Оценка потенциального уровня потерь конкретного банка по его кредитному портфелю

Рис. 3. Динамика кредитного портфеля АО «Альфа-Банк» по типам заемщиков за период с 2001 по 2015 год

«Альфа-Банк» специализируется на кредитовании юридических лиц. Наблюдается рост доли розничного кредитования. Доля корпоративного кредитования на начало 2006 год составила 98%, в то время как на сентябрь 2014 года всего 79%. Сокращение объемов кредитования банком в кризисное время приходится в большей степени на юридических лиц.

Рис. 4. Динамика кредитного портфеля АО «Альфа-Банк» по срокам за период с 2001 по 2015 год

Относительно сроков кредитования стоит сказать, что кредитный портфель банка носит краткосрочный характер большую часть времени до 2009 года и долгосрочный после. Это можно заметить из рис. 4 Данный переход можно отметить как положительную тенденцию, так как долгосрочные инструменты генерируют больший доход для финансовой организации, в тоже время он сопряжен с дополнительным принимаемым риском, поскольку невозможно качественно определить финансовое состояние заемщика на сколь угодно длинный период времени в силу все большего множества неучтенных обстоятельств, так или иначе влияющих на финансовое состояние заемщика. Превалирование долгосрочных кредитов после кризиса 2008 года связано с пролонгацией плохих долгов, в то время как стремительный рост в кризис 2014 года вызван ростом спроса на долгосрочные ресурсы со стороны коммерческих организаций в связи с ограничением доступа российских организаций к иностранным рынкам капитала.

Рис. 5. Динамика просроченной задолженности по кредитному портфелю АО «Альфа-Банк» по видам заемщиков за период с 2001 по 2015 год

кредитный портфель финансовый риск

Из рис. 5 Можно сделать вывод, что просроченная задолженность клиентов перед банком со временем растет. В целом, ее рост обусловлен наращиванием кредитного портфеля, за исключением периода кризиса 2008 - 2009 годов, когда сокращение объема предоставляемых ссуд на 39% сопровождалось ростом просроченной задолженности на 692% с отметки 9,372 млрд. руб. на сентябрь 2008 года до 74,224 млрд. руб. на декабрь 2009 года. Основной объем просроченной задолженности приходится на корпоративных клиентов с октября 2008 года - достигнув пика в сентябре 2009 года и резко снизившись к сентябрю 2010 года - по март 2012 года. Данный факт обусловлен чередой неплатежей, вызванных кризисом. Аналогичная динамика наблюдается и в кризис 2014 года, когда просроченная задолженность с января по декабрь 2015 года выросла более чем в два раза.

Рис. 6. Динамика основных показателей кредитного портфеля АО «Альфа-Банк» за период с 2001 по 2015 год

Из рис. 6 видно, что доля невозвращенного основного долга, списанного на РВПС из-за невозможности взыскания задолженности, растет. Значение достигло отметки 7% на конец 2015 года, что в 3 раза выше значения в кризис 2008 года. Кроме того, увеличивается отношение просроченной задолженности к стоимости кредитного портфеля. Значение данного показателя до кризиса 2008 года составляло порядка 1-2%, в то время как после 3-5%. В кризис 2008 года значение составило чуть менее 25%, а в кризис 2014 года более 10%. Данная динамика на фоне роста кредитного портфеля свидетельствует о росте кредитного риска, потому что банк наращивает кредитный портфель более рисковыми активами. Отношение РВПС к стоимости кредитного портфеля падает в 2 раза за рассматриваемый период. Формально это говорит о том, что качество кредитного портфеля растет. Данное противоречие свидетельствует либо об осознанном повышении банком кредитного риска путем формирования меньших резервов под менее надежные активы либо увеличением требований к обеспечению по предоставленным кредитам, которые уменьшают объем начисляемых резервов.

Рис. 7. Динамика РВПС АО «Альфа-Банк» за период с 2001 по 2015 год

Из рис. 7 Видно, что уровень РВПС не демонстрирует значительных изменений вплоть до 2010 года. Наблюдается стабильный рост с 850 млн. руб. до 40 млрд. руб. на май 2010 года. Отсутствие соизмеримого с ростом просроченной задолженности роста РВПС в период кризиса 2008-2009 годов объясняется спадом в активности экономических агентов, приведшим к сокращению кредитного портфеля и, как результат, меньшему уровню сформированных резервов с одной стороны. С другой - рост уровня просроченной задолженности и доначисление РВПС. Два эффекта скомпенсировали друг друга. Выход на новый уровень в среднем 45 млрд. руб. начиная с 2010 года объясняется ростом кредитного портфеля. Иная динамика характерна кризису 2014 года. Явно превалирует доначисление РВПС по текущим кредитам над восстановлением по уже погашенным. Рост более чем в два раза с июля 2014 года по февраль 2015 года.

Исходя из представленного выше объема проанализированной информации о показателях, характеризующих кредитный портфель банка, можно сделать вывод, что банк имеет в целом качественный кредитный портфель, поскольку состоит в большей степени из долгосрочных (более одного года) корпоративных кредитов, однако налицо факт повышения кредитного риска, выявляемый из обратной взаимосвязи между коэффициентами покрытия и долей просроченной задолженности в кредитном портфеле, а также из роста долгосрочных кредитов после кризиса 2008 года, вызванный главным образом пролонгацией плохих долгов заемщиков.

3.2 Построение модели кредитного риска и прогноз просроченной задолженности

В данной работе установлена взаимосвязь между показателями объема кредитного портфеля по физическим и юридическим лицам, обменного курса рубля к доллару, инфляцией, стоимостью барреля нефти марки Brent, безработицей, реальной заработной платой, спредом процентных ставок по активным и пассивным операциям и объемом просроченной задолженности банка «Альфа-Банк» с первого квартала 2001 года по третий квартал 2015 года включительно с помощью модели векторной авторегрессии - Vector Autoregressive Model - или VAR.

Оценив объем просроченной задолженности по розничному и корпоративному кредитным портфелям и нормировав их сумму на совокупный объем кредитного портфеля, мы оценим долю просроченной задолженности по предоставленным кредитам и тем самым оценим кредитный риск.

Описание исходных данных представлено в табл.4.

Таблица 4

Описание исходных данных

Название переменной	Описание	Размерность
CPC	Стоимость кредитного портфеля ОАО «Альфа-Банк» по юридическим лицам	Тыс. руб.
CPI	Стоимость кредитного портфеля ОАО «Альфа-Банк» по физическим лицам	Тыс. руб.
EXCH	Обменный курс рубля к американскому доллару	Руб.
GDP	ВВП	Млрд. руб. (в ценах 2008 года)
INV	Инвестиции в основной капитал	Индекс (база 1993 год)
IPC	Прирост ИПЦ	%
NPLC	Просроченная задолженность юридических лиц	Тыс. руб.
NPLI	Просроченная задолженность физических лиц	Тыс. руб.
OIL	Стоимость барреля нефти марки Brent	Доллары
SPRD	Дифференциал ставок по размещенным кредитам и привлеченным депозитам. Рассчитывается как отношение процентных доходов к выданным кредитам за вычетом отношения процентных расходов по привлеченным депозитам	В долях
UNPL	Уровень безработицы	%
WAGE	Уровень заработной платы	Индекс (база 1993 год)
CRISIS08	Dummy переменная периода с III квартала 2008 по IV квартал 2009 года	-
CRISIS14	Dummy переменная периода с IV квартала 2014 по III квартал 2015 года	-

Данные по объемам кредитного портфеля, просроченной задолженности и спреду собраны из 101 и 102 форм, размещенных на сайте ЦБ. Информация и стоимости нефти и обменном курсе получены из статистических баз данных finam. Остальные данные предоставлены Росстатом. Информация на месячной основе преобразуется в квартальные расчетом средней хронологической.

