Оценка контрагентного риска на рынке межбанковских кредитов
 Скачать 2.15 Mb.
|
|
Глава 2. Основные модели и инструменты оценки контрагентного риска в коммерческом банке В Первой главе были рассмотрены понятие «контрагентный риск», его основные свойства, операции, в которых он существенным образом реализуется в коммерческом банке, его взаимосвязь с другими рисками, а также перспективы развития межбанковского рынка России, на котором происходит сделки, в которых контрангентный риск наиболее часто проявляется, и виды сделок, по которым коммерческие банки устанавливают лимиты кредитного риска на своих контрагентов. Во Второй главе будут рассмотрены основные модели оценки кредитного риска и их применимость для оценки контрагентного риска, предложены новые подходы к оценке кредитного риска с применением производных финансовых инструментов, а именно кредитного дефолтного свопа (Credit Default Swap, далее – CDS). Данный финансовый инструмент будет подробно рассмотрен, оценены его основные преимущества и недостатки и приведены основные модели построения прогнозных значений CDS , которые могут быть использованы для построения модели оценки контрагентного риска в коммерческом банке. 2.1. Основные подходы к оценке контрагентного риска в коммерческом банке « Количественное измерение рисков является важной составляющей процесса управления рисками в коммерческом банке» 44 . Традиционно контрагентный риск рассматривается в разрезе каждого конкретного контрагента. Коммерческим банком проводится оценка связанных с контрагентом рисков на предмет его способности выполнять взятые на себя кредитные обязательства. Для этих целей разрабатываются различные методики оценки контрагентного риска. Прежде всего, это методики, основанные на анализе количественных коэффициентов контрагента, целью которых является оценка его финансового состояния. Также проводится экспертная оценка качественных показателей деятельности контрагента. Одним из способов оценки контрагентного риска является подход, изложенный Базельским комитетом по банковскому надзору в «Базель II», согласно которому в качестве критерия отнесения актива к той или иной группе кредитного риска предложено использовать внешние кредитные рейтинги, присвоенные данному виду актива признанными национальным регулятором рейтинговыми агентствами. В случае с Россией на данный момент к таким рейтинговым агентствам ЦБ относит следующие три международных: Standard & Poor’s, 44 Агеев В.И., Чернышов П.В. Эволюция подходов к управлению кредитными рисками в коммерческих банках // Российское предпринимательство. – 2013. – № 19 (241). – с. 59-68. 42 Moody’s Investors Service и Fitch Ratings, а также следующие российские рейтинговые агентства: ЗАО «Рейтинговое агентство АК&M», Moody`s Interfax Rating Agency, « Национальное Рейтинговое Агентство», ЗАО «Рус-Рейтинг», RAEX («Эксперт РА») и Аналитическое Кредитное Рейтинговое Агентство («АКРА» АО) 45 Такой подхода имеет ряд недостатков, которые будут рассмотрены ниже, но в целом надо отметить, что он позволяет быстро и без особенных затрат получить внешнюю независимую оценку актива для отнесения его к той или иной группе риска. Наиболее популярный на данный момент в России подход к оценке контрагентного риска в коммерческом банке базируется на стандартной оценке кредитоспособности контрагента. В России данный подход одобрен ЦБ и регулируется Положением №254-П 46 Новым в оценке контрагентного риска стал подход на основе внутренних рейтингов, предложенный в «Базель II». «Данная система присвоения внутренних кредитных рейтингов дает возможность коммерческим банкам относительно точно оценить контрагентный риск и величину капитала для его покрытия. В зависимости от уровня риска каждый контрагент классифицируется по шкале категорий риска. Некоторые коммерческие банки применяют одновременно две независимые системы рейтингов» 47 Коммерческие банки используют большое количество моделей, в том числе со сложным математическим аппаратом, для оценки кредитного риска, а, следовательно, часть из этих моделей может быть применена и для оценки конрагентного риска. Ключевая задача таких моделей заключается в построении оценки потерь по всему кредитному портфелю банка. В случае с контрагентным риском можно вести речь обо всем спектре проводимых на рынке межбанковского кредитования операций и заключенных с контрагентами сделок. Далее акцентируем внимание на наиболее популярных подходах к количественной оценке кредитного риска и их применимости для оценки контрагентного риска в коммерческом банке. Рассмотрим более подробно следующие модели оценки контрагентного риска: • на основе данных финансовой и бухгалтерской отчетности; • на основе макроэкономических факторов; • математические; • на основе кредитных рейтингов. 