Размещено на http://allbest.ru

Введение

моделирование дефолт банк риск

Актуальность темы исследования

На сегодняшний день кредитный риск, в частности способы его оценки, являются одними из наиболее динамично развивающихся предметов научного исследования. Действительно, нахождение эффективных способов по оценке данного типа риска, и возможность его минимизации не только важны для самих регуляторов банковской системы, но и для всех участников рынка. Как отмечает Рихтер в своей работе, и Центральный банк и другие финансовые регуляторы заинтересованы в разработке моделей по оценке кредитного риска для всего банковского сектора в целом (Richter, 2007).

При этом, согласно отчету о развитии банковского сектора и банковского надзора ЦБ РФ, кредитный риск в РФ большей частью определяется качеством кредитного портфеля кредитов, выданных корпоративным заемщикам. Действительно, по состоянию на январь 2015 г. доля именно корпоративных кредитов составила 57% от общего объема кредитования (Отчет о развитии банковского сектора и банковского надзора, 2015). Помимо этого, в данном отчете была также упомянута следующая статистика в отношении кредитов, выданных корпоративным заемщикам банка: так, за 2014 г. доля общей задолженности по корпоративным кредитам выросла на 33,9% при том, что общий рост объема выданных корпоративных кредитов составил 31,3%. Доля же просроченной задолженности в отношении кредитов, выданных корпоративному сектору, была равна 4,2% от общего объема корпоративного кредитования, и как было отмечено в отчете, не претерпела существенных изменений.

Значительную долю в удельном весе просроченной задолженности в кредитном портфеле банков занимали предприятия оптовой и розничной торговли по состоянию на 2014 г. [Рисунок 1]. Как видно из Рисунка 1, предприятия оптовой и розничной торговли входят в тройку индустрий, доля просроченной задолженности которых является самой высокой в процентном значении. Так, помимо отрасли оптовой и розничной торговли, к данным экономическим отраслям относятся строительство и сельское хозяйство, охота и лесное хозяйство.

Рисунок 1. Удельный вес просроченной задолженности в кредитном портфеле банков в разрезе видов деятельности ссудозаемщиков на 01.01.2015, %

Источник: Банк России. Отчет о развитии банковского сектора и банковского надзора. 2015. с. 33

Таким образом, оценка кредитного риска - это значимая составляющая деятельности банковского сектора РФ, в частности в отношении корпоративного кредитного портфеля банков. При этом, одним из главных компонентов оценки данного типа риска является вероятность дефолта (Probability of Default, PD). Данный компонент кредитного риска был впервые представлен в документе Базельского комитета по банковскому надзору (БКБН), Базель II в отношении оценки кредитного риска с учетом внутренних рейтингов (Internal Ratings - Based Approach). Так, согласно данному документу, расчёт значения показателя PD является ключевым для осуществления полноценной оценки кредитного риска. При этом процесс внедрения стандартов Базеля II, начался еще в 2004 г. и продолжается по сегодняшний день. На основании этого можно заключить, что в скором времени всем российским банкам необходимо будет самостоятельно рассчитывать такой компонент кредитного риска как вероятность дефолта корпоративных заемщиков, и значительно совершенствовать подходы по оценке кредитного риска.

На сегодняшний день существует множество методик по расчету PD. При этом необходимо отметить, что данные методики разрабатываются и существенно более развиты в зарубежных банковских системах, в то время как в банковской системе РФ находят применение часть зарубежных методик, но в силу как институциональных, так и экономических различий между странами, данные методики, хоть и адаптируются к особенностям банковской системы РФ, но, тем не менее, не дают достаточно точные результаты в отношении оценки вероятности наступления дефолта.

Таким образом, на основании всего вышесказанного можно еще раз подчеркнуть несомненную значимость кредитного риска для всего банковского сектора РФ, в частности важность его точной оценки. При этом, внимание должно быть больше уделено именно корпоративным заемщикам банков, т.к. именно они занимают больший удельный вес в общем кредитном портфеле ЦБ РФ, а также немаловажным является и то, что доля просроченной задолженности по этим кредитам растет, и существенную часть в ней занимают предприятия оптовой торговли.

Следовательно, разработка моделей вероятности дефолта, как одной из наиболее существенных компонент кредитного риска, корпоративных ссудозаемщиков банка, относящихся к отрасли оптовой торговли является важной и необходимой задачей, которая должна быть поставлена перед банковским сектором РФ и решена.

В рамках данной работы будет разработана модель по оценке наступления вероятности дефолта (PD) корпоративных заемщиков банков, относящихся к отрасли оптовой торговли. Расчет данного показателя является ключевым, т.к., как было отмечено ранее, его значение используется в общей оценке уровня кредитного риска в банках, в том числе и при расчете таких показателей как активы, взвешенные с учетом риска (RWA, Risk - Weighted Assets) и размера достаточности капитала банка. В качестве эмпирической стратегии была выбрана логит - модель, а также использован метод LASSO. Данные для исследования были взяты из финансовых отчетностей предприятий оптовой торговли РФ.

Цель исследования

Цель данной работы - разработка модели оценки вероятности дефолта корпоративных заемщиков банка, относящихся к отрасли оптовой торговли, на основе общедоступных данных их финансовой отчетности.

Основные задачи исследования

В рамках цели данного исследования необходимо решить следующие задачи:

i. Обозначить понятие дефолт корпоративных заемщиков банка и систематизировать факторы, идентифицирующие его наступление;

ii. Обозначить компоненты кредитного риска и систематизировать подходы по его оценке, применяемые в зарубежной и российской банковской системе;

iii. Представить классификацию моделей по оценке вероятности наступления дефолта компаний на основании их достоинств и недостатков;

iv. Представить обзор отрасли оптовой торговли с целью выявления особенностей деятельности данной отрасли для дальнейшего выявления потенциально риск - значимых показателей финансовой отчетности индустрии оптовой торговли;

v. Собрать данные финансовой отчетности предприятий отрасли оптовой торговли и создать репрезентативную выборку для целей эмпирического анализа;

vi. Выявить риск - доминирующие показатели финансовой отчетности с высокой дискриминационной способностью предсказания наступления события дефолт / не дефолт;

vii. Разработать многофакторные модели оценки наступления дефолта корпоративных заемщиков банка и сравнить их эффективность и точность оценки вероятности дефолта на тестовой выборке;

viii. Представить экономическую интерпретацию итоговым статистическим моделям.

