Оценка контрагентного риска на рынке межбанковских кредитов
 Скачать 2.15 Mb.
|
|
Таблица 39 Результаты проведения теста Вальда PD/CDS F- статистика Уровень значимости PD1/CDS3 F(140, 6891) = 151.41 Prob > F = 0.0000 PD1/CDS5 F(140, 6894) = 155.87 Prob > F = 0.0000 PD1/CDS10 F(140, 6894) = 151.79 Prob > F = 0.0000 PD3/CDS3 F(140, 6891) = 389.24 Prob > F = 0.0000 PD5/CDS5 F(140, 6894) = 505.43 Prob > F = 0.0000 PD10/CDS10 F(140, 6894) = 589.30 Prob > F = 0.0000 Источник: составлено автором 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 (шесть вариантов) (см. Таблица 40): Test: Var(u) = 0 150 Таблица 40 Результаты проведения теста Бройша-Пагана PD/CDS Хи 2 Уровень значимости PD1/CDS3 chibar 2 (01) = 83351.33 Prob > chibar2 = 0.0000 PD1/CDS5 chibar2(01) = 83846.93 Prob > chibar2 = 0.0000 PD1/CDS10 chibar2(01) = 83624.86 Prob > chibar2 = 0.0000 PD3/CDS3 chibar2(01) = 1.2e+05 Prob > chibar2 = 0.0000 PD5/CDS5 chibar2(01) = 1.3e+05 Prob > chibar2 = 0.0000 PD10/CDS10 chibar2(01) = 1.3e+05 Prob > chibar2 = 0.0000 Источник: составлено автором 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. В тесте проверяется основная гипотеза, что корреляция случайного эффекта с регрессорами равна 0, при альтернативной гипотезе, 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. В нашем случае (шесть вариантов) (см. Таблица 41): Test: Ho: difference in coefficients not systematic ( разница в коэффициентах не систематическая) Таблица 41 Результаты проведения теста Хаусмана PD/CDS Хи 2 Уровень значимости PD1/CDS3 chi2(7) = 6.09 Prob>chi2 = 0.5295 PD1/CDS5 chi2(7) = 9.11 Prob>chi2 = 0.2446 PD1/CDS10 chi2(7) = 2.81 Prob>chi2 = 0.9024 PD3/CDS3 chi2(10) = 11.56 Prob>chi2 = 0.3155 PD5/CDS5 chi2(9) = 11.92 Prob>chi2 = 0.2177 PD10/CDS10 chi2(10) = 21.41 Prob>chi2 = 0.0184 Источник: составлено автором Поскольку уровень значимости значительно больше 1% (для всех регрессий, кроме десятилетнего периода, где уровень значимости немного больше 1%), основная гипотеза подтверждается. Полученные результаты позволяют сделать вывод, что в нашем случае подходит модель со случайными индивидуальными эффектами. 151 Таким образом, адекватной моделью оценки вероятности дефолта контрагента для российского коммерческого банка является модель со случайными эффектами. Итоговые формулы в зависимости от горизонта оценивания принимают следующий вид. Еще раз отметим, что в ходе исследования использовалось шесть комбинаций временных горизонтов оценивания и срочности CDS: • 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. PD1 it = 5.419 + 0.00171*CDS3 it + 0.0716*c2 it - 1.543*a1 it - 0.95*d2 it - 1.6*r2 it - 0.634*e2 it - - 0,0128*l1 it - 3.387*gov it - 2.846*inost it (14) PD1 it = 5.461 + 0.00187*CDS5 it + 0.0726*c2 it - 1.578*a1 it - 0.931*d2 it - 1.551*r2 it - 0.614*e2 it - - 0,0122*l1 it - 3.493*gov it - 2.851*inost it (15) PD1 it = 4.81 + 0.00214*CDS10 it + 0.0715*c2 it - 1.382*a1 it - 0.88*d2 it - 1.48*r2 it - 0,553*e2 it - - 0,0121*l1 it – 7.97e -11 *a it - 3.212*gov it - 2.844*inost it (16) PD3 it = 14.65 + 0.00282*CDS3 it + 1.041*c1 it + 0.092*c2 it - 1.568*a1 it - 2.604*a2 it - 0.0785*d1 it - - 2.432*d2 it - 2.798*r2 it - 1.279*e2 it - 0,0251*l1 it - 9.529*gov it - 8.277*inost it (17) PD5 it = 20.7 + 0.0041*CDS5 it + 2.184*c1 it + 0.106*c2 it - 5.215*a2 it - 0.119*d1 it - 3.719*d2 it - - 3.877*r2 it - 1.843*e2 it - 0,0308*l1 it - 14.23*gov it - 12.29*inost it (18) PD10 it = 30.03 + 0.00588*CDS10 it + 3.841*c1 it + 0.153*c2 it + 2.167*a1 it - 11.37*a2 it - 0.159*d1 it - - 5.434*d2 it + 1.944*r1 it - 4.391*r2 it - 2.567*e2 it - 0,039*l1 it - 21.7*gov it - 18.52*inost it (19) Таким образом, мы получили финальные модели оценки вероятности дефолта российских коммерческих банков на основе авторской модели построения кредитных дефолтных свопов. Отметим, что по мере роста горизонта оценивания растет и вероятность дефолта, что соответствует принятой взаимосвязи срочности и вероятности. Исходя из вышесказанного, вероятность дефолта российского коммерческого банка зависит от величины спреда CDS, наличия или отсутствия у банка