Тезисы к докладу Российский экономический конгресс – 2013

Карминский А.М, д.э.н., д.т.н., проф.
Костров А.В., студент магистратуры МИЭФ
Высшая школа экономики
Тезисы к докладу
«Моделирование вероятности дефолта российских банков»
Российский экономический конгресс – 2013
Востребованность модели вероятности дефолта в российском
банковском секторе
Российская
банковская
система
прошла
два
полных
этапа
развития,
водоразделами для которых стали крупнейшие кризисы 1998 и 2008 годов.
Представляется, что в ближайшем будущем развитие как российской, так и мировой
банковской системы будет ориентировано на обеспечение устойчивости при
умеренном уровне прибыльности. Среди основных задач по реформированию
банковской системы России – формирование дистанционной системы мониторинга
деятельности отдельных банков и системы в целом. Создание качественной модели
вероятности дефолта российских банков способно решить данную задачу и
представляет потенциальный интерес для трех групп пользователей: Банка России как
регулятора, коммерческих банков и их контрагентов.
Банк России сможет выявлять наиболее уязвимые банки (группу риска) для
своевременного принятия мер по их финансовому оздоровлению. Можно также
надеяться, что модели дефолта окажутся полезными в борьбе регулятора с
процикличностью требований к капиталу коммерческих банков. Модель окажется
полезна и для банковских контрагентов, позволит лучше осознавать риски вложения
финансовых средств в конкретную кредитную организацию. Для коммерческих банков
представляет интерес и наблюдение за собственной вероятностью дефолта для оценки
рисков, связанных с банковской деятельностью и проводимой политикой. Более того,
создание качественных моделей вероятности дефолта банков является одним из
перспективных
направлений
риск-менеджмента,
соглашением в рамках IRB-подхода.
1
предусмотренных
Базельским
Данные и моделирование
В работе рассматривается, а затем получает
вероятности
дефолта
банков
в
России
и
развитие опыт моделирования
развивающихся
странах.
Также,
сформулировано определение дефолта с учетом положений Федерального закона "О
банках и банковской деятельности" от 02.12.1990 N 395–1.
Российская банковская статистика была взята из базы ИАС «Банки и финансы»
(продукт Информационного агентства «Мобиле»). Для каждого банка рассматривались
поквартальные данные за период 1998-2011 гг. Исходная выборка была разбита на две
части. Первая, по которой строятся модели, включала наблюдения с 1998 г. по 2009 г.,
вторая, по которой оценивается прогнозная сила построенных моделей, наблюдения с
2010 г. по 2011 г.
За рассматриваемый 14-летний период (1998-2011гг.) было зафиксировано 910
фактов отзыва лицензии, а также 37 случаев, когда банки были подвержены санации.
По большинству их этих банков в использовавшейся базе данных была представлена
финансовая статистика, для моделирования были доступны доступны 374 случая
дефолта (в соответствии с нашей классификацией, см. рис. 1).
Рис. 1. Сравнение исторической динамики отзывов лицензии у кредитных организаций
и отзывов, признанных дефолтами: поквартально, 1998-2011 годы
ИАС «Банки и финансы» включает порядка 170 финансовых показателей,
определяемых на основе российской отчетности коммерческих банков. Для построения
модели вероятности дефолта банка был сформирован набор возможных относительных
финансовых объясняющих переменных, данные по которым представлены в базе на
должном уровне на протяжении всего периода исследования. Предварительно была
произведена очистка данных от ошибок ввода и статистических выбросов. Затем,
2
выбор объясняющих переменных был осуществлен исходя из возможности базы,
накопленного в других исследованиях опыта, а также анализа объясняющих
возможностей соответствующих переменных статистическими методами. Оставшиеся
объясняющие переменные были разбиты по группам в соответствии с методологией
CAMELS, которая позволяет учесть основные риски банковской деятельности.