Данные по кредитному портфелю и по просроченной задолженности разделены на две части: по физическим и по юридическим лицам. Это позволит провести отдельно друг от друга анализ факторов, влияющих на кредитный риск по каждому из направлений кредитования.

Общий алгоритм построения VAR модели:

1. Тестирование каждого временного ряда на единичные корни (проверка стационарности). Для этой цели применяется расширенный тест Дики-Фуллера - Augmented Dickey-Fuller test - или ADF-тест. В случае, если ряды I(1), к ним применяются такие преобразования, как взятие логарифма или первых разностей с целью приведения их к виду I(0). Однако конечный вариант включения переменной в модель будет зависеть от статистических свойств модели на этапе диагностики.

2. Оценка стандартной VAR модели (1) порядка без ограничений:

(1)

где есть n x 1 вектор эндогенных переменных, где n число этих переменных; p - порядок VAR модели или количество лагов; Ai есть n x n матрица коэффициентов эндогенных переменных; B матрица n x d коэффициентов экзогенных переменных; xi вектор d x 1 экзогенных переменных, где d их количество; et вектор ошибок, представляющий процесс белого шума.

3. Определение лаговой структуры, для чего применяются процедуры Lag Order Selection и Lag Exclusion Test. Если на этапе выбора оптимального количества лагов в модели критерий LR, а также информационные критерии AIC (Akaike information criterion), SC (Schwarz information criterion) и HQ (Hannan-Quinn information criterion) показывают различные результаты, строится каждая из выбранных ими спецификаций модели и выбирается лучшая на этапе диагностики.

4. Диагностика VAR модели, состоящая из двух шагов. Первый -проверка модели на стабильность (стационарность). Модель стабильна, если обратные корни характеристического уравнения матрицы оцененных коэффициентов по модулю меньше единицы, то есть лежат внутри единичной окружности. Второй - тестирование остатков et на белый шум, для чего применяются тесты на проверку отсутствия автокорреляции остатков Residual Serial Correlation LM Test и проверка нормальности их распределения Residual Normality Test.

5. Тестирование причинности Грэнджера - Granger causality / block exogeneity Wald test - или GCBEW test. GCBEW тест говорит о том, способствует ли динамика лаговых значений одной переменной в объяснении динамики другой и не предоставляет информации о направлении и степени связи переменных. Например, на просроченную задолженность влияет динамика инфляции, но способствует ли она ее падению или росту остается неизвестным.

6. Построение функции импульсного отклика уровня просроченной задолженности на шоки эндогенных переменных модели и оценка декомпозиции ошибок прогноза. Функции импульсного отклика позволят определить направление влияния шоков на просроченную задолженность со временем, а декомпозиция ошибок прогноза оценить вклад каждой из переменных модели в динамику просроченной задолженности. Иными словами, ответить на вопрос: под влиянием какого фактора в большей степени происходит динамика просроченной задолженности и как вклад этих факторов меняется со временем. Важным при построении функции импульсного отклика и декомпозиции ошибок прогноза является порядок вхождения эндогенных переменных в модель. Согласно [18, с. 276], переменные следует расположить в следующем порядке:

· Сначала идут переменные, которые не объясняются другими переменными

· Затем следуют остальные в порядке увеличения корреляции между ними

· Последнее место занимает целевая переменная.

3.2.1 

3.2.1 Розничный портфель

VAR модель по розничному портфелю оценена по 59 квартальным наблюдениям пяти переменных: трех внутренних (просроченная задолженность (NPL) физических лиц, объем розничного кредитного портфеля «Альфа-Банк», спред ставок по активным и пассивным операциям банка) и двух внешних (уровень безработицы, уровень заработной платы). Выбор переменных основан на проанализированных выше эмпирических исследованиях. Важным условием при этом стало объединить вместе показатели, характеризующие как заемщика, так и политику банка в отношении риска. Так, уровень зарплаты и безработицы отражают платежеспособность заемщика, а спред и объем кредитного портфеля - кредитную политику банка.

Также в модель включены две бинарные переменные, контролирующие изменение динамики вышеназванных временных рядов в кризисы 2008 и 2014 годов. Динамика показателей за период с 2001 по 2015 год в приложении 1. Из-за значительной сезонной зависимости ряды по уровню заработной платы взяты сезонно сглаженными (данные Росстата), по значению спреда и безработицы сглажены применением процедуры census X-13. С целью повышения статистических свойств модели и улучшения ее прогнозной силы ряды взяты в логарифмах. Для исключения явно наличествующего тренда в данных, ряды взяты в первых разностях.

В табл. 5 показаны результаты теста на стационарность пяти временных рядов в первых и вторых разностях логарифмов.

Таблица 5

ADF-тест

Показатель	Значения t-статистики ADF-теста
	Первая разность логарифмов	Вторая разность логарифмов
NPLI	-2,07 (tr, c)	-6,74 (tr, c)
CPI	-6,47 (tr, c)	-
UNPL	-2,50 (tr, c)	-4,69 (c)
WAGE	-2,35(tr, c)	-8,53 (tr, c)
SPRD	-5,73 (tr, c)	-

В таблице наличие (tr, c) говорит о том, что в ряде есть тренд и константа, критические значения t-статистики ADF-теста -4,13; -3,50; -3,18 для 1, 5 и10 % уровней значимости соответственно; (c) - только константа, критические значения -3,55; -2,91; -2,59 соответственно [29]. Жирным выделен стационарный вид ряда.

Согласно результатам ADF теста, переменные объем кредитного портфеля и спред должны включаться в модель в первых разностях логарифмов, а остальные - во вторых разностях. Однако остатки в таком случае не удовлетворяют требованию белого шума. Поэтому оценена модель с объемом кредитного портфеля во вторых разностях логарифмов, а заработная плата и спред - в первых.

Выбор оптимального количества лагов показан в табл. 6.

Таблица 6

Lag Order Selection

Lag	LR	AIC	SC	HQ
0	NA	-12.06	-11.50	-11.85
1	90.06	-13.18	-11.66	-12.60
2	103.68	-14.93	-12.46	-13.99
3	51.93	-15.52	-12.11	-14.22
4	27.43	-15.52	-11.16	-13.86
5	47.24	-16.59	-11.29	-14.57
6	70.54*	-19.53*	-13.28*	-17.14*

В табл.6 звездочкой отмечена оптимальная длина лага равная шести кварталам всеми критериями. Поэтому оцененная VAR модель включает в себя запаздывающие значения эндогенных переменных на шесть периодов. Спецификация модели представлена в приложении 2.