Объект и предмет исследования

Объектом данного исследования являются предприятия оптовой торговли в РФ; предмет данного исследования - компонент кредитного риска, вероятность наступления дефолта (PD), в частности методы оценки вероятности дефолта предприятий оптовой торговли в РФ.

Теоретическая и информационная база исследования

Теоретической основой данного исследования послужили российские и зарубежные научные работы по моделированию вероятности наступления дефолта компаний. Методологию исследования составили методы описательной статистики, а также методы эконометрического моделирования, в частности метод логит - модели и метод LASSO. В качестве программного обеспечения данного исследования были использованы следующие программы: R, STATA и MS Excel.

Основной информационной базой данного исследования послужили следующие источники: информационно аналитическая система FIRA PRO; а также данные, размещенные в открытом доступе на следующих сайтах: Банка России, Федеральной службы государственной статистики, Международного валютного фонда, Министерства промышленности и торговли РФ, Банка международных расчетов.

Научные методы исследования

В рамках теоретической части данного исследования были использованы следующие методы научного анализа: обзор, систематизация, классификация и сравнительный анализ. В рамках же практической части данной работы были применены научные методы статистического анализа и эконометрического моделирования, а именно модель бинарного выбора на основе спецификации логит - модели, и метод LASSO.

Научная новизна исследования

По итогам данного исследования был предложен обзор и классификация моделей по оценке вероятности наступления дефолта с учетом их достоинств и недостатков. Был представлен обзор отрасли оптовой торговли в РФ и предложены потенциально значимые, для оценки наступления дефолта предприятий данной отрасли, финансовые показатели с учетом характера деятельности данной отрасли. С учетом доступности данных по предложенным потенциальным риск - доминирующим показателям, а также при помощи одномерного параметрического анализа были отобраны значимые с точки зрения оценки вероятности наступления дефолта компаний оптовой торговли показатели финансовой отчетности. В ходе проведения многофакторного анализа был применен метод LASSO. Были разработаны две итоговые статистические модели оценки вероятности наступления дефолта корпоративных заемщиков банка, относящихся к отрасли оптовой торговли.

Основные научные результаты исследования

По итогам данного исследования можно выделить следующие наиболее значимые научные результаты, которые, также обозначили научную новизну данной научной работы:

i. Обзор компонентов кредитного риска и систематизация подходов к осуществлению оценки данного типа риска, применяемых в зарубежной и российской банковской системе;

ii. Обзор и классификация моделей по оценке вероятности наступления дефолта компаний на основании сравнительного анализа их достоинств и недостатков;

iii. Обзор отрасли оптовой торговли в РФ с целью выявления особенностей ее деятельности, и обозначение потенциально риск - значимых показателей финансовой отчетности индустрии оптовой торговли;

iv. Разработка моделей оценки наступления дефолта корпоративных заемщиков банка на примере компаний оптовой отрасли, включая использование метода LASSO, и сравнительный анализ их эффективности и точности оценки вероятности наступления дефолта предприятий на тестовой выборке;

v. Представление экономической интерпретации итоговым статистическим моделям оценки вероятности наступления дефолта корпоративных заемщиков банка на примере отрасли оптовой торговли.

Объем и структура исследования

Данная выпускная квалификационная работа состоит из введения, трех глав, заключения, списка литературы и трех приложений. Выпускная квалификационная работа состоит из 106 страниц печатного текста, включает в себя список литературы из 47 наименований, 8 таблиц и 17 рисунков.

В первой главе описываются теоретические аспекты оценки кредитного риска корпоративных заемщиков банка. Рассмотрено определение такого понятия как дефолт, и обозначены факторы его идентификации. Также предложен обзор подходов к оценке кредитного риска в банке, применяемых в зарубежной и российской банковской системе. Наконец, рассмотрены и классифицированы, согласно их достоинствам и недостаткам, существующие на сегодняшний день модели оценки вероятности наступления дефолта корпоративных заемщиков банка. На основании данного анализа был выбран метод, который был затем применен в рамках эмпирического анализа данного исследования.

Во второй главе была рассмотрена динамика развития банковского сектора кредитования в РФ, и проанализирована роль отрасли оптовой торговли в его кредитном портфеле. Также с целью выявления потенциально значимых для оценки вероятности наступления дефолта, именно предприятий отрасли оптовой торговли, финансовых показателей, был представлен обзор данной отрасли в РФ с учетом особенностей характера ее деятельности. На основании этого был сформирован список, потенциально - значимых для данной отрасли, показателей финансовой отчетности. Помимо этого, в рамках второй главы была представлена и структурирована выборка для целей дальнейшего эмпирического исследования.

В третьей главе был проведен эмпирический анализ с использованием модели бинарного выбора со спецификацией логит - модели, а также с использованием метода LASSO. Был проведен однофакторный и многофакторный анализ моделирования дефолта корпоративных заемщиков банка отрасли оптовой торговли. Были предложены различные подходы относительно отбора финансовых показателей, обладающих высокой дискриминационной силой, и проведен сравнительный анализ результатов данных подходов на тестовой выборке. По итогам третьей главы были разработаны две модели оценки наступления вероятности дефолта корпоративных заемщиков банка отрасли оптовой торговли, а также проведен сравнительный анализ их эффективности и точности на тестовой выборке с помощью различных методов. В том числе в рамках третьей главы была представлена экономическая интерпретация итоговых статистических моделей оценки вероятности дефолта корпоративных заемщиков банка, относящихся к отрасли оптовой торговли.