Для построения модели финансовые показатели брались с лагами. Проведенный
анализ показал, что с увеличением лага падает качество моделей и адекватность модели
эмпирическим данным. В этой связи для дальнейшего рассмотрения был принят лаг в 2
квартала.
При анализе нелинейностей проводилось
включение квадратов и кубов
объясняющих переменных в эконометрическую модель.
Одним из недостатков
простой логистической модели является неучет фактора времени. Для ликвидации
этого недостатка были введены ежегодные дамми-переменные, а также даммипеременные на кварталы – для учета возможной проблемы сезонности. Также, в модель
вошли
индикаторы
делового
цикла
и
переменные,
характеризующие
институциональные особенности операционной среды банка.
В данном исследовании была использована логистическая модель бинарного
выбора, которая позволяет оценивать влияние на вероятность дефолта каждого из
объясняющих факторов и рассчитать соответствующие предельные эффекты.
Результаты и выводы
Анализ влияния финансовых переменных
Зависимость вероятности дефолта банка от доли собственного капитала банка
относительно его чистых активов нелинейна. В качестве оптимального значения по
результатам проведенного исследования можно считать значение отношения, равное
0,4. При умеренных значениях (менее 0,4) рост показателя уменьшает вероятность
дефолта банка, формируя «подушку безопасности» банка.
Зависимость
вероятности
дефолта
от
доли
балансовой
прибыли
банка
относительно его чистых активов снова нелинейна. Оптимальные значения лежат в
районе 0,05. На эффективном рынке получение сверхприбылей сопряжено с
огромными рисками, которые, по-видимому, принимает на себя достигающий их банк.
При умеренных значениях отношения
рост показателя увеличивает вероятность
3
выживания банка. Особенно ярко это проявляется при очень низких значениях
показателя
(менее 0). Ведь прибыль – основной источник средств на развитие в
успешной организации.
Доля негосударственных ценных бумаг в активах банка связана нелинейной
связью с вероятностью выживания банка. Для банков, вкладывающих умеренное
количество денежных средств в негосударственные ценные бумаги (менее 10%)
отсутствует негативное влияние данного показателя на вероятность дефолта. Такие
вложения совершаются, как правило, из соображений управления ликвидностью
преимущественно в высоконадежные корпоративные бумаги, доходность по которым
выше, чем по государственным.
Согласно результатам проведенного анализа, размер активов банка, включенный
линейно, не влияет на вероятность его дефолта. В то же время при включении в
модель квадратичной объясняющей переменной мы наблюдаем опровержение
гипотезы о справедливости постулата “too big to fail” в российской действительности.
Коэффициент при отношении просроченной задолженности по ссудам к
выданным кредитам принял положительное значение. Выдача ссуд ненадежным
заемщикам, по причине агрессивной кредитной политики или неадекватной оценки
рисков, в результате приводит к повышению вероятности дефолта банка.
Снижение отношения оборотов по корреспондентским счетам к чистым
активам банка приводит к повышению вероятности дефолта банка. Дело в том, что
падающее отношение оборотов по корреспондентским счетам к активам банка за
период времени может сигнализировать о потенциальных проблемах с проведением
платежей или о снижении активности банка.
Анализ влияния фактора времени
Значимой оказалась дамми – переменная только для 2009 г. Коэффициент при
данной переменной положителен, т.е. в 2009 г. вероятность дефолта у банков была
сравнительно выше (произошла недооценка риска). Это естественно: в это время
мировую экономику потряс финансовый кризис. По-видимому, важен сам механизм
распространения кризисных явлений. Учет такого канала влияния как финансирования
нерезидентами или иных ненаблюдаемых факторов на российский банковский сектор
интересен для развития исследования, но на сегодня релевантные данные приемлемого
качества отсутствуют.
4
Анализ влияния макроэкономических переменных
В модель включен индекс потребительских цен. Оценка коэффициента при
данном показателе положительна. Это означает, что с увеличением уровня инфляции
вероятность дефолта банка растет. Одним из объяснений может служить то, что
увеличение уровня цен снижает реальную доходность банка по выданным ранее
кредитам.
