Автореферат (Формирование рейтингов для российских банков), страница 3

Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ. –М., 2001г.12правило, изначально не известны ни структура данных, ни количествокластеров).В ходе кластерного анализа в исследуемой выборке (состоящей из 401банка) было выявлено четыре группы банков, условно обозначенные как:«Корпоративные», «Ссудные», «Универсальные» и «Банки для банков».Таблица 1.

Специализации банков (центры кластеров)ЦенныеКредитыМБКбумагиюр. лицамКорпоративные4,3%3,9%56,7%Ссудные3,5%2,7%34,2%Универсальные7,2%27,6%29,5%Банки для банков24,3%10,2%33,9%Кредитыфиз. лицам7,9%22,5%7,4%3,5%3. Из исследуемой выборки 62 банкам присвоен рейтинг международныхРА. На основе рейтингов международных РА для дальнейшего анализа намиопределено пять групп банков (с рейтингами уровня от «СС» до «ВВВ»).5Таблица 2. Состав групп и числовые значения,сопоставленные буквенным выражениям рейтингов (rating)Числовые значения (rating) Рейтинг Число банков5BBB64BB63B232CCC251СС2Всего:62В целях формирования рейтинговой оценки для российских банков намииспользован набор из 26 показателей функционирования банка. Проведенныйкорреляционный анализ позволил на основе матрицы парных коэффициентовкорреляции выявить факторы, тесно связанные между собой, в результате 8показателей были исключены из анализа.

Т.о., окончательный набор состоит из18 независимых финансовых отношений.На определение конечного набора независимых показателей существенноевлияние оказывает полученная нами информация о специализации банков: в5Из 1198 банков (данный сайта Банка России на 01.12.2006) российской банковской системы лишь 87 (т.е.около 8%) имеют рейтинг хотя бы одного международного РА.13некоторых случаях зависимости между показателями, обнаруженные в полномнаборе данных, не обнаруживаются в меньших наборах (учитывающихспециализацию кредитных организаций).4. Выделенные нами 18 финансовых отношений условно разделены на пятьгрупп.•Группа оценки капитала кредитной организации содержит два показателя:общей достаточности капитала (отношение капитала к активам-нетто завычетом активов с нулевым риском6) и качества капитала (отношениедобавочного капитала к основному).•Группа оценки качества активов включает шесть показателей: долярезервов, доля просроченных ссуд, доля безнадежных ссуд, доля прочихактивов, выданных кредитов и ценных бумаг в активах-нетто.•Группа оценки качества ресурсной базы банка: зависимость банка ототносительно краткосрочных МБК (до 3 месяцев), а также доли счетов довостребования, расчетных счетов и выпущенных ценных бумаг вобязательствах.•Группаоценкифинансовыхрезультатовфункционированиябанка:рентабельность капитала, прибыльность операций с ценными бумагами,маржа прибыли, а также процентная маржа.•Группа оценки ликвидности организации: доля текущих ликвидных активов(сроком до 1 месяца) в активах, отношение высоколиквидных активов ипривлеченных средств (без прочих).5.

Весовые коэффициенты определяются нами на основе регрессионныхмоделей, верификация которых производится на основе данных по кредитныморганизациям, которым присвоен рейтинг международных РА. Чтобы сгладитьколебания показателей в рамках построения модели долгосрочного рейтинга,использовалось средневзвешенное значение показателя за 6 месяцев ( FRiw (t ) ):6Активы с нулевым коэффициентом риска определяются в соответствии с Инструкция 110-И Банка России«Об обязательных нормативах банков» от 16.01.2004145FRiw (t ) =∑ (6 − j ) FR (t − j )ij =05∑ (6 − j )j =0Взвешивание производится по линейному закону: наибольшим весомобладают значения показателя на последние отчетные даты, что позволяетучитывать тенденцию поведения показателя (в случае наличия таковой).Дляограничениявыбросовврегрессионноймоделипримененонеравенство Чебышева, согласно которому вероятность попадания внеинтервала вокруг среднего значения случайной величины пропорциональнасреднеквадратическому (стандартному) отклонению:P ( X − M ( X ) ≥ ασ ) ≤1α2Используя неравенство Чебышева при α = 3 , получаем, что минимальнаявероятность попадания в интервал ± 3σ от среднего составляет 8 9 = 0,8(8) ,независимо от вида распределения случайной величины.