Глава 1. Оценка кредитного риска корпоративных заемщиков банков: теоретические аспекты

Дефолт корпоративных заемщиков банка: понятие и факторы идентификации

Что представляет собой кредитный риск? Так, как отмечают в своей работе Триейси и Кэрри, кредитный риск - это риск потерь, связанных с неспособностью того или иного заемщика совершать необходимые платежи в соответствии с кредитным договором (Treacy, Carey, 2000). Аналогичную позицию можно видеть и в письме ЦБ РФ от 23 июня 2004 г. №70-Т «О типичных банковских рисках», где кредитный риск представлен как риск появления убытков у кредитной организации из - за несвоевременные или неполные исполнения должником своих финансовых обязательств в соответствии с условиями кредитного договора (Письмо ЦБ РФ от 23 июня 2004 г. №70-Т).

При этом, если заемщик (должник) неспособен выполнить свои обязательства по кредитному договору перед кредитной организацией, то, в таком случае, необходимо говорить о наступлении дефолта данного заемщика (Fantazzini, 2008). Следует, однако подчеркнуть, что банкротство и дефолт - это разные процессы. Так, хоть процесс дефолта и связан с возможным наступлением банкротства того или иного заемщика в дальнейшем, нельзя назвать этот процесс предвестником другого.

Как отмечает в своей работе В. Меклинг, заемщик может принять решение прекратить выплаты по своим кредитным обязательствам, т.е. происходит дефолт, который, в свою очередь, может как привести к дальнейшему банкротству заемщика, так и нет (Meckling, 1977).

В рамках данного исследования мы будем фокусироваться на процессе банкротства заемщиков кредитных организаций. Главная причина, по которой акцент будет сделан именно на этом процессе заключается, во - первых, в открытой доступности данных по обанкротившимся компаниям. Необходимо отметить, что аналогичных данных по процессу дефолта нет в открытом доступе. Во - вторых, мы можем говорить о процессе банкротства, как о факторе дальнейшего дефолта, при этом мы не можем утверждать обратную связь, что было доказано ранее и отмечалось в работе В. Меклинга (Meckling, 1977).

Рассмотрим данную связь между банкротством и дефолтом более подробно. Действительно, мы можем утверждать, что если тот или иной заемщик был юридически признан банкротом, то это дает нам право утверждать, что в отношении данного заемщика также можно рассматривать наступление процесса дефолта, т.к. в данном случае само наступление банкротства является своего рода фактором, или предпосылкой дальнейшего наступления дефолта.

Так, аналогичная точка зрения была отмечена в работе Б.Б. Демешева и А.С. Тихоновой, где было отмечено, что на сегодняшний день в современной литературе можно отметить два определения понятия «дефолт», в частности то, что дефолт - это «… понятие легального банкротства и его различные стадии» (Б.Б. Демешев, А.С. Тихонова, 2014, с. 5). При этом авторы также отметили, что подобная точка зрения была высказана достаточно многочисленной частью исследователей.

Таким образом, как было отмечено и подтверждено ранее, акцент в данном исследовании будет сделан именно на заемщиках, официально юридически признанных банкротами, т.к. это, в свою очередь, является точным предвестником дальнейшего наступления процесса дефолта данных заемщиков кредитных организаций. И, с точки зрения оценки кредитного риска, нам важен именно процесс наступления дефолта, но в силу отсутствия открытых данных по нему, мы будет проводить исследование в отношении заемщиков, легально признанных банкротами.

При этом также необходимо отметить, что в данном исследовании внимание будет уделено только корпоративным заемщикам кредитных организаций, и физические лица рассматриваться не будут. Таким образом, перед тем как приступить к рассмотрению основных методов по оценке кредитного риска в кредитных организациях, необходимо дать юридическое определение понятию «банкротство», т.к. это позволит нам констатировать факт наступления дефолта у данного конкретного заемщика. Затем, необходимо обозначить дополнительные факторы, по которым уже можно утверждать, что дефолт того или иного заемщика считался произошедшим с точки зрения самой кредитной организации.

Более точное определение понятия “банкротство” представлено в Федеральном законе от 26.10.2002 №127 - Ф3 «О несостоятельности (банкротстве)». Так, согласно этому закону, банкротство подразумевает под собой неспособность должника исполнить обязанности по уплате обязательных платежей, которая должна быть признана арбитражным судом (Федеральный закон от 26.10.2002 №127 - Ф3, Статья 2).

Рассмотрим теперь факторы, позволяющие нам считать дефолт того или иного заемщика произошедшим. Так, данные факторы представлены в документе Базельского комитета по банковскому надзору (Basel Committee on Banking supervision, БКБН), Базель II (Basel II). В следующем разделе он будет более подробно рассмотрен.

Так, согласно требованиям БКБН, можно считать дефолт конкретного заемщика произошедшим, если имело место быть одно или оба из следующих событий:

I. По мнению банка, ссудозаемщик вряд ли сможет полностью погасить свою кредиторскую задолженность, без необходимости банком принятия решения о реализации обеспечения займа;

II. Заемщик банка имеет просроченную задолженность более чем на 90 дней в отношении любых существенных обязательств перед банком. BIS. Basel II: International Convergence of Capital Measurement and Capital Standards. 2006 (Электронный ресурс). http://www.bis.org/publ/bcbs107.pdf

Помимо этого, также выделяют еще шесть дополнительных факторов, которые расцениваются как показатели вероятности неоплаты. Они включают в себя следующие элементы:

I. Задолженность по кредиту переносится банком в статус задолженности, по которой не выплачиваются проценты;

II. Банк производит списание задолженности или же создает под нее резерв из - за значительного снижение ее качества;

III. Банк продает кредитную задолженность с дисконтом или же с экономическим убытком;

IV. Происходит реструктуризация проблемной задолженности, вследствие чего происходит уменьшение ее стоимости, вызванное отсрочкой по процентным или другим выплатам;

