Влияние значений показателей финансовой отчетности на отзыв лицензии кредитного учреждения

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Введение

Для любого типа финансовой системы одним из главных условий стабильного роста является наличие эффективного банковского сектора. На данный момент нельзя представить ни одной экономически устойчивой страны без соответствующе развитого банковского сектора. Банки выполняют многозначительную и важную функцию, которая уже не ограничивается классическим пониманием финансового посредника. Для того что бы банки должным образом функционировали необходимо не только увеличивать спектр возможных услуг, но и вовремя принимать эффективные меры по разрешению кризисных ситуаций.

В течение последних десятилетий российская банковская система прошла через множество серьезных этапов своего развития, включая ее учреждение, период быстрого роста, острые кризисы и последующие восстановление. Несмотря на значительные улучшения, которыми охарактеризовались последние пару лет, российская банковская система все еще находится на стадии своего развития в плане удовлетворения быстрорастущих потребностей современных экономических реалий.

Только за последние три года Центральный банк отозвал лицензии на осуществление кредитной деятельности у более чем 200 банков, ссылаясь на их несоответствие банковским нормативам, либо нарушение правового законодательства. Тем самым, мотивируя на написание практической работы по моделированию вероятности отзыва лицензии.

Модели по оценки вероятности отзыва лицензии или банкротства обладают высокой практической применимостью. Построение моделей при помощи дистанционного анализа (использую лишь общедоступную информацию), позволяющего отслеживать финансовую ситуацию банка по ежемесячным данным, помогает оценить надежность того или иного кредитного учреждения. Оценка происходит путем использования статистических методов и закономерностей полученных из анализа банков прекративших свою деятельность.

Новая волна банковских отзывов наблюдаемая в 2013-2015 годах, была спровоцирована активной позицией нового главы центрального банка Эльвиры Набиуллиной, целью которой является «чистка» особо подозрительных банков. Важно понимать, что ключевая роль центрального банка это поддержка здорового банковского сектора, которая не возможна без крайних мер.

Если рассматривать исследовательские работы по предсказанию дефолта кредитных организаций российского рынка, то можно столкнуться с проблемой отсутствия моделей, учитывающих вероятность отзыва лицензии банка по причине проведения систематических сомнительных операций. Тем самым, этот фактор говорит об актуальности темы выпускной квалификационной работы.

На сегодняшний день, Центральный банк активно борется с банками, участвующими в сомнительных операциях, вплоть до отзыва лицензии. В результате, подозрительные кредитные организации испытывают проблемы как репутационного так и операционного характера, лишаясь потенциальных клиентов и страдая от потери платежеспособности. Подвергая тем самым огромному риску как вкладчиков данных банков, так компании, находящиеся на их обслуживание.

Данная работа должна помочь как регулятору, так и обычному инвестору, учитывать риск отзыва лицензии по причине проведения банком сомнительных операций, тем самым обеспечивая развитие здорового банковского сектора.

Целью выпускной квалификационной работы является выявление ключевых показателей общедоступной банковской отчетности, которые бы могли выполнять роль предикторов при оценке вероятности отзыва лицензии по причине проведения сомнительных операций.

Объект исследования - кредитные организации, зарегистрированные в Российской Федерации на 2012-2015, с фактом отзыва лицензии по причине проведения сомнительных операций.

Предмет исследования -влияние значений показателей финансовой отчетности на отзыв лицензии кредитного учреждения.

Для достижения поставленной цели необходимо решить несколько задач:

Изучить нормативные акты ЦБ для того, чтобы определить всевозможные признаки проведения банком сомнительных операций, иными словами найти возможные «следы» в общедоступной финансовой отчетности.

Изучить исследовательскую литературу по оценке вероятности наступления события, для эффективного построения предсказательной модели.

На основе имеющихся общедоступных данных провести эконометрический анализ с целью определения ключевых финансовых показателей, влияющих на вероятность отзыва лицензии по причине проведения сомнительных операций.

При использовании полученных результатов оценить предсказательную силу модели.

Структура работы построена следующим образом. В первой главе дана краткая характеристика сомнительным операциям, а также описан механизм отмывания денежных средств через банковский сектор. Вторая глава анализирует исследовательские работы по предсказанию наступления события, особое внимание уделяется современным работам по оценке вероятности наступления дефолта кредитной организации. Третья глава построена на моделировании вероятности отзыва лицензии, выделяются ключевые предикторы, а также происходит оценка предсказательной силы модели.



Глава 1

К сожалению, общепринятого определения термину сомнительные банковские операции нет. Однако появлению данному понятию, как механизму или правилу контроля банковских операций, способствовал процесс отмывания денежных доходов.

Термин отмывание денежных средств, в широком его понимание, означает процесс легализации финансовых доходов, полученных преступным или коррупционном путем. Данный термин определяется правовой системой государства, и для Российской практики процесс «отмывания денежных доходов» напрямую взаимосвязан с формами финансового злоупотребления (используя такие инструменты как ценные бумаги, кредитные карты, цифровую и традиционную валюту, коммерческие организации и тд.), а также, включает в себя процесс финансирования терроризма. За последние тридцать лет факт отмывания незаконных денежных средств стал одним из основных международных проблем в финансовом мире. Согласно статистики По оценкам экспертов, всемирные объемы доходов, полученных приступным путем оцениваются в районе 3-5% от мирового ВВП, иными словами, ежегодно отмывается не менее 2500 млрд долларов США и варьируются данный объем между странами по уровню развития финансовой системы.

Процесс отмывания денег является острой проблемой практически для любой экономической системы и способствует увеличению коррупции, деформирует процесс принятия экономических решений, подрывает функциональность финансовых институтов и усугубляет социальные проблемы.

