- Банки без государственного участия и без участия иностранного капитала. По итогам построения модели и оценки ее коэффициентов на 1 %-ом уровне значимости можно утверждать, что если банк без государственного участия и без участия иностранного капитала, то его вероятность отзыва лицензии снижается.

Проанализировав влияние переменных на финансовую устойчивость банков, стоит отметить, что в результате все гипотезу выдвинутые в данной работе были подтверждены. Однако, гипотезе об устойчивости банков с государственным участием, которая в конечном итоге подтвердилась, не стоит доверять, во-первых, из-за малого количества банков с государственным участием в итоговой выборке, во-вторых, по причине отсутствия обанкротившихся банков среди банков с государственным участием.

Помимо интерпретации знаков коэффициентов и их значимости необходимо оценить качество построенной модели. Для этого была рассчитана предсказательная способность модели (см. Таблица 12). Характеристики, рассчитанные в этой таблице, определяются, как:

- TP (True Positive) - верно классифицированные действующие банки;

- TN (True Negative) - верно классифицированные кредитные организации с отозванной лицензией;

- FN (False Negative) - действующие банки, которые были классифицированы, как банки с отозванной лицензией;

- FP (False Positive) - банки с отозванной лицензией, которые были классифицированы, как действующие.

Таблица 11. Значения в-коэффициентов для объясняющих переменных

В скобках указаны робастные стандартные ошибки коэффициентов.

^*p < 0.10, ^** p < 0.05, ^*** p < 0.01.

Прогнозные качества модели рассчитываются на основе предсказательной способности, формула для расчета прогнозных качеств, а также сами значения критериев представлены в таблице 13. Анализируя полученные прогнозные качества стоит отметить, что

- счётный отражает предсказательную способность модели. По результатам расчетов, можно утверждать предсказательная способность достаточно сильная;

- Доля ошибок первого и второго рода оказались равны 34 % и около 22 %, соответственно. Таким образом, 34 % на самом деле действующих кредитных организаций были классифицированы моделью, как банкроты. В то время, 22 % банковских учреждений с отозванной лицензией были классифицированы, как действующие банки.

- Чувствительность модели показывает долю, верно классифицированных моделью действующих банков. Таким образом, 43 % действующих кредитных организаций были идентифицированы моделью как действительно действующие;

- Специфичность модели отражает долю верно классифицированных моделью банков с отозванной лицензией. Следовательно, модель верно определила 90 % банков с отозванной лицензией.

Таблица 12. Предсказательная способность logit-модели

Таблица 13. Критерии прогнозных качеств логит-модели

Помимо вышеописанных критериев, была построена ROC-кривая, которая продемонстрирована на рис. №. Ось ординат - это частота верно классифицированных моделью действующих банков (чувствительность), ось абсцисс - это частота верно классифицированных моделью кредитных организаций с отозванной лицензией (1 минус специфичность). ROC-кривая в данном случае отражает зависимость числа верно предсказанных действующих банков от числа неверно предсказанных банков с отозванной лицензией. Качество модели тем лучше, чем выше значение площади под ROC-кривой. Значение, равное 76 % можно охарактеризовать как достаточно хороший показатель предсказательности модели.

Рис. 2: Кривая ROC для выбранной спецификации

Заключение

Моделирование вероятности отзыва лицензии у банков является одной из актуальных тем на сегодняшний день. За 10 лет количество действующих банков было сокращено в два раза и регулятор на этом не планирует останавливаться. На данный момент ЦБ преследует цель, которая заключается в оздоровлении банковской системы и "очистка" системы от слабых игроков. В данной работе была построена логистическая регрессия бинарного выбора. Модель была на построена на основе собранной информации по 380 банкам с за период с 1 апреля 2015 года по 1 января 2018 года. В модель были включены финансовые, институциональные и макроэкономические переменные. Помимо этого, построенная модель учитывала влияние финансовых переменных с лагом на 2 квартала, что в свою очередь позволяет отследить влияние изменения финансовых показателей на устойчивость кредитной организации.

Цель, поставленная в начале работы, была достигнута. В ходе построения и оценки модели выдвинутые гипотезы подтвердились. Основными ограничениями работы являлись:

- Малое количество банков с государственным участием в итоговой выборке, что в свою очередь привело к тому, что переменная, отражавшая влияние государственного участия на банк, оказалась значимой. Однако всего таких банов было представлено 9 и ни один из них не обанкротился за выбранный период;

- Результаты, полученные на данной выборке применимы только к российским банкам;

В дальнейшем исследовании целесообразно применить более современный подход к построению моделей вероятности дефолта, учесть панельную структуру данных, использовать большее количество финансовых переменных, а также строить модели на основе информации по всем банкам российской банковской системе.

Список литературы

1. Инструкция ЦБ РФ от 3 декабря 2012 г. № 139-И "Об обязательных нормативах банка", Вестник Банка России, №74(1392), стр. 2-4.

2. Обзор банковского сектора Российской Федерации. Аналитические показатели. 2017. №175.

3. "Положение о раскрытии информации эмитентами эмиссионных ценных бумаг" (утв. Банком России 30.12.2014 №454-П) (ред. от 01.04.2016) (Зарегистрировано в Минюсте России 12.02.2015 № 35989) (http://www.consultant.ru/document/cons_doc_LAW_175536/0120e270ed006bb4dd36d8e96b423763a5d1ef04/).

4. Портал банковского аналитика (http://analizbankov.ru).

5. Тотьмянина К. (2011) Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. № 1 (25). New Economic School, Moscow.

6. Altman, E.I., Rijken, H.A., 2004. How rating agencies achieve rating stability. J. Bank. Finance 28, 2679-2714.

7. Anzoategui, D., Perнa, M.S.M., Melecky, M., 2012. Bank competition in Russia: An examination at different levels of aggregation. Emerg. Mark. Rev. 13, 42-57.

8. Bock R., Demyanets A. (2012) Bank Asset Quality in Emerging Markets: Determinates and Spillovers. IMF Working Paper WP/12/71. International Monetary Fund, 2012.

9. Chernykh, L., Theodossiou, A.K., 2015. Determinants of bank long-term lending behavior: Evidence from Russia.

10. Claeys, S., Schoors, K., 2007. Bank supervision Russian style: Evidence of conflicts between micro- and macro-prudential concerns. J. Comp. Econ. 35, 630-657.

11. Demirgьз-Kunt, A., Huizinga, H., 2004. Market discipline and deposit insurance. J. Monet. Econ. 51, 375-399.

12. Fungбиovб, Z., Solanko, L., 2009. Risk-taking by Russian banks: Do location, ownership and size matter? Экономический Журнал Высшей Школы Экономики 13.

13. Fungacova Z., Weