Размещено на http://www.allbest.ru/

Содержание

Введение

Глава 1. Теоретические основы оценки вероятности банкротства

1.1 Классические методы прогнозирования банкротства

1.2 Альтернативные методы прогнозирования банкротства

1.3 Применение существующих методик оценки вероятности дефолта / отзыва лицензии на осуществление банковской деятельности для коммерческих банков

Глава 2. Оценка вероятности банкротства коммерческого банка в России

2.1 Подбор объясняющих переменных

2.2 Описание данных для эмпирического анализа

2.3 Решение проблемы несбалансированности данных и построение модели оценки вероятности отзыва лицензии у коммерческого банка

Заключение

Список использованной литературы

Приложения



Введение

Эффективное и постоянное взаимодействие банковского сектора и материального производства как в ведущих промышленно развитых, так и в развивающихся странах, играет существенную роль в стимулировании экономического роста. Мировой опыт показывает, что данное взаимодействие можно считать эффективным, только тогда, когда коммерческие банки способны обеспечить бесперебойное перераспределение временно свободного капитала в реальный сектор экономики, нуждающийся в проведении модернизации основных фондов или увеличении производственных мощностей. Наличие недобросовестных коммерческих банков, ведущих высокорискованную кредитную политику и несоблюдающих законы и нормативные акты, регламентирующие банковскую деятельность, способствует нарушению функционирования всей банковской системы, что, в свою очередь, может привести к стагнации экономического развития. В связи с этим, центральные банки во всех странах, в том числе и в России, уделяют огромное внимание одной из основных своих функций - осуществлению надзора за деятельностью кредитных организаций.

Объектом исследования данной выпускной квалификационной работы является Российская банковская система, которая имеет двухуровневую структуру. К первому уровню относится Центральный банк Российский Федерации, наделенный полномочиями по регулированию финансового рынка и выполняющий функции денежно-кредитного регулирования, банковского надзора и управления системой платежей и расчетов в стране. Второй уровень банковской системы включает в себя коммерческие банки, которые делятся на государственные, частные и имеющие иностранный капитал, и небанковские кредитные организации, которые подразделяются на расчетные, платежные и небанковские депозитно-кредитные организации.

Предметом исследования являются коммерческие банки Российской Федерации, в том числе лишенные лицензии на осуществление банковских операций.

Исследование факторов, определяющих и характеризующих устойчивое функционирование банковской системы, а также разработка вероятностно-статистических моделей, выявляющих потенциальных банкротов, позволило бы регулятору заблаговременно провести все мероприятия по «оздоровлению» деятельности коммерческого банка. В связи с этим, зарубежный и российский опыт (Bluhm C., Overbeck L., Wagner C., Lanine G., Vennet R., А. М. Карминский, А. В. Костров и А. А. Пересецкий и другие) вероятностно-статистического моделирования по данной тематике уже давно стал объектом пристального интереса. В основу предшествующих исследований легло построение модели бинарного и множественного выбора для прогноза вероятности отзыва лицензии у коммерческого банка по экономическим причинам на основе основных макроэкономических показателей страны местонахождения и финансовых показателей коммерческого банка.

Целью и отличительной особенностью данной выпускной квалификационной работы является оценка вероятности отзыва лицензии у коммерческого банка по неэкономическим причинам, то есть из-за неоднократного осуществления коммерческим банком операций, не предусмотренных законами и нормативными актами, регулирующими банковскую деятельность, а также из-за нарушения ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансирования терроризма» с помощью непараметрического метода «Деревья решений» (регрессионное дерево).

Для достижения поставленной цели в данной работе планируется решить ряд задач:

ѕ изучить предшествующий опыт оценки вероятности дефолта организаций, в частности отзыва лицензий у коммерческих банков;

ѕ собрать эмпирические данные о предмете исследования и провести их предварительный анализ;

ѕ построить модель на основе сформулированных гипотез об объясняющих факторах для выявления значимых переменных;

ѕ создать алгоритм для построения регрессионного дерева для оценки вероятности отзыва лицензии у коммерческого банка;

ѕ оценить качество построенного регрессионного дерева.

Структура данной выпускной квалификационной работы полностью соответствует поставленным задачам. В первой главе рассматриваются теоретические основы, которые используются для оценки вероятности банкротства организации и отзывов лицензий у коммерческих банков в настоящее время. Вторая глава посвящена непосредственно анализу и сбору эмпирических данных, а также созданию алгоритма для построения регрессионного дерева и оценке его качества.



Глава 1. Теоретические основы оценки вероятности банкротства

1.1 Классические методы прогнозирования банкротства

Построение моделей, прогнозирующих банкротство организаций, уже достаточно давно обсуждается во многих зарубежных исследованиях. Самые первые шаги в изучении данной темы были сделаны на рубеже тридцатых годов. Проанализировав большое количество показателей деятельности как нормально функционирующих компании, так и банкротов, П. Фитцпатрик пришел к выводу, что у последних значение рассматриваемых показателей находится на достаточно низком уровне. Именно его труды и открыли большие горизонты другим ученым и экономистам для будущих исследовательских работ.

За последние восемьдесят пять лет было разработано несколько десятков моделей с использованием множества методологических подходов. Большое количество работ на данную тематику объясняется тем, что моделирование вероятности дефолта организаций затрагивает интересы широкого круга участников рыночных отношений - модель может быть полезна как собственникам бизнеса, так и его кредиторам.

На сегодняшний день существует два вида методов прогнозирования банкротства: классические (статистические) и альтернативные Ким Дж. О., Мьюллер Ч. У., Королев С. Б. и др.; под ред. Хотинский А. М. / Факторный, дискриминантный и кластерный анализ: пер. с англ. -- М.: Финансы и статистика, 1989, с. 215.. Помимо этого, их еще делят на параметрические (статистические) и непараметрические (аналитические) модели.