Отрицательные факторы:

Отмывание денег и финансирование терроризма могут оказать разрушительные последствия для экономики, и государственной безопасности в целом. Данный процесс происходит практически в каждой стране, однако, более значительные негативные последствия ощущаются в странах с хрупкой финансовой системой, то есть в странах, которое находится на этапе формирования «здоровой» банковской/финансовой системы. Сильное последствие отрицательных факторов первую очередь связанно с тем, что финансовая система менее стабильно и как следствие, отсутствие регламентированных и эффективных банковских механизмов по противодействию ОД.

Негативные эффекты процесса ОД:

Увеличение уровня финансовой преступности и коррупции. Успешно отмытые деньги повышают прибыльность преступной активности, тем самым увеличивая лишь заинтересованность участников рынка к их использованию. В свою очередь, увеличение объемов ОД повышает количество участников в процессе, страна рассматривается как «рай» для нелегальных операций. Эмпирически доказано, что процесс увеличение объемов и звени, участвующих, в операциях ОД повышает уровень коррупции. Преступники прибегают к подкупу сотрудников финансовых организаций и государственных чиновников, для продолжения своей деятельности.

Дестабилизация частного сектора. Пожалуй, самый серьезные макроэкономические последствия ОД ощущает именно частный сектор. Так как, основные участники процесса ОД использует подставные компании они деформируют процесс здоровой

Ослабление финансовых институтов.

Отмывание денег часто включает в себя сложную серию транзакций,

которые обычно трудно разделить, однако в научной литературе для объяснения того, как происходить процесс отмывания денег используется обобщенная трех стадийная модель:

4) Размещение. Изменение формы денежных средств или

других активов, полученные в результате преступной деятельности, с целью скрытия их нелегального происхождения. На данном этапе происходит введение незаконных денежных средств в финансовую систему. Чаще всего размещение средств происходит через финансовые учреждения (Банки) и другие коммерческие организации. Этот этап может включать такие операции как, разбивание крупных наличных сумм на меньше, а также последовательное депонирование их непосредственно на банковский счет, вывод денежных средств за гарнцу или покупка дорогостоящих товаров (драг металы и тд), которые могут быть оплачены банковским переводом или чеком.

Расслоение. Разделение незаконных доходов от их источников путем создание сложной цепочки транзакций, направленных на сокрытия происхождения доходов. Процесс наслоения одних финансовых операций на другие. Этот этап может включает в себя такие операции как, Отправка банковских переводов средств с одного счета на другой, иногда из других учреждений. Конвертировании денежных средств различные денежные инструменты (векселя, банковские чеки). Размещение денежных средств путем инвестирование их в ценные бумаги (акции, облигации и тд). «Вышеупомянутые операции маскируются , так что бы в конечном счете раствориться в совершаемых каждый день законных сделок.»

Интеграция. Попытка трансформации денежных доходов полученных из нелегальных источников, в средства, имеющие внешнее легальное происхождение. Иными словами, данный этап предполагает использование отмытой выручки в рамках нормальных транзакций, в целя создания их видимой легальности. Этот этап может включать в себя такие операции как, обналичивание денежных средств либо их инвестирование в бизнес, недвижимость, драг металлы и тд.

Так как процесс ОД в основе использует операции доступные в той или иной финансовой системы, то выбор конкретных механизмов зависит лишь от изобретательности участников рынка. Однако в большинстве случаев, на всех стадиях процесса ОД ключевая роль сводится именно к банковской системе.

Огромные объемы процесса ОД не могли оставаться не замеченными. И в рамках правого регулирования, требовался механизм, который позволил бы останавливать процесс отмывания денежных средств, в момент его размещения. И по окончанию восстановления от дефолта 1998 годов, началось формирование нового механизма по ужесточению регулирования сомнительных операций.

Контролирование банковского сектора являлось одним из наиболее легких способа поиска проблемных денежных потоков, так как все передвижения активов должны фиксироваться и могу быть отслежены. Таким образом, начал появляется термин сомнительные банковские операции.

Однако их существенное использование в качестве активного инструмента по отзыву лицензии стал проявляется лишь с 2004года, с приходом А.Казлова в качестве руководителя ЦБ.

При детальном изучение публикаций ЦБ, направленных на борьбу с процессом легализации денежных доходов приступным путем, можно утверждать, что:

Сомнительные операции, возможно, разделить, в рамках банковской системе, на:

Сомнительные операции, совершаемые клиентами банка. Важно понимать, что в данном случае управление банка может и не знать о проводимых операциях.

Сомнительные операции совершаемыми самим банкам, через всевозможные третьи лица (фирмы однодневки, физические лица, другие кредитные учреждения).

Стоит отметить, что оба типа сомнительных операций ведут за собой равные риски для банка.

Авторы (Предотвращение отмывания денег и финансирования терроризма: практическое Авторы: Пьер-Лоран Шатен,Джон) выделяют следующие риски банка при участие в сомнительных операциях:

Риск нормативно-правового несоответствия

Данный риск может быть вызван неэффективной работой системы внутреннего контроля в случае первого типа сомнительных операций и возможных несоответствующих этических стандартов банка в случае второго типа сомнительных операций. Непосредственно банк сталкиваться с данным типом риска, при несоответствии его деятельности с законами, правилами, принятыми регулятором страны. Данный тип риска может отрицательно повлиять на эффективность работы банка, вплоть до уменьшения его доходности. В случае систематических нарушений, регулятор может наложить штраф, а также отозвать лицензию у кредитного учреждения.

Операционно-валютный риск.

Низкий уровень внутреннего контроля по сомнительным операциям, отрицательно сказывается на сфере предоставления банковских продуктов и услуг, что в свою очередь делает банк слабоконкурируемым на рынке. К данным продуктам в первую очередь относиться депозиты юридических/физических лиц, корреспондентские счета и тд.

