Диссертация (1138188), страница 6
Текст из файла (страница 6)
Нашиданные охватывают не отдельные банки, как у этих авторов, но банковскиесистемы европейских и других развитых стран за аналогичный периодвремени (данные по NPL есть с 1997 г., приемлемый уровень заполненности30данных начинается в 2000-х гг.). Обоснование полученной отрицательнойвзаимосвязи между ставками и NPL – см.
в работе Delis, Kouretas (2011). Вгруппепоказателей«конкуренция,прибыльностьиэффективность»оставляются только показатель операционной эффективности и показателиприбыльности в реальном выражении - см. табл. П1 в Приложении. В блоке«устойчивость»удовлетворительныестатистическиехарактеристикипродемонстрировали следующие показатели: отношение капитала к активам,покрытие резервами «плохих» ссуд, доля непроцентных доходов в общихдоходах. Прокси для качества институтов оказался не значим.Этап 2.
Оценка множественных моделей NPL. Далее на основеполученных результатов оценивания парных моделей строится несколькомножественных регрессий. В качестве объясняющих переменных длямножественных моделей используются только те переменные, которыехорошо себя зарекомендовали на первом этапе: т.е. вошли в парные моделизначимо(или«почтизначимо»свысокимиz-статистиками)исинтерпретируемыми знаками. На основе этих переменных оцениваютсяразличные динамические спецификации модели NPL.В ряде исследований отмечается, что динамика кредитного риска банковявляется эндогенным фактором по отношению к макроэкономическимусловиям – см.
работы Hoggarth et al. (2005), Espinoza, Prasad (2010), Nkusu(2011), Klein (2013) и др. Постулирование этого факта ведет к формулировкемодели NPL в виде векторной авторегрессии (VAR). Это позволяетучитывать влияние развития кризисной ситуации в банковской системе нареальный сектор экономики.Обоснование влияния макроэкономических условий на динамикукредитного риска было приведено в обзоре литературы выше. Остановимсяподробнеенапеременные.объясненииВлияниемакроэкономическиефинансовогосекторавоздействиянесовершенствпоказателина(илиреальный)31качестванаболеебылоссуднакредитныхширокоосознанореальныерынках–насостоянияэкономистамиотносительно недавно.
Теоретические исследования выявили основныеканалы влияния банковской системы на макроэкономические показатели: вработе Bernanke (1983) - через балансы заемщиков и спрос на кредит, вработах Bernanke et al. (1999), Kiyotaki, Moore (1997), Von Peter (2004) - черезбалансы банков и предложение кредита. Действительно, банки во времякризиса существенно меняют политику предоставления кредитов - примеромможет служить кредитное сжатие (credit crunch), которое сопровождаетпрактически каждый финансовый кризис. Последнее через механизмфинансового акселератора – см. Bernanke et al.
(1999) негативно сказываетсяна деловой активности в реальном секторе.Для обоснования одномерной модели кредитного риска (в отличие отмногомерной VAR, применяемой в большинстве работ на макроуровне)проводится предварительный анализ взаимовлияния зависимой переменной –доли «плохих» кредитов – и переменной, наиболее полно отражающеймакроэкономические условия, – темп прироста реального ВВП при помощитеста Грейнджера на панельных данных.В данной главе тест специфицируется следующим образом:NPLit 1 NPLit 1 2 NPLit 2 1GDPgrit 1 2 GDPgrit 2 itGDPgrit 1GDPgrit 1 2 GDPgrit 2 1 NPLit 1 2 NPLit 2 itТестируемые гипотезы: 1) 1 2 0 ; 2) 1 2 0 . Учет только первыхдвух лагов в тесте обуславливается незначимостью прочих.Результаты теста (см.
Таблица 1) свидетельствуют о том, что ВВПявляется причиной по Грейнджеру качества совокупного кредитногопортфеля банковской системы, в то время как лаги NPL не помогают впредсказании текущих значений темпов прироста ВВП. Это позволяет намотказаться от спецификации модели в виде VAR и ограничитьсяоцениванием уравнений в форме (5).32Таблица 1 – Тест Грейнджера на панельных данных: выявление причинностимежду долей NPL и темпом прироста реального ВВПДоля NPL, лаг = 1 год0.738*** (0.120)Зависимая переменная:темп приростареального ВВП-0.044 (0.100)Доля NPL, лаг = 2 года-0.082 (0.101)0.082 (0.073)Сумма коэффициентов: NPL0.656*** (0.049)0.038 (0.063)P-значение, тест Грэйнджера(0.000)(0.418)-0.109*** (0.035)0.363*** (0.064)-0.093 (0.059)-0.065 (0.052)Сумма коэффициентов: ВВП-0.202*** (0.066)0.298*** (0.063)P-значение, тест Грэйнджера(0.001)(0.000)1.853*** (0.411)1.661*** (0.415)469468Зависимая переменная:доля NPLТемп прироста реальногоВВП, лаг = 1 годТемп прироста реальногоВВП, лаг = 2 годаКонстантаЧисло наблюденийЧисло стран3737Число инструментов3333P-значение, тест Вальда на00значим-ть ур-я в целомP-значение, тест Ареллано0.030 / 0.1460.000 / 0.291Бонда на AR (1) / AR (2)P-значение, тест Хансена на0.330.224сверхидентифиц.