поддержки со стороны государства или иностранного акционера, а также набора финансовых параметров, соответствующего принятой рейтинговой системе оценок банков CAMELS. В зависимости от горизонта оценивания определяется конкретный перечень переменных, которые оказывают влияние на вероятность дефолта банка: 152 На однолетнем горизонте к таким переменным относятся: • «Показатель качества капитала», • «Показатель доли доходных активов», • «Контур срочных активов», • «Показатель рентабельности активов (ROA)», • «Показатель оборачиваемости краткосрочных МБК», • «Показатель доли эмитированных (выпущенных) обязательств». На трехлетнем горизонте к вышеперечисленным переменным добавляются: • «Показатель общей достаточности капитала», • «Показатель доли прочих активов в балансе банка», • «Показатель кредитной активности». На пятилетнем горизонте оценивания используются все вышеперечисленные переменные, кроме: • «Показателя доли доходных активов». На десятилетнем горизонте ко всем вышеперечисленным переменным добавляется: • « Показатель доли неустойчивых обязательств». Учитывая сегодняшнюю нестабильную экономическую ситуацию в России, представляется разумным использовать однолетний горизонт оценивания вероятности дефолта с применением значения наиболее ликвидного и востребованного пятилетнего спреда CDS. В Таблице 42 приведены сравнительные характеристики авторской модели с принятыми моделями оценки контрагентного риска. Таблица 42 Сравнительный анализ моделей оценки контрагентного риска Характеристика Модели, основанные на финансовых показателях Модели, основанные на стоимости долга (облигации) Модели, основанные на кредитных дефолтных свопах (CDS) Авторская модель Подход к моделированию Модель Мертона (структурная модель) Редуцированная модель Модель Мертона и Редуцированная модель Расширенная мультифакторная структурная модель Ключевые вводные Вероятность дефолта Капитал Активы Обязательства Стоимость облигаций Ставка процента Время до погашения Спреды CDS Ставка процента Время до погашения Финансовые показатели Прогнозные спреды CDS Кредитные рейтинги 153 Преимущества Покрывает все банки, постоянно раскрывающие свою отчетность (в том числе на развивающихся рынках) Покрывает все банки, облигации которых торгуются на бирже Покрывает все банки, на долг которых есть CDS Идеальная модель для оценки суверенных рисков Покрывает все банки, постоянно раскрывающие свою отчетность (в том числе на развивающихся рынках) Непрерывная оценка Недостатки Нерегулярное обновление отчетности Лимитированное количество факторов может приводить к неправильным результатам Не учитывает рыночный фактор Не покрывает банки, не выпускавшие облигации Проблема оценки неликвидных облигаций Плохо применима на развивающихся рынках Не покрывает банки, на долг которых CDS не торгуются Проблема оценки неликвидных CDS Плохо применима на развивающихся рынках Точность модели зависит, в том числе и от точности прогнозных спредов CDS Источник: составлено автором на основе проведенного исследования, а также данных рейтингового агентства Standard & Poor’s. Построенная в рамках настоящего исследования авторская модель оценки контрагентного риска сравнивается с тремя другими моделями оценки 161 : • основанные на финансовых показателях; • основанные на стоимости долга; • основанные на CDS. Каждый из видов моделей обладает достоинствами: модели на основе финансовых показателей основываются на данных финансовой отчетности, и таким образом покрывают все банки, на регулярной основе публикующие результаты деятельности (в том числе и на развивающихся рынках); модели на основе стоимости других долговых обязательств банков учитывают рыночные факторы и исходят из возможности банка исполнить свои долговые обязательства в полном объеме и в срок, и таким образом покрывают все банки, долговые инструменты которых котируются на рынке; модели на основе торгующихся CDS так же, как и предыдущий вид моделей, учитывают рыночную составляющую и в первую очередь руководствуются оценкой эмитента данного CDS 161 Агеев В.И., Красильникова Е.