Репетиционный риск

Слабоэффективная стратегия банка по борьбе с сомнительными операциями может ухудшить деловые отношения с контрагентами, тем что отразиться на его деловой репутации. Наличие предупредительных писем со стороны ЦБ или негативный опыт одно из руководителей, может ухудшить текущие партнерские отношения с крупными корпоративными компаниями, а также осложнить процесс поиска новых.

Кредитный риск

Данный риск связан с возможным неисполнением дебитора своих условий договора, а также сроков его исполнения. В случае если банк активно вовлечен в кредитование или оказание иных услуг организациям, чьи операции носят сомнительный характер (отмывание денежных средств, финансирование терроризма), то общий кредитный риск банка возрастает. Зачастую, лица, занимающиеся отмыванием денег не заинтересованы в соблюдение условий договора, так как, они нередко используют подставные компании и фирмы однодневки.

Риск потери ликвидности

Риск ликвидности возникает при несоответствии сроков погашения обязательств по активам и пассивам кредитного учреждения. Факт проведения сомнительных операций может негативно отразиться на ликвидности банка. Клиенты банка или банки-корреспонденты могут отказаться от дальнейшего финансового взаимоотношения, опасаясь повышения риска кредитоспособности банка. В случае выявления сомнительных операций, регулятор зачастую принимает санкции по отношению к кредитному учреждению, тем самым, повышает его кредитный риск.

Проводимые банком сомнительные операции с целью уменьшения давления на капитал или, как указано в N 161-Т, с целью оптимизации кредитными организациями налогообложения в интересах управления банка, приводят к тем же санкциям, если бы сомнительные операции были осуществлены по поручению клиентов кредитного учреждения.

Если в случае второго типа сомнительных операций (операции, инициированные управлением банка) не возникает вопрос их выявление регулятором. Возникает вопрос: Какие операции, совершаемые по поручению клиентов, относятся к категории сомнительных?

Согласно письму ЦБ РФ № 161-T, к сомнительным операциям, инициированными клиентами кредитного учреждения, можно отнести следующие виды операций:

1. Систематическое снятие с банковских счетов крупных сумм наличных денежных средств. При этом особое внимание уделяется клиентам, у 80% и более отношение объема снятых наличных средств к оборотам по их счетам.

2. Систематическое зачисление крупных денежных средств от третьих лиц с последующим переводом на банковские счета течение нескольких дней.

3. Осуществление резидентами - клиентами кредитных организаций безналичных переводов денежных средств в крупных размерах в пользу нерезидентов. Особое внимание уделяется клиентам, у которых операции с ценными бумагами носят односторонний характер.

4. Проведение операций, связанных с неправомерным возмещением налога на добавленную стоимость при экспорте товаров, когда экспортная выручка, поступившая в пользу клиента, в течение этого же операционного дня возвращается нерезидентам в рамках исполнения иных обязательств.

5. Осуществление иных операций, которые не имеют очевидного экономического смысла (носят запутанный или необычный характер), либо не соответствуют характеру (основному виду) деятельности клиента или его возможностям по совершению операций в декларируемых объемах, либо обладают признаками фиктивных сделок

Ключевым правовым документом, регулирующий отзыв лицензии по причине сомнительных операций является федеральный закон 115-фз. «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма».

В данном документе детально прописаны ключевые санкции в случае проведения банком сомнительных операций. Также, чаще всего банки, участвующие в сомнительных операциях, лишаются лицензии с формулировкой «систематическое нарушение федерального закона 115-фз».

Нет необходимости в более детальные рассмотрения публикуемых ЦБ писем, целью которых, является определить признаки сомнительных операций. Так как, ключевые признаки использованные в моделирование вероятности, будут взяты из письма 161-Т.



Глава2

финансовый отчетность сомнительный дефолт банк

Анализ предыдущих исследований по построению модели по дефолтам банка и сомнительным операциям:

В исследовательской литературе можно наблюдать огромное количество работ, целью которых является построение моделей, анализирующих вероятность наступления дефолта банка. Определяя ключевые факторы влияния на наступление события, при использовании регрессионных моделей, авторы оценивают и вероятность отзыва лицензии банка. Однако, эти исследования покрывают лишь дефолт банка, с точки зрения его экономической деятельности, иными словами, не учитывая вероятность отзыва лицензии по сомнительным операциям. В первую очередь это связано с тем, что исследователи подчеркивают проблему с доступом к информации, так как теоретически центральный банк определяет решения отзыва лицензии по причине сомнительных операций, основываясь на внутренней, закрытой, информации каждого отдельного банка.

Данный раздел будет построен следующим образом:

Рассмотрение моделей по предсказанию наступления дефолта кредитного учреждения.

Рассмотрение моделей определяющих вероятность отзыва лицензии по сомнительным операциям, построенных на общедоступных банковских показателей.

Необходимость рассмотрения первой группы литературы обусловлен отсутствием эмпирических моделей оценивающих вероятность дефолта банка по сомнительных операций. Именно с этой целью, будет проанализирован существующих подходов для оценке вероятности наступления события.

2.1) Модели по предсказанию наступления дефолта кредитного учреждения.

Одно из первых исследовательских работ, по формированию системы раннего предупреждения о возможном дефолте является работа Beaver, 1966. В своей новаторской работе Бивер (Beaver, 1966) использовал дискриминантный анализ с целью определить какие финансовые показатели позволять спрогнозировать и разделить компании на обанкротившиеся и до сих пор функционирующие. Автор использовал 30 финансовых показателей и 79 пар компаний, разделенных на обанкротившихся и нет. В ходе исследования, финансовым фактором, обладающим лучшей дискриминантной способностью, оказалось отношение собственного оборотного капитала компании к ее общему долгу, который предугадывал в 90% случаев банкротство компании за временной период 12 месяцев. Следующим финансовым показателем, обладающим наиболее высокой дискриминантной способностью, было отношение чистой прибыли к совокупным активам, который предугадывал с точностью в 88%. В своим исследование автор указал, что использование нескольких факторов одновременно может увеличить предсказательную силу модели, тем самым автор спровоцировал постепенный переход от однофакторных к многофакторным моделям прогнозирования банкротства. Конечно, после работы Beaver (1966), было разработано ряд улучшений однофакторных моделей такие как Chen&Shimerda 1981, однако их детальный разбор считаю нецелесообразным для данного исследования.

