Диссертация (1138316), страница 8

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

Текст из файла (страница 8)

Основная идея этих моделейзаключаетсяпроцессоввмоделированиипринятиянесколькихрешений.Ввзаимосвязанныхсамомпростомслучаепри моделировании кредитного риска это могут быть решения: об обслуживании ипотечного кредита (в том числе об объявлениидефолта), которое принимает заемщик; об одобрении/отклонении кредитной заявки, принимаемое ОПИКв процессе кредитного андеррайтинга.РазличныеослаблениемодификациипредпосылкимоделиоХекмананормальномпредполагаютраспределении,игнорирование цензурирования, а также использование более гибкихзависимыхпеременных,какдляоценкикредитногориска,так и параметров ипотечного кредита. Так, например, в эмпирическойработе [Zhang, 2013] расширение классической модели Хекманаиспользуется для выявления взаимосвязи процесса кредитногоандеррайтингаипроцессаценообразованияприИЖК.К модификациям модели Хекмана, относится модель с эффектами45воздействия (the treatment effects model), и регрессионная модельс эндогенными переключениями режимов (the endogenous switchingregression model).

Несмотря на то, что модели с коррекцией проблемывыборочной селективности позволяют учитывать взаимосвязанностьнескольких процессов принятия решений, полученные результатымогутбытьраспределениичувствительныслучайныхкпредположениювозмущенийвосовместномсоответствующихрегрессионных уравнениях, и используемой спецификации модели.В случае, когда возможно дифференцировать ипотечные кредитыс разными сроками просроченной задолженности, например до 90дней, от 90 до 120 дней и др., и, следовательно, уточнить понятиеипотечногодефолта,могутбытьиспользованымоделис упорядоченным и неупорядоченным откликом, относящиеся к классумоделей с дискретной зависимой переменной.

В работе Чена и Дена[Chen, Deng, 2013] мультиномиальная логит-модель используется длямоделирования стратегии обслуживания кредита при коммерческойипотеке.Широкое распространение в литературе, посвященной оценкевероятностидефолтапродолжительностиприИЖК,получилимодели(durationmodels),построениекоторыхневозможно без информации о моменте наступления дефолта.При параметрическоманализетакихмоделейиспользуютсяэкспоненциальная или вейбулловская кривые выживания [Макфадден,2008].Например,модельпропорциональныхрисков(hazardproportional model), именуемая также регрессией Кокса (the Coxregression)h(t | x)  h0 (t ) exp( x ) ,(1)где h(t|x) — функция риска (вероятность наступления дефолта), h0(t) —неизвестная неотрицательная функция базового риска, одинаковая46для всех исследуемых объектов, x—вектор значений объясняющихпеременных, которые оказывают пропорциональное влияние на риск,—вектор значений неизвестных параметров, t—время наступлениядефолта.

Предполагается, что объясняющие переменные независимыи линейно влияют на риск наступления события.Модели пропорциональных рисков используются не толькодля оценки PD ипотечного заемщика [Vandell et al., 1993; Lekkas et al.,1993; Follain, Ondrich, 1997; Pavlov, 2001; LaCour-Little, Malpezzi,2003; Pennington-Cross, 2003], но и для оценки вероятностидосрочного погашения при ИЖК [Green, Shoven, 1986; Schwartz,Torous, 1989]. В ряде работ модель пропорциональных рисковапробируется для оценки вероятности дефолта при коммерческойипотеке, в том числе с учетом коррекции проблемы выборочнойселективности [Lekkas et al.; 1993; Amborse et al., 2001; Ciochetti et al.,2003; Chen, Deng, 2013].

