Диссертация (1138130), страница 9

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

Текст из файла (страница 9)

Из формул (19) и (20) видно, что сувеличением доли собственного участия бенефициаров (софинансирования)инвестиционного проекта принятые кредитные риски на него увеличиваются,а с увеличением всех остальных показателей – уменьшаются, что показываетсопоставимость логики в обеих моделях как друг с другом, так и сгипотезами из таблицы 2.7. Таким образом, полученные в оптимальнойлогит-модели оценки вероятности дефолта устойчивы и равносильныоценкам соответствующей пробит-модели и тест на сопоставимость логит- ипробит- спецификаций модели выполнен.2.1.6 Анализ возможности повышения дискриминационной способностивыбранной моделиВ выбранной модели учтены только риск-факторы, характерные длякредитногопортфеляинвестиционныхпроектов,авозможностьиспользования макроэкономических факторов риска, характеризующихэкономический цикл, не рассматривалась. Вместе с тем необходимоотметить,чтоиспользованиемакроэкономическихфактороврискацелесообразно при формировании краткосрочных прогнозов (до 1 года).

Втаком случае наличие определенной экономической логики для каждогофактора риска с точки зрения оценки кредитоспособности очевидно с учетомосуществления проекта в определенной фазе экономического цикла. Припрогнозировании же на долгосрочные периоды (в частности на срок более 3лет – средний срок жизни проекта составляет 3,4 года) проект проживаетопределенный значительный этап экономического цикла и находится вразных его фазах (спадах и подъемах).

В этом случае наличие определеннойэкономической логики для каждого фактора риска с точки зрения оценкикредитоспособности непостоянно и неочевидно (возможны U-образные65формы) и может меняться в зависимости от срока жизни инвестиционногопроекта. Несмотря на указанные риски, автором был проведен анализвозможностидополнительногоиспользованияввыбранноймоделимакроэкономических переменных.Вкачествериск-факторовиспользовалисьзначения9макроэкономических индексов, характеризующих экономический цикл,приведенные к 2003 году (с целью сопоставимости во времени припрогнозировании событий дефолта). Данные риск-факторы заданы в таблице2.13 вместе с обозначениями, которые будут использованы далее в текущемразделе.Таблица 2.13 – Анализируемые макроэкономические индексыИндексОбозначениеПромышленное производствоИППИнвестиции в основнойкапиталИОКВыпуск товаров и услуг побазовым видам экономическойИПЭДдеятельностиОбъем сельскохозяйственногопроизводстваОСПОбъем работ, выполненный повиду деятельностиОРСТРОИТ«Строительство»Потребительские ценыИПЦКредиты нефинансовомусекторуКРЕДНЕФСЕКРеальные располагаемыедоходы населенияОборот розничной торговлиИДНОБРОЗНТОРГ66Для сопоставимости риск-факторов между собой они были приведенык единой шкале (в стандартных отклонениях) с использованием процедурынормализациипоформуле(16)израздела2.1.3.Вотношениинормализованных значений индексов с целью оценки их влияния на дефолтыинвестиционных проектов (дискриминационной способности) был проведеноднофакторный анализ.

Результаты однофакторного анализа приведены нарисунке 2.8.Рисунок 2.8 – Графическая интерпретация однофакторного анализа(макроэкономические факторы риска)Таким образом, все макроэкономические факторы риска являютсястатистически значимыми и влияют на событие дефолта. Модельная логикаранжирования инвестиционных проектов, полученная по результатамоднофакторного анализа, связана со снижением кредитного риска наинвестиционный проект при увеличении значений каждого отдельногомакроэкономического риск-фактора.С целью отсутствия мультиколлинеарности в моделях, включающих всебя макроэкономические факторы риска, был проведен корреляционныйанализ в отношении микроэкономических риск-факторов, вошедших ввыбранную модель (не включающую в себя макроэкономические факторыриска)инормализованнымимакроэкономическимириск-факторами.67Результаткорреляционногозависимостейфакторамимеждуриска,анализавыявилмикроэкономическимиоднаковыявилотсутствиеиналичиелинейныхмакроэкономическимилинейныхзависимостей(коэффициент корреляции Пирсона более +/- 0,60) между собой в отношениибольшей части используемых макроэкономических индексов, что делает иходновременноеиспользованиевмногофакторныхмоделяхнецелесообразным.

Корреляционная матрица, полученная по результатамкорреляционного анализа, приведена в таблице Б.7.Сучетомотсутствиякорреляционныхзависимостеймеждумикроэкономическими факторами риска, входящими в выбранную модель(пункт 2.1.5), и всеми отдельными макроэкономическими факторами рискана основании выбранной модели было построено 9 новых моделей путемдобавления в модель каждого отдельного макроэкономического индекса.ПараметрыкаждойДискриминационнаяизэтихмоделейспособностьприведеныбольшинствавтаблицеполученныхБ.8.моделейсогласно показателю AR (Gini) выше дискриминационной способностивыбранноймодели(пункт2.1.5),котораяневключалавсебямакроэкономических факторов риска. Согласно таблице Б.8 во всех моделях(кроме модели №8) присутствуют риск-факторы с весами менее 10% (либопо риск-фактору «Доля собств.