Анализ влияния институциональных переменных
Высоким значениям индекса Лернера, которые соответствуют значительной
монопольной власти банка, соответствует пониженная вероятность дефолта: в условиях
низкой конкуренции вероятность выживание каждого отдельного банка выше.
Согласно полученным результатам, банки с головным офисом
в московском
регионе менее стабильны. Это означает, что с позиции надежности для московских
банков издержки агрессивной конкурентной среды превышают выгоды от развитой
инфраструктуры и качественных человеческих ресурсов. Также данное явление может
объясняться различиями в политике банка России по отзыву лицензий в столице и
регионах.
Тестирование модели
В исходной базе данных присутствовало достаточно много пропущенных
значений по ключевым финансовым показателям. В силу этого, был проведен
статистический тест о влиянии пропусков в исходной модели на полученные
результаты, который подтвердил незначимость пропусков.
Прогноз вне выборки проводился по данным за 2010-2011 гг., которые не
использовались при оценке коэффициентов модели.
Для определения качества
прогноза производился контроль за количеством верно предсказанных дефолтов и
величиной среднеквартальной группы риска на протяжении 2010-2011 гг.
Всего за 2010-2011 гг. было зарегистрировано 19 случаев дефолта. По нашему
мнению, к группе риска следует причислять те банки, вероятность дефолта которых
превышает 30%. Это позволяет одновременно сократить размер группы риска и
предсказать значительное число дефолтов – 63%. (см. табл. 1)
5
Таблица 1.
Тестирование предсказательной силы модели. Количество верно предсказанных
дефолтов в зависимости от определения группы риска.
Критерий причисления банка
к группе риска: вероятность
дефолта банка ≥ X
Величина группы риска,
среднеквартальная
Количество (доля) верно
предсказанных дефолтов,
количество, (%)
X = 10%
54
16 (84%)
X = 20%
X = 30%
X = 40%
34
30
28
12 (63%)
12 (63%)
10 (52%)
Заключение
В данном исследовании предложена адекватная модель вероятности дефолта для
российских
банков
на
основе
национальной
банковской
статистики,
макроэкономических и институциональных данных за период с 1998 г. по 2011 гг.
Построенная регрессия продемонстрировала убедительную предсказательную силу
при тестировании вне выборки: при умеренном количестве банков в группе риска было
верно предсказано более 60% произошедших в 2010-2011 гг. дефолтов. Это, в свою
очередь, подтверждает применимость использованных статистических методов в
совокупности с подходом CAMELS при отборе наилучших объясняющих переменных
для построения моделей вероятности дефолта.
Результаты моделирования представляют потенциальный интерес как
для
регулятора, так и для коммерческих банков в рамках задач риск-менеджмента.
Перспективным направлением развития модели видится использование банковских
рейтингов для получения более точной оценки вероятности дефолта банка.
6
Список литературы
1.
Карминский А.М. (2005) Рейтинги в экономике: методология и практика. – М.
Финансы и статистика.
2.
Карминский, А. М., Костров, А. В., Мурзенков, Т. Н. (2012). Моделирование
вероятности дефолта российских банков с использованием эконометрических методов:
препринт WP7/2012/04. – М.: Изд. дом Высшей школы экономики, 2012. – 64 с.
3.
Пересецкий А.А. (2007) Методы оценки вероятности дефолта банков.
Экономика и математические методы, 43(3), 37—62.
4.
Claeys S., Schoors K. (2007). Bank supervision Russian style: Evidence of conflicts
between micro- and macro-prudential concerns // Journal of Comparative Economics. 2007.
Vol. 35. No. 3. P. 63–657.
5.
Fungacova Z., Solanko L. (2009). Risk-taking by Russian banks: Do location,
ownership and size matter? BOFIT Discussion Papers 21/2008. Bank of Finland.
7