Инструментальные методы разработки рейтинговых моделей для корпоративных клиентов в рамках соглашения «Базель II» (1142371), страница 4

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

Текст из файла (страница 4)

При этом, если использованиеколичественных и качественных факторов заемщика (базовый модуль) и, частично,факторов внешней поддержки(модуль поддержки) относительно не ново приразработке рейтинговых моделей, модули экспертной корректировки базовогорейтинга и стоп-сигналов разработаны в рамках диссертации.НачалорейтинговойпроцедурыБазовыйрейтингЭкспертнаякорректировкаВнешняяподдержкаСтопсигналыИтоговыйрейтингРисунок 5 – Модульная система рейтинговой моделиСхематически данную модульную схему можно изобразить следующимобразом (см.

рисунок 6).17БалансОПИУОДДСРучнаякорретировкаКоличественные факторы поклиентуСтопсигналыПоддержкаИноеОбработка данныхПозицияна рынкеУровеньменеджм.КонкурентыВероятностьдефолтаВероятностьдефолта споддержкойВероятностьдефолтаИтоговыйрейтингКачественныефакторы поклиентуИноеРисунок 6 – Схема рейтинговой моделиТ.е.количественныеикачественныефакторыопределеннымобразомпреобразуются в вероятность дефолта по заемщику. Далее вероятность дефолтаподвергается (при необходимости) ручной корректировке.

В следующем модулеподкорректированная вероятность дефолта может быть изменена в случае наличия поконтрагентувнешнейподдержки.Итоговаявероятностьдефолта(рейтинг)получается в модуле стоп-сигналов. В работе детально описывается каждый измодулей, а также обоснование включения их в рейтинговую модель.4. Разработка модуля поддержки государства и/или группыВ диссертации разработан новый подход к оценке в вероятности дефолтаподдержки со стороны внешних субъектов (группа/ материнская компания,государство/регион).Определеныследующиесвойства,которымдолжнаудовлетворять функция внешней поддержки:1.

монотонность, т.е. чем больше (меньше) поддержка/зависимость, тем ближе(дальше) рейтинг заемщика к (от) рейтингу(а) группы/государства;2. ограниченность снизу (ограничение по лучшему из двух рейтингов), т.е. независимо от уровня поддержки, рейтинг заемщика не может быть лучшерейтинга группы/государства;3. выпуклость вверх (вогнутость, фактически, консервативность подхода).

Вслучае положительной поддержки означает, что скорость приближениярейтинга заемщика к рейтингу группы/государства будет увеличиваться приувеличении уровня поддержки. В случае негативной поддержки (зависимости)наличие уже небольшой зависимости будет существенно приближать рейтингзаемщика к (плохому) рейтингу группы/государства.18На основе функции вида z(α) = x1-α yα в работе выводится функция,удовлетворяющая всем вышеуказанным свойствам. Графический вывод функцииВероятность дефолтапредставлен на рисунке 7.PD100%BPD = 1- αACEF-1(α)DF̅ 1.0 αУровень поддержкиРисунок 7 – Графическое представление поиска функции внешней поддержки0%00.0В терминах PD полученная функция указана в формуле 1.PDwith support  ln   PD PD   PD ln PD grgrst st ln PDst  ln PD gr(1)  PDgr  PDst  1гдеPDgr – вероятность дефолта группы/государства;PDst - вероятность дефолта контрагента (без поддержки);α – вес склонности к поддержке/зависимости.Также в рамках поставленной задачи были сформулированы вопросы дляопределения веса склонности к поддержке/зависимости α.5.

Решениепроблемыразработкирейтинговыхмоделейпринедостаточности накопленных данных по реализованным дефолтамС точки зрения достаточности наблюдений по дефолтам можно различатьследующие типы кредитных субпортфелей:1.кредитный корпоративный субпортфель с достаточным количествомреализовавшихся дефолтов;2.кредитныйкорпоративныйсубпортфельснизкимколичествомреализовавшихся дефолтов (в т.ч.

в случае полного отсутствия дефолтов), но срепрезентативной выборкой заемщиков, имеющих рейтинги ведущих мировыхрейтинговых агентств;193.кредитныйкорпоративныйсубпортфельснизкимколичествомреализовавшихся дефолтов (в т.ч. в случае полного отсутствия дефолтов) и с малой(нерепрезентативной) выборкой заемщиков, имеющих рейтинги ведущих мировыхрейтинговых агентств.При этом, если для первого случая возможно без проблем использовать модельбинарного выбора, взяв в качестве объясняемого переменного бинарную величину (0– если компания «выжила» и 1 если компания вышла в дефолт), то для других двухслучаеситуацияневсетакоднозначно.Вдиссертациипредлагаютсяэконометрические подходы для всех трех случаев, указанные в таблице 2.Таблица 3. Эконометрические подходы кразработке рейтинговой моделиНаличие данныхДостаточное количестводефолтовОбъясняемая переменная (PD,вероятность дефолта)1 , если заемщик  дефолт0 , если заемщик  не дефолтy= Достаточное количествонаблюдений с внешнимиy = PD(внешний рейтинг)рейтингамиНаблюдений по дефолтамисвнешнимиy = экспертный PDрейтингаминедостаточноТ.е.