Таблица 7

Lag Exclusion Test

Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values
	NPLI	WAGE	CPI	SPRD	UNPL	Joint
Lag 1	10.58	68.49	12.02	27.86	72.99	439.95
	[ 0.06]	[ 0.00]	[ 0.03]	[ 0.00]	[ 0.00]	[ 0.00]
Lag 2	7.88	38.17	13.78	17.82	52.07	329.37
	[ 0.16]	[ 0.00]	[ 0.01]	[ 0.00]	[ 0.00]	[ 0.00]
Lag 3	8.86	7.28	22.56	15.07	30.38	268.06
	[ 0.11]	[ 0.20]	[ 0.00]	[ 0.01]	[ 0.00]	[ 0.00]
Lag 4	13.34	4.14	11.37	19.41	23.74	236.06
	[ 0.02]	[ 0.52]	[ 0.04]	[ 0.00]	[ 0.00]	[ 0.00]
Lag 5	10.67	8.45	9.99	25.64	14.23	179.69
	[ 0.05]	[ 0.13]	[ 0.07]	[ 0.00]	[ 0.01]	[ 0.00]
Lag 6	12.44	8.38	6.96	20.44	8.52	163.16
	[ 0.02]	[ 0.13]	[ 0.22]	[ 0.00]	[ 0.12]	[ 0.00]

В табл. 7 представлены результаты теста Вальда на совместную незначимость коэффициентов для специфицированной модели. Гипотеза совместной незначимости включенных в модель лагов отвергается на 5% уровне значимости.

Результаты Residual Normality Test и Residual Serial Correlation LM Test представлены в табл. 8 и табл. 9 соответственно. Согласно данным из табл. 8, мы не можем отклонить гипотезу нормальности распределения остатков на 5% уровне значимости, поскольку P-value равно 0,66; 0,21 и 0,41 для коэффициента асимметрии, эксцесса и Jarque-Bera Test соответственно. Данные табл. 9 констатируют, что на 5% уровне значимости нет оснований отклонить нулевую гипотезу отсутствия автокорреляции до лага 7 включительно, поскольку P-value больше 0,05 для каждого из лагов. Эти тесты позволяют сделать вывод о том, что остатки в данной модели есть белый шум.

Таблица 8

Residual Normality Test

Component	Skewness	Chi-sq	Prob.
1	-0.48	1.95	0.16
2	-0.06	0.03	0.84
3	-0.19	0.32	0.57
4	-0.19	0.32	0.56
5	0.27	0.64	0.42
Joint		3.28	0.65
Component	Kurtosis	Chi-sq	Prob.
1	2.93	0.00	0.92
2	4.64	5.74	0.01
3	2.32	0.97	0.32
4	2.77	0.11	0.73
5	2.69	0.20	0.65
Joint		7.04	0.21
Component	Jarque-Bera	Prob.
1	1.96	0.37
2	5.78	0.05
3	1.29	0.52
4	0.43	0.80
5	0.84	0.65
Joint	10.33	0.41

Таблица 9

Residual Serial Correlation LM Test

Lags	LM-Stat	Prob
1	29.31	0.25
2	22.20	0.62
3	16.42	0.90
4	22.07	0.63
5	20.15	0.73
6	16.97	0.88
7	19.52	0.77



Рис. 8. Обратные корни

На рис. 8 показаны обратные корни характеристического уравнения матрицы оцененных коэффициентов перед эндогенными переменными. Все корни лежат внутри единичной окружности. Модель стационарна.

GCBEW тест представлен в табл. 10. Переменные объем просроченной задолженности, спред и уровень заработной платы объясняются динамикой других переменных модели, потому что P-value обобщённого теста каждого уравнения этих переменных составляет 0,00; 0,00 и 0,03 соответственно, в то время как объем кредитного портфеля и уровень безработицы не объясняются, потому что нет оснований для отклонения нулевой гипотезы исключения совместной незначимости остальных переменных в объяснении их динамики.

Таблица 10

GCBEW тест

Dependent variable: NPLI	Dependent variable: WAGE
Excluded	Chi-sq	Prob.	Excluded	Chi-sq	Prob.
WAGE	23.19	0.00	NPLI	4.56	0.60
CPI	12.10	0.05	CPI	8.15	0.22
SPRD	31.16	0.00	SPRD	20.91	0.00
UNPL	8.14	0.22	UNPL	7.75	0.25
All	60.79	0.00	All	38.48	0.03
Dependent variable: CPI	Dependent variable: SPRD
Excluded	Chi-sq	Prob.	Excluded	Chi-sq	Prob.
NPLI	12.20	0.05	NPLI	7.38	0.28
WAGE	7.13	0.30	WAGE	5.97	0.42
SPRD	8.66	0.19	CPI	24.78	0.00
UNPL	7.68	0.26	UNPL	29.39	0.00
All	25.91	0.35	All	73.84	0.00
Dependent variable: UNPL
Excluded	Chi-sq	Prob.
NPLI	14.15	0.02
WAGE	5.71	0.45
CPI	6.07	0.41
SPRD	4.15	0.65
All	27.24	0.29

Для оценки функций импульсного отклика и декомпозиции ошибок прогноза устанавливается следующий порядок переменных в VAR модели: уровень безработицы объем кредитного портфеля спред уровень заработной платы объем просроченной задолженности.

На рис. 9. представлена функция импульсного отклика целевой переменной объема просроченной задолженности на собственные шоки и шоки остальных переменных. Под шоком понимается неучтенная в VAR модели динамика включенного в нее ряда размером одной стандартной ошибки остатков . Горизонтальная ось каждого графика показывает шесть последовательных периодов после шока. Вертикальная - меру ежеквартального влияния шока на каждую эндогенную переменную.

Из рис. 9 видно, что статистически значимое влияние на динамику просроченной задолженности оказывают шоки кредитного портфеля, спреда, безработицы.

· Шок кредитного портфеля снижает уровень просроченной задолженности в первом квартале после шока. Поскольку мы анализируем приросты показателей и в данном случае их динамика разнонаправленная, то это означает превалирование прироста кредитного портфеля над приростом просроченной задолженности. Иными словами, банку выгодно наращивать розничный кредитный портфель (мы видели, что это происходит в периоды роста экономики), поскольку на этапе роста не повышается доля плохих долгов в совокупной задолженности физических лиц перед банком. Это подтверждает гипотезу Clair, что в повышательной фазе бизнес цикла рост объема кредитов и рост качества кредитного портфеля могут положительно коррелировать.

· Шок спреда ставок влияет на просроченную задолженность во втором периоде и способствует ее росту. В дальнейшем влияние становится незначимым. Это объясняется тем фактом, что банк в одностороннем порядке может изменить процентную ставку по ранее выданным кредитам. Из этого следует, что растет долговая нагрузка на заемщика и платежи идут в большей степени на погашение процентов, поскольку они гасятся в первую очередь (спред растет). Следовательно, все меньшая часть каждого платежа будет относится на погашение основного долга, что приведет к росту просроченной задолженности. Если спред растет в отношении новых кредитов, то опережающий рост ставок по кредитам ведет к повышению нагрузки и на новых заемщиков.