Параметрическая статистика используется для анализа непрерывных (численных) переменных, значения которых распределены нормально. Непараметрические методы анализа данных применяются к непрерывным и дискретным данным.

На Рисунке № 1 показана блок-схема с основными классическими и альтернативными методами.

Рисунок № 1.

Одномерный дискриминантный анализ.

К одним из самых первых и простых по своей сути методов относят одномерный дискриминантный анализ американского ученого Уильяма Бивера, который был опубликован в статье в Journal of Accounting Research в 1966 году Beaver W. H. «Financial ratios as predictors of failure» // Journal of Accounting Research, 1966, p. 71.. В основе его работы лежит система показателей, которая используется для определения вероятности дефолта организации. Данная модель состоит из пяти факторов: рентабельность активов (ROA), удельный вес заемных средств в общем объеме пассивов компании, коэффициент текущей ликвидности (Current Ratio), доля чистого оборотного капитала в общем объеме активов, отношение суммы чистой прибыли и амортизации к заемным средствам (коэффициент Бивера). Данные коэффициенты рассчитываются для рассматриваемого на предмет прогнозирования дефолта предприятия и сравниваются с предварительно рассчитанными У. Бивером нормативными значениями трех стадий существования организации: нормально функционирующая в настоящее время, обанкротившаяся в течение последнего финансового года и обанкротившаяся в течение последних пяти финансовых лет.

Множественный дискриминантный анализ.

Как показала практика, анализ каждого показателя деятельности организации по отдельности может привести к неверным результатам и ложным выводам. Решение данной проблемы было описано в одном из фундаментальных исследований, опубликованных в Journal of Finance в 1968 году, Э. И. Альтманом Altman E. I. «Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy» // Journal of Finance, 1968, p. 589.

Суть множественного дискриминантного анализа заключается в расчете основных показателей, характеризирующих финансовое положение и результаты хозяйственной деятельности предприятия, которые затем объединяют в один индекс кредитоспособности (Z), заранее присваивая каждому из показателей свой вес. В общем виде это была первая скоринговая модель, которая широко используется и по сей день.

Для построения данной модели был осуществлен пошаговый анализ 66 американских компаний за период 1946 - 1965 годов. В выборку попали 33 обанкротившихся и 33 успешно работающих промышленных предприятий. На первом этапе был произведен расчет двадцати двух основных финансовых коэффициентов, из которых в дальнейшем было выделено пять коэффициентов, которые, по мнению Э. И. Альтмана, наиболее точно и полно характеризуют результаты деятельности организации. Это были такие коэффициенты, как: доля чистого оборотного капитала в активах (Х₁), отношение накопленной прибыли к активам (Х₂), рентабельность активов (Х₃), отношение рыночной стоимости всех обычных и привилегированных акций предприятия к заемным средствам (Х₄) и оборачиваемость активов (Х₅). На втором этапе с помощью множественного дискриминантного анализа (Multiple Discriminant Analysis - MDA) были определены весовые значения у каждого коэффициента в будущей пятифакторной модели. Таким образом, модель Э. И. Альтмана выглядит следующим образом:

По результатам подсчета индекса кредитоспособности (Z) анализируемой компании, можно сделать вывод о степени вероятности ее дефолта:

ѕ высокая степень вероятность дефолта в случае, если значение данного индекса меньше 1,8;

ѕ средняя степень вероятность дефолта в случае, если значения находится в пределах 1,8 и 2,8;

ѕ низкая степень вероятность дефолта в случае, если значения данного индекса больше 2,8.

Несмотря на всю привлекательность данного метода, в результате многочисленных исследований моделей, которые были построены на основе дискриминантного анализа, экономистами было выявлено множество недостатков, не позволявших использовать полученные результаты на практике. Одним из недостатков стало отсутствие у модели возможности дать количественную оценку вероятности банкротства, из чего следует вывод, что модель может определить только степень вероятности, но не ее номинальное значение. К другому недостатку следует отнести наличие «зоны неопределенности», благодаря которой появляются сложности при интерпретации результатов модели. Все эти недостатки привели к внезапному отказу большинства аналитиков и экономистов из разных стран от использования данного подхода при прогнозировании или оценке вероятности банкротства организаций. Взамен данному подходу пришло эконометрическое моделирование вероятности дефолта, а именно - логистический регрессионный анализ.

Логистический регрессионный анализ.

Основным подходом к эконометрическому моделированию вероятности дефолта компаний является построение бинарной логистической регрессионной модели (logit - модель) на основе исторических данных о банкротстве аналогичных по роду деятельности организаций. Впервые термин «logit» был использован в 1944 году ученым Joseph Berkson Berkson J. «Application of the Logistic Function to Bio-assay» // Journal of the American Statistical Association, 1944, p. 357, а одним из первых экономистов, который применил метод логистического регрессионного анализа для оценки вероятности банкротства, был Джеймс Олсон Ohlson J. S. «Financial Ratios and the Probabilistic Prediction of Bankruptcy» // Journal of Accounting Research, 1980, p. 109.. Бинарная логистическая регрессия является разновидностью множественной регрессии, общее назначение которой состоит в анализе связи между несколькими независимыми переменными (х; регрессорами или предикторами) и зависимой переменной (у). Построение такой модели позволяет сделать прогноз значения непрерывной зависимой переменной, при условии, что ее значение находится в интервале [0; 1]. Иными словами, с помощью данного вида регрессии можно оценить вероятность того, произойдет ли событие или нет.