45 Standard & Poor's: http://www.standardandpoors.com/ru ; Moody’s: https://www.moodys.com; Fitch Ratings: http://www.fitchratings.ru/ru; «AK&M»: http://www.akm.ru; Moody`s Interfax Rating Agency: http://group.interfax.ru/ratings ; «Национальное Рейтинговое Агентство»: http://www.ra-national.ru; НАО «Рус- Рейтинг»: http://www.rusrating.ru; «Эксперт РА»: http://www.raexpert.ru/; «АКРА» АО: https://www.acra-ratings.ru/. 46 Положение ЦБ РФ № 254-П от 26.03.2004 «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности». 47 Агеев В.И., Чернышов П.В. Эволюция подходов к управлению кредитными рисками в коммерческих банках // Российское предпринимательство. – 2013. – № 19 (241). – с. 59-68. 43 Рассмотрим хронологию появления указанных выше моделей более подробно. Экономические агенты всегда были заинтересованы в оценке кредитных рисков контрагентов. Первые простейшие модели основывались на данных из публиковавшихся бухгалтерских отчетностей компаний и финансовых институтов. Родоначальником подхода, отдаленно напоминающего сегодняшние рейтинговые модели, стала работа М. Тамари, который в 1966 году построил простейшую балльную систему оценки вероятности банкротства на основе финансовых показателей контрагента 48 Д. Мозес и С. Лиао внедрили в балльную систему пороговые значения переменных, полученные по итогам применения однопеременного анализа 49 Все модели, полученные на основе данных финансовой и бухгалтерской отчетности, делятся на линейные модели дискриминантного анализа и модели бинарного выбора, в зависимости от применяемого статистического метода. Линейные модели также подразделяются на модели однопеременного и множественного дискриминантного анализа. Одними из самых часто применяемых видов моделей являются различные варианты дискриминантного анализа. Данный статистический метод позволяет подобрать такие классифицирующие переменные, которые разделяют контрагентов на две группы: на подверженный и неподверженный дефолт, которые можно легко представить в качестве простых показателей. Наиболее простыми моделями оценки дефолта являются модели однопеременного дискриминантного анализа, начало которых было положено в работе В. Бивера 1966 года 50 В. Бивер сравнил финансовые показатели 79 дефолтных фирм с данными по 79 компаниям, финансовое положение которых можно было оценить как стабильное. Отметим, что в данной простейшей модели не рассчитывались ни весовые коэффициенты при переменных, ни итоговая вероятность дефолта. Проводилось сравнение полученных коэффициентов при переменных по трем группам компаний: благополучные, обанкротившиеся в течение года и обанкротившиеся в течение пяти лет. С одной стороны, данных подход отличается простотой в расчетах, но, с другой стороны, данной модели свойственна существенная смещенность в прогнозах, так как в ней присутствует предпосылка о линейной зависимости между коэффициентами при переменных и вероятностью дефолта контрагента. Как итог, на финальные результаты модели существенно влияет отобранная выборка компаний. Другой подкласс – модели множественного дискриминантного анализа – стал следующим шагом, логическим продолжением предыдущего метода и широко используется 48 Tamari M. Financial ratios as a means of forecasting bankruptcy // Management International Review. – 1966. 49 Moses D., Liao S.S. On developing models for failure preictions // Journal of Commercial Bank Lending. – 1987. – Ashgate Publishing. 50 Beaver W.H. Financial ratios as predictors of failure // Journal of accounting research. – 1966. 44 для оценки вероятности дефолта и в настоящий момент. В отличие от однопеременного дискриминантного анализа, в рамках этого подхода выделяется не один, а совокупность показателей. Для каждого контрагента рассчитывается величина всех дискриминантов, которые затем сравниваются с нормативами значениями, что позволяют распределить в ту или иную группу каждого контрагента. Основополагающей в данном классе является Z-модель Альтмана (Altman’s Z-score), включающая в себя прогнозирование вероятности того, что банк станет банкротом, представленная в работе Э. Альтмана 1968 года и его последующих работах 51 . Модель Альтмана базируется на использовании аппарата мультипликативного дискриминантного анализа (Multiple-discriminant analysis – MDA). Все компании в модели делятся на две подгруппы: столкнувшиеся с банкротством («неплательщики») и сумевшие его избежать («плательщики»). Расчет модели Альтмана является пошаговым процессом, на каждом шаге которого в модель включаются, или, наоборот, из нее исключаются, объясняющие переменные после применения определенных статистических критериев. Альтман проанализировал два класса компаний в период с 1946-1965 гг., по 33 предприятия в каждом: предприятия, признанные банкротами, и продолжающие свою деятельность предприятия, представляющие те же отрасли и с сопоставимой величиной активов. Альтман, используя информацию из финансовой отчетности компаний, всего получил 22 финансовых коэффициента, определяющих отличительные особенности фирм по их деловой активности, ликвидности, платежеспособности, рентабельности и устойчивости. Основная практическая значимость Z-модели Альтмана состоит в ее относительно нетрудоемких расчетах и в том, что полученные с помощью нее результаты могут быть применимы для оценки кредитоспособности и присвоения кредитного рейтинга контрагента. Стоит отметить, что модель Альтмана также применима для присвоения кредитного рейтинга корпоративным облигациям. Таким образом, можно говорить о том, что результаты модели Альтмана позволяют рассчитать среднюю вероятность дефолта контрагентов с заданным рейтингом. Основная сложность при построении модели оценки вероятности дефолта контрагента заключается в выборе показателей для анализа и того, какие «весовые» коэффициенты (то есть значимость финансовых показателей) должны каждому из них соответствовать. Из множества потенциальных переменных надо отобрать наиболее существенные, затем определить их количественные значения и также отследить их изменения во времени. 51 Altman E. Financial ratios discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance. – 1968. – Vol. 23. – p. 589-609.; Altman E., Cauoette J.B., Narayanan P. Managing credit risk: The next great financial challenge. – L.: John Wiley & Sons, Inc. – 1998. 45 Модели дискриминантного анализа, как правило, не позволяют получить конкретную оценку вероятности дефолта, но являются хорошим инструментом для отнесения контрагента к той или иной группе в зависимости от уровня связанного с ним риска. В своих работах Альтман также постарался выявить и определить роль финансовых показателей в прогнозировании рейтингов, присвоенных кредитным организациям международными рейтинговыми агентствами 52 Основная задача, которая стоит перед исследователями, пытающимися объяснить присвоенные международными агентствами рейтинги, заключается в построении так называемого «черного ящика», который давал бы ответ на вопрос, как при определенных исходных данных получается соответствующий рейтинг. Э. Альтман и Х. Рийкен в своем исследовании построили модель предсказания дефолта и модель рейтингов, использовали реально присвоенные кредитные рейтинги международного агентства Standard & Poor’s и сравнили полученные результаты с фактическими данными по дефолтам кредитных организаций 53 По итогам своего исследования авторы пришли к нескольким интересным выводам. Величина банка (размер его активов) оказывает положительное влияние на присвоенный рейтинг, что позволяет утверждать о наличие такого фактора, как «банк слишком большой, чтобы обанкротиться» – «too big to fail». Также была получена такая зависимость: чем дольше данному банку присваиваются рейтинги, тем ниже вероятность его дефолта. Кредитные организации заинтересованы в исправлении выявленных рейтинговыми агентствами недостатков и, что логично, всегда заинтересованы в более высоких уровнях рейтинга. Из интересных выводов, к которым пришли Э. Альтман и Х. Рийкен, стоит также отметить следующий: фактически присвоенные кредитные рейтинги продемонстрировали бОльшую стабильность, чем предсказанные с помощью моделей. Такие результаты исследования говорят о том, что международные агентства при пересмотре рейтингов (обычно один раз в год) руководствуются не оперативным изменением финансовых показателей, а производят пересмотр рейтинга только в том случае, если произошедшие изменения превышают определенное критическое значение. А. Карминский и А. Пересецкий провели исследование по моделированию рейтингов банков, присвоенных международным рейтинговым агентством Moody’s 54 Отметим, что 52 Altman Е. Credit risk measurement: Developments over the last 20 years // Е. Altman, A. Saunders // Journal of Banking & Finance. – 1998. – Vol. 21. – p. 1721-1742. 53 Altman E. How rating agencies achieve rating stability // E. Altman, H. Rijken // Journal of Banking & Finance. – 2004. – Vol. 28. – p. 2679-2714. 