V. Банк подал иск о необходимости признания корпоративного ссудозаемщика банкротом;

VI. Заемщик заявил о банкротстве или был признан банкротом; в таком случае происходит избавление от кредитной задолженности ссудозаемщика перед банком или же отсрочка от ее погашения. BIS. Basel II: International Convergence of Capital Measurement and Capital Standards. 2006 (Электронный ресурс). http://www.bis.org/publ/bcbs107.pdf

Помимо выше перечисленных факторов, необходимо также отметить, что согласно документу, Базель II, банкротство также считается одним из критериев дефолта. В дополнение здесь также можно отметить факторы, которые были обозначены в ряде работ, изучающих оценку вероятности наступления дефолта корпоративных заемщиков кредитных организаций. Так, можно выделить работу Тиноко и Вилсона, где они обозначили следующие факторы (Tinoco, Wilson, 2013):

1) Величина прибыли до вычета процентов, налогов и амортизационных отчислений (Earnings Before Interest, Taxes, Depreciation and Amortization, EBITDA) корпоративного заемщика ниже суммарного показателя финансовых затрат за два года подряд;

2) Корпоративный заемщик испытывает негативный рост в своей рыночной стоимости за два предыдущих года.

На основании всего вышесказанного можно еще раз отметить некоторые важные замечания. Во - первых, с точки зрения оценки кредитного риска нам необходимо рассматривать такой процесс как наступление дефолта корпоративного заемщика кредитной организации, т.к. данный процесс непосредственно связан с неспособностью того или иного должника выплачивать свои обязательства по кредитному договору.

Однако, в силу отсутствия открытых данных, предоставляемых кредитными организациями, относительно наступления дефолта среди их заемщиков, акцент в данном исследовании будет сделан на процессе наступления банкротства корпоративных заемщиков банка, что, в свою очередь, является относительно точным факторов наступления дальнейшего дефолта данного должника.

В следующем разделе будут подробно рассмотрены компоненты кредитного риска и систематизированы подходы к осуществлению оценки данного типа риска, применяемые в зарубежной и российской банковской системе.

Кредитный риск в банке: основные компоненты и подходы к его оценке

Ранее было отмечено, что представляет собой кредитный риск для кредитных организаций в целом. При этом необходимо отметить, что данный тип риска является одним из самых важных банковских рисков, т.к. дефолт заемщиков банка может повлечь за собой дефолт самого банка, что, в свою очередь, негативно скажется и на самом банковском секторе в целом.

Таким образом, можно заключить, что уровень кредитного риска является весьма значимой характеристикой портфеля банка, и тем самым должен постоянно контролироваться. Контроль в данном случае может быть осуществлен как раз посредством различных подходов к оценке самого кредитного риска, которая, в свою очередь является одной из основных и наиболее значимых задач деятельности любого банка.

Что же представляют собой данные подходы к оценке кредитного риска банка? Так, они представлены в документе, разработанном БКБН и упомянутом ранее, Базель II. Данный документ был представлен в 2004 г., а затем пересмотрен в 2006 г. Следует также отметить, что данный документ является частью других соглашений по осуществлению надзора за банковской деятельностью, представленных БКБН. Рассмотрим динамику их развития более подробно.

Первое соглашение, Базель I, было представлено в 1998 г., и его основной целью было повышение финансовой стабильности. К основной задаче, которую оно преследовало, можно отнести осуществление административного подхода к оценке рисков, и в качестве основного инструмента регулирования использовались минимальные требования по достаточности капитала для покрытия кредитных рисков банков.

Так, Базелем I был установлен минимальный размер достаточности капитала банка, равный 8%. Он может быть представлен в виде следующей формулы, где RWA - это активы, взвешенные с учетом риска (Risk - Weighted Assets):

При этом в качестве методики определения величины RWA в Базеле I использовался стандартизированный подход (Standardized Approach, SA). Его суть заключалась в умножении величины активов на рисковые веса в зависимости от степени риска. Чем выше риск, тем больше весовой коэффициент риска. Распределение весовых коэффициентов риска представлено в табл.

Таблице 1.

Тип заемщика	Частный сектор	Государственный сектор
Заемщики с инвестиционным рейтингом
от ААА до АА-	20%	0%
от А+ до А-	50%	50%
от ВВВ+ до ВВ-	100%	100%
ниже ВВ-	150%	150%
Заемщики без инвестиционного рейтинга
Ипотечные кредиты	35%
Прочие ипотечные кредиты и аренда недвижимости	50%
Кредиты физическим лицам, а также средним и малым предприятиям	75%
Кредиты корпоративным заемщикам	100%

Источник: BIS. A New Basel Capital Adequacy Framework. 1999 (Электронный ресурс). http://www.bis.org/publ/bcbs50.pdf

Затем, в 2004 г. было представлено второе соглашение, Базель II (Basel II). Оно состоит из трех компонентов (Pillars): минимальные требования к капиталу, надзорный процесс и рыночная дисциплина. Больший интерес для нас представляют именно первые два компонента, т.к. они в большей степени относятся к части оценки кредитного риска. Поэтому рассмотрим каждый из них по отдельности.

В отношении первого компонента, минимальных требований по достаточности капитала, помимо стандартного подхода с использованием внешних рейтингов, представленного еще в Базеле I, в данном соглашении были также представлены и другие подходы к оценке кредитного риска, а именно фундаментальный подход с учетом внутренних рейтингов (Foundation Internal Ratings - Based Approach, FIRB) и продвинутый подход с учетом внутренних рейтингов (Advanced Internal Ratings - Based Approach, AIRB).

