Диссертация (1138729), страница 6

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

Текст из файла (страница 6)

Похожим образом устроены логит- и пробит-модели, в которых на основе некоего набора показателей (независимые переменные) модель предсказывает вероятность дефолта (зависимая переменная), которая в обоих случаях непрерывно распределена между 0 и 1. Различие в моделях состоит в том, что в логит-моделях предполагается лог-распределение вероятности дефолта, в то время как в пробит-моделях вероятность дефолта распределена по нормальному закону.

Cравнения предсказательной способности логит- и пробит-моделей и моделей дискриминантного анализа проводилось во многих исследованиях. Так, в работе Мартина (D.Martin [77]) изучаются предсказательные способности этих моделей для случая банкротств 23 американских банков в период 1975-1976гг. Вест (R.West [89]), на основе логит-модель, проводит оценку финансового состояния банков и исследовал вероятность попадания в группу «проблемных». А Х.Платт и М.Платт (H.Platt, M.Platt [84]), исследуя качество моделей, учитывающих исключительно финансовые показатели организации, и моделей с учетом отраслевых норм, доказывают преимущество последних в решении задачи разделения банков по вероятности дефолта. Среди трудов, посвященных использованию дискриминантного анализа, следует выделить работы Альтмана (Е.Altman [40,41]), впервые который в 1968 году применил дискриминантный анализ для предсказания банкротств нефинансовых фирм.

Исследования показывают, что все перечисленные модели, несмотря на высокую предсказательную способность, не лишены ряда недостатков. Прежде всего очевидно, что линейные модели справляются с поставленными задачами хуже, чем модели, использующие нелинейные связи между показателями, уже потому, что наш мир в своей основе нелинеен. Кроме того, к недостаткам некоторых моделей можно отнести трудность их обоснования, т.к. полученные результаты моделирования и оцененные зависимости между показателями часто слабо связаны с используемой теоретической моделью [18].

Определенный тип моделей оценки риска банкротства основывается на рыночной стоимости активов организации и волатильности ее изменения во времени (классической является работа Блэка и Шоулза (F.Black, M.Sholes [52])). Стоит отметить, что метод оценки функционирования кредитных организаций на основе рыночной стоимости акций, применяемый в западных исследованиях (напр., Байстром (Bystrom H.N.E. [54]), Холл и Майлс (S.Hall., D.Miles [71])), неприменим в российских условиях, т.к. ликвидными и торгуемыми являются акции только ряда крупнейших банков.

В последнее время широкое распространение получили методики классификации кредитного риска, использующие теорию нейронных сетей. Такой подход сродни нелинейному дискриминантному анализу, т.к. в его основе также лежит отказ от предпосылки, согласно которой параметры, входящие в модель, связаны линейно и не зависят друг от друга. Нейронная модель находит потенциальные («скрытые») связи между параметрами, которые в дальнейшем входят в модель предсказания банкротства как дополнительные объясняющие переменные. В нейросетях используются те же входные данные, что и в эконометрических моделях, но модели оценки кредитного риска строятся с помощью определенных процедур обучения распознаванию образов (классов), при этом задействуются компьютерные алгоритмы, имитирующие работу человеческого мозга.

Отдельным классом моделей являются различные оптимизационные модели, основанные на методах математического прогнозирования, позволяющих минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. Поскольку устойчивость организации напрямую связана с эффективностью ее функционирования, то исследование эффективности является крайне важным этапом для получения полноценной и всесторонней оценки организации. Так как на современном этапе банки действуют в условиях высокой конкуренции, то необходимым элементом менеджмента становится сравнение его с ближайшими конкурентами или целевым («идеальным») банком.

Если рассматривать вопрос эффективности функционирования банков, банк необходимо рассматривать в качестве производителя потока услуг (параметры «выходов») и потребителя ресурсов (параметры «входов»). Выбор переменных для «входов» и «выходов» определяется не только целями исследования, но также доступностью и достоверностью имеющейся информации [85,51].

Среди широко применяемых в последнее время моделей оценки эффективности, наибольший интерес вызывают модели граничного (оболочечного) анализа данных. Наиболее успешно применяемыми подходами к нахождению эффективного фронта²³ являются:

• метод стохастического фронта (эконометрический метод)

• метод оболочечного анализа данных (метод линейного программирования).

