Диссертация (1137680), страница 18

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 18)

2V j1..1 MC 2P2 X1 MC NPN X1 MC011P1 w  1 MC 201   w2    P  2..  . .  ..    wn  MC0n1      Pn0 1.Или Aw z w  b , где:1 MC i 2V jAw  Pi X1 MC0i1 wi Pi zw     b   10  ,откуда: zw  Aw 1b .Таким образом, средневзвешенный индекс Лернера с учетоммодельного и операционного рисков БР может быть представлен как:NLI *   LI i wi* ,(3.22)i 1где wi* – вес i-го банка-партнера, полученный в результате оптимизации(3.21).Описательные статистики для каждой из компонент, входящих виндексЛернера,представленывтабл.1ПриложенияГ.Оптимизированный средневзвешенный индекс Лернера (см. рис.8), вцелом, меняет картину, полученную при расчете индекса Лернера вовторой главе.1081,3Индекс Лернера (доли)1,2ЕБРР1,1IFCМФКЧБРТ1,0МСП БанкFMO0,90,82010201120122013Рисунок 8 – Индекс Лернера для различных БР с учетом модельного иоперационного рисковИсточник: рассчитано авторомВ этом случае размах колебаний значения индекса Лернера дляБР гораздо выше по сравнению с оценками, полученными безприменения аппарата оптимизации.

При этом опять же, отношениямежду показателями представляют собой не полный, а частичныйпорядок, т.е. на протяжении наблюдаемого периода невозможнооднозначно упорядочить значения рыночной власти для банковпартнеров всех БР.Особенно интересным представляется анализ того, какие банкипартнеры остались в портфелях БР после оптимизации, а какие былиисключены. Для его проведения был использован метод дереваклассификации, который позволяет предсказывать принадлежностьнаблюдений к определенному классу (в нашем случае – к партнерскойсети БР с учетом модельного и операционного рисков) в зависимостиотнекоторыхпредикторныхпеременных.Вкачестветакихпеременных использовались показатели финансового состояниябанков-партнеров, описанные во второй главе.109Так, банки с капиталом свыше 2,3 млрд руб.

исключались извыборки дляпартнеров МСПБанка. Для дерева партнеровмеждународных БР важнейшей предикторной переменной являласьдоля депозитов физических лиц в обязательствах, банки с болеевысоким уровнем депозитов затем тестировались по размеру портфеляМСБ, а банки, в которых вес депозитов незначителен, сравнивались позначениям нормативов Н1 и Н3. Международные БР при выборепартнеров в первую очередь ориентируются на различные показателиэффективности деятельности их банков-партнеров. Проведенныйанализ может свидетельствовать об отличиях в методиках отборабанков-партнером международных и национального БР, а также о том,что в результате оптимизации не произошло перераспределенияресурсов в сторону наиболее крупных банков-партнеров. Эти выводы,в целом, будут тестироваться в следующих разделах настоящей главы.Но прежде на основе использования индикатора Буна попробуемустранить модельныйи операционный рискидля получениякорректных оценок в моделях конкуренции.

Как и в случае с индексомЛернера, мы считаем, что существует вариант, при котором БРспособны эффективнее достигать поставленных таргетов: объемакредитного портфеля. Это утверждение находит отражение в гипотезе2.Гипотеза 2: оптимизация индикатора Буна ведет к устранениюмодельного и операционного рисков БР в моделях конкуренции.Поскольку для индикатора Буна в форме (2.20) доступен варианткак минимизации, так и максимизации, то до проведения расчетовнеизвестно, какой из них приведет (если приведет) к интересующемунас результату. Однако мы считаем, что такой вариант существует.Вначале рассмотрим портфель отдельно взятого БР, в которомвес ресурсов, полученных банком-партнером, характеризуется wi .110Тогда решаемая задача оптимизации индикатора Буна (на примереминимума) выглядит следующим образом: Nk  (ln MS i )(ln MCi ) wijmin  2  min  i 1 N kwi (lnMC i ) 2 wiji 1,(3.23) wij  0Nпри ограничениях:   wij  1, i 1 S   RK ln( PD bank )ii iгде S i – объем фондирования коммерческого банка, который он можетполучить от банка развития; R – граница риска; K i – капитал банкапартнера; PDi – вероятность его дефолта.Если первые два ограничения кажутся вполне стандартными –во-первых, доли банков-партнеров в портфеле БР не могут бытьотрицательными; во-вторых, БР должен распределить весь портфельсреди своих банков-партнеров – то третье требует пояснения.

Оноучитывает кредитные лимиты, устанавливаемые отдельным БР вотношениикаждогобанка-партнера,игарантирует,чтоприоптимизации не возникнет нереалистичная ситуация, когда всесредства БР будут выданы одном банку-партнеру. Поскольку БРотличаются по степени восприятия риска, то и кредитные лимиты уних – даже для одних и тех же банков-партнеров – будут различаться.Фактически кредитный лимит зависит от трех компонентов: величиныкапитала банка-партнера, его кредитного рейтинга и границы риска.Первые две величины характеризуют непосредственно банк-партнер, апоследняя – сам БР.БР устанавливают кредитные лимиты на банки-партнеры всоответствии с кредитными рейтингами последних, их количественной111оценкой является переменная  ln( PDi ) .

