Диссертация (1138130), страница 5

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

Текст из файла (страница 5)

В таких случаях обычноразрабатываютсяэконометрическиемоделимножественноговыбора,основанные на воспроизведении экспертного ранжирования рейтинговыхагентствилилогистическойкредитныхрегрессии).экспертовМетодология(модельразработкимультиномиальноймоделейоценкивероятности дефолта (PD) инвестиционных проектов с использованиемподходов на основании мультиномиальной логистической регрессии (моделимножественного выбора) подробно описывается во второй части второйглавы диссертационного исследования.Метод линейной регрессии не применим к оценке вероятностидефолта инвестиционных проектов, так как рейтинги зарубежных иотечественныхрейтинговыхагентствуроссийскихинвестиционныхпроектов отсутствуют.2Например, среди российских рейтинговых агентств это Эксперт РА, Рус-Рейтинг, НРА и AK&M31При необходимости оценки вероятности дефолта проекта в течениезаданного периода времени t (для оценки вероятности поступления будущихденежных потоков по инвестиционному проекту) при наличии достаточнойдефолтнойстатистикиможетбытьпримененапортфельнаямодельпропорциональных интенсивностей Кокса (Cox Proportional Hazards Model),описание которой представлено в работах английских ученых Кокса, Льюисаи Оукса [Кокс, Льюис, 1969; Кокс, Оукс, 1988].

Согласно результатамданных работ вероятность дефолта PD(t) в момент времени t вычисляется поформуле (3):TPD (t )  1  Q(t ) exp   x ,где Q(t ) –(3)t 0функция выживаемости  Q(t )  exp   h d   , соответствующаяриску h (t);t – срок жизни инвестиционного проекта;T–x –вектор-строкарегрессионныхкоэффициентовпринормализованных факторах риска;вектор-столбец нормализованных риск-факторов.Основным допущением в данной модели является то, что функцияриска представляется в виде произведения:Th( x, t )  h0 (t )  e   x ,то есть неучитываются изменения нормализованных риск-факторов с течениемвремени.

В связи с ограниченным количеством дефолтных проектовпостроение модели пропорциональных интенсивностей Кокса на текущиймомент не представляется возможным. С другой стороны, в будущем даннаямодель дала бы возможность оценивать вероятность дефолта (PD) на любомвременном интервале (а не только на заданном горизонте прогнозирования),что позволило бы точнее прогнозировать поступления/непоступленияденежных потоков по инвестиционным проектам и рассчитывать резервы помеждународным стандартам (МСФО) с использованием полученных оценок.32Вдиссертационномисследованииразработкамоделейпропорциональных интенсивностей Кокса не была осуществлена как раз всвязи с отсутствием достаточной дефолтной статистики по инвестиционнымпроектам.Все предыдущие подходы (методы) построения моделей оценкивероятности дефолта (PD) являются портфельными и применимы только коднородным портфелям инвестиционных проектов.

В отношении отдельныхинвестиционныхпроектовчастоприменяютсяиндивидуальные(симуляционные) модели [Hait, 2011].Симуляционнаямодельгенерируетсценарноераспределениеденежного потока проекта на основе ряда факторов риска. Сложностьсимуляционной модели определяется методом отбора риск-факторов иметодом определения сценариев.Отборрискфакторовдлясимуляционноймоделиможетосуществляться следующим образом: отбор риск-факторов осуществляется пользователем; риск-факторы выбираются из заранее определенного набора факторов; риск-факторы выбираются из заранее определенного для каждого типапроектов набора факторов.Определениесценариевдлясимуляционноймоделиможетосуществляться следующим образом: средние значения, разбросы и коэффициенты корреляции задаютсяпользователем модели; средние значения задаются пользователем модели, разбросы икоэффициенты корреляции оцениваются на основе эмпирическихданных; средние значения, разбросы, коэффициенты корреляции оцениваются спомощью макроэкономических показателей (например, индекс ВВП,индекс потребительских цен и прочих).33Построение симуляционной модели включает три основных этапа: ввод исходных данных; симуляция ковенант на основе сценариев и их сравнение сопределением дефолта; получение выходных данных и определение итоговой оценки.Исходные данные симуляционной модели могут быть внешними(экзогенными) и внутренними (эндогенными).Внутренние данные – это параметры, содержащиеся в самой модели ине зависящие от конкретного проекта: волатильность сектора, форвардныеставки, волатильность обменного курса.

