Применение моделей вероятности дефолта в регулировании банковского сектора Российской Федерации

Размещено на http://www.allbest.ru/

ПРИМЕНЕНИЕ МОДЕЛЕЙ ВЕРОЯТНОСТИ ДЕФОЛТА В РЕГУЛИРОВАНИИ БАНКОВСКОГО СЕКТОРА РОССИЙСКОЙ ФЕДЕРАЦИИ

Лукачева Ольга Владимировна

Россия, Москва МГУ имени М.В. Ломоносова, экономический факультет Аспирант

Аннотация

В рамках надзорной деятельности Банка России остается актуальной задача создания механизмов раннего предупреждения, а также дистанционных методов мониторинга. В связи с обозначенной проблематикой цель данного исследования состоит в разработке модели, которая адекватно определяет вероятность дефолта российских банков, и в обосновании областей применения полученной модели в соответствии с целями регулятора. Предметом исследования является взаимосвязь между финансовыми показателями банка и событием наступления дефолта, а также использование полученной зависимости в целях регулирования и надзора за банками. В качестве основных методов исследования использовались обзор научной литературы, экономико-математическое моделирование, анализ и синтез, дедукция и индукция, систематизация, метод научной абстракции. В результате проведенного исследования были выявлены наиболее значимые предикторы наступления дефолта банков, представлена актуальная модель, апробированы результаты предложенной модели. Предложенная модель может быть использована для текущей дистанционной проверки банков, для прогнозной оценки состояния банков, в качестве дополнительной оценки кредитоспособности.

Ключевые слова: банковский надзор, отзыв лицензии, вероятность дефолта, механизмы раннего предупреждения

банк дефолт предупреждение вероятность

Введение

Гарантом успешного и устойчивого функционирования российской банковской системы является эффективное государственное регулирование. В качестве одного из важнейших его элементов выступает банковский надзор, который находится в компетенции Банка России. В последние годы Центральный банк проводит политику оздоровления и укрепления банковского сектора, что можно заметить по активизации процедур санации и отзыва лицензий. Выступая на XXVI съезде Ассоциации российских банков, Председатель Банка России Э. С. Набиуллина подчеркнула, что для Банка России остается актуальной задача создания условий для раннего предупреждения финансовых проблем у банков и повышения эффективности надзора в целом [Набиуллина, 2015].

В связи с этим актуальность темы исследования обусловлена необходимостью разработки дистанционных методов мониторинга банков, систем раннего предупреждения банкротства, дополнительных механизмов оценки финансовой устойчивости банков.

Цель данного исследования состоит в разработке модели, которая адекватно определяет вероятность дефолта российских банков, и в обосновании областей применения полученной модели в рамках регулирования банковского сектора.

В соответствии с целью научной работы были поставлены и решены следующие задачи:

изучить зарубежный и отечественный опыт построения и использования моделей вероятности дефолта и проанализировать возможность его применения в регулировании российского банковского сектора;

предложить актуальную модель, которая с точки зрения количественных и качественных характеристик наилучшим образом идентифицирует банковские дефолты;

исследовать и обосновать возможности применения полученной модели в разных сферах банковского регулирования, а также рассмотреть дополнительные области внедрения модели;

Структурно статья состоит из введения, четырех разделов, заключения, списка литературы. Первый раздел данной работы предполагает обзор теоретических источников, анализ зарубежного и отечественного опыта построения и использования моделей вероятности дефолта. Во втором разделе описаны предпосылки модели и обоснование выбора независимых переменных. В третьей части содержится практический блок, в котором предлагается актуальная модель определения вероятности дефолта кредитной организации и проводится ее верификация на выборке банков. Четвертый раздел посвящен практической применимости модели в целях банковского надзора и регулирования.