Логистическая функция в общем виде выглядит следующим образом:

При построении логистической регрессии делаем предположение, что вероятность наступления события (y = 1) равна:



,

где , и - вектора - столбцы независимых переменных и параметров (коэффициентов регрессии) - вещественных чисел .

Так как зависимая переменная принимает только значения «0» ил «1», то вероятность первого возможного значения равна:

Таким образом, функцию распределения зависимой переменной при заданных регрессорах можно записать в следующем виде:

,

В отличие от рассмотренных ранее дискриминантных моделей прогнозирования, существенными преимуществами использования логистической регрессии являются возможность строить модели нелинейной зависимости наступления банкротства от нескольких факторов и отсутствие «зоны неопределенности» Под термином «зона неопределенности» понимается множество вариантов развития системы, каждый из которых оптимален при некотором реально возможном сочетании внешних условий.. Кроме того, при применении logit - модели не возникает проблем с однозначной интерпретацией зависимой переменной, так как она может принимать только два значения.

Однако, использование logit - модели имеет и слабые стороны. Основным недостатком использования данной параметрической модели является зависимость результатов от распределения независимых переменных.

Избежать наложения ограничений по использованию данной модели возможно с помощью непараметрического метода, основанного на «распознании признаков», который будет описан в следующем разделе.

1.2 Альтернативные методы прогнозирования банкротства

Стремительное развитие информационных технологий в части способов сбора, хранения и обработки информации позволило использовать при исследовании огромные массивы данных, что, в свою очередь, породило спрос на разработку новых и усовершенствование действующих методов автоматического анализа.

В настоящее время существует несколько альтернативных методов анализа большого объема информации: анализ соответствий, многомерное шкалирование, причинное моделирование, нейронные сети, деревья решений и другие. В данном разделе выпускной квалификационной работе речь пойдет о последних, наиболее часто используемых методах - «распознавание признаков», проведение нейросетевого анализа и принятие решения методом построения деревьев.

Распознавание признаков.

Как отмечалось в предыдущем разделе, описываемый непараметрический метод используется при проведении логистического регрессионного анализа. Он основан на количественном описании всех возможных сочетаний переменных для выделения таких признаков, которые либо встречаются почти в каждой группе, либо появляются только в единственном случае. Первой областью, где начали применять данный метод, была геология Воронин Ю. А., Алабин Б. К., Гольдин С. В. «Геология и математика. Основные методологические, теоретические и организационные вопросы примирения математических методов и ЭВМ в геологии -- Н.: Наука, 1967, с. 29.. В дальнейшем, для того, чтобы использование данного метода было применимо при прогнозировании вероятности, алгоритм был немного изменен.

Использование данного метода при оценке вероятности отзыва лицензии у коммерческого банка было описано в статье Ж. Колари, М. Капуто, Д. Вагнера в 1996 году Kolari J., Caputo M., Wagner D. «Trait recognition: An alternative approach to early warning system in commercial banking» // Journal of Business Finance and Accounting, 1996, p. 1415.. Изначально авторами были выбраны критические значения для каждой переменной, которые выбирались так, чтобы в каждый из сегментов попадали только определенные типы банков. В верхний сегмент должны были попадать только банки - банкроты, в нижний сегмент, наоборот, банки - небанкроты. Средний сегмент представляет собой «зону неопределенности» и включает в себя как банки - банкроты, так и банки - небанкроты. Далее для каждого банка была составлена двоичная строка, которая отражала значения его финансовых показателей. На следующем этапе была составлена матрица признаков для каждого наблюдения, которая состояла из комбинаций одной, двух, трех и четырех переменных одновременно. После построения матрицы из всего набора признаков выделяются только те, которые присущи каждому типу банков и делятся на две категории: безопасные и небезопасные. На финальном этапе формируется матрица голосования, каждой ячейке которой соответствует разное число безопасных и небезопасных категорий. Если в ячейку попадают только банки - небанкроты, то она признаются безопасной, в противоположном случае - небезопасной. Вид ячейки, в которую входят и те и другие коммерческие банки, определяется по типу банков, которых содержится в ней больше. Таким образом, вероятность дефолта кредитной организации в следующем периоде может принимать только два значения - «0» или «1».

Нейросетевой анализ.

Использование искусственных нейронных сетей (ИНС) являются популярным подходом в области машинного обучения и восприятия. В основе данной математической модели лежит принцип организации и функционирования биологических нейронных сетей, то есть сетей нервных клеток живого организма. Первыми учеными, которые начали изучать процессы головного мозга для дальнейшего их моделирования, были американцы У. Мак-Калок и У. Питтс McCulloch W. S., Pitts W. «A Logical Calculus of the Ideas Immanent in Nervous Activity» // Bulletin of Mathematical Biophysics, 1943, p. 115.. В результате проведенного исследования была разработана модель нейрона, выполняющая вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов, и сформированы основные положения теории деятельности головного мозга. В данной модели каждый нейрон имеет два состояния: «0» и «1». Для определения своего состояния каждый нейрон рассчитывает взвешенное состояние других нейронов и сравнивает их с пороговым значением состояния. Если же значение рассчитанного скалярного произведения не достигает порогового значения, то нейрон «не срабатывает» и модель теряет интенсивность выходного сигнала данного нейрона, что снижает надежность итоговых результатов модели. Данный факт является основным недостатком искусственных нейронных сетей. Отличительной же особенностью модели, разработанной У. Мак-Калок и У. Питтс, перед традиционными алгоритмами является свойство самообучения, которое заключается в нахождении коэффициентов связей между нейронами.

Деревья классификации и регрессии.

Построение деревьев решений является еще одним методом автоматического анализа данных. Первые идеи создания метода, основанного на построении деревьев решений, принадлежат американским ученым - Э. Ханту, Д. Мэрину и Ф. Стоуну Hunt Earl B., Marin J., Stone P. J. «Experiments in induction» // Academic Press, 1966, p. 97..