Метод стохастического фронта основывается на предположении, что эмпирические данные не могут лежать выше оптимальной производственной функции или же, что эквивалентно, ниже функции издержек. Таким образом, в модели на основе статистических данных оценивается некоторая параметрическая функция (например, функцию издержек), а величина отклонения от нее отражает степень неэффективности организации [47,85].

Основа современных методов граничного оболочечного анализа эффективности заложена в работе Фарелла (M.Farrell [65]), в которой, на базе работ Дебрю и Купманс (G.Debreu, T.Koopmans [60,74]), была определена простая мера для оценки эффективности. Позже Афрат (S.Afriat [34]) предложил несколько методов математического программирования, позволяющих решить задачу отыскания кусочно-линейного эффективного фронта; особый же подъем интереса к методам оболочечного анализа был вызван работой Чанрса, Купера и Рода (A.Charnes, W.Cooper, E.Rhode [57]), которые и ввели в научный обиход сам термин Data Envelopment Analysis (DEA) или оболочечный анализ данных. DEA является одним из эффективных способов визуализации и анализа деятельности организации, позволяющего на основе эмпирических данных («входов» и «выходов») построить эффективную производственную функцию и определить положение отдельных организаций относительно этой функции.

Однако, в силу специфики деятельности банков, необходимо не только учитывать количественные показатели (прибыльность, объемы совершаемых операций и т.п.), но и соизмерять их со степенью принимаемого риска. Поэтому предварительно необходимо разделить организации на группы «близких» по таким параметрам, как капитализация, ликвидность, специализация, рейтинг и т.п. Таким образом, соотнося два понятия: «риск» и «эффективность», можно получить более полноценную оценку функционирования кредитных организаций.

В этой связи особый интерес вызывает еще один класс моделей оценки функционирования банков, а именно – рейтинговые модели. При рейтинговом подходе к оценке организаций каждому рейтингу ставится в соответствие свой уровень устойчивости: самому высокому уровню рейтинга соответствует минимальное количество банкротств, в то время как вероятность банкротства организаций с низким рейтингом существенно выше. Такой подход используется ведущими рейтинговыми агентствами, а тот факт, что рейтинг, присвоенный рейтинговым агентством, имеет высокую предсказательную способность в задаче оценки вероятности дефолта и степени надежности банка, подтверждается многими исследованиями (см. [53,72]).

Обзор методик международных рейтинговых агентств показывает, что они основаны на анализе широкого набора финансовых и нефинансовых параметров. Агентства исследуют качество управления, структуру собственности, полноту раскрытия информации и многие другие нефинансовые характеристики функционирования банка. Однако, поскольку нефинансовые характеристики часто являются трудно формализуемыми, то важно понимать, насколько рейтинги привязаны к финансовому состоянию банков. Работы по моделированию рейтингов выявляют основную и определяющую роль финансовых показателей в предсказании рейтингов кредитных организаций [44].

В ходе решения задачи моделирования рейтингов международных рейтинговых агентств для кредитных организаций исследователи пытаются с той или иной степенью успешности построить «черный ящик», на входе которого были бы финансовые показатели, а на выходе – рейтинг организации.

Одной из фундаментальных работ в области исследования рейтингов международных агентств является статья Альтмана и Рийкена (Altman E., Rijken H. [43]), в которой результаты модели предсказания дефолта (DP-score), модели рейтингов (AR-score) и реальных кредитных рейтингов агентства Standard&Poor’s сравниваются с эмпирическими данными о дефолтах кредитных организаций.

Рейтинговая модель (AR-score) имеет следующий вид:

,

где WK – работающий капитал,

RE – нераспределенная прибыль,

ТА – суммарные активы,

МЕ – рыночная стоимость акций,

EBIT – доходы до вычета процентов по заемным средствам и налогов,

BL – балансовая стоимость обязательств,

Size – суммарные обязательства,

Age – время, прошедшее с момента, когда впервые был присвоен рейтинг.

При этом точность различных модификаций логит-моделей не превышает 40% ( для одной модели равен 0,355, для другой – 0,374).

На основе полученных результатов моделирования авторы делают вывод о том, что размер банка имеет важное положительное влияние на рейтинг, а в некоторых случаях даже возможно утверждение: банк слишком большой, чтобы обанкротиться. При этом давность (Age) первого присвоения рейтинга понижает вероятность дефолта, доказывая тем самым, что организации заинтересованы в исправлении выявленных недостатков и стремятся к повышению уровня рейтинга.

