалтерской отчетности в целом, то основным преимуществом является доступность информации, поскольку любая компания-заемщик ее может предоставить. Главное, чтобы информация была достоверной, это повысит точность прогноза кредитоспособности компании.

2.2.3 Современные подходы к оценке кредитного риска заемщика

Сравнительно новым витком в развитии оценивания вероятности дефолта заемщика стали модели, использующие непараметрические методы. Показательность результатов применения непараметрических подходов к оценке дефолта подтверждена исследованиями, например, Галиндо и Тамай Bank for International Settlements, Credit Risk Modeling: Current Practices and Applications. -- www.bis.org/publ/bcbs49.htm. .

Модель нейронных сетей базируется на компьютерных алгоритмах, не выделяя при этом лучшую модель, а используя метод многочисленных проб Bigus J.P., 1996. Data mining With Neural Networks: Solving Business Problems from Application Development to Decision Support. McGraw-Hill, Inc., Hightstown, NJ. . Еще одним новым методом прогнозирования потерь по займам является концепция VaR (ValueatRisk). Данная величина показывает максимальный размер убытков на заданный период при определенном доверительном уровне Гальперин, Ф. Практика применения VaR-методологии для оценки и управления кредитным риском в «Альфа-Банке» / Ф.Гальперин, А. А. Бобышев, Я. В. Мищенко // Управление финансовыми рисками. -- 2005. -- No 2. -- С. 2-10.. Особый интерес при оценке вероятности дефолта был проявлен к методу нечеткой логики. С помощью нечетких экспертных оценок компании распределяются по группам в соответствии с уровнем риска. Вероятность дефолта заемщика вычисляется на основе треугольного нечеткого числа, отражающего наихудший, средний и наилучший результатыБородин А. И., Стрельцова Е. Оценивание инвестиционной привлекательности инновационных проектов на основе нечеткой логики // Прикладная информатика. 2013. № 4(46). С. 19-28..

Фаворитом среди моделей оценки дефолта в страховом деле является модель Крамера-Лунберга. Она берет за основу, что момент наступления страхового события есть величина, распределенная по закону Пуассона, а выплаты являются независимой неотрицательной величиной с определенной функцией распределения. Данная модель призвана решить одну из важнейших задач страхового бизнеса в области страхования кредитного риска - назначение цены страхового контракта, которая гарантировала бы стабильность и финансовую устойчивость страховщика.

Применение данного класса моделей требует внушительных затрат времени. Тем не менее, множество экспертов считают их неоправданными. Так, Альтман в своей исследовательской работе показал, что предложенный им дискриминантный анализ на основе финансовых показателей позволяет оценивать риск дефолта точнее, чем модель на основе нейросетей Altman E.I., Marco G., Varetto F., 1994. Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking and Finance, Vol. 18, No. 3.

Основные преимущества и недостатки описанных выше моделей оценки кредитного риска приведены в сводной таблице 6.

Преимущества и недостатки моделей оценки дефолта

Источник: рисунок составлен автором статьи Тотьмянина К. М.Обзор моделей вероятности дефолта, Управление финансовыми рисками // Журнал Высшей школы экономики, 2011 - с. 12-24.

2.3 Выбор модели оценки кредитного риска для статистического исследования

По результатам проведенного анализа моделей оценки финансовой устойчивости компаний, в качестве базовой модели была выбрана модель Альтмана, основанная на методе МДА и на показателях финансовой отчетности. Выбранная модель характеризуется высокой предсказательной силой, а также является привлекательной ввиду доступности информации о финансовых показателях анализируемых компаний. Она часто используется в исследованиях, как на западных развитых рынках, так и на развивающихся рынках Азии.

Например, в работе [Sanesh, 2016]Sanesh, C., 2016. The analytical study of Altman Z score on NIFTY 50 Companies. IRA- International Journal of Management & Social Sciences, Vol. 3 No 3., 2016 - [Электронныйресурс] - Режимдоступа: https://research-advances.org/index.php/RAJMSS/article/view/195 с помощью Z дискриминанта Альтмана были оценены 50 индийских компаний, исключая банки и финансовые компании. Модель была использована для оценки вероятности дефолта компаний во время финансового кризиса, исходя из текущей финансовой статистики компании. Аналогичный метод оценки риска дефолта был использован в работе [Kumari, 2013]Nilanjana Kumari, 2013. Evaluation of Financial Health of MMTC of India: A Z Score Model // European Journal of Accounting Auditing and Finance Research Vol.1 No. 1, March 2013, pp.36-43 , где автор попытался предсказать банкротство крупнейшей индийской компании MMTC, экспортирующей природные ископаемые. Он пришел к выводу, что общее финансовое состояние MMTC является хорошим, и компания имеет благоприятные условия для инвестирования.

