Эластичность кредитов на развивающемся рынке взаимного кредитования

Рефинансирование дебиторской задолженности - огромная и очень нужная рынку отрасль, которая позволяет небольшим компаниям лучше управлять своим оборотным капиталом. Кредит предоставляется под залог требований по выплате клиентов бизнеса или товаров в обороте. Основные игроки: MarketInvoice, BlueVine, FundBox.

Кредиты под залог коммерческой недвижимости или операции fix & flip (покупка, ремонт, перепродажа) - это огромная ниша, которая только начинает свой путь онлайн. Этот рынок в несколько раз крупнее consumer loans, но и сложнее, так как чеки в нем существенно больше. В этом секторе пока отсутствует четкий лидер, но целый ряд компаний претендует на это звание: Fundrise, Acquire, Realty Mogul, Realty Shares, Patch of Land, Asset Avenue, Lending Home и другие.

Ипотечные кредиты под залог жилой недвижимости - это также огромный рынок, однако после кризиса 2008 года он находится под серьезным регулированием. Несколько сервисов только начинают свою работу в таком сегменте, и это выглядит как многообещающая ниша.

Существуют и другие модели. Например, кредитование с поручительством, когда можно поручиться за того, кому будет предоставлен займ, или дать ему рекомендацию - это повлияет на процентную ставку. В этой области, к примеру, лидером является компания Vouch.

На рисунке 9 представлена инфографика с некоторыми данными, которые говорят о глобальности p2p-площадок.

Выводы.

Так как P2P-кредитование набирает обороты, то государственным регуляторам следует оценивать их влияние экономику. Есть вероятность, что в будущем данные платформы заменят собой большую часть банковского сектора. Хотя это и не очевидно.

Помимо бурного роста рынка p2p-кредитования, регуляторы должны обратить внимание на то, что банки продают часть своего кредитного портфеля на площадках p2p, что похоже на секьюритизацию, которая выступила основной причиной кризиса 2008 года. Какую именно часть объема составляют такие вливания не известно, так как компании не разглашают эту информацию, но если объем достигнет критических показателей, то это может иметь катастрофические последствия.

По мимо квази-секьюритизации банковских портфелей, сами площадки осуществляют классическую секьюритизацию, что вызывает еще большие беспокойства и возможное повторение 2008 года.

Данный вопрос дискуссионный и оставим его за рамками данного исследования, я приведу лишь выдержку из статьи, которая опровергает возможность повторения сценария 2008 года.

На рисунках 10-11 вы можете видеть кумулятивный уровень просрочки для разных периодов времени. Графики явно показывают, что уровень просрочки ведет себя почти идентично из года в год, что в свою очередь явно показывает на хорошее исполнение. На рисунке 11 приведены данные по спрогнозированному уровню просрочки и реальному уровню просрочки для секьюритизаций активов p2p-площадок. Но никто не гарантирует, что аналогичная ситуация сохранится в будущем, пока же все выглядит достаточно оптимистично.

2.2 Данные и методология

На рисунках 12-18 представлены некоторые цифры LendingClub. Из первого графика видно, что сумма выданных кредитов растет экспоненциально. Если в 2012 году сумма займов в четвертом квартале составляло 1 178 тысячи долларов, то уже в 2013 - 3 242 тысячи долларов, что составляет 275%. В Q4 2014 года сумма уже была 7 620 или 235% к 2013. В Q4 2015 года 15 982 или 209% к 2014 и 1 356% к 2012. 49,39% заемщиков берут займ в целях рефинансирования, 19,11% используют займ с целью погашения кредитных карт. На рисунках 14-15 приведены показатели для инвесторов. На рисунке 18 представлена динамика просрочки. Уровень просрочки на горизонте 16-30 дней составляет порядка 41%, что характерно для субстандартного рынка. Кредиторам на основании скоринговой оценки присваивается категория A, B, C, D, E, F или G. В категорию A попадают самые благонадежные клиенты, а в категорию G самые неблагонадежные, соответственно. Процентные ставки колеблются от 5 до 28%.

