Диссертация (1138729), страница 21

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

Текст из файла (страница 21)

Выбор показателей для оценки финансового состояния банка – непростая и неоднозначная задача. Критериями нашего выбора стали экономическое содержание, простота вычисления, а также устойчивость показателей во времени (как необходимое условие построения долгосрочных рейтингов).

Для построения наших моделей показатели разделены на группы, каждая из которых характеризует основные аспекты деятельности кредитной организации: качество капитала, качество активов, качество ресурсной базы, доходы (рентабельность) и ликвидность, – что в совокупности позволяет комплексно оценивать финансовое состояние банка и определять качество его баланса.

Как показал дальнейший анализ, предложенный нами набор показателей позволяет формировать собственные аналитические рейтинги российских банков, которые согласуются с рейтингами международных РА.

5. В группу исследуемых нами банков входит 401 российский банк (по ним в полном объеме доступна информация по месячным балансам за период с 01.02.2004 по 01.10.2006 (33 отчетных периода) и квартальная отчетность о прибылях и убытках). Размер собственного капитала этих банков по состоянию на 01.10.2006 превышает 100 млн. рублей.

Во второй главе «Модели для формирования рейтингов российских банков» проведено эмпирическое исследование степени влияния каждого из показателей на оценку функционирования кредитных организаций. На основе анализа корреляций нами выявлен набор независимых показателей и построены собственные модели количественной оценки функционирования банков. Верификация моделей производилась на основе данных по кредитным организациям с рейтингом международных РА (out-of-sample на данных за 2007 год), а также по банкам, лицензия у которых отозвана Банком России. Нами была исследована и выявлена важность выделения специализации для определения уровня надежности банков.

1. Так как специализация определяет набор рисков, которым подвержена организация, то ее выделение позволяет получить важную дополнительную информацию о деятельности банка (важно не только определить значение исследуемых показателей, но и выявить их место относительно характерных значений показателей для группы схожих банков (peer groups)).

Для определения специализаций нами исследована структура активов российских банков, для чего в активах-нетто выбраны процентные доли следующих показателей: «МБК выданные», «Кредиты, выданные физическим лицам», «Кредиты, выданные юридическим лицам и органам власти» и «Вложения в ценные бумаги». Т.о., определение специализации банков основывается на изучении структуры их активных операций и не учитывает специализацию по структуре привлеченных средств. Эти отношения (процентные доли) не обнаружили значимой зависимости (корреляция не превышает по модулю 0,3), поэтому они могут быть использованы для определения характера функционирования банка.

2. Специализации, характерные для российских банков, получены на основе кластерного анализа методом самоорганизующихся карт Кохонена (СОК). Метод самоорганизующихся карт [14] позволяет с высокой точностью эндогенно определять количество кластеров в наборе данных (на практике, как правило, изначально не известны структура данных и количество кластеров).

В ходе кластерного анализа в исследуемой выборке (состоящей из 401 банка) было выявлено четыре группы банков, условно обозначенные как: «Корпоративные», «Ссудные», «Универсальные» и «Банки для банков».

3. Из исследуемой выборки 62 банкам присвоен рейтинг международных РА. На основе этих рейтингов для дальнейшего анализа нами определено пять групп банков (с рейтингами уровня от «СС» до «ВВВ»).

В целях формирования рейтинговой оценки для российских банков нами использован набор из 26 показателей функционирования банка. Проведенный корреляционный анализ позволил на основе матрицы парных коэффициентов корреляции выявить факторы, тесно связанные между собой, в результате 8 показателей были исключены из анализа. Т.о., окончательный набор состоит из 18 независимых финансовых отношений.

На определение конечного набора независимых показателей существенное влияние оказывает полученная нами информация о специализации банков: в некоторых случаях зависимости между показателями, обнаруженные в полном наборе данных, не обнаруживаются в меньших наборах (учитывающих специализацию кредитных организаций).

4. «Весовые» коэффициенты определяются нами на основе регрессионных моделей, настройка которых производится на основе данных по кредитным организациям, которым присвоен рейтинг международных РА. Чтобы сгладить колебания показателей в рамках построения модели долгосрочного рейтинга, использовалось средневзвешенное значение показателя за шесть месяцев.