Рассмотрим теперь подходы на основе внутренних рейтингов (Internal Ratings-Based Approach, IRB), в частности сам механизм подхода IRB. Так, с использованием IRB, согласно Базелю II, банки «… смогут использовать свои собственные внутренние оценки компонентов кредитного риска при расчете покрытия капиталом определенного риска» (Базель II, 2004, с. 55). К компонентам кредитного риска в данном случае относятся: вероятность дефолта (Probability of Default, PD), удельный вес убытков в случае дефолта (Loss Given Default, LGD), стоимость под риском дефолта (Exposure at Default, EAD) и эффективный срок до погашения (Maturity, М).

Перейдем теперь к рассмотрению двух подходов на основе внутренних рейтингов, и посмотрим, в чем заключается их главное различие. При соблюдении фундаментального подхода с учетом внутренних рейтингов (FIRB) банки вправе использовать свои собственные оценки PD, полагаясь при этом на надзорные оценки в отношении других компонентов риска. При использовании же продвинутого подхода AIRB банки предоставляют собственные оценки по всем компонентам риска, т.е. относительно PD, LGD, EAD и M.

Таким образом, обобщая вышесказанное, можно заключить, что, Базель II закрепил два подхода на основе внутренних рейтингов, FIRB и AIRB, для оценки показателя RWA на основе компонентов кредитного риска PD, LGD, EAD и M.

Соответственно, на основании всего вышесказанного можно подчеркнуть важность такого компонента риска как PD, а именно его расчет самими банками на основании собственных внутренних рейтингов. Мы можем заключить это в силу того, что данный показатель используется во всех двух подходах с использованием внутренних рейтингов, при этом это единственный компонент риска, расчет которого в обоих подходах производится самостоятельно самими банками, без использования надзорных внешних оценок. Более того оценка данного показателя, PD, влияет на уровень RWA.

Рассмотрим теперь второй компонент Базеля II, надзорный процесс, а именно первый его принцип, т.к. он представляет для нас больший интерес. Данный принцип заключается в необходимости наличия у банков процедуры оценки общей достаточности капитала относительно характера своего риска (Internal Capital Adequacy Assessment Process, ICAAP) и стратегии поддержания его уровня

Так, он также может быть охарактеризован с помощью следующих этапов БКБН. Международная конвергенция измерения капитала и стандартов капитала: Уточненные рамочные подходы. 2004 C. 177 (Электронный ресурс). http://www.cbr.ru/today/ms/bn/basel.pdf :

1) Надзор со стороны совета директоров и высшего руководства банка; ?

2) Обоснованная оценка банком его капитала; ?

3) Всесторонняя оценка банком его рисков; ?

4) Мониторинг и отчетность, осуществляемая банком; ?

5) Проверка банком систем своего внутреннего контроля. ?

Основными же элементами обоснованной оценки капитала, согласно БКБН, являются следующие БКБН. Международная конвергенция измерения капитала и стандартов капитала: Уточненные рамочные подходы. 2004 C. 178 (Электронный ресурс). http://www.cbr.ru/today/ms/bn/basel.pdf:

· Политика и процедуры, которые дают банку возможность выявлять и измерять степень всех его существенных рисков и отчитываться о них; ?

· Процесс соотнесения банком своего капитала с уровнем риска; ?

· Процесс, в ходе которого банк определяет ориентиры достаточности своего капитала с учетом своих стратегических целей и бизнес-плана;

· Процесс осуществления банком внутреннего контроля, проверок и аудита.

Всесторонняя же оценка риска подразумевает под собой учет всех возможных рисков, с которыми сталкивается банк. Так, должны быть разработаны процессы по оценке рисков. Относительно кредитного риска здесь необходимо отметить, что банками должны быть разработаны методологии для осуществления оценки кредитного риска требований по отношению к отдельным заемщикам, а также в отношении всего кредитного портфеля банка. Данные методологии должны быть разработаны по следующим направлениям: рейтинговые системы, анализ или агрегирование кредитного портфеля, секьюритизация или сложные кредитные деривативы, а также крупные кредиты и концентрация риска (Базель II, 2004).

В частности, это относится и к экономическому капиталу. Так, экономический капитал ((Economic Capital, ECAP), может быть определен как мера риска, или уровень непредвиденных потерь на определенном временном горизонте с заданной вероятностью.

На Рисунке 2 представлена функция распределения потерь по кредитному риску, в частности неожидаемых потерь UL (Unexpected Losses, UL) и ожидаемых потерь EL ((Expected Losses, EL). Формула, для расчета EL представлена ниже, и из нее следует, что уровень ожидаемых потерь зависит от компонентов кредитного риска, PD, LGD и EAD. Таким образом, мы можем заключить, что PD оказывает влияние и на ECAP. Следует также отметить, что на экономический капитал воздействует и концентрация риска.

Рисунок 2. Распределение UL и EL. Источник:BIS. An Explanatory Note on the Basel II IRB Risk Weight Function. 2005. P. 3 (Электронный ресурс). http://www.bis.org/bcbs/irbriskweight.pdf

Таким образом, на основании всего вышесказанного в отношении второго компонента Базеля II, мы можем заключить, что здесь также говорится об оценке рисков, как важной и неотъемлемой части деятельности банков в отношении оценки общей достаточности капитала относительно интересуемого нас кредитного риска, ICAAP. Соответственно, вне зависимости от того, какой из подходов выберет банк при оценке своего кредитного риска, можно еще раз подчеркнуть, что PD будет являться одним из самых важных компонентов данного типа риска, правильный расчет которого позволит банку не только соответствовать требованиям БКБН, но и правильно оценивать свои риски и общий уровень достаточности капитала, необходимый для дальнейшей успешной деятельности.

В 2010 г. было представлено третье соглашение, Базель III (Basel III). Оно было ответной реакцией БКБН на экономический кризис 2008 г., и основное его отличие от Базеля II заключалось в еще большем ужесточении требований к достаточности капитала и в внедрении новых требований по уровню ликвидности.