Lending Club в декабре 2015 года произвела изменения процентных ставок. Это было вызвано повышением ставки ФРС США и отражало общее изменение стоимости денежных средств в экономике. Из переведенного ниже графика видно, что изменения для кредиторов категории A составило 0,11 процентных пункта, для кредиторов категории B - 0,11 пп., C - 25 пп, D - 34 пп, E - 77 пп., F - 26 пп., G - 15 пп. Изменения были произведены в начале декабря, в январе произошли новые изменения, таким образом, возможно оценивать эластичность на протяжении месяца, но не долгосрочный эффект.

Для оценки эластичности нужно взять объем выданных кредитов в ноябре, построить предсказание на декабрь месяц и сравнить с реальными данными за декабрь. На рисунке 19 представлен график, на котором видно, что данный подход не реализуем из-за большой волатильности объема выданных кредитов начиная с 2014 года.

Рассчитаем эластичность для всей выборки и для выборки с учетом дополнительных регрессоров, которые будут разделять выборку на ограниченных и неограниченных по ликвидности кредиторов. Гипотеза состоит в том, что эластичность можно рассчитать исходя из статичных данных распределения объема выданных кредитов за определенный промежуток времени в зависимости от процентной ставки.

Замечу, что ограничение ликвидности в нашем случае условное, а не абсолютное, так как рассматриваемый нами рынок является субстандартным и априори клиенты имеют ограничение ликвидности по сравнению со стандартным рынком. Гипотеза ограничения ликвидности заключается в том, что эластичность будет ниже у клиентов с более низкой категорией (G), так как категория зависит от балла скоринга, коэффициента долг/доход (debt-to-income ratio), уровня заработной платы, размера кредита и других показателей, и клиенты с низкой категорией должны испытывать трудности с привлечением средств или доступом к средствам. Ограниченные ликвидно клиенты наиболее сильно подвержены изменениях процентных ставок, так как они не могут привлечь средства где-либо еще или воздержаться от займа в связи с необходимостью обеспечивать свой уровень жизни.

На сайте компании размещена публичная информация, которой мы и будем пользоваться. Нам представляется возможность получить следующие данные о клиентах: размер кредита, срок (36 или 60 месяцев), APR, размер ежемесячного платежа, грейд (категория), должность, трудовой стаж, тип недвижимости, годовой доход, дата выдачи, цель кредита, ZIP код, debt-to-income ratio, баланс кредитных карт, степень использования кредитных карт, количество действующих кредитов и другие. В таблицах 8-9 представлена часть структуры данных, которые я буду использовать.

Перед тем как начать строить модель, проведем предварнительный анализ. Рассмотрим распределение объема выданных кредитов в 2015 году, рис 21. Видим, что график получается рваным. Построим диаграмму рассеяния для всей выборки, рисунок 22 и для каждого грейда в отдельности, рисунок 23. Диаграммы рассеяния сильно разбросаны. Объединим значения внутри процентного интервала и взвесим по сумме выданных кредитов. Диаграмма рассеяния и график распределения принимают совершенно иной вид, рисунки 24-25.

Рассмотрим эластичность всей выборки без преобразований, с преобразованиями, и эластичность с учетом уровня доходов.

Из данных уберем кредиты на срок в 60 месяцев, так как их количество по сравнению с количеством 26месячных кредитов ничтожно. Так же уберем строки с недостающими по тем или иным параметрам данными и строки с явно неправдоподобными величинами (выбросы). Итого количество наблюдений 264 079 из 421 095 изначальных.

Будем оценивать эластичность по следующей модели:

,

где - размер кредита, - процентная ставка, - трудовой стаж, - матрица вида жилья, - годовой доход, , - баланс кредитных карт, - процент использования баланса кредитных карт.

После объединения значений внутри процентного интервала будем использовать более простую модель:

Наконец, разбив выборку на 4ре категории по доходам (0-50т., 50-75т., 75-100т. и 100т.), а так же объединив значения внутри процентного интервала, используем эту же модель для определения эластичности для групп агентов с различной ликвидностью.

В качестве идеального случая проведения исследования желательнее конечно иметь контрольную группу и группу над которой проводится эксперимент.

Перед тем как проводить оценку первой регрессии необходимо проверить наличие корреляции между регрессорами. В таблице 10 представлены данные парных корреляций. Видим, что коррелирует сильно только два регрессора, которые являются дамми переменными - вид жилья собственность и ипотека. На конечный результат это не повлияет.

