Эконометрические модели формирования финансовых активов кредитных организаций ПФО. Курсовая. Эконометрические модели формирования финансовых активов кредитных организаций пфо

• Название: Эконометрические модели формирования финансовых активов кредитных организаций пфо
• Анкор: Эконометрические модели формирования финансовых активов кредитных организаций ПФО
• Дата: 15.05.2023
• Размер: 436.93 Kb.
• Имя файла: Курсовая.docx
• Тип: Курсовая; #1133108
• страница: 5 из 7

Теперь можем заметить, что у всех главных компонент значения критерия информативности больше 60%, они являются оптимальными.

Первая компонента нагружена следующими факторами:

x₂ – ностро-счета, тыс. руб;

x₃ – выданные МБК, тыс. руб;

x₄ – вложения в ценные бумаги тыс. руб;

х₈ – вклады физических лиц, тыс. руб;

х₉ – средства предприятий и организаций, тыс. руб.

Данные принадлежат различным группам показателей, сложно дать обобщенное название первой компоненте, поэтому она была названа как «Депозиты и вложения в ценные бумаги».

Следующая вторая компонента нагружена тремя факторами:

х₆ – кредиты предприятиям и организациям, тыс. руб;

х₇ – основные средства и нематериальные активы, тыс. руб;

х₁₀ – просроченная задолженность по кредитному портфелю, тыс. руб;

Компонента «кредиты предприятиям, основные средства и нематериальные активы».

Третья компонента состоит из одного факторного признака:

х₅ – кредиты физическим лицам, тыс. руб.

Компонента «кредиты физическим лицам».

Ниже представлена таблица с распределением факторов по главным компонентам.

Таблица 11 – Состав главных факторных компонент

- «депозиты и вложения в ценные бумаги»	- ностро-счета, тыс. руб;
	- выданные МБК, тыс. руб;
	- вложения в ценные бумаги тыс. руб;
	- вклады физических лиц, тыс. руб;
	- средства предприятий и организаций, тыс. руб.
- «кредиты предприятиям, основные средства и нематериальные активы»	- кредиты предприятиям и организациям, тыс. руб;
	- основные средства и нематериальные активы, тыс. руб;
	- просроченная задолженность по кредитному портфелю, тыс. руб;
- «кредиты физическим лицам»	- кредиты физическим лицам, тыс. руб.

Таким образом, данные о факторных нагрузках позволили определить набор исходных факторных признаков, которые были определены в три главные компоненты. Наибольший вес в структуре первой факторной компоненты занимают: х₃ – выданные МБК с факторной нагрузкой 0,97, х₉ – средства предприятий и организаций с нагрузкой 0,967 и х₄ – вложения в ценные бумаги с нагрузкой 0,941. В структуре второй компоненты можно выделить фактор с наибольшей факторной нагрузкой 0,913 х₆ – кредиты предприятиям и организациям. В третьей компоненте единственный фактор х₂ – имеющий факторную нагрузку 0,926 .

Далее была построена эконометрическая модель зависимости активов банков от трех главных факторных компонент. При применении пошаговой множественной регрессии с включением и исключением факторов, в обоих случаях значимыми факторными компонентами стали три рассматриваемые:

– «депозиты и вложения в ценные бумаги»

– «кредиты предприятиям, основные средства и нематериальные активы»

– «кредиты физическим лицам».

Ниже представлена таблица итоговых статистик множественной модели регрессии.

Таблица 12 – Итоговые статистики модели регрессии

Статистика	Значение
Множест. R	0,994526654
Множест. R2	0,989083265
Скоррект. R2	0,988173537
F(3,36)	1087,22975
p	2,35715158E-35
Стд. Ош. Оценки	2694015,16

Условие достаточности количества наблюдений было выполнено, так как уравнение множественной регрессии было построено по 40 наблюдениям, данное число превышало число объясняющих переменных. Модель более качественна, если коэффициент детерминации приближен к единице. У данной модели коэффициент детерминации равен 0,995. Значение данного индекса стремится к 1. Таким образом, вариация переменной y –активы банка на 99,5% объясняется вариацией трех факторных компонент. Остальные 0,5% приходятся на другие факторы, не учтенные в модели. Коэффициент корреляции составил 0,989. Связь прямая, сильная, так как находится в соответствующем диапазоне от 0,7 до 1. Точность модели доказывалась с помощью расчета стандартной ошибки оценки. Ошибка была равна 2 694 015,16, она меньше, чем значение 16 248 815,83 – 10% от среднего значения результативного признака, поэтому модель признается точной. Рассчитанное наблюдаемое значение F-критерия Фишера при степенях свободы 3 и 36 составило 1087,22975, оно больше его табличного значения 8,5, поэтому уравнение в целом считается статистически значимым и надежным с уровнем значимости 95%.