Следующим важным шагом в построение модели по предсказанию наступления дефолта является работа Altman, 1968, который первый использовал метод множественного дискриминантного анализа. В рамках данной работы, автор построил пятифакторную модель по выборке из 66 фирм в период с 1946-1965, с целью прогнозирования банкротства компании. На начальном этапе автор использовал более 20 финансовых показателей сгруппированных на 5 категории : ликвидность, доходность, кредитное плечо, платежеспособность и финансовая активность), но в итоге сузил его до 5 ключевых. В итоге получая следующую формулу:

Z-Score = ([Оборотный капитал / Общие активы] x 1.2) + ([Нераспределенная прибыль / Общие активы] x 1.4) + ([Операционная прибыль / Общие активы] x 3.3) + ([Рыночная капитализация / Обязательства] Ч 0.6 ) + ([Продажи / Активы] x 1.0)

В целом, чем ниже оценка, тем выше вероятность банкротства. Например, Z-Score выше 3.0 указывает на финансовую устойчивость; Ниже 1,8 предполагает высокую вероятность банкротства. Прогностическая способность модели к первоначальной выборке за один год до дефолта компании составило практически 95%. Однако, с увеличением временного промежутка до двух или трех лет прогностическая способность модели сильно отличалось в отрицательную сторону.

Все бы хорошо, но данный метод построения модели имеет свои фундаментальные недостатки. Согласно работе Пильник, Вотинов 2017 «Существенным недостатком дискриминантного анализа заключается в том факте, что он никак не оценивает вероятность дефолта. Полученные при анализе так называемые «Altman's z-score» могут принимать любые значения, которые позволяет классифицировать банки по принципу 0-1».Иными словами, для моделей Altmanбанки с отозванными лицензиями и до сих пор функционирующие должны быть линейно разделимы, а отношение рассматриваются как полностью независимые.

Что бы решить данную проблему, исследователи позже стали использовать модели бинарного выбора (probit, logit). Логит модель позволяет осуществить многомерный анализ, учитывая при этом все прогнозирующие факторы, существующие по проблеме. Модель не предполагает нормального распределения финансовых индикаторов, используемых при ее построении, а также оценить саму вероятность дефолта банка. В качестве результата нашего прогноза, мы получаем бинарный ответ: дефолт или нет. Также стоит сказать, что этот метод позволяет оценить значимость регрессоров включенных в модель путем проведения теста Вальда.

На сегодняшний день, логистическая регрессия одна из наиболее популярных моделей, использующая статистические методы с целью прогнозирования отзыва лицензии.

Первой работой, которая эмпирически протестировало эффективность использования модели бинарного выбора (логит) является работа Martin (1977).Автор изучил абсолютно все коммерческие банки, имевшие членства в Федеральной резервной системе, на временном отрезке 1974-1977. В выборку входили более 5500 функционирующих банков а также 23 банка с отозванной лицензией. В качестве объясняющих переменных был сформирован набор из 25 финансовых показателе, доступных из публичной финансовой отчётности. Которые также разделяются на четыре ключевые группы: качество активов, ликвидность, достаточность капитала и доходы. Последняя «очищенная» модель включала только четыре из прогнозируемых переменных, представляющих качество активов, достаточность капитала и доход. Данная модель также продемонстрировала высокую предсказательную силу.

Стоит отметить работу (Ohlson 1984), вместо 5-ти переменных используемых в моделях Altman, автор при использование логистического анализа создал «O-score», который состоит из 9 показателей, включающих как финансовые показатели так и дамми переменные, которые помогают повысить предсказательную силу модели. Переменные:1)размер банка (logобъем активов/внп) позволяющие оценивать модель в режиме реального времени, 2)доля обязательств,3)доля оборотного капитала,4)объем текущих активов, 5)чистые активы и тд. В детальном обзоре объясняющих переменных и само их влияние на вероятность отзыва лицензии не имеет смысла для нашего исследования. Однако, оно показывает эффективность построения логит модели в процессе предсказания наступления дефолта банка. В своем исследование автор тестирует три модели, предугадывающие отзыв лицензии за один, два, и в иных случаях если это не произошло за предыдущие два года. Выборка состояла из более чем 2000 компаний из которых в 105-ти произошёл дефолт.

Логическим шагом будет краткое описание современных работ использующих логит модели, для эффективной оценки вероятности отзыва лицензии банка.

В исследовательской работы А.М. Карминский, А.В. Костров, Т.Н. Мурзенков (2012), авторами были изучены особенности построения бинарной модели, при оценке вероятности дефолта российских банков. В работе были проанализирована банковская системы с 1998-2011г. Ключевой целью авторов, было построить эффективную логит модель, обладающей высокой предсказательной силой. Для этого авторы рассмотрели особенности российского банковского сектора, а также предложили интересные решения по проблеме агрегирования данных финансовой отчетности российских банков (проблема несбалансированной выборки в бинарных моделях), по определению спецификации модели, а также сравнение классической логит модели с логит моделью на основе панельных данных. Описание значимых факторов, а также их знака не принесет какого-либо положительного эффекта для нашего исследования, так как под термином «дефолт» авторы не включают понятие сомнительных операций, то есть формулировку отзыва по причине 115-фз. Однако, в работе хорошо описано необходимость использование лагов при построение моделей прогнозирующих дефолт банка, а также достигнут высокий уровень предсказательной силы модели (63% модель угадывала заранее дефолт банка). Еще одним важным аспектом, раскрытом в данной работе, является сравнение предсказательной силы логистической регрессии в сравнение с логит моделью построенной на основе панельных данных. После построения теста Хаусмана, который показал равную предсказательную силу, а также сохранения всех значимых переменных, авторы приходят к выводу, что ощутимой разницы между построением классической логит моделью и логит моделью с панельными данными практически нет.

