Автореферат (1138129), страница 3

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

Текст из файла (страница 3)

Тест на устойчивость (t-критерий Стьюдента) оказался не выполнен дляпоказателя «Региональный фактор». В указанных условиях включение данного12фактора в модель было осуществлено экспертно с учетом его значимости вкредитном анализе. С целью учета макроэкономической конъюнктуры итребований Базельских соглашений относительно необходимости расчетавероятности дефолта на годовом горизонте прогнозирования была произведенадополнительная калибровка представленной модели бинарного выбора сиспользованием консервативной прогнозируемой портфельной тенденциигодовой вероятности дефолта (12,50%).

Таким образом, годовая вероятностьдефолта в полученной модели бинарного выбора, оценивается по формуле1 (1):PD1год На1 - 0,7759  Доля соб . участ. бен. Norm  1,7885  IRR Norm   0,2731  exp 0,55    1,1577  Инд. фактор 0,5485  Рег . фактор 3,8430NormNormоснованиистатистикиКолмогорова-Смирновареализован.(1)алгоритмпринятия решения об участии кредитной организации в инвестиционномпроекте, рекомендующий отказываться от участия в инвестиционных проектахпри значениях годовых вероятностей дефолта, составляющих 17,88% и более.При разработке модели множественного выбора использовалась та жевыборка инвестиционных проектов, что и при построении модели бинарноговыбора, для которой целевой переменной являлся не факта события дефолта, афакт появления экспертных рейтингов от 1 до 5 в порядке увеличения степеникредитоспособностиинвестиционныхпроектов.Экспертныерейтингипроставлялись с учетом негативной информации по проектам, полученной изразличных источников, в том числе и с интернет-сайтов проектных компаний.Полученная модель множественного выбора является конкурентом для моделибинарного выбора и имеет высокую точность на обучающей выборке созначениемкоэффициентаSomers’Dравным80,11%.Наибольшимнормированным весом в представленной модели множественного выбораобладают риск-факторы «IRR» и «Индустриальный фактор» (порядка 28%).1Индекс «Norm» в данной и последующих формулах означает, что используется нормализованное значение рискфактора (на шкале стандартных отклонений).

При этом значения непрерывных факторов риска «Доля соб.участ. бен.» и «IRR» до нормализации дополнительно трансформируются в интервал (0;1) с использованиемлогистической функции.13Веса риск-факторов «Доля собств. участия бенефициаров» и «Региональныйфактор» составляют соответственно 23% и 21%. Таким образом, веса рискфакторов в полученной модели множественного выбора распределены болееравномерно по сравнению с полученной моделью бинарного выбора. Тест наустойчивость(t-критерийСтьюдента)впредставленноймоделимножественного выбора был выполнен в отношении всех показателей. Длявозможностиоценкивероятностидефолтанагодовомгоризонтепрогнозирования (по аналогии с моделью бинарного выбора) была произведенадополнительная калибровка представленной модели множественного выбора сучетом консервативности прогнозируемой портфельной тенденции годовойвероятности дефолта (12,50%). Таким образом, годовая вероятность дефолта вполученной модели множественного выбора, оценивается по формуле2 (2):PD1год На1 . - 1,3742  Доля собств .

участ. бен. * Norm 1,6121 IRR * Norm 1  exp 0,4655  2,4623  1,6268  Инд. фактор Norm  1,2319  Рег . фактор NormоснованиистатистикиКолмогорова-Смирноваполучен(2)болееконсервативный (по сравнению с моделью бинарного выбора) алгоритмпринятия решения об участии в инвестиционном проекте, рекомендующийотказываться от участия в инвестиционных проектах при значениях годовыхвероятностей дефолта, составляющих 11,78% и более.Добавление макроэкономических риск-факторов в модели бинарного имножественного выбора представляется нецелесообразным, что связано сдолгосрочностью проектов и их реализацией в период прохождения разных фазэкономического цикла, что делает экономическую логику для каждого факторариска с точки зрения оценки кредитоспособности не постоянной, аизменяющейся в зависимости от срока жизни инвестиционного проекта.2Символ звездочка (*) в формуле (2) означает, что фактор риска преобразуется с использованиемсглаживающего логарифмического преобразования: Риск фактор*  ln(1+ | Риск фактор |)  sign(Риск фактор)14Порезультатамнаблюденийзароссийскимиинвестиционнымипроектами (по действующим на начало 2014 года проектам, по которым на тотмомент отсутствовали признаки дефолта) за 2014 год была сформированавыборка для валидации моделей бинарного и множественного выбора,эмпирическая частота дефолтных проектов в которой составила 7,79%, ипроведена сама валидация для оценки адекватности работы моделей наактуальныхданных.Поитогамвалидацииболеевысокуюточностьпродемонстрировала модель бинарного выбора: коэффициент Джини длямодели бинарного выбора составил 70,89%, а для модели множественноговыбора – 66,67%.

По результатам проведенной валидации были сформированырекомендации по дальнейшему развитию моделей:1. При актуализации моделей учесть влияние макроэкономических фактороврисканадефолтностьинвестиционныхпроектов,осуществляяперекалибровку моделей бинарного и множественного выбора на наиболееактуальных данных с целью повышения их прогнозных способностей, атакже скорректировать алгоритмы принятия решения по моделям.2. При появлении соответствующей информации с целью улучшения точностимоделей целесообразно рассматривать такие факторы риска, как «Периодокупаемости (обычный и дисконтированный)» и «Соотношение периодаокупаемости (обычного и дисконтированного) к сроку реализации проекта».3.

При появлении информации о валовой прибыли с недефолтных проектов ипотерях с дефолтных проектов рассчитать балл отсечения исходя измаксимизации средней валовой прибыли на инвестиционный проект и сучетом полученного балла отсечения скорректировать алгоритмы принятиярешения по моделям.4.