Обзор теоретических источников о моделях вероятности банковских дефолтов. Изучению различных аспектов деятельности кредитных организаций посвящено немало работ, однако поиск оптимальных моделей, предсказывающих банковские дефолты, продолжается уже на протяжении полувека. С момента появления эпохальных работ В. Бивера [Beaver, 1966, p.71-102] и Э. Альтмана [Altman, 1977, p. 443-466] прогнозирование банкротств активно исследуют ученые, практики и регулирующие органы. Среди них можно выделить труды Д. Мартина, Р. Авери и Г. Ханвека, Д. Томсона, А. Эстрелла, Х. Андерсена [Andersen, 2008], В. Лэйна и др. [Lane et al.,1986], Г. Уэлена [Whalen, 1991, p.21-31], Д. Вилока и П. Вильсона [Wheelock, Wilson, 2000], М. Арена [Arena, 2008, p. 299-310]. Среди отечественных исследований наибольший интерес представляет цикл работ А. А. Пересецкого и его научного коллектива, так как результаты их исследований имеют прикладной характер и с 2012 года используются в деятельности АСВ [Пересецкий и др., 2004, 2008, 2013].

Как правило, в работах, посвященных прогнозированию банкротств, исследователи используют различные методы и подходы для выявления связей между конкретными индикаторами в финансовой отчетности кредитной организации и наступлением дефолта. До конца 1970-х годов дискриминантный анализ оставался основным методом прогнозирования банкротства кредитных организаций, однако он имел ряд ограничений. В дальнейшем эти предпосылки снимаются в фундаментальной работе Д. Мартина, который впервые ввел метод прогнозирования дефолтов с помощью логистической регрессии [Martin, 1977, р.249-276]. В соответствии с выводами Д. Мартина и других экономистов [Avery, Hanweck, 1984; Thomson, 1991; Estrella et al., 2000], которые подтвердили и дополнили его исследование, значимые переменные, предсказывающие событие наступления дефолта у банка, могут быть классифицированы на группы, характеризующие качество активов, достаточность капитала, доходность, ликвидность.

Помимо logit-подхода в моделировании вероятности дефолта банков, существует еще один довольно популярный метод пропорциональных рисков (hazardмодель). Основное отличие этой модели от logitи probitзаключается в том, что зависимые переменные обозначают время дефолта вместо самого факта наступления дефолта, как было ранее. Факторы риска, которые были найдены в ходе исследования, также как и в logit-модели, описывали достаточность капитала, качество активов, доходность и ликвидность. Иногда экономисты выделяют пятый фактор риска -- качество управления, но он является более субъективным, и его трудно измерить каким-то объективным способом.

В таблице 1 представлена обобщенная характеристика исследовательских работ относительно прогнозирования банковских дефолтов.

Краткая характеристика исследований, посвященных моделированию банковских дефолтов

Таблица 1

* Соотношение общего числа переменных, использованных в исследовании, к выявленным значимым прогностическим переменным.

Предпосылки моделей вероятности дефолта и выбор независимых переменных.

Для построения моделей была составлена выборка банков-резидентов Российской Федерации за период с 01.07.2013 по 31.12.2014. Данные содержат информацию о 795 банках. Для целей регулятора необходимо понять, как зависит вероятность наступления дефолта банка от его финансовых показателей. Однако, если рассматривать событие дефолта как отзыв лицензии у банка, нужно принимать во внимание критерии отзыва лицензий. В дальнейшем, чтобы избежать искажения результатов исследовательской работы, мы исключим из модели кредитные организации, которые лишились лицензии по неэкономическим причинам (юридически-правовым, организационным). Таким образом, в итоговую модель вошли 92 проблемных банка Книга памяти: [Электронный ресурс] // Банки.ру. М., 2005-2015. URL: baHki.ru/banks/memory/ (дата обращения: 15.02.2015).