Рассмотрев историю развития соглашений по осуществлению надзора за банковской деятельностью, необходимо посмотреть, насколько данные требования применимы к Российскому банковскому сектору. Так, прежде всего надо отметить, что, на сегодняшний день, все принципы и требования двух последних соглашений, Базеля II и Базеля III нельзя назвать полностью введенными в Российский банковский сектор. Однако, существует ряд указаний ЦБ РФ, которые были созданы как своего рода ступени к дальнейшему полному внедрению требований БКБН в структуру банков РФ. При этом процесс по внедрению соглашений БКБН начался еще в 2004 г.

Первый важный документ, который необходимо рассмотреть, это инструкция ЦБ РФ от 03.12.2012 № 139-И «Об обязательных нормативах банков». В ходе данной инструкции ЦБ РФ, в том числе устанавливает числовое значение и методологию расчета следующему обязательному нормативу банков: достаточности собственного капитала или норматив H1, в формулу по расчету которого входит такой показатель, как величина кредитного риска по активам или RWA, отмеченный в Базеле I и Базеле II.

Затем было опубликовано письмо ЦБ РФ от 29.12.2012 № 192-Т «О методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков». Так, основной целью данного письма было внедрение подхода к расчету кредитного риска на основе рейтингов банков в соответствии с документом БКБН Базель II. В данном письме были отмечены и представлены главные компоненты кредитного риска, в частности PD, LGD, EAD и M. При этом также были отмечены требования БКБН относительно подхода на основе внутренних рейтингов (ПВР).

Далее, также с целью внедрения требований, представленных в Базеле II, ЦБ РФ выпустил указание от 15.04.2015 № 3624-У «О требованиях к системе управления рисками и капиталом кредитной организации и банковской группы». Так, согласно данному указанию, кредитная организация должна осуществлять управление рисками и капиталом с помощью внутренних процедур оценки достаточности капитала (ВПОДК), что соотносится с внутренней оценкой общей достаточности капитала ICAAP, представленной в Базеле II.

Следующий документ, который необходимо здесь рассмотреть, это положение ЦБ РФ от 06.08.2015 № 483-П «О порядке расчета величины кредитного риска на основе внутренних рейтингов». Так, в данном документе ЦБ РФ вводит подходы на основе внутренних рейтингов, представленных в Базеле II, базовый ПВР и продвинутый ПВР. Таким образом мы видим, что процесс внедрения требований соглашений БКБН в банковский сектор РФ происходил постепенно, и данный процесс еще не завершен. И компоненты, представленные в Базеле II еще вводились в 2015 г.

Обобщая вышесказанное, необходимо отметить, что с введением все большего числа положений из документов БКБН, в частности с введением подходов на основе внутренних рейтингов, компонент кредитного риска, который банкам РФ необходимо будет рассчитывать самостоятельно - это вероятность дефолта или PD. Таким образом, мы еще раз можем подтвердить важность определения данного показателя, и, соответственно, актуальность данного исследования.

В силу того, что оценка кредитного риска корпоративных заемщиков банка является основным предметом данного исследования, и как было отмечено ранее, кредитный риск непосредственно связан с наступлением дефолта того или иного корпоративного заемщика, в следующем разделе будет приведен обширный обзор статистических моделей оценки вероятности дефолта заемщиков банка, а также приведена классификация данных моделей на основании их достоинств и недостатков.

Сравнительный анализ моделей вероятности дефолта корпоративных заемщиков банка

Модели дискриминантного анализа

Первые исследования в отношении прогнозирования вероятности дефолта предприятий начались еще в 1960-х гг. Тогда основной вопрос их изучения фокусировался на анализе относительных показателей (ratio analysis) для выявления риска наступления возможного дефолта заемщиков в будущем. Следует отметить, что некоторые исследования изучали оценку вероятности банкротства предприятий.

Так, в 1966 г. американский исследователь Бивер представил научную работу в отношении относительных финансовых показателей как основных предикторов банкротства предприятий (Beaver, 1966). Его исследование включало в себя выборку из 79 официально обанкротившихся фирм в период с 1954 - 1964 гг., и в дополнение к обанкротившимся предприятиям также были отобраны действующие компании с аналогичным размером активов и из той же самой экономической отрасли. Всего было рассмотрено 38 различных индустрий.

В качестве основного метода был использован однофакторный дискриминантный анализ. Главной целью данного исследования являлось выявление значимых риск - факторов, которые позволят в дальнейшем предсказать наступление банкротства тех или иных предприятий. В общей сложности Бивер рассмотрел 30 относительных показателей, и выявил следующие, наиболее существенные риск - факторы:

1)

2)

3)

4)

На основании полученных результатов, Бивер пришел к выводу, что одномерные дискриминанты, связанные с чистой прибылью и денежным потоком, являются лучшими с точки зрения определения банкротства предприятий. Однако, недостатком данного исследования можно отметить то, что Бивер не рассчитывал, как весовые коэффициенты регрессоров, так и итоговый коэффициент вероятности наступления банкротства, а сравнивал значения рассматриваемых показателей с нормативными значениями, рассчитанными им самим для классификации предприятий в две группы: предприятия - банкроты и не банкроты. Преимуществом данного подхода можно отметить возможность осуществления прогноза наступления банкротства на временном периоде, равном до пяти лет.

Также в данном исследовании Бивер подчеркнул, что суть дальнейшего исследования данного вопроса должна фокусироваться на создании многофакторной модели, в которой значимые риск - факторы могут быть рассмотрены одновременно, и которая будет обладать большей прогностической силой по сравнению с однофакторным дискриминантным анализом.

Именно такая модель многофакторного анализа оценки вероятности банкротства была предложена в 1968 г. американским экономистом Э. Альтманом в своей научной работе, которая положила начало использованию многофакторного анализа как метода предсказания наступления банкротства предприятий (Altman, 1968). Рассмотрим ее более подробно.