Взвешивание производится по линейному закону: наибольшим весом обладают значения показателя на последние отчетные даты, что позволяет учитывать тенденцию поведения показателя (в случае наличия таковой).

Для ограничения выбросов значений параметров в регрессионной модели применено неравенство Чебышева, согласно которому вероятность попадания вне интервала вокруг среднего значения случайной величины пропорциональна среднеквадратическому (стандартному) отклонению.

5. Дополнительно в модели включены две фиктивные переменные, характеризующие устойчивость роста активов банка и фактический размер активов-нетто. Размеры банка часто влияют на рейтинг: крупные организации имеют более диверсифицированную структуру (как активов, так и ресурсной базы), поэтому они существенно менее зависимы от крупного клиента или от определенного вида деятельности, что повышает устойчивость кредитной организации.

6. Для решения поставленной задачи нами проведен анализ качества ряда регрессионных моделей на выбранном наборе показателей, которые разделены на две группы: «учитывающие» и «не учитывающие» информацию о специализации банка.

Для оценки качества прогноза выбраны следующие критерии:

1) совпадение расчетного рейтинга с реальным;

2) отклонение не более, чем на один класс;

3) завышение рейтинга;

4) завышение рейтинга более, чем на один класс.

Анализ показал, что среди исследуемых регрессий можно выделить две (кубическую и линейные с учетом специализации), обладающие наивысшей точностью в моделировании рейтингов международных рейтинговых агентств. Применение линейной регрессии также позволяет добиться высокой точности моделирования. Использование отклонения от среднего значения по группе (специализации) или по всей выборке банков позволяет сократить влияние масштаба показателя на интегральную оценку и, тем самым, использовать в регрессии величины одного порядка. Аргументом в пользу включения в регрессии отклонений от средних значений является и возможность точнее интерпретировать влияние значений показателей на рейтинг. Как показано А.Карминским и А.Петровым [19], оценка состояния банка должна зависеть не от абсолютных значений показателей, а от относительных величин, полученных в сравнении с другими банками «на том же рынке в то же время».

7. Высокая точность полученных результатов при моделировании рейтингов дает основание утверждать, что выбранная система показателей имеет высокую предсказательную способность в задаче прогнозирования рейтингов международных РА. Простота требуемых вычислений делает такой подход удобным в применении на практике.

Анализ моделей (линейной и кубической), показавших наилучшее качество результатов, свидетельствует, что влияние значений показателей на рейтинг согласуется с теоретическими положениями об экономическом содержании показателей, а следовательно – о правильном выборе как показателей, так и подхода к оценке финансового состояния банка, основанного на вычислении интегрального показателя устойчивости.

Очевидное преимущество кубической модели (в сравнении с линейной) состоит в более высокой точности предсказания рейтинга; существенный же ее недостаток – большие по модулю значения коэффициентов при показателях в регрессии (т.к. большинство используемых в модели показателей отражают долю определенных статей в балансе банка).

8. Классификация банков по специализации позволяет применять индивидуальные модели (своя модель для каждого типа специализации), учитывающие специфику банков каждого типа, что дает возможность существенно улучшить совокупное качество прогноза, сократив при этом размерность используемых моделей.

Точность прогноза по линейной модели с учетом специализации (7), сравнительно с точностью прогноза по линейной модели без учета специализации (2), возрастает на 8% и составляет 68,87%, что несколько превышает и точность предсказания кубической модели (4). Совокупная точность прогноза с отклонением не более, чем на один класс, при таком индивидуальном подходе составляет 98,42%, что несколько уступает результату, полученному с использованием кубической модели, но на 1,81% превышает результат применения простой линейной модели.

9. Качество моделей было проверено на «продленных» данных (за пределами выборки), а именно по отчетности банков по состоянию на начало 2008 года (out-of-sample); а также на показателях банков, у которых лицензия была отозвана Банком России. Верификация подтвердила устойчивость результатов во времени (с точки зрения выбранных нами критериев качества) и их высокую предсказательную способность моделей в задаче определения «проблемных» банков.