Внешние данные – это параметрыпроекта, вводимые в модель, задаваемые пользователем модели.Для симуляции ковенант, например DSCR и LLCR, используютсяследующие параметры: денежный поток и сценарии его развития; форвардные и процентные ставки; параметры сделки.При симуляции данных по денежному потоку инвестиционногопроекта используется метод Монте-Карло, который позволяет получитьмножество итераций (сценариев развития ситуации) на основе генератораслучайных чисел и математических ожиданий и стандартных отклоненийденежного потока инвестиционного проекта.Сценарии для форвардных и процентных ставок также симулируютсяметодом Монте-Карло на основе генератора случайных чисел и параметровстохастического процесса – математических ожиданий и стандартныхотклонений процентных/форвардных ставок и обменного курса.К параметрам сделки относят входящие данные для каждого транша покаждому элементу, который влияет на сумму и сроки покрытия долга вслучае дефолта.34На основе данных, полученных при симуляции сценариев, можнопосчитать вероятность дефолта (PD).

Результаты симуляционных моделеймогут быть использованы при разработке моделей бинарной логистическойрегрессии(бинарноговыбора)дляимитациифактаналичиядефолта/недефолта по отдельным инвестиционным проектам.В диссертационном исследовании разработка симуляционных моделейпо отдельным инвестиционным проектам не проводилась в связи сотсутствием полной достоверной информации по будущим денежнымпотокам инвестиционных проектов.1.2.3 Методы оценки доли потерь при дефолте инвестиционныхпроектов и остатка задолженности на момент наступлениядефолтаОценка ожидаемой доли потерь при дефолте (LGD) может бытьосуществлена для однородных портфелей инвестиционных проектов приналичии достаточной дефолтной статистики.

LGD включает в себя двеосновные компоненты [Моргунов, Жевага, 2015; Qi, Zhao, 2009]: вероятностьневосстановления инвестиционного проекта после дефолта (то есть, фактанепогашениязадолженностидисконтированияпослепоступившихнаступленияпогашений)идефолтадолюсучетомпотерьприневосстановлении инвестиционного проекта (4):LGD  Pневосст  LGDневосст .(4)С учетом незначительности дефолтной статистики Pневосст (вероятностьневосстановления инвестиционных проектов) можно определить по формуле(5):Pневосст где NневосстN––N невосст,N(5)количество невосстановленных инвестиционных проектов;общее количество дефолтных инвестиционных проектов.35ДоляпотерьпридефолтеLGDневосстопределяетсякаксреднееарифметическое значение долей потерь при дефолте невосстановленныхинвестиционных проектов (6):LGDневосст N невосст  Exp  PV ii , N невосстi 1  Expi 1(6)где Expi – задолженность по инвестиционному проекту с порядковымномером i на дату дефолта (основной долг + проценты);PVi – приведенная стоимость погашений по инвестиционному проектус порядковым номером i до момента списания, определяемая сучетом дисконтирования денежных потоков относительно датыдефолта.При наличии достаточной дефолтной статистики по инвестиционнымпроектамможнопостроитьфункцию плотностираспределениядлямоделирования и оценивания компоненты LGD.

