Автореферат (1138142), страница 3

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

Текст из файла (страница 3)

В первую очередь былопределен механизм прогноза будущих показателей деятельности банка (притока/оттокасредств, величины различных групп пассивов) на основе подхода ARIMA8. Выбор даннойформы моделей обусловлен с одной стороны, результатами проведенного в первой главеанализа, с другой – предъявленными к платежному календарю требованиями.Модели класса ARIMA предполагают высокий уровень гибкости и с учетомпредложенной в работе классификации денежных потоков позволяют нивелироватьнедостатки вероятностного и динамического подходов9, применяемых в отдельности другот друга.В работе было предложено использовать модифицированную модель следующеговида:Yt = μ + ∑ψ i ( B ) X i ,t + ntiгдеYt - значение временного ряда в момент времени t;ψ i (B ) - функция воздействия i-того фактора (регрессора Xi),μ - среднее ряда;nt - "шум" непосредственно временного ряда, θ ( B ) a t , где ϕ (B ) - авторегрессионыйϕ (B)оператор,7представляющийсобойполиномоператоровобратногосдвигаОперации с ценными бумагами, движение средств по операциям межбанковского кредитования,операциям с Банком России (РЕПО, кредиты, депозиты), то есть инструменты сдетерминированным движением средств.8Autoregressive Integrated Moving Average.

В рамках моделей этого класса предполагается, чтотекущие значения временного ряда, сглаженные путем включения параметров скользящегосреднего, зависят от его предыдущих значений, выраженных авторегрессиоными параметрами.9В вероятностных оценивается возможная величина изменения каких-либо показателейдеятельности банка (по сути, статические модели, модели "запаса"), в динамических – возможныйизбыток/дефицит средств в будущем (модели "потока"). Основным недостатком вероятностныхмоделей является их статичность (дается оценка риска изменения возможного показателя бездинамики изменения), динамических – случайность будущих изменений (несмотря на возможностьоценки будущих разрывов в ликвидности описанные модели работают с номинальными срокамипогашения активов/пассивов, а также предполагают случайность прогноза клиентских денежныхпотоков).11( ϕ ( B) = 1 − ϕ1 B − ϕ 2 B 2 − ϕ 3 B 3 − ...

− ϕ p B p );представляющийсобойθ (B) -полиномоператороператоровскользящегосреднего,обратногосдвига( θ ( B ) = 1 − θ1 B − θ 2 B 2 − θ 3 B 3 − ... − θ p B p ); a t - независимая случайная компонента;Даннаямодельпозволяеткомбинироватьвоздействиенапредсказываемуюпеременную прошлых случайных внешних шоков и прошлых значений непосредственносамого временного ряда. В рамках модели анализируются прошлые отклонения,закономерности развития временного ряда, его связи с возможными регрессорами, и вкачестве результата получается прогноз развития событий уже для детерминированныхбудущих временных интервалов, определенных в самой модели.

Преимуществомиспользования предложенных моделей является возможность их постоянного перерасчета:как и прогноз состояния ликвидности в целом, модели не могут являться статическими:при появлении новых данных может происходить переоценка параметров моделей илидаже смена их вида.Таким образом, в работе предлагается математическое решение, которое позволяет:⇒ учитывать историческое поведение банковских данных;⇒ давать прогноз показателей применительно к определенному периоду времени;⇒ оперативно включать в анализ новые внешние данные (как самого ряда, так ирегрессоров), своевременно корректировать и, при необходимости, изменятьмодели прогноза соответствующих показателей.Возможности предложенного способа моделирования были использованы придальнейшейразработкесценариевдеятельностибанка.Важнымпреимуществомиспользования предложенной модели послужило то, что проводимый анализ и прогнозпоказателей деятельности банка позволяет учитывать волатильность денежных потоков идавать прогноз10, моделирующий одновременно:⇒ общий тренд в направлении спроса и предложения денег банку со стороныклиентов;⇒ сезонные колебания (квартальные, месячные) денежных потоков;⇒ возможные циклические колебания экономики (например, резкий скачок в спросена кредиты в периоды высокой инвестиционной активности и сужениепредложения депозитов);тоестьпрогноз,описывающийбольшоеколичествовнешнихобстоятельствфункционирования банка.