В работе [Хасанов, Каштанов, Маргарян, 2013] ХасановР., КаштановН., Маргарян Л., 2013, Модель Оценки Вероятности Банкротства Э. Альтмана: Применимость в Российской Федерации и использование при рейтинговой оценке кредитоспособности // Вестник Финансового Университета [Электронный ресурс] - Режим доступа:https://cyberleninka.ru/article/v/model-otsenki-veroyatnosti-bankrotstva-e-altmana-primenimost-v-rossiyskoy-federatsii-i-ispolzovanie-pri-reytingovoy-otsenke была проверена и доказана гипотеза о применимости модели Э. Альтмана в условиях российского рынка. Точность оценки была определена на уровне 93%, а граница высокой вероятности наступления банкротства для российских компаний была снижена до Z = 1,23 по сравнению с 1,8, предложенной непосредственно Альтманом.

Таким образом, для дальнейшего исследования была выбрана модель Альтмана, поскольку она позволяет с высокой точностью определить риск дефолта, используя доступную информацию о финансовых показателях компаний.

Выводы по второй главе

В данной главе был проанализирован кредитный риск как основной риск, возникающий в операционной деятельности банка. Кредиты являются основным активом банка, и перед тем, как принять решение о кредитовании, банку необходимо всесторонне изучить кредитоспособность компании-заемщика, ее кредитную историю, финансовое состояние и т.д. Распространенным методом определения финансовой устойчивости потенциального заемщика является использование моделей оценки вероятности дефолта. Так, в данной работе были рассмотрены основные классы моделей оценки риска банкротства компаний и проанализированы их преимущества и недостатки.

Как итог, была выбрана модель для проведения дальнейшего исследования на предмет наличия взаимосвязи между облигационными выпусками компании и ее кредитным риском. Также, важно заметить, что в статистическом исследовании в качестве зависимой переменной использованы кредитные рейтинги, присвоенные рейтинговыми агентствами. Поскольку в основе кредитных рейтингов лежат оценки вероятности дефолта, ожидаемых потерь и некоторые качественные показатели компании-заемщика, то рейтинги могут быть включены в модель в качестве показателей кредитного риска компании.

Глава 3. Эмпирическое исследование взаимосвязи наличия корпоративных облигаций и кредитного риска заемщика

3.1 Выдвижение гипотез и формирование выборки

Для выполнения цели и задач, поставленных в данной работе, была рассмотрена относящаяся к исследованию информация об американских компаниях. Данный рынок корпоративных облигаций является наиболее развитым и обладает достаточным количеством информации для осуществления данного исследования.

На первом этапе эконометрического анализа стояла задача выявить, действительно ли компании, выпускающие облигации имеют меньший показатель риска дефолта, чем компании, не прибегающие к финансированию за счет публичного долга. В соответствии с этим была выдвинута первая гипотеза.

Гипотеза №1. Среднее значение риска дефолта (Z-score) компаний-эмитентов больше среднего значения риска дефолта компаний, не выпускающих облигации.

Напомним, что согласно модели Альтмана, чем выше значение результирующего фактора, тем ниже вероятность банкротства.

Для проверки данной гипотезы была использована модель Альтмана, основанная на методе мультипликативного дискриминантного анализа. Функция зависимости дискриминанта от пяти факторов выглядит следующим образом:

Данные показатели по двум группам компаний, являющихся и не являющихся эмитентами облигаций, использованы для проверки гипотезы о равенстве средних. Их описание приведено в Таблице 7.

Первоначально были взяты все компании, выпускающие облигации и не выпускавшие облигации. Все показатели, использованные при проверках гипотез, были получены из годовых отчетов компаний, а также из базы данных Thomson&Reuters. Количество компаний-эмитентов составило321, а число компаний, не производивших облигационные выпуски, - 602. Число компаний изначально составляло 364 и 1143, соответственно, а затем было сокращено ввиду отсутствия информации по некоторым переменным и за счет выявления выбросов.

Описание переменных, использованных в моделях

Источник: таблица составлена на основе данных статьи AltmanE.I., 1968. Financial ratios. Discriminant analysis, and the prediction of corporate bankruptcy. JournalofFinance, SeptemberNo. 4. pp. 589-609.