Данная плотность можетбытьосновананаподбореразноговидараспределений,наиболееиспользуемым из которых на практике является  -распределение [Пугачев,2002], которое в частности позволяет получить высокие значения плотностейвероятности для реализованных значений LGD, близких к 0 или 1, частовстречающихся на практике.Используя  -распределение, при  1  плотность вероятностиf(LGD) случайной величины LGD будет представлена в следующем виде (7):LGD  ( x ) 1  1  LGD  ( x ) ,f ( LGD)  1 ( x ) 1 1  t   ( x )  dtt(7)0где  (x) –параметр плотности распределения, зависимый от векторанормализованных риск-факторов x (вид зависимости можетбыть,например,логистическим),влияющихнаLGDинвестиционного проекта (в вектор x могут входить такиефакторы, как наличие/отсутствие обеспечения по проекту,категория качества обеспечения, покрытие задолженности попроекту стоимостью предмета залога и прочие).36Подбороптимальнойфункцииg (x)производитсяметодоммаксимального правдоподобия [Пугачев, 2002] на основании имеющейсястатистики по взысканиям по инвестиционным проектам (8):N f ( LGDi )  max , ( x)i 1(8)где LGDi – реализованное значение доли потерь при дефолте по итогамвзыскания по инвестиционному проекту с порядковымномером i;N – количество инвестиционных проектов с реализованнымизначениями доли потерь при дефолте по итогам взысканий.При незначительности статистики дефолтов инвестиционных проектовоценочные значения LGD берутся экспертными с учетом мнения экспертовпо взысканию проблемной задолженности и оценок рейтинговых агентствS&P, Moody's, Fitch.Ожидаемая стоимость активов, подверженных риску в момент дефолта(EAD), может быть рассчитана на основании дефолтных инвестиционныхпроектов по следующей формуле (9) [Карминский, 2013]:EAD  OS    COM ,(9)где OS – остаток задолженности на отчетную дату;COM – неиспользуемые остатки кредитных линий на дату выдачи; – коэффициент, характеризующий использование неиспользуемыхостатков кредитных линий, вычисляемый на основанииисторической статистики дефолтов:  ODi –N ност  OD  OS ii ;  N ностCOMi i 1 1остаток задолженности (основной долг + проценты) уинвестиционного проекта с порядковым номером i на датудефолта;OSi – остаток задолженности (основной долг + проценты) уинвестиционного проекта с порядковым номером i наближайшую в прошлом относительно даты дефолта отчетнуюдату (разница между датой дефолта инвестиционного проекта иотчетной датой не может превышать 1 год);COMi – неиспользуемые остатки кредитных линий (основной долг +проценты) по инвестиционному проекту с порядковым номером iна отчетную дату (отчетные даты выбираются аналогичными сотчетными датами при расчете OSi);37N ност– количество дефолтных инвестиционных проектов, имевшихнеиспользуемые остатки кредитных линий на даты наблюдений.В связи с необходимостью достаточного объема дефолтной статистикии истории погашений задолженности до даты дефолта по дефолтныминвестиционнымпроектамбольшинствокредитныхорганизацийнерассчитывают EAD по инвестиционным проектам, а берут его равнымостаткам текущей задолженности по инвестиционным проектам на отчетнуюдату.В диссертационном исследовании оценки компонент LGD и EAD дляинвестиционных проектов проведены не были в связи с незначительнымколичествомдефолтныхинвестиционныхпроектовиотсутствиеминформации как по погашениям после дефолта по инвестиционнымпроектам, так и по остаткам задолженности по инвестиционным проектам намомент наступления дефолта.1.3 Практические особенности использования моделей оценкикредитного риска по инвестиционным проектам в российской изарубежной практикеВ разделе будет приведен обзор основных работ российских изарубежных авторов, связанных с темой исследования.Обзор общих положений схемы проектного финансирования, егоинформационно-аналитическогосопровождения,атакженекоторыеположения рисков проектного финансирования приведены в [Стратегиямодернизации российской экономики, 2010].В статье [Kayser, 2013] проведен реферативный анализ публикаций поюридическим и договорным вопросам сделок проектного финансирования,оценке рисков и отбору проектов, влиянию глобализации и взаимодействиюс государством, в том числе в рамках энергетических проектов всоответствии с киотским протоколом, что освобождает авторов данной38работы от детального рассмотрения этих вопросов в данной статье.

Характеристики

Список файлов диссертации