Автореферат (1138187), страница 3

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

Текст из файла (страница 3)

Сигнальная моделькредитного риска использовалась для верификации выводов, получаемых наоснове эконометрической модели.Моделируемымкризиснымсобытием,отражающимреализациюагрегированного кредитного риска российского банковского сектора, являлсяустойчивый разворот тренда доли проблемных и безнадежных ссуд (NPL) всовокупном кредитном портфеле банковского сектора с понижательного наповышательный (рост доли NPL более чем на 1 проц. п.

за год). Анализ6Методология предложена в работе Kaminsky et al. (1998).14частных опережающих индикаторов выявил пять наиболее информативных дляроссийского рынка показателей (лаг опережения составляет 4 квартала). Этипоказатели характеризуют состояние российского кредитного рынка, балансдоходов и расходов экономических агентов, состояние платежного балансароссийской экономики. Полученные частные индикаторы взвешивались с учетомих предсказательной силы для расчета сводного опережающего индикаторареализации агрегированного кредитного риска банковского сектора России.Полученный индикатор заблаговременно (с опережением в 3-4 квартала)сигнализирует о наступлении предсказываемого события в 1998 г., 2001 г. и2008 г.

(отрывается от нуля и выходит в область высоких или среднихзначений).Вторая глава диссертации «Разработка опережающих индикаторовповоротных точек бизнес-цикла» посвящена построению индикаторовпредикторов входа в макроэкономический кризис и выхода из него.Были построены две модели с дискретными зависимыми переменными(одна - на вход экономики в рецессию, другая - на выход из нее) с опережениемв год.

Для датировки фаз бизнес-цикла был выбран подход цикла темпов роста.Периоды устойчивого ухода в область отрицательных значений годовыхтемпов прироста реального ВВП были классифицированы как рецессии,положительных – как экспансии.Оценивание моделей смены фаз бизнес-цикла проводилось на основепанельных данных для выявления общих закономерностей.

Дело в том, что поданным только российской экономики построение модели опережающихиндикаторов поворотных точек бизнес-цикла затруднительно ввиду малогоколичествакризисныхэпизодов(с1990-хгг.понастоящеевремязафиксировано две «рыночные» рецессии). В качестве статистической базыиспользовались погодовые данные за 1980-2010 гг. по 25 странам ОЭСР плюсРоссия.Периодытрансформационногоспадавпостсоциалистическихэкономиках были удалены из анализа.Отбор опережающих индикаторов-предикторов смены фаз бизнес-циклабыл произведен на основе анализа теоретических и эмпирических работ15Итоговый перечень факторов включал макроэкономические переменные,переменные ожиданий агентов, переменные внешнего сектора, показателифинансового и кредитного рынков.При построении опережающих индикаторов смены фаз бизнес-цикла быларешена проблема посткризисного смещения (post-crisis bias) –некорректностьтрактовки начала кризиса и его продолжения как равноценных событий.

Длярешения этой проблемы был применен метод, предложенный в работеDemirguc-Kunt, Detragiache (1998) по предсказанию банковских кризисов: былиисключеныизрассмотрениявсенаблюдения,когдареализацияпредсказываемого события была невозможна (в случае модели входа врецессию - периоды продолжения кризиса, в случае модели выхода –бескризисные периоды).Общий вид оцениваемых моделей (логит-модели бинарного выбора):PrYi ,t  1 | X i ,t 1 exp X i, t 1 1  exp X i, t 1 (4),где Yi ,t - зависимая переменная фазы бизнес-цикла в стране i в моментвремени t, X i , t 1 - набор объясняющих переменных, β – вектор параметров,подлежащих оценке. Данные модели оценивались при помощи методамаксимального правдоподобия.При расчете предсказательной силы моделей рецессии и выхода из нее былприменен анализ порогов отсечения моделей на основе методов оптимизации,заимствованных из литературы по опережающим индикаторам финансовыхкризисов.

Оптимальный порог отсечения (преобразующий непрерывный рядмодельных значений вероятности события в дискретную шкалу) выбирался наоснове минимизации функции потерь регулятора, возникающей вследствиебалансировки между ошибками первого (пропущенное событие) и второго рода(ложныйсигнал):L( )   CB (1   ) ,ACBDгдеA,B,CиDрассчитываются в соответствии с классификацией, приведенной в табл. 1 ниже.16Таблица 1. Классификация событий и сигналов о нихСигналСобытие происходит втечение лага опереженияСобытие не происходит втечение лага опереженияиндикатор подает сигнал(превышает порог отсечения)AB(ошибка 2 рода)индикатор не подает сигнал(не превышает порог отсечения)C(ошибка 1 рода)DПоказано, что с ростом порога отсечения растет ошибка первого рода, в товремя как ошибка второго рода – убывает.

Это означает, что существуетоптимум, где взвешенная сумма этих ошибок минимальна.Оценкабинарныхмоделейвходарецессиюивыходаизнееосуществлялась в три этапа. Поочередно оценивались регрессии переменныхфазы бизнес-цикла только на опережающий индикатор ВВП в методологииОЭСР, затем – на переменные реального сектора и, наконец – на переменныереального и финансового секторов.В табл.

