Диссертация (1138188), страница 3
Текст из файла (страница 3)
Также базойисследованияявляютсяданныеоборотныхведомостейпосчетамбухгалтерского учета (форма 101) и отчеты о прибылях и убытках (форма102) российских банков, публикуемые на сайте Банка России за период 20042013 гг.Структура диссертации. Работа состоит из введения, 4 глав,заключения, приложения, списка литературы из 126 наименований.
Общийобъем работы — 160 страниц основного текста и 32 страницы приложений ибиблиографии.Впервойглаведиссертациистроитсямежстрановаямодельагрегированного кредитного риска с учетом возможности обратных связеймежду макропеременными и показателями финансового (кредитного) рынка.Тестируется наличие обратных связей и делается вывод об их статистическойнезначимости на имеющихся данных. Тем самым, при разработке стрессовыхсценариев можно абстрагироваться от второй проблемы стресс-тестирования.Во второй главе диссертационного исследования разрабатываютсяопережающие индикаторы поворотных точек бизнес-цикла, что даетвозможностьсопережениемпредсказыватьрезкоеухудшениемакроэкономической конъюнктуры, а также заблаговременно предвидетьточку окончания спада в экономике.
Использование результатов моделейопережающих индикаторов для выработки стрессовых сценариев позволяетрешить первую проблему стресс-тестирования: а именно – снизитьпроцикличность (сильную историческую обусловленность) закладываемыхшоков, путем более точного их прогнозирования с учетом фактическогоуровня риска.В третьей главе строятся модели кредитного риска отдельных банков взависимости от макроэкономических условий и показателей рискованностибизнес-стратегий игроков. Рассчитывается доля просроченных кредитовбанков,объясняемаярассчитываетсяразличнымимасштабгруппгруппамибанков,12факторов:обладающихвчастности,повышеннойустойчивостью к реализации негативных макроэкономических сценариев, атакже обозначается «группа риска»: банки, характеризующиеся высокойдолей вклада микроэкономических факторов в ухудшение качества ссуд вовремя последнего кризиса 2008-2009 гг.В четвертой главе диссертационного исследования построенные моделиагрегированного кредитного риска применяются к анализу устойчивостироссийскихбанков.Проводитсядистанционноеtop-downстресс-тестирование банков с учетом текущих показаний модели опережающихиндикаторов и разложения индивидуальной подверженности кредитномуриску на факторы макроэкономической среды и рискованности бизнесстратегии.13Глава 1.
Моделирование кредитного риска банковской системы:макроэкономический аспектВ данной главе строится эконометрическая модель агрегированногокредитного риска банковской системы. Эта модель позволяет оцениватьэффекты реализации макроэкономических сценариев, включая стрессовых, сточки зрения качества кредитных портфелей российских банков и ихустойчивости.1.1. Обзор подходов к эконометрическому моделированиюагрегированного кредитного риска банковского сектора взависимости от факторов макроэкономической средыВ настоящее время предложено множество подходов к моделированиюкредитного риска: обзоры методологий и концепций приведены, например, вработах Sorge (2004), Quagliariello (2009) и Drehmann (2009).Можно выделить два основных направления моделирования кредитныхрисков - модели, основанные на данных о частоте дефолтов заемщиковбанков, и модели, основанные на данных банковских балансов.Первое направление.
Модели кредитных рисков на основе данных очастотедефолтоввключаютвсебядваподхода:частичныйиинтегрированный в зависимости от степени привязки меры кредитного риска(частоты дефолтов) к макроэкономическим условиям. В рамках частичногоподхода постулируется явная зависимость той или иной меры кредитногориска от макроэкономических сценариев. В рамках интегрированногоподхода – источником возмущений макроэкономических переменныхявляются случайные (стохастические) шоки.Частичный и интегрированный подходы отличаются с точки зренияполноты восстановления функции плотности кредитных потерь 7 банков,которые могут возникнуть в результате реализации тех или иных шоков.7Под потерями будет пониматься объем кредитов, по которому наступил дефолт,скорректированный на коэффициент потерь в случае дефолта (LGD – Loss Given Default)и коэффициент подверженности дефолту (EAD - Exposure at Default). Тогда функциейплотности кредитных потерь будем называть зависимость вероятности потерь от ихвеличины.14Интегрированныйподходподразумеваетоценкувсейфункцииплотности кредитных потерь банков.
