Диссертация (1138188), страница 5

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

Текст из файла (страница 5)

Подтверждение этого утверждения было найдено в работах Salas,Saurina (2002) и Berger, DeYoung (1997).Результаты эмпирических исследований свидетельствуют о том, чтодиверсификацияисточниковдоходовбанковявляетсяэффективнымсредством снижения кредитного риска. Действительно, большее вовлечениев операции, не связанные с кредитным риском (платежные операции,брокерские услуги и др.) позволяет банкам зарабатывать доходы, менеесопряженные с кредитным риском, тем самым снижая стимулы дляфинансирования спекулятивных проектов. Качество институтов кредитного рынка, регулирование и надзор.В работе Nkusu (2011) отмечается, что на межстрановые различия вкачествекредитныхпортфелейбанковоказываютвлияниеинституциональные показатели: регулирование банковской деятельности ибанковский надзор. Действительно, различия в регулировании и надзоревлияют на стимулы банков к осуществлению тех или иных операций, на ихрыночные стратегии, а также на практику управления рисками, что играетважную роль в объяснении межстрановых различий качества кредитныхпортфелей банков.

Другая гипотеза состоит в том, что институциональныефакторы могут также отражать развитость институтов кредитного рынка25(доверие между бизнес-единицами, кредитную культуру заемщиков), чтопозитивносказываетсямакроэкономическихнакачествеусловий.кредитовОднаконадовнезависимостизаметить,чтоинституциональные факторы очень инертны и год от года меняются весьмаслабо, что может существенно ограничивать их объясняющую силу. Крометого, в межстрановых моделях на панельных данных институциональныепеременные могут быть тесно скоррелированы с индивидуальнымистрановыми эффектами, и поэтому статистически выделить их влияниеможет быть сложно.1.2.

Описаниеметодологииэконометрическоймоделиагрегированного кредитного риска банковского сектора ииспользуемых данныхВкачествестатистическойбазыдляоцениванияуравненияагрегированного кредитного риска банковского сектора использовалисьпанельные погодовые данные за 1997–2012 гг. 8 по 37 странам ОЭСР 9 .Использование панельных данных для моделирования качества ссуд в Россииобусловлено малым числом кризисов «плохих долгов» (роста доли NPLкредитах) в нашей стране: данные события пока наблюдались только в 1998 и2008 гг. При построении моделей на панельных межстрановых данныхпредполагается, что факторы реализации кредитных рисков в данной группестран одинаковые (см.

обзор факторов выше). Учет индивидуальныхособенностей стран в данных моделях происходит за счет включенияиндивидуальных ненаблюдаемых эффектов (см. далее).Используемые при построении моделей данные макроэкономическойстатистики, балансов банковских систем стран и динамики фондовых рынковбыли собраны на основе данных МВФ (International Financial Statistics) и8Данные по доле проблемных и безнадежных ссуд (NPL) имеются только с 1997 г.Австралия, Австрия, Бельгия, Канада, Чили, Чехия, Дания, Эстония, Финляндия,Франция, Германия, Греция, Венгрия, Исландия, Ирландия, Израиль, Италия, Япония,Корея, Латвия, Литва, Люксембург, Мексика, Нидерланды, Новая Зеландия, Норвегия,Польша, Португалия, Россия, Словакия, Словения, Испания, Швеция, Швейцария,Турция, Великобритания, США.926Всемирного банка (World Development Indicators).

Данные по доленеобслуживаемых кредитов (NPL) в совокупном кредитном портфелебанковскогосектора,попоказателямэффективности,прибыльности,рыночной власти и концентрации банковских систем и др. были собраны избазы Всемирного банка Global Financial Development. Межстрановые данныепо ценам на недвижимость были собраны на основе данных Hypostat и БанкаМеждународных расчетов (BIS Property price statistics).На основе анализа эмпирических работ, приведенного выше, былсформирован список переменных – потенциальных предикторов качествакредитных портфелей банков на макроуровне. В основном, переченьанализируемых переменных повторяет приведенные выше показатели,характеризующие те или иные группы факторов кредитных рисков.

Но есть имодификации, связанные либо с наличием / отсутствием данных, либо свключением дополнительных переменных. Так, в рамках характеристикмакроэкономических условий использовалась не только динамика ВВП,инфляции и обменного курса, но и производные от них, нацеленные на учеткризисных явлений: отрицательная динамика ВВП, торможение инфляции,ослабление курса национальной валюты. Данные переменные цензурируются(обрезаются) нулем в случае их «неспокойного» поведения. В качествеиндикатора риска кредитного рынка был добавлен показатель доли кредитовбанков госсектору: предполагается, что банковские системы с большейориентированностью на кредитование госкомпаний более устойчивы ккредитному риску по сравнение с частным сектором. К принятым влитературе индикаторам устойчивости банков к кредитному риску мыдобавилипоказательпокрытия«плохих»кредитоврезервами.Предполагается, что более высокое отношение резервы-NPL отражает болеекачественное управление рисками и готовность менеджмента брать рискипод контроль.

