Диссертация (1138188), страница 26
Текст из файла (страница 26)
Это связано с тем, что, во-первых, регуляторами учитываетсяопыт прошлых кризисов, тем самым снижается вероятность повторениякризиса, а во-вторых, идет постоянное усложнение инструментов нафинансовых рынках (финансовые инновации), а также вовлечение всебольшего числа участников. В связи с этим развивается также подход квыбору шоков, основанный на экспертном суждении (гипотетическиесценарии). Сюда же входят методы так называемого «обратного стресстестирования» (reverse stress-testing), когда сначала определяется точка, послекоторой система дестабилизируется, а затем рассчитывается величина шока,способного вызвать такие последствия.Тесты на чувствительность к изменению одного рискового факторапривлекательны вычислительной простотой, однако они не обеспечиваютсбалансированности изменения нескольких факторов на входе сценария(предположение, например, только о росте процентных ставок является148нереалистичнымпеременных).негативноговВконтекстепрактикеимпульсаввзаимосвязанностимакроэкономическихстресс-тестированиясбалансированностьрамкахмакроэкономическогосценарияобеспечивается при помощи модели взаимовлияния макроэкономическихпеременных (см.
Рисунок 23). Cihak (2005) выделяет три типа моделей,обеспечивающих сбалансированность переменных в рамках сценария.Первый тип – структурные эконометрические модели, имеющиеся убольшинства Центральных банков для целей анализа мер кредитно-денежнойполитики и прогнозирования. В рамках этих моделей экзогенный шоквоздействует сразу на макропеременные модели, такие как ВВП, процентныеставки, инфляция, валютный курс и др. Анализируя опыт программы FSAP,Cihak (2005) отмечает, что практически все регуляторы использовали моделинациональной экономики указанного типа для разработки стрессовыхсценариев.В ряде случаях, когда структурная макроэконометрическая модельотсутствует или не пригодна для выявления устойчивых взаимосвязей вовремя кризиса, используется модель векторной авторегрессии (VAR) иливекторной коррекции ошибок (VECM).
Модели VAR не накладываютограничений на структуру взаимосвязей макроэкономических переменных,при этом они весьма гибкие и простые в обращении. Эти модели такжепозволяютминимумомстроитьсбалансированныйпредпосылок.Примеромпрогнозмакропеременныхстресс-тестированиянасосновенеструктурных моделей (на входе сценария) является опыт Центральныхбанков Великобритании, Японии, Испании, Нидерландов и др. – см. Cihak(2005).Третьим вариантом является чисто статистический подход к разработкестрессовых сценариев. Так, например, в Австрии в рамках Мониторингасистемных рисков (SRM – Systemic risk monitor) проводится статистическийанализ поведения макроэкономических и финансовых переменных припомощи многомерных функций копула. Преимуществом этого подхода149является учет корреляций между переменными во время спокойного периодаи шока.
Это возможно благодаря построению совместных функцийплотности переменных.4.2.5. Возможные меры выходных параметров стресс-тестаВ качестве переменной выхода модели стресс-тестирования используютагрегированныепотерибанковскойсистем,вызванныеухудшениемфинансовой стабильности.
Это могут быть потери по ссудам, ценнымбумагам, валютным операциям, снижение прибыльности операций и т.п. Взаключительной стадии важно агрегировать эти результаты в единую меру –общие потери, которые затем можно сравнивать между сценариями, включаябазовый вариант. Источниками покрытия неожиданных потерь являетсязаработанная прибыль, а также собственный капитал. Как правило, в стресстестировании анализируется достаточность имеющегося запаса капиталабанковской системы для покрытия возникающих потерь.
При этом за основуберется только наиболее качественный капитал первого уровня (без учетапривилегированных акций, субординированных кредитов и т.п.) - см. Врезка1.В последние годы получили распространение методы построения всейфункции плотности потерь (например, по кредитному портфеля) в отличие отстандартного подхода точечных оценок, задаваемых рассматриваемымисценариями.
Эта функция плотности позволяет оценивать ожидаемые потерии неожиданные потери, а также показатель VaR (Value-at-Risk) или любойдругой процентиль распределения в зависимости от толерантности к рискудля непрерывного множества возможных исходов. Приверженность этомуподходу продемонстрировали последние работы Центральных банковВеликобритании, Испании, Нидерландов (Cihak, 2005).4.2.6. Краткие выводы по мировому опыту стресс-тестирования и описаниевозможногопримененияметодовстресс-тестированияустойчивости российского банковского сектора150канализуОбзор мирового опыта стресс-тестирования показал, что в последниегоды модели и методы анализа устойчивости финансовых систем и банков кнегативнымшокаммножественностьпостоянноусовершенствуются:риск-факторов,используютсяучитываетсяболеесложныемакроэкономические модели для выработки стрессовых сценариев.
