Диссертация (1138130), страница 4

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

Текст из файла (страница 4)

Так как инвестиционный проект реализуетсянесколькими участниками, важно четко расписать риски и ответственностьза них на этапе формирования инвестиционного проекта и отслеживатьпроявление всех видов риска (с учетом внешней среды) для своевременногопринятия управленческих решений.1.2 Классификация методов оценки кредитного риска инвестиционныхпроектов1.2.1 Количественные показатели оценки кредитного рискаинвестиционных проектов и их компонентыОсновнымиколичественнымипоказателями,характеризующимикредитные риски инвестиционных проектов, являются ожидаемые потери(EL) и неожидаемые потери (UL) [Basel, 2006; Моргунов, Жевага, 2015].Ожидаемые потери (EL) представляют собой прогнозируемый размерпотерь и определяются по формуле (1):EL  PD  LGD  EAD ,(1)где PD – вероятность наступления дефолта (Probability of Default) по24инвестиционному проекту в течение годового горизонтапрогнозирования (принимает значения на отрезке [0;1]);ожидаемая доля потерь при дефолте (Loss Given Default) поинвестиционному проекту (принимает значения на отрезке [0;1]);ожидаемый остаток задолженности в абсолютном выражении намомент наступления дефолта (Exposure at Default) поинвестиционному проекту.LGD –EAD –Ожидаемые потери участвуют в: принятии кредитных решений по инвестиционным проектам; расчетерезервовпоМСФОпоинвестиционнымпроектам(создаваемые резервы по МСФО должны полностью покрыватьожидаемые потери); расчете экономического капитала по инвестиционным проектам; ценообразо вании по инвестиционным проектам; оценке эффективности инвестиционных проектов; выработке стратегий работы с инвестиционными проектами.Неожидаемые потери (UL) представляют собой потери, которые могутвозникнуть в результате отклонения потерь (вследствие их волатильности) отожидаемых потерь (EL).

Неожидаемые потери определяют с заданнойдоверительной вероятностью с использованием следующих основныхподходов:с помощью классической базельской формулы (2) [Basel, 2006;Моргунов, Жевага, 2015; Gordy, 2003]:  N 1 PD   N 1 0,999    PD   1  M  2,5 b( PD )CR  EAD  LGD   N  1  1,5  b( PD )1  ,(2)где PD – вероятность наступления дефолта (Probability of Default) поинвестиционному проекту в течение годового горизонтапрогнозирования;EAD – ожидаемый остаток задолженности на момент наступлениядефолта (Exposure at Default) по инвестиционному проекту;LGD – ожидаемая доля потерь при дефолте (Loss Given Default) поинвестиционному проекту;N – функция стандартного нормального распределения;25N-1 – обратная функция стандартного нормального распределения;M – эффективный срок до погашения, в годах;b– коррекция срока до погашения, сглаживающая переменную M:b  0,11853  0,05478  ln PD  ;2– корреляция активов (инвестиционных проектов) c фактором1  e 50PD  1  e 50PD 0,241 .50 1  e 50  1 eсистематического риска:   0,12   с помощью построения распределения потерь по кредитному портфелюинвестиционных проектов c использованием метода Монте-Карло[Gordy, 2003; Benninga, 2008; Rees, 2008; Lynch, 2010].

При построениираспределения потерь по кредитному портфелю инвестиционныхпроектов для каждого инвестиционного проекта в каждой итерациимоделируются изменение компоненты PD и значения компонент LGDи EAD на основании распределений PD, LGD, EAD, а такжеучитываетсяпоправканасрокинвестиционногопроекта(M).Неожидаемые потери (UL) в каждой итерации определяются какразница между потерями (совокупными потерями) и ожидаемымипотерями (EL). Для покрытия неожидаемых потерь (UL) кредитныеорганизации создают экономический капитал по кредитному риску[Указание Банка России 3624-У, 2015; Усоскин, 2000].Графическая интерпретация распределения потерь представлена нарисунке 1.2.26Рисунок 1.2 – Распределение потерьПри расчете показателей EL и UL [Basel, 2006], как видно из формул(1) и (2), участвуют одни и те же компоненты, характеризующие кредитныериски инвестиционного проекта (PD, LGD и EAD) [Моделированиевероятности дефолта корпоративных заемщиков, 2016].

Используемыеметоды для оценки данных компонент кредитного риска будут представленыдалее в следующем разделе.1.2.2 Методы оценки вероятности дефолта инвестиционных проектов(компонента PD)Компонента PD (Probability of Default) – вероятность наступлениядефолта по инвестиционному проекту в течение годового горизонтапрогнозирования. Данная компонента характеризует кредитоспособностьинвестиционного проекта.Определение дефолта инвестиционного проекта должно учитыватьрекомендации Банка России [Положение Банка России 483-П, 2015] изначения коэффициентов «Обслуживания долга» (DSCR) и «Покрытияобязательств по погашению и обслуживанию основного долга» (LLCR)(алгоритмырасчетахарактеризующихкоэффициентоввозможностьприведеныгенерациивПриложенииинвестиционнымА),проектом27денежных потоков, необходимых для погашения задолженности передкредитными организациями [Gatti, 2013; Fight, 2006].Таким образом, под дефолтом инвестиционного проекта целесообразнопонимать наступление хотя бы одного из следующих событий:1.