Для проведения второй части исследования в состав выборки были включены только те компании, которые выпускают облигации. В качестве результирующего фактора был выбран рейтинг, присвоенный компании агентствами Moody'sи Standard&Poors. Для приведения данной переменной к числовому виду рейтинги были проранжированы с шагом 1 от 0, что соответствует самому низкому рейтингу D, до 20, что характеризует наилучший рейтинг AAA.В качестве дополнительных независимых переменных, относящихся к выпуску корпоративных облигаций, были выбраны максимальная (присущая данной компании) доходность облигаций к погашению (), отношение общей суммы всех выпусков на рассматриваемый моментк чистым активам () и количество выпусков эмитента (). Количество эмиссий, проведенных компаниями, было прологарифмировано для приведения распределения к нормальному. Принадлежность определенной отрасли была выражены через переменную (IND). Введение переменной, которая отражает принадлежность отрасли, нужно для того, чтобы понять, отличается ли уровень кредитного риска в зависимости от индустрии.

Здесь были выдвинуты следующие гипотезы.

Гипотеза №2. Имеется отрицательная взаимосвязь между максимальной доходностью к погашению по облигациям и кредитным рейтингом компании.

Гипотеза №3. Имеется положительная взаимосвязь между количеством облигационных выпусков и кредитным рейтингом компании.

Гипотеза №4. Имеется отрицательная взаимосвязь между долей суммы выпуска в чистых активах и кредитным рейтингом компании.

Гипотеза №5. Имеется взаимосвязь между отраслью компании-эмитента и ее кредитным рейтингом.

В качестве базовой модели, использованной на данном этапе эконометрического исследования, для выявления факторов,влияющих на кредитоспособность компании-эмитента, была выбрана следующая регрессионная модель.

В модели использованы следующие обозначения: под следует понимать случайные величины в модели, подподразумевается неизвестная скалярная величина (константа), коэффициенты перед количественными переменными модели обозначены через .

Для выявления взаимосвязи отрасли и кредитного рейтинга и анализа различий влияния дополнительных факторов модели были выделены следующие отрасли, сформированные в три группы по характеру деятельности:телекоммуникационные компании и компании, предоставляющие услуги в области программного обеспечения и информационных технологий, обозначенные цифрой 1, составляющие компании, важную роль в деятельности которых играет интеллектуальный капитал; затем металлургическая, горнодобывающая и химическая промышленность, которые представляют группу капиталоемких отраслей и были обозначены цифрой 2; сектор розничной торговли (в том числе продовольствие и лекарства), которому присвоен ранг 3. Всего было исследовано 321 компания-эмитент, по 103, 110, 108 в каждой группе, соответственно. Список наиболее крупных компаний-эмитентов, участвовавших в формировании выборки, приведен в Приложении 10.

3.2 Эконометрический анализ

В первую очередь в рамках выявления существенной разницы между кредитоспособностью выпускающих и не выпускающих облигации компаний были посчитаны средние величины дискриминанта Z согласно модели Альтмана. Для указанных двух групп они равны 1,47 и 0,85, соответственно. Затем для проверки гипотезы о равенстве полученных средних значений был использован один из методов проверки статистических гипотез, t-критерий Стьюдента для двух выборок с неравными дисперсиями. Данный тест показал, что абсолютное значение статистики превышает критическое значение данного распределения при 95% уровне значимости. Это означает, что нулевая гипотеза о равенстве средних отвергается. Мы можем утверждать, что значение кредитного риска компаний-эмитентов, рассчитанный по модели Альтмана, выше соответствующего уровня для компаний, не выпустивших облигации. Таким образом, первая гипотеза подтверждается. Результаты теста, проведенного в программе Stata, приведены в Приложении 1.

Описательная статистика переменных

Далее эконометрическое исследование основывалось исключительно на компаниях, выпускающих облигации. В Таблице 8 приведена описательная статистика как переменных базовой модели, так и предложенных новых переменных, связанных с характеристиками выпуска облигаций.

Затем была построена корреляционная матрица для того, чтобы включение новых переменных в модель было статистически оправданным. Полученные значения выборочных коэффициентов корреляции оказались меньше 0,7 по модулю, что говорит об отсутствии сильной корреляции между объясняющими факторами (Приложение 2). Это позволяет перейти к следующему шагу построения регрессионной модели.