2.3 Результаты исследования

Первая модель принесла ожидаемые результаты, из-за явно выраженной гетероскедантичночти, хотя и F-статистика и t-статистики регрессоров показала, что регрессия и регрессоры статистически значимы. Нормированный R² равен 0,1. Значение эластичности -3Е-08.

Так как результаты первой модели получились неудовлетворительными, то было произведено объедение значений внутри процентного интервала (диаграмма рассеяния на рис. 24). Используя вторую модель, получили следующие цифры. Нормированный R² равен 0,49. F и t статистики значимы. Эластичность -2E-07.Что говорит о том, что при изменении на 1пп. объем спроса изменится на 2E-08.

Разбив выборку на четыре группы в зависимости от дохода и посчитав для них эластичность, получили примерно такие же результаты.

Из таблицы видно, что вне зависимости от уровня доходов, отклик агентов на изменение процентных ставок не изменяется. Что можно объяснить тем, что на субстандартном рынке, агенты по своей природе имеют ограничение по ликвидности. Или возможно необходимо учитывать другие регрессоры.

Вывод.

На субстандартном рынке p2p-кредитования спрос можно считать абсолютно не эластичным так как эластичность незначительна (-2Е-07).

2.4 Аппендикс

С одной стороны, эмпирическое исследование рынка автомобильного кредитования показало, что потенциальный заемщик уделяет наибольшее внимание стоимости кредита, которую он оценивает по ежемесячному платежу, и сроку кредитования (Wonder, 2008). С другой же стороны, процентные ставки составляют малую долю платежа по кредиту и поэтому нет причин полагать, что их изменение окажет существенное влияние на спрос на кредиты (Juster, 1964). Более того, зная величину ежемесячного платежа большинство потребителей кредита оказались не в курсе реальной процентной ставки, которую они заплатят банку (Berthoud, 1992). Вероятнее всего, среднестатистический потребитель всегда будет оставаться финансово необразованным в силу того, что решения брать или не брать кредит он совершает очень редко (Rotfeld, 2008). Данные предположения и поведении заемщиков подтверждаются многими эмпирическими исследованиями, которые оценивают ценовую эластичность кредитования как низкую. Это наблюдается на американском рынке автомобильного кредитования, который был исследован с помощью опросов о расходах потребителей (Attanasio, 2008). Аналогичный результат был получен после исследования Итальянского рынка кредитования (Alessie, 2005).

Однако нельзя полагать, что поведение потребителей в Российской Федерации похоже на поведение потребителей в развитых странах. Возможно, эффект практически нулевой эластичности сохраняется только до определенного уровня. Россия же характеризуется как страна, с высокими процентными ставками по любому кредитному продукту по сравнению с развитыми странами. Для анализа поведения потребителей можно выбрать ипотечный рынок. Он в двойне интересен для исследования, так как в кризисные времена государство проводит политику его поддержания и запускает субсидирование. Если посмотреть на два приведенных ниже графика, то можно увидеть, что, во-первых, процентные ставки существенно возрастают в кризисные времена, во-вторых, спрос на ипотечное кредитование постоянно растет, в-третьих, невооруженным взглядом видна сезонность спроса: с начала года доля выданных кредитов начинает свой рост, достигая пика в декабре, а в январе значительно сокращается, что нужно будет учитывать при построении регрессионной модели. Данные предоставлены «Агентством по ипотечному и жилищному кредитованию».

Построив диаграммы рассеяния, делаем предварительный вывод, о том, что спрос на ипотеку зависит от процентной ставки и падает с ее ростом.

Выполнив аппроксимацию с R2 равным 0,7, рассчитали точечную эластичность для объема выданных кредитов -12,02 и для количества выданных кредитов -10,27. Данный результат является предварительным, в котором использовались только агрегированные данные, и как минимум смещен из-за наличия сезонного эффекта. Для более точного анализа необходимы динамические ряды с характеристиками клиентов.

Во всех рассмотренных выше статьях, исследователи использовали номинальную ставку кредитования. Вопрос, если считается, что рациональный агент смотрит на реальную, но не номинальную ставку, почему ее не брали в расчет. Используя наши данные высчитали реальную ставку кредитования и построили диаграмму рассеяния.

