Автореферат (Методы оценки кредитных рисков инвестиционных проектов), страница 2

«Банки и иные кредитные организации» пункта 10.12.«Совершенствование системы управления рисками российских банков».4. Развитие методов калибровки моделей оценки вероятности дефолта поинвестиционнымпрогнозныхпроектамспособностей)(разработказасчеталгоритмаучетаповышениямакроэкономическихпоказателей, характеризующих экономический цикл, выраженных черезсводный макроэкономический индикатор, что соответствует паспортунаучной специальности 08.00.10 – Финансы, денежное обращение икредит в части раздела 10.

«Банки и иные кредитные организации»пункта10.12.«Совершенствованиесистемыуправлениярискамироссийских банков».Теоретическаязначимостьисследованиязаключаетсявсистематизации существующих подходов к оценке компонент кредитного7рискапоинвестиционнымпроектамиформированиисобственнойклассификации методов построения моделей оценки вероятности дефолта(компонента PD) инвестиционных проектов с использованием портфельных ииндивидуальныхподходов,атакжевформированиисобственнойклассификации методов оценки и прогнозирования компонент кредитногориска LGD и EAD.

Теоретическая основа исследования включает в себя работыкак российских, так и зарубежных авторов, посвященные структурированиюрисков проектного финансирования, разработке, калибровке и валидациимоделей оценки вероятности дефолта. Обоснованность научных положений ирекомендацийдиссертационногоисследованияподтверждаетсяихсоответствием основным положениям микроэкономики и макроэкономики,теории финансов и кредита, финансового риск-менеджмента и вероятностногомоделирования.Практическая значимость исследования заключается в том, чтоосновные положения и подходы, изложенные в диссертации, использовалисьпри разработке рейтинговой модели по корпоративным клиентам в ОАО«Белгазпромбанк» (Республика Беларусь) и при разработке скоринговоймодели по потребительскому кредитованию в «Кредит Урал Банке» АО(Россия, г.

Магнитогорск), что подтверждено соответствующими справками овнедрении.Материалыдиссертационногоисследованиятакжеиспользовалисьавтором при проведении практических занятий (компьютерных классов) подисциплине «Управление рисками в финансовых учреждениях» в 2015/2016учебном году при подготовке магистров второго курса в рамках магистерскойпрограммы «Финансовые институты и финансовые рынки» по направлению080300.68«Финансыэкономическихнаукикредит»департаментаНациональногофинансовисследовательскогофакультетауниверситета«Высшая школа экономики» и в рамках дисциплины «Моделированиекредитного риска» (на английском языке) в 2014/2015 учебном году при8подготовке магистров по направлению «Управление рисками» в СанктПетербургскойшколеэкономикиименеджментаНациональногоисследовательского университета «Высшая школа экономики» в СанктПетербурге, что подтверждается справками о внедрении.Апробациярезультатовисследования.Основныеположениядиссертации были презентованы автором на российских и зарубежных научноисследовательскихмероприятиях:ВторомРоссийскомэкономическомконгрессе (г.

Суздаль, 18-22 февраля 2013), III Конгрессе по контроллингу (г.Санкт-Петербург, 17-18 мая 2013), на научно-исследовательском семинаре«Эмпирические исследования банковской деятельности» (НИУ ВШЭ, 21 мая2014 и 18 февраля 2015), на XVI Апрельской международной научнойконференции «Модернизация экономики и общества» (НИУ ВШЭ, 7-10 апреля2015) и на международной конференции International Scientific Symposium«Economics, Business&Finance» (г. Юрмала, 7-11 июля 2015).Публикации. По результатам исследования автором опубликовано 8научных работ общим объемом 5,6 п.л. Личный вклад автора составил 3,4 п.л.,из них 5 статей с общим вкладом автора 2,3 п.л.

опубликованы в журналах,рекомендованных ВАК Министерства образования и науки РоссийскойФедерации.Структурадиссертационнойработы.Диссертационнаяработаизложена на 182 страницах печатного текста, включает 56 таблиц, 36 рисунков.Библиографический список включает 120 наименований источников. Работасостоит из введения, трех глав, заключения и 5 приложений.II.Основное содержание работыПервая группа проблем диссертационного исследования связана ссистематизацией и развитием подходов и методов моделирования вероятностидефолта (PD), доли потерь при дефолте (LGD) и остатка задолженности намомент наступления дефолта (EAD).9В качестве события дефолта (компонента PD) по инвестиционномупроекту понималось наступление хотя бы одного из следующих событий:1.

Дефолтхотябыоднойизпроектныхкомпаний(заемщиков),осуществляющих проект, то есть наличие хотя бы у одной участвующей впроекте компании одного из следующих признаков: проектная компания признана несостоятельной (банкротом); проектная компания является устойчиво неплатежеспособной, то есть невыполняет свои обязательства перед кредиторами в течение более 90календарных дней.2. Факт одновременной реализации двух следующих событий: снижение коэффициента обслуживания долга (DSCR) ниже 1; снижение коэффициента покрытия обязательств по погашению иобслуживанию основного долга (LLCR) ниже 1.Данное определение учитывает рекомендации Банка России и значениякоэффициентов «Обслуживания долга» (DSCR) и «Покрытия обязательств попогашению и обслуживанию основного долга» (LLCR), характеризующихвозможностьгенерацииинвестиционнымпроектомденежныхпотоков,необходимых для погашения задолженности перед кредитными организациями.Основные подходы, используемые при разработке моделей оценкивероятности дефолта, – методы бинарного и множественного выбора.

Данныеподходыявляютсяпортфельнымииразрабатываютсянаоднородныхпортфелях инвестиционных проектов. Среди прочих портфельных подходоввыделяются:методлинейнойрегрессии(используетсяприналичииэмпирических годовых частот дефолта экспертных рейтингов, посчитанных наосновании дефолтной статистики, и заключается в выявлении наиболее точныхлинейных зависимостей между частотами дефолта и риск-факторами; вчастности,методприменяетсяприналичиирейтинговзарубежныхрейтинговых агентств Moody’s, S&P, Fitch для большей части заемщиковсоответствующегооднородногокредитного10портфеля),атакжепропорциональных интенсивностей Кокса (для получения оценок вероятностейдефолта в течение заданного периода времени с целью оценки вероятностипоступления денежных потоков).

Метод линейной регрессии не применим коценке вероятности дефолта инвестиционных проектов, так как рейтингизарубежныхиинвестиционныхотечественныхпроектоврейтинговыхотсутствуют.агентствМоделиуроссийскихпропорциональныхинтенсивностей Кокса также на текущий момент не применимы в отношенииинвестиционных проектов из-за малого объема имеющейся дефолтнойстатистики.

Среди индивидуальных методов оценки вероятности дефолта поотдельным инвестиционным проектам выделяются симуляционные модели,разрабатываемые с использованием имитационного моделирования (методМонте-Карло). В данной работе детализация симуляционных моделей непроводилась в связи с отсутствием достоверной информации по будущимденежным потокам инвестиционных проектов.Классические методы оценки доли потерь при дефолте (LGD) истоимости активов на момент наступления дефолта (EAD) основываются наопределенииожидаемыхсреднестатистическихзначенийоценокLGDиEAD(определяетсяLGDснаоснованиииспользованиемисторической статистики по дисконтированным погашениям после моментанаступления дефолта) и EAD (определяется на основании историческойстатистики по погашениям и использованиям остатков кредитных линий сотчетной даты до даты дефолта) по дефолтным инвестиционным проектам.

Приналичии достаточной дефолтной статистики для моделирования и оцениваниякомпоненты LGD целесообразно построить функцию плотности распределенияс использованием различных видов распределений (на практике чаще всегоиспользуетсяβ-распределение)наоснованиимаксимизациифункцииправдоподобия по реализованным значениям долей потерь при дефолте. ВданнойработеэмпирическиеоценкикомпонентLGDиEADдляинвестиционных проектов не проводились в связи с незначительным11количеством дефолтных инвестиционных проектов и отсутствием информациикак по погашениям после дефолта, так и по остаткам задолженности поинвестиционным проектам на момент наступления дефолта.Втораягруппапроблемдиссертационногоисследованияпредусматривает разработку совокупности подходов к оценке вероятностидефолта отечественных инвестиционных проектов с помощью методовбинарного и множественного выбора.

Метод бинарного выбора основан надефолтной статистике по инвестиционным проектам, а метод множественноговыбора–наэкспертномранжированииинвестиционныхпроектов.Использование бинарного выбора часто осложняется незначительным объемомдефолтной статистики по инвестиционным проектам, поэтому в таких случаяхчасто применяют методы множественного выбора, основанные на экспертномранжировании инвестиционных проектов, которые позволяют в потенциалеполучить более стабильные оценки вероятностей дефолта по сравнению сметодом бинарного выбора.

Выбор одного из подходов на практике частоосуществляется на основании новой дефолтной статистики по инвестиционнымпроектам, не использовавшимся при разработке моделей.Разработка методов оценки кредитного риска инвестиционных проектоввключает регрессионные модели, оценивающие их годовую вероятностьдефолта.Для построения моделей бинарного выбора сформирована выборкаинвестиционных проектов, включающая 85 российских проектов, реализациякоторых началась в 2007-2013 гг. с эмпирической частотой дефолта 9,4%.Представленная модель бинарного выбора позволяет оценивать вероятностьдефолта на годовом горизонте прогнозирования и имеет высокую точность скоэффициентом Джини равным 76,30%. Наибольшим нормированным весом вполученной модели бинарного выбора (порядка 42%) обладает показатель«IRR».