Управление кредитным риском коммерческого банка с использованием VaR-модели

Современные практические методы анализа кредитоспособности заемщиков коммерческого банка основываются на комплексном применении как финансовых так и нефинансовых критериев.

Классификационные модели делятся на модели бальной оценки кредита, то есть рейтинговые методики, а также модели прогнозирования банкротств, которые включают в себя статистическую оценку, основанной на МDА - Мultiple Discriminate Analysis - множественный дискриминaнтный анализ.

Модели комплексного анализа, основанные на «полуэмпирических» методологиях применяются для оценки потребительских кредитов. Среди них выделяют такие модели как: «правило 6C», PARTS, CAMPARY, Judgmental Analysis (оценочная система анализа).

Классификационные модели дают возможность разбить на различные группы (классы) и служат вспомогательным инструментом, позволяющим определить возможности удовлетворения кредитной заявки.

Чаще всего на практике применяются две основные модели оценки заемщика: бальная (рейтинговая) оценка и прогнозирование банкротств. Рейтинговые модели позволяют поделить заемщиков на исполнительных и неисполнительных, а модели прогнозирования стараются дифференцировать устойчивые компании и фирмы-банкроты.

Рейтинговая оценка компании производится на основании рассчитанных значений различных финансовых коэффициентов и выражается в большинстве случаев в баллах. Баллы высчитываются путем перемножения значения любого из показателей на вес его в рейтинге.

В итоге, общий вид формулы рейтинговой оценки:

где, - интегральный рейтинг (показатель);

- показатель удельного веса i - го показателя;

- числовое значение i-го параметра;

n - количество параметров.

Коммерческие банки часто используют систему скоринга. Кредитный скоринг (kredit scoring) представляет собой технический прием, который был предложен известным американским ученым экономистом Д. Дюраном ещё в начале 40-ых годов для разделения заемщиков на основании потребительского кредита. Отличием кредитного скоринга и рейтинговой оценки является то, что в формуле рейтинговой оценки стоит вместо (значения i-ого показателя) - частная бальная оценка i - ого показателя. На основе этого, для каждого параметра определяют несколько интервалов возможных значений, а затем каждому интервалу устанавливают определенное количество рейтинговых баллов или определяется его класс.

Достоинство рейтинговой модели заключается в ее простоте: достаточно рассчитать необходимые финансовые коэффициенты и их взвесить, чтобы определить класс, к которому принадлежит заемщик. Следует, однако, понимать, что в расчете рейтинга вполне могут участвовать только те характеристики, которые будут отвечать установленным нормативам.

Модели прогнозирования чаще всего используются при оценке качества потенциальных клиентов-заемщиков и основываются на статистических методах, из которых наиболее распространенным является множественный дискриминaнтный анализ (MДA), также известный в практике как «кластерный анализ».

Общий вид дискриминaнтной функции:

где и - некоторые параметры (коэффициенты регрессии);

ѓi - факторы, которые характеризуют финансовое состояние заемщика (например, ими могут служить финансовые коэффициенты).

Коэффициенты регрессии определяются на основе статистической обработки данных по выборке предприятий или фирм, которые либо банкроты, либо смогли выжить в течение выбранного периода. Все компании можно разбить на две основные группы: на тех, кому финансовые трудности в ближайшее время не грозят вплоть до банкротства, и на тех, кому грозит это. Если Z - оценка компании располагается ближе к показателю обычной компании - банкрота, то она обанкротится при условии продолжения ухудшения ее положения. Если риск-менеджеры компаний и банк, осознав все финансовые трудности, пытаются предотвратить усугубляющуюся ситуацию, то банкротства может не произойти, следовательно, Z - оценка является неким сигналом раннего предупреждения.

Чтобы применить МДА необходимо иметь достаточно репрезентативную выборку предприятий, которые дифференцированы по отраслям и размерам. Трудность состоит в том, что не всегда внутри отрасли возможно найти достаточное количество фирм-банкротов, чтобы произвести расчет коэффициентов регрессии.

