Диссертация (1138178), страница 5
Текст из файла (страница 5)
Полученные значения показателей сравнивались сихзначениями для трёх состояний фирмы: для благополучныхкомпаний, для компаний, обанкротившихся в течение года, и дляфирм, ставших дефолтами в течение пяти лет [Beaver, 1966].28Преимуществом данной модели является её относительная простота.Однако, предложенная методика обладает смещенностью в прогнозах:кредитоспособныезаемщикиклассифицируютсясбольшейдостоверностью, чем будущие дефолты, более того вводитсяпредпосылка о линейности связей между значением показателей икредитоспособностью заемщика. В результате модель обладаетнедостаточной предсказательной силой, полученные выводы сильнозависят от выборки и необходима адаптация модели для российскойпрактики.Другой подкласс - модели множественного дискриминантногоанализа такжешироко используются для оценки вероятностидефолта.
В отличие от однопеременного дискриминантного анализа, врамкахэтогопоказателей.подходаЭтотклассифицирующиевыделяетсяметоднепозволяетпеременныеодин,асовокупностьопределить(дискриминанты),такиедисперсиякоторых между рассматриваемыми группами была максимальной, авнутри этих групп минимальной. В общем виде функция длялинейной модели множественного дискриминантного анализа можетбыть представлена как:Di d 0 d1 X i1 d 2 X i 2 d n X in ,(1.8)гдеDi дискриминант i-того заемщика;X ij значение j-того признак для i- того заемщика;d0 автономная величина;d j коэффициент регрессии для j-того признака.Таким образом, для каждого заемщика рассчитывается величинадискриминанта, которая затем сравнивается с некоторым нормативом,определяющего принадлежность заемщика к той или иной группе.29Основополагающей в данном классе является модель Альтмана,представленная в работе [Altman, 1968] и его последующие модели. Встатьеавтор описал модель Z-дискриминанта, построенную спомощью аппарата мультипликативного анализа и позволяющуюразделить заемщиков на потенциальных банкротов и не банкротов.
Вэтой работе Альтман рассмотрел два класса компаний в период с1946-1965 гг., в каждом по 33 предприятия:предприятия,зарегистрированныетребованиямкакбанкротысогласноамериканской комиссии по ценным бумагам, и функционирующиепредприятия из тех же отраслей, с размерами активов, соизмеримымис показателями компаний первого класса [Altman, 1968].
Для анализафинансового состояния заемщика, была исследована бухгалтерскаяотчетность предприятий, датированная годом раньше до банкротства.На основе этих данных для каждого предприятия были рассчитаны 22финансовыхрентабельность,коэффициента,устойчивость,характеризующихплатежеспособностьликвидность,иделовуюактивность фирм. В итоговую модель вошли такие показатели как:доля чистого оборотного капитала в активах, рентабельность активов,финансовый рычаг, оборачиваемость активов.
Модели Альтмана,обладают большой предсказательной силой (позволяют предвидетьдефолт на период до 5 лет с точностью до 70%) [Altman, 1977].Несмотря на это, для данного класса моделей, безусловно, необходимаадаптация для российской практики, так как они могут несоответствовать современной специфике экономической ситуации иинституциональной среды.Стоит отметить, что модели дискриминантного анализа, какправило (кроме каких-то крайних случаев), не дают конкретнойоценки вероятности дефолта, а позволяют только классифицироватьзаемщиков в зависимости от степени угрозы.30Другой класс моделей представляют модели бинарного выборадля оценки вероятности дефолта, идея которых заключается в том,чтобы на первом этапе выявить влияющие на кредитоспособностьзаемщика факторы, а затем на основе их значений оценитьвероятность возможного дефолта.