В целях оптимизации анализа банка все факторы, влияющие на уровень дефолтности, объединены в следующие группы, не противоречащие принципам системы CAMEL(S). В таблице 2 представлены финансовые показатели деятельности банка. Также при составлении структуры показателей мы опирались на методологию оценки кредитоспособности банка рейтингового агентства «АК&М». Публичная методика определения рейтинга кредитоспособности рейтингового агентства АК&М // ЗАО Рейтинговое агентство «АК&М» . URL: http://www.akmrating.ru/ А^/теШобо^у/т/2.рйГ (дата обращения: 15.01.2015), Данные о показателях банковской деятельности были конфиденциально предоставленные Банком России из системы АФСБ

Таблица 2 - Показатели финансовой деятельности банка, включенные в начальный набор независимых переменных

Построение моделей вероятности дефолта банков и интерпретация результатов. Так как модель будет основана на панельной (временно-пространственной) структуре данных, то наблюдения брались на ежеквартальной основе, начиная с момента t = 01.01.2012 г. Самой простой и логичной моделью для оценки наступления дефолта считается logit-модель, а точнее её частный случай -- бинарная logit-модель. В качестве зависимой переменной у нас выступает DEFAULT, которая может принимать значение 1, если банк признан банкротом на момент времени t, и 0, если банк продолжает функционировать. В нашей модели независимыми переменными выступают различные финансовые показатели из таблицы 2.

В соответствии с целями исследования важно понять, какова модель экономических причин отзыва лицензий. Другими словами, необходимо определить, какие факторы стали решающими при наступлении банковского дефолта за рассматриваемый промежуток времени, который совпадает с приходом к должности Председателя ЦБ Э. Набиуллиной.

В таблице 4 приведены результаты оценивания модели NABIUL, описывающей факторы, влияющие на признание дефолта у банка со стороны регулятора. Бинарная logit-модель NABIUL

По нашему мнению, к группе повышенного риска следует относить те банки, модельная вероятность дефолта которых превышает 30 %. Данное решение связано с тем, что после достижения отметки в 30 % банк однозначно попадает в категорию проблемных.

Использование моделей вероятности дефолта в регулировании банковского сектора. В соответствии с задачами в области развития банковского надзора рассмотрим возможность применения полученной нами модели, чтобы оценить текущую ситуацию в банковском секторе и выделить те банки, которые в приоритетном порядке нуждаются в выездной проверке или в более тщательном контроле. Для этого подставим показатели на отчетную дату (на 01.01.2015) в модель и найдем количество банков, чья вероятность банкротства превышает 30%. Результаты оценки представлены на рисунке 2.

[0%;2,5%) [2,5%; 10%) (10%;30%) (30%;50%) (50%;100%)

Модельная вероятность дефолта

Рис. 2. Соотношение количества банков в зависимости от значений модельной вероятности дефолта на 01.01.2015 Источник: рассчитано автором

В рамках исследовательской работы мы рассматриваем возможность применения моделей вероятности дефолта для мониторинга финансового состояния и кредитоспособности банка, который претендует на финансовую поддержку со стороны АСВ. В качестве примера проанализируем финансовое положение банка «Таврический», который в конце декабря 2014 года испытывал финансовые трудности. Используя нашу модель, ретроспективно рассмотрим ситуацию, когда Банк России должен принять решение об отзыве лицензии или о санации банка «Таврический». Согласно данным из финансовой отчетности, основные параметры банка характеризуются следующими показателями на 01.01.2015 г. (Таблица 6):

Таблица 6 - Ключевые показатели банка «Таврический» на 01.01.2015 г. и его модельная вероятность дефолта

Полученный результат в 7,5 % превышает установленный нами порог отсечения в 2,5 %, но не превышает критическую отметку в 30 %, что свидетельствует о том, что у банка есть высокие шансы на выживание при оказании ему соответствующей поддержки.

Дополнительные возможности модели заключаются в ее применении в качестве дополнения к рейтингам при операциях беззалогового рефинансирования и инвестирования свободных средств государственных фондов.