Общепризнано, что качество прогнозов неизбежно ухудшается с увеличением горизонта прогнозирования. Эту тенденцию подтверждает и наше исследование: результаты проверки моделей на данных по состоянию на 01.10.07 (т.е. «через год») свидетельствуют об ухудшении точности попадания в рейтинг (по 37 банкам, обладающих международным рейтингом и по которым доступна необходимая отчетность). Однако ухудшение оказалось не столь значительным: точность прогноза с отклонением не более, чем на один класс опустилась до уровня в 86% лишь для моделей, учитывающих специализацию банков, в остальных же случаях точность превышает 94%.

Вычисленные с помощью наших моделей рейтинги банков, у которых в последствии лицензия была отозвана, не превышают уровня «ССС» указывают на значительную степень риска и высокую вероятность невыполнения банками взятых обязательств.

В третьей главе «Формирование рейтингов российских банков» результаты моделирования рейтингов применены для определения рейтинга 339 российских банков, не имеющих международного рейтинга; исследован качественный состав российского банковского сектора в динамике; рассмотрен вопрос о применимости на практике разработанных моделей финансовыми организациями для оценке контрагентов и органами банковского надзора для мониторинга и быстрого «скрининга» банковской системы в целом.

1. Как показал анализ структуры распределения банков по специализации, в исследуемой выборке преобладают «корпоративные» и «ссудные» банки (49% и 32% записей соответственно), в то время как доля «универсальных» и «банков для банков» составляет 10% и 9% записей соответственно. Такое распределение отражает слабую диверсификацию активов большинства кредитных организаций. Отметим, что существенного изменения структуры распределения банков по специализации за исследуемый период не произошло, хотя и определились некоторые тенденции.

2. Для формирования рейтингов российских банков, не представленных в рейтинг-листах международных РА, представляется логичным дополнить разработанные модели двумя индикативными переменными:

• наличие международного рейтинга (IR) предполагает достаточно высокий уровень информационной открытости организации, а проводимый в ходе его присвоения анализ затрагивает широкий спектр как финансовой, так и нефинансовой информации;

• принадлежность к Системе Страхования Вкладов (DIA) позволяет банку привлекать депозиты физических лиц и тем самым диверсифицировать свою ресурсную базу, а поскольку целью Банка России являлся отбор в ССВ только «здоровых» банков, то принадлежность к системе можно рассматривать, как своего рода «знак качества».

Таким образом, для оценки функционирования банков, не имеющих международного рейтинга, использовались следующие модели:

• Кубическая модель с отклонением от среднего;

• Линейная модель по показателям с учетом информации о специализации с отклонением от среднего.

Применив наши модели к организациям, имеющим международный рейтинг, и, убедившись в адекватности результатов, получаем основания использовать те же модели для определения уровня надежности российских банков, не имеющих международного рейтинга (339 организаций), и также оценить адекватность результатов.

Полученные результаты позволяют говорить о схожести обеих (линейной и кубической) моделей в определении качественного состава исследуемой выборки. Рейтинги, рассчитанные по этим моделям для 401 банка по состоянию на 01.10.2006 совпадают в 211 случаях (52,6%), отличие прогноза более, чем на один класс, наблюдается лишь в 28 случаях (6,98%).

3. Полученные рейтинги позволяют определить качественный состав исследуемой выборки как на определенную дату, так и в динамике.

На основе изучения изменения качественного состава выборки (401) в динамике можно констатировать достаточно стабильную картину распределения банков по группам. Большинству кредитных организаций присвоен рейтинг уровня «СС», что свидетельствует о достаточно высокой вероятности неисполнения обязательств и, следовательно, о высоких рисках функционирования большинства российских банков.

Результаты осуществленного нами ранжирования ведущих российских банков позволяют утверждать, что росту суммарных активов в 2004-2008 годах сопутствовало определенное улучшение показателей функционирования банков, однако стремительного перехода банковской системы в «новое качество» не произошло. Согласно результатам применения наших моделей, число банков с рейтингом выше уровня «ССС» в 2007 году увеличилось. Тем не менее, основной массе исследованных банков присвоен рейтинг «СС» (и ниже), что свидетельствует о высоких рисках в банковском секторе. Результаты применения линейных моделей с учетом специализации свидетельствуют о возникших в 2007 году затруднениях у многих «небольших» банков. Так, по состоянию на октябрь 2007 года отмечается резкий рост числа банков с рейтингом уровня «DDD», однако к началу 2008 года число «проблемных» банков сокращается фактически до уровня октября 2006 года.

Характеристики

Список файлов диссертации