Диссертация (Моделирование вероятности дефолта корпоративных заемщиков банков), страница 4

То есть средняя вероятность дефолтадля заемщиков с высоким уровнем риска на основе рыночныхмоделей будет значительно выше в периоды спада и ниже в периодыподъема экономики.Именно поэтому сторонники рыночных моделей подчеркиваюттот факт, что для показательности результатов, полученных на основерыночныхмоделей,необходимовыполнениегипотезыобэффективности фондового рынка, согласно которой вся существеннаяинформация немедленно и в полной мере отражается на поведениирынка и динамике котировок. В российской действительностиинформациядоступнаянафондовомрынкеявляетсявесьмаограниченной, и на практике порой достаточно сложно оценитьрыночную стоимость активов большинства заемщиков [Помазанов,Колокова, 2004].

Стоимость фирмы и её волатильность, необходимые22для расчета, не всегда являются статистически наблюдаемыми ипоказательными на российском рынке.Между тем, рыночные модели получили достаточно широкоераспространение в международной практике. Модель Мертона, сталаосновой для разработки рейтинговым агентством Moody’s моделиKMV, в рамках которой в общем случае используется четырехэтапнаяпроцедура оценки кредитного риска компаний, акции которыхторгуются на открытом рынке [Лобанов, Чугунов, 2009]:1.Определяется некоторая критическая точка дефолта(Default point, DР).

Пороговая величина, в случае если стоимостькомпании падает ниже данного порогового значения, компанияпопадает в дефолт.2.Определяется величина стоимости активов компании еёволатильность.3.Определяется величина расстояния до дефолта (Distance todefault, DD), которая показывает каким должно быть уменьшениестоимости активов компании, для того чтобы объявить дефолт.Distance to default Vt - DP,Vt  (1.4)гдеVt  стоимостьактивов компании;  волатильность стоимости компании;t  период наблюдения;DP  критическая точка дефолта.4.Определяется вероятность дефолта как:Default probability  N ( DD ),(1.5)гдеN (.)  функциястандартного нормального распределения;DD  расстояние до дефолта.23Преимуществомпредсказательнаяданнойсила.моделиМодельпозволяетявляетсяоценитьвысокаяизменениерасстояния до дефолта во временном интервале от 6 до 18 месяцев донаступления события.

Также в рамках KMV модели вероятностьдефолта является не дискретной величиной, а непрерывной иизменяется вместе с изменением рыночной стоимости активовкомпании [Лобанов, Чугунов, 2009]. Недостатком модели является еёвысокая чувствительность, что приводит к высоко волатильнымрезультатам, в особенности в условиях кризисных явленийнафондовом рынке.Модели на основе фундаментальных показателейВ зависимости от класса показателей, на основе которыхпроисходитоценкавероятностидефолта,фундаментальных показателей условномоделинаосновеможно разделить наследующие виды:модели на основе макроэкономических факторов;модели на основе показателей финансовой отчетности;модели на основе миграции внешнихкредитныхрейтингов.Модели на основе макроэкономических факторов.

В основеданногоподклассамоделейлежитпредпосылкаотом,чтовероятность дефолта имеет циклический характер и возрастает вовремя экономической рецессии. Как правило, данные моделииспользуютрегрессионныйанализ,вкоторомучаствуютмакроэкономические показатели, такие как ВВП, инфляция, уровеньбезработицы и др. При помощи данных моделей мы можем получитьне только краткосрочную оценку вероятности дефолта заемщика, но иоценку вероятности дефолта с учетом уровня системного риска.24В данном классе моделей можно выделить модели на основепредпосылок об экзогенности и эндогенности факторов.Первыеисходят из предпосылки о том, что макроэкономические показателисами по себе являются экзогенными (заданными вне модели).Представителямиданногоклассамоделейявляетсямодель,разработанная в работе [Wilson, 1997], и продукт CreditPortfolio Viewконсалтинговой группы McKinsey&Co [Лобанов, Чугунов, 2009].В рамках данного класса, моделирование вероятности дефолтаможно описать следующим образом:pt  f ( yt ,Vt ),(1.6)гдер – вероятность дефолта;yt–совокупностьмакроэкономическихпоказателейX t  ( X 1 , X 2 , X 3 ...X n ) ;Vt - случайная ошибка.Макроэкономические модели на основе эндогенности факторовпредполагают,чтосуществуетсвязьмеждумасштабомэкономической рецессии (и как результат вероятностью дефолтазаемщика)и макроэкономическими показателями.

Так, например,можно предположить, что уменьшение чистого дохода корпорацийуменьшит их возможности к инвестициям, что в результате можетнегативно отразиться на уровне ВВП.Представителями данногокласса моделей являются модели, полученные в работах [Sorensen,Zicchino, Hoggarth, 2005], [Alves, 2005] и [Treutler et al., 2005].

Какправило, в основе данных моделей лежит подход на основе векторнойавторегрессии.pZ t 1  C   Ф j Z t 1 j   t 1 ,j 1(1.7)25гдеС- вектор постоянных величин;Ф  - матрица коэффициентов;  вектор остатков;Z  вектор эндогенных переменных, который включает каквероятности дефолта (или другие прокси масштаба экономическойрецессии), так и другие экономические переменные, отражающиесостояние экономики в данный период.Вопросцелесообразностимакроэкономическихпоказателейвключенияизучалсявтакжемодельвработе[Карминский, Пересецкий, 2009, 2005]. Авторы показали, чтовключение в модель макроэкономических индикаторов почти всегдадает однозначное улучшение качества модели.Сильной стороной моделей с учетом макроэкономическихфакторов, является то, что при их помощи можно учесть циклическоеповедение экономики и подверженность системным рискам.

Данныемодели подходят для целей стресс-тестирования качества кредитныхпортфелейбанков.Крометого,таккакстатистикапомакроэкономическим показателям доступна, данный подход можноиспользовать для кросс-анализа вероятности дефолта в различныхстранах, регионах, отраслях, секторах экономики.Недостатком данных моделей является тот факт, что включениемакроэкономических показателей может служить лишь расширениеммодели, так как только лишь на их основе сложно оценитьвероятность дефолта конкретного заемщика, а не отрасли илибанковской системы в целом. Более того, в российской практике,частонасостояниекомпаний,втомчислекрупнейшихсистемообразующих компаний, макроэкономические шоки оказываютопосредованное влияние, а первостепенное влияние оказывают26факторы возможности поддержки государства или материнскойорганизации, в случае если, например, компания является дочкойкрупного иностранного игрока.Достаточнополученныхнараспространеннымосноведанныхявляетсяфинансовойклассимоделей,бухгалтерскойотчетности.

В общем виде все модели, представленные в данномклассе, в зависимости от используемого статистического метода,можноразделитьнаскоринговыемодели,линейныемоделидискриминантного анализа (которые в свою очередь разделяются намоделиоднопеременногоимножественногодискриминантногоанализа) и модели бинарного выбора.Кредитный скоринг впервые был представлен в работе [Дюран,1941]. Предложенная модель, была весьма упрощенной. Для каждогорозничного заемщика для определения итогового кредитного скорбалла, автор предлагал использовать следующие характеристики: пол,возраст, срок проживания на одном месте, профессиональная группа,финансовое состояние, опыт работы.В общем случае,при применении скоринг-модели, каждомузаемщику присваивается скор-балл, который характеризует егофинансовое состояние и способность своевременно погасить своиобязательства перед кредитором.

В дальнейшем весь диапазонвозможных значений разбивается на интервалы, рейтинговые группы.При помощи калибровки модели на основе исторических данныхкаждому рейтинговому баллу ставится в соответствие вероятностьдефолта, которая, по большей части,является оценкой доликомпаний этой группы, испытавших дефолт в течение года.Несмотря на то, что современные системы кредитного скорингаявляются гораздо более усложненными иуниверсальными, чемпервоначальная модель, предложенная Дюраном, на данный момент27модели кредитного скоринга являются весьма распространенными вбанковской практике, особенно для оценки вероятности дефолта пооднородным портфелям розничных ссуд.

Недостатком данныхмоделей является их дискретность. Для того чтобы скоринговыемоделибылиболееинституциональнымионидолжныбытьпостроены с учетом значительной базы кредитных историй, чтоактуализируетнеобходимостьсовершенствованияподходовдальнейшегоксозданиюразвитияиииспользованиюроссийскими банками единой базы кредитных историй.Другой класс моделей в данной группе - это моделидискриминантного анализа. В общем случае, «цель дискриминантногоанализа это выбор переменных которые наилучшим образомразличают (т.е. дискриминируют) две или более совокупности.Наиболее простыми моделями к оценке дефолта заемщика, являютсямоделиоднопеременногодискриминантногоанализа,родоначальниками которых является работа [Beaver, 1966], в которойпроведено сравнение финансовых коэффициентов 79 дефолтных фирмс показателями 79 компаний, сохранивших свою платежеспособность.В итоге, наибольшей предсказательной мерой для оценки вероятностидефолта, наряду с такими показателями как удельный вес заёмныхсредств, рентабельность активов, коэффициент текущей ликвидности,доля чистого оборотного капитала в активах, является отношениечистого денежного потока компании к заемным средствам.Весовые коэффициенты для индикаторов в данной модели небыли предусмотрены, а итоговый коэффициент вероятности дефолтане рассчитывался.