Дефолтхотябыоднойизпроектныхкомпаний(заемщиков),осуществляющих проект, то есть наличие хотя бы у одной компании,участвующей в проекте, одного из следующих признаков: Проектная компания признана несостоятельной (банкротом); 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.Приведенноеопределениедефолтаиспользуетсявомногихзарубежных и российских кредитных организациях и обусловлено опытомработы кредитных организаций с инвестиционными проектами.Опыт работы крупнейших зарубежных и российских кредитныхорганизаций показывает, что наиболее значимыми факторами риска,влияющими на кредитоспособность инвестиционного проекта, являются: финансовые показатели инвестиционного проекта («IRR», «DSCR»,«LLCR», «LTV», «Период окупаемости (обычный и дисконтированный)»,«Соотношение периода окупаемости (обычного и дисконтированного) ксроку реализации инвестиционного проекта», «Доля собственногоучастия бенефициаров», «Индустриальный фактор» и «Региональныйфактор»); качественныепоказателиинвестиционногопроекта(«Рыночныеусловия реализации инвестиционного проекта», «Финансовое положение28проектной компании», «Подтверждение характеристик инвестиционногопроекта для прогнозирования денежных потоков», «Гарантии сбыта»,«Уровень подтверждения капитальных затрат», «Кредитная историябенефициаров», «Масштабы деятельности и финансовое положениебенефициаров», «Обязательства бенефициаров по сделке», «Контролькредитной организации за ходом реализации проекта»).Применениенецелесообразно,абсолютныхтаккаконифакторовпривязанырискак(NPVиопределеннымпрочих)этапамэкономического цикла и на них значительно влияет инфляция.

Данныефакторы риска обычно имеют высокую дискриминационную способностьпри разработке модели, которая значительно снижается при валидациимодели на новых данных из-за изменения структуры данных показателей вовремени.Подробное описание количественных и качественных факторов риска иих влияние на дефолт приводится в Практической части диссертационнойработы. Алгоритмы расчета факторов риска, полученных на основании формроссийской финансовой отчетности, приведены в Приложении А; описаниерасчета «Индустриального фактора» и «Регионального фактора» приведены вразделе 2.1.1; описание расчета качественных факторов риска приведено вразделе 3.3.Практическая часть исследования будет полностью посвящена оценкекредитоспособности (компоненте PD) инвестиционных проектов.Далее в работе будут представлены основные этапы построениямоделей вероятности дефолта (компоненты PD) и классификация методовоценки вероятности дефолта (компоненты PD) инвестиционных проектов.Разработка моделей оценки вероятности дефолта (PD) включает в себяследующие основные этапы [Моргунов, Жевага, 2015]: формирование выборки для построения модели;29 однофакторный анализ (анализ дискриминационной способностиотдельных риск-факторов); многофакторный анализ1 [Карминский, 2013] (построение моделейранжированияcнаиболеесильнымидискриминационнымиспособностями и выбор из них оптимальной с учетом бизнеслогики); калибровка рейтинговой модели (получение оценок вероятностидефолта на основании выбранной оптимальной рейтинговоймодели).В зависимости от имеющихся данных выделяют следующие основныеподходы к построению моделей ранжирования: бинарная логистическая регрессия (применяется к однороднымкредитным портфелямприналичиидостаточнойдефолтнойстатистики); линейная регрессия (используется при наличии эмпирическихгодовых частот дефолта экспертных рейтингов, посчитанных наосновании дефолтной статистики, и заключается в выявлениинаиболее точных линейных зависимостей между частотами дефолтаи риск-факторами; в частности, метод применяется при наличиирейтингов зарубежных рейтинговых агентств Moody’s, S&P, Fitchдля большей части заемщиков соответствующего однородногокредитного портфеля); мультиномиальнаялогистическаярегрессия(применяетсявотношении однородных кредитных портфелей при отсутствиидостаточнойдефолтнойстатистикиконтрагентов,отсутствиидостаточного количества рейтингов контрагентов от агентствMoody's, S&P и Fitch, но наличии экспертного ранжирования1В многофакторный анализ входит и корреляционный анализ риск-факторов, цель которого – выявлениеслучаев линейной зависимости между риск-факторами и исключение одного из линейно-зависимыхфакторов риска в рамках одной модели.30контрагентов с точки зрения кредитоспособности от каких-либодругих рейтинговых агентств2 [Карминский, 2013] или кредитныхэкспертов).Наиболее сложным и важным этапом построения рейтинговой моделиявляетсякалибровка,котораяпозволяетповыситьпредсказательнуюспособность модели и получить адекватные и обоснованные оценкивероятности дефолта [Hol, 2006; Laurin, 2009; Qu, 2008; Simons, 2009;Карминский, 2013; Энциклопедия финансового риск-менеджмента, 2009;Altman, 2008; Шеремет, 2011; Помазанов, Гундарь, 2003].Методология разработки моделей оценки вероятности дефолта (PD)инвестиционных проектов с использованием подходов на основаниибинарной логистической регрессии (модели бинарного выбора) подробноописана в первой части второй главы диссертационного исследования.Если при разработке модели бинарного выбора используется малоеколичестводефолтныхпроектов,тоневозможнопонять,насколькостабильными являются полученные оценки.

Характеристики

Список файлов диссертации