Применение данных моделейосновано на использовании метода максимального правдоподобия.Отличие между моделями данной группы обусловлено различиями впредпосылках относительно распределения вероятности банкротстваи характерафункциональной зависимости между финансовымипоказателями заемщика и его вероятностью дефолта, который можетбыть различен, в том числе logit или probit модели, использующиеразличныефункциипреобразованиячисловойпрямойввероятностный интервал.Модель бинарного выбора включает два типа переменных:зависимую бинарную переменную вида y 1,0, которая принимаетданные значения в следующих случаях:1, если заемщик признается дефолтом;y0, в противном случае,и совокупность объясняющих переменных, образующих векторX i X i1 , X i 2 ,...X in .TТаким образом, вероятность дефолта i-того заемщика, равнавероятности того, что вероятность событияy 1составитpi P( yi 1) F ( X i ) .TВ зависимости от вида функциональной зависимости F(.)различают:1.
probit-модели в случае если F(.) - это функция стандартногонормального распределения;2. logit-модели, которые подразумевает применение логистическогопреобразования к прогнозированию данных на основе метода31наибольшего правдоподобия. Функциональная зависимость logitмодели, имеет вид:P( yi 1) 11 e( b0 b1 X i1 b2 X i2 bn X in ),(1.9)где1, если заемщик признается дефолтом;,yi 0, в противном случае;X ij значение j-й объясняющей переменной для i-го заемщика;b j коэффициент регрессии для j-й переменной.Начало использованию данного класса моделей для оценкивероятности дефолтауказаннойработыбыло заложено [Ohlson,1980]. В рамкахиспользоваласьlogit-модельдляпрогнозавероятности дефолта за год до события на основе финансовыхпоказателей фирм за периодвключала9независимыхс 1970-1976 гг.
Построенная модель,показателей,средикоторыхбылипредставлены такие как доля заемного капитала в общей суммеактивов, рентабельность активов, индекс чистой прибыли, фиктивнаяпеременная, характеризующая знак чистой прибыли в течение двухпрошлых лет и др. [Ohlson, 1980].На сегодняшний деньпредпочтение в исследованиях и напрактике отдавалось применению logit-моделей.
Возможно, потомучто probit-модели требуют большего числа вычислений и строятся напредпосылкеонормальностираспределениявеличин,реалистично только в случае большого объема выборки.чтоСледуетотметить, что модели бинарного выбора чрезвычайно чувствительнык мультиколлинеарности независимых переменных, но при этомменее чувствительны к однородности ковариаций переменных, посравнению с моделямив рамках дискриминантного[Аббакумов, 2008].32подходаДостоинствомотчетностимоделейзаемщиканеобходимойнаосновеявляетсяинформации:данныхотносительнаябухгалтерскуюфинансовойдоступностьотчетностьможетпредоставить практически любой корпоративный заемщик банка.Стоит отметить, что далеко не всегда данная отчетность являетсядостоверной. Более того, бухгалтерская отчетность показываетрезультаты деятельность компании постфактум, то есть в этом аспектеобладаетнедостаточнойпредсказательнойсилойотносительнобудущих планов компании.Данный факт также актуален дляПоэтомуврамкахпостроенияроссийской практики.моделейиулучшенияихпредсказательной силы в российской практике лучше использоватьотчетность с аудиторским заключением или годовую отчетность,которая направляется компанией в Федеральную налоговую службуРФ.Такжесуществуетрядработпосвящённыхвопросамотслеживания признаков не достоверной отчетности и фирм«однодневок», например, работа [МЭИ, 2000].Модели на основе кредитных рейтингов внешних агентствЕще одним классом моделей, который получил широкоераспространение в банковской практике, являются модели на основерейтингов международных рейтинговых агентств.
Родоначальникомподходов, заложенных в основе данного класса моделей, является[Tamari,1966] который построил простейшую балльную системуоценки вероятности банкротства на основе финансовых показателейконтрагента. Данный подход получил дальнейшее развитие в работе[Moses, Liao,1987], в которой авторы дополнили бальную системупороговыми значениями показателей, которые были выведены порезультатам однопеременного анализа.33Современный процесс формирования рейтингов включает в себякак количественный, так и институциональный анализ.