Данный факт, в свою очередь, позволяет минимизировать числоальтернативных сценариев до двух.10При наличии объективной базы данных за 5-7 лет.12С учетом предложенного способа моделирования и анализа предложенныхзарубежных и российскими авторами классификаций кризисных ситуаций в рамкахпредлагаемого механизма была обоснована целесообразность применения трех сценариев:⇒ эволюционное развитие (основной сценарий, описывается с использованиемрезультатов математического моделирования);⇒ кризис отдельного банка;⇒ сценарий системного банковского кризиса.Основными параметрами сценария кризиса банка является снижение доверия состоронывсехинститутовфинансовогорынкавследствиепредполагаемыхилисуществующих у банка проблем с активами.

Сценарий системного кризиса предполагаетпанику в банковском секторе или разрушение одного из рынков капитала. Причем обакризисных сценария сложно отделить друг от друга, поскольку кризис отдельного банкаможет спровоцировать кризис всей системы, также как и системный кризис неизбежнозатрагивает операции отдельного банка.Взаключительнойчастивторойглавы,вкачествеотдельногоблокаразрабатываемого механизма управления ликвидностью, был предложен порядоквзаимодействия предложенных подходов к управлению ликвидностью с элементамиконтроллинга деятельности банка:⇒ процедурой бизнес-планирования;⇒ оценкой рисков ликвидности (GAP-анализ, оценка выполнения нормативов итребований Банка России и т.д.);⇒ оценкой кредитных и рыночных рисков (процентного, валютного и фондовогориска),а также с процентной и продуктовой политикой банка.В работе показано, что принятие эффективных управленческих решений в процессеуправления ликвидностью будет возможно при постоянном взаимодействии указанныхэлементов.

Только в случае такого взаимодействия возможно управление ликвидностью,учитывающее риски несбалансированности баланса (GAP-анализ), параметры бизнеспланирования, возможности применения финансовых инструментов и изменениярыночной политики банка, а также результаты постоянно проводимой оценки кредитных ирыночных рисков банка. Таким образом, предложенная система взаимодействия элементовконтроллинга деятельности банка должна являться неотъемлемой частью предлагаемогомеханизма управления ликвидностью.Сцельюполучениярезультатовпрактическогопримененияпредложенногомеханизма в третьей главе было проведено исследование данных ряда российских13банков.

Изначально, с использованием предложенных математических подходов былипостроены модели для получения прогноза банковских показателей по данным четырехроссийских универсальных банков11.Для исследованных банков были получены схожие закономерности поведения групппассивов, что показало принципиальную возможность использования как предложенных вработе математических моделей, так и самих временных рядов банковских данных вкачестве источников для прогноза будущего состояния банковских пассивов.В результате исследования были получены следующие значимые зависимостиданных по динамике привлеченных средств.Сбербанк РоссииВозрождениеБанк МосквыАльфа-банкФизические лицаAR (1), MA(1), MA(2), годоваясезонность, индекспромышленных ценAR(1), MA(1)AR (1)AR(1), MA(1)12Юридические лицаAR(1), MA(1), MA(2)MA(1)Нет адекватной модели13MA(1)Важным результатом проведенного в диссертации моделирования является тот факт,что для всех исследованных показателей (за исключением ряда привлеченных средствфизических лиц по Сбербанку России) не обнаружено значимой зависимости отпредложенных в работе экзогенных параметров14 и выраженной сезонности, хотя данныепараметры во многом могут повлиять на объем средств как населения, так и предприятий.Построенные с использованием предложенных математических подходов моделипрогноза отражают эволюционный сценарий развития банка, однако в них не учитывалисьэндогенные, не известные при проведении исследования, параметры, например,характеризующие рыночную стратегию банка, рекламные кампании и т.д.Поэтому в качестве дополнительных параметров моделей при проведении такогоанализа можно использовать переменные, объясняющие проведение агрессивнойрекламной кампании, применение политики повышенных процентных ставок либо11Сбербанк России, АКБ "Возрождение", АКБ "Банк Москвы" и АКБ "Альфа-банк".

Характеристики

Список файлов диссертации