Влияние значений показателей финансовой отчетности на отзыв лицензии кредитного учреждения

Построение логит модели (факт отзыва лицензии за 6 месяцев)

Для построение первой модели необходимо выбрать, с кого именно момента банк будет считаться сомнительным. В данной спецификации модели, проставление объясняемой переменной, а именно фиксирования 1 - в случае отзыва лицензии по сомнительным операция происходит за пол года до самого факта отзыва. То есть, фиксирование Единцы в течение 6 месяцев до момента наступления события. С точки зрения экономического смысла данное допущение возможно, так как, отзыв происходит из-за систематического осуществления сомнительных операций, которые зачастую имеют длительный характер. Также, ЦБ неоднократно направляет предупредительные письма управлению банка, об необходимости контролирования сомнительных операций.

В таблице №1 приведены коэффициенты значимости, при условии фиксирования зависимой переменной за пол года до наступления отзыва.

Данная модель является статистическо значимой, поскольку Prob > chi2 = 0.0000. Грубо говоря, Prob > chi2 это вероятность того, что статистика тестов LR примет столь экстремальное значение, как и в случае нулевой гипотезы. Показатель используется для оценки качества модели, вместо классическо R2, в случае OLS оценки. Приемлемым значением является 0.05.

Многие построенные логистические модели, страдают от мультиколлинеарность. То есть, наличием линейной зависимости между объясняющими переменными. Наиболее популярным способ борьбы с мультиколлинеарности. являться построение корреляционной матрицы, и удалением переменных чей показатель будет превышать 0.5. В таблице №2 показана корреляционная матрица первой модели, где не одна из переменных не превышает значение 0.46.

Рисунок № 2. ROC кривая для первой модели

Далее производилась оценка модели при использовании ROCкривой. Данный график позволяет оценить качество прогнозируемой силы модели, демонстрирует нам зависимость долей верных + классификаций от доли неверных + классификаций. STAT Aавтоматически рассчитывает площадь AUC (areaundercurve), показатель демонстрирует, в некоторых случаях, прогностическую силу модели. Наша ROC кривая имеет явный изогнутый вид, площадь AUC составляет 0.8672, что говорит нам о хорошем качестве построенной модели.

Часто используется, при анализе качества построения модели, показатель GINI. В нашем случае данным показатель равен 0.7344, который также может подтверждать качество построенной модели. (GINI=2*AUC-1)

Интерпретация полученных результатов:

Стоит отметить, что большинство выбранных объясняющих переменных оказались значимыми на 0.01 уровне значимости (коэффициент деловой активности, логарифм активов, депозиты юридических и физических лиц, обороты по корреспондентским счетам, негосударственные ценные бумаги, кредиты выданные физлицам, резервы на возможные потери) , при этом лишь константа значима на 10% уровне.

В первую очередь стоит отметить, низкое отрицательное влияние логарифма чистых активов банка на зависимую переменную. Как описывалось в гипотезе №3, размер банка оказывает негативное влияние на вероятность отзыва лицензии по причине сомнительных операций. Однако, полученный результат крайне мал, и стремиться к нулевому значению. Можно точно утверждать, что гипотеза подтвердилась, но эффект довольно слабый и требует более детального рассмотрения при построении модели рассчитывающей предельный эффект.

Также, на вероятность отзыва лицензии высокое отрицательное влияние оказывает переменны отвечающие гипотезы №2, а именно доля депозитов юридических и физических лиц, и объемы межбанковского кредитования. Полученные результаты можно интерпретировать следующим образом: чем выше степень доверия к банку, со стороны его контрагентов тем меньше вероятность отзыва лицензии по причине проведением банка сомнительных операций. Данные статьи баланса, доступные любому участнику рынка, являются эффективным предиктором возможного отзыва лицензии у сомнительных банков. Гипотеза №2 подтвердилась, и соответствует результатам, полученным в работе Пересецкий 2013, где автор также получил негативную корреляцию между депозиты физических и юридических лиц с зависимой переменной.

Что касается коэффициента деловой активности, то и в его случае наша гипотеза №1 подтвердилась с результатами полученной при построении логит модели. Мы можем отметить высокое значение коэффициента деловой активности, который использует обороты по счетам НОСТРО, корреспондентскими счетам в ЦБ и кассе, в качестве общедоступных факторов позволяющих выявить банки, занимающиеся сомнительными операциями. Чем выше обороты по данным статьям баланса, тем выше вероятность отзыва лицензии у кредитной организации. Полученный результат соответствует закрытому письму главе инспекций кредитных организаций ЦБ.