· Шок уровня безработицы влечет рост просроченной задолженности в первом квартале. Связь безработицы и просроченной задолженности осуществляется опосредованно через доходы населения. С ростом безработицы снижаются реальные располагаемые доходы населения, что ведет к падению платежеспособности заемщиков. Кроме того, с повышением безработицы спрос на новые кредиты падает и растет удельный вес просроченной задолженности в кредитном портфеле.

· Что касается шоков уровня заработной платы, то в данном случае не выявлено сколь либо значимого непосредственного влияния этого показателя на объем просроченной задолженности. Это сигнализирует, что снижение платежеспособности заемщиков, не вызванное полной потерей их платежеспособности как в случае безработицы, не ведет к росту просроченной задолженности.



Рис. 9. Impulse Response Function

Таблица 11

Variance Decomposition

Period	S.E.	NPLI	WAGE	CPI	SPRD	UNPL
1	0.03	47.50	1.95	35.46	2.49	12.58
2	0.04	43.03	1.81	32.05	11.64	11.44
3	0.04	32.98	9.16	26.18	9.16	22.49
4	0.05	24.34	7.03	26.12	11.21	31.29
5	0.05	21.92	6.76	27.48	10.15	33.68
6	0.06	21.64	6.73	26.55	9.36	35.70

Из табл. 11 видно, что в первом периоде изменение NPL на 47,5% объясняется динамикой просроченной задолженности и на 35,47% динамикой кредитного портфеля. Со временем доля просроченной задолженности и объема кредитного портфеля в динамике NPL снижается до отметки 21,65% и 26,55% соответственно, в то время как остальных факторов растет. Так, доля безработицы в дисперсии прогноза начиная с 4 квартала выходит на первое место и составляет 31,30%. Влияние безработицы с большим лагом сигнализирует о постепенной утрате платежеспособности заемщиком. Доля спреда в том же периоде составляет примерно 10% и колеблется вдоль данной отметки в остальные периоды. Что касается уровня заработной платы, то наибольшего значения показатель достигает в 3 квартале 9,17% и к 6 периоду падает до 6,7%. Таким образом, наиболее важными показателями, определяющими вариацию объема просроченной задолженности являются уровень безработицы, объем розничного кредитного портфеля и спред.

3.2.2 Корпоративный портфель

VAR модель по корпоративному портфелю оценена также по 59 квартальным наблюдениям семи переменных: трех внутренних (NPL юридических лиц, объем корпоративного кредитного портфеля «Альфа-Банк», спред) и четырех внешних (обменный курс рубля к доллару, ВВП, инфляция, цена барреля нефти марки Brent). Выбор переменных происходит аналогично, как в модели по розничному кредитному портфелю с учетом современных тенденций на финансовом и товарном рынках.

Как и в модели для физических лиц, в модель включены две бинарные переменные, контролирующие изменение динамики вышеназванных временных рядов в кризисы 2008 и 2014 годов. Динамика показателей за период с 2001 по 2015 год в приложении 3. Из-за значительной сезонной зависимости ряд по объему инвестиций в основной капитал взят сезонно сглаженным (данные Росстата), данные по значению ВВП, инфляции и спреда сглажены применением процедуры census X-13. Аналогично модели для физических лиц, все рады взяты в логарифмах первых разностей.

В табл.12 показаны результаты теста на стационарность семи временных рядов в первых и вторых разностях логарифмов.

Таблица 12

ADF-тест

Показатель	Значения t-статистики ADF-теста
	Первая разность логарифмов	Вторая разность логарифмов
NPLC	-5,37 (tr, c)	-
EXCH	-6,39 (tr, c)	-
GDP	-3,65 (tr, c)	-
IPC	-5,73 (tr, c)	-
OIL	-6,59 (tr, c)	-
CPC	-6,27 (tr, c)	-
SPRD	-5,73 (tr, c)	-

В таблице наличие (tr, c) говорит о том, что в ряде есть тренд и константа, критические значения t-статистики ADF-теста -4,13; -3,50; -3,18 для 1, 5 и10 % уровней значимости соответственно; (c) - только константа, критические значения -3,55; -2,91; -2,59 соответственно[29]. Жирным выделен стационарный вид ряда.

Согласно результатам ADFтеста, все переменные должны включаться в модель в первых разностях логарифмов.

Выбор оптимального количества лагов показан в табл. 13.

Таблица 13

Lag Order Selection

Lag	LR	AIC	SC	HQ
0	NA	-21.83	-21.06*	-21.54
1	136.39	-23.12	-20.54	-22.13
2	135.62*	-24.97	-20.59	-23.28*
3	54.18	-24.96	-18.77	-22.58
4	63.80	-25.92*	-17.93	-22.84



В табл.13 звездочкой отмечена оптимальная длина лага равная нулю, двум и четырем кварталам различными критериями. Остатки модели с лагом в два периода не удовлетворяют процессу белого шума. Модель с лагом в ноль периодов означает, что в модель не будут включены лаговые значения эндогенных переменных и как следствие, будет невозможно построить функции импульсного отклика просроченной задолженности на шоки эндогенных переменных. Поэтому данная спецификация модели не рассматривается в настоящем исследовании. Остается оценить VAR модель, включающую запаздывающие значения эндогенных переменных на четыре квартала. Спецификация модели представлена в приложении 4.

Таблица14

Lag Exclusion Test

Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values
	CPC	EXCH	GDP	IPC	NPLC	OIL	SPRD	Joint
Lag 1	6.04	16.57	82.34	22.42	2.60	20.30	14.96	215.89
	[ 0.53]	[ 0.02]	[ 0.00]	[ 0.00]	[ 0.91]	[ 0.00]	[ 0.03]	[ 0.00]
Lag 2	12.79	32.91	28.36	22.48	2.32	17.52	6.48	167.10
	[ 0.07]	[ 0.00]	[ 0.00]	[ 0.00]	[ 0.93]	[ 0.01]	[ 0.48]	[ 0.00]
Lag 3	3.32	5.14	6.16	3.72	11.29	7.81	1.99	81.91
	[ 0.85]	[ 0.64]	[ 0.52]	[ 0.81]	[ 0.12]	[ 0.34]	[ 0.96]	[ 0.00]
Lag 4	9.22	2.70	4.95	9.83	16.33	3.80	4.97	103.47
	[ 0.23]	[ 0.91]	[ 0.66]	[ 0.19]	[ 0.02]	[ 0.80]	[ 0.66]	[ 0.00]

В табл.14 представлены результаты теста Вальда на совместную незначимость коэффициентов для специфицированной модели. Гипотеза совместной незначимости включенных в модель лагов отвергается на 5% уровне значимости.