Далее была построена таблица с итогами регрессии для зависимой переменной регрессионной модели.


Таблица 13 – Итоги регрессии для зависимой переменной регрессионной модели

	БЕТА	Ст.Ош. - БЕТА	B	Ст.Ош. - B	t(36)	p-знач.
Св.член			16248815,83	425961,20	38,15	0,00000000000000000000
Фактор 1	0,90	0,02	22184140,84	431387,67	51,43	0,00000000000000000000
Фактор 2	0,34	0,02	8488480,63	431387,67	19,68	0,00000000000000000001
Фактор 3	0,26	0,02	6541766,72	431387,67	15,16	0,00000000000000003291

Проверка статистической значимости и надежности параметров уравнения регрессии, проверялось на основании t-критерия Стьюдента. Все параметры регрессии оказались статистически значимыми и надежными с уровнем значимости 95% , так как их наблюдаемые значения коэффициента по модулю больше табличного значения 2,028. Таким образом, условие было выполнено.

Таким образом, зависимость активов банка от трех факторных компонент можно описать следующим уравнением регрессии:



На основании бета-коэффициентов мы можем сделать вывод о силе влияния факторов на результативный признак. Наиболее сильное влияние на сумму активов банка оказывает первая факторная компонента - «депозиты и вложения в ценные бумаги», вторая компонента и третья оказывают меньшее влияние.

Затем модель множественной регрессии проверялась на наличие пяти предпосылок МНК или на теорему Гаусса-Маркова.Согласно рисунку 2, представленному ниже, мы увидели, что первая предпосылка о случайном характере остатков не выполняется, так как на графике значения остатков выходят за границы допустимого «коридора», не лежат на одной прямой, то есть остатки представляют собой неслучайные величины.



Рисунок 2 – График остатков результативного признака

Вторая предпосылка относительно нулевой средней величины остатков тоже не выполняется, так как остатки на графике не лежат на одной прямой и выходят за границы допустимого «коридора», то есть случайное отклонение в среднем оказывает влияние на зависимую переменную и остатки зависимы от значений факторных признаков.



Рисунок 3 – График остатков факторного признака f1



Рисунок 4 – График остатков факторного признака f2



Рисунок 5 – График остатков факторного признака f3

Третья предпосылка о гомоскедастичной дисперсии остатков не выполняется. Если обратиться к рисунку 2, то мы можем увидеть, что дисперсия остатков неоднородна. Наблюдается гетероскедастичность.

Четвертая предпосылка – проверка остатков на отсутствие автокорреляции при помощи критерия Дарбина-Уотсона была выполнена.

Таблица 14 – Значение критерия Дарбина-Уотсона

	Дарбина - Уотсон d	Сериаль - Корр.
Оценка	2,175024	-0,131478

При n=40 и k=3 нижняя граница dн=1,34 и верхняя граница dв=1,66. Отсюда получаем, что фактическое значение критерия Дарбина-Уотсона не попадает в зону неопределенности dн < DW < dв, соответственно, присутствует автокорреляция остатков.

Пятая предпосылка МНК о нормальном распределении остатков выполняется, так как распределение остатков подобно нормальному, что показывает построенный график нормального распределения.



Рисунок 6 – График нормального распределения

Таким образом, было проведено исследование модели множественной линейной регрессии по пяти базовым условиям верификации и по пяти предпосылкам метода наименьших квадратов. Так как выполненными оказались все пять базовых условий верификации и выполнена одна последняя предпосылка МНК, можно сделать вывод, что данная модель регрессии подлежит применению на практике для решения исследуемой проблемы, но, чтобы построить достаточно точные дальние прогнозы о величины активов банков ПФО, модель нужно корректировать.
2.3 Построение системы эконометрических уравнений, характеризующих состояние финансовых активов кредитных организаций ПФО
Для построения системы уравнений финансовых активов кредитных организаций ПФО были рассмотрены следующие показатели:

y₁ –активы-нетто (тыс. руб).;

y₂ – капитал (тыс. руб.).;

Для проведения анализа используется следующие экзогенные переменные:

x₁ – денежные средства в кассе, (тыс. руб);

х₂ – ностро-счета, (тыс. руб);

х₃ – выданные МБК, (тыс. руб);

х₄ – вложения в ценные бумаги (тыс. руб);

х₅ – кредиты физическим лицам, (тыс. руб);

х₆ – кредиты предприятиям и организациям, (тыс. руб);

х₇ – основные средства и нематериальные активы, (тыс. руб);

х₈ – вклады физических лиц, (тыс. руб);

х₉ – средства предприятий и организаций, (тыс. руб);

х₁₀ – просроченная задолженность по кредитному портфелю, (тыс. руб).