Ценные бумаги в балансе кредитного учреждения, как в случае государственных и негосударственных, имеют положительный коэффициент. Однако значение коэффициента государственных ценных бумаг значительно ниже и чем в случае не государственных. Следовательно, чем выше доля негосударственных ценных бумаг к общей доли активов, тем выше вероятность отзыва лицензии по причине сомнительных операций. Полученный результат может связан с тем, что ряд транзакций по отмыванию денег использует в качестве своего инструмента ценные бумаги негосударственных компаний. Банки с повешенном объемом негосударственных ценных бумаг попадают в группу с повышенной вероятностью отзыва лицензии по причине проведения сомнительных операций.

Что касается контрольных переменных, то мы получили положительную корреляцию между фактом отзывом лицензии и переменными отвечающие за размер резервов в центральном банке и размером собственных средств кредитной организации. Чем выше объем резервов и собственных средств, тем больше вероятность отзыва лицензии причине проведения сомнительных операций. Данные результаты совпадают с значениями, полученными при построении модели множественного выбора в работе Пересецкий 2013.

Показатель корреспондентские счетов в банках-нерезидента оказался, согласно ожидаемых результатов, положительно взаимосвязан с вероятностью отзыва лицензии. Чем выше доля корреспондентских счетов в банках не резидентов, тем выше вероятность отзыва лицензии по причине проведения банка сомнительных операций.

Таким образом, были получены результаты, подтверждающие построенные гипотез в начале исследования. Рынок чувствует подозрительные банки и старается реже вкладывать в него деньги (Депозиты физический и юридических лиц отрицательно коррелируют с вероятностью отзыва). А обороты по основным счетам кредитного учреждения (Коэффициент деловой активности) являются эффективным сигналом для выявления потенциальных банков занимающимися сомнительными операциями.

Следующим логическим шагом будет оценка предельных эффектов, выбранных нами переменных при построение логистической регрессии. Предельные эффекты показывают изменение вероятности зависимой переменной (в нашем случае y-отзыв лицензии по причине проведения сомнительных операций), при изменение объясняющих переменных на один процент.

В таблице №2 показана оценка предельных эффектов модели:

Используя значения dy/dx мы можем рассчитать изменение вероятности отзыва лицензии в случае изменения размера самой переменной.

Среди всех переменных наиболее значимым оказался коэффициент деловой активности. Так, в случае его изменения на 1%, вероятность отзыва увеличивается почти на 0.37%. Также среди наиболее значимых можно выделить депозиты юридических и физических лиц, при изменении их доли на 1% в структуре пассивов банка вероятность отзыва лицензии по причине проведения банком сомнительных операций, уменьшиться на почти 0.6%.

Альтернативное построение модели (исключение первых 15% банков по размерам активов)

Для того что бы убедиться в устойчивости полученных результатов, и определить влияния размера банка на наши объясняющие переменные, будет построена новая модель с ограничение выборки по размеру активов банка. Временной период, переменные, тип модель остаются, как и в первом случае, лишь происходит ограничение выборки, путем удаления наиболее крупных банков.

В таблице №3 приведены коэффициенты значимости, при условии ограничения выборки:

Данная модель является статистическо значимой, поскольку Prob > chi2 = 0.0000. Как и в случае с первой моделью.

Рисунок № 2. ROC кривая для второй модели с ограничением выборки.

Далее необходимо сравнить оценку модели при использовании ROCкривой. Данный график позволяет оценить качество прогнозируемой силы модели. Можем заметить что AUC (areaundercurve) в случае второй модели практически равен первой, значение даже выше и составляет 0.8831. Коэффициент GINIво второй модели составляет 0.7662, данное значение также не отличается от значения, полученного в первой модели.

С точки зрения качества построения модели, отсутствуют значимые изменения.

В таблице №4 Предельные эффекты модели с ограничением выборки

Проанализируем полученные результаты при ограничении выборки на 12%. В первую очередь, стоит отметить изменения значимости двух зависимых переменных. Так, переменная, отвечающая за относительный вес государственных ценных бумаг в структуре активов и резервом на возможные потери в структуре пассивов стали не значимыми. Следовательно, данные банковские показатели зависят от размера банка и оказывает меньшее влияние для банков с меньшим объёмом активов, при оценке вероятности отзыва лицензии по причине сомнительных операций.

