Важным представляется еще раз отметить существенность учета взаимозависимости факторов риска при вычислении агрегированных рисков. Например, агрегированный валютный VaR при методе исторического моделирования составил 91,19 млрд. рублей, в то время как путем просто суммирования он бы равнялся 105,10 млрд., что связано с недоучетом отрицательной корреляции курсов евро и доллара по отношению к рублю в рассматриваемый период времени. В тоже время агрегированный процентный риск может значительно превышать сумму рисков по отдельным позициям, вследствие существенной взаимосвязанности основных рыночных ставок.

Напоследок, следует еще раз акцентировать внимание на том, что целью данной части работы не является всеобъемлющая оценка рисков конкретного банка, что в силу ряда факторов не представляется возможным. Ключевым моментом здесь является, прежде всего, отсутствие подробных данных за достаточно долгий промежуток времени, а также неспособность учесть конкретные особенности банка, которые не всегда могут быть отражены в данных отчетности. Одной из главных задач в данном случае было показать общую перспективу и идеологию применения математических и эконометрических методов в банковском риск-менеджменте, которые при необходимости могут совершенствоваться и дополняться, чтобы дать лицам, принимающим рисковые решения, как можно больше конкретной информации.

Заключение

В завершение данной работы, исходя из всего вышеизложенного, следует отдельно коснуться вопроса о дальнейших перспективах применения эконометрических методов в банковском секторе. Как это часто бывает, можно выделить как факторы сопутствующие более широкому применению таких методов, так и некоторые преграды для их распространения.

Эконометрический подход достаточно гибок и может адаптироваться к меняющимся условиям, что предопределяет наличие сразу нескольких существенных преимуществ с точки зрения его использования в банковском секторе.

Во-первых, он позволяет строить модели разной степени сложности и проработки в зависимости от конкретной потребности. Так, в условиях банковской деятельности представляется возможным как построение относительно простых регрессионных уравнений, способных моделировать некоторые достаточно общие закономерности процессов, так и разработка комплексных и подробных внутренних моделей, например, оценок некоторых видов рисков.

Во-вторых, эконометрическим методам присуща универсальность, что подразумевает их применение не только в контексте оценки банковских рисков, изложению основных аспектов которой посвящена данная работа, но и для других сторон банковского дела по мере необходимости.

И, в-третьих, при определённых условиях, уже проработанные для условий конкретного банка модели могут быть достаточно органично интегрированы в его повседневную деятельность, что подразумевает их использование даже лицами без соответствующей теоретической подготовки. Наиболее уместно в связи с этим упомянуть скорринговые модели, рассмотренные в основной части работы. К примеру, особенно если речь заходит о кредитовании физических лиц, несмотря на возможную сложность проделанного анализа кредитных историй в ходе построения модели данного типа, для ее использования не требуется фундаментальной эконометрической подготовки: достаточно ввести значения характеристик потенциального заемщика и модель выдаст соответствующий результат.

Однако, помимо условий, способствующих более широкому применению эконометрических моделей для оценки рисков в банковском секторе, сохраняется и ряд сложностей для их реализации.

Так, во многих случаях создание и применение эконометрических моделей в банках предполагает наличие специалистов соответствующего уровня и квалификации, знакомых со спецификой их использования, что может потребовать от банков вложения дополнительных ресурсов для найма или обучения такого персонала. При этом, может возникнуть вопрос качества таких специалистов, с чем могут быть связаны определенные проблемы, особенно если речь заходит о развивающихся странах, где число высококвалифицированной рабочей силы существенно ограничено.

Помимо этого, по-прежнему сохраняются сложности, связанные с недостатком подробных статистических данных в отношении специфических операций, необходимых для построения продвинутых и подробных моделей. Решение данной проблемы подразумевает совершенствование систем сбора, хранения и обработки информации, что также зачастую связано с материальными затратами, которые не всегда могут казаться целесообразными.

Таким образом, вопрос о глобальной целесообразности применения эконометрического подхода остается открытым. Ответ же на него зачастую будет зависеть от специфики конкретной организации, ее руководства и стратегических целей. Так, в случае если приоритетом для банка является финансовая устойчивость и способность прогнозировать негативные эффекты, то вложение средств в совершенствование методологических подходов, в том числе за счет применения эконометрики, может считаться целесообразным. В контексте банковского сектора РФ и развивающихся рынков речь в данном случае, прежде всего, идет о достаточно крупных банках. Если же обороты деятельности и возможности кредитной организации не слишком велики, то гораздо более выгодным выглядит решение использовать стандартизированные подходы регулятора, тем более, что они так же продолжают совершенствоваться.

Что же касается дальнейшего совершенствования математических, статистических и эконометрических методов в банковском риск-менеджменте в целом, то можно отметить несколько наиболее перспективных направлений для развития.