Альтман и Рийкен (Altman E., Rijken H.) отмечают, что реальные кредитные рейтинги демонстрируют существенно большую стабильность, чем рейтинги, предсказанные с помощью моделей. Результаты моделирования позволяют подтвердить тот факт, что рейтинговые агентства ориентированы на оценку «накопленного» качества показателей (изменение рейтинга происходит, когда изменение показателей превосходит некий порог), а не текущих показателей функционирования.

При этом, как отмечает Пересецкий [83], есть лишь ограниченное число подходов для статистического моделирования кредитоспособности банков на основе общедоступной публичной информации, а именно:

• модели на основе существующих рейтингов, присвоенных рейтинговыми агентствами. Такой подход применительно к российским банкам впервые применил ван Суст и др. [86];

• модели на основе экспертного мнения (эксперты оценивают организации на основе числовой информации о параметрах баланса);

• модель на основе анализа исторических данных банковских дефолтов (бинарные модели логит или пробит). Этот подход для российских банков применил Головань и др. [12,13].

Среди отечественных работ, решающих задачу моделирования рейтингов международных агентств, стоит выделить труды А.Карминского и А.Пересецкого [16,17,18,19], в которых реализовано моделирование рейтингов агентства Moody’s. Авторы изучали возможность построения рейтинговой модели в международном масштабе. В выборку вошли 311 банков из 28 стран, включая страны Евросоюза и развивающиеся страны различных регионов мира. В данных исследованиях решают задачу моделирование рейтингов долгосрочных депозитов банков в иностранной валюте, присваиваемых рейтинговым агентством Moody’s. В анализе были использованы модели, основанные на финансовых показателях деятельности банка и на фиктивных переменных, отражающих географическую принадлежность банка (развивающиеся рынки, Евросоюз, французские банки), что позволило достичь точности попадания в рейтинг на уровне 70%. При этом точность модели с отклонением на один класс рейтинговой шкалы составляет чуть более 96%. А.Карминский и А.Пересецкий, как и многие зарубежные исследователи, подтверждают важность размера банка при определения его рейтинга. В качестве основных в их модели выделены такие показатели, как отношение сформированных резервов к активам, отношение капитала к активам, отношение величины депозитов к капиталу кредитной организации, а также стоимость обязательств банка (отношение процентных расходов к средним обязательствам, по которым выплачиваются проценты). Авторы доказали также значимость макроэкономических показателей для моделирования рейтингов организаций (введение макроэкономических показателей в модель позволяет значительно увеличить точность полученных результатов). Авторами продемонстрирована также необходимость введения фиктивных переменных, характеризующих поддержку государства или материнской компании (в случае если ее рейтинг выше). Среди рассмотренных А.Карминским и соавторами моделей, следует выделить также модели, использующую квантильную шкалу (вместо значения показателя в качестве регрессора в модели используется место банка относительно других банков по данному показателю), а также нормализованную шкалу²⁴ для показателей. Однако авторы приходят к выводу, что переход к квантильным шкалам и использование нормализированной шкалы не позволяют существенно повысить статистические характеристики и предсказательную силу модели, однако такие модели более адекватно описывают зависимость рейтингов во времени, улучшая при этом интерпретируемость коэффициентов.

Таким образом, можно отметить значительный спектр подходов и моделей, применяемых для оценки функционирования кредитных организаций. Наиболее перспективным по нашему мнению являются рейтинговые модели оценки кредитоспособности банков, настройка которых основывается на существующих рейтингах, присвоенных ведущими рейтинговыми агентствами.

1. Основные показатели для анализа финансовой устойчивости российских банков

На основе ряда отечественных и зарубежных работ, посвященных оценке деятельности кредитных организаций, исследованию банкротств и моделированию рейтингов кредитных организаций, нами выбран набор показателей для определения кредитного качества российских банков. При выборе показателей учитывались также параметры, используемые рейтинговыми агентствами для анализа функционирования банков в ходе процедуры присвоения и пересмотра рейтингов. Отметим, что набор, используемый западными исследователями, не мог быть механически применен к российской банковской системе, и для оценки финансового состояния российских банков необходимо было выявить собственный набор адекватных показателей.

Характеристики

Список файлов диссертации