В. Стимулирование инновационного роста экономики с позиций анализа подсистем: корпоративного сектора и устойчивости банков // Креативная экономика. – 2014. – № 3 (87). – с. 36-48. 154 со стороны внешних инвесторов, и таким образом покрывают всех эмитентов, CDS на долг которых представлены на рынке, и в большей степени подходят для оценки суверенных рисков. Есть также у рассмотренных видов моделей и существенные недостатки: финансовые отчетности не учитывают рыночную составляющую и обновляются, как правило, не чаще, чем раз в квартал, к тому же в них может быть использовано лимитированное количество факторов, что также может приводить к неточным оценкам; количество банков, долговые инструменты которых представлены на рынке, ограничено, особенно это касается развивающихся рынков, к тому же есть проблема оценки неликвидных долговых инструментов, все эти проблемы в совокупности приводят к тому, что данный вид моделей применим для ограниченного круга банков; все перечисленные в предыдущем пункте недостатки также применимы и для моделей на основе CDS: банков, на долговые инструменты которых они котируются, на рынке еще меньше, плюс также существует проблема оценки неликвидных инструментов. Предложенная в настоящем исследовании авторская модель сочетает в себе многие достоинства перечисленных моделей и нивелирует их недостатки. В авторской модели учитываются не только фундаментальные показатели, без анализа которых итоговая оценка риска будет не точной, но также модель принимает в расчет и рыночную составляющую, основанную на полученных значениях теоретических спредов CDS. Построение модели оценки справедливой стоимости CDS контрагентов позволяет добиться пересмотра оценок контрагентного риска на ежедневной основе, что отвечает сегодняшним запросам риск-менеджмента, и фактически позволяет говорить о возможности проведения оценки в непрерывном режиме. Использование в качестве базы для анализа банков из группы стран БРИКС позволяет говорить о том, что настоящая модель в лучшей мере учитывает специфические особенности банков из стран с развивающимися экономиками, к которым в том числе относится и Россия. Таким образом, авторская модель применима для оценки контрагентного риска банков развивающихся экономик. Важным преимуществом авторской модели также является то, что она применима для всех банков, на постоянной основе раскрывающих результаты финансовой деятельности. Учитывая тот факт, что на сегодняшний день, в соответствии с требованиями национальных и международных регуляторов, практически любой банк обязан публиковать отчетность на регулярной основе, можно говорить о том, что авторская модель применима для самого широкого круга кредитных организаций. Конечно же, как и любой модели, авторской модели также присущи и некоторые недостатки. В первую очередь они заключаются в точности построения прогнозных значений 155 спредов CDS, а также объективности кредитных рейтингов, присваиваемых международными рейтингами, которые используются в авторской модели для настройки точности ее оценок. Дальнейшее усовершенствование авторской модели может заключаться во включении в модель макроэкономических переменных, характеризующих страну происхождения анализируемого банка, а также в учете дополнительного экспертного фактора, играющего существенную роль при оценке рисков банков из стран с развивающимися экономиками. 156 3.3. Алгоритм оценки контрагентного риска на рынке межбанковских кредитов на основе авторской модели построения кредитных дефолтных свопов Как уже отмечалось выше, взаимодействие банков на рынке межбанковского кредитования предполагает оценивание рисков контрагентов и по его итогам установление предельных лимитов риска. Проведенное в предыдущих параграфах эмпирическое исследование представляет собой этап оценки вероятности дефолта контрагента. Теперь по итогам полученных с помощью моделей данных необходимо выстроить лимитную политику банка, что в совокупности будет представлять алгоритм оценки контрагентного риска на рынке межбанковского кредитования. Выделим три основных этапа данного алгоритма: 1) Построение теоретического значения спреда CDS для анализируемых контрагентов. 2) Оценка риска контрагента, которая предполагает оценку вероятности дефолта контрагентов с учетом полученных на первом этапе теоретических спредов CDS. 3) Определение максимально допустимого размера принимаемого риска на контрагента, то есть установление на него предельного лимита риска в соответствии с полученной на предыдущем этапе вероятностью дефолта контрагента. Полученная в эмпирической части исследования итоговая модель оценки вероятности дефолта (формула 15) применяется для оценки вероятности дефолта российских банков, которые делятся на семь групп, каждая из которых соответствует своему максимальному уровню приемлемого риска, то есть устанавливаемого предельного лимита (см. Таблица 43). Таблица 43 Соответствие группы риска вероятности дефолта Группа риска 1 2 3 4 5 6 7 Соответствующий рейтинг A BBB BB B CCC CC D Вероятность дефолта <1,5% 1,5-2,5% 2,5-3,5% 3,5-4,5% 4,5-5,5% 5,5-6,5% >6,5% Источник: составлено автором Разделение контрагентов на 7 групп риска с присвоением соответствующего рейтинга предполагает следующее обоснование каждого из рейтингов: • А – очень высокая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как устойчивое и стабильное в долгосрочной перспективе; наивысший уровень надежности; • BBB – высокая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как устойчивое и стабильное в среднесрочной перспективе; высокий уровень надежности; 157 • BB – сравнительно высокая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как устойчивое и стабильное в краткосрочной перспективе; сравнительно высокий уровень надежности; • B – средняя способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как сравнительно устойчивое; средний уровень надежности; • CCC – сравнительно низкая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как удовлетворительное; сравнительно низкий уровень надежности; • CC – низкая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как удовлетворительное, но нестабильное; низкий уровень надежности; • D – недопустимо низкая способность кредитной организации своевременно и в полном объеме исполнять свои обязательства; финансовое состояние оценивается как неудовлетворительное или близкое к неудовлетворительному; очень низкий уровень надежности. В целях ограничения кредитных рисков все операции, которые могут приводить к возникновению у банка требований к контрагентам, осуществляются в пределах устанавливаемых совокупных лимитов. Совокупный лимит контрагентного риска ограничивает максимальные финансовые потери банка при наступлении события неисполнения (то есть фактически дефолта) контрагентом своих обязательств по сделкам. Так как на величину максимально допустимого принимаемого на себя риска влияет не только состояние контрагента, но и объемы его бизнеса, а также объемы бизнеса самого банка (есть максимальный размер риска, установленный регуляторами, который может принимать на одного контрагента каждый банк – 25% от величины его собственных средств, обязательный норматив Н6), величина совокупного лимита определяются следующими параметрами: • рассчитанная вероятность дефолта контрагента (PD); • величина собственных средств контрагента (CAP К ); • величина собственных средств банка (CAP Б ). Совокупный лимит контрагентного риска рассчитывается следующим образом: LIM = MIN(CAP К *C 1 ;CAP Б *C 2 ), (20) где LIM – величина совокупного лимита контрагентного риска для контрагента; CAP К – величина собственных средств контрагента; 158 C 1 – коэффициент, соответствующий максимальной доле собственных средств контрагента, которая может быть верхним пределом для совокупного лимита контрагентного риска, величина которого зависит от группы риска, к которой относится данный контрагент; CAP Б – величина собственных средств банка; C 2 – коэффициент, соответствующий максимальной доле собственных средств банка, которая может быть верхним пределом для совокупного лимита контрагентного риска, величина которого зависит от группы риска, к которой относится данный контрагент. Значение коэффициентов приведено в следующей Таблице 44: |