в качестве объясняемых переменных для второго типаМодельЛогит-модельМножественнаялинейнаярегрессияМножественнаялинейнаярегрессияпредлагается братьвнешние вероятности дефолта (из общей рейтинговой шкалы, разработанной в рамкахдиссертации), а для третьего типа – псевдо-вероятности дефолта из экспертнойрейтинговой шкалы. Основное преимущество данных подходов по сравнению сизвестным подходом, где в качестве объясняющей переменной используютсяпорядковые номера рейтингов и строится модель множественного выбора,заключается в том, что в указанных подходах вероятности дефолта можно применятьдля целей калибровки рейтинговой модели.6. Этапы построения внутренних рейтинговых моделейПостроение рейтинговой модели в диссертации предлагается осуществлять врамках следующих 6 этапов:I.II.III.разработка базовой рейтинговой модели;разработка модуля экспертной корректировки;разработка модуля поддержки;20IV.разработка модуля стоп-сигналов;V.рекалибровка базовой модели с учетом факторов внешней поддержки истоп-сигналов;VI.валидация рейтинговой модели.Каждый из этапов делится также на под-этапы, которые подробно описаны вдиссертации.

Для каждого из этапов и под-этапов в работе проведен анализстатистических подходов и методов, на основе которого предложены наиболееоптимальные из них.7. Разработка внутренней рейтинговой модели для сегмента «Банки»В диссертации разработана рейтинговая модель для сегмента «Кредитныеорганизации-резиденты РФ». Рейтинговая модель разрабатывалась в рамкахнескольких этапов, при этом были учтены результаты, полученные в рамкахдиссертации.Первый этап включал в себя процесс сбора и обработки данных.

В рамкахданного этапа были составлены разработочная и валидационные выборки. Вразработочную выборку попали все кредитные организации с отозванными за периодс 2007 по 2011 годы лицензиями (дефолтные банки) и выбранные случайным образомнедефолтные банки за тот же период в соотношении 1:1 к дефолтным.Валидационные выборки были составлены по принципу «вне-выборки» (out-ofsample) и «вне-времени» (out-of-time), при этом в последнюю выборку быливключены все действующие (недефолтные) кредитные организации по состоянию на1 января 2012 года, а также банки, у которых были отозваны лицензии в течение 2011года. Отдельно были составлена выборка, состоящие из кредитных организаций,имевших внешние рейтинги (рейтинги агентств Moody’s, S&P и/или Fitch) посостоянию на 01.01.2011 и 01.01.2012 г.

Для цели разработки рейтинговой моделибыли определены 51 количественный фактор, 4 качественных фактора, а такжефакторы внешней поддержки и стоп-сигналы. Все указанные параметры былисобраны в рамках диссертации из различных источников по всем банкам для всехсоставленных выборок (более 1000 банков). Все факторы были обработаны напредмет пропущенных значений и «выбросов». Результатом первого этапа стал«Длинный список» факторов.21Вовторомэтапебылиопределеныпредсказательныесилыкаждого(количественного и качественного) фактора, т.е. индивидуальная способностьфактора предсказывать дефолт.

Предсказательная сила оценивалась на основеиндекса Джини, который вычисляется по формуле 2.G = 1 - iN1 X i1  X i Yi1  Yi(2)гдеG – коэффициент Джини,Xi – накопленная доля хороших наблюдений, Yi – накопленная доля плохихнаблюдений, N – число наблюдений, i – порядковый номер наблюдения накопленнойдоли. Расчёт накопленных долей осуществляется в порядке убывания прогнозногозначения.

По каждому из факторов произведена логистическая трансформация.Результатом второго этапа стал «Короткий список» факторов, в который попали 14количественныхфакторови4качественныхснаибольшей(помодулю)предсказательной силой.На третьем этапе была построены все возможные комбинации факторов (сучетом межфакторной корреляции) из «Короткого списка» и для каждой изкомбинации факторов построена модель бинарного выбора – логит-модель (всегопостроено 3781 модель).

Из всех построенных моделей выбрана одна, выборосуществлялся по следующим критериям:наибольшая предсказательная сила (по индексу Джини, показателю R2);наилучшее значение по информационному критерию Акаике;экономическая объяснимость оценочных значений параметров.Выбранная рейтинговая модель содержит факторы, указанные в таблице 3.№12345Таблица 3. Количественные и качественные факторырейтинговой моделиВесКоличественные факторыФормула вычисленияфактораСоотношение чистойФинансовый результат текущего года13%прибыли и выручки/ Итого доходов(МБК привлеченные + средства Банка15%Зависимость от рынка МБКРоссии) / Итого активов-неттоОценка капитала CAMEL 02 Уставной капитал / Капитал5%Работающие активы / Итого активовОценка активов CAMEL 01нетто10%LN(Активы)LN(Активы)10%2267№1234Уровень резервовДинамика активов–неттоРезервы банка / Итого активов-неттоДинамика активов–нетто3%4%ВесКачественные факторыфактораГеографическая диверсификация10%Количество лет на рынке8%Фондирование10%Качество внешнего аудитора12%Калибровка рейтинговой модели осуществлена по выборке банков с внешнимирейтингами по состоянию на 2011 год.

Характеристики

Список файлов диссертации