Оценка контрагентного риска на рынке межбанковских кредитов
 Скачать 2.15 Mb.
|
|
Таблица 29 Сравнение влияния всех регрессоров по сквозной регрессии и моделям с фиксированными и случайными эффектами Регрессор Линейная регрессионная модель Модель с фиксированными эффектами Модель со случайными эффектами 3 5 10 3 5 10 3 5 10 Cdsn +* +* +* +* +* +* +* +* +* Ltotalassets -* -* -* -* -* -* -* -* -* Capfundliab +* + - +* + -* + + - Netintmarg +* +* +* -* -* -* + + + Roa +* +* +* + + + +* + + Costincratio + + + - - - + - + Nlta -* -* -* +* + + +* - - Nlcf +* +* +* +* +* - + + + Liqasstfund - - - - + + - - - Ropta + + + +* + + +* +* + Implgrossl + - + - + +* - + +* tier1 -* -* -* - - + - - - Interr - - -* + + + - - - Lgoodwill +* +* +* + - + +* + + Sumc + + +* +* +* +* +* +* +* Gov -* -* -* - - - B -* -* -* -* -* -* R -* -* -* -* -* -* I -* -* -* -* -* -* Constant +* +* +* +* +* +* +* +* +* Кол-во наблюдений 333 373 352 333 390 335 350 390 335 Кол-во банков - - - 22 24 21 23 24 21 Источник: составлено автором 134 Из приведенного выше сравнения можно сделать следующие выводы: 1) «Суверенный спред CDS» всегда значим и его влияние положительно. Это доказывает первоначальную гипотезу о том, что «Спред CDS» контрагента в первую очередь состоит из суверенного спреда плюс определенная дельта, отражающая особенности конкретного банка. 2) «Изменение итого активов» всегда оказывает положительное влияние на оценку банка внешними инвесторами: чем больше активы, тем меньше «Спред CDS». То есть рост величины активов банка отрицательно влияет на вероятность дефолта: чем значительнее рост, тем, при прочих равных условиях, меньше вероятность дефолта. 3) «Вероятность дефолта страны», к которой относится данный банк, также всегда положительно влияет на «Спред CDS», то есть, чем больше вероятность дефолта страны, тем хуже банк оценивают внешние инвесторы. 4) «Наличие государственного участия в акционерном капитале банка» также находит положительное отражение в оценке банка внешними инвесторами, что тоже логично. 5) Как и при первой сквозной регрессии, модель со случайными эффектами позволяет отранжировать страны по влиянию показателя «Страновая принадлежность» на значение «Спреда CDS».Российские банки по этому показателю находятся между бразильскими и индийскими, с одной стороны, и китайскими, с другой. Таким образом, при прочих равных условиях, значение спреда CDS у индийских банков должно быть наименьшим из представленной выборки стран, а у китайских банков, наоборот, – наибольшим. 6) Следующие переменные имеют определенно положительное влияние на «Спред CDS» , то есть их рост этих показателей ведет к росту спредов CDS и, таким образом, отрицательно оценивается внешними инвесторами: • переменная «Основные фонды / Итого обязательства», то есть большее количество основных средств свидетельствует о меньшем количестве денежных активов, которые способны приносить банку прибыль (за исключением десятилетнего CDS, когда инвесторы оценивают увеличение основных фондов в долгосрочном периоде положительно); • переменные «Чистая процентная маржа» и «Средняя рентабельность активов» по- прежнему отрицательно взаимосвязаны с оценкой внешних инвесторов; • переменная «Кредиты за вычетом резервов / Депозиты и краткосрочное привлечение» – чем соотношение кредитов к краткосрочным депозитам у банка выше, тем менее платежеспособным он является; • рост показателя «Доля оставшейся операционной прибыли в активах» – к оставшейся операционной прибыли относятся доходы от неосновной деятельности, а также разовые доходы, и ее большая доля также негативно влияет на оценку банка внешними инвесторами; 135 • рост показателя «Обесцененные кредиты / Сумма выданных кредитов» –чем больше доля неработающих и/или проблемных активов у банка, тем выше вероятность его дефолта; • рост показателя «Гудвилл» – у тех банков, по которым он рассчитывается, рост доли стоимости Гудвилла в активах свидетельствует о возрастающей вероятности его дефолта. 7) Следующие переменные имеют определенно негативное влияние на «Спред CDS», то есть рост этих показателей ведет к уменьшению спредов CDS и, таким образом, положительно оценивается внешними инвесторами: • переменная «Ликвидные активы / Депозиты и краткосрочное привлечение» – чем больше у банка соотношение ликвидных активов к краткосрочным депозитам, тем платежеспособность у него выше; • переменная «Коэффициент достаточности капитала» – чем выше уровень достаточности капитала банка, тем, при прочих равных условиях, он надежнее; • переменная «Межбанковский коэффициент» – чем выше соотношение остатков по счетам-ностро и счетам-лоро у банка, тем лучше он воспринимается внешними инвесторами. 8) Наконец, есть группа регрессоров, влияние которых однозначно определить не удается: Коэффициент Затраты / Расходы» и «Кредиты за вычетом резервов / Итого активы». 9) Влияние константы всегда положительно и значимо для всех моделей. Выберем наилучшую для наших данных модель. Для этого проведем попарное сравнение рассмотренных моделей: 1) Сквозную линейную регрессию сравним с регрессионной моделью с фиксированными эффектами – тест Вальда (Wald test). 2) Сквозную линейную регрессию сравним с регрессионной моделью со случайными эффектами – тест Бройша-Пагана (Breusch-Pagan test). 3) Регрессионную модель с фиксированными эффектами сравним с регрессионной моделью со случайными эффектами – тест Хаусмана (Hausman specification test). Тест Вальда проверяет гипотезу о равенстве нулю всех индивидуальных эффектов. В нашем случае (три варианта): CDS3 F test that all u_i=0: F(21, 303) = 26.83 Prob > F = 0.0000 CDS5 F test that all u_i=0: F(23, 361) = 47.05 Prob > F = 0.0000 CDS10 F test that all u_i=0: F(20, 306) = 34.76 Prob > F = 0.0000 136 Поскольку уровень значимости меньше 1%, то основная гипотеза отвергается. Таким образом, регрессионная модель с фиксированными эффектами лучше подходит для описания данных, чем модель простой линейной регрессии. Тест Бройша-Пагана является тестом на наличие случайного индивидуального эффекта и проверяет линейную зависимость дисперсии случайных ошибок от набора переменных. Основная гипотеза заключается в том, что эта дисперсия равна 0. В нашем случае (три варианта): CDS3 Test: Var(u) = 0 chibar2(01) = 1654.57 Prob > chibar2 = 0.0000 CDS5 Test: Var(u) = 0 chibar2(01) = 2172.05 Prob > chibar2 = 0.0000 CDS10 Test: Var(u) = 0 chibar2(01) = 1415.51 Prob > chibar2 = 0.0000 Поскольку уровень значимости меньше 1%, то основная гипотеза отвергается. Таким образом, регрессионная модель со случайными эффектами лучше подходит для описания данных, чем модель простой линейной регрессии. Тест Хаусмана позволяет сделать выбор между моделями с фиксированными и случайными эффектами. Модель со случайными эффектами может быть применима только в том случае, когда существует некоррелированность случайного эффекта с регрессорами. В тесте проверяется основная гипотеза, что такая корреляция равна 0, при альтернативной, что их корреляция нулю не равна. Этот тест построен на разности двух оценок, полученных из регрессий с фиксированными и случайными эффектами. Первые состоятельны как в случае основной, так и в случае альтернативной гипотезы, вторые – только при основной гипотезе. Отметим, что из-за приведенных предпосылок тест Хаусмана может быть применим только к тем оценкам, которые одновременно присутствуют в обеих регрессиях. С целью соблюдения этого условия проведем сравнение регрессий с одними и теми же переменными. 