огр-яПримечание. В скобках приведены робастные стандартные ошибки. ***, **, * —значимость коэффициента на 1%, 5% и 10% уровне соответственно. Метод оценивания One-step System GMM.Источник: расчеты автораРезультаты оценки множественных моделей представлены в табл. П2 вПриложении. Проблема эндогенности ряда переменных была решена припомощи привлечения дополнительных инструментальных переменных. Вовсех спецификациях макроэкономические переменные трактовались какэндогенные,лагированныепредетерминированные.ограничивалосьпри«банковские»Числопомощипеременныеинструментальныхсверткиматрицыпеременных - «collapsing method», см. Roodman (2006).33—какпеременныхинструментальныхОсновные выводы: Оценка коэффициента перед лагированной зависимой переменнойустойчиво значима и составляет 0,7-0,8, что свидетельствует означительной степени инерции качества ссуд; Отрицательный и значимый коэффициент перед темпом приростареального ВВП и положительный – перед приростом уровнябезработицы – свидетельствует о сонаправленности бизнес- икредитных циклов; Ослабление курса национальной валюты в текущем году значимо инегативно влияет на финансовое положение экспортеров и компаний,имеющих валютную задолженность, и, как следствие, на ихвозможность обслуживать долг; Показатель «кредиты-депозиты» входит в уравнение «плохих» долговне значимо (z-статистика больше единицы, но не достаточна дляформулирования надежных выводов относительно влияния этогопоказателя); Низкое значение спреда процентных ставок и процентной маржиможет вести к росту морального риска заемщиков (низкая ценакредита облегчает доступ к его получению даже низкодоходныхгрупп заемщиков) и с лагом - к росту доли проблемных кредитов; Более высокая прибыльность банковского бизнеса отражает также иболее качественное управление рисками, в т.ч кредитными, что ведеткснижениюдолиNPL(подтверждениегипотезы«плохогоменеджмента»); Более высокое покрытие резервами «плохих» ссуд также отражаетготовность менеджмента брать под контроль накопленные риски, чтоотражается в более высоком качестве кредитных портфелей.Во всех моделях тест Ареллано-Бонда свидетельствует об отсутствииавтокорреляции второго порядка в уравнении в первых разностях, что34говорит о корректности моментных условий для него.
Согласно тестуХансена, используемые инструментальные переменные релеванты.Анализ предсказательной силы моделей агрегированного кредитногориска выявил, что качество объяснения моделями фактических данныхвысокое: показатель тесноты связи R2 во всех оцененных спецификацияхварьируется от 0,8 до 0,9. По наилучшей из построенных моделей (покритерию наибольшего R2) – Модели 9 – были построены графикисоответствия модельных и фактических значений NPL (см. рис. П1 вПриложении).Визуальныйанализрис.П1указываетнавысокую1.4.
Моделированиеагрегированногокредитногобанковского сектора России: сигнальный подходрискапрогностическую силу модели.Вданномразделестроитсясигнальныйиндикаторреализацииагрегированного кредитного риска банковского сектора России. Этотиндикатор основывается на данных только одной страны, а отличие отмежстрановой эконометрической модели агрегированного кредитного риска,изложенной выше. Построенная сигнальная модель кредитного рискапозволит верифицировать выводы, получаемые на основе эконометрическоймодели и, тем самым, повысить обоснованность выводов относительнотекущей ситуации на российском кредитном рынке и его среднесрочныхперспектив.В данном разделе используется стандартная методология сигнальногоподхода, предложенной Kaminsky et al.
(1998) и подробно изложенная вработе Солнцев и др. (2011). Детектируемым событием, отражающимреализацию системных кредитных рисков банковского сектора, будемсчитать изменение тренда доли проблемных и безнадежных ссуд (NPL nonperforming loans, IV и V категории качества) в совокупном кредитномпортфеле банков с понижательногона повышательный. Приэтомустойчивым положительным трендом будем считать рост доли NPL более,чем на один процентный пункт в течение года (см. Рисунок 2).35Рисунок 2 - Динамика доли проблемных и безнадежных ссуд в совокупномкредитном портфеле банковской системы118.00.916.00.814.00.712.00.610.00.58.00.46.00.34.00.22.00.10.001.19963.19961.19973.19971.19983.19981.19993.19991.20003.20001.20013.20011.20023.20021.20033.20031.20043.20041.20053.20051.20063.20061.20073.20071.20083.20081.20093.20091.20103.20101.20113.20111.20123.20121.20133.201320.0Поворот тренда NPLДоля проблемных и безнадежных ссуд в общем объеме ссудАнализ поквартальной динамики доли проблемных кредитов надоступных данных (начиная с 1996 г.) показал, что резкие негативныеизменения тренда доли NPL в кредитном портфеле банковского секторапроисходили в (см.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