Моделистресс-тестирования активно внедряются в практику управления рискамиЦентральными банками различных стран. Однако, как отмечают эксперты,современныеметодыстресс-тестированияинструментараннегооповещенияослаборисках,подходятпосколькунарольвследствиенесовершенной методологии они имеют свойство занижать масштабпотенциальных уязвимостей в бескризисное время. Во время кризисаиспользование методов стресс-тестирования оказывается более успешным,поскольку основные риски уже проявились, и стресс-тесты, в случае если ониправильно специфицированы, могут корректно оценить масштаб возможныхпроблем.Наиболее проработанным и наиболее часто оцениваемым рисков врамках стресс-тестирования является кредитный риск: потенциальные потерибанков в результате реализации данного риска в случае негативныхсценариев максимальны по сравнению с другими рисками, кроме того, дляоценки данного риска существуют общепринятые в научной литературе и впрактическом применении методы анализа кредитоспособности заемщиков ирискованности кредитных организаций.
Поэтому в рамках данной работыпри практическом применении методов стресс-тестирования к анализуустойчивости российских банков будет рассматриваться только кредитныйриск, учет прочих источников нестабильности может быть направлениемдальнейших исследований в данной области.4.3. Описание методологии и результатов стресс-тестированияроссийскогобанковскогосектораприпомощимоделиагрегированных кредитных рисков и симуляции банковских балансов151В данном разделе к оценке среднесрочных перспектив российскогокредитного рынка применяется построенная в главе 1 эконометрическаямодельагрегированныхкредитныхрисков.Припомощимоделиагрегированных кредитных рисков банковского сектора и среднесрочныхсценариевЦентрамакроэкономическогоанализаикраткосрочногопрогнозирования был рассчитаны прогноз доли NPL по российскомубанковскомусекторумакроэкономическихвцеломсценариев:нагодвысокого,впередвнаиболеерамкахтрехвероятногоикризисного35.Длясценарногопрогнозаагрегированногокредитногорискаиспользуется динамическая множественная модель NPL, обладающаянаилучшей предсказательной силой - Модель 9, см.
табл. П2 в Приложении.Построенный по этой модели прогноз указывает на рост доли проблемныхи безнадежных кредитов к концу 2014 г. по все трем сценариям (по данныммодели, в высоком сценарии – рост до 6.9%, в наиболее вероятном – до 7.6%, вкризисном – до 9,7% - см. Рисунок 24).
Главный источник рисков – розничныйсегмент кредитного рынка, где ожидается рост «плохих» кредитов во всехсценариях (см. раздел 4.1). При этом в высоком сценарии кризис в розничномсегменте будет оказывать ограниченное воздействие на кредитный рынок вцелом(будетзатронуттолькосегментбеззалоговойрозницыприотносительной устойчивости прочих сегментов). Поэтому в этом варианте доляNPL, по прогнозу, вырастет меньше всего в 2014 г. (на 0,9 проц.
п.).35Рассмотрение кризисного сценария наряду с другими при стресс-тестировании обусловленоповедением опережающих индикаторов смены фаз бизнес-цикла, которые указывают на приближающуюсяк пороговому значению вероятность входа российской экономики в рецессию в перспективе года.Российские министерства и ведомства не публиковали в открытом доступе кризисные макроэкономическиесценарии.СценарииЦМАКПдоступныпоссылкеhttp://www.forecast.ru/_ARCHIVE/Monitoring/2014/2014Forecast.pdf152Рисунок 24 – Сценарный прогноз доли проблемных и безнадежных ссуд(NPL) в кредитном портфеле банковской системы России2019.51614.113.48.23.42.63.5фактвысокий (прогноз)наиб. вероятн.
(прогноз)2014201320062005200420032002200120006.03.81.4019992.47.66.96.320125.64.719987.6201146.320106.28.68.320086.77.7200789.79.510.9200912моделькризисный (прогноз)Источник: данные Банка России, расчеты автораВ наиболее вероятном сценарии, так же, как и в высоком, кризис «плохих»долгов будет сосредоточен в сегменте кредитов населению, однако он будетболее масштабным по части «зараженных» категорий ссуд (автокредитованиеи, частично, высокорискованные жилищные ссуды).