При этоминституциональный анализ может включать в себя анализ такиххарактеристик корпоративного заемщика как качество и уровеньобразования топ-менеджмента, конкурентное положение на рынке,доступ к стратегическим ресурсам на рынке, вид собственности иорганизационная структура, поддержка со стороны государства идругих институциональных игроков.
В качестве примера на рис. 1.2представленобщаяструктурапроцессаприсвоениярейтингамеждународного рейтингового агентства Moody’s [Лобанов, Чугунов,2009].6. Рейтингование компании5.Анализ структуры компании4.Анализ финансовых показателей3. Оценка качества менеджмента2.Оценка тенденций в отрасли1.Макроэкономический обзорРис. 1.2. Процесс присвоения рейтинга рейтинговым агентствомMoody’sПрианализевероятностидефолтанаосноведанныхрейтинговых агентств особое внимание уделяется изменению вовремени вероятности дефолт и миграции рейтингов.
В табл. 1.1представлены данные по миграции рейтингов в дефолтный рейтинг нагоризонте до 10-ти лет. В общем виде в табл. 1.1 указана долякомпаний, рейтинг которых, в течение рассматриваемого горизонтавремени, упал до уровня дефолтного рейтинга. Например, порядка31% компаний в течение 1 года попадают из категории компаний срейтингом ССС, в категорию дефолтных компаний.Таблица 1.134Ожидаемая вероятность дефолта по данным рейтинговогоагентства S&PРейтинг / Год12345678910ААА0,000,000,030,070,110,200,300,470,540,61АА0,010,030,080,170,280,240,610,770,901,06А0,050,150,300,480,710,941,191,461,782,10ВВВ0,360,961,612,583,534,495,336,106,777,60ВВ1,474,498,1811,6914,7717,9920,4322,6324,8526,61В6,7214,9922,1927,8331,9935,3738,5641,2542,9044,59ССС30,9540,3546,4351,2556,7758,7659,4658,5961,5762,92Недостатком данного подхода являетсято, что он говориттолько о вероятности перехода рейтинга в категорию дефолта, иногдабанкам необходимо оценить также вероятность переходов рейтинговпо всем категориям.
В рамках данной задачи можно использоватьподход на основе межгрупповых переходов (cohort approach) иматрицы перехода (migration matrix), которые оценивают частотуизменения одного кредитного рейтинга на другой. Пример матрицыперехода, построенной на основе рейтингов Moody’s представлен врис. 1.3. На основе данных проставленной выше матрицы миграциирейтингов можно, например, сказать, что 22,05% компаний срейтингом Саа к концу года станут дефолтными, в то время как67,79% останутся с тем же рейтингом.Рис. 1.3 Матрица миграции рейтингов по данным рейтинговогоагентства Moody’s.35Практическое применение данный класс моделей нашел винструменте Credit Metrics, в котором основными драйверами рискаявляютсячастотаизмененийкредитныхрейтинговдолговыхинструментов контрагента (облигаций).Одной их возможных итераций данного подхода являетсяподход на основе дюрации, который учитывает временную структуруи тот факт, что момент дефолта происходит в разное время в течениерассмотренного периода, а не только рассматривает результат наконец рассматриваемого периода.
Данный поход использовался вработе [Muliaman et al., 2009].Преимуществом данных моделей является их наглядность ипростота, при этом достаточно высокая предсказательная сила т.к.данные матрицы строятся, как правило, рейтинговыми агентствами,на основе большого массива информации и исторических данных.Недостатокданныхмоделейвограниченностипериметраиспользования, так как значительная доля корпоративных заемщиков,в особенности в российской практике, не имеют кредитный рейтинг,присвоенный внешним рейтинговым агентством. Стоит отметить, чтоматрицы перехода не являются динамическими, и обновляютсярейтинговыми агентствами лишь с заданной периодичностью, то естьихоценкиявляютсяскореедискретнымивеличинами,чемнепрерывными.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