уч. бен.(норм)», либо по риск-фактору«Региональный фактор (норм)»), а в модели № 8 – веса риск-факторов «Долясобств. уч. бен.(норм)» и «Региональный фактор (норм)» составляютсоответственно 10% и 11%, то есть добавление в модели макропеременнойприводит к появлению статистически незначимых микроэкономическихфакторов риска, что говорит в целом о нестабильности полученных моделей.Модели с AR > 90% в таблице Б.8 представляются сверхточными и сильнопривязанными к выборке, на которой они были разработаны, что можетповлечь значительное снижение их дискриминационных способностей приизменении структуры выборки.68С учетом отсутствия стабильности в разработанных моделях бинарноговыбора, макроэкономические переменные нецелесообразно добавлять ввыбранную модель, а целесообразно использовать для формированиякраткосрочного прогноза (вероятности дефолта по инвестиционному проектуна 1 год), что будет осуществлено посредством калибровки модели наэкономический цикл с использованием сводного макроэкономическогоиндикатора (в разделе 3.2, который связан с повышением прогнозных(предсказательных) способностей моделей).2.1.7 Калибровка выбранной моделиВ отношении выбранной логит-модели (пункт 2.1.5) с целью учетамакроэкономическойконъюнктурыиучетатребованийБазельскихсоглашений [Basel, 2006] относительно необходимости расчета вероятностидефолтанагодовомгоризонтепрогнозированиябылапроизведенадополнительная калибровка.

Она была осуществлена на основании данныхпо недефолтным проектам по состоянию на 01.01.2014 и основана наследующих предположениях и допущениях: Вследствие негативных тенденций 2014 года калибровка моделиосуществляется с использованием прогнозной вероятности дефолта наследующий год (концепция Point-in-Time), которая принимает значение12,50% с учетом принципа консервативности и сопоставимости скризисным 2009 годом (таблица 2.14).69Таблица 2.14 – Годовые частоты дефолта по инвестиционным проектамГод200820092010201120122013Кол-воКоличество дефолтов понедефолтныхинвестиционнымЧастота дефолтапроектов на началопроектамгода3650,00%32412,50%0250,00%2385,26%0500,00%0680,00% Оценки вероятности дефолта не должны быть меньше значения 0,25%[Власов, Помазанов, 2008], которое соответствует годовой вероятностидефолта рейтинга S&P Российской Федерации по состоянию на01.01.2014 (рейтинг – «BBB»).С учетом приведенных допущений и формулы (12) были определеныкалибровочные коэффициенты=0,55 и  =0,273 и годовая вероятностьдефолта по инвестиционному проекту, таким образом, с учетом формулы(19) будет рассчитываться по следующей формуле (21):PD1год 1 .

(21) - 0,7759  Доля соб . участ. бен. Norm  1,7885  IRR Norm 1  exp 0,55  0,273  1,1577  Инд. фактор 0,5485  Рег . фактор Norm  3,8430NormОценка годовой вероятности дефолта инвестиционного проектаопределяется по формуле (21). При этом значения параметров Median и Slopeи параметров Mean и StdDev берутся из соответствующих таблиц,приведенных в пункте 2.1.3 («Преобразования данных»). Для оценкивозможности использования модели на портфельной основе по отношению кпортфелям инвестиционных проектов со своими структурами отраслей ирегионов и своими распределениями дефолтов по отраслям и регионамдолжна быть обязательно проведена количественная валидация модели наданныхпортфелях.Цельколичественнойвалидации–оценкадискриминационной и прогнозной (предсказательной) способности модели.70Оценкупрогнозной(предсказательной)способностимоделиможнопроводить только при наличии достаточного количества дефолтныхпроектов.

По результатам количественной валидации может быть приняторешениекаконевозможностицелесообразностиееиспользованияиспользованиявмодели,отношениитакиорассматриваемогооднородного кредитного портфеля. Количественную валидацию моделицелесообразно повторять не реже одного раза в год, анализируя тем самымизменениядискриминационнойипрогнозной(предсказательной)способностей модели с изменением структуры самих портфелей.Модельможетцелесообразностибытьучастияиспользованакредитнойприпринятииорганизацииврешенияореализацииинвестиционных проектов.

Годовая вероятность дефолта (балл отсечения),прикоторойразницакумулятивныхраспределенийдефолтныхинедефолтных проектов максимальна, была определена на основаниимаксимизации KS-статистики10 [Siddiqi, 2006]. Значение KS-статистики прификсированном уровне отсечения определяется как разность между долямидефолтных и недефолтных проектов, приходящихся на проекты с годовымивероятностями дефолта не ниже заданного уровня. Годовая вероятностьдефолта, при которой достигается максимум KS-статистики, обеспечиваетоптимальный баланс между долей корректно одобренных недефолтныхпроектов и долей ошибочно одобренных дефолтных проектов. Инымисловами, при исключении всех проектов с годовой вероятностью дефолта неменее данной отсекается максимально возможное количество дефолтныхпроектов при минимально возможном количестве недефолтных проектов.Графическая интерпретация KS-статистики приведена на рисунке 2.9.10Статистика Колмогорова-Смирнова71Рисунок 2.9 – Графическая интерпретация KS-статистикиИз приведенного графика видно, что оптимально возможное значениеKS-статистики достигается в точке PD1год = 17,88%.

Характеристики

Список файлов диссертации