При появлении информации по инвестиционным проектам по качественнымкритериямоценкицелесообразноразработатьэкспертнуюмодель,включающую в себя качественные критерии оценки по проектам, входящимв выборку для разработки моделей, и получить наиболее точную15совокупную модель, включающую в себя как количественные, так икачественные факторы риска.5. При появлении необходимой информации (Приложение 2 раздела 1Положения 483-П ЦБ РФ) целесообразно показать, какие преимуществадает использование подходов диссертационного исследования передупрощенным подходом из 483-П.Третья группа проблем в диссертации связана с формированиемрейтингового процесса на основе разработанной для российских банковрейтинговой мастер-шкалы.

Необходимость разработки новой рейтинговойшкалы для рейтингования заемщиков, инвестиционных проектов, облигаций иопераций, несущих кредитный риск, была связана с недостатками рейтинговыхшкал зарубежных и отечественных рейтинговых агентств, основные изкоторых: отсутствие прямой привязки рейтингов рейтинговых агентств к годовойвероятности дефолта, так как агентства присваивают рейтинги поэкономическому циклу, в котором годовые вероятности дефолтаизменяются; использование зарубежными рейтинговыми агентствами общемировойстатистики при осуществлении эмпирических оценок вероятностидефолта, а не статистики по отдельным странам, то есть учет российскойстатистики в оценках зарубежных рейтинговых агентств по отношению кроссийскимкомпаниямнеявляетсярепрезентативным,инезначительность дефолтной статистики отечественных рейтинговыхагентств; низкая гранулированность шкал рейтинговых агентств для российскихзаемщиков и инвестиционных проектов (рейтингование возможно по 9-10рейтинговым разрядам, из них по большей части используются 4-5) всвязи с низким страновым рейтингом России.16Основные допущения при построении новой рейтинговой шкалызаключались в:разделении шкалы на 20 рейтинговых разрядов («RU 20», …,«RU 1», где«RU 20» – рейтинг с наиболее высокой кредитоспособностью, а «RU 1» –рейтингснаиболеенизкойкредитоспособностью(Дефолт)),чтопредставляется гранулированным;соответствии рейтинга «RU 16» суверенному рейтингу РоссийскойФедерации.

Он соответствует рейтингу Российской Федерации от S&P посостоянию на 01.01.2014 – «BBB» с годовой вероятностью дефолта 0,25%;присвоении дискретного значения годовой вероятности дефолта попреддефолтному рейтингу «RU 2» равным 40% в связи с малымколичествомзаемщиковсболеевысокимизначениямигодовыхвероятностей дефолта;определении дискретных вероятностей дефолта по рейтинговым разрядамисходя из дискретного значения годовой вероятности дефолта (PD) длярейтинга «RU 16» (0,25%) с шагом13для рейтинговых разрядов,находящихся выше рейтинга «RU 16», и с шагом2,0648 для рейтинговыхразрядов, находящихся ниже рейтинга «RU 16», c учетом обеспечениягладкости, наглядности и практичности мастер-шкалы для обеспеченияадекватного распределения по различным группам заемщиков.В отношении рейтинга «RU 1» (Дефолт) используется значение годовойвероятности дефолта (PD) = 100%.

Нижние и верхние границы интерваловопределялись на основании арифметических средних значений дискретныхгодовых вероятностей дефолта (PD) за исключением следующих рейтингов:«RU 20» (по наиболее высокому рейтингу кредитоспособности нижняя границагодовой вероятности дефолта автоматически равна 0), «RU1» (по дефолтномурейтингу автоматически нижняя и верхняя границы годовой вероятности17дефолта равны 100%), «RU 2» (по преддефолтному рейтингу автоматическиверхняя граница годовой вероятности дефолта равна 100%).Полученная рейтинговая мастер-шкала приведена в таблице 1.Таблица 1 – Рейтинговая мастер-шкалаВероятность дефолтаДискретноезначениевероятностидефолта (PD)0,03%0,05%0,08%0,14%0,25%0,36%0,52%0,74%1,07%1,53%2,20%3,16%4,54%6,53%9,38%13,48%19,37%27,84%40,00%100,00%ПриВнутренние рейтингиНижняя граница3ВерхняяграницаЦифровоезначениеРейтинг0,00%0,04%0,07%0,11%0,20%0,30%0,44%0,63%0,90%1,30%1,87%2,68%3,85%5,54%7,96%11,43%16,43%23,61%33,92%100,00%0,04%0,07%0,11%0,20%0,30%0,44%0,63%0,90%1,30%1,87%2,68%3,85%5,54%7,96%11,43%16,43%23,61%33,92%100,00%100,00%2019181716151413121110987654321RU 20RU 19RU 18RU 17RU 16RU 15RU 14RU 13RU 12RU 11RU 10RU 9RU 8RU 7RU 6RU 5RU 4RU 3RU 2RU 1осуществлениирейтингованиявысокаяконцентрацияинвестиционных проектов наблюдалась практически в каждом рейтинговомразряде, не превышающем суверенный рейтинг Российской Федерации – «RU16», при этом в отношении распределения проектов на мастер-шкале наосновании модели бинарного выбора индекс Херфиндаля составил 10,24%, а наосновании модели множественного выбора – 9,26%, то есть менее 20%, чтосвидетельствует об отсутствии избыточных концентраций в интервалах мастер-3Значение нижней границы включается в интервал, а значение верхней границы – нет18шкалы и возможности использования полученной рейтинговой мастер-шкалыдля отечественных инвестиционных проектов.

Характеристики

Список файлов диссертации