Удаление выбросовпроисходит по следующему правилу: если значение показателя выходит заграницы интервала, то оно заменяется значением на границе (т.е. еслиg i = ( x i − M ( X )) > ασ , то g i = ασ , где α = 3 ). Аналогичным образом правилоприменяется для нижней границы интервала.6. Дополнительно в модели включены две фиктивные переменные,характеризующие устойчивость роста активов банка и фактический размерактивов-нетто. Показатель устойчивости роста (growth) измеряется какотношение числа периодов роста к общему числу исследуемых периодов.

Дляудержания занимаемых позиций в условиях бурного роста активов банковскойсистемы организации вынуждены постоянно наращивать объемы своегобизнеса.Размеры банка часто влияют на рейтинг: крупные организации имеют болеедиверсифицированную структуру (как активов, так и ресурсной базы), поэтому15они существенно менее зависимы от крупного клиента или от определенноговида деятельности, что повышает устойчивость кредитной организации. 7Таблица 3. Значение фиктивной переменной, характеризующей размер банкаАктивы-неттоЗначение фиктивной переменной в регрессии (size)до 3 млрд.

руб.-2от 3 до 10 млрд. руб.-1от 10 до 80 млрд. руб.0от 80 до 160 млрд. руб.1свыше 160 млрд. руб.27. Для решения поставленной задачи нами проведен анализ качества рядарегрессионных моделей на выбранном наборе показателей.• Линейная регрессияrating = const + ∑ β i FRiw + β19 growth + β 20 sizei(1)• Линейная регрессия по показателям за вычетом среднего по выборкеrating = const + ∑ β i ( FRiw − μ i ) + β19 growth + β 20 sizei(2)• Кубическая регрессия3rating = const + ∑∑ β ij ( FRiw ) j + β19 growth + β 20 sizeij =1(3)• Кубическая регрессия по показателям за вычетом среднего по выборке3rating = const + ∑∑ β ij ( FRiw − μ i ) j + β19 growth + β 20 sizeij =1(4)• Линейная регрессия по показателям за вычетом среднего по выборке сучетом специализацииrating = const + ∑ β i ( FRiw − μ i ( s )) + β19 growth + β 20 sizei(5)• Линейная регрессия по показателям для каждой специализацииrating = const ( s ) + ∑ β i ( s ) FRiw + β19 ( s ) growth + β 20 ( s ) sizei(6)• Линейная регрессия по показателям для каждой специализации за вычетомсреднего по выборке с учетом специализацииrating = const ( s ) + ∑ β i ( s )( FRiw − μ i ( s )) + β19 ( s ) growth + β 20 ( s ) sizei7(7)McCahery J., Schwienbacher A.

Bank reputation in the private debt market / Модернизация экономики иобщественное развитие: в 3 кн. / oтв. ред. Е. Г. Ясин; ГУ-ВШЭ. - М.: Изд. дом ГУ-ВШЭ, 200716где const – константа; FRiw – финансовое отношение; μ i – среднее значение FRiпо выборке8; μ i (s) – среднее значение FRi для банков данной специализации9;growth – фиктивная переменная (dummy), характеризующая устойчивость ростакредитнойорганизации;size–фиктивнаяпеременная(dummy),характеризующая размер (активов) кредитной организации.Эти модели разделены на две группы: «учитывающие» (регрессии 5, 6, 7) и«не учитывающие» (регрессии 1, 2, 3, 4) информацию о специализации банка.Для оценки качества прогноза выбраны следующие критерии:1) совпадение расчетного рейтинга с реальным;2) отклонение не более, чем на один класс;3) завышение рейтинга;4) завышение рейтинга более, чем на один класс.Анализ показал, что регрессии (4), (7) обладают наивысшей точностью вмоделировании рейтинга (см.

Табл. 4). Применение линейной регрессии (2)также позволяет добиться высокой точности моделирования. Использованиеотклонения от среднего значения по группе (учитывая специализацию) или повсей выборке банков позволяет сократить влияние масштаба показателя наинтегральную оценку и, тем самым, использовать в регрессии величины одногопорядка. Аргументом в пользу включения в регрессии отклонений от среднихзначений является и возможность точнее интерпретировать влияние значенийпоказателей на рейтинг. Как показано А. Карминским и А. Петровым10, оценкасостояния банка должна зависеть не от абсолютных значений показателей, а ототносительных величин, полученных в сравнении с другими банками «на томже рынке в то же время».8За период с января 2004 года по октябрь 2006 года по выборке из 401 банка.За период с января 2004 года по октябрь 2006 года по банкам одной специализации.10Карминский А., Петров А.

Рейтинги динамической стабильности банков // Аналитический банковскийжурнал. - 2000. - №12. - С.74-78917Таблица 4. Качество результатов моделирования(по 62 банкам, которым присвоен рейтинг хотя бы одним международным РА (in-sample))СовпадениеОтклонение ЗавышениеЗавышениес реальным не более, чемрейтингарейтингарейтингом на один классболее, чем наодин класс1 Линейная регрессия60,66%96,60%23,13%0,53%Линейная регрессия260,66%96,60%23,13%0,53%(отклонение от среднего)3 Кубическая регрессия68,27%99,65%16,39%0,00%Кубическая регрессия468,27%99,65%16,39%0,00%(отклонение от среднего)Линейная регрессия(отклонение от среднего560,48%97,13%22,01%0,29%по выборке с учетомспециализации)Линейная регрессия для668,97%97,66%16,57%0,18%каждой специализацииЛинейная регрессия для7 каждой специализации69,85%98,42%15,81%0,06%(отклонение от среднего)8.

Высокая точность полученных результатов при моделированиирейтингов на данных in-sample подтверждает, что выбранная системапоказателейимеетпрогнозированиявысокуюрейтинговпредсказательнуюмеждународныхРА.способностьПростотавзадачетребуемыхвычислений делает такой подход удобным в применении на практике.Анализ моделей (линейной и кубической), показавших наилучшеекачество результатов, свидетельствует, что влияние значений показателей нарейтинг согласуется с теоретическими положениями об экономическомсодержании показателей, а следовательно – о правильном выборе какпоказателей, так и подхода к оценке финансового состояния банка, основанногона вычислении интегрального показателя надежности.Очевидное преимущество кубической модели (в сравнении с линейной)состоит в более высокой точности предсказания рейтинга; существенный же еенедостаток – большие по модулю значения коэффициентов при показателях врегрессии (т.к.

большинство используемых в модели показателей отражаютдолю определенных статей в балансе банка).189. Классификация банков по специализации позволяет применятьиндивидуальные модели (своя модель для каждого типа специализации),учитывающие специфику банков каждого типа, что дает возможностьсущественно улучшить совокупное качество прогноза, сократив при этомразмерность используемых моделей.Точность прогноза по линейной модели с учетом специализации (7),сравнительно с точностью прогноза по линейной модели без учетаспециализации (2), возрастает на 8% и составляет 68,87%, что несколькопревышает и точность предсказания кубической модели (4).

Совокупнаяточность прогноза с отклонением не более, чем на один класс, при такоминдивидуальномподходесоставляет98,42%,чтонесколькоуступаетрезультату, полученному с использованием кубической модели, но на 1,81%превышает результат применения простой линейной модели (см. Табл. 4).10. Качество моделей было проверено на «продленных» данных (запределами выборки), а именно по отчетности банков по состоянию на начало2008 года (out-of-sample)11; а также на показателях банков, у которых лицензиябыла отозвана Банком России. Верификация подтвердила устойчивостьрезультатов во времени (с точки зрения выбранных нами критериев качества) иих высокую предсказательную способность моделей в задаче определения«проблемных» банков.Общепризнано, что качество прогнозов неизбежно ухудшается сувеличением горизонта прогнозирования. Эту тенденцию подтверждает и нашеисследование: результаты проверки моделей на данных по состоянию на01.10.07 (т.е.