Деревья решений бывают двух видов: деревья классификации и деревья регрессии. Так как входными параметрами для построения деревьев решений могут быть как дискретные, так и непрерывные величины, то определяющий фактором, от которого зависит вид дерева, является выходное значение. Дерево решений, результатом построения которого является конкретное значение (символы), называется деревом классификации. Напротив, дерево решений с непрерывными выходными данными (вещественные числа) именуется деревом регрессии.

Деревья решений организованы в виде иерархической структуры, состоящей из узлов принятия решений по оценке значений определенных переменных для прогнозирования результирующего значения. Таким образом, результатом любого дерева является прогнозируемое значение, полученное в результате анализа и оценки входных параметров. Узлы принятия решения соединяются друг с другом ребрами таким образом, чтобы создаваемая структура не превращалась в цикл. Основой дерева является особый узел, известный как корневой, от которого можно перейти по дереву к любому другому узлу. Помимо этого, дерево состоит из листовых узлов, которые находятся в конце любой цепочки подряд идущих ребер (см. Рисунок № 2).

Рисунок № 2. Схема простого дерева решений.

Каждое ребро в дереве является одним из возможных вариантов (т. е. взаимоисключающие друг друга результаты) наступления прогнозируемого события, а узел обеспечивает его проверку. Таким образом, любой уровень в дереве рассматривается как одно из возможных решений.

При построении дерева решений и проверке условий происходит сортировка выборок анализируемых данных таким образом, что каждый элемент определяется как соответствующий только одному ребру. Такой процесс разбиения всех данных выборки на меньшие части происходит до тех пор, пока не образуется листовой узел, который соответствует небольшой, но исключительной части исходного множества данных. Таким образом, секционирование набора данных (то есть разбивание на непересекающиеся подмножества) осуществляется на основе использования наиболее подходящей для этого переменной, что приводит к получению подмножества, содержащего минимальное количество посторонних включений.

В настоящее время существует несколько алгоритмов, используемых при построении дерева решений. К ним относятся C4.5, CART, ITrule, NewId, CN2 и так далее. Однако особое внимание в зарубежных исследованиях уделяют следующему алгоритму - CART (Classification And Regression Tree).

Алгоритм CART является самым простым из алгоритмов, так как каждый узел итогового дерева решений у него имеет только два варианта развития событий (потомки Right и Left). Поэтому, CART является алгоритмом построения бинарного дерева решений. Как видно из его названия, он решает задачи классификации и регрессии. Данный алгоритм был предложен американским математиком - статистиком Л. Брейманом в 1984 году Breiman L., Friedman J., Olshen R., Stone C. «Classification and Regression Trees» // Wadsworth, 1984, p. 81.. Оценочная функция, используемая в алгоритме CART, основывается на интуитивной идее уменьшения неопределенности, то есть на увеличении количества примеров одного класса в каждом узле. Такую неопределенность еще часто называют «нечистотой». Для уменьшения данной неопределенности при построении дерева решений используется индекс Gini, который имеет следующий вид:



где - это вероятность класса в T.

В случае, если множество T будет разбито на 2 части (Т₁ и Т₂) с числом примеров в каждом подмножестве (N₁ и N₂), показатель качества разбиения будет выглядеть следующим образом

Наилучшим считается такое разбиение, для которого вышеуказанный индекс принимает самое минимальное значение.

Для построения дерева решений с помощью данного алгоритма можно использовать как числовые, так и категориальные атрибуты. Так как в каждом узле разбиение возможно только по одному атрибуту, существуют два правила, на основе которых строится данный алгоритм:

ѕ если значение атрибута является числовым, то в узле формируется правило , где c - это некоторый порог, который рассчитывается как среднее арифметическое двух соседних упорядоченных значений переменной обучающей выборки;

ѕ если значение атрибута имеет категориальный тип, то в узле формируется правило вида , где - это некоторое непустое подмножество значений переменной обучающей выборки.

В отличие от других алгоритмов, CART имеет серьезное преимущество - при построении дерева решений целесообразно использовать механизм его отсечения (minimal cost-complexity tree pruning), который заключается в получении компромисса между созданием дерева оптимального размера и получением точной оценки вероятности ошибочной классификации.

Выбор финальной версии дерева осуществляется посредством тестирования на тестовой выборке с помощью перекрестной проверки (V-fold cross-validation). Данный тест проводится в тех случаях, когда набор данных для обучения либо мал, либо имеет только уникальные записи, так что дальнейшее разделение выборки для обучения и тестирования невозможно.

Данный алгоритм имеет свои сильные и слабые стороны. К основному достоинству следует отнести тот факт, что данный алгоритм позволяет отбирать переменные, которые будут использованы в анализе не заранее, а непосредственно при проведении анализа с помощью индекса Gini. Кроме того, данный непараметрический метод При использовании непараметрического метода нет необходимости рассчитывать различные параметры вероятностного распределения имеет большую скорость обработки данных. Недостатком является то, что CART неприменим для построения дерева с более сложной структурой, так как может не идентифицировать правильную структуру данных.

1.3 Применение существующих методик оценки вероятности дефолта / отзыва лицензии на осуществление банковской деятельности для коммерческих банков

банкротство банк дефолт лицензия

В отличие от первых двух разделов, где были рассмотрены самые распространенные методы, используемые для прогнозирования вероятности дефолта компании, в данном разделе рассмотрим основные исследования, нацеленные на оценку вероятности и прогнозирования банкротства / отзыва лицензии на осуществление банковской деятельности именно коммерческих банков. Следует отметить, что в данной выпускной квалификационной работе термин «банкротство» / «дефолт» коммерческого банка является синонимом термина «отзыв лицензии на осуществление банковской деятельности».