Из графика видно, что никакой адекватной зависимости построить не удается. Возможные объяснения такого поведения, то, что агенты на кредитном рынке больше опираются на номинальные ставки и смотрят на свои издержки в номинальном выражении, а не реальном. Полученный результат не согласуется с теорией PIH (Permanent Income Hypothesis).

К сожалению, мне не удалось найти поставщика данных для более детальной оценки реакции клиентов банков на изменение процентной ставки. Моим интересом было именно сравнение докризисного периода 2014 года, момент кризиса (для меня это значительное увеличение процентных ставок на кредиты и повышение требований к заемщикам) и посткризисного периода - 2015 год (период стабилизации ставок).

Заключение

Из рассмотренных работ можно сделать следующие выводы:

1. Для определения эластичности используются различные источники данных, что говорит о трудности получения необходимой информации для проведения исследований.

2. В связи с тем, что авторы работают с разными источниками из разных стран, построенные модели так же имеют различия.

3. Исследуемые модели должны быть хорошо продуманны и правильно специфицированы.

4. Во всех работах кроме одной удалось получить статистически значимую эластичность, хотя порядок цифр отличается в сотню раз.

5. Эластичность при повышении ставок больше эластичности при их снижении.

6. С течением времени рост спроса возвращается к прежним темпам.

7. Исследования такого рода должны проводиться в центральных банках стран, так как изменение ставки влечет к сокращению спроса, что в свою очередь к спаду экономического роста.

1. Полученные в статьях результаты опровергают теорию PIH. Люди опираются на номинальные, а не на реальные ставки.

2. Рынок p2p-кредитования испытывает бурный рост.

8. Результаты исследования значительно отличаются от результатов работ авторов.

9. На субстандартном рынке p2p-кредитования спрос абсолютно неэластичный (-2Е-07).

10. Зависимость спроса от ограничений по ликвидности не удалось обнаружить. Причиной этому может выступать сама специфика субстандартного рынка.

Список литературы

1. Anthony A. DeFusco and Andrew Paciorek. 2014. “The Interest Rate Elasticity of Mortgage Demand: Evidence From Bunching at the Conforming Loan Limit”. Finance and Economics Discussion Series Divisions of Research & Statistics and Monetary Affairs Federal Reserve Board, Washington, D.C.

2. Dean Karlan, Jonathan Zinman. 2013. “Long-Run Price Elasticities of Demand for Credit: Evidence from a Countrywide Field Experiment in Mexico”. Nber Working Paper Series, Working Paper 19106

3. Sule Alan, Gyongyi Loranth . 2010. “An Empirical Analysis of Subprime Consumer Credit Demand”. Center gor Financial Analysis & Policy, Working Paper no.37

4. Karlan, Dean, and Jonathan Zinman. 2008. “Credit Elasticities in Less Developed Economies: Implications for Microfinance.” American Economic Review 98 (3).

5. Dehejia, Rajeev, Heather Montgomery, and Jonathan Morduch. 2012. “Do Interest Rates Matter? Credit Demand in the Dhaka Slums.” Journal of Development Economics 97 (2): 437-449.

6. Attanasio, O. P., P. K. Goldberg, and E. Kyriazidou. 2008. “”Credit Constraints in the Market for Consumer Durables: Evidence from Micro Data on Car Loans”.”International Economic Review 49 , 401-36.

7. Adams, W., L. Einav, and J. Levin. 2009.“”Liquidity Constraints and Imperfect Information in Subprime Lending”.”American Economic Review 99, 49–84.

8. Gross, David B, and Nicholas S Souleles. 2002. “Do Liquidity Constraints and Interest Rates Matter for Consumer Behavior? Evidence from Credit Card Data.” The Quarterly Journal of Economics 117 (1): 149-85.

8. LendingClub.com

9. http://www.peeriq.com/wp-content/uploads/2015/08/Securitization-Update_CHAI-vs-CCOLT-PeerIQ-Aug-2015.pdf

10. http://techcrunch.com/2016/04/17/do-rating-agencies-really-understand-p2p-securitizations/

11. http://www.bloomberg.com/news/articles/2016-03-14/more-trouble-in-bonds-backed-by-peer-to-peer-loans

12. https://www.realtyshares.com

Размещено на Allbest.ru