Для описания структурных связей была построена СОУ, включающая 2 эндогенные переменные и 10 экзогенных переменных. При отборе переменных во избежание ошибок спецификации модели было принято во внимание то, что для выполнения условия статистической значимости и надежности результатов построения эконометрических моделей количество наблюдений в 3-6 раз должно превышать количество зависимых переменных (наблюдений 40)

Для построения системы был использован метод пошагового регрессионного анализа с включением в модель значимых регрессоров. Таким образом, в модели вошли только статистически значимые переменные. Полученная система имеет вид:

.

Для оценивания СОУ используется двухшаговый метод МНК. Он дает состоятельные и несмещенные оценки коэффициентов уравнения, является достаточно простым и удобным для вычисления. Использование 2МНК для оценивания структурных коэффициентов модели дает смещенные несостоятельные оценки. Поэтому для определения структурных коэффициентов структурная форма была преобразована в приведенную, которая ничем не отличается от системы независимых переменных, параметры которой оцениваются обычным МНК. Все два уравнения системы были преобразованы в приведенную форму:



При переходе от приведенной формы модели к структурной возникает проблема идентификации.

Идентификация – единственность соответствия между приведенной и структурной формами модели.

Структурная модель всегда представляет собой систему совместных уравнений, каждое из которых требуется проверить на идентификацию. Для оценки параметров структурной модели система должна быть идентифицируема или сверхидентифицируема.

Первое уравнение включает 2 эндогенных переменных (y_1, y₂). В уравнении отсутствуют 3 экзогенных переменных (x_1,x_2,x_7,). 3+1>1 (D+1>H). Значит уравнение сверхидентифицируемо.

Второе уравнение включает 2 эндогенные переменные (y_1,y₂). В уравнении отсутствуют 4 экзогенные переменные (x_1,x_4,x₇x₁₀). 4+1>3 (D+1>H). Значит уравнение сверхидентифицируемо.

Так как все уравнения сверхидентифицируемы, следовательно система сверхидентифицируема.

Рассмотренное счетное правило отражает необходимое, но не достаточное условие идентифицируемости. Более точное условие идентификации определяется, если накладывать ограничения на коэффициенты матрицы параметров структурной модели. Уравнение идентифицируемо, если по отсутствующим в нем переменным (эндогенным и экзогенным) можно из коэффициентов при них в других уравнения системы получить матрицу, определитель которой не равен нулю, а ранг матрицы не меньше, чем число эндогенных переменных в системе без одного. Поэтому каждое из уравнений было проверено на достаточное условие идентификации.

Составим матрицу коэффициентов структурной формы модели.

Таблица 15 – Матрица коэффициентов структурной формы модели.

№ ур-ия	Коэффициенты при эндогенных переменных		Коэффициенты при экзогенных переменных
	y1	y2	x1	x2	x3	x4	x5	x6	x7	x8	x9	x10
1	1	0,62	0	0	0,55	0,45	0,46	0,46	0	0,58	0,42	0,64
2	0,25	1	0	2,04	0,27	0	0,16	0,29	0	0,34	0,3	0

В соответствии с достаточным условием идентификации определить матрицы коэффициентов при переменных, не входящих в исследуемое уравнение, не должен быть равен нулю, а ранг матрицы - числу эндогенных переменных минус 1, т.е. 2-1=1.

В первом уравнении матрица коэффициентов при переменных, не входящих в уравнение, имеет вид:

А1	0	0	0
	0	2,04	0

DefA1*

2,04

Ранг А₁=1, т.к. определитель подматрицы 1х1 матрицы А₁ не равен нулю (DefA1*=2,04) Достаточное условие идентификации для первого уравнения выполняется.

Во втором уравнении матрица коэффициентов при переменных, не входящих в уравнение, имеет вид:

А2	0	0,45	0	0,64
	0	0	0	0

DefA1*

0,45

Ранг А₂=1, т.к. определитель подматрицы 1х1 матрицы А₂ не равен нулю (DefA1*=0,45) Достаточное условие идентификации для первого уравнения выполняется.

Таким образом, для всех уравнений структурной формы выполняется достаточное условие идентифицируемости.

На основе системы приведенных уравнений были получены теоретические значения трех эндогенных переменных. Таким образом, система уравнений приняла следующий вид:



Ниже приведена таблица с итоговыми статистиками структурной формы системы эконометрических уравнений.