137 В нашем случае (три варианта): Test (CDS3): Ho: difference in coefficients not systematic ( разница в коэффициентах не систематическая) chi2(5) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 4.48 Prob>chi2 = 0.4822 Test (CDS5): Ho: difference in coefficients not systematic ( разница в коэффициентах не систематическая) chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 2.04 Prob>chi2 = 0.7277 Test (CDS10): Ho: difference in coefficients not systematic ( разница в коэффициентах не систематическая) chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 11.99 Prob>chi2 = 0.0174 Поскольку уровень значимости существенно больше 1% для трехлетнего и пятилетнего CDS и просто больше 1% для десятилетнего CDS, основная гипотеза подтверждается. Полученные результаты позволяют сделать вывод, что в нашем случае подходит модель со случайными индивидуальными эффектами. Таким образом, наиболее качественные с нашей точки зрения модели (для трехлетних, пятилетних и десятилетних CDS) были получены с помощью оценки регрессии со случайными эффектами. Полученные теоретические значения спредов CDS будут в дальнейшем использованы для модели оценки вероятности дефолта. Итоговые формулы принимают следующий вид: CDS3 it = 2145.6 + 1.18*CDS3 n,it – 109.47*ltotalassets it + 5.28*roa it + 1.21*nlta it + 82.13*ropta it + + 3.41*lgoodwill it + 70.08*sum3 c,it – 226.1*r (11) CDS5 it = 1515.8 + 1.25*CDS5 n,it – 73.76*ltotalassets it + 74.95*ropta it + 38.7*sum5 c,it – 125.38*r (12) CDS10 it = 2033.6 + 1.25*CDS10 n,it – 101.12*ltotalassets it + 2.23*implgross it + 41.01*sum10 c,it – – 294.4*r (13) 138 На основании проведенного исследования был получен вывод: величина спреда CDS зависит от спреда CDS на государственный долг, вероятности дефолта страны происхождения банка и роста величины активов. Но есть у CDS также особенности, зависящие от срока: Спреды трехлетних CDS также объясняются рентабельностью активов, долей кредитов в активах банка, долей оставшейся операционной прибыли и изменением гудвилла. Спреды пятилетних CDS также объясняются долей оставшейся операционной прибыли. Спреды десятилетних CDS также объясняются долей обесцененных кредитов в совокупном кредитном портфеле. Отметим, при прочих равных условиях, в первую очередь принято смотреть на значение пятилетнего CDS, так как именно этот инструмент является наиболее ликвидным и самым востребованным на рынке. Модель оценки вероятности дефолта После определения теоретических значений спредов CDS, проведем оценку авторской модели вероятности дефолта российского коммерческого банка. Для тестирования предполагается использовать ранее рассмотренные четыре вида моделей: • линейная регрессионная модель; • модель панельных данных «between»-регрессии; • модель с фиксированными эффектами; • модель со случайными эффектами. В ходе исследования далее использовалось шесть сочетаний моделей: • горизонт оценивания в один год с включением в модель трехлетнего спреда CDS; • горизонт оценивания в один год с включением в модель пятилетнего спреда CDS; • горизонт оценивания в один год с включением в модель десятилетнего спреда CDS; • горизонт оценивания в три года с включением в модель трехлетнего спреда CDS; • горизонт оценивания в пять лет с включением в модель пятилетнего спреда CDS; • горизонт оценивания в десять лет с включением в модель десятилетнего спреда CDS. Из большого перечня объясняющих переменных, рассмотренных в первом параграфе настоящей Главы, необходимо выбрать не коррелирующие между собой. Матрица корреляций анализируемых переменных приведена в Приложении 3. Определенная часть переменных сильно взаимосвязаны друг с другом (приемлемый уровень корреляции 0,5). После исключения из модели сильно взаимосвязанных переменных был сформирован следующий перечень переменных (см. Таблица 30): 139 Таблица 30 Окончательный набор переменных регрессионной модели оценки вероятности дефолта банка-контрагента Обозначение в модели Переменная в модели Мера измерения sum3, sum5, sum10 «Вероятность