Еще исследовательская работа, эффективность построения логистической регрессии является работа С. Дробышевский, А. Зубарев (2011). В работе авторы выявляют основные факторы при которых, у многих отечественных банках возникли финансовые сбои, в период кризисов 2008-2009 годов. Были построены ряд бинарных моделей, при использование регрессоров из общедоступной финансовой отчетности, также включили ряд макро переменных (контрольных).Основным результатом являться полученние предикторов банковского дефолта, а именно отношение резервов под возможные потери к кредитам небанковскому сектору» и «отношение рыночного долга к обязательствам банка», повышают вероятность дефолта банка.

Критика логистической регрессии и альтернативные логит модели:

В работе Пильник; Вотинов 2017, в разделе обзор литературы, авторы указали на ряд недостатков при использовании обычной логит модели, ссылая на различные источники (Louzada 2016 и тд), было выявлено два ключевых минуса модели:

1)Само понятие дефолта банка не линейна. То есть, финансовое состояние банка (дефолт или до сих пор функционирует) может нелинейно зависеть от его финансовых показателей. Данная проблема, спровоцировала ряд работ, использовавших вместо классической логит модели различные нелинейные методы такие как: байесовские сети, нейронные сети, метод векторов и тд.

2) Неэффективность оценке по причине того, что логит модель уже подразумевает наличие заранее созданного набора регрессоров. Проблема переопределённости и недоопределённости системы. Авторы решают данную проблему путем построения логистической модели с LASSO регуляризации. Данный прием позволил автором, из 600 возможных переменных относящихся к банковскому финансовому состоянию, а также общему состоянию рынка, выделить ряд наиболее значимых и увеличить предсказательную способность модели.

Рассмотрение моделей по предсказанию наступления дефолта п причине проведения сомнительных операций, построенных на общедоступных банковских показателях.

Анализ следующего кластера исследований позволит нам определить возможные значимые банковские показатели, при построении логит модели оценивающую вероятность отзыва лицензии банка по причине сомнительных операций.

Пожалуй, ключевой и чуть ли не единственной исследовательской работой, которое учитывает дефолт банка по причине отзыва лицензии из-за сомнительных банковских операций - является работа профессора факультета экономических наук А.Пересецкого (2013). В рамках работы, автор рассматривает причины отзыва лицензий российских банков на временном периоде с 2 квартала 2005 года по 4 квартал 2008 года. Данные временной период характеризуется резким скачком в количестве отозванных лицензий по причине проведения сомнительных операций в банке. Генеральная выборка состояла из почти 1200 банков, среди которых 124 с отозванной лицензией. Автор использовал временной лаг в 4 квартала позволяющий убрать возможную корреляцию между данными. После чего оценил логит модель для 4 переменных: default (лицензия отозвана), laundery (по причине отмывания денег), laudery 1(без экономических причин, только отмывание денег) и соответственно economic (экономическая причина отзыва). Важно отметить отчистку переменной laudery1, позволяющая более точно оценить значимые переменные связанные с отзывом лицензии по причине отмывания денег.

Автор получил следующие результаты:

Модель, которая оценивает вероятность отзыва лицензии по причине отмывания денег (laudery1, микро-экономические показатели оказались более значимы чем макро).

Автором были получены следующие значимые переменные:

Условие торговли

Уровень безработицы

Логарифм чистых активов

Негосударственные ценные бумаги/ Чистые активы

Ликвидны/ Чистые активы

Обороты по корреспондентскому счету/ Чистые активы

Депозиты физических лиц/ Чистые активы

Депозиты юридических лиц/ Чистые активы

Кредиты предприятием/ Чистые активы

Государственные ценные бумаги/ Чистые активы

Балансовая прибыль/ Чистые активы

Резервы под возможные потери по кредитам/ Кредиты предприятием

В рамках дальнейшего исследование стоит отметить, что автор при добавление макро-показателей терял значимость в нескольких микро-экономических переменных. Также автор строит логит модель с возможными неучтенными факторами, которая сильно увеличивает ее вероятность предсказать отзыв лицензии по причине отмывания денег.

В итоге автор строит также модель множественного выбора, для сравнения ее предсказательной силы с моделью бинарного выбора. Однако, вторая модель не повышает предсказательную силу и практически все объясняющие переменные сохранили свою значимость.

Основная проблема при построение модели, которая бы эффективно оценила вероятность отзыва лицензии банка по причине сомнительных операций, заключается в формировании правильных регрессоров. Решение данной проблемы возможно, отчасти, путем рассмотрения соответствующей литературе, а именно работ профессора В.Иванов.

В исследовательских работах процесс проведения сомнительных операций, рассмотрен как действие свойственное банку, следовательно, оно должно отражаться в их финансовой отчетности. Иными словами, любые экономически операции кредитного учреждения, должны отражаться в их финансовых отчетах.

Так например, в работе Пересецкий (2010), автор связывает низкий уровень депозитов физических и юридических лиц с тем, что рынок может чувствовать что данный банк учувствует в сомнительных операциях, значит, у кредитного учреждения повышена вероятность отзыва лицензии по причине сомнительных операций.