Таблица 16 – Итоговые статистики структурной формы

№ уравнения	Множест. R	Множест. R^2	Скоррек. R^2	F-статистика	p (уровень значимости)	Станд.ошибка проверки
1	0,999	0,998	0,998	3787,05	0	1025566,11
2	0,989	0,979	0,977	845,91	0	753405,80

Можем заметить, что у первого уравнения коэффициент детерминации равен 0,999. Значение данного индекса близко к 1. Таким образом, вариация переменной y1 – стоимость активов банков на 99,9% объясняется вариацией факторов, включенных в модель. Остальные 0,1% приходятся на другие факторы, не учтенные в модели. Значение коэффициента детерминации второй модели равно 0,989. То есть вариация переменной у2 - капитал банков на 98,9% объясняется вариацией факторов, включенных в эту модель.

Коэффициенты корреляции первой модели составили 0,998, второй модели 0,979. Они отражают достаточно тесную связь результативного признака с набором факторных признаков. Точность моделей доказывалась с помощью расчета стандартной ошибки оценки. Ошибка первой и второй модели меньше, чем 10% значения от среднего значения результативного признака, поэтому модель признается точной (1025566,11<1624881,58); (753405,8<1624881,58). Рассчитанные наблюдаемые значения F-критерия Фишера в моделях, больше их табличных значений (3,7; 19,5) соответственно, поэтому уравнения в целом считаются статистически значимыми и надежными с уровнем значимости 95%.

Далее по модели регрессии рассматривались итоги регрессии для зависимой переменной.

Таблица 17 – Итоги регрессии для зависимой переменной Y1

	БЕТА	Ст.Ош.	B	Ст.Ош.	t(33)	p-знач.
Св.член			-367250	236462,7	-1,55310	0,129938
Y^2	0,89	0,04	0,89	0,05	19,83	0,00
X2	0,05	0,02	2,08	0,66	3,15	0,00
X7	0,02	0,01	1,24	0,50	2,50	0,02
X6	-0,02	0,01	-0,06	0,04	-1,44	0,16
X8	0,04	0,03	0,08	0,07	1,21	0,24
X4	0,02	0,02	0,07	0,06	1,15	0,26

Таким образом, значимыми факторами в структурной модели регрессии оказались следующие три:

y₂ – капитал (тыс. руб);

х₂ – ностро-счета, (тыс. руб);

х₇ – основные средства и нематериальные активы, (тыс. руб).

По данной модели можно сделать следующий вывод. При росте стоимости капитала на единицу тыс. руб при неизменном уровне других показателей стоимость активов увеличится в среднем на 0,89 человек. При увеличении суммы носто-счета на 1 тыс. руб стоимость активов банка увеличится в среднем на 2,08 тыс. руб. С увеличением основных средств и нематериальных активов активы банка возрастут на 1,24 тыс. руб. Ранжирование факторных признаков по степени их влияния на результативный признак проводилось с использованием бета-коэффициентов, были сделаны следующие выводы. Рост стоимости активов в большей степени, зависит от суммы капитала, и в меньшей степени от основных средств и нематериальных активов.

3. 
   Прогнозирование стоимости активов кредитной организации Банк «Йошкар-Ола» методом экспоненциального сглаживания.
   

В настоящее время одним из наиболее перспективных направлений исследования и прогнозирования одномерных временных рядов считаются адаптивные методы.

У истоков адаптивных методов находится модель экспоненциального сглаживания.

Экспоненциальное сглаживание — один из простейших и распространенных приемов выравнивания ряда. Экспоненциальное сглаживание можно представить как фильтр, на вход которого последовательно поступают члены исходного ряда, а на выходе формируются текущие значения экспоненциальной средней.

Следует иметь в виду, что экспоненциальное сглаживание - это наиболее простой способ построения прогнозов. Часто он даёт быстрые и эффективные результаты. Однако этот метод не позволяет строить доверительные интервалы и, следовательно, рассчитать риски при использовании прогнозов.

Рассмотрим прогнозирование с использованием моделей экспоненциального сглаживания. В качестве примера рассмотрим месячные данные о стоимости активов банка «Йошкар-Ола» с январь 2016 г. по январь 2022 г. (Приложение Б)

Для моделирования прогноза нам необходимо проверить стационарность временного ряда. Так как стационарность временного ряда означает, что такие компоненты как тренд и сезонность отсутствуют. Говоря более точно, среднее значение и дисперсия не меняются со смещением во времени. Для проверки ряд на стационарность построили график ряда.