дефолта» % cds3, cds5, cds10 «Спред CDS» Базисные пункты c1 «Показатель общей достаточности капитала» % c2 «Показатель качества капитала» % a1 «Показатель доли доходных активов» % a2 «Показатель доли прочих активов в балансе банка» % d1 «Показатель кредитной активности» % d2 «Контур срочных активов» % e2 «Показатель рентабельности активов (ROA)» % l1 «Показатель оборачиваемости краткосрочных МБК» % l2 «Показатель зависимости от краткосрочных МБК» % l3 «Показатель высоколиквидных активов» % r1 « Показатель доли неустойчивых обязательств» % r2 «Показатель доли эмитированных (выпущенных) обязательств» % A « Размер активов банка» тыс. руб. ni_1 « Чистая прибыль или убыток за месяц». тыс. руб. com, inost « Государственное» или «Иностранное участие» Фиктивная переменная Источник: составлено автором Далее приведены результаты построения простейшей регрессии линейного вида со всеми отобранными переменными (см. Таблица 31): Таблица 31 Первоначальное оценивание регрессии линейного вида (1) (2) (3) (4) (5) (6) ols_13 ols_15 ols_110 ols_33 ols_55 ols_1010 VARIABLES sum1 sum1 sum1 sum3 sum5 sum10 cds3 0.00444*** 0.00831*** (0.000187) (0.000463) cds5 0.00502*** 0.0121*** (0.000234) (0.000868) cds10 0.00516*** 0.0165*** (0.000208) (0.00123) c1 -2.516*** -2.142*** -2.617*** -7.111*** -10.32*** -18.14*** (0.330) (0.331) (0.330) (0.820) (1.227) (1.943) c2 0.0666 0.0633 0.0620 -0.0457 -0.163 -0.285 (0.0418) (0.0421) (0.0416) (0.104) (0.156) (0.246) 140 a1 -0.254 -0.532 0.0997 0.446 -0.285 1.321 (0.459) (0.461) (0.460) (1.140) (1.713) (2.712) a2 2.677*** 2.592*** 2.444*** 0.134 -1.956 -4.114 (0.536) (0.541) (0.535) (1.330) (2.008) (3.154) d1 -0.0831** -0.103*** -0.0659* -0.153 -0.249* -0.236 (0.0396) (0.0398) (0.0395) (0.0983) (0.148) (0.233) d2 -1.709*** -1.463*** -1.512*** -5.021*** -6.713*** -10.59*** (0.262) (0.262) (0.259) (0.650) (0.974) (1.531) r1 0.571** 0.594** 0.597** 2.616*** 4.307*** 6.392*** (0.239) (0.241) (0.238) (0.594) (0.894) (1.405) r2 1.181*** 1.395*** 1.433*** 10.85*** 19.95*** 34.38*** (0.369) (0.372) (0.368) (0.916) (1.380) (2.171) e2 -1.899*** -1.816*** -1.589*** -3.693*** -4.674*** -5.641*** (0.291) (0.293) (0.291) (0.723) (1.089) (1.716) l1 0.00924** 0.0110** 0.0121*** 0.0445*** 0.0819*** 0.137*** (0.00437) (0.00440) (0.00435) (0.0108) (0.0163) (0.0257) l2 0.338 0.242 0.0297 1.557 1.516 -0.602 (0.450) (0.454) (0.450) (1.117) (1.687) (2.654) l3 0.101 0.0795 0.0791 -0.103 -0.370 -0.749 (0.145) (0.146) (0.145) (0.360) (0.542) (0.853) a -0 -0 0 -1.42e-10* -3.46e- 10*** -3.36e-10* (0) (0) (0) (7.24e-11) (1.09e-10) (1.74e-10) ni_1 1.67e-09 1.58e-09 1.70e-09 2.72e-09 2.96e-09 4.24e-09 (4.16e-09) (4.19e-09) (4.15e-09) (1.03e-08) (1.56e-08) (2.45e-08) gov -2.528*** -2.758*** -2.597*** -7.492*** -11.64*** -17.67*** (0.125) (0.124) (0.124) (0.311) (0.462) (0.731) inost -2.530*** -2.548*** -2.534*** -7.067*** -10.31*** -15.45*** (0.0924) (0.0930) (0.0921) (0.229) (0.345) (0.543) Constant 2.596*** 2.590*** 1.404*** 9.762*** 16.22*** 24.46*** (0.385) (0.396) (0.404) (0.955) (1.468) (2.381) Observations 7,047 7,050 7,050 7,047 7,050 7,050 R-squared 0.315 0.306 0.320 0.333 0.317 0.307 Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 Источник: составлено автором Общее количество наблюдаемых данных составило 7050. Значения скорректированных R 2 колеблются от 0,306 до 0,333. После проведения поэтапного исключения из моделей незначимых переменных были получены следующие итоговые линейные модели для каждого выбранного сочетания (см. Таблица 32): Таблица 32 Оценивание окончательной регрессии линейного вида (1) (2) (3) (4) (5) (6) ols3 ols5 ols10 ols33 ols55 ols1010 VARIABLES sum1 sum1 sum1 sum3 sum5 sum10 cds3 0.00449*** 0.00835*** (0.000176) (0.000449) cds5 0.00515*** 0.0121*** (0.000221) (0.000841) cds10 0.00509*** 0.0162*** (0.000193) (0.00118) 