В. Иванов, использую возможность разделения банковских потоков платежей (рублевый/валютный, наличный/безналичный), а также разделение по видам счетов (счета в других банках, касса, корреспондентские счета), предлагает методику, которая бы позволила выявлять потенциальные банки, проводящие активные сомнительные операции.

В закрытом письме Руководителю Главной инспекции кредитных организаций ЦБ В. А. Сафронову, описана методика выявления сомнительных операций. Так, при расчете величины выданных наличных средств, а также подсчётом генерального коэффициента деловой активности, который рассчитывается как отношение суммы оборотов по кассе, НОСТРО и корсчетам в Банке России к суммарным активам банка, можно заблаговременно определять банк, в котором проводятся сомнительные операции. Иными словами данные показатели 101 и 102 финансовой отчетности можно использовать в качестве потенциально значимых объясняющих переменных.

В рамках данной методики были изучены все кредитные организации, зарегистрированные в России и функционирующие на апрель 2009 года. Используя вышеописанные показатели, были агрегированы данные по каждому банку в течение последних шести месяцев. На основе этих данных, были выявлены кредитные учреждения обладающими повышенным уровнем проводимых платежей, а также резким изменением в последние 6 месяцев отчетности.

Проведенный мониторинг сомнительных наличных операций подтвердил, что несмотря на выявленные нарушения в ходе проверок, кредитные организации продолжают систематично проводить незаконные транзакции.

Следующим логичным шагом, было детальное рассмотрения каждого предиктора: Анализ сомнительных безналичных расчетов (проверка интенсивности суммарных платежных операций); анализ сомнительных операций по выдачи наличных рублей; анализ сомнительных операций по выдачи иностранной валюты; анализ рисков потери по кассе.

В результате в итоговую выборку попали 18 кредитных организаций, большая часть из которых на данный момент (спустя 7 лет с момента написания аналитической записки) прекратила свою операционную деятельности по причине отзыва лицензии, в связи с проведением систематических сомнительных операций.

Полученный результат подтверждает рациональность использования оборотов по кассе, НОСТРО и корреспондентским счетам в качестве ключевых «сигналов» о возможном отзыве лицензии банка по причине проведением незаконных операций.

Глава 3

Гипотезы:

Ключевой целью исследования является выявление общедоступных показателей финансовой отчетности банка, которые бы могли выполнять роль предикторов при вычислении вероятности отзыва лицензии по причине проведением банком сомнительных операций.

Так, при детальном анализе правовой литературы, доступной на сайте ЦБ РФ и изучению исследовательских работ, по построению моделей рассчитывающих вероятности отзыва лицензии, возможно, построить следующие гипотезы:

Показатели финансовой отчетности, отображающие уровень взаимодействия с контрагентами, а именно объем привлеченных депозитов физических и юридических лиц, а также объемы привлеченных средств на межбанковском рынке кредитования будут негативно влиять на вероятность отзыва лицензии у банка, по причине проведением им сомнительных операций.

Коэффициент деловой активности, измеряющий обороты по кассе и корреспондентским счетам, будет положительно влиять на вероятность отзыва лицензии у банка по причине проведением им сомнительных операций.

Размер банка, будет уменьшать вероятность отзыва лицензии по причине проведения сомнительных операций. Большой объем ежедневных операций, сложнее выявить сомнительные.

Гипотеза №1 основывается на идее, что рынок чувствует подозрительные банки. Как было указано в работе Пересецкого (2013), автором было получена отрицательная корреляция между объемами депозитов физических и юридических лиц с вероятностью отзыва лицензии по причине сомнительных операций. Также в рамках этой гипотезе, учитывается возможность сложности получением кредитов, подозрительным банкам, на рынке межбанковского кредитования. Другие банки осознавая повышенный кредитный риск, отказывают сомнительным банкам в предоставление заемных средств. Следовательно, преобладание следующих статей баланса будет уменьшать вероятность отзыва лицензии по причине сомнительных операций:

Депозиты Юридических Лиц - отрицательно коррелируют с зависимой переменной.

Депозиты физических Лиц - отрицательно коррелируют с зависимой переменной.

Межбанковское кредитование - отрицательно коррелирует с зависимой переменной.

Гипотеза №2 подразумевает повышенный уровень оборотов по кассе, счетам НОСТРО и корреспондентским счетам в банке России, как возможных предикторов сомнительной деятельности банка. В работах Иаванова предполагается, что чем выше значение коэффициента генеральной активности, тем выше вероятность участия банка в сомнительных операциях. Следовательно, в процессе моделирования вероятности отзыва лицензии ожидается положительная корреляция с зависимой переменной.

Коэффициент генеральной активности - положительно коррелирует с зависимой переменной.

Гипотеза №3 напрямую связана с размером банка. В более крупно банке, согласно интервью данном главой Федеральной службы по финансовому мониторингу Павлом Ливандным, значительно больше количество ежедневных операций и общей клиентской базы, что осложняет процесс мониторинга, как со стороны банка, так и со стороны регулятора. Следовательно, регулятору становиться сложнее фиксировать факт проведения сомнительных операций в крупных банках. Не мало важным является тот факт, что мелкие банки чаще поглощены криминалом.

Логарифм от чистых активов - отрицательно коррелирует с зависимой переменной

Выбор временного периода:

В современных условиях одной из ключевой целью регулятора является обеспечение надежности и устойчивости банковской системы. Этот процесс напрямую взаимосвязан с достижением максимального уровня прозрачности и легализации теневого аспекта банковского сектора. В истории развития борьбы центрального банка с незаконным процессом отмывания денег можно выделить три ключевые волны:

Конец 90-х годов, массовая чистка карманных банков.

Период 2006-2007, массовый отзыв лицензии при новом руководители ЦБ Козлова А.А

2013-2015 очередная чистка банковского сектора, связанная с назначением Эльвиры Набиуллиной в качестве руководителя ЦБ.