Основные подходы, используемые при построении моделей, оценивающих вероятность отзыва лицензии у коммерческого банка, исследованы в большом количестве работ как зарубежными, так и российскими экономистами. Несмотря на значительное количество методов оценки вероятности и прогнозирования вероятности банкротства, основной упор во всех периодических изданиях и учебной литературе делается на построение logit - модели.

Впервые данная модель бинарного типа была применена Д. Мартином в 1977 году Martin D. «Early warning of bank failure: A logit regression approach» // Journal of Banking and Finance, 1977, p. 249. для прогноза отзыва лицензии у коммерческих банков в США. После сравнения результатов с итогами, полученными с помощью использования модели дискриминантного анализа, были сделаны следующие выводы: помимо того, что построенная модель бинарного типа не предполагает нормального распределения регрессоров, с ее помощью можно определить вероятность дефолта, а не бинарный ответ - «дефолт» / «не дефолт».

Аналогичная модель для российского банковского сектора была использована в исследованиях А. М. Карминского А. А., Пересецкого и А. В. Кострова Карминский А. М., Пересецкий А. А., Костров А. В. «Модели вероятности дефолта российских банков. Предварительное разбиение банков на кластеры» // РЭШ, 2003.. Отличительной особенностью данной работы является наличие двух способов предварительного разделения банков на одинаковые по нескольким признаком кластеры: использование экспертного подхода и алгоритма построения функции максимального правдоподобия. В результате выборка коммерческих банков была разделена на 4 кластера: кластер малых банков; кластер крупных банков; кластер банков, не участвующих в спекулятивных операциях на рынке ГКО и ОФЗ; кластер банков со значительной долей вложения в ГКО и ОФЗ. Далее для каждого из кластеров была построенная своя модель. Отбор моделей, используемых в дальнейшем для прогнозирования вероятности отзыва лицензии, осуществлялся на основе анализа значений коэффициентов «MсFadden R-squared» и «LR statistic».

Во всех исследованиях в исходную выборку помимо «хороших» Под термином «хороший» коммерческий банк понимается такой банк, который имел лицензию на осуществление банковских операций в момент проведения исследования банков попадали и те, лицензия у которых была отозвана по экономическим причинам. Таким образом, каждый из экономистов старался выявить наиболее значимые финансовые показатели, с помощью которых можно было наиболее точно спрогнозировать или оценить вероятность наступления дефолта коммерческого банка в будущем. Помимо анализа данных показателей, некоторые авторы также включали в модель макроэкономические переменные, которые, по их мнению, позволяют улучшить прогнозное качество построенной модели Hosmer D., Lemeshow S. «Applied Logistic Regression» // N.Y.: John Wiley and Sons, 2000..

В одной из первых работ Lanine G., Vennet R. «Failure Prediction in the Russian Bank Sector with Logit and Trait Recognition Models» // Expert Systems with applications, 2006, p. 463, посвященной оценке вероятности отзыва лицензии у коммерческого банка, Г. Ланин и Р. Веннет выдвинули и доказали гипотезу о том, что вероятность дефолта российского банка с большим значением отношения капитала и активов намного меньше, чем у кредитной организации с преобладающей долей обязательств. Одновременно с этим, в исследовании доказано, что размер коммерческого банка вообще никаким образом не влияет на его банкротство.

В другой статье Mannasoo K., Mayes D. «Explaining Bank Distress in Eastern European Transition Economies» // Journal of Banking and Finance, 2009, p. 244 авторы отмечают, что темпы роста ВВП являются одним из основных факторов, который должен включаться в модель оценки вероятности и прогнозирования банкротства. Однако в похожем исследовании Bock R., Demyanets A. «Bank Assets Quality in Emerging Markets: Determinates and Spillovers» // International Monetary Fund, 2012 для определения значимости изменения ВВП была построена панельная регрессия, по результатам которой была отмечена отрицательная взаимосвязь между объясняемой переменной и темпами роста ВВП.

В работе А. А. Пересецкого Пересецкий А. А. «Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов» // Прикладная эконометрика, 2013. проводилась оценка влияния как макроэкономических показателей, так и финансовых коэффициентов. В результате были выявлены следующие значимые переменные:

ѕ макроэкономические показатели: обменный курс, прирост ВВП и инфляция;

ѕ финансовые показатели: отношение объема негосударственных ценных бумаг и чистых активов, отношение собственного капитала и чистых активов, отношение сформированных резервов и общего объема кредитного портфеля, отношение объема межбанковских кредитов и чистых активов.

Помимо макроэкономических показателей, некоторыми экономистами были использованы и другие переменные с целью улучшения построенной модели. Согласно ряду статей, одним из ключевых характеристик коммерческого банка в России является его тип собственности и участие в системе страхования вкладов. Например, в одной статье Fangacova Z., Solanko L. «Risk-Taking by Russian Banks: Do Location, Ownership and Size Matter? » // Institute for Economies in Transition, 2009, p. 158. авторы выявили, что если обязательства кредитной организации перед населением застрахованы в специальном учреждении, то банкам легче увеличивать свои объемы депозитов от вкладчиков, которые изначально или в дальнейшем не будут интересоваться финансовым положением коммерческого банка. В этом же исследовании доказано, что у кредитных организаций, владельцами которых, полностью или частично является государство, риск лишиться лицензии на осуществление своей деятельности намного меньше, чем у банков с иностранным участием в капитале.