В качестве основного эмпирического метода был использован мультидискриминантный анализ (Multiple Discriminant Analysis, MDA). Это статистический метод, использующийся для классификации наблюдений в одну из предварительных групп согласно его индивидуальным характеристикам. Такими группами могут быть соответственно дефолты и не дефолты, если рассматривать интересующую нас тематику. Таким образом первым шагом является создание этих самых групп.

Затем необходимо собрать данные, которые в дальнейшем будут исследованы. На основании этих данных подбирается линейная зависимость характеристик, присущих наблюдениям, с целью как можно лучше их различить между собой в созданные ранее группы. Одним из преимуществ данного анализа является то, что он позволяет рассматривать все возможные характеристики как индивидуально к рассматриваемым предприятиям, так и их пересечения. Другим преимуществом данного метода является то, что он снижает размерность аналитического пространства до , где - число созданных предварительных групп. Помимо этого, данный метод также позволяет одновременно, а не поочередно рассматривать индивидуальные характеристики предприятий.

Т.к. анализ данной работы сводится к рассмотрению двух групп, а именно дефолтов и не дефолтов, то мультидискриминантный анализ сводится к рассмотрению одного измерения. Дискриминантная функция выглядит следующим образом:



где коэффициенты дискриминанта,

независимые переменные.

Дискриминантная функция трансформирует значения каждой переменной в дискриминантную оценку Z - Score, которая затем используется для классификации рассматриваемого объекта. Мультидискриминантный анализ вычисляет коэффициенты дискриминанта , в то время как переменные - фактические значения, где .

Выборка, использованная Альтманом, включала в себя в общей сложности 66 производственных предприятий, банкротов и не банкротов (по 33 в каждой группе, соответственно). Альтман рассмотрел 22 потенциальных риск - фактора, из которых были отобраны пять независимых переменных, которые вместе давали наилучший результат в точности предсказания банкротства компаний. Модель, предложенная Альтманом, выглядела следующим образом:

1)

2)

3)

4)

5)

Альтман также представил прогнозную оценку Z - Score, согласно которой происходит конечная классификация рассматриваемых предприятий. Она представлена ниже:



Рассмотрим теперь по отдельности независимые переменные. измеряет уровень ликвидности предприятия, и как отмечает Альтман, из рассмотренных трех показателей ликвидности, этот оказался наиболее значимым. Другими рассмотренными регрессорами были текущий и мгновенный показатели ликвидности.

измеряет совокупную рентабельность фирмы. это показатель истинной производительности активов предприятия. показывает, насколько активы фирмы могут уменьшиться в размере до того, как ее обязательства превысят ее активы, и предприятие станет банкротом. Этот показатель также оказался более эффективным в использовании нежели другой, отношение собственного капитала к общему долгу. иллюстрирует способность активов компании генерировать продажи; тем самым он оценивает то, как компания справляется с конкуренцией.

Альтман оценил точность предсказательной силы своей модели в 95% в период времени за год до наступления банкротства на основании количества правильно классифицированных наблюдений, и в 72% за два года, соответственно. Однако, с увеличением временного промежутка, точность модели значительно падает, и за три года она уже равняется 48%.

Данная модель являлась своего рода новаторством, и, несомненно, обладала рядом недостатков. Так, как отмечает в своей работе Олсон, она не может быть применима в отношении непроизводственных фирм, и для ее реализации необходимо наличие определенных условий распределения регрессоров (Ohlson, 1980). Немаловажным является и то, что результатом анализа является значение, Z - Score, которое не имеет четкой экономической интерпретации, а обладает скорее более интуитивной оценкой.

Помимо этого, данный метод поиска предприятий не банкротов основывается на соразмерности их активов и схожести индустрий, что также можно назвать весьма произвольным способом сопоставления заемщиков - банкротов с не банкротами. И, наконец, при ее использовании с другими выборками, ее точность существенно падает. Так, в своей работе, Бэгли, Минг и Вотс отмечают, что ошибка модели значительно увеличивается: 21,6% по сравнению с изначальной ошибкой в 18,7%, измеренной на базе изначальной выборки Альтмана (Begley et al., 1996).

Следует отметить, что сам Альтман в 2000 г. предложил улучшенную версию рассмотренной ранее модели, которая может уже быть применима в отношении непроизводственных предприятий (Altman, 2000). Главное ее отличие, во - первых, заключается в отсутствии переменной , т.к. ее наличие усиливало вероятность появления неточных результатов в отношении непроизводственных фирм. Во - вторых, произошло изменение регрессора . Теперь он стал равен отношению балансовой стоимости капитала к общему долгу предприятия. Переменные и остались прежними. Данная модель представлена ниже, и ее точность варьируется от 94 до 82% в зависимости от временного периода. Она была посчитана на основании числа правильно классифицированных предприятий.

Шкала Z - Score в отношении данной модели была следующей:

Несмотря на то что, данная, доработанная версия ранней модели Альтмана, имела ряд преимуществ над ее предыдущей версией, при ее проверке на других выборках, ее точность также существенно падает. Это было подтверждено также в упомянутой ранее работе Бэгли, Минга и Вотса, на основании расчета совокупной ошибки модели (Begley et al., 1996).

Следующее исследование, которое необходимо здесь рассмотреть, также использовало метод мультидискриминантного анализа, однако его основным отличием является то, что авторы сфокусировали свое внимание только на одной индустрии розничной торговли. Следует отметить, что данная научная работа интересна для дальнейшего исследования с точки зрения выбора объясняющих переменных, т.к. розничная торговля похожа по своим характеристикам и свойствам с рассматриваемой здесь оптовой торговлею.

Панг и Когель представили гипотезу о том, что модель, представленная ими, будет более эффективна в использовании именно в отношении рассматриваемой отрасли, чем другие модели, представленные ранее, и для проверки своей гипотезы, они сравнили результаты, полученные с помощью данной модели с ранее созданными, используя одну и ту же выборку (Pang, Kogel, 2013).