Эмпирические результаты исследования[Chen, Deng, 2012] свидетельствуют о том, что высокий коэффициентКредит/Залог увеличивает вероятность дефолта. В то же времяувеличение темпа роста чистой операционной прибыли заемщикаи уровня занятости сокращает вероятность дефолта.Использование вышеперечисленных параметрических моделейсущественноограничиваетотсутствиеаприорногознаниятеоретического закона распределения и, как следствие, искаженноепредставление о точной спецификации функциональной формымодели. Неверная спецификация функциональной формы можетпривести к искажению, как при оценивании, так и при инференции[Крил, 2008].В качестве возможной альтернативы параметрическим моделямиспользуютсяболеегибкиеполупараметрическиеи непараметрические модели. Они используют более широкие,47но менее ограничительные свойства распределений.

В частностиэто предположения о статистической независимости распределенийслучайных величин и их непрерывности.Непараметрические методы довольно редко используютсяв качестве базовых инструментов моделирования для изучениядефолта при ИЖК. В основном применяются непараметрическиестатистическиезначимыетесты,различияи недефолтных),такиепозволяющиедвухкакгруппсравнитьстатистическизаемщиковкритерийПирсона(дефолтныхикритерийУилкоксона–Манна–Уитни. Исследования, базирующиеся на данныхwww.citimortgage.com.поипотечнымценнымбумагамс фиксированной процентной ставкой за период с 1992 г.

по 1997 г.,демонстрируютвысокуюпредсказательнуюсилуядерногооценивания при моделировании досрочного погашения и PD [LaCourLittle, Maxam, 2001; LaCour-Little et al., 2002]. Как отмечают авторы,последние теоретические разработки, вычислительная эффективностьи доступность больших массивов данных способствовали повышениюотносительной эффективности ядерного оценивания.

Это, в своюочередь, обуславливает растущий интерес к непараметрическомуоцениванию в финансовом моделировании.Среди наиболее распространенных непараметрических методоввыделяют сглаживание сплайнами, локальную регрессию и локальнуюполиномиальную регрессию, метод ближайших соседей, ядерныеметоды оценивания, гибкие методы сглаживания с помощью рядови искусственныеприменениянейронныеискусственныхсети.Обзорнейронныхэмпирическихсетейдляработпостроенияэффективных систем кредитного скоринга при потребительскомкредитовании представлен в работе [Порошина, 2012b].

В работе[Порошина, 2012c] апробируются модели нейронных сетей в оценке48банковскихкредитныхрисковприкредитованиироссийскихпредприятий малого бизнеса. В финансовом моделировании широкоиспользуются различные архитектуры нейронных сетей 12 , которыеразличаютсятипомобучения,механизмомузловыхсвязейи алгоритмом обучения.Искусственныенейронныесети,какидругиенепараметрические методы, не требуют каких-либо предположений,например, о характере распределения или взаимосвязи междупеременными. Нейронные сети позволяют работать с любымколичеством разнородных входных и выходных параметров в самыхразныхпредметныхобластях.Нелинейности,заимствованныеиз наблюдений за работой нейронов мозга и заложенные в нейронныесети, являются естественными (природными), а потому позволяютвыстраивать функциональные зависимости, аппроксимация которыхпредставляетсяпроблематичнойсредствамиклассическогорегрессионного анализа [Ясницкий, 2010].С другой стороны, хотя нейронные сети обладают высокойпредсказательной силой, они остаются системами «черных ящиков»,поскольку в общем случае не имеется возможности извлечьсимвольнуюинформациюизихвнутреннихконфигураций.Методология построения и оптимизация нейронной сети в большейстепениноситразличныхэмпирическийпараметров,характер,связанныхспоэтомуалгоритмомопределениеобучения,не является строго определенным.

Архитектура многих нейронныхсетей зачастую требует больших обучающих множеств и итерацийобучения [Kumar, Ravi, 2007], однако это во многом определяется12Нейронные сети с обратным распространением ошибки (многослойный персептрон) (MLP, themulti-layer perceptron); сеть радиального базиса (RBFN, radial basis function network; вероятностныенейронные сети (PNN, probabilistic neural network); сети векторного квантования (LVQ, learningvector quantization); самоорганизующиеся карты (SOM, self-organizing feature map) и др.49алгоритмом обучения.