Результаты Residual Normality Test и Residual Serial Correlation LM Test представлены в табл. 15 и табл. 16 соответственно. Согласно данным из табл. 15, мы не можем отклонить гипотезу нормальности распределения остатков на 5% уровне значимости, поскольку P-value равно 0,65; 0,80 и 0,83 для коэффициента асимметрии, эксцесса и Jarque-Bera Test соответственно. Данные табл. 16 констатируют, что на 5% уровне значимости нет оснований отклонить нулевую гипотезу отсутствия автокорреляции до лага 7 включительно, поскольку P-value больше 0,05 для каждого из лагов. Эти тесты позволяют сделать вывод о том, что остатки в данной модели есть белый шум.

Таблица 15

Residual Normality Test

Component	Skewness	Chi-sq	Prob.
1	-0.32	0.92	0.33
2	0.35	1.10	0.29
3	-0.28	0.74	0.38
4	0.27	0.67	0.41
5	-0.27	0.67	0.41
6	0.31	0.87	0.35
7	-0.11	0.11	0.73
Joint		5.11	0.64
Component	Kurtosis	Chi-sq	Prob.
1	2.71	0.17	0.67
2	2.62	0.31	0.57
3	2.50	0.55	0.45
4	3.29	0.19	0.66
5	3.97	2.13	0.14
6	3.18	0.07	0.78
7	3.40	0.37	0.54
Joint		3.83	0.79
Component	Jarque-Bera	Prob.
1	1.09	0.57
2	1.42	0.49
3	1.30	0.51
4	0.86	0.64
5	2.80	0.24
6	0.94	0.62
7	0.48	0.78
Joint	8.94	0.83



Таблица16

Residual Serial Correlation LM Test

Lags	LM-Stat	Prob
1	39.71	0.82
2	49.65	0.44
3	46.45	0.57
4	46.52	0.57
5	39.65	0.82
6	56.90	0.20
7	46.58	0.57

На рис. 10 показаны обратные корни характеристического уравнения матрицы оцененных коэффициентов перед эндогенными переменными. Все корни лежат внутри единичной окружности. Модель стационарна.

GCBEW тест представлен в табл. 17. Переменные ВВП, спред и инфляция не объясняются динамикой других переменных модели, потому что P-value обобщённого теста каждого уравнения этих переменных составляет 0,81; 0,91 и 0,54 соответственно, поэтому эти переменные будут идти впереди переменных нефти, объема кредитного портфеля, обменного курса и просроченной задолженности при построении функции импульсного отклика и декомпозиции дисперсии прогноза.

Рис. 10. Обратные корни



Таблица 17

GCBEW тест

Dependentvariable: CPC	Dependentvariable: EXCH
Excluded	Chi-sq	Prob.	Excluded	Chi-sq	Prob.
EXCH	16.93	0.00	CPC	1.96	0.74
GDP	2.63	0.61	GDP	6.94	0.13
IPC	3.35	0.50	IPC	9.65	0.04
NPLC	3.95	0.41	NPLC	2.12	0.71
OIL	5.03	0.28	OIL	6.23	0.18
SPRD	6.97	0.13	SPRD	5.77	0.21
All	50.70	0.00	All	40.63815	0.01
Dependent variable: GDP	Dependent variable: IPC
Excluded	Chi-sq	Prob.	Excluded	Chi-sq	Prob.
CPC	0.28	0.99	CPC	3.00	0.55
EXCH	0.42	0.98	EXCH	5.78	0.21
IPC	4.20	0.37	GDP	2.28	0.68
NPLC	1.76	0.77	NPLC	1.74	0.78
OIL	7.07	0.13	OIL	2.82	0.58
SPRD	4.64	0.32	SPRD	1.41	0.84
All	17.77	0.81	All	22.51	0.54
Dependent variable: NPLC	Dependent variable: OIL
Excluded	Chi-sq	Prob.	Excluded	Chi-sq	Prob.
CPC	10.29	0.03	CPC	5.81	0.21
EXCH	5.66	0.22	EXCH	0.66	0.95
GDP	6.54	0.16	GDP	9.47	0.05
IPC	5.28	0.25	IPC	9.87	0.04
OIL	10.18	0.03	NPLC	4.21	0.37
SPRD	0.64	0.95	SPRD	7.16	0.12
All	37.75	0.03	All	51.51	0.00
Dependent variable: SPRD
Excluded	Chi-sq	Prob.
CPC	2.62	0.62
EXCH	0.68	0.95
GDP	3.30	0.50
IPC	2.62	0.62
NPLC	1.71	0.78
OIL	0.75	0.94
All	15.47	0.90



Для оценки функций импульсного отклика и декомпозиции ошибок прогноза устанавливается следующий порядок переменных в VAR модели: уровень ВВП инфляция спред обменный курс рубля объем кредитного портфеля нефть просроченная задолженность.

На рис. 11. представлена функция импульсного отклика целевой переменной объема просроченной задолженности на собственные шоки и шоки остальных переменных размером одной стандартной ошибки остатков VAR модели.

Рис. 11. Impulse Response Function

Из рис. 11 видно, что статистически значимое влияние на динамику просроченной задолженности оказывают шоки кредитного портфеля, обменного курса и нефти.

· Шок кредитного портфеля снижает уровень просроченной задолженности в первом квартале после шока. Аналогично как в модели по физическим лицам, это означает превалирование прироста кредитного портфеля над приростом просроченной задолженности. Банку выгодно наращивать корпоративный кредитный портфель (мы видели, что это происходит в периоды роста экономики), поскольку на этапе роста не повышается доля плохих долгов в совокупной задолженности юридических лиц перед банком. Это очередной раз подтверждает гипотезу Clairо возможности положительной корреляции объема кредитов и качества кредитного портфеля.

· Шок обменного курса влечет рост просроченной задолженности в первом квартале после шока. Это объясняется ростом долговой нагрузки на заемщика в рублевом эквиваленте. В дальнейшем влияние становится незначимым, потому что компании приспосабливаются к новым экономическим условиям, перестраивая свои производственные процессы и хеджируя риски.

· Шок стоимости нефти способствует сокращению просроченной задолженности в четвертом квартале после шока. Связь стоимости нефти и просроченной задолженности осуществляется через активность экономических агентов. С ее ростом увеличиваются доходы энергетических корпораций, доходы бюджета и поток денежных средств на расчетные счета организаций в банке. Следовательно, растет платежеспособность заемщиков и сокращается просроченная задолженность.

· Что касается шоков остальных переменных, то в данном случае не выявлено сколь либо значимого их непосредственного влияния на объем просроченной задолженности.