Наиболее используемыми моделями MДA являются модели Альтмана и Чeccepa.

Альтман, Хoльдepман и Нарайана ввели «Z - анализ» на основе уравнения: следующего вида:

Отнесение компании к определенной группе надежности осуществляется на основе расчетных значений индекса Z:

Z ? 1,8 - очень высока вероятность обанкротиться;

1,8 < Z ? 2,7 - высокая вероятность обанкротиться;

2,7 < Z ? 3,0 - низкая вероятность обанкротиться;

3,0 < Z - очень низка вероятность обанкротиться.

Пятифакторная известная модель Альтмана, созданная на основе анализа финансового положения 66 фирм, дает достаточно точный прогноз наступления банкротства вперед на три-четыре года. При этом факт банкротства на ближайший год можно определить почти с 95% точностью.

Поздние его работы основывались на более глубоком исследовании, при этом более тщательно были рассмотрены капитализируемые обязательства по аренде, где применялся прием сглаживания данных, с целью выровнять случайные колебания. Новые модели обладают способностью предсказывать банкротства с очень высокой степенью точности на пару лет вперед и с меньшей, и все же допустимой точностью в 70% на пять лет.

Z = 1,2*X1 + 1,4*X2 + 3,3*Х3 + 0,6* X4 + 0,9*Х5 - 2,675, (2.5)

Если Z < 0, то предприятие обладает «рискованным» финансовым положением, если Z > 0 - компания считается «статистически здоровым».

Построить модель для российских заемщиков, наподобие уравнения Альтмана, пока проблематично и ненадежно, во-первых, в связи с отсутствием некой истории банкротств заемщиков; во-вторых, из-за существенного влияния на признание компании банкротом различных неучтенных факторов, не подлежащих учету; в-третьих, в результате изменчивости нормативной базы банкротств отечественных предприятий.

Основной проблемой практического применения моделей скopинга служит обеспечение связанности, а также отсутствие противоречивости всевозможных показателей. Большинство банков, стремящиеся добиться наиболее точных оценок, стараются комбинировать по своему усмотрению разные параметры и коэффициенты.

Модель Чeccepa, модель наблюдения за ссудами, позволяет прогнозировать случаи неисполнения клиентом условий договора по кредиту. Под «невыполнением условий» понимают не только непогашение ссуды, но и всевозможные другие отклонения, способные сделать ссуду менее выгодной для кредитора-заемщика, чем было первоначально предусмотрено.

Оценочные показатели модели следующие:

Y = - 2,0434 - 5,24 * X1 + 0,0053 *X2 - 6,6507 *X3 + +4,4009 * X4 - 0,0791 *X5 - 0,1220 *X6 (2.6)

Переменная Y - линейная комбинация независимых переменных, используемая в следующей формуле при оценке вероятности неисполнения условий договора, Z:

где, e равное 2,71828 - число Эйлера, основание натурального логарифма.

Расчетная оценка Y рассматривается как присутствие факторов, способствующих выполнению условий договора. Чем больше это значение оценки Y, тем выше вероятность того, что данный заемщик не выполнит условия заключенного договора. В модели Чессера применяется такие следующая расшифровка для оценки вероятности неисполнения договора:

· если Z ? 0,50, то заемщика необходимо определить в группу, которая вероятней всего не исполнит условия договора;

· если Z < 0,50, то заемщика следует определить в группу надежных клиентов.

Чессер применял данные нескольких банков по 37 «удовлетворительным» и 37 «неудовлетворительным» ссудам, при этом для расчета он взял показатели балансов компаний-заемщиков за год до выдачи кредита. Подставив формулу «вероятности нарушения условий договора» и расчетные показатели модели, Чессер точно определил дефолт три из четырех анализируемых случаев.

Российскими дискриминантными моделями прогнозирования банкротств являются двухфакторная модель Федотовой М.А. и пятифакторная модель Сайфулина P.C., Kадыкова Г.Г.

