Диссертация (1138130), страница 10

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

Текст из файла (страница 10)

В этой точке отсекается87,50% всех дефолтных проектов и 20,80% всех недефолтных проектов изначение KS-статистики равно соответственно 66,70%.Таким образом, принятие решения обучастиив реализацииинвестиционного проекта может осуществляться согласно алгоритму,представленному в таблице 2.15.Таблица 2.15 – Алгоритм принятия решения об участии в инвестиционномпроектеPD1год по инвестиционному Решение об участии в инвестиционномпроектупроектеРекомендуется отказаться от участия вPD1год  17,88%инвестиционном проектеPD1год < 17,88%Рекомендуется принять участие винвестиционном проектеРекомендательный характер решения связан с тем, что в окрестноститочки PD1год = 17,88% инвестиционные проекты сопоставимы по уровнюпринимаемого кредитного риска и при принятии решения об участии впроекте кредитным экспертам необходимо учитывать его индивидуальныеособенности.722.2 Оценка вероятности дефолта с использованием моделимножественного выбораМалое количество дефолтных проектов (всего 8 штук), используемыхпри разработке модели бинарного выбора не позволяет понять, насколькостабильными являются полученные оценки.

В таких случаях обычнодополнительно разрабатываются эконометрические модели множественноговыбора,основанныенавоспроизведенииэкспертногоранжированиярейтинговых агентств или кредитных экспертов (модель множественноговыбора – мультиномиальной логистической регрессии).В этой части диссертационной работы приводится методология оценкикредитоспособности заимствований по схеме «Проектное финансирование»корпоративными клиентамина основании историческихданных поинвестиционным проектам, основанная на эконометрической моделимножественного выбора. Представленный подход и построенные на егооснове модели могут быть использованы как при принятии решения оцелесообразностиучастиякредитнойорганизациивреализацииинвестиционного проекта, так и при оценке годовой вероятности дефолта[Basel, 2006] уже реализуемых инвестиционных проектов, а также длякредитных портфелей проектного финансирования [Стратегия модернизациироссийской экономики, 2010] с учетом особенностей структуры выборки подефолтам и по отраслям.

Промежуточные результаты подхода приведены встатье [Моргунов, 2016].2.2.1 Методология построения модели оценки вероятности дефолтасделок проектного финансирования с использованиеммножественного выбораДля построения моделей множественного выбора было осуществленоранжирование инвестиционных проектов по состоянию на 01.04.2014 по 573основным рейтинговым категориям с учетом негативной информации,имеющейся за время жизни проектов (таблица 2.16), полученной изразличных источников.Таблица 2.16 – Экспертное ранжированиеЭкспертныйАлгоритм отнесениярейтинг1Инвестиционный проект оказался в дефолте.2По инвестиционному проекту (или проектным компаниям) за времяжизни инвестиционного проекта случались просрочки иреструктуризации платежей.3По инвестиционному проекту не случалось просрочек иреструктуризаций, но существует значительная вероятность ихпоявления в будущем из-за изменений графика реализацииинвестиционного проекта.

Имеется некоторая негативная информацияпо финансовому положению проектных компаний в текущий момент.4Просрочек и реструктуризаций по инвестиционному проекту не было.Проект выполняется по графику. Присутствует какая-либо негативнаяинформация относительно ухудшения финансового состоянияпроектных компаний в будущем.5Просрочек и реструктуризаций по инвестиционному проекту не было.Проект выполняется по графику. Отсутствует какая-либо негативнаяинформация по инвестиционному проекту.Поддефолтоминвестиционногопроектатакжепонималосьнаступление хотя бы одного из следующих событий [Basel, 2006; ПоложениеБанка России 483-П, 2015]:1.

Дефолтхотябыоднойизпроектныхкомпаний(заемщиков),осуществляющих проект, то есть наличие хотя бы у одной участвующей впроекте компании одного из следующих признаков: Проектная компания признана несостоятельной (банкротом);74 Проектная компания является устойчиво неплатежеспособной, то естьне выполняет свои обязательства перед кредиторами в течение более90 календарных дней.2. Факт одновременной реализации двух следующих событий: Снижение коэффициента обслуживания долга (DSCR) ниже 1; Снижение коэффициента покрытия обязательств по погашению иобслуживанию основного долга (LLCR) ниже 1.Определения и алгоритмы расчета коэффициентов DSCR и LLCRаналогичны используемым в модели бинарного выбора и приведены втаблице 2.1, а алгоритмы расчета на основании отчетных форм – вПриложении А.В диссертационной работе используется метод упорядоченногомножественного выбора (Ordered choice model), алгоритмы которогоприведены в пунктах 5.2.2 и 5.4.1 книги [McCullagh, 1990; Прикладнаястатистика: Классификация и снижение размерности, 1989; Магнус, 2004]).Данная модель позволяет получить кумулятивные вероятности появления уинвестиционных проектов в течение срока жизни11 экспертных рейтингов спорядковыми номерами 1; 1,2; 1,2,3; 1,2,3,4 при условии одинаковыхзначений регрессионных коэффициентов при риск-факторах для каждойкумулятивнойвероятностисиспользованиемлогистическойфункциональной зависимости (22):P1, j 1,T1  exp axb j (22)где P1, j – кумулятивная вероятность появления у инвестиционного проектав течение срока жизни экспертных рейтингов с порядковыми11Под сроком жизни для каждого инвестиционного проекта понимается разница между датой завершенияинвестиционного проекта (по реализованным проектам) или отчетной датой формирования информации поэкспертнымрейтингам(01.04.2014)(подействующимпроектам)идатойначалареализацииинвестиционного проекта.