Таблица 18

Variance Decomposition

Period	S.E.	CPC	EXCH	GDP	IPC	NPLC	OIL	SPRD
1	0.05	6.39	15.66	1.95	3.22	71.94	0.08	0.72
2	0.05	6.03	15.27	5.23	4.06	66.90	1.71	0.76
3	0.06	6.83	14.51	5.05	7.24	63.57	1.96	0.80
4	0.07	6.57	12.87	5.39	6.49	55.69	12.22	0.72
5	0.08	7.21	12.06	7.25	5.65	50.41	11.83	5.56
6	0.09	6.99	12.54	8.31	6.49	48.65	11.62	5.36

Из табл. 18 видно, что в первом периоде изменение NPL на 71,95% объясняется динамикой просроченной задолженности и на 15,67% динамикой курса рубля. Со временем доля просроченной задолженности и обменного курса в динамике NPL снижается до отметки 48,66% и 12,55% соответственно, в то время как остальных факторов растет. Так, сильнее всего растет доля нефти в дисперсии прогноза и начиная с 4 квартала выходит на третье место и составляет 12,23%. Доли остальных переменных в том же периоде составляют примерно 6% и колеблется вдоль данной отметки в остальные периоды. Таким образом, наиболее важными показателями, определяющими вариацию объема просроченной задолженности являются нефть, валютный курс и непосредственно сама просроченная задолженность.

3.2.3 Прогноз просроченной задолженности

На основе вышеназванных VAR моделей построены back-test NPL с первого по четвертый квартал 2015 года и ее прогноз на период с четвертого квартала 2015 года по третий квартал 2016 года включительно по трем гипотетическим сценариям: пессимистичный, базовый и оптимистичный. В табл. 19 приведены количественные значения факторов NPL, шоки которых статистически значимо влияют на NPL согласно построенным функциям импульсного отклика оцененных VAR по розничному и корпоративному портфелям, по базовому сценарию.

Таблица 19

Значения основных факторов просроченной задолженности при базовом сценарии по физическим и юридическим лицам

Физические лица	Фактор	Базовый прогноз
		2015Q4	2016Q1	2016Q2	2016Q3
	Безработица, %	5,37	5,05	4,82	4,83
	Спред, %	0,61	0,49	0,35	0,30
Юридические лица	Курс, USD/RUB	60,35	56,28	61,12	58,51
	Нефть, руб./баррель	53,48	49,49	48,50	53,01

Базовый сценарий табл. 19 формируется как безусловный прогноз исходя из оцененных VAR. Пессимистичный (оптимистичный) сценарий по физическим лицам строится как отклонение безработицы и спреда от их базовых значений в большую (меньшую) сторону соответственно на 14,5% (6,4%) и 41% (31%). По юридическим - пессимистичный (оптимистичный) как рост (снижение) курса и снижение (рост) цены нефти соответственно на 43% (10%) и 50% (37%). Эти значения являются абсолютными максимумами изменений показателей за анализируемый период.

Таблица 20

Прогноз просроченной задолженности банка в зависимости от сценария, млрд. руб.

Заемщики	Сценарий	Период
		2015Q4	2016Q1	2016Q2	2016Q3
Физические лица	Пессимистичный	69,582	66,741	78,370	86,780
	Базовый	55,813	58,067	66,116	81,727
	Оптимистичный	47,191	50,680	58,243	79,836
Юридические лица	Пессимистичный	111,951	43,260	31,884	139,928
	Базовый	82,921	29,279	12,465	22,980
	Оптимистичный	76,194	24,011	7,937	10,960

Согласно результатам прогноза просроченной задолженности, представленном в табл. 20, ожидается продолжение роста показателя по розничному кредитному портфелю и снижение по корпоративному по всем трем сценариям прогноза. Так, просроченная задолженность физических лиц достигнет максимума в третьем квартале 2016 года. Ее объем составит от 80 до 87 млрд. руб. соответственно оптимистичному и пессимистичному сценариям. Что касается просроченной задолженности по корпоративному портфелю, то ожидается смена трендов в четвертом квартале 2015 года, когда с максимального значения в 112 млрд. руб. по пессимистичному сценарию данный показатель упадет до 32 млрд. руб. во втором квартале 2016 года. В дальнейшем, ожидается рост показателя до уровня в 139 млрд. руб.

Для целей определения точности прогноза, проводится back-test объема просроченной задолженности. Базовые прогнозные значения показателя NPL, а также их сравнение с фактическими уровнями данного показателя за промежуток времени с первого по четвертый квартал 2015 года приведены в табл. 21.

Таблица 21

Back-test просроченной задолженности банка

Заемщики	Дата	Фактическое значение NPL, млрд. руб.	Прогноз NPL, млрд. руб.	Ошибка прогноза, %
Физические лица	2015Q1	44,375	44,349	0,06
	2015Q2	50,329	51,274	1,88
	2015Q3	56,407	55,826	1,03
	2015Q4	59,441	55,813	6,10
Юридические лица	2015Q1	53,272	62,590	17,49
	2015Q2	72,182	83,967	16,33
	2015Q3	83,911	96,264	14,72
	2015Q4	91,119	82,921	9,00

По данным табл. 21 можно сказать, что в целом точность прогноза получилась высокой для физических лиц. Ошибка прогноза не более 6,1%. Более низкую точность по юридическим лицам можно объяснить появлением неучтенных в модели новых факторов, влияющих на степень кредитного риска. В роли такового может быть новая кредитная политика банка.

В роли меры качества совокупного кредитного портфеля и уровня кредитного риска рассчитываются аналитический показатель доли просроченной задолженности в совокупном кредитном портфеле банка



Таблица 22

Показатель качества кредитного портфеля и кредитного риска

Дата	Отношение просроченной задолженности к совокупной стоимости кредитного портфеля, %
	Пессимистичный	Базовый	Оптимистичный
2015Q4	10,85	8,30	7,38
2016Q1	5,60	4,45	3,80
2016Q2	5,49	3,91	3,30
2016Q3	10,83	5,01	4,34

По данным табл. 22 ожидается рост качества кредитного портфеля, обусловленный снижением удельного веса просроченной задолженности в нем. Доля неработающих ссуд по базовому сценарию снизится вдвое с 8% до 4% с четвертого квартала 2015 года по 2 квартал 2016 года во многом из-за улучшения качества корпоративного кредитного портфеля. Однако затем ожидается рост более чем на 1%, вызванный продолжающимся ростом плохих долгов по розничному кредитному портфелю. Динамика по пессимистичному сценарию показывает максимальное значение доли просроченной задолженности 10,85% на четвертый квартал 2015 года и минимальное 5,49% на второй квартал 2016 года. По оптимистичному аналогично 7,38% и 3,30%.

Полученная оценка просроченной задолженности может быть использована для целей: (1) планирования РВПС и финансового результата; (2) корректировки кредитной политики; (3) оценки возможного давления на капитал непокрытой РВПС просроченной задолженности. Применение скорректированной величины капитала для стресс-тестирования обязательных нормативов Н1, Н6, Н7, Н9, Н10; (4) обоснования уровня просроченной задолженности в кредитном портфеле как кредитное событие при заключении договора кредитного дефолт-свопа;

Для дальнейшего снижения и предупреждения роста просроченной задолженности банку следует:

o с целью предупреждения риска: (1) проводить более консервативную политику в отношении розничного кредитования; (2) передавать права требования по плохим долгам через цессию, восстановленный РВПС можно направить на доначисление РВПС по плохим долгам;

o для снижения риска при сохранении возможности получить доход в случае полного погашения кредита заемщиком: (1) повысить требования к мониторингу финансового состояния заемщика и качеству обслуживания долга; (2) воспользоваться синтетической секьюритизацией с передачей пула кредитных активов в залог; (3) заключить договор кредитного дефолт-свопа.