Первое направление связано с разработкой более точных подходов, учитывающих взаимосвязь факторов риска, что является важным при учете их агрегированного влияния на банк. В этой связи в настоящий момент уделяется достаточно большое внимание применению копул совместного распределения. Данный подход позволяет строить по маргинальным распределениям рисковых факторов их совместное распределение, что считается значительно более адекватным подходом, нежели вычисление коэффициентов корреляции. Кроме того, выбор той или иной формы копулы дает возможность проанализировать “ хвосты” распределений, что является очень ценной возможностью в контексте анализа вероятности возникновения экстремальных убытков.

Следующее направление, о котором стоит упомянуть - применение подходов имитационного моделирования, в частности, метода Монте-Карло. С развитием вычислительных возможностей данный подход начинает набирать популярность, в частности в сфере моделирования рыночных факторов риска и определении величины VaR. Ключевое преимущество данного метода заключается в том, что, например, в отличие от метода исторического моделирования, сильно зависящего от конкретной выборки, он позволяет моделировать некоторым заданным образом сразу множество распределений, что при определенных условиях способно повысить качество полученных оценок. Кроме того, многообещающими выглядят попытки совместить данный подход с концепцией копул совместного распределения, что позволяет более реалистично моделировать поведение исследуемых факторов.

Наконец, перспективным видится применение для анализа рисков банковской деятельности методов машинного обучения. Дело в том, что данные подходы имеют несколько существенных преимуществ. Во-первых, они способны обрабатывать значительное количество разнородной информации, которая не может использоваться для построения классических моделей. Во-вторых, эти методы не подвержены влиянию ограничений и допущений, налагаемых теорией. Вероятно, наиболее многообещающим выглядит применение данных подходов в сфере кредитного скорринга, где за счет большего количества информации и посредством машинного обучения по выборке в перспективе могут быть получены более точные прогнозы, нежели в результате использования классических подходов.

Таким образом, можно констатировать, что эконометрический подход постепенно занимает свою нишу в методологии оценки рисков банковской деятельности. Кроме того, учитывая текущие темпы роста вычислительных мощностей, а также накопления информации можно предвидеть дальнейшее расширение сфер его применения, что в перспективе способно принести определенную выгоду тем, кто сможет грамотно использовать потенциальные возможности эконометрических методов.

Список использованных источников

1. Федеральный закон РФ от 2 декабря 1990 г. № 395-I « О банках и банковской деятельности».

2. Положение Банка России от 26 марта 2004 г. № 254-П « О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности».

3. Положение ЦБ РФ от 29 марта 2004 г. № 255-П «Об обязательных резервах кредитных организаций».

4. Положение ЦБ РФ от 20 марта 2006 г. № 283-П «О порядке формирования кредитными организациями резервов на возможные потери».

5. Указание ЦБ РФ № 2005-У от 30 апреля 2008 г. «Об оценке экономического положения банков».

6. Анализ математических моделей Базель II /Ф.Т. Алескеров [и др.]. -- М.: ФИЗМАТЛИТ, 2010. - 294 c.

7. Вяткин В.Н., Гамза В.А. Базельский процесс: Базель-2 - управление банковскими рисками. - С. 278-284.

8. Клаас Я. Определение финансовой устойчивости региональных банков посредством действующих методик // Финансы и бизнес. - 2014.-№3. - С. 49-60

9. Кромонов В.С. Методика составления рейтинга надежности банков//Профиль. 1998. № 20. URL:http://www.profile.ru/archive/item/40017

10. Кучинский К., Пеникас Г. Риск рыночной ликвидности: вопросы практической оценки // Банковское дело. - 2007. № 11. - С. 74-80.

11. Лобанов А. Регулирование рыночных рисков банков на основе внутренних моделей расчета VaR// Рынок ценных бумаг. - 2000. - № 9. - С. 63-66.

12. Пеникас Г.И., Модели «копула» в управлении валютным риском банка // Прикладная эконометрика. - 2010. - Т. 17, №1. - С. 62-87.

13. Пеникас Г.И., Симакова В.Б. Управление процентным риском на основе копулы-GARCH моделей // Прикладная эконометрика. - 2009. - Т. 13, № 1. - С. 3-36.

14. Плещицер М.В. Методологические аспекты прогнозирования банкротства банков в период финансового кризиса // Аудит и финансовый анализ. - 2010. - № 2. - С.161-166.

15. Смирнов С., Скворцов А., Дзигоева Е. Адекватность капитала по отношение к рыночным рискам: соотношение стандартной методики и внутренних моделей // Управление финансовыми рисками. - 2006. - № 1(5). - С. 74-85.

16. Сорокина И.Н. Методические подходы к оценке надежности и устойчивости банка - Режим доступа: http://www.bankir.ru

17. Тотьмянина К. М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. - 2011. - №1.

18. Шоломицкий А.Г. Теория риска. Выбор при неопределенности и моделирование риска. - М.: ГУ-ВШЭ, 2005.

19. Acerbi C., Nordio C., Sirtori C. Expected Shortfall as a Tool for Financial Risk Management, Italy February 20, 2001.