Преимущество использованияln( PDi ) заключается в том, что оно делает зависимость кредитноголимита от вероятности дефолта менее чувствительной. Это особенноважно, поскольку БР являются финансовыми институтами, недоверяющими высоким кредитным рейтингам своих банков-партнеров,в связи с чем они устанавливают относительно низкие и близкие дляразличных банков-партнеров кредитные лимиты.Граница риска БР (risk threshold) количественно характеризуетриск-аппетит БР. Формула для его расчета выглядит так:Si0R  max  ,i ln(PD i ) K i (3.24)где Si0 – объем фондирования, полученный i-м коммерческим банком.Таким образом, индикатор Буна для БР с учетом модельного иоперационного рисков данных финансовых институтов может бытьпредставлен следующей формулой:BI *   2 ( wi* ) ,(3.25)где wi* – вес i-го банка-партнера, полученный в результате оптимизации(3.23).В целом, при распределении ресурсов среди группы партнеровпри минимальном росте программам МСБ наибольшим потенциалом кросту обладают программы ЧБТР (рис.9), наименьшим – программыпартнеров МСП Банка.112% 6,56,0Индикатор Буна5,55,0ЧБТР4,5FMOIFC4,0ЕБРР3,5МСП Банк3,02,52,02010201120122013Рисунок 9 – Индикатор Буна с учетом модельного и операционногорисков БР (минимум)Источник: рассчитано авторомОптимизируемые значения индикатора Буна также, как и синдексом Лернера, характеризуются частичным порядком.

Однаконетрудно заметить, что у партнеров ЧБТР индикатор Буна наибольший,в то время как у партнеров МСП Банка – наименьший. В случае с ЧБТРэто объясняется его способностью выбирать банки-партнеры, которыетолько начинают разрабатывать собственные программы МСБ,закономерно быстрее растущие. В портфеле МСП Банка присутствуютболее крупные и надежные кредитные организации (по сравнению сдругими БР), программы поддержки МСБ которых растут медленнымитемпами.

В случае с ЕБРР и IFC, более низкие, по сравнению с ЧБТР,значения индикатора Буна могут являться свидетельством того, что ониработают преимущественно с банками-партнерами, у которыхпрограммы поддержки МСБ уже являются зрелыми.При этом для составления портфеля с наиболее низкой степеньюроста программ кредитования МСБ БР должны руководствоватьсяединой стратегией – распределять портфель среди наиболее крупных113игроков. Именно они являются неэффективными в терминахиндикатора Буна (т.е. в плане способности к наращиванию рыночнойдоли), поскольку их кредитные программы растут более медленнымитемпами, чем программы мелких и средних банков. Как и в случае синдексом Лернера, мы использовали специализированный метод –дерево классификации – чтобы определить принцип, по которомубанки-партнеры остаются в неэффективном портфеле. В результатевыяснилось, что МСП Банк должен вкладывать средства в банки сактивами свыше 97,23 млрд руб.

Остальные БР (поскольку в ихпортфелях нет группы особо крупных банков) при принятии решениядолжны руководствоваться соображениями измерения эффективностисвоих банков-партнеров относительно друг друга на основаниипоказателей CIR и доли депозитов физических лиц в активах банковпартнеров. Скорее всего, именно этот вариант оптимизации привел кинтересующему нас результату.В отличие от минимизации, при максимизации индикатора Буна(рис.10) на протяжении всего анализируемого периода невозможнооднозначно определить, у какого из БР наибольший, а у какого –наименьший. Резкое снижение значения индикатора Буна для IFCобъясняется тем, что данный финансовый институт переориентировалсвою деятельность в сторону развития стран Африки, Азии иЛатинской Америки, в связи с чем в его портфеле остались лишьпроверенные банки-партнеры с уже отлаженными программамиразвития. Низкие значения индикатора Буна FMO могут бытьобъяснены наличием модельного и операционного рисков на этапеотбора банков-партнеров.

Скорее всего, данный банк при выборебанков-партнеровпредпочиталработатьсужепровереннымипартнерами ЕБРР и IFC, программы поддержки МСБ которых уже нерастут высокими темпами.1148,0%Индикатор Буна7,06,0ЧБТРFMO5,0IFCЕБРР4,0МСП Банк3,02,02010201120122013Рисунок 10 – Индикатор Буна с учетом модельного и операционногорисков (максимум)Источник: рассчитано авторомТаким образом, для максимизации значений индикатора Буна БРдолжны вкладывать в наиболее мелких из своих партнеров. Построивдерево классификации, мы выяснили, что МСП Банк в данном случаедолжен уделять особое внимание эффективности своих небольшихбанков-партнеров – на основании показателей CIR и доли пророченныхкредитов в портфеле коммерческих банков (для ограниченияпривлекательной для многих банков стратегии наращивания объемапортфеля за счет кредитования рисковых компаний МСБ).

Длямеждународных и глобальных БР, тщательно выбирающих банкипартнеры, будет достаточно распределять средства среди наиболеемелких из своих партнеров – с меньшими размерами активов ипортфелей МСБ.Результатыперераспределениявесовбанков-партнероввкредитных портфелях БР представлены в табл.

Характеристики

Список файлов диссертации