Однако в другом исследовании Micco A., Panizza U., Yanez M. «Bank Ownership and Performance. Does politics matter?» // Journal of Banking Finance, 2007, p. 219. наоборот оспаривается вышеуказанное утверждение. Экономист ссылался на то, что иностранные банки меньше подвержены государственному регулированию, таким образом, показывают лучшие операционные результаты. В статье Clarke G., Cull R., Shirley M. «Bank Privatization in Developing Countries: A Summary of Lessons and Findings» // Journal of Banking Finance, 2005, p. 1905. также приводятся доводы, почему государственные банки могут уступать иностранным кредитным организациям по уровню надежности. Основными причинами являются: вмешательство государственного аппарата в деятельность банка, агентские издержки и слабость конкурентной среды, под которой понимается отсутствие чистой конкуренции и субсидирование при наличии проблем.

Следующим значимым фактором является территориальный признак головного офиса коммерческого банка. В одном исследовании Claeys S., Schoors K. «Bank Supervision Russian Style: Evidence of Conflicts between Micro- and Macro-Prudential Concerns» // Journal of Comparative Economics, 2007, p. 63. была выявлена следующая тенденция: Банк России отзывал лицензии на осуществления операций у тех банков, которые расположены в регионах с большим количеством кредитных организаций. Это объясняется тем, что мегарегулятор финансового рынка не хотел ослаблять и без того слабую конкуренцию в регионах страны.



Глава 2. Оценка вероятности банкротства коммерческого банка в России

2.1 Подбор объясняющих переменных

Одной из основных задач, которая возникает перед каждым исследователем, занимающимся оценкой вероятности отзыва лицензии у кредитной организации, является выявление характеристик, которые присущи коммерческому банку, лишившемуся своей лицензии на осуществление операций.

Согласно законодательству Российской Федерации Федеральный закон от 25.02.1999 № 40-ФЗ (ред. от 14.10.2014) «О несостоятельности (банкротстве) кредитных организаций», «под несостоятельностью (банкротством) кредитной организации понимается признанная арбитражным судом ее неспособность удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей».

Однако во многих исследованиях авторы расширяют периметр причин, на основании которых они относят коммерческий банк в разные категории. Одними из первых, кто увеличил круг причин, были А. М. Карминский и А. А. Пересецкий. В свое работе Карминский А. М., Пересецкий А. А., Костров А. В. «Модели вероятности дефолта российских банков. Предварительное разбиение банков на кластеры» // РЭШ, 2003. они предложили свое определение «плохого» Под термином «плохой» коммерческий банк понимается такой банк, у которого была отозвана лицензия на осуществление банковских операций в момент проведения исследования банка, которое заключалось в том, что банк признавался банкротом даже в том случае, если он попал под управление АРКО (Агентство по реструктуризации кредитных организаций). В то же время, авторы исключали коммерческий банк из списка банкротов, если его состояние оценивалось как удовлетворительно при условии, что у него была отозвана лицензия.

В другом исследовании Дробышевский С. М., Зубарев А. В. «Факторы устойчивости российских банков» -- М.: Институт Гайдара, 2011, с. 124. авторы считали банк банкротом только в случае, если:

ѕ у него была отозвана лицензия на осуществление банковских операций;

ѕ осуществлялся переход коммерческого банка под руководство АСВ (Агентство по страхованию вкладов);

ѕ собственный капитал принимал отрицательное значение;

ѕ доля просроченных платежей (во всем объеме обязательств) превышал порог в 3,0%.

Стоит отметить, что, некоторые экономисты наоборот пытались сузить причины, по которым можно признать коммерческий банк дефолтным, а именно исключить из выборки те банки, у которых была отозвана лицензия с пометкой «отмывание денег», для улучшения прогнозной модели. Такой подход был использован при построении модели в одной из работ А. А. Пересецкого Пересецкий А. А. «Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов» // Прикладная эконометрика, 2013..

Учитывая предшествующий опыт и цель данной выпускной квалификационной работы, было принято решение разделить все коммерческие банки на две группы и использовать в качестве банкротов только те банки, у которых была отозвана лицензия:

ѕ исключительно по причине ухудшения финансового состояния (нарушение банковского законодательства и нормативов Центрального банка Российской Федерации, достижение величины достаточности капитала отметки ниже 2,0% и достижение размера собственного капитала уровня ниже минимального значения уставного капитала);

ѕ исключительно по причине неоднократного осуществления коммерческим банком операций, не предусмотренных законами и нормативными актами, регулирующими банковскую деятельность, а также из-за нарушения ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансирования терроризма».

Следующей задачей является выявление показателей, способных помочь при решении поставленных задач. Не смотря на большой опыт как зарубежных, так и российских авторов, ни один из них не может с точностью сказать, какие коэффициенты необходимо рассматривать. Наиболее распространенными и традиционными являются показатели, полученные из бухгалтерской отчетности и прочих финансовых документов коммерческого банка, доступных в открытых источниках. Дополнительно авторы используют еще и качественные показатели, характеризующие менеджмент, уровень конкуренции, территориальный признак и так далее.

В данной выпускной квалификационной работе в качестве объясняющих переменных были использованы показатели / коэффициенты, отраженные в Таблице № 1.