Рисунок 7 – График временного ряда, характеризующего стоимость активов

Наблюдаемый ряд не является стационарным, как это хорошо видно на графике. Из графика можно предположить, что в исследуемых данных присутствует линейный возрастающий тренд и сезонная мультипликативная составляющая, следовательно, ряд нестационарен. Признаком стационарности можно считать нормальность распределения остатков ряда. Для этого была построена гистограмма распределения ряда.



Рисунок 8 – Гистограмма распределения остатков исходного временного ряда

Из графика видно, что гистограмма распределения остатков плохо подходит к графику нормального распределения. Следовательно, можно предположить, что исходный ряд не является стационарным, и на данном этапе анализа необходимо привести временной ряд к стационарному виду.

Для экспоненциального преобразования выберем модель Винтера (модель с линейным мультипликативным трендом), с лаговым значением равным 12. И выполним экспоненциальное сглаживание. В приложении (В) отображенные численные результаты сглаживания и прогноз. Также были выведены стандартные ошибки построенной модели
Таблица 18 – Стандартные ошибки построенной модели

	Ошибка
Средн. ош.	-465,24
Ср. абсол. ошибка	36652,78
Суммы квадратов	196268831947,39
Ср. квадрат	2688614136,27
Средн. относ. ошибка	-0,04
Ср. абс. отн. ошибка	1,42

В рассмотренном случае процент средней абсолютной ошибки составляет ≈ 1,42% (<13%), что говорит о достаточной точности предложенной модели.

Рассмотрим график наблюдаемого временного ряда, сглаженного ряда и остатков.

Рисунок 9 – График наблюдаемого временного ряда, сглаженного ряда и остатков

На рисунке хорошо просматривается, что значения сглаженного ряда достаточно сильно совпадают с реальными наблюдениями, при этом ряд остатков колеблется около нуля.

Из графика (Рис.9) видно, что сглаженные значения ряда повторяют контуры наблюдаемого временного ряда, значения прогнозной линии достаточно близки по структуре к динамике исходного временного ряда, что позволяет сделать вывод об адекватности построенного прогноза реальным данным.

Для проверки адекватности прогнозной модели построим гистограмму распределения остатков сглаженного ряда.

Рисунок 10 – Гистограмма распределения остатков сглаженного ряда

Из графика видно, что гистограмма распределения остатков сглаженного ряда подобна графику нормального распределения, следовательно, можно сделать вывод, что построенная модель адекватно отражает наблюдаемый процесс динамики стоимости активов банка «Йошкар-Ола» и построенный на её основе прогноз можно считать точным.

Для проверки адекватности модели необходимо оценить автокорреляционную функцию и частную автокорреляционную функции остатков, а также плотность распределения остатков.

Рисунок11 – График автокорреляционной функции остатков

(после преобразований графика)

Анализ значений автокорреляционной функции остатков показывает, что ряд остатков похож на белый шум.



Рисунок 12 – График частной автокорреляционной функции остатков

Анализ частной автокорреляционной функции также показывает отсутствие сильных взаимосвязей уровней остаточного ряда.

Так как процент ошибки равен 1,42 (<13% - допустимый предел), анализ автокорреляционной и частной автокорреляционной функций доказывает отсутствие сильных взаимосвязей уровней остаточного ряда, плотность распределения остатков близка к плотности нормального распределения можно сделать вывод о достаточно хорошем подборе прогнозной модели. Следовательно, используя полученную модель, можно строить прогноз.

Заключение

Таким образом, в ходе курсовой работы была достигнута ее цель, при помощи многомерных статистических методов анализа были построены эконометрические модели финансовых активов кредитных организаций ПФО. А также были выполнены все поставленные задачи. Рассмотрели теоретические аспекты кредитных организация и формирования финансовых активов, также было проведено моделирование показателя стоимости активов кредитных организаций ПФО по главным компонентам.

Финансовые активы — это ресурсы, контролируемые организацией, использование которых возможно вызовет в будущем приток экономической выгоды.

Размещение средств организации имеет огромное значение и в повышении эффективности финансовой деятельности. От того, какие средства вложены в основные и оборотные средства, сколько их находится в сферах производства и обращения, в денежной и материальной форме, насколько оптимально их соотношение, во многом зависят результаты производственной и финансовой деятельности, и, следовательно, и финансовое состояние организации.

Можно сказать, что на стоимость активов кредитных организаций Приволжского федерального округа влияют финансовые показатели: x₃ – выданные межбанковские кредиты; x₄ – вложения в ценные бумаги; x₅ – кредиты физическим лицам; x₆ – кредиты предприятиям и организациям; x₈ – вклады физических лиц. А на основании бета-коэффициентов мы можем сделать вывод о силе влияния факторов на результативный признак. Наиболее сильное влияние на сумму активов банков оказывает два фактора x₃ – выданные МБК и x₆ – кредиты предприятиям и организациям. Наименьшее влияние оказывает фактор x₈ – вклады физических лиц.