Исследуемый нами временной период, полностью учитывает эффект последней волны. Данный период также включает важные законные преобразования по борьбе с сомнительными операциями.

Создание федерального закона под номерам № 134-ФЗ, который позволял кредитным учреждениям отказываться от условий заключенного договора либо прекращать обслуживание клиента в случае если есть подозрения, что деятельности клиента может быть связанна с процессом отмывания денежных средств. Иными словами, была сформирована новая модель управления рискам вовлечения кредитных организаций в проссец сомнительных операций.

Разработка новый системы выявления подозрительных операций и тесное взаимодействия Росфинмониторингом, позволило сформировать четкие критерия сомнительных операций, которые, в сочетание с поставленной целью главой ЦБ (очистка банков занимающихся сомнительными операциями), привели к новый волне отзывов.

Именно 3-я волна отзывов, стала ключевой причиной формирования выборки на данном временном промежутке. Это позволит эффективнее оценить возможные предикторы сомнительных операций. Ограничение выборки до 3-х лет связано с возможной разнородностью полученных результатов, так как, требования и задачи регулятора изменялись в течение все временного отрезка. Факт низкого количества отзывов по сомнительным операциям в период с 2008-2010 нельзя интерпретировать как отсутствие подозрительных банков. Это скорее связано с отсутствие желания бывших руководителей ЦБ контролировать сомнительные операции.

Данные

Одна из ключевых проблем, при моделировании вероятности отзыва лицензии банков, активно занимающиеся сомнительными операциями, является ограниченность данных. Важно понимать, что процесс отзыва лицензии формируется при использование внутренней банковской информации, не доступной другим участникам рынка.

В нашем распряжённые находиться общедоступная банковская отчетность, публикуемая на сайте ЦБ РФ. Данное исследование будет построено на использование №101 формы отчетности, которая включает в себя более 210 показателей, описывающих финансовую деятельность банка.

Во многих зарубежных исследованиях, анализирующих российскую банковскую систему, описана проблематика поиска данных. Как мы знаем, в публикуемой №101 отчетности отсутствует наименование статей баланса, а также отсутствует возможность использовать их в удобном формате. Наиболее популярной альтернативой является информационная платформа Мобиле. При этом огромное количество данных отсутствует, а также они агрегированы по методике информационной платформы. В данной платформе предоставлены более 160 показателей кредитных организаций, давших свое согласие на публикацию данных.

В рамках данного исследование не целесообразно будет ограничиваться использованием лишь базой данной предоставленной агентством Мобиле. Ключевой причиной является - пробелы информации по банка с отозванными лицензиями, следовательно будет построена нерепрезентативная выборка, которая отразиться на результатах исследования. Единственным выходом является сочетание базы данных Мобиле и ЦБ. То есть, дополнение пропусков при выгрузке данных с платформы Мобиле.

Выбор объясняющих переменных:

Для построения модели, использовались наиболее значимые финансовые показатели доступные из обязательной банковской отчётности формы №101, также были проведены необходимые агрегирования, которые бы позволили наиболее эффективно оценить вероятность отзыва лицензии по причине провидением банка сомнительных операций.

При моделировании вероятности наступления дефолта кредитной организации, более эффективно использовать относительные переменные, а также включать в модель логарифм чистых активов банка (Карминский 2005). В рамках предварительного анализа, будут включены контрольные переменные, не описанные в гипотезах. Вообщем, будут использованы 11 факторов, которые должны верно описать вероятность отзыва по сомнительным операциям.

В таблице перечислен весь список переменных,используемых при моделирование. Как было сказано выше, данные были агрегированы из информационной платформы Мобиле.

Обозначение в STATA	Расшифровка финансового показателя
Ln_As	Логарифм чистых активо
SEC_PUB	Не гос. Ценные бумаги/Чистые активы
MBK	Кредиты получ. На межбанковском рынке кредитования/ЧА
DEP_FIZ	Депозиты физических лиц/Чистые пассивы
DEP_UR	Депозиты юредических лиц/Чистые пассивы
COEF_AC	Кредитовые обороты по кассе,счетам НОСТРО,кор.счету ЦБ/Активы
REZERV	Резервы на возможные потери по ссудам/Чистые пассивы
CORR_OBOR	Корреспондентские счета в банках-нерезидентах/Чистые пассивы
CRED_FIZ	Кредиты предоставленные физ.лицам/ Чистые активы
SEC_GOV	Государственные ценные бумаги/Чистые Активы
SOB_SRED	Собственные средства/Чистые активы



Логическим шагом будет описать ожидаемое влияние перечисленных финансовых показателей на нашу вероятность отзыва лицензии, а также подробно описать их корреляцию.

К первой группе данных относиться:

Переменная MBK показывает нам активности банка на межбанковском рынке кредитования. Исходя из полученных результатов в работе Пересецкий (2013), чем выше вовлеченность банка в МБК, тем выше уровень доверия других кредитных учреждений к данному банку. Следовательно, отношение кредитов, полученных на межбанковском рынке кредитования, должно негативно коррелировать с вероятностью отзыва лицензии по причине проведения сомнительных операций.

Переменные DEP_FIZ и DEP_UR показывают нам степень доверия физических лиц и коммерческих организаций, в планирование вложения своих свободных средств на банковские депозиты. Согласно выводом работе Пересецкий (2013), при моделировании вероятности отзыва лицензии, автор предположил, что участники рынка могут чувствовать подозрительные банки. Следовательно, относительный вес депозитов физических и юридических лиц, должен отрицательно коррелировать с вероятностью отзыва лицензии по причине проведения банка сомнительных операций.

Коэффициент деловой активности, ожидается, будет положительно коррелировать с вероятностью отзыва лицензии. Описанная нами работа Иванова, указанная в анализе литературы, рассматривает обороты по счетам НОСТРО, кассе и корреспондентским счетам в ЦБ, как ключевого сигнала по выявлению банка, занимающегося сомнительными операциями.