Таблица № 1. Объясняющие переменные, использованные в данной работе

№	Наименование переменной	Обозначение переменной
1.	Отношение объема балансовой прибыли и объема чистых активов	profit_na
2.	Отношение объема государственных ценных бумаг и объема чистых активов	gbond_na
3.	Отношение объема кредитов, выданных юридическим лицам, и объема чистых активов	loan_bus_na
4.	Отношение объема кредитов, выданных физическим лицам, и объема чистых активов	loan_fiz_na
5.	Отношение объема привлеченных кредитов коммерческих банков и объема чистых активов	mbk_priv_na
6.	Отношение объема предоставленных кредитов коммерческим банкам и объема чистых активов	mbk_pred_na
7.	Отношение объема оборотов по корреспондентским счетам и объема чистых активов (натуральный логарифм)	oborot_na
8.	Отношение объема резервов на возможные потери объема чистых активов	rezerv_na
9.	Отношение объема резервов на возможные потери и объема кредитного портфеля коммерческого банка	rezerv_loan
10.	Отношение значения собственного капитала и объема чистых активов	capital_na
11.	Отношение объема депозитов физических лиц и объема чистых активов	deposit_fiz_na
12.	Отношение объема депозитов юридических лиц и объема чистых активов	deposit_bus_na
13.	Объем чистых активов (натуральный логарифм)	net_assets
14.	Отношение объема привлеченных депозитов и объема обязательств	deposit_obyazatel
15.	Рентабельность активов (ROA) Отношение нераспределенной прибыли за период и средней валюты баланса.	ROA
16.	Рентабельность капитала (ROE) Отношение нераспределенной прибыли за период и среднего размера собственных средств.	ROE
17.	Стоимость активов (Cost of assets) Отношение операционных расходов и среднего объема чистых процентных активов.	cost_assets
18.	Операционная эффективность (Cost to Income) Отношение операционных расходов и операционных доходов до создания / восстановления резервов.	cost_income
19.	Чистый спред Разница между доходностью активов и стоимостью пассивов.	chistii_spread
20.	Отношение объема денежных средств и эквивалентов и объема активов	cash_assets
21.	Показатель, характеризующий размер коммерческого банка	razmer_banka
22.	Показатель, характеризующий территориальную расположенность размер коммерческого банка	location

Для того, чтобы подтвердить экономический смысл объясняющих переменных, они были распределены по группам в соответствии со схемой CAMELS Американская рейтинговая система оценки коммерческих банков США, созданная в 1978 году Федеральной резервной системой США и федеральными агентствами Office of the Comptroller of the Currency (OCC) и Federal Deposit Insurance Corporation (FDIC). .

Capital adequacy (С) - переменные, связанные с капиталом коммерческого банка. Данная группа состоит только из одного показателя - «capital_na». Предполагается, что большая доля собственного капитала в объеме чистых активов коммерческого банка указывает на наличие запаса прочности. Однако следует не забывать, что слишком большая доля может характеризовать деятельность коммерческого банка как малоэффективную.

Asset quality (A) - переменные, связанные с качеством активов коммерческого банка. Данная группа включает в себя наибольшее количество объясняющих переменных, а именно почти все переменные, в знаменателе которых стоит объем чистых активов, и натуральный логарифм чистых активов: «mbk_priv_na», «rezerv_na», «deposit_fiz_na», «deposit_bus_na», «net_assets», «cost_assets». Уровень депозитов физических и юридических лиц напрямую зависит от наличия информации у вкладчиков о возможном нарушении банковского законодательства в части совершения запрещенных операций. Предполагается, что переменные «deposit_fiz_na», «deposit_bus_na» будут значимыми в построенной модели.

Management (M) - переменные, связанные с качеством управления коммерческого банка. Данная группа включает в себя следующие переменные: «loan_bus_na», «loan_fiz_na», «mbk_pred_na», «rezerv_loan», «oborot_na», «razmer_banka», «location». Основной переменной из данной группы является «oborot_na», так как она считается основным индикатором банковской активности и стратегического поведения менеджмента коммерческого банка Пересецкий А. А. «Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов» // Прикладная эконометрика, 2013.. Другими важными переменными являются «razmer_banka» и «location». Важность переменной «razmer_banka» обосновывается низкой вероятностью банкротства коммерческого банка с большой долей в банковском секторе. В исследовании Lanine G., Vennet R. «Failure Prediction in the Russian Bank Sector with Logit and Trait Recognition Models» // Expert Systems with applications, 2006, p. 463 данная переменная являлась значимой на 5,0% доверительном интервале. Как уже утверждалось ранее, предполагается, что мегарегулятор финансовой системы занимается отзывом лицензий у коммерческих банков в регионах с большим количеством кредитных организаций Claeys S., Schoors K. «Bank Supervision Russian Style: Evidence of Conflicts between Micro- and Macro-Prudential Concerns» // Journal of Comparative Economics, 2007, p. 63. В исследовании С. М. Дробышевского и А. В. Зубаревой Дробышевский С. М., Зубарев А. В. «Факторы устойчивости российских банков» -- М.: Институт Гайдара, 2011, с. 124. получены интересные результаты, связанные с объемом резервов по отношению к объему кредитного портфеля. С точки зрения экономического смысла, рост данного показателя наоборот свидетельствует об ухудшения финансового состояния коммерческого банка. Однако авторы обнаружили противоположный результат, который можно объяснить тем, что большие резервы не скрывают только крупные кредитные организации (в отличие от мелких игроков банковского сектора). Предполагается, что все три коэффициента будет значимы в построенной модели.

Earnings (E) - переменные, связанные с доходностью коммерческого банка. Данная группа представлена следующими переменными: «profit_na», «ROA», «ROE», «cost_income», «chistii_spread». Как высокие, так и низкие значения данных переменных сопровождаются дополнительными рисками для коммерческого банка. В случае если на протяжении анализируемого периода наблюдается сбалансированная прибыльность деятельности, то это может говорить об ориентации кредитной организации на устойчивое развитие. Значимость переменной «profit_na» подтвердилась в исследовании К. Кана и Н. Папаниколау Kahn C., Papanikolaou N. «What problem banks reveal about future financial distress: Evidence from the late 2000s financial crisis» // Journal of Banking Finance, 2011, p. 148.