рабочей силы определенно влияют социально-экономические факторы.

В ходе работы были построены три эконометрические модели, отражающие зависимость активов от предложенных показателей. В ходе исследования было выяснено, что тремя главными факторными компонентами, влияющими на исследуемый показатель стали следующие: «депозиты и вложения в ценные бумаги».

Включает в себя:

x₂ – ностро-счета, тыс. руб;

x₃ – выданные МБК, тыс. руб;

x₄ – вложения в ценные бумаги тыс. руб;

х₈ – вклады физических лиц, тыс. руб;

х₉ – средства предприятий и организаций, тыс. руб.

Следующая вторая компонента кредиты предприятиям, основные средства и нематериальные активы» нагружена тремя факторами:

х₆ – кредиты предприятиям и организациям, тыс. руб;

х₇ – основные средства и нематериальные активы, тыс. руб;

х₁₀ – просроченная задолженность по кредитному портфелю, тыс. руб;

Третья компонента «кредиты физическим лицам»состоит из одного факторного признака:

х₅ – кредиты физическим лицам, тыс. руб.

Наиболее сильное влияние на сумму активов банка оказывает первая факторная компонента - «депозиты и вложения в ценные бумаги», вторая компонента и третья оказывают меньшее влияние.

Также была построена система эконометрических уравнений, отражающая зависимость между финансовыми показателями и двумя результативными признаками, характеризующие финансовые активы банков:

y₂ – капитал (тыс. руб);

х₂ – ностро-счета, (тыс. руб);

х₇ – основные средства и нематериальные активы, (тыс. руб).

По данной модели можно сделать следующий вывод. При росте стоимости капитала на единицу тыс. руб при неизменном уровне других показателей стоимость активов увеличится в среднем на 0,89 человек. При увеличении суммы носто-счета на 1 тыс. руб стоимость активов банка увеличится в среднем на 2,08 тыс. руб. С увеличением основных средств и нематериальных активов активы банка возрастут на 1,24 тыс. руб. Ранжирование факторных признаков по степени их влияния на результативный признак проводилось с использованием бета-коэффициентов, были сделаны следующие выводы. Рост стоимости активов в большей степени, зависит от суммы капитала, и в меньшей степени от основных средств и нематериальных активов.
Список литературы

1. 
   Батищева Г.А., Терехов Н.А. Исследование влияния макроэкономических факторов на эффективность деятельности кредитных организаций [Текст] / Батищева Г.А., Терехов Н.А. – Вестник РГЭУ РИНХ. – 2017. – №3 (59).
   
2. 
   Бекарева С.В., Мельтенисова Е.Н. Факторы прибыльности российского банковского сектора [Текст] / Бекарева С.В., Мельтенисова – Вестник ОмГУ. Серия: Экономика. – 2018. – №4.
   
3. 
   Босенко Я.В. Развитие организационно-методического обеспечения учета финансовых результатов деятельности экономического субъекта: дис. на соискание ученой степени канд. экон. наук. [Текст] // Ставрополь. – 2018. – 182с.
   
4. 
   Горяинова Е.Р. Прикладные методы анализа статистических данных: Учебное пособие / Е.Р. Горяинова, А.Р. Панков, Е.Н. Платонов. — М.: ИД ГУ ВШЭ, 2018. — 310 c.
   
5. 
   Жуков Е. Ф. Банки и небанковские кредитные организации, и их операции: [Текст] / Е. Ф. Жуков – Москва: Юнити-Дана, 2017. – 559с.
   
6. 
   Зубов С.А. Финансовые результаты банковского сектора в 2021г. [Текст] / Зубов С.А. – Экономическое развитие России. – 2022. – №2.
   
7. 
   Инструкция Банка России от 21 июня 2018 г. N 188-И "О порядке применения к кредитным организациям (головным кредитным организациям банковских групп) мер, предусмотренных статьей 74 Федерального закона "О Центральном банке Российской Федерации (Банке России)" (с изменениями и дополнениями) [Электронный ресурс] – https://base.garant.ru/72029492/ (Дата обращения: декабрь 2022).
   
8. 
   Информационный портал banki.ru [Электронный ресурс] / Рейтинги банков - Электрон, дан. - 2018.- Режим доступа: http://www.banki.ru/ banks/ratings/, свободный. - Загл. с экрана. - Яз. рус. - дата обращения: декбрь 2022.
   