54 Карминский А.М. Модели рейтингов российских банков. Построение, анализ динамики и сравнение // А.М. Карминский, А.А. Пересецкий. – М.: РЭШ. – Препринт. – 2005. – 55с. 46 авторы сделали попытку построить универсальную рейтинговую модель для банков из разных стран, в итоговую выборку которой вошли 311 банков из 28 стран. Построенные в исследовании модели включали в себя финансовые переменные из отчетностей банков, также фиктивные переменные, характеризующие страновую принадлежность банка. Итоговая точность построенной в исследовании модели составила порядка 70%. При этом, если рассмотреть отклонение не более чем на один грейд в одну или другую сторону, точность построенной модели превышала чуть более 96%. Подтвердив результаты предыдущих исследований зарубежных авторов, Карминский и Пересецкий пришли к выводу о том, что величина банка (размер его активов) играет существенную роль и положительным образом влияет на его вероятность дефолта, то есть на присваиваемый ему рейтинг. К остальным ключевым объясняющим показателям построенной модели также относятся следующие: «отношение сформированных резервов к активам, отношение капитала к активам, отношение величины депозитов к капиталу, стоимость обязательств банка (отношение процентных расходов к средним обязательствам, по которым выплачиваются проценты)» 55 Карминский и Пересецкий также пришли к выводу о важности включения в модель макроэкономических переменных, характеризующих страну происхождения банка (такие переменные способны улучшить результаты модели), и переменных, описывающих наличие или отсутствие поддержки банка со стороны государства или его акционеров. Также среди рассмотренных Карминским и Пересецким моделей есть модель, объясняемой переменной в которой является не вероятность дефолта или международный рейтинг, а показатель квантильной шкалы – место, которое занимает каждый банк по каждому показателю. Такого рода усовершенствование модели не привело к существенному улучшению полученных результатов, однако, оно позволило получить изменение присвоенных рейтингов во времени. В исследовании А. Пересецкого выделяется несколько классов моделей, основанных на использовании общедоступной информации 56 : • модели на основе рейтингов, присвоенных рейтинговыми агентствами; • модели на основе экспертных оценок (эксперты проводят оценку банков на основе публичной информации из их финансовых отчетностей); 55 Кошелюк Ю.М. Формирование рейтингов для российских банков: дис. канд. экон. наук: 08.00.10: защищена 25.09.2008 // Ю.М. Кошелюк. – М. – 2008. – 204с. – Библиогр.: с. 142-151. 56 Peresetsky A. Probability of default models of Russian banks // A. Peresetsky, A. Karminsky, S. Golovan // Bank of Finland Discussion Papers. – 2004. – № 21. 47 • модели на основе анализа исторических данных о дефолтах (как правило, к таким моделям относятся бинарные логит- или пробит-модели; для российских банков подход впервые применил С. Головань 57 ). Важной вехой в анализе устойчивости банков-контрагентов и оценки рисков кредитных организаций стала созданная в США Федеральной резервной системой (Federal Reserve System, FED ) и двумя федеральными агентствами (Office of the Comptroller of the Currency (OCC) и Federal Deposit Insurance Corporation (FDIC)) в 1978 году рейтинговая система оценки банков CAMELS. Первоначально она называлась CAMEL, но в 1997 году к ней был добавлен еще один компонент под обозначением «S». Официальное название методики – Uniform Financial Institutions Ratings System (UFIRS) 58 Органы банковского контроля в США производят регулярную оценку банков на основе предоставляемых ими документов по следующим компонентам CAMELS: • C (Capital adequacy) – оценка достаточности капитала; • A (Asset quality) – оценка качества активов; • M (Management) – оценка качества управления; • E (Earning) – оценка доходности; • L (Liquidity) – оценка ликвидности; • S (Sensitivity to risk) – оценка чувствительности к риску. Каждому из показателей CAMELS присваивается оценка от 1 (наилучший балл) до 5 (наихудший): • 1 – высокие результаты; • 2 – удовлетворительные результаты; • 3 – несовершенные в некоторой степени результаты; • 4 – предельно допустимые результаты, существенно ниже среднего; • 5 – неудовлетворительные результаты, находящиеся на критически низком уровне, требующие незамедлительных мер по их устранению. Далее высчитывается средняя оценка и банк, в зависимости от набранных баллов, относится к одной из следующих пяти групп: 1) Банк демонстрирует сильные показатели деятельности и практику риск-менеджмента, обеспечивает безопасность и рациональность своих операций, организация устойчива практически во всех отношениях, у регуляторов к ней не может быть претензий; 57 Головань С.В. Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. // С.В. Головань, А.М. Карминский, А.В. Копылов, А.А. Пересецкий. – М.: РЭШ. – Препринт. – 2003. – № 039. 58 Официальная методика приведена в приложении Section A.5020.1 к документу ФРС «Commercial Bank Examination Manual», http://www.federalreserve.gov/boarddocs/supmanual/. 48 2) Банк демонстрирует удовлетворительные показатели деятельности и практику риск- менеджмента, обеспечивает безопасность и рациональность своих операций, организация в основном устойчивая, но с некоторыми недостатками, у регуляторов есть определенные незначительные претензии к ней и несущественные рекомендации для повышения эффективности ее деятельности; 3) Банк демонстрирует показатели деятельности, которые могут быть недостаточно эффективными в некоторой степени, политика риск-менеджмента может быть хуже удовлетворительной, организация с финансовыми, операционными недостатками или проблемами с внутренним контролем, у регулятора могут быть сильные претензии и существенные рекомендации для повышения эффективности ее деятельности; 4) Банк демонстрирует низкие показатели деятельности, политика риск-менеджмента находится на уровне значительно ниже удовлетворительного, организация с серьезными проблемами, которые могут сказаться на ее будущем функционировании, регулятор должен уделять самое пристальное внимание устранению имеющихся существенных недостатков; 5) Банк демонстрирует неудовлетворительные показатели деятельности, требующие незамедлительного исправления ситуации, организация с критическими проблемами, которые повышают вероятность дефолта в самом ближайшем будущем до экстремально высоких значений, требуется незамедлительная реакция регулятора. Важно отметить, что присваиваемые значения рейтингов являются закрытой информацией, не публикуемой в открытых источниках, чтобы не провоцировать бегство вкладчиков из наиболее слабых банков и, таким образом, не ухудшать и без того незавидное положение банка. Полученная градация банков может быть довольно полезной и точной, но, к сожалению, доступ к такой информации для сторонних пользователей весьма ограничен. Такого рода комплексная оценка требует присутствия регулятора «на месте», для того, чтобы у него была возможность оценить деятельность банка «изнутри». Но так как такие проверки не могут проходить на регулярной основе (в США порядка 8000 банков), в США также применяется система анализа банков по финансовой отчетности, предоставляемой финансовыми институтами на ежеквартальной основе. Целью такого анализа является выявление признаков ухудшения финансового состояния банка и определение наиболее подверженных риску областей деятельности финансового института. В США в качестве таких методик выступают несколько систем мониторинга: Система мониторинга финансовых институтов (Financial Institutions Monitoring System – FIMS), в основе которой заложены несколько десятков финансовых показателей, в целом схожих с теми, которые применяются в методике CAMELS; Единообразная система надзорного мониторинга банков (Uniform Bank Surveillance Screen – UBSS), которая основывается на анализе данных из 49 официальных отчетностей для выявления банков, чьи показатели ухудшились по сравнению с входящими с ними в одну группу по величине активов финансовыми институтами. В 80-е годы XX века FDIC была разработана собственная методика оценки финансового положения банков, получившая название CAEL. Рейтинговая система CAEL является стандартом для оценки платежеспособности банков при страховании депозитов в США. Рейтинг, как следует из названия, основан на четырех основных группах показателей: • C (Capital adequacy) – оценка достаточности капитала; • A (Asset quality) – оценка качества активов; • E (Earning, profitability) – оценка доходности, рентабельности; • L (Liquidity) – оценка ликвидности. Так же как и при оценке по методологии CAMELS, CAEL представляет собой композитную оценку по всем группам от 1 («отлично») до 5 («серьезные проблемы, при которых необходимы срочные действия регулятора»). Как и в случае с UBSS, при расчете CAEL оценка проводится только на базе предоставляемой банками квартальной отчетности, то есть без проверки «на месте». Как и в методологии по UBSS, рейтингование по CAEL предполагает деление банков на группы по размеру активов. Необходимо отметить, что такая дистанционная оценка, которую предполагают методологии UBSS и CAEL, имеет ряд существенных недостатков. Первое ограничение этих моделей заключается в субъективной манере выбора показателей, которые используются для рейтингования банков. Регуляторы выбирают финансовые показатели для анализа из огромного множества, существенно превышающего количество показателей, корреляция которых с финансовым положением банков была доказана. И таким образом, есть риск того, что выбранные показатели не вполне верно дистанционно оценивают реальное финансовое положение банка. На самом деле, возможно, выбор некоторых других финансовых показателей позволил бы добиться более точной оценки всех рисков. Следующий недостаток моделей связан с взвешиванием каждого из финансовых показателей при проведении оценки. «Веса» показателей, которые, как правило, не меняются во времени, определяются скорее субъективно, нежели после тщательной статистической проверки. Скажем, в методологии UBSS для каждой из группы финансовых показателей (всего их четыре) для получения итоговой оценки применяются абсолютно равные «веса». А в методологии CAEL существует система взвешивания, основанная на исторических данных. Даже если выбранные финансовые показатели содержат всю полноту необходимой информации для наиболее эффективной оценки всех рисков, более точное определение «весов» позволило бы уменьшить вероятность ошибки в оценке. Более того, даже если бы удалось 50 обнаружить точное соотношение этих «весов», учет временных сдвигов позволил бы существенно повысить эффективность такой оценки. Третий недостаток данных систем связан с применяемым ими сравнением банков внутри своих групп-аналогов. Обе методологии разделяют банки на группы, исходя из величины их активов, в соответствии с предположением, что основные финансовые показатели сильно разнятся у банков в зависимости от их размера. Но, так как финансовое положение банка оценивается относительно всех банков группы, к которой он относится, в том случае если будут происходить систематические изменения, как в отдельной группе, так и во всей банковской системе в целом, они не смогут быть учтены в итоговой оценке банка. Следовательно, если ухудшения происходят во всей группе банков, а среднее значение одного отдельного банка не изменяется, его оценка также останется прежней, хотя очевидно данный банк, как и все остальные банки из его группы, стал более подвержен рискам. Наконец, еще один недостаток данного подхода заключается в делении банков по группам исключительно по величине их активов. Дальнейшее совершенствование подхода предполагает при разделении банков на группы использование также таких характеризующих банки показателей как их специализация, универсализация и так далее. Следующий класс моделей оценки вероятности дефолта контрагента – модели бинарного выбора. Построение данных моделей происходит в следующем порядке: вначале определяются влияющие на кредитоспособность контрагента факторы, и далее после получения коэффициентов их влияния проводится оценка вероятности дефолта контрагентов. В моделях бинарного выбора применяется метод максимального правдоподобия. Основная отличительная особенность моделей данного класса заключается в предпосылках о нормальном распределении вероятностей дефолта и влиянии переменных на вероятность дефолта контрагента. В зависимости от вида функциональной зависимости различают два основных вида моделей: • пробит-модели – модели с функциями стандартного нормального распределения; • логит-модели – модели с применением логистического преобразования к прогнозированию данных. В логит- и пробит-моделях на основе определенного набора показателей (независимых переменных) предсказывается вероятность дефолта, непрерывно распределенная между 0 и 1. Но если в логит-моделях вероятность дефолта подчиняется лог-распределению, то в пробит- моделях предполагается, что она соответствует нормальному распределению. 51 Первым, кто стали применять модели бинарного выбора для оценки вероятности дефолта, стал Дж. Олсон в 1980 году 59 Дж. Олсон построил логит-модель оценки вероятности дефолта, включавшую 9 независимых показателей, на основе данных из финансовых отчетностей обанкротившихся компаний в период 1970-1976 гг. До настоящего момента предпочтение в исследованиях и на практике отдавалось применению логит-моделей. Основная причина заключается в том, что для пробит-моделей необходима выборка с очень большим количеством наблюдений, ввиду основной предпосылки о нормальности распределения. Многие исследователи проводили сравнения результатов логит- и пробит-моделей, а также моделей дискриминантного анализа. Д. Мартин протестировал такого рода модели на 23 американских банках-банкротах в период 1975-1976 годов 60 Р. Вест провел анализ вероятности дефолта банков с помощью логит-моделей, также основываясь на американских банках, столкнувшихся с финансовыми проблемами 61 . Х. и М. Платт, посвятили свое исследование сравнению моделей, состоящих из разного набора переменных. В первую входили только финансовые показателей из отчетностей банков, а во второй учитывалась их отраслевая специфика, и полученные результаты подтвердили гипотезу о том, что чем больше в модели переменных, характеризующих определенные особенности банков, тем это лучше сказывается на конечных результатах, то есть на объясняющей способности таких моделей – предсказании вероятности наступления дефолта 62 Практически во всех исследованиях было также отмечено, что у каждого класса моделей есть свои недостатки. Основные недостатки моделей заключаются в том, что большинство из них используют линейную взаимосвязь между объясняемой и объясняющими переменными, что несколько упрощает существующие в реальном мире зависимости. С другой стороны, использование более сложных взаимосвязей и усовершенствованных показателей зачастую ведет к трудности обоснования полученных взаимосвязей. Часто бывает, что полученные практические результаты слабо связаны с используемой теоретической моделью 63 Важно также отметить, что окончательный отбор объясняющих показателей в модели обусловлен доступностью и достоверностью имеющейся информации. Анализируя банки, необходимо также принимать во внимание не только финансовые показатели на определенную 59 Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. – 1980. 60 Martin D. Early warning of bank failure: A logit regression approach // Journal of Banking and Finance. – 1977. – Vol. 1. – p. 249-276. 61 West R. A factor-analytic approach to bank condition // Journal of Banking & Finance. – 1985. – Vol. 9. – p. 253-266. 62 Platt H. A note on the use of industry-relative ratios in bankruptcy prediction // H. Platt, M. Platt // Journal of Banking & Finance. – 1997. – Vol. 15. – P. 1183-1194. 63 Coelli T. A comparison of Parametric and Non-parametric Distance Functions: with application to European Railway // T. Coelli, S. Parelman // University of Liege. – CREPP Discussion Paper. – 1996. – p. 326-339. 52 дату, но и рассматривать их изменения во времени. Еще одним важным фактором, который необходимо учитывать в модели, является различие банков по таким параметрам, как капитализация, ликвидность, специализация, присвоенные международные рейтинги. Основное преимущество моделей на основе данных финансовой отчетности контрагента заключается в относительной несложности получения необходимых для анализа данных. Однако существует проблема, что представленная отчетность не в полной мере отражает реальное положение вещей. Еще одним недостатком является тот факт, что финансовая отчетность демонстрирует результаты деятельности банка постфактум, то есть обладает недостаточной предсказательной силой относительно будущего. С учетом всех вышеперечисленных недостатков, в дальнейшем были разработаны модели оценки кредитного риска контрагентов, которые принимали во внимание также макроэкономические факторы. Модели на основе макроэкономических факторов исходят из предпосылки о том, что вероятность дефолта контрагента возрастает во время экономической рецессии. При построении данного класса моделей в анализ включаются макроэкономические показатели: величина ВВП, уровень инфляции, уровень безработицы и др. Данные модели оценивают не только краткосрочную вероятность дефолта, но и вероятность дефолта с учетом уровня системного риска. Модели на основе макроэкономических факторов делятся на две группы в зависимости от применяемой предпосылки о макроэкономических коэффициентах: в одних они являются экзогенными, во вторых – эндогенными 64 Вопрос целесообразности включения в модель макроэкономических показателей изучался также в работе А. Карминского и А. Пересецкого, в которой было показано, что наличие в модели макроэкономических факторов ведет к повышению качества такой модели 65 Преимущество моделей на основе макроэкономических факторов заключается в том, что они позволяют учесть цикличность экономического развития и влияние системных рисков 66 Еще одно достоинство таких моделей состоит в том, что, так как статистика по макроэкономическим показателям является общедоступной, они применимы для проведения сравнения вероятностей дефолта контрагентов в разных странах и регионах. Основной недостаток данного класса моделей заключается в том, что они в первую очередь позволяют оценить вероятность дефолта всей банковской системы в целом, а не 64 Экзогенность – свойство факторов моделей, заключающееся в заданности их значений, независимости от функционирования моделируемой системы. Эндогенность – это комплекс внутренних факторов среды. 