Довольно интересным фактом является увеличение предельного эффекта коэффициента деловой активности, практически в 2 раза. При изменении коэффициента деловой активности на 1%, вероятность отзыва лицензии у банка увеличивается, почти на 0.60%. Полученный результат демонстрирует нам, что разработанная нами модель более эффективно работает с мелкими банками. Однако нужно учитывать, что при удаление наиболее крупных банков, кол-во удаленных банков с отозванными лицензиями пропорционально не соответствует ограничению выборки, то есть доля банков с отозванными лицензиями увеличилась, что позволило модели эффективнее оценить выбранные нами предикторы.

Схожая тенденция прослеживается при рассмотрении объемов выданных кредитов физическим лицам. Предельный эффект данного коэффициента увеличиваться в два раза. Следовательно, объем выданных кредитов физических лиц, сильнее влияет на вероятность отзыва лицензии в менее крупных банках.

Значимость и предельный эффект остальных показателей практически не изменился, что говорит нам об устойчивости полученных результатов.

Модель с лагом в 9 месяцев:

Довольно популярным инструментом при построении модели по вероятности наступления события является использования временного лага. Так, согласно работе Пересецкий (2013), можно построить модель, с проставлением 1, только в месяц отзыва лицензии у банка. И сравнить с финансовой отчётностью, допустим опубликованной 6 месяцев назад. Тем самым, оценить, как твоя модель будет предугадывать события за 6 месяцев до наступления дефолта.

В этом разделе будет построена модель, а также произведенная оценка предсказательной силы модели, путем оценки ошибок первого и второго рода.

Все включенные в модель переменные сохранили свою значимость. Коэффициент Prob > chi2 = 0.0000, что говорят о состоятельности полученных результатов.

В таблице №5 приведены коэффициенты значимости

Следующим шагом будет произведена оценка модели при помощи ошибок первого и второго рода.

Исходя из полученных результатов, мы можем заметить, что ошибки первого рода, когда сомнительные банки были оценены как честные составляют 28%. А ошибки второго рода, когда честные организации были оценены как плохие всего лишь 2%. Получившиеся значения можно очень как высокие. Следовательно, наша модель построенная с учетом лага, обладает высокой предсказательной силой.

Построение двунаправленной логит модели (при учете времени).

В данном разделе будет построена логистическая регрессия двунаправленного характера. при использование панельных данных. Которая, помимо индивидуальных эффектов будет включать временной эффект. В первую очередь необходимо выбрать спецификацию модели. Как нам известно, при анализе панельных данные рассматривается два вида логит моделей: 1) Fixedmodel эффектами, где для каждой единицы совокупности есть свои индивидуальные характеристики, которые являются постоянными во времени для каждого объекта. 2) Randomeffectmodel в которой предполагается отсутствие корреляции между регрессорами и индивидуальными эффектами. Единицы совокупности в данной спецификации имеют случайный характер.

Для выбора вида модели используется тест Хаусмана, который тестирует нулевую гипотезу об отсутствие корреляции между регрессорами и индивидуальными эффектами.

При проведение теста Хаусмана был получен следующий результат: Prob>chi2 = 0.7752, следовательно использование логит модели с фиксированными эффектами в нашим случае являться не возможным. Значит, для нашей модели, а именно для наших регрессоров правильнее будет использовать логит модель с фиксированными эффектами.

Цель построения двунаправленной логит модели является определения факторов влияющих на вероятность отзыва лицензии при учете временного эффекта. Следующим логическим шагом будет оценка качества построенной модели.

В первую очередь стоит отметить, что все включенные переменные сохранили свой знак в коэффициентах. Ключевые факторы, увеличивающие вероятность отзыва лицензии согласуются с нашими гипотезами, а именно коэффициент деловой активности и корреспондентским счета в банках нерезидентов.

Отрицательное влияние на вероятность отзыва лицензии, оказывают депозиты е физическим и юридическим лицам, а также выданные кредиты физическим лицам, что в очередной раз подтверждает гипотезу о том, что рынок чувствует банки, занимающиеся сомнительными операциями.

Однако, в модели построенной с учетом временного фактора появились незначимые контрольные переменные, а именно негосударственные ценные бумаги и резервы на возможные потери. Это связано с тем, что для выявления сомнительного банка данные переменные значимы, а для того, чтобы точно определить момент отзыва данные переменные не значимы.