Заключение

На начальном этапе работы проведен анализ качества кредитного портфеля АО «Альфа-Банк» на основе данных счетов формы 101 за период с первого квартала 2001 года по третий квартал 2015 года по заемщикам, по срокам, по динамике просроченной задолженности и ее доле в кредитном портфеле, по доле РВПС использованного на списание невозможного ко взысканию основного долга, по коэффициенту покрытия и абсолютному значению РВПС. Выявлено, что качество кредитного портфеля в целом хорошее, поскольку резервы покрывают просроченную задолженность вне периода кризиса 2008 и 2014 гг.. Однако установлена негативная тенденция формирования меньшего РВПС под более рисковые активы.

Вторая часть исследования кредитного риска банка представляет модельный подход к изучению влияния показателей объема кредитного портфеля по физическим и юридическим лицам, обменного курса рубля к доллару, инфляции, стоимости барреля нефти марки Brent, безработицы, реальной заработной платы, спреда процентных ставок по активным и пассивным операциям на абсолютную величину просроченной задолженности по розничному и корпоративному кредитному портфелям. В рамках данного направления построены две модели векторной авторегрессии. Их целью стало выявление факторов кредитного риска, шоки которых значимо влияют на динамику просроченной задолженности, и построение прогноза просроченной задолженности при различных сценариях динамики вышеназванных объясняющих переменных. Прогноз позволяет определить возможное снижение качества кредитного портфеля и объем просроченной задолженности на горизонте до третьего квартала 2016 года включительно. Данное направление исследования актуально для любого банка, потому что позволяет, основываясь на предыстории динамики переменных модели, контролировать свой кредитный риск. К тому же оно имеет важное прикладное значение для прогнозирования динамики взаимосвязанных рядов с течением времени.

По полученным результатам анализа VAR моделей получен вывод, что основными факторами, шоки которых влияют на уровень просроченной задолженности, для физических лиц являются спред, безработица и объем розничного кредитного портфеля, для юридических - цена нефти, курс рубля и объем корпоративного кредитного портфеля. Выявлено, что шоки темпов роста кредитного портфеля способствуют снижению удельного веса просроченной задолженности как по розничному, так и по корпоративному портфелям. Шоки спреда увеличивают просроченную задолженность по кредитам физическим лицам с лагом в три месяца, а шоки безработицы - в первом квартале после шока. Влияние этих показателей в остальных месяцах на горизонте в шесть последовательных периодах после шока статистически незначимо. Что касается факторов, влияющих на просроченную задолженность по корпоративному кредитному портфелю, то шоки курса рубля увеличивают без лага во времени просроченную задолженность, в то время как шоки нефти - снижают с лагом в четыре квартала. Относительно качества кредитного портфеля в целом ожидается его рост, обусловленный в большей степени снижением просроченной задолженности по кредитам юридическим лицам.

Полученная оценка просроченной задолженности имеет прикладное значение: объективная оценка РВПС; оценка возможного давления на капитал непокрытой РВПС просроченной задолженности для стресс-тестирования обязательных нормативов Н1, Н6, Н7, Н9, Н10; обоснованный уровень просроченной задолженности в кредитном портфеле как кредитное событие при заключении договора кредитного дефолт-свопа.

В качестве дальнейшего развития исследования вижу целесообразным рассматривать кредитный риск сразу нескольких банков из групп с частным, государственным и иностранным капиталом.

Список литературы

1. Алескеров Ф.Т., Андриевская И.К., Пеникас Г.И., Солодков В.М. Анализ Математических моделей Базель III: Физматлит. 2010. - 285 с.

2. Алескеров Ф.Т., Андриевская И.К., Пеникас Г.И., Солодков В.М. Стресс-тестирование: обзор методологий, ГУ-ВШЭ (НИУ ВШЭ), 2007.

3. Бездудный М.А., Малахова Т.А., Сидельников Ю.В. О стресс-тестировании банков: Экономические стратегии. 2010 (№11). - с. 80-87.

4. Козинова А.Т. Прогнозирование выручки предприятия: Вестник нижегородского университета им. Н.И. Лобачевского: серия экономика и финансы. Издатель ННГУ, Н.Н., 2004 (№1). - с. 15-21.

5. Коростелева М.В. Имитационный подход к анализу чувствительности внутренней нормы доходности инвестиционного проекта: Вестник Санкт-Петербургского университета: серия 5: экономика: СПБГУ, 2011 (№2). - с. 96-104.

6. Отчет о развитии банковского сектора и банковского надзора в 2014 году; Центральный банк Российской Федерации, 2015.

7. Пашков Е.К. Мировой опыт стресс-тестирования в банковской сфере: Московское научное обозрение: Государственный аэрокосмический университет им. Академика М.Ф. Решетнева, 2013 №1(29). - с. 76-77.

8. Подходы к организации стресс-тестирования в кредитных организациях (на основе обзора международной финансовой практики); Центральный банк Российской Федерации, 2003.

9. Усоскин В.М. Новая система банковского надзора в Европейском союзе: Деньги и кредит. 2015 (№3). - с. 22-25.

10. Russian Federation: Financial System Stability Assessment, IMF Country Report № 01/147, 2003.

11. Consultative Paper “Credit Stress-Testing”, Monetary Authority of Singapore, 2002.

12. Babouиek, I., Janиar. M. (2005).Vector autoregression analysis of the effects of macroeconomic shocks to the quality of the aggregate loan portfolio of the Czech banking sector. Czech National Bank Working Paper, 1.

13. Berger, A., DeYoung, R. (1997). Problem loans and cost efficiency in commercial banks. Journal of Banking & Finance, 21(6).

14. Bikker, J., Metzemakers, P. (2003). Bank provisioning behaviour and procyclicality. DeNederlandsche Bank Staff Report, 111.

15. Зaрatay, B., Cengiz, T. (2014). Financial Stability Analysis in Banking Sector: A Stress Test Method. The Journal of Accounting and Finance.

16. Clair, R. (1992). Loan growth and loan quality: some preliminary evidence from Texas banks. Federal Reserve Bank of Dallas Economic and Financial Policy Review, Q III.

17. Drehmann, M. (2009). Macro stress tests and crises: what can we learn? BIS Quarterly Review.

18. Enders, W. 2003. Applied Econometric Time Series. Hoboken, NJ: Wiley.

19. Gambera, M. (2000). Simple forecasts of bank loan quality in the business cycle. Emerging Issues Series, Federal Reserve Bank of Chicago.

20. Gerlach, S., Peng, W.,Shu, C. (2004). Macroeconomic conditions and banking performance in Hong Kong: a panel data study. Hong Kong Monetary Authority Research Paper.

21. Gizycki. M. (2001). The effect of macroeconomic conditions on banks' risk and profitability. Reserve Bank of Australia Research Discussion Paper, 6.