65 Карминский А.М. Модели рейтингов российских банков. Построение, анализ динамики и сравнение // А.М. Карминский, А.А. Пересецкий. – М.: РЭШ. – Препринт. – 2005. – 55с. 66 Головань С.В. Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков // С.В. Головань, М.А. Евдокимов, А.М. Карминский, А.А. Пересецкий. – М.: РЭШ. – Препринт. – 2004. – № 043. 53 конкретного контрагента. К тому же в России часто макроэкономические шоки оказывают опосредованное влияние, а первостепенное значение приобретает поддержка банка государством или акционерами. Следующий большой пласт моделей оценки кредитного риска представляют сложные математические модели оценки, получившие свое бурное развитие в конце 90-х годов прошлого века. «Все основные модели оценки кредитного риска можно классифицировать по следующим признакам: • по подходу к моделированию: методы «сверху вниз» и «снизу вверх»; • по виду кредитного риска: модели оценки потерь при дефолте (default-mode models) и модели переоценки по рыночной стоимости (mark-to-market models); • по методу оценки вероятности дефолта: условные (conditional) и безусловные модели (unconditional); • по подходу к моделированию дефолта: структурные модели (structural) и модели «сокращенной формы» (reduced-form)» 67 Модели «сверху вниз» применяются для больших однородных групп заемщиков. Величина кредитного риска оценивается путем построения распределения вероятностей убытков для портфеля в целом на основе исторических данных по каждой однородной группе заемщиков. Существенным недостатком такого подхода является его упрощенность и нечувствительность к постепенным изменениям в структуре однородных групп. Когда портфель активов имеет разнородную структуру, коммерческие банки оценивают кредитный риск методом «снизу вверх». При моделировании «снизу вверх» кредитный риск оценивается на уровне конкретного инструмента и индивидуального заемщика путем анализа его характеристик, финансового положения и перспектив. Для оценки совокупного риска портфеля величины рисков по индивидуальным заемщикам агрегируются с учетом эффектов корреляции. Моделирование кредитного риска «снизу вверх» позволяет оценить «вклады» элементов портфеля в совокупный риск и управлять риском портфеля на уровне отдельных контрагентов или факторов риска. Единственным кредитным событием, рассматриваемым в моделях оценки потерь при дефолте, является объявление дефолта контрагентом, при этом изменения рыночной стоимости активов вследствие изменения какого-либо параметра актива, например, миграции кредитного рейтинга, не принимаются во внимание 68 . В моделях переоценки по рыночной стоимости 67 Агеев В.И., Чернышов П.В. Эволюция подходов к управлению кредитными рисками в коммерческих банках // Российское предпринимательство. – 2013. – № 19 (241). – с. 59-68. 68 Миграцией кредитных рейтингов называют дискретный, случайный процесс, заключающийся в изменении кредитного рейтинга заемщика или долгового обязательства в течение определенного интервала времени. 54 объектом анализа являются изменения рыночной стоимости актива, вызванные факторами как рыночного, так и кредитного риска, включая изменения кредитного рейтинга и дефолт. Этот тип моделей дает более объективную картину риска с горизонтом расчета, равным периоду ликвидации актива. Условные модели оценивают вероятность дефолта контрагента с учетом отраслевых и макроэкономических факторов, которые оказывают существенное влияние на частоту банкротств. В безусловных моделях вероятность дефолта обычно не зависит от состояния внешней среды и определяется преимущественно «внутренними» характеристиками заемщика и кредитного продукта. В структурных моделях процесс наступления дефолта является эндогенным, то есть представляется в явном виде. Дефолт происходит тогда, когда активы компании-заемщика снижаются до определенного порогового уровня по отношению к обязательствам, при этом процесс изменения стоимости активов во времени описывается некоторым случайным процессом. Модели «сокращенной формы» опираются на предположения о характере поведения рыночных цен долговых обязательств компании, процесс наступления дефолта рассматривается как экзогенный. Рассмотрим наиболее значимые модели более подробно 69 |