Диссертация (1137920), страница 18
Текст из файла (страница 18)
Пунктирными линиями отмеченысредние значения CDS и VIX. На графике можно найти подтверждениепредложенной концепции. Можно наблюдать рост спреда, когда глобальныйриск выше среднего, а суверенный – ниже (сен.-ноя. 2010, окт. 2011, дек.2012) и наоборот, некоторая коррекция (сокращение) спреда под влияниемнизкого VIX (сен. 2014 – фев. 2015).На развитых рынках сложней обнаружить разнонаправленную динамикусуверенного и глобального факторов, в том числе потому, что глобальнаяобстановка на международных финансовых рынках определяется в основноммакроэкономикой ключевых развитых стран (см.
приложение 3.б.). Однаконекоторое подтверждение трансмиссионного механизма можно найти и нарынке США, например, с янв. 2010 по апр. 2010 и с окт. 2010 по мар. 2011,когда спред снижался в условиях повышенного суверенного риска.Важное значение волатильности курса в обеспечении экономическогороста и особое место в формировании спреда доходности подчеркивает её103систематический характер. Положительное влияние на спред оправдываетнавание исследуемой категории стран: emerging markets – то есть«формирующиеся рынки», открытые для воздействия внешних факторов ирасширяющие свою интеграцию в международные финансовые отношения.Наличие сильной зависимости от глобального фактора волатильностиVIX также говорит о том, что эти рынки еще только «формируются» и вомногом зависимы от внешей конъюнктуры.
Путь к категории развитыхрынковтребуетрешенияцелогокомплексаструктурныхпроблем.Дальнейшая концентрация на внутренних источниках роста и привлечениилокальныхинституциональныхинвесторовпозволитнивелироватьнегативные глобальные эффекты, повысить стабильность развивающихсярынков облигаций и обеспечит устойчивый рост.2.2 Модели кредитного риска: инструменты оценки спредадоходности2.2.1 Классификация моделейКредитный риск играет ключевую роль в формировании спредадоходности, поэтому он играет центральную роль в ценообразованиикорпоративных облигаций. Первоначально авторы пытались сформироватьнабор факторов, которые могли бы объяснить кредитное качество компании,то есть ее кредитоспособность. Одной из первых работ такого характераможно назвать исследование Эдварда Альтмана, который разработал индекскредитоспособности (Z-индекс) на основе линейной комбинации рядафинансовых показателей компании: отношение оборотного капитала кстоимости активов, отношение нераспределенной прибыли к стоимостиактивов, отношение операционной прибыли к стоимости активов, отношениерыночной стоимости акций к размеру совокупной задолженности, отношениевыручки к стоимости активов [17].Современемавторыпереключилисвоевниманиетакженамакроэкономические факторы.
Одновременно с этим, несколько параллельнопроисходило формирование нового класса моделей оценки вероятности104банкротства – на основе статистического анализа распределения прошлыхдефолтов, которые могли бы указать на среднестатистическую вероятностьбанкротства исследуемых компаний. Абсолютно новым стал подход,которых предполагал, что вероятность банкротства – это самостоятельныйпроцесс, форму или динамику которого можно задать определеннымнабором параметров.
В настоящее время продолжается поиск возможностейнепараметрического моделирования процесса вероятности банкротства.Классификация моделей кредитного риска соответствует принципамклассификации моделей срочной структуры процентных ставок. Кредитныйриск отражается в ценах корпоративных облигации, то есть их доходности, иявляетсяключевойпричинойеепревышениянаддоходностьюгосударственных (условно безрисковых) облигаций. Поэтому и моделиоценки (как процентных ставок, так и кредитного риска – как составляющейдоходности корпоративных облигаций) во многом схожи.Учитывая характер классификации методов оценки срочной структурыставок, можно выделить два основных подхода к моделированию кредитногориска: параметрические и непараметрические модели.
Если в первомпредусмотренадостаточнострогаяфункциональнаязависимость,определяемая перечнем параметров модели, то во второй такие явныепараметры отсутствуют ине накладывают ограничений на формуфункциональной зависимости.Все параметрические модели также могут быть двух видов. К первымотносятся модели, параметры которых задают форму кривой доходности (вданном случае – модели на основе фундаментальных показателей); их такжеможно назвать статическими, так как они основываются на периодическиобновляемых фундаментальных данных о финансовом положении компанииили макроэкономической обстановке в стране.
Параметры моделей второговида задают стохастическую динамику срочной структуры спреда; в отличиеот первых, они учитывают динамический характер рыночной информации(см. рисунок 24).105Модели спреда доходностиПараметрическиеНепараметрическиеНечеткой логикиНейронные сетиРыночныеСтруктурныеРедуцированныеФундаментальные показателиМаропараметрыФин.