Выборка включала в себя 40 предприятий, 18 из которых были признаны банкротами. Результатом данного исследования стало создание четырех спецификаций модели по оценке вероятности наступления банкротства. В каждой спецификации представлены две дискриминантные функции оценок банкротства (Bankruptcy Score) и оценок состоятельности предприятий (Solvency Score). Для определения того, является ли то или иное предприятие банкротом или нет, сравнивались результаты оценок банкротства и состоятельности, согласно схеме, представленной далее:

Различие данных спецификаций между собой обусловлено разницей в использованных регрессорах. Рассматривая различные спецификации, авторы пытались понять, влияет ли добавление или изменение той или иной переменной на прогностическую силу моделей. Ниже представлен список данных контрольных переменных:

1)

2)

3)

4)

5)

6)

7)

8)

Авторы представили следующие спецификации модели:

1)

2)

3)

4)

Затем, протестировав точность и эффективность предложенных ими моделей на основании количества правильно классифицированных наблюдений в сравнении с двумя моделями Альтмана, авторы пришли к следующим результатам. Во - первых, точность первой модели равняется 93,33%, в то время как модель Альтмана и ее доработанная версия точны на 86,67 и 80%, соответственно. Вторая модель точна на 86.67%. При этом изначальная версия модели Альтмана дала на 93% точные результаты. Из этого авторы сделали вывод, что регрессор NWC/TA является значимым, и его отсутствие негативно сказывается на общем результате модели.

В отношении последних двух спецификаций, авторы получили следующие результаты: третья и четвертая спецификации модели точны на 93% в сравнении с 86 и 80% точностью модели Альтмана, и ее более поздней версией. Таким образом, можно заключить, что гипотеза авторов подтвердилась, и, действительно, предложенная ими модель более эффективна в отношении отрасли розничной торговли.

Следовательно, можно отметить значимость выбора объясняющих переменных для окончательной модели оценки банкротства с точки зрения их связи с рассматриваемой индустрией.

Рыночные модели

Затем, в 1973 г. Блэк и Шоулз предложили структурную модель, связывающую оценку кредитного риска с величиной и структурой основных средств того или иного предприятия, и которая была преимущественно использована для оценки опционов (Black, Sholes, 1973). Однако, в 1974 г. Р. Мертон представил модель, на основании модели Блэк - Шоулз, которая могла быть уже применена для оценки наступления банкротства компании.

Так, в модели Мертона кредит представляется как опцион call на приобретенные активы компании, цена и время исполнения которого равна стоимости и сроку погашения данного кредита (Merton, 1974). При этом, модель Мертона также можно назвать и рыночной моделью, т.к. в ее основе лежит информация, доступная на фондовом рынке, что отличает ее от модели Альтмана, где преимущественно используется информация из финансовой отчетности компании.

Рассмотрим данный метод более подробно. Модель Мертона предполагает структуру капитала предприятия, состоящую только из общего долга и собственного капитала компании. Пусть изначальный уровень долга, срок до погашения долга предприятия, стоимость компании в момент времени ; стоимость долга фирмы в момент времени ; и стоимость акционерного капитала компании в момент времени . Тогда стоимость компании может быть представлена следующим образом:

В соответствии с моделью Мертона, фирма обязана выплатить величину своего долга кредиторам в размере со сроком погашения . Однако, если стоимость фирмы меньше обшей суммы долга, то кредиторы забирают то имущество компании, которое имеется в наличии, а акционеры не получают ничего. Если же стоимость фирмы превышает величину долга компании, то кредиторы получают долг в размере

Как было отмечено ранее, модель Мертона основывалась на модели Блэка - Шоулза. Так, Мертон предполагает, что, во - первых, стоимость фирмы имеет нормальной распределение с некоторой волатильностью . Во - вторых, безрисковая ставка постоянна. Таким образом, рыночная стоимость фирмы в момент времени может быть выражена с помощью следующей функцией опциона:

где кумулятивная функция нормального распределения.

Величина это расстояние до дефолта (Distance to Default, DD), и оно рассчитывается по следующей формуле:

Расстояние до дефолта DD может быть интерпретировано как число стандартных отклонений до точки дефолта. Чем больше значение DD, тем дальше то или иное предприятие находится от процесса наступления дефолта, т.е. тем ниже вероятность его наступления. Чем меньше данный показатель, тем более вероятно, что у данной фирмы наступит дефолт. Таким образом, обобщая вышесказанное, можно отметить, что подход Мертона к оценке PD использует число стандартных отклонений, и предполагает нормальное распределение переменных.

Как было отмечено ранее, Мертон в своем подходе использует ряд предположений относительно нормального распределения доходности активов предприятия, что может привести к неправильной оценке вероятности дефолта в случае рассмотрения краткосрочного периода (К.М. Тотьмянина, 2011). Помимо этого, как отмечают в своей работе Мисанкова, Косисова и Клиестик, в основе модели Мертона лежит главное предположение о том, что фирма выпускает только бескупонную облигацию, что нельзя назвать реалистичным предположением (Miљankovб et al., 2014).

Модели бинарного выбора

Следующим этапом в анализе оценки вероятности дефолта предприятий стало использование логит - моделей и пробит - моделей. Впервые они были представлены в работах Мартина и Олсона (Martin, 1977; Ohlson, 1980).

В своей работе Мартин изучал, по каким признакам можно предсказать дальнейшее банкротство коммерческого банка. Данное исследование интересно тем, что в нем был представлен сам метод, логит - модель. Рассмотрим его более подробно.

Пусть N - количество предприятий; М - число объясняющих переменных; значение переменной для предприятия i; Y - зависимая переменная, принимающая только два значения: Y = 1 для обозначения ситуации дефолта, и Y = 0 для обратной ситуации; ошибка модели. Основная задача данной модели - выявить вероятность того, какое значение примет зависимая переменная, 1 или 0.