20. Andersen T., Bollerslev T., Diebold F. Parametric and Nonparametric Volatility Measurement, Technical Working Paper - National Bureau of Economic Research, 2002.

21. Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance. 1968. - Vol. 23. - № 4. - pp. 589-609.

22. Altman E.I. Managing credit risk: a challenge for the new millennium // Economic Notes. 2003. - Vol.31. -№2- pp. 201-214.

23. Basel Committee on Banking Supervision. Measuring and Controlling Large Credit Exposure, January 1991.

24. Basel Committee on Banking Supervision. Amendment to the Capital Accord to Incorporate Market Risks, 1996.

25. Basel Committee on Banking Supervision. A New Capital Adequacy Framework, June 1999.

26. Basel Committee on Banking Supervision. International Convergence of Capital Measurement and Capital Standards. June, 2006.

27. Beaver W.H. Financial ratios as predictors of failure // Journal of Accounting Research. Empirical Research in Accounting: Selected Studies. 1966. - Vol. 4. -pp. 71-111.

28. Berkowitz J., O'Brien J. How Accurate are Value-at-Risk Models at Commercial Banks? // FEDS Working Paper № 2001-31.

29. Bessis J. Risk Management in Banking (3rd Edition) - John Wiley & Sons, 2011. - 841 p.

30. Caoulette John B. Managing Credit Risk : The Great Challenge for Global Financial Markets/ John B. Caouette, Edward I. Altman, Paul Narayanan - Wiley, 2008. - 655 p.

31. Christoffersen P., Pelletier D. Backtesting Value-at-Risk: A Duration-Based Approach // Journal of Empirical Finance. - 2004. - №2. - P. 84-108.

32. Engelmann B., Rauhmeier R. The Basel II Risk Parameters - Springer, 2011. - 440 p.

33. Hoggarth G., Sorensen S., Zicchino L. Stress tests of UK banks using a VAR approach. Bank of England // Working Paper. - №282. - 2005.

34. Fong, H. Gifford World of Risk Management - World Scientific Publishing Co., 2005. - 233 p.

35. Ghosh A. Managing Risks in Commercial and Retail Banking - John Wiley & Sons, 2012. - 570 p.

36. Malevergne Y., Sornette D. Extreme Financial Risks - Springer, 2005. - 328 p.

37. Peterson S. Investment Theory and Risk Management - John Wiley & Sons, 2012. - 463 p.

38. Saita F. Risk Capital Aggregation: the Risk Manager's Perspective. - Sept. 2004.

39. Zicchino L. A model of bank capital, lending and the macroeconomy: Basel I versus Basel II. Bank of England, Financial Industry and Regulation Division // Working Paper No. 270. - 2005.

40. URL: http://www. analizbankov.ru/ (Дата обращения 15.04.2016)

41. URL: http://www. banki.ru/ (Дата обращения 15.04.2016)

42. URL: http://www.bis.org/bcbs/ (Дата обращения 15.04.2016)

43. URL: http: //www.cbr.ru/ (Дата обращения 15.04.2016)

44. URL: http: //www.finam.ru/ (Дата обращения 15.04.2016)

45. URL: http: //www. kuap.ru/ (Дата обращения 15.04.2016)

Приложения

Таблица - 1 Коэффициенты взвешивания обязательств суверенных заёмщиков и центральных банков

Таблица - 2 Коэффициенты взвешивания для учёта специфического рыночного риска

Таблица - 3 Коэффициенты риска в зависимости от срока до погашения

Таблица - 4 Временной интервал и коэффициент спрэда

Таблица - 5 Оценка риска изменения стоимости опционов

Таблица - 6 Коэффициенты покрытия капиталом по бизнес-линиям

Таблица - 7 Коэффициенты методики Кромонова

Обозначения: СК - собственный капитал, РА - рабочие активы, ОВ - обязательства до востребования, СО - суммарные обязательства, ЛА - ликвидные активы, ЗК - защищенный капитал, ФОР - фонд обязательных резервов, УФ - уставный фонд

Таблица - 8 Корректировка коэффициента k при back-testing

Таблица - 9 Значения позиций под риском банка ВТБ

Таблица-10 Модели GARCH(1;1) для расчета sVaR

где * - значимость коэффициента на 10% уровне, ** - значимость коэффициента на 5% уровне, *** - значимость коэффициента на 1% уровне

Таблица 11 - Коэффициенты корреляции Спирмена между факторами риска

График - 1 Коэффициент k1 методики Кромонова

График - 2 Коэффициент k2 методики Кромонова

График - 3 Коэффициент k3 методики Кромонова

График - 4 Коэффициент k4 и k5 методики Кромонова

График - 5 Коэффициент k6 методики Кромонова

График - 6 Результирующий показатель N методики Кромонова

График - 7 Отклик прироста k4 на шок в приросте цены акций

График - 8 Отклик прироста k4 на шок в приросте курса доллара

График - 9 Отклик прироста k4 на шок в приросте квартального темпа роста ВВП

Размещено на Allbest.ru