Модель оценки вероятности банкротств Федотовой M.A. основывается на коэффициенте текущей ликвидности (X1) и доле заемных средств в валюте баланса (X2):

Z = -0,3877 - 1,0736 * X1 + 0,0579 * Х2 (2.8)

Если значение индекса Z отрицательное, то вероятно, что заемщик так и останется платежеспособным.

Сайфулина P.С. и Kадыкова Г.Г. представили уравнение определения кредитоспособности заемщика в виде:

«Сбербанк России», основанный в 1841 году - универсальный российский банк, который удовлетворяет потребности разных групп клиентов в огромном спектре различных банковских услуг. Сбербанку принадлежит огромная доля на рынке вкладов и он является главным кредитором российской экономики.

Банк в сотрудничестве с более чем 35000 юридических лиц и специализируется, как на обслуживании предприятий малого и среднего бизнеса, так и бюджетных организаций. Это предприятия различных отраслей промышленности: нефтегазовых, химических, металлургических, транспортных, сельскохозяйственных, агропромышленного комплекса, пищевой, деревоперерабатывающей промышленности, оптовой и розничной торговли, строительных организаций, страховых компаний, представительств и филиалов иностранных фирм.

В структуре обязательств Сбербанка преобладают средства физических лиц и корпоративных клиентов, общая сумма которых в конце 2012 года составила 10,2 трлн руб., или 75,5% обязательств.

Сбербанк значительно увеличил заимствования в банковских организациях - на 920 млрд руб. (прирост на 172,8% относительно уровня 2011 года), причем 66,7% этой суммы операции РЕПО, в основном с ЦБ РФ.

Объем депозитов физических лиц в 2012 году вырос на 21,9%, без учета приобретений - на 14,0%. Сумма средств на текущих счетах физических лиц увеличилась на 30,1%, без учета приобретений - на 12,1%. Доля текущих счетов в совокупных средствах физических лиц к концу 2012 года достигла 20,1%.

Объем выпущенных долговых обязательств в 2012 году увеличился на 423 млрд руб. Более половины прироста обеспечило увеличение сберегательных сертификатов (на 217,4 млрд руб.). Кроме того, в рамках программ среднесрочных нот (MTN) и программы еврокоммерческих бумаг (ECP) «Сбербанк Росии» выпустил ноты участия на сумму 138,1 млрд руб. Объем выпущенных облигаций, номинированных в долларах США, евро, турецких лирах, белорусских рублях и украинских гривнах, составил 34,4 млрд руб.

Не менее важным показателем является коэффициент достаточности капитала. На основе итогов 2012 года коэффициент достаточности основного банковского капитала вырос до 10,4%. В тоже время коэффициент достаточности общего капитала упал до 13,7%. Снижение вызвано главным образом повышением объема активов, которые взвешены с учетом риска (на 39%), а также присвоением дополнительных дочерних структур.

Коэффициент достаточности капитала «Сбербанка России» значительно превышает минимальный уровень, установленный Базельским комитетом (8%). Коэффициент достаточности общего капитала с использованием PCБУ (H1) в конце 2012 года составил 12,6%.

Как можно видеть на Рисунке 3, отраслевая структура кредитного портфеля банка достаточно диверсифицирована: доля самой крупной отрасли составляет примерно 17,7% от совокупного кредитного портфеля банка.

Таблица 3.1. Структура кредитного портфеля 2012 года, млн. рублей

Наглядно структуру кредитного портфеля нагляднее всего представить в виде диаграммы.

Рисунок 3.1. Структура кредитного портфеля 2012 года

В 2009 году Сбербанк внедрил новую систему кредитования клиентов. «Кредитная фабрика» - централизованная автоматизированная технология кредитования, которая охватывает полностью весь процесс, от прихода клиента за кредитом в офис банка до его выдачи. «Кредитная фабрика» - это условное обозначение для целой совокупности понятий: и нового банковского процесса, и комплекса IT - систем, и сотрудников банка, осуществляющих сложные процедуры предкредитной обработки полученной информации и принятия решений.