9. 
   Катаргин Н.В. Экономико-математическое моделирование: учебное пособие / Н.В. Катаргин. – СПб.: Издательство Лань, 2018. - 256 c.
   
10. 
    Колпаков В.Ф. Экономико-математическое и эконометрическое моделирование: Компьютерный практикум: Учебное пособие / В.Ф. Колпаков. – М.: Инфра-М, 2018. - 672 c.
    
11. 
    Куликов Е.И. Прикладной статистический анализ. 2-е изд.,/ Е.И. Куликов. — М.: ГЛТ, 2018. — 464 c.
    
12. 
    Марамыгин М. С., Прокофьева Е. Н. Деньги, кредит, банки: учебное пособие [Текст] / М. С. Марамыгин, Е. Н. Прокофьева – Екатеринбург: Изд-во Урал. Ун-та. 2019. – 384 c.
    
13. 
    О банках и банковской деятельности: Федеральный закон от 02.12.1990 г. № 395-1-ФЗ [Электронный ресурс] – http:// ivo.garant.ru/#/document/10105800/paragraph/990967/highlight/ (дата обращения: 20.05.2022).
    
14. 
    Положение Банка России от 22 декабря 2014 г. N 446-П "О порядке определения доходов, расходов и прочего совокупного дохода кредитных организаций" (с изменениями и дополнениями) [Электронный ресурс] – https://base.garant.ru/70832382/ (Дата обращения: декабрь 2022).
    
15. 
    Указание Банка России от 3 апреля 2017 г. N 4336-У "Об оценке экономического положения банков" (с изменениями и дополнениями) [Электронный ресурс] – https://base.garant.ru/71682362/ (Дата обращения: декабрь 2022).
    
16. 
    Федеральный закон от 10 июля 2002 г. N 86-ФЗ "О Центральном банке Российской Федерации (Банке России)" (с изменениями и дополнениями) [Электронный ресурс] – https://base.garant.ru/12127405/ (Дата обращения: декабрь 2022).
    
17. 
    Чеботарева Г.С. Организация деятельности коммерческого банка: учебное пособие [Текст] / Чеботарева Г. С. – Екатеринбург: Издательство Уральского университета, 2018. — 120 с.
    
18. 
    Шершнева Е.Г. Диагностика финансового состояния коммерческого банка: учебно-методическое пособие [Текст] / Е.Г. Шершнева – Екатеринбург: Издательство Уральского университета, 2017. — 112с.
    
19. 
    Шелкунова Т.Г., Шеина Е.С. Особенности оценки финансовых результатов и эффективности деятельности коммерческого банка [Текст] / Шелкунова Т.Г., Шеина Е.С. – Экономика и бизнес: теория и практика. 2018. №4.
    
20. 
    Юзвович Л. И., Мокеева Н. Н., Слепухина Ю. Э., Бакунова Т. В., Заборовская А. Е., Чеботарева Г. С. Банковское дело: учебное пособие [Текст] / Л. И. Юзвович, Н. Н. Мокеева, Ю. Э. Слепухина, Т. В. Бакунова, А. Е. Заборовская, Г. С. Чеботарева – Екатеринбург: Издательство Уральского университета, 2020. – 296 с.
    