Стоит отметить ограниченность наработокв области теоретических основ построения нейронных сетей, по этойпричине их дизайн в большей степени строится на эмпирическихэкспериментах.Полупараметрическиекомпромиссмеждумоделипредставляютнепараметрическимиисобойпараметрическимимоделями, включая в свой состав компоненты каждой из них.Например, функция базового риска в уравнении (1) может быть заданакак параметрически, так и непараметрически. Однако, как показанов работе [An, Qi, 2012], модели с непараметрической базовойфункцией риска фундаментально неидентифицируемы при наличиитолькоагрегированныхданныхпообслуживаниюипотечныхкредитов.

В этом случае содержательные инференции могут бытьполучены только при условии параметрического предположенияотносительно базовой функции риска.Применение таких полупараметрических и непараметрическихмоделей в качестве базовых инструментов оценки PD сопряженос рядом сложностей [Крил, 2008]: результаты оценивания зачастую представляют собой сложныевыражения, часть которых может не иметь явного экономическогосмысла; использование более слабых предпосылок, чем в параметрическихмоделях, может привести к потере эффективности/мощности; требуются большие вычислительные затраты; такие модели зачастую требуют тонкой настройки, котороеоказывает сильное влияние на результат.Ввиду указанных причин такие модели используются не какзамена параметрическим моделям, а как дополнение к ним с цельюпроверки робастности результатов [Poroshina, 2014]. Например, чтобы50проверитьробастностьрезультатовс помощьюдвойнойпробит-моделиоценкиполученныхPD,[Bhuttaetal.,2010]и мультиномиальной логит-модели [Clapp et al., 2006], используетсямодель пропорциональных рисков.

Большие различия в результатахмогут служить сигналом неверной спецификации параметрическоймодели [Крил, 2008].Срединаиболеепопулярныхметодик,используемыхроссийскими банками для построения оценочных моделей, в работе[Маркус,2013]выделяютсяэконометрические(регрессионные)модели, а также такие инструменты интеллектуального анализаданных (Data Mining), как нейросетевые модели (п. 2.4) и деревьяклассификации. Стоит отметить, что выбор соответствующего классамоделей для оценки вероятности ипотечного дефолта зависитот множества факторов. В том числе это определяется возможностямиОПИК по разработке и адаптации таких систем с целью ихдальнейшего использования в качестве систем поддержки принятиярешения в процессе кредитного андеррайтинга.1.4.3.

Доля потерь в случае ипотечного дефолтаДовольно активно развиваются работы, в которых обсуждаетсявопросы оценки и других компонентов кредитного риска—долиубытка при дефолте (LGD) и ставки восстановления (RR) которые,в свою очередь, наблюдаемы только после наступления дефолта.Эмпирические работы, базирующиеся на исторических данныхпо LGD и EAD, появились в основном в период 1996–2001 гг.,что во многомобусловленовнедрениемБазельскимкомитетомпродвинутого подхода для оценки кредитного риска.Основная часть литературы по моделированию LGD и RRпосвящена рынку корпоративных облигаций [Jarrow, 2001; Altman et51al., 2004; Altman et al., 2005].

Во многом это объясняется наличиемпублично доступных данных по компаниям-должникам, финансовоесостояниекоторыхможетбытьнепосредственнооцененоиз наблюдаемых котировок. Для корпоративных облигаций отмечаетсяположительная корреляция PD и LGD, а также тенденция к ростуданных показателей в периоды рецессий [Altman et al., 2005; Acharya etal., 2007]. Наличие положительной корреляции PD и LGD объясняетсяв работе [Frye et al., 2000] через стоимость залогового обеспечения,которая, в свою очередь, зависит от экономического состояния. Авторысправедливо отмечают, что момент передачи банку имущества,служившего залогом по невозвращённой ссуде, может происходитьодновременно с резким снижением его стоимости.

Характеристики

Список файлов диссертации