Данная технология является автоматизированной процедурой проверки и анализа заемщиков по данным, взятых как из внутренних, так и из внешних источников, и централизованного принятия решений о предоставлении кредита. Вердикт осуществляет либо автоматизированная система, либо специальный сотрудник экспертным методом в лице централизованного кредитного аналитика, обладающего соответствующим уровнем компетенции.

Проект «Кредитная фабрика», одобренный Правлением банка и Наблюдательным Советом 1 августа 2008 года, стартовал 23 октября. Переход на новый механизм обработки данных банк осуществил в 701 точке города Москвы.

Этот проект является достаточно сложным и масштабным, что обусловлено территориальной разветвленностью Сбербанка, большим числом вовлеченных специалистов высокого уровня, а также выстроенной IT-архитектурой. Также в Москве был образован единый центр предкредитной обработки заявок. В рамках новейшей технологии прошли обучение 1 тысяча 112 кредитных инспекторов.

Ранее для получения положительного решения по кредиту клиенту требовалось посетить Сбербанк не менее пяти раз, а если в качестве обеспечения были предоставлены поручительства физических лиц, то до семи - восьми раз. Сегодня количество визитов заёмщиков снизилось до двух. В первый раз предоставляются документы, такие как заявка, справки о доходе и так далее, во второй - подписываются кредитные документы, если было принято положительное решение о выдаче ссуды. Срок рассмотрения заявки существенно сократился. Теперь он составляет от семи до двух дней - это время, за которое банк способен полностью оформить кредитные документы. Более того, заемщик обращается лишь в одно окно по сравнению с четырьмя ранее.

При использовании новой технологии в частности изменился расчет такого показателя как платежеспособность заемщика. Раньше банк только на основании справки клиента об официальном доходе, которую выдает работодатель, устанавливал среднемесячный доход и допустимый размер ежемесячных выплат по кредиту. Теперь же, чтобы оценить допустимый размер ежемесячного платежа рассматривается вся совокупность данных о клиенте: сколько у него иждивенцев, какие расходы он несет, брал ли клиент кредиты в прошлом и как он по ним платил, имеются ли текущие обязательства в других банках. «Кредитная фабрика» учитывает полностью эту информацию и предусматривает множество алгоритмов ее обработки.

В дальнейшем список источников информации о клиенте планируется расширять. Например, для оценки показателя платежеспособности клиента можно использовать информацию об уплате клиентами услуг ЖКХ (жилищно-коммунального хозяйства). Эта информация позволит дополнить их характеристику, поскольку регулярная оплата жилищно-коммунальных счетов косвенно свидетельствует о платежеспособности заемщика, его отношениях к обязательствам по погашению долгов.

«Кредитная фабрика» обладает «IT-мозгом», который «помнит» обо всем (обработанная база данных), и «быстрым мозгом», который включает в себя кредитных аналитиков, видящих и чувствующих события, не зафиксированные машиной. База знаний, занесенных в машину, и оценки кредитных аналитиков позволяют системе, во-первых, проанализировать все события, которые связаны с клиентом, а во-вторых, довольно быстро распространить по всей системе приобретенный новый опыт.

К сожалению, данную технологию невозможно распространить на максимум продуктов. Например, ипотека является исключением, поскольку здесь каждая сделка уникальна. Многое зависит от оцениваемого объекта недвижимости. Поэтому «фабричная» технологии для системы ипотечного кредитования будет существенно отличаться от остальных розничных кредитов.

Так в течение ближайших годов все розничные кредитные продукты для физических лиц во всех территориальных банках планируется перевести на технологию «Кредитной фабрики».

3.2 Оценка кредитного риска коммерческого банка ОАО «Сбербанк России» с использованием VaR - модели