2 приведены значения предсказательной силы различныхоцененных моделей входа в рецессию для параметра Θ = 0,5. Результатырасчетов показывают, что модель с реальными и финансовыми показателямипредсказывает вход в рецессию практически так же точно, как и модель толькос опережающим индикатором ВВП ОЭСР, но при этом для нее показатель«шум/сигнал» составляет в 2 раза меньшую величину.Таблица 2. Показатели качества моделей входа в рецессию, оптимальныйпорог – на основе функции потерь регулятора, Θ = 0,5, %.Оптимальный порогШум/сигналДоля верных предсказанийсобытийДоля верных предсказанийотсутствия событийМодельтолько сопережающиминдикаторомВВП ОЭСР0,0818,7Модельтолько споказателямиреальногосектора0,1320,7Модель споказателямиреального ифинансовогосекторов0,188,289,779,188,083,283,792,817Результаты оценивания и ранжирование спецификаций бинарной моделивыхода из рецессии в целом повторяют выводы, сделанные для модели входа внее: выявлено более высокое качество модели, основанной на широком наборепредикторовфинансовогоиреальногосекторовпосравнениюсальтернативными спецификациями.Был проведен тест на необходимость устранения посткризисногосмещения, который показал, что его устранение позволило повыситьпредсказательную силу модели (долю верно предсказанных рецессий) на 10проц.

п. и при этом снизить уровень «шума» в 3 раза.Был проведен анализ вневыборочной предсказательной силы построенныхмоделей.Егорезультатысвидетельствуютокорректностисигналовопережающих индикаторов о начале и продолжении рецессии в странахЕвропы в 2011-2013 гг.Были построены помесячные опережающие индикаторы входа в рецессиюи выхода из нее российской экономики. По данным на последнюю доступнуюточку (март 2014 г.) индикатор входа в рецессию вплотную приблизился кпороговомузначению.макроэкономическогоЭтосценарияобосновываетприиспользованиепроведениикризисногостресс-тестированиякредитного риска российского банковского сектора.Третья глава диссертации «Моделирование макро- и микроэкономическихфакторов кредитного риска российских банков» посвящена исследованиюотносительной значимости макроэкономических переменных и фактороврискованности бизнес-стратегий банков при объяснении качества ссудотдельных российских банков.Были оценены эконометрические модели качества ссуд отдельных банков,где объясняющие переменные включали факторы макроэкономической среды ипоказатели рискованности ведения бизнеса банков.

Статистической базоймоделей являлись поквартальные данные Банка России по балансовымпоказателям российских кредитных организаций (форма 101) и по отчетам оприбылях и убытках (форма 102), а также данные Росстата и Банка России помакроэкономическим и финансовым показателям за период 2004-2013 гг. В18качестве объясняемой переменной качества ссуд на уровне отдельных банковиспользовался показатель доли просроченных кредитов в кредитном портфеле(наиболее близкий из доступных к доле необслуживаемых кредитов - NPL).Моделикачествассудотдельныхбанковоценивалисьвдвухспецификациях: статической и динамической. Использование динамическойспецификации наряду со статической обусловлено инерцией зависимойпеременной (см. выше).Общий вид статической спецификации:JHj 1h 1OLi ,t      ( j )  Macro (t j )    ( h )  Bank i(,ht ) k  i   i ,t(5),где OLi ,t – доля просроченных кредитов в кредитном портфеле банка i вквартал t; Macro – набор макроэкономических переменных и индикаторовбанковского сектора, Bank – специфические для отдельных банков переменные;i  i ,t – сумма индивидуального эффекта  i банка i и идиосинкратическогошока  i,t ; i – номер банка, t – индекс квартала, k – величина квартального лага(макропеременные включались в уравнение без лага, банк-специфичные – совсеми лагами от одного до четырех кварталов);  ,  , – векторы параметров,подлежащих оценке.

Статическая спецификация оценивалась при помощиметода оценки моделей на панельных данных с фиксированными эффектами(согласнотестуХаусмана,фиксированныеэффектыпредпочтительнееслучайных).Динамическая спецификация уравнения доли просроченных кредитов:JHj 1h 1OLi ,t      OLi ,t 1    ( j )  Macrot(jk)   ( h )  Bank i(,ht ) k   i   i ,t(6)Динамическая спецификация оценивалась методом «Difference GMM»,предложенным в работе Arellano, Bond (1991).По результатам оценивания статической и динамической спецификацийбыло обнаружено значимое влияние факторов макроэкономических условий ипоказателей рискованности стратегий банков, таких как их эффективность,рыночная власть, структура кредитного портфеля и др., на качество выданных19кредитов.

В оцененные модели значимо входили от 2 до 5 макроэкономическихпеременных и от 2 до 3 микроуровневых показателей.Для статической спецификации качество объяснения моделью данныхсоставило 50-70% (R2 по методу LSDV), для динамической – еще выше: 70-80%(по показателю квадрата коэффициента корреляции между фактическими имодельными значениями зависимой переменной). Такие высокие показателиподгонки дают возможность провести факторную декомпозицию объясненнойвариации качества ссуд отдельных банков.Припроведениифакторнойдекомпозициивыделеныдвегруппыпеременных: макро- и микроэкономические.

Произведено разложение приростадоли просроченных кредитов отдельных банков за период 2 кв. 2008 г. – 2 кв.2010 г. (минимальное и максимальное значение в рамках кризиса 2008-2009 гг.)по этим группам факторов. В качестве базовой спецификации использоваласьстатическая модель, поскольку в динамической спецификации значительнаядоля объясняющей силы приходится на лагированную зависимую переменную.Изменениеопределяетсядолипросроченныхприростомсуммыкредитовпроизведенийзасчетмакрофакторовмакропоказателейиихкоэффициентов.

Расчет вклада микропеременных аналогичен макро, но споправкой на прирост не объясняемой моделью части вариации зависимойпеременной.Результаты факторной декомпозиции свидетельствуют об определяющемвлиянии макроусловий на ухудшение качества ссуд медианного банка в период2 кв.

Характеристики

Список файлов диссертации