показателиРейтингиЭкзогенныеЭндогенныеСкоринговыеДискриминантныеБинарныеМиграциярейтинговРис. 24. Классификация моделей спреда доходности.Непараметрическиемоделипредставляютсобойотдельноенаправление научной мысли и пока не прошли должной аппробацииучастниками рынка и в научной литературе, а также отличаются сложнымтеоретическим аппаратом. Так как целью данного исследования являетсяскорей применение и адаптация существующих моделей кредитного риска, ане разработка принципиально новой модели, выбор делается в пользу болееразработанных методов оценки – параметрических.
Почти все модели наоснове фундаментальных показателей используются преимущественно вбанках для оценки текущей кредитоспособности конкретного заемщика и непозволяют осуществлять полноценный анализ спреда.В пунктирную рамку выделены типы моделей, наиболее актуальные ирелевантные для настоящего исследования в соответствии с описанным впредыдущихразделахтрансмиссионныммеханизмом.Комбинациярыночных моделей и ключевых макроэкономических факторов позволит106реализовать полноценную оценку спреда и его элементов с учетомтрансмиссионного механизма на развивающихся рынках.Рыночные модели кредитного риска можно разделить на два основныхтипа:1) структурные модели ([96], [28], [115]);2) модели сокращенной формы (редуцированные модели) ([79], [54]).2.2.2 Структурные моделиМодель Мертона является базовой в классе структурных моделейкредитного риска.
Дефолт компании объясняется падением стоимости ееактивов ниже стоимости долга. Акции компании рассматриваются какопцион call на активы, цена исполнения равна номинальной стоимостиоблигаций. С помощью модели Блэка-Шоулза определяется вероятностьпадения стоимости активов ниже стоимости обязательств, то есть рискдефолта. Приобретение облигации рассматривается как покупка активовкомпании и передача акционерам опциона call на эти активы с ценойисполнения равной номиналу обязательств и датой погашения облигации вкачестве даты исполнения.Выделяют шесть факторов, определяющих вероятность дефолта(см. рисунок 25): текущая стоимость активов, распределение стоимостиактивов к моменту времени H, волатильность стоимости активов к моментувремени H, номинальная стоимость обязательств, ожидаемый темп ростастоимости активов, временной горизонт H.Риск дефолта – это вероятность того, что стоимость активов окажетсяменьше«точкидефолта»,этозакрашеннаяобластьраспределения,расположенная ниже уровня «точки дефолта» и соответствующая показателюожидаемой частоты дефолта.107Источник: Crosbie, Bohn “Modeling Default Risk”, Moody’s KMV Company, 2003.
– С. 13.Рис. 25. Схема расчета вероятности дефолта (модель Мертона).В рамках структурного подхода модель Мертона является исходнымпунктом. За ней последовали другие попытки описать ценообразованиекорпоративных облигаций в рамках структурного подхода ([28], [115] и пр.).Исследователи [75] свидетельствуют о том, что большинство структурныхмоделей генерируют сопоставимые спреды в случае калибровки поисторическим данным о фактических дефолтах, норме возмещения и премиирынка капитала.2.2.3 Редуцированные моделиОбщее о редуцированных моделяхВ редуцированных моделях нет функциональной связи междудинамикой стоимости активов компании и стоимостью ее долга.
В рамкахэтого подхода предполагается, что дефолт наступает внезапно, то есть егонельзя предугадать, как в модели Мертона. А частота, с которой происходятдефолты, называется интенсивностью дефолта. Ее можно интерпретироватькак условную вероятность того, что дефолт произойдет немедленно, еслифирма избежала дефолта до настоящего момента. Она моделируется спомощью неотрицательного стохастического процесса и зависит отвероятности наступления дефолта, подразумеваемой участниками рынка.Калибруется такая модель на основе рыночной стоимости облигаций.Между интенсивностью и вероятностью дефолта существуетвзаимно однозначное соответствие.
Предположим, что параметр λ108(интенсивность дефолта) является постоянным, тогда дефолт представляетсобой событие по распределению Пуассона, а момент дефолта определяетсяэкспонентой в степени λ, то есть вероятность дефолта равнаДля изменяющейся во времени интенсивностивремени величинамоментами и.и короткого промежуткапредставляет собой вероятность дефолта между. Обозначим черезинтегральную вероятность того, чтодо момента компания не объявит дефолт. В таком случае:.Переходя к пределу, получим уравнение.Отсюда следует, что.Пустьобозначает кумулятивную вероятность дефолта до момента.
Следовательно,,или,где:– средняя интенсивность дефолтов между моментами 0 и .Рассмотрим облигацию с нулевым купоном, по которой в моментпогашения T выплачивается одна денежная единица, если дефолт непроизошел, и доля R эквивалентной безрисковой облигации (0 < R < 1), еслидефолт произошел до момента T. Пусть q(T) — вероятность дефолта,подразумеваемая рынком, а R — константа. Тогда текущую стоимостьоблигации можно записать как.
Здесь r– постоянная безрисковая процентная ставка.Таким образом, стоимость облигации равна стоимости эквивалентнойбезрисковой облигации минус текущая стоимость убытков при дефолте. Еслиинтенсивность является постоянной и степень возмещения равна нулю,109текущая стоимость облигации равна:.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