В случае интегрированного подходамерой кредитного риска Ω является показатель VaR – Value at Risk, либолюбойдругойпроцентильфункцииплотностивзависимостиот( ̃ ) , где PDF (probability distributionтолерантности к риску:function) – функция плотности кредитных потерь.Частичныйподходпредполагаетмоделированиетолькоматематического ожидания меры финансовой устойчивости Y~t (для моделей,основанных на данных о частоте дефолтов - это вероятность дефолта фирм /частота внутриотраслевых дефолтов) в зависимости от макроэкономическихусловий, а также от других факторов (см. Рисунок 1).
Здесь мерой риска( ̃ ).является условное (по сценарию) математическое ожиданиеСамыми известными моделями, относящимися к интегрированномуподходу, являются CreditMetrics, CreditRisk+, CreditPortfolioView, KMV,подробное описание этих моделей приведено в работе Crouhy et al.
(2000).Перечисленные модели разработаны для анализа кредитных портфелейотдельных банков, и для расчетов здесь используются микроэкономическиеданные по отдельным фирмам - заемщикам. В качестве индикаторовкредитного качества заемщиков используются показатели частоты дефолтови вероятности изменения кредитного рейтинга для групп компаний. Знаякачество каждого отдельного заемщика, кредитная организация можетвосстановить функцию плотности своих потерь.
Как правило, эти моделипозволяютстроитьтолькобезусловнуюпоотношениюкмакроэкономическим условиям функцию плотности кредитных потерь.Исследуемыешокивбольшинствемоделейтакоготипаимеютстохастическую природу и моделируются при помощи симуляций по методуМонте-Карло (см. Рисунок 1). Преимуществом интегрированного подходаявляется возможность моделирования нелинейного воздействия шоков нарискованность кредитного портфеля, а его недостатками - краткосрочный15горизонт прогнозирования (как правило, до года) и слабая привязкабольшинства моделей к фазе бизнес-цикла.Рисунок 1 - Основные существующие подходы к моделированию кредитногориска и стресс-тестированию банковского сектораСтохастическиешокиМакроэкономические условияЧастичный подходКРЕДИТНЫЙ РИСКИнтегрированныйподходЧастота (вероятность)дефолта на уровнефирм / отраслейBottom-upNPL (LLP, WOR)отдельныхбанковTop-downNPL (LLP, WOR)в банковскомсектореStress - testingИнтегрированный подходПримечание: NPL – nonperforming loans ratio – доля необслуживаемых кредитов вкредитном портфеле;LLP – loan loss provisioning – отношение резервов под возможныхпотери к кредитному портфелю;WOR – write-off ratio – доля списаний в кредитном портфеле.Источник: составлено автором.Кратко опишем одну из моделей, относящуюся к интегрированномуподходу.МодельCreditPortfolioViewсвязываетчастоту дефолтоввкорпоративном секторе или в отдельных отраслях с макроэкономическимипеременными.Этамодельприменяласьвнесколькихсовременныхисследованиях для стресс-тестирования кредитного риска банковскогосектора: в Австрии – см.
Boss (2002), в Финляндии – см. Virolainen (2004) идр. Идея модели заключается в оценивании эмпирической связи междучастотой дефолтов (в i-й отрасли или для всего корпоративного сектора вцелом) и макроэкономическими факторами. Пусть вероятность дефолта вкорпоративномсекторезависитотвекторамакроэкономическихпеременных следующим образом (логит-модель бинарного выбора):pt 11 exp( y t )(1),16где- линейная комбинация макроэкономических факторов x ,записанная следующим образом:yt 0 1 x1,t 2 x2,t ... K x K ,t tСтресс-тестированиекредитногопортфеля(2)припомощимоделиCreditPortfolioView основывается на предположении о стохастическойприроде шоков.