По показателям качества институтов кредитного рынка,регулирования и надзора не были найдены сопоставимые протяженные вовремени межстрановые данные. Поэтому в качестве прокси для развитости27институтов кредитного рынка использовался показатель ВВП на душунаселения в долл. США.1.3. Результаты оценивания динамической модели агрегированногокредитного риска банковского сектора на панельных данных постранам ОЭСР и РоссииРегрессионный анализ по панельным данным был проведен в два этапа.На первом этапе были оценены модели регрессии на каждую переменную поотдельности. На втором – с учетом значимости переменных в моделяхпервогоэтапавключающихбылиоцененынескольков качестве объясняющихмножественныхмоделей,переменных набор«лучшихпеременных», отобранных на первом этапе.Этап 1. Анализ влияния отдельных факторов в рамках регрессий накаждую переменную по отдельности. Было построено несколько десятковпарных моделей доли NPL в зависимости от различных факторов.

В качествебазовой спецификации была выбрана динамическая модель на панельныхданных, т.е. во все модели в качестве регрессора включалось прошлоезначение зависимой переменной. Выбор динамической спецификацииосновывается на опыте имеющихся эмпирических работ. Как отмечают Salas,Saurina (2002), доля «плохих» кредитов тесно связана со своим значением впредыдущие периоды (фактор инерции), поскольку проблемные кредиты не«рассасываются» мгновенно и могут оставаться на балансах банков напротяжениииспользованиянесколькихлет.динамическойЭтообусловливаетспецификациинеобходимостьуравнения(такуюспецификацию оценивали также Quagliariello, 2007; Espinoza, Prasad, 2010;Jimenez, Saurina, 2005), т.е. включения лагированной зависимой переменнойв состав регрессоров.Последнее приводит к несостоятельности оценокмоделей с фиксированными или случайными эффектами (стандартных напанельных данных). Поэтому модель оценивалась в разностях, а также былииспользованы инструментальные переменные — лагированные уровни28эндогенных и предетерминированных переменных10в соответствие сподходом, предложенным в работе Arellano, Bond (1991).

При этом, следуяработе Blundell, Bond (1998), уравнение в первых разностях было дополненоуравнением в уровнях, используя для него в качестве инструментальныхпеременных лагированные разности эндогенных и предетерминированныхпеременных11. Такой метод носит название «System GMM»12 и может бытьзаписан следующим образом:KNPLit  NPLit 1    k X it( k )   itk 1KNPLit  NPLit 1    k Xk 1(k )it(5),  itгде  it  i  vit — сумма индивидуального (странового) эффекта иидиосинкратического шока, NPLit – зависимая переменная, X it – векторобъясняющих переменных.Для каждой группы переменных заранее была задана глубина лагаопережения зависимой переменной. Для показателей макроэкономическихусловийидинамикиценактивовлагравнялсянулю,посколькупредполагается, что качество ссуд быстро реагирует на изменениефинансового положения заемщиков и стоимость залогов по кредитам. Всебанковские переменные были взяты с лагом в один год, во-первых, из-занемгновенного реагирования качества ссуд на индикаторы кредитнойполитики, конкуренции, эффективности и др.

показатели. Во-вторых, важнойпричинойограничениялагабанковскихпеременныхявляетсяихпотенциальная эндогенность с зависимой переменной в случае включения ихв уравнение одновременно. Несмотря на то, что метод оценки динамических10первые разности экзогенных переменных используются в качестве инструментовдля самих себя11поскольку предполагается, что они не будут коррелировать с индивидуальнымиэффектами и, соответственно, с остатком εit.. Причины использования System GMM, а неDifference: в условиях высокой степени инерции зависимой переменной ее внутренниеинструментальные переменные могут оказаться «слабыми» или даже нерелевантностыми.12применение этого метода гарантирует робастность к любым формамгетероскедастичности.29моделей на панельных данных позволяет решать проблему эндогенностиряда объясняющих переменных, он делает это путем «утяжеления» матрицыинструментальныхпеременных–привлечениядополнительныхинструментов для этих показателей. Проблема в том, что число объектов внашем анализе ограничено набором стран ОЭСР (37 стран), а согласноRoodman (2006), число инструментов не должно сильно превышать числообъектов, иначе ухудшается качество оценивания.

Учитывая, что частьинструментальных переменных уже «зарезервирована» для лагированнойзависимой переменной, макроэкономических показателей и цен активов,возможности для дополнительного наращивания матрицы инструментальныхпеременных за счет эндогенизации банковских переменных ограничены.Анализ результатов регрессий NPL на каждую переменную поотдельности позволил получить следующие выводы. В первой группефакторов – «макроэкономические условия» значимыми оказались почти всепеременные. В множественные модели не войдут только показателиинфляции и ее торможения - см.

табл. П1 в Приложении. В блоке «ценактивов» также все переменные вошли значимо с правильным знаком. Втретьем блоке – «риски кредитного рынка» - для дальнейшего анализа былиоставлены только переменные LTD, а также спред процентных ставок ипоказатель чистой процентной маржи. Несмотря на то, что знак передставкамиимаржойотрицательный,этонесчитаетсяошибочным(ожидаемый знак влияния ставок по кредитам и ее производных, согласноописанной выше логике, – положительный), поскольку существует ряд работ,обнаруживающий отрицательную взаимосвязь между процентными ставкамии рискованностью банков. Так, например, в работе Delis, Kouretas (2011)авторы обнаружили отрицательное влияние ставки на риск банков навыборке европейских кредитных организаций за период 2000-х гг.

Характеристики

Список файлов диссертации