141 c1 -2.495*** -2.120*** -2.594*** -7.315*** -10.72*** -18.50*** (0.318) (0.318) (0.318) (0.786) (1.177) (1.860) a2 2.648*** 2.521*** 2.508*** (0.529) (0.534) (0.527) d1 -0.0830** -0.108*** -0.0670* (0.0386) (0.0388) (0.0385) d2 -1.809*** -1.626*** -1.466*** -5.117*** -6.588*** -9.526*** (0.215) (0.216) (0.214) (0.487) (0.734) (1.155) r1 0.577*** 0.643*** 0.589*** 2.303*** 4.158*** 6.375*** (0.223) (0.224) (0.222) (0.543) (0.817) (1.286) r2 1.140*** 1.377*** 1.387*** 10.87*** 19.88*** 34.55*** (0.360) (0.363) (0.359) (0.899) (1.356) (2.133) e2 -1.976*** -1.916*** -1.630*** -3.622*** -4.472*** -5.140*** (0.286) (0.289) (0.287) (0.708) (1.069) (1.686) l1 0.0101** 0.0115*** 0.0124*** 0.0485*** 0.0880*** 0.138*** (0.00423) (0.00426) (0.00422) (0.0105) (0.0158) (0.0248) a -1.42e- 10** -3.45e- 10*** -3.43e- 10** (7.22e-11) (1.08e-10) (1.73e-10) gov -2.511*** -2.789*** -2.529*** -7.501*** -11.67*** -17.78*** (0.116) (0.114) (0.115) (0.308) (0.458) (0.724) inost -2.517*** -2.537*** -2.531*** -7.047*** -10.37*** -15.62*** (0.0911) (0.0918) (0.0908) (0.223) (0.336) (0.529) Constant 2.477*** 2.198*** 1.563*** 10.30*** 15.80*** 24.60*** (0.204) (0.218) (0.222) (0.470) (0.769) (1.257) Observations 7,047 7,050 7,050 7,047 7,050 7,050 R-squared 0.315 0.305 0.319 0.333 0.317 0.306 Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 Источник: составлено автором Значения скорректированных R 2 колеблются от 0,305 до 0,333. Отметим следующие основные закономерности: 1) Объясняющие переменные отличаются для различных горизонтов оценивания (один год, три года, пять лет и десять лет). Учитывая, что речь идет о российской экономике в настоящий момент, в период общей экономической нестабильности, разумным представляется уделить наибольшее внимание однолетнему горизонту оценивания вероятности дефолта банка- контрагента. 2) Коэффициент при показателе «Спред CDS» всегда значим (на 1%-ом уровне значимости) и положительно влияет на вероятность дефолта, то есть по мере увеличение спреда увеличивается и вероятность дефолта, что, безусловно, логично и подтверждает основную гипотезу исследования. 3) Наличие государственной или иностранной поддержки отрицательно влияют на вероятность дефолта. То есть наличие государственного или иностранного участия в акционерном капитале сокращает, при прочих равных условиях, вероятность дефолта. При этом влияние государственного участия немного сильнее, чем влияние иностранного участия. 142 4) Все значимые переменные можно разделить на две группы: влияние которых на вероятность дефолта положительно и отрицательно. По мере роста следующих показателей возрастает и вероятность дефолта: «Показатель доли прочих активов в балансе банка»,«Показатель доли неустойчивых обязательств», «Показатель доли эмитированных (выпущенных) обязательств» и «Показатель оборачиваемости краткосрочных МБК». По мере роста нижеприведенных показателей вероятность дефолта сокращается: «Показатель общей достаточности капитала», «Показатель кредитной активности», «Контур срочных активов», «Показатель рентабельности активов (ROA)», а для периода больше одного года также и «Размер активов банка». Надо отметить, что влияние всех регрессоров согласуется с экономической логикой. 5) Влияние свободного члена (константы) также значимо и положительно (на 1%-ом уровне значимости). Как мы уже не раз отмечали, анализируемые переменные имеют явный вид панельных данных (большое количество банков с некоторым количеством переменных за несколько временных периодов). Следовательно, для более точного анализа и учета специфических характеристик различающихся банков требуется переход к моделям, учитывающим панельный характер данных. Проведем далее анализ таких моделей. Далее было проведено оценивание регрессии «between» по всем предложенным переменным (см. Таблица 33): |