Исследуемые шоки моделируются посредством симуляцийпо методу Монте-Карло. Так, динамика каждой макропеременной x задаетсяавторегрессионным процессом второго порядка - AR(2):x1,t 0 1 x1,t 1 2 x1,t 2 t(3) E ~ (0, ) , ,(4), , где E – вектор инноваций или шоков системы, Σ - ковариационнаяматрица шоковЗатем, из заранее известного распределения шоков множество разизвлекаютсянаблюдения,которыезатем«навешиваются»наавторегрессионную динамику макропеременных.
Полученные траекториичастоты дефолтов позволяют оценить ожидаемые и неожиданные потерикредитного портфеля в зависимости от толерантности к риску. Несмотря нато,чтовмоделиCreditPortfolioViewприсутствуетсвязьмеждумакроэкономическими условиями и кредитным риском банков, источникоммакроэкономическихколебанийявляютсястохастическиешоки.Недостатком данного подхода может быть несбалансированность стрессовыхсценариев.Работы по частичному подходу в рамках моделирования кредитныхрисков на основе данных о частоте дефолтов, как правило, связываютагрегированный по отраслям или экономике в целом уровень корпоративныхбанкротств с макроэкономическими переменными.
Причем в большинстверабот частота дефолтов на макроуровне моделируется эндогенно поотношению к макроусловиям. В работе Sommar, Shahnazarian (2009)17медианное значение EDF (expected default frequency - ожидаемая частотадефолтов, вперёдсмотрящая рыночная мера кредитного качества фирм;может быть рассчитана для компаний, акции которых обращаются на бирже)шведскихнефинансовыхфирмсвязываетсясмакроэкономическимиусловиями при помощи оценивания модели векторной коррекции ошибками(VECM). В числе макрофакторов – индекс промышленного производства,индекс потребительских цен и краткосрочная процентная ставка. В работеJacobson et al.
(2005) строится модель векторной авторегрессии (VAR),связывающая агрегированную частоту дефолта в корпоративном сектореШвеции и набор макроэкономических переменных (гэп ВВП, темпинфляции, номинальная ставка процента, реальный валютный курс).Преимуществами частичного подхода по сравнению с интегрированнымявляетсявозможностьсценарногоанализа,атакжеменьшаятребовательность к объему исходных данных и простота расчетов,недостатком – использование линейных функциональных форм в оценкевзаимосвязей.Для построения межстрановой модели агрегированного кредитногориска банковского сектора применение моделей, основанных на данных очастоте дефолтов затруднительно ввиду отсутствия сопоставимых постранам данных.
Поэтому в данной работе рассматривается второенаправление моделирования кредитных рисков – на основе данныхбанковских балансов.Второе направление. Моделирования кредитных рисков на основеданных банковских балансов предполагает использование только частичногоподхода. В качестве меры финансовой устойчивости Y~t здесь используютсяпоказатели доли необслуживаемых кредитов (NPL), доли резервов подпотери (LLP), доли списаний в кредитном портфеле (WOR), частотыкорпоративных дефолтов (см. Рисунок 1).Внутри направления моделирования кредитных рисков на основебалансовых данных можно выделить модели кредитного риска на уровне18банковской системы в целом (макроэкономический подход – см., например,Hoggarth et al., 2005; Pesola, 2005; Nkusu, 2011), и на уровне отдельныхбанков (микроэкономический подход - см.
Jimenez, Saurina 2005; Espinoza,Prasad 2010; Quagliariello, 2007 и др.).Модели и методы стресс-тестирования различаются по направлениюанализа и агрегирования данных. В частности, выделяют подход «снизувверх» («bottom-up approach»), в рамках которого анализ рисков проводитсяна уровне банков по данным их внутренней отчетности. При этом моделирисков, используемые отдельными игроками, могут различаться. Общимипритакойпостановкестресс-тестированиябудутлибоодинаковыемакроэкономические сценарии, задаваемые регулятором, либо масштаботдельных шоков. Анализ устойчивости банков к негативным шокампроводится на микроуровне, а затем результаты сообщаются регулятору дляагрегирования.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