Корреспондентские счета в банках не резидентов, данная переменная должна оценивать эффект транзитных операций. Как нам известно, данный тип счета подразумевать использование иностранной валюты и открывается в банках не находящихся на территории Российской Федерации. Ожидаемый результат - чем выше доля корреспондентских счетов в банках-нерезидентах, тем выше вероятность отзыва по причине сомнительных операций.

Включение переменных показывающих объем негосударственных и государственных ценных бумаг учитывает операции по отмыванию денежных средств, через ценные бумаги банка. Ожидается положительная корреляцию между негосударственными ценными бумагами и отзывом лицензии по сомнительным операциям.

Логарифм чистых активов будет негативно коррелировать с вероятности отзыва, так как регулятору сложнее выявить сомнительную операцию в более крупном банке.

Отзыв лицензии по причине проведения сомнительных операций:

Довольно сложно выяснить, вовлечена ли кредитная организация в использование сомнительных операций. Единственным, возможно, вариантом, который бы позволил точно определить участие в них, является анализ действий Центрального Банка. Одной из его ключевых целью которого является выявление подозрительных банков.

Для того что бы точно включить в выборку банки с отозванными лицензиями, по причине проведения сомнительных операций, были изучены всевозможные причины отзывов лицензии. Центральный банк, при отзыве лицензии публикует письмо, в котором описаны ключевые причины, повлекшие отзыв лицензии кредитной организации. В рамках данного исследование, необходимо сформировать выборку включающие себя исключительно отзывы лицензии по причине проведения сомнительных операций. Для этого будут использованы следующая формулировка отзыва лицензии:

Неоднократное нарушение федерального закона 115-фз «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма". Которое также включает в себя несколько причин:1) Несоблюдения требований в сфере ПОД/ФТ, 2) Участие в сомнительных операциях с безналичными и наличными средствами, 3) Вывод активов за рубеж и тд

Таким образом, были выбраны кредитные организации, с отозванными лицензиями по причине проведения сомнительных операций. В случае наличие данной формулировку банку в качестве объясняющей переменной проставлялась 1 в момент отзыва лицензии, если формулировка при отзыве отсутствовала или банк до сих функционировал проставлялся 0.

Описания модели бинарного выбора логит:

В разделе анализ литературы, было показано, что бинарная модель (логистическая регрессия) эффективно оценивает вероятность наступления события, а именно дефолт кредитной организации. По этой причине, в основе данной работы будет использоваться построение бинарной модели на основе логистического распределения.

Классическая модель бинарного выбора детально описана в работах Карминский (2013), а также Вотинов,Пильник(2017). Модель имеет следующий вид:

При этом,

Где suspicious - бинарная переменная, характеризующая отзыв лицензии по причине сомнительных операций, а функция (.) является функцией логистического распределения. Вероятность отзыва лицензии по причине сомнительных операций (suspicious) не может выходить за рамки [0;1].

Оценка вектора коэффициентов осуществляетсячерез метод максимального правдоподобия, где функция правдоподобия имеет вид:L(y)=.

Используется переменная suspicious*, для определения банка к конкретной бинарной переменной (1-отозвана лицензия по причине проведения банком сомнительных операций, 0 - остальное). Suspicious*=

Балансировка данных:

В исследовательской работе, моделирование построено на логистической регрессии при использование панельных данных. Панельные данные состоят из набора повторных наблюдений периода времени 2013-2015. Что позволяет (сравнивая с непанельными данными): учитывать в модели индивидуальную неоднородность, повышенная эффективность оценки, меньшая возможная коллинеарность регрессоров, позволяет оценивать динамику изменений банковских показателей во времени, избавляют от проблемы смещения данных при их агрегировании.

При использование панельных данных существует проблема несбалансированности наблюдений. В свою очередь, логит модель подразумевать, для адекватной оценке, наличие определенной балансировки. Согласно работе Карминский (2013), верно будет сохранять 10% уровень банков с отозванными лицензиями, относительной генеральной выборке.

Сформированная выборка, согласуется с эти условием. Она состоит из более чем 1000 банков, с 82 отозванными лицензиями на причине проведения сомнительных операций.

Выбор величины лага

Одна из целей работы - оценить вероятность наступления события (отзыв лицензии по причине сомнительных операций). Целесообразно будет использовать модель с временными лагами, так как мы исходим из идеи, что сомнительные операции должны отражаться в финансовой отчетности кредитной организации до момента отзыва лицензии.

Оптимальный выбор лага довольно сложная задача. Как было показано в работе Кармински (2013), при использование более длительного лага влиять на качество полученных результатов, следовательно, оптимально использовать лаг в 2 с момента отзыва лицензии банка.

Однако, для нашей модели будет допустима использование лага в один месяц. Так как модель, построенная на более коротком лаге, сможет лучше оценить финансовые показатели, выполняющих роль предикторов при оценке вероятности отзыва банковской лицензии. Также, можно исходит из идеи, что потенциальному инвестору будет достаточно 30 дней для вывода средств из кредитной организации.

Моделирование вероятности отзыва лицензии по причине сомнительных операций.

В данном разделе будут построены четыре модели логистической регрессии на основе панельных данных, описанных в предыдущем разделе. В качестве бинарной переменной выступает факт отзыва лицензии по причине проведения банком сомнительных операций (1- отзыв лицензии с формулировку 115-ФЗ, 0- остальное). Выборка состоит из всех банков, зарегистрированных в ЦБ на период с 2013-2016 первые четыре месяца включительно. Из зарегистрированных банков, с 78 отозванными лицензиями исключительно по причине проведения сомнительных операций (сохранение 5% уровня наблюдений).