Liquidity (L) и Sensitivity to risk (S) - переменные, связанные с ликвидностью и чувствительностью к риску. Данная группа состоит из «gbond_na», «deposit_obyazatel», «cash_assets». Любой коммерческий банк совершает операции с ценными бумагами, так как это является важным компонентом управления ликвидностью. При этом совершение операций с государственными ценными бумагами снижает общий риск деятельности коммерческого банка. Предполагается, что те банки, которые активно используют данный инструмент для хеджирования своих рисков, наименее склонны к дефолту в будущем. Наличие высокого значения «deposit_obyazatel» и «cash_assets» говорит о возможности коммерческого банка своевременно обслуживать свои обязательства.

Несмотря на рекомендации прошлых исследователей, в данной выпускной квалификационной работе макроэкономические показатели не будут использоваться в качестве объясняющих переменных, так как исходная выборка будет состоять только из коммерческих банков, зарегистрированных и ведущих банковские операции только на территории Российской Федерации, и ежедневно сталкивающихся с одними и теми же экономическими условиями.

2.2 Описание данных для эмпирического анализа

Данный раздел посвящен описанию процесса сбора и анализа информации, которая будет использована при оценке вероятности отзыва лицензии у российских коммерческих банков.

Анализ банковского сектора Российской Федерации

На 01.03.2016 в Российской Федерации зарегистрировано 1 010 кредитных организаций, в том числе 676 коммерческих банков, доля которых, начиная с 2014 года, начала заметно уменьшаться. Сокращение количества коммерческих банков обусловлено реализацией программы Центрального Банка Российской Федерации, направленной на оздоровление банковского рынка России. Таким образом, за последние два года было отозвано 196 лицензий (см. Приложение № 1). Динамика отзывов лицензий представлена на Графике № 1.



График № 1. Динамика отзывов лицензий за последние два года (с 01.03.2014 по 01.03.2016).

Как видно из Графика № 1 основной пик отзывов лицензии у коммерческих банков пришелся на середину 2014 года, июль и ноябрь 2015 года.

Для формирования гипотез и подбора объясняющих переменных был проведен анализ причин, по которым Банк России отзывал лицензии на осуществления банковской деятельности у коммерческих банков. Данные причины можно разделить на две группы: экономические (связанные с ухудшением количественных показателей) и неэкономические (связанные с ухудшением качественных показателей). Основными экономическими причинами являлись нарушения норматива по достаточности капитала кредитной организации и несоответствие требуемых размеров собственных средств и уставного капитала. Отзыв лицензий по неэкономическим причинам в основном являлся следствием неоднократного осуществления коммерческим банком операций, не предусмотренных законами и нормативными актами, регулирующими банковскую деятельность, а также следствием нарушения ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансирования терроризма». Диаграмма распределения коммерческих банков по видам причин отзыва лицензии представлена на Рисунке № 3.

Рисунок № 3. Основные причины отзыва лицензий у коммерческих банков.

Как видно из Рисунка № 3, наиболее частыми причинами банкротства банка являются экономические причины, которые в основном заключаются в потере ликвидности и / или снижении величины собственных средств.

Действительно, при нехватке у кредитной организации ликвидных средств, возникает риск несвоевременного исполнения обязательств перед своими кредиторами и контрагентами. Волатильность остатка ликвидных средств, которые представлены остатками денежных средств на корреспондентских счетах в Банке России, можно увидеть на Графике № 2. Исходя из данных Графика № 2, высокая волатильность значений остатков денежных средств наблюдается в середине 2014 и 2015 годов, что не совсем совпадает с пиками отзывов лицензий у коммерческих банков. Это объясняется тем, что некоторые банки так и не смогли решить возникнувшие проблемы с нехваткой ликвидности, поэтому их признавали банкротами.



График № 2. Сведения об остатках средств на корреспондентских счетах кредитных организаций в Банке России (млрд. руб.).

Для более конкретного определения ситуации с ликвидностью необходимо также проанализировать изменение основных показателей банковской системы России.

Основные показатели банковской системы России по итогам февраля 2016 года, опубликованные на официальном сайте Центрального банка Российской Федерации, показывают слабую динамику (см. График № 3), что объясняется сокращением кредитной активности и ликвидных активов у коммерческих банков в настоящее время. Несмотря на продолжительный рост номинального объема активов банковского сектора на протяжении последних 12 месяцев, его значение на 01.03.2016 составило 83,3 трлн. руб., что меньше на 0,6% относительно объема активов на 01.02.2016. Кроме того, по итогам февраля наблюдается снижение объемов кредитования в корпоративном и розничном блоках (-0,6%), что подтверждается наличием определенных сложностей у коммерческих банков с фондированием денежных средств. В качестве позитивного фактора для оценки развития банковского сектора России выступает динамика и объем вкладов населения (+ 20,4% за последние 12 месяцев) и прибыли (83,0 млрд. руб.), полученной по результатам банковской деятельности.

График № 3. Основные показатели банковской системы России (трлн. руб.).

Помимо потери ликвидности, отзыв лицензии у коммерческих банков часто был сопряжен со снижением величины собственных средств. Основной проблемой коммерческих банков, которая как раз и привела к данной ситуации, являлось проведение высокорискованной кредитной политики без формирования необходимо объема резервов на возможные потери и / или отказ от использования инструментов хеджирования данного риска.

Основная доля (64,0%) обанкротившихся банков приходится на Московский регион, что не удивительно, так как за всю современную историю банковского сектора в России больше всего банков было зарегистрировано именно в Москве и Московской области. Помимо данного региона, большое количество отзывов лицензий (6,0%) было выявлено на Кавказе (представлен городами Махачкала и Владикавказ). В других регионах (Екатеринбург, Нижний Новгород, Самара, Новосибирск и так далее) доля банков, лишившихся своей лицензии, составляет 26,0%. Более наглядно данная информация представлена на Рисунке № 4.