Приложения

Приложение А

Исходные данные для факторного анализа

	Активы нетто, тыс. руб	Денежные средства в кассе, тыс. руб	НОСТРО-счета, тыс. руб	Выданные МБК, тыс. руб	Вложения в ценные бумаги тыс. руб	Кредиты физическим лицам, тыс. руб	Кредиты предприятиям и организациям, тыс. руб	Основные средства и нематериальные активы, тыс. руб	Вклады физических лиц, тыс. руб	Средства предприятий и организаций, тыс. руб	Просроченная задолженность по кредитному портфелю, тыс. руб
Промтрансбанк	13651192	182736	38719	967139	8444595	2770525	795425	286513	5638298	269123	460107
АО КБ «Хлынов»	29327533	758001	999189	982696	7279694	7931646	10038060	469425	14538813	7708019	861124
АО «Первый Дортрансбанк»	2347223	73285	74932	966902	160271	47906	888118	96158	901165	966133	12935
ПАО «Норвик Банк»	21411099	862773	215021	2809871	5639682	8576379	1390635	1024031	13305410	4356968	1006561
Банк «Йошкар-Ола» (ПАО)	2332974	136971	24815	910000	97548	63584	988325	145777	1276001	478396	132114
ПАО Комбанк «Химик»	991713	33670	5479	327000	246790	70909	360941	146570	275630	434204	5927
АО «САРОВБИЗНЕСБАНК»	13267440	77932	202594	9434230	985618	3927	979579	1272745	2546664	405193	283213
ПАО «НБД-Банк»	27367364	1124153	532394	3831523	4491573	285920	14486459	818524	14497350	4963831	141050
АО комбанк «Арзамас»	2404403	9923	2186	331000	1136560	76201	739677	75520	1247154	442450	3923
АКБ «Форштадт» (АО)	13196918	222680	156249	33432	4649189	3980722	3404134	237133	5055998	3259373	1096609
ПАО «НИКО-БАНК»	13930990	577449	124994	364123	3409932	3672014	4877293	326369	8595878	3050965	78675
АО «БАНК ОРЕНБУРГ»	16071890	694644	657621	447283	2401139	6089199	4683099	500560	8715174	2290519	364895
ПАО Банк «Кузнецкий»	7026723	251960	178873	926669	898252	1198534	3034843	307247	3011098	2507141	368569
АО КБ «Урал ФД»	23513899	676288	550066	3655654	3936848	7101887	4726882	1487542	13557618	3989214	1894303
АО АКИБ «Почтобанк»	1168766	69888	28550	480041	6537907	181604	273920	83283	513723	167879	3173
Банк Пермь (АО)	2315068	50168	75981	1203989	5322389	174597	642286	91856	513723	1066000	30066
АО «Тольяттихимбанк»	18604276	368142	1652452	9030758	3532480	604402	2399443	229549	1165849	6385026	1219089
АО КБ «Солидарность»	72920159	776299	2025944	7410703	11895263	5585092	38551846	2093327	33263622	11258081	8377190
Народный инвестиционный банк	730354	27564	54737	520903	452357	85036	16141	12013	28788	96306	18495
АО «КОШЕЛЕВ-БАНК»	18829710	622672	270767	2461509	5031042	3181949	6001542	203646	12182502	2593174	208148
ООО «Земский банк»	6193100	360071	78176	521197	213575	480918	3626629	688286	4552501	647665	47522
АО «Экономбанк»	25065957	230407	195708	114054	13185997	531530	7667597	489201	14468000	7855031	4762508
ООО Банк «Саратов»	1997239	132016	11439	112894	280999	306258	1083945	26858	349056	1209301	17281
АО «Газнефтьбанк»	2206369	50593	1284	899000	463879	471512	452930	172063	1502471	291139	53624
АО «БАЛАКОВО-БАНК»	894628	38467	16282	261363	978564	55193	435974	84126	233221	233455	2
(АО «Банк „Агророс“)	7515720	299118	245442	3880000	135769	550114	1932371	254876	3177191	2535660	14411
АКБ «Энергобанк» (АО)	20443645	459755	926461	1591988	2299273	2927938	11324961	381619	5698111	7966348	367270
АО «ТАТСОЦБАНК»	35945772	1115418	1067170	17497277	306743	4098982	9726988	932100	5745234	19599507	161873
ООО «Камкомбанк»	3689535	85268	42188	756299	203654	1126494	1068546	326920	2009268	702594	50191
АО «ИК Банк»	2262945	112336	516198	388474	632533	75296	137662	259865	298743	1330131	798
ООО КБЭР «Банк Казани»	13114898	883863	280902	1904851	600542	1695782	6188336	740796	4948435	5274205	622368
«Банк Заречье» (АО)	3517072	51042	44654	1760749	284960	20782	525027	503045	846976	1526329	12621
ООО «АЛТЫНБАНК»	1908500	68367	21374	1267527	985493	182872	228713	56875	119673	885213	51167
ПАО «АКИБАНК»	23441903	783570	742342	4267788	3541863	1208399	9122251	1878820	10903074	5316880	733435
ООО «АвтоКредитБанк»	2551098	14902	750332	160000	54539	131947	1389231	15625	320672	1619393	930
АО «Автоградбанк»	5722259	210488	57191	513085	103359	1149457	2751828	666014	3721508	917402	110574
ООО Банк «Аверс»	142954537	1201707	3024527	68371297	53380343	4823493	7330874	598951	63279659	53226487	14263
АО «Датабанк»	14044564	893840	585323	2152182	1015328	2194688	5987466	377566	7737670	3759837	392999
ПАО «БыстроБанк»	29911409	730051	227491	5717915	1375587	19990014	81078	543248	21315401	1898099	1166420
АО Банк «Венец»	5161789	287795	116286	504121	407909	1165490	2286083	246121	3169704	888356	134817

Приложение Б
Показатели деятельности банка «Йошкар-Ола» за период c 01.01.2016 по 01.01.2022