22. Glasserman, P. (2015). Are the Federal Reserve's Stress Test Results Predictable? Columbia University Press.

23. Gіogowski, A., Zochowski, D. (2004). Modeling the impact of the zloty depreciation on the quality of foreign currency assets of banks. Financial Stability Report 2003, National Bank of Poland.

24. Grouthy, M., Galai, D., Robert, M., (2000). A comparative analysis of current credit risk models. Journal of Banking & Finance. №24. Р. 59-117.

25. Hoggarth, G., Sorensen, S., Zicchino, L. (2005). Stress tests of UK banks using VAR approach. Bank of England Working Paper, 282.

26. Jimйnez, G., Saurina, J. (2006). Credit cycles, credit risk and prudential regulation. International Journal of Central Banking, 2.

27. Kupiec, P. (1999). Stress-testing in a value at risk framework. Journal of Derivatives,v.24.

28. Longin, F. (2000). From value at risk to stress testing: the extreme value approach. Journal of Money Banking and Finance 24: 1097-1130.

29. MacKinnon, J.G. (1990). Critical values for cointegration tests. UC San Diego Discussion Paper, 90-94.

30. Pain, D. (2003). The provisioning experience of the major UK banks: a small panel investigation. Bank of England Working Paper, 177.

31. Pesola, J. (2005). Banking fragility and distress: An econometric study of macroeconomic determinants. Bank of Finland Discussion Paper, 13.

32. Quagliariello, M. (2004). Banks' performance over the business cycle: A panel analysis on Italian intermediaries. Department of Economics, University of York Discussion Paper, 17, 5-12.

33. Quagriariello, M. (2009).Stress-testing the banking system: methodologies and applications. Cambridge University Press.

34. Sorge, M. (2004). Stress-testing Financial Systems: An Overview of Current Methodologies. BIS Working Papers № 165.

35. Williams, J. (2004). Determining management behavior in European banking. Journal of Banking & Finance, 28(10).

36. Whitley, J., Windram, R. (2004). Prudence Cox. An empirical model of household arrears. Bank of England Working Paper, 214.



Приложение 1

Индекс sm в названии графика означает, что ряд сезонно сглажен.



Приложение 2

Vector Autoregression Estimates
Date: 03/01/16 Time: 10:25
Sample (adjusted): 2003Q1 2015Q3
Included observations: 51 after adjustments
Standard errors in ( ) & t-statistics in [ ]
	D(D(LOG(NPLI)))	D(LOG(WAGE_SM))	D(D(LOG(CPI)))	D(LOG(SPRD_SM))	D(LOG(UNPL_SM))
D(D(LOG(NPLI(-1))))	-0.057465	4.38E-05	0.916302	-0.041354	-0.082130
	(0.18277)	(0.02412)	(2.36636)	(0.26131)	(0.05461)
	[-0.31442]	[ 0.00182]	[ 0.38722]	[-0.15825]	[-1.50388]
D(D(LOG(NPLI(-2))))	0.006082	0.001070	-0.615985	-0.064936	-0.072806
	(0.16544)	(0.02184)	(2.14207)	(0.23655)	(0.04944)
	[ 0.03676]	[ 0.04899]	[-0.28757]	[-0.27452]	[-1.47273]
D(D(LOG(NPLI(-3))))	0.195016

Подобные документы

• Управление проблемными кредитами в банках второго уровня: казахстанский и международный опыт

  Анализ системы управления проблемными кредитами на примере АО "Цеснабанк". Характеристика деятельности банка и его экономические показатели. Управление кредитным портфелем банка. Анализ проблемных кредитов в банках второго уровня Республики Казахстан.
  
  дипломная работа [1,3 M], добавлен 14.03.2015
  

• Управление кредитным риском коммерческого банка с использованием VaR-модели

  Сущность и классификация финансовых рисков банка. Инструменты управления кредитными рисками и пути их сокращения. Принципы управления кредитным портфелем. Построение моделей оценки надежности коммерческого банка. Определение рейтинга кредитоспособности.
  
  дипломная работа [501,4 K], добавлен 17.03.2014
  

• Кредитная политика коммерческого банка

  Сущность и виды кредитных операций банка. Документы по оформлению кредита. Оценка кредитного риска на основе отчетности банка, направления кредитной политики. Анализ экономических нормативов по кредитному риску, погашение и обеспечение выданных ссуд.
  
  курсовая работа [35,9 K], добавлен 06.11.2011
  

• Экономический анализ деятельности коммерческого банка

  Анализ состояния собственных и привлеченных средств коммерческого банка. Величина кредитных вложений банка в целом и по отдельным видам ссуд. Анализ выполнения экономических нормативов банка, структура депозитной базы. Оценка уровня банковских рисков.
  
  методичка [265,9 K], добавлен 10.01.2012
  

• Кассовые операции коммерческих банков и оценка их эффективности

  Понятие о кассовых операциях. Результат работы банка по привлечению вкладов населения за декаду. Расчетная величина резерва на покрытие возможных убытков от кредитной деятельности банка "Мост". Расчет резерва по кредитному портфелю коммерческого банка.
  
  контрольная работа [18,2 K], добавлен 17.12.2012
  

• Стресс-тестирование в банковском деле и механизм валютного регулирования при минимизации рисков

  Группы рисков в банковском деле при проведении расчетов по внешнеторговым и финансовым операциям, валютно-обменным сделкам. Применение современных методик стресс-тестирования, способов их хеджирования. Расчет стресс-тестов, основные стресс-сценарии.
  
  контрольная работа [37,0 K], добавлен 28.12.2010
  

• Управление кредитным риском в коммерческом банке (на примере Сберегательного Банка РФ)

  Система управления и методика анализа кредитного риска. Кредитная политика банка. Организационная структура и характеристика Муромцевского отделения № 2257 Сбербанка РФ. Обеспечение возврата банковских ссуд. Недостатки в управлении кредитным риском.
  
  дипломная работа [108,7 K], добавлен 09.09.2010
  

• Анализ рисков в банках РК

  Банковские риски в условиях глобализации. Оценка и стратегия риска в банковской деятельности. Мировой опыт предупреждения банковских рисков. Внедрение системы банковского риск-менеджмента в РК. Максимизация прибыли и обеспечение платежеспособности банка.
  
  реферат [95,7 K], добавлен 23.04.2015
  

• Управление кредитным риском коммерческого банка с использованием VaR-модели на примере ОАО "Сбербанк России"

  Анализ кредитных рисков в банковской системе России. Определение рейтинга кредитоспособности заемщика. Оценка кредитного риска банка с использованием VaR-модели и процедур имитационного моделирования на примере кредитного портфеля ОАО "Сбербанк России".
  
  дипломная работа [2,1 M], добавлен 18.01.2015
  

• Анализ риска кредитных операций

  Кредитный риск в системе банковских рисков. Виды и формы проявления кредитных рисков. Классификация ссуд, критерии оценки их качества. Формы обеспечения возвратности кредитов. Система, формы и организация управления кредитным риском в ОАО "Акибанк".
  
  курсовая работа [440,7 K], добавлен 26.11.2010
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам