Диссертация (Методы оценки кредитных рисков инвестиционных проектов), страница 12
Описание файла
Файл "Диссертация" внутри архива находится в папке "Методы оценки кредитных рисков инвестиционных проектов". PDF-файл из архива "Методы оценки кредитных рисков инвестиционных проектов", который расположен в категории "". Всё это находится в предмете "экономика" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ ВШЭ. Не смотря на прямую связь этого архива с НИУ ВШЭ, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата экономических наук.
Просмотр PDF-файла онлайн
Текст 12 страницы из PDF
Тест на устойчивость для Модели2.1 (t-критерий Стьюдента) выполнен на доверительном уровне 85%, акорреляционные зависимости отсутствуют (корреляционная матрица рискфакторов, входящих в Модель 2.1, приведена в Приложении В в таблицеВ.7). Дискриминационная способность выбранной модели – отличная, таккак AR (Somers’D) = 0,8011 (> 0,8).Выбранная модель позволяет получить кумулятивную вероятностьпоявления у инвестиционного проекта в течение срока жизни экспертныхрейтингов с порядковыми номерами 1,2, … , j по формуле (26):P1, j 1- 1,3742 Доля собств .
участ. бен. *Norm 1,6121 IRR *Norm ,1 exp 1,6268 Инд. фактор Norm 1,2319 Рег . фактор Norm Int j (26)где свободные члены регрессии Intj при оценке кумулятивной вероятностипоявления у инвестиционного проекта в течение срока жизни экспертныхрейтингов с порядковыми номерами 1,2,3,4 равны соответственно: Int1=4,8329; Int2 = 1,2418; Int3 = -2,0858; Int4 = -3,9699.Нормированныевесапредставлены в таблице 2.22.риск-факторовдлявыбранноймодели85Таблица 2.22 – Нормированные веса риск-факторов в выбранной моделимножественного выбораДоля собств. участияIRR*Normбенефициаров*Norm23%ИндустриальныйРегиональныйфакторNormфакторNorm28%21%28%Так образом, по сравнению с выбранной моделью бинарного выбора,где наибольшим весом обладал риск-фактор IRR, веса в выбранной моделимножественного выбора распределены более равномерно.В отношении выбранной модели множественного выбора былипроведены исследования остатков регрессий на отсутствие автокорреляции имультиколлинеарность.Цельютестовнаотсутствиеавтокорреляцииявлялась проверка гипотезы о статистической независимости ошибокнаблюдений при прогнозировании появления у инвестиционного проектакаждого из 5 возможных экспертных рейтингов.
Значение статистикДарбина-Уотсона для оптимальной модели в отношении экспертныхрейтингов с порядковыми номерами 1,2,3,4 и 5 составили соответственно2,0947, 1,7106, 1,9954, 2,1441, 2,0333. Все полученные значения статистикДарбина-Уотсона > 1,60 (критическое значение статистики Дарбина-Уотсонана 1% уровне значимости для модели, включающей в себя 4 объясняющиепеременные, построенной по 85 наблюдениям) и гипотезы о статистическойнезависимостиошибокнаблюденийна1%уровнезначимостинеотклоняются для всех экспертных рейтингов.
По результатам исследованияостатковрегрессийнамультиколлинеарность(дляпрогнозированияпоявления у инвестиционного проекта экспертных рейтингов с порядковыминомерами 1,2,3,4 и 5) было выявлено отсутствие наличия случаев линейнойзависимостеймеждуостаткамирегрессий(коэффициенткорреляцииПирсона более +/- 0,60). Коэффициенты корреляции Пирсона междуостатками регрессий приведены в Приложении В в таблице В.8.86Графические интерпретации полученных аппроксимаций экспертныхрейтингов для выбранной модели приведены в Приложении В на рисункахВ.1, В.2, В.3, В.4, В.5.В качестве теста на сопоставимость логит- и пробит- спецификациймодели была разработана модель, включающая риск-факторы, аналогичныевыбранным, оценки вероятности дефолта по которой получаются черезпробит-спецификацию. Данная модель позволяет получить вероятностьпоявления у инвестиционного проекта в течение срока жизни экспертныхрейтингов с порядковыми номерами 1,2, … , j по формуле16 (27):P1, j N (0,7938 Доля собств .
участ. бен. *Norm 0,9526 IRR *Norm 0,8985 Инд. фактор Norm 0,7388 Рег . фактор Norm Int j ),(27)где свободные члены регрессии Intj при оценке кумулятивной вероятностипоявления у инвестиционного проекта в течение срока жизни экспертныхрейтингов с порядковыми номерами 1,2,3,4 для пробит-модели равнысоответственно: Int1 = -2,6263; Int2 = -0,6973; Int3 = 1,2248; Int4 = 2,3265.Значение AR (Somers’D) составило 0,7985 (незначительно меньше, чему оптимальной логит-модели), то есть дискриминационные способностимоделей в логит- и пробит- спецификациях сопоставимы. Нормированныевеса риск-факторов для пробит-модели представлены в таблице 2.23.Таблица 2.23 – Нормированные веса риск-факторов в пробит-моделиДоля собств.
участияIRR*Normбенефициаров*Norm23%ИндустриальныйРегиональныйфакторNormфакторNorm27%22%28%Веса моделей в логит- и пробит- спецификациях (таблицы 2.22 и 2.23)практически идентичны, что говорит о сопоставимости моделей в данныхспецификациях и устойчивости полученных весов.С учетом отличной дискриминационной способности выбранноймоделимножественногомакроэкономических16выбора,риск-факторовнецелесообразностииспользованияпридолгосрочныхформированииN в формуле (27) – функция распределения вероятностей для стандартного нормального распределения87прогнозов (на срок более 3 лет) и результатов пункта 2.1.6 было решено невключать в выбранную модель дополнительных макроэкономическихфакторов.
Макроэкономические переменные будут использованы в моделипосредством ее калибровки на экономический цикл с помощью сводногомакроэкономического индикатора (процедура описана в разделе 3.2,связанном с повышением прогнозных (предсказательных) способностеймоделей).2.2.5 Калибровка выбранной моделиДля оценки вероятности дефолта инвестиционных проектов вотношении выбранной логит-модели была произведена калибровка (наданныхпонедефолтнымпроектампосостояниюна01.01.2014),позволяющая учесть макроэкономическую конъюнктуру рынка и требованияБазельских соглашений о необходимости расчета вероятности дефолта нагодовом горизонте прогнозирования.
При калибровке модели использовалисьпредположения и допущения, аналогичные предположениям и допущениямпри калибровке модели бинарного выбора:Калибровка модели осуществлялась с использованием прогнознойвероятности дефолта на следующий год (концепция Point-in-Time),которая принимает значение 12,50% (таблица 2.14) с учетом принципаконсервативности и сопоставимости с кризисным 2009 годом.Оценки вероятности дефолта не должны быть меньше значения 0,25%[Власов, Помазанов, 2008], которое соответствует годовой вероятностидефолта рейтинга S&P Российской Федерации по состоянию на01.01.2014 (рейтинг – «BBB»).Применяя указанные допущения, на основании формулы (26) (безучета свободных членов регрессии) была получена оценка годовой88вероятности дефолта инвестиционных проектов PD1год по следующейформуле (28):PD1год 1 - 1,3742 Доля собств . участ.
бен. * Norm 1,6121 IRR * Norm 2,46231 exp 0,4655 1,6268 Инд. фактор Norm 1,2319 Рег . фактор Norm . (28)С учетом формулы (28) был разработан алгоритм принятия решения оцелесообразности участия кредитной организации в инвестиционном проектена основании расчета KS-статистики [Siddiqi, 2006].На рисунке 2.11 приведена графическая интерпретация KS-статистики.Рисунок 2.11 – Графическая интерпретация KS-статистикиC учетом оптимального значения KS-статистики, равного 62,34% вточке PD1год = 11,78%, принятие решения о целесообразности участиякредитной организации в инвестиционном проекте может осуществлятьсясогласно алгоритму, представленному в таблице 2.24.89Таблица 2.24 –Алгоритм принятия решения об участии в инвестиционномпроектеPD1год по инвестиционному Решение об участии в инвестиционномпроектупроектеРекомендуется отказаться от участия вPD1год 11,78%инвестиционном проектеPD1год < 11,78%Рекомендуется принять участие винвестиционном проектеРекомендательный характер решения связан с тем, что в окрестноститочки PD1год = 11,78% инвестиционные проекты сопоставимы по уровнюпринимаемого кредитного риска и при принятии решения об участии впроекте кредитным экспертам необходимо учитывать его индивидуальныеособенности.2.3 Формирование рейтингов кредитоспособности инвестиционныхпроектовРезультатом оценки кредитоспособности инвестиционного проектаявляется присвоение кредитного рейтинга [Карминский, 2010; Карминский,Пересецкий, 2009], с учетом которого осуществляется оценка финансовогоположения по регуляторным требованиям, прописанным для российскихбанков в нормативных документах Банка России [Положение Банка России№ 254-П, 2004; Положение Банка России № 283-П, 2006].Согласно требованиям [Basel, 2006] оценка вероятности дефолтадолжна осуществляться на годовом горизонте прогнозирования.
Такимобразом, для рейтингования заемщиков и инвестиционных проектовнеобходимо использовать рейтинговую шкалу, привязанную к годовымвероятностям дефолта. На основании сопоставления значения годовойвероятности дефолта, полученного с использованием модели, с рейтинговоймастер-шкалой определяют значение Первоначального рейтинга [Моргунов,90Жевага,2015].Первоначальныйрейтингкорректируетсясучетомдополнительных факторов риска (формализованный перечень риск-факторов,влияющих на дефолт по инвестиционному проекту, но не вошедших врейтинговые модели), что приводит к получению Рейтинга с учетомдополнительных факторов риска. К Рейтингу с учетом дополнительныхфактороврискаприменяютсяэкспертныекорректировки(неформализованный перечень позитивных или негативных факторов,характерный для конкретных индивидуальных проектов), что позволяетполучить Индивидуальный рейтинг.
Если заемщик (проектная компания)входит в группу взаимосвязанных заемщиков, то к Индивидуальномурейтингу применяется учет влияния групповой логики и дополнительныхограничений. Индивидуальный рейтинг с учетом влияния групповой логикиназывается Итоговым рейтингом. На основании Итогового рейтингаосуществляется Оценка риска, адаптированная к регуляторным требованиям.Рейтинговый процесс можно представить следующей схемой (рисунок 2.12).Рисунок 2.12 – Рейтинговый процессДалее в работе будет подробно представлен подход к разработкевнутренней рейтинговой мастер-шкалы для рейтингования заемщиков и91инвестиционных проектов в российских кредитных организациях, будетосуществлено рейтингование инвестиционных проектов с использованиемоценок годовых вероятностей дефолта, полученных на основании моделейбинарного и множественного выбора на разработанной мастер-шкале, атакже приведен перечень дополнительных факторов риска и примерыэкспертныхкорректировок,позволяющихуточнитьоценкукредитоспособности инвестиционного проекта.Учет влияния групповой логики и получение соответствия междукредитным рейтингом и оценкой финансового положения инвестиционногопроекта не входили в круг задач проводимого исследования.2.3.1 Разработка рейтинговой мастер-шкалыВ зарубежной и российской практике можно найти разные видырейтинговых шкал и разные подходы к их формированию и сопоставлению[Карминский, Катышев, 2015].