Средний срок жизни инвестиционного проекта в выборке составлял 3,4 года.75номерами 1,2, … , j;j – порядковый номер соответствующего экспертного рейтинга(j = 1,…,R) 12;xT –вектор-столбецнормализованныхзначенийриск-факторов,влияющих на появление у инвестиционного проекта каждого изэкспертных рейтингов;a – вектор-строкарегрессионныхкоэффициентовпринормализованных риск-факторах;b j – регрессионный коэффициент – свободный член регрессии приоценке кумулятивной вероятности появления у инвестиционногопроекта экспертных рейтингов с порядковыми номерами 1,2, … ,j,при этом для любых j и j+1: bj+1 > bj.Коэффициенты вектора a и свободные члены регрессии b j находятсяна основании максимизации логарифмической функции правдоподобия (23):LogL N Yi1i 1 ln Pi ,1,1  Rj 2Yij  ln Pi,1, j  Pi,1, j 1 ,(23)где Yij – бинарная переменная из множества {0;1}, фиксирующая фактпоявления у i-го инвестиционного проекта в течение срока жизниэкспертного рейтинга с порядковым номером j;Pi ,1, j –кумулятивная вероятность появления у инвестиционного проекта спорядковым номером i экспертных рейтингов с порядковыминомерами 1,2, …, j, полученная с помощью логистической функции(22);N – количество инвестиционных проектов в выборке.Наложениеусловияодинаковыхзначенийрегрессионныхкоэффициентов при риск-факторах обусловлено необходимостью получения12В данном случае R = 5, то есть используется 5 экспертных рейтингов (описание которых приведено втаблице 2.16), расположенных в порядке улучшения уровня кредитоспособности инвестиционных проектов(рейтинг с порядковым номером 1 – самый негативный, а с порядковым номером 5 – самый позитивный).76параметра Score   a  xT , который позволяет ранжировать инвестиционныепроекты с точки зрения кредитоспособности.

С увеличением значенияпараметра Score увеличивается вероятность появления у инвестиционногопроекта в течение срока жизни экспертных рейтингов с более высокойкредитоспособностью (с большим порядковым номером). В частности приувеличении значения параметра Score снижается вероятность появления уинвестиционных проектов в течение срока жизни экспертных рейтингов1,2,3,4, в которые попадают как дефолтные инвестиционные проекты, так иинвестиционные проекты, по которым имеется какая-либо негативнаяинформация, и увеличивается вероятность появления у инвестиционныхпроектов в течение срока жизни экспертного рейтинга 5 (наиболеепозитивного – с отсутствием негативной информации).Дляполученияоценкивероятностидефолтанагоризонтепрогнозирования 1 год проводится калибровка модели на наиболееактуальныхнадатыразработкиилиактуализацииинвестиционных проектов с использованием полученногомоделисрезахна основаниимодели упорядоченного множественного выбора параметра ранжированияScore по формуле (24) [Жевага, Моргунов, 2015; Власов, Помазанов, 2008]:PD1год где  и 1,1  exp  Score   (24)– коэффициенты, определяемые при калибровке рейтинговоймодели на основании центральной тенденции (концепция Through-the-Cycle)или средней прогнозной вероятности дефолта на следующий год (концепцияPoint-in-Time) по портфелю проектного финансирования [Жевага, Моргунов,2015] с учетом ограничения на минимальное значение вероятности дефолта(исходя из годовой вероятности дефолта рейтинга Российской Федерации отрейтингового агентства S&P [Власов, Помазанов, 2008]).При разработке модели рассматривались те же самые риск-факторы,что и в модели бинарного выбора, приведенные в таблицах 2.1, 2.2 2.3.77Выделениегруппиндустриальныхирегиональныхфакторовбылопроизведено так же, как и в модели бинарного выбора.В качестве источников данных использовалась та же база данных, что ипри разработке модели бинарного выбора, для которой целевой переменнойявлялся экспертный рейтинг инвестиционного проекта (точнее – фактпоявления у инвестиционного проекта каждого из экспертных рейтингов втечение срока жизни), определенный по правилам, приведенным в таблице2.16.2.2.2 Выборка данных для построения моделиВыборка инвестиционных проектов включает российские проекты,реализация которых началась в 2007-2013 гг.

В данную выборку включены теже самые проекты, что и в модели бинарного выбора (с аналогичнымизначениями факторов риска). Ее описательные статистики приведены вПриложении Б (таблица Б.1) . Структуры выборки по отраслям и регионамприведены на рисунках 2.1 и 2.3. Распределение выборки по экспертнымрейтингам (определенным с учетом негативной информации, имеющейся завремя жизни проектов) приведено в таблице 2.17.Таблица 2.17 – Распределение экспертных рейтинговЭкспертный рейтинг12345ИтогоКоличество значений ввыборке82525151285Разделение выборки на обучающую (для построения модели) ивалидационную (для проверки ее качества) осуществлено не было в связи сосравнительно малым объемом данных.782.2.3 Преобразования данныхДля снижения влияния выбросов и увеличения дискриминационнойспособности и устойчивости регрессионных коэффициентов модели (поаналогиисмодельюнепрерывныхбинарногориск-фактороввыбора)такжевотношениипроводиласьотдельныхлогистическаятрансформация (по формулам (14) и (15)).

Характеристики

Список файлов диссертации