В таблице №6 приведены коэффициенты значимости

Заключение

В ходе работы был проведен детальный анализ термина сомнительных операций, рассмотрены ключевые составляющие процесса отмывания денежных средств, и роль банка в их осуществлении. Далее в рамках первой главы были изучены ключевые нормативные акты Центрального банка, регулирующие правовой аспект сомнительных операций, что позволило определить ключевые «следы» сомнительных операций, в общедоступной банковской отчетности.

В рамках второй главы, были изучены два кластера работ, необходимые для моделирования вероятности отзыва лицензии по причине проведения сомнительных операций. Первый кластер работ состоял из исследований, целью которых является построение моделей по предсказанию наступления дефолта с высоким уровнем прогностической силы. Так, был получен вывод, что для поставленных целей наиболее рациональным будет использование бинарной модели с логистическим распределением.

Второй кластер работ включил в себя исследования, учитывающие вероятность отзыва лицензии по причине проведения сомнительных операций. Где ключевой работой была статья Пересецкого, позволившая сформировать окончательный список гипотез. Также были проанализированы закрытые письма к руководителю кредитной инспекции ЦБ, где в качестве главного предиктора использовался коэффициент генеральной совокупности, отвечающий за обороты по кассе, счетам НОСТРО и корреспондентским счетам в Центральном банке.

В рамках третье главы был осуществлён процесс моделирования с целью выявления ключевых предикторов, влияющих на вероятность отзыва лицензии по причине проведением банком сомнительных операций. Были построены четыре модели логистической регрессии на основе панельных данных. Результатом каждой из них стал высокий уровень значимости, а также соответствующий знак коэффициентов ожидаемых переменных. Стоит отметить, что все выдвинутые гипотезы подтвердились в ходе построения моделей. В этой же главе была произведена эконометрическая оценка полученных результатов, которая подтвердила состоятельность построенной модели.

Ключевым результатом стала возможность оценки вероятности отзыва лицензии по сомнительным операциям, при использовании следующих ключевых регрессоров:

Коэффициент деловой активности.

Депозиты юридических и физических лиц.

Размер банка.

МБК.

Негосударственные ценные бумаги.

Обнаруженные взаимосвязи не противоречат результатам, полученным в исследованиях А.А. Пересецкого. Данный факт также подтверждает состоятельность полученных результатов.

Таким образом, в данной работе были выявлены ключевые показатели финансовой отчётности, которые могут выполнять роль предикторов при отзыве лицензии у банка по причине проведения сомнительных операций. Также был достигнут устойчивый показать прогностической силы модели, что позволяет говорить о достижении поставленных целей.

Полученные результаты, должны быть полезны как регулятору, так и рядовому инвестору. При использовании 5 ключевых показателей финансовой отчетности, контрагенты могут оценить вероятность отзыва лицензии у кредитного учреждения по причине сомнительных операций. Построенная модель позволяет заблаговременно оценить вероятность отзыва, что является ключевым фактором для любого контрагента.

Список литературы

Пересецкий А.А. «Модели причин отзыва лицензий российских банков» 2010 г.

Пересецкий А.А. «Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов» ( 2013)

Altman Edward I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. (1968)

Beaver William H. Financial ratios as predictors of failure (1966)

Kolari James, Glennon Dennis, Shin Hwan, Caputo Michele. Predicting large US commercial bank failures (2002)

Ohlson James A. Financial ratios and the probabilistic prediction of bankruptcy (1980)

Карминский Александр Маркович, Костров Александр Владимирович. Моделирование вероятности дефолта российских банков: расширенные возможности (2013)

Н.П. Пильник А.И. Вотинов Оценка вероятности отзыва лицензии банка с использованием методов регуляризации. (2017)

Федеральный закон от №115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма. (07.08.2001)

Письмо Банка России №161-Т. «Об усилении работы по предотвращению сомнительных операций кредитных организаций». (26.12.2005)

Peresetsky A. A., Karminsky A.M., Golovan S.V. Probability of Default Models of Russian Banks (2011)

PWC - «Anti-money laundering destroys value» (17.01.2017.)

Daniel Martin Early warning of bank failure: A logit regression approach1977

Peresetsky A.A., Karminsky A.M., Golovan S.V. Probability of default models of Russian bank. (2011)

П. В. Ревенков А. Н. Воронин. Отмывание незаконных доходов: анализ проблемы и некоторые рекомендации. (2011)

Письмо ЦБ №92-Т. «О критериях признаков высокой вовлеченности кредитной организации в проведение сомнительных безналичных и наличных операций». (2014 )

Приложение

№2

№3

№4

№5

№6

№7

Размещено на Allbest.ru