Заключение. В рамках надзорной деятельности Банка России остается актуальной задача создания механизмов раннего предупреждения, дистанционных методов мониторинга, дополнительных способов оценки финансовой устойчивости банков. В данной работе предлагается актуальная модель КАВШБ, позволяющая адекватно оценивать вероятность наступления дефолта у банков в зависимости от их финансовых показателей. На финальном этапе рассмотрены области применения представленной модели в соответствии с целями регулятора.

Таким образом, модели вероятности дефолта являются многофункциональным инструментов в области банковского регулирования и дальнейшее усовершенствование этих моделей позволит выработать эффективные и более точные механизмы оценки деятельности банковского сектора Российской Федерации.

Список литературы

1. Карминский А. М., Пересецкий А. А., Сует ван А. Г. О. Моделирование рейтингов надежности российских банков // Модернизация экономики России. Социальный ас-пект. Сб. / Отв. Ред. Е. Г. Ясин. -- М.: Изд. дом ГУ-ВШЭ, 2004.1 Кн. 1.1. с. 500-522.

2. Набиуллина Э. С. Выступление Председателя Банка России Э. С. Набиуллиной на XXVI съезде Ассоциации российских банков 7 апреля 2015 года // Канал Банка России в YouTube. URL: https://www.youtube.com/watch?v=zpAsiU7u5iI&feat ure=youtu.be

3. Пересецкий А. А. Модели рейтингов банков/ Пересецкий А. А., Кармин ский А. М., Ван Суст А. Г. // Экономика и математические методы. -- 2004. -- №4. с.10-25.

4. Пересецкий А. А. Эконометрические модели оценки риска. Банки и рейтинги / Сб. Труды VII Международной школы-семинара «Многомерный статистический анализ и эконометрика». Цахкадзор (Армения) 21-30 сентября 2008, 2008. -- С. 67-69.

5. Пересецкий А. А. Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов// Прикладная эконометрика. 2013. №30(2). С. 4964.

6. Altman E. Predicting Performance in the Savings and Loan Association Industry // Journal of Monetary Economics. 1977. Vol. 3(4). P. 443-466.

7. Andersen H. Failure Prediction of Norwegian Banks. A Logit Approach // Norges Bank, Working Paper. 2008/2.

8. Arena M. Bank Failures and Bank Fundamentals: A Comparative Analysis of Latin America and East Asia during the Nineties using Bank Level Data // Journal of Banking and Finance. 2008. Vol. 32(2). P. 299-310.

9. Avery R., Hanweck G. A Dynamic Analysis of Bank Failures // Board of Governors of the Federal Reserve System, Research Papers in Banking and Financial Economics. 1984. No.74.

10. Beaver W. Financial Ratio as Predictors of Failure // Journal of Accounting Research. -1966. Vol. 4. P.71-102.

11. Estrella A., Park S., Peristiani S. Capital Ratios as Predictors of Bank Failure // Federal Reserve Bank of New York, Economic Policy Review. 2000. No.6.

12. Lane W., Looney S., Wansley W. An Application of the Cox Proportional Hazards Model to Bank Failure // Journal of Banking and Finance. 1986. -Vol. 10(4). P. 511-531.

13. Martin D. Early Warning of Bank Failure: A Logit Regression Approach // Journal of Banking & Finance. 1977. Vol. 1. P. 249-276.

14. Thomson, J. B. Predicting Bank Failures in the 1980s // Federal Reserve Bank of Cleveland, Economic Review. 1991. P.9-20.

15. Whalen G.1991. A Proportional Hazards Model of Bank Failure: An Examination of Its Usefulness as an Early Warning Tool // Federal Reserve Bank of Cleveland, Economic Review. 1991. P.21-31.

16. Wheelock D., Wilson P. Why do Banks Disappear: The Determinants of U. S. Bank Failures and Acquisitions// The Review of Economics and Statistics, MIT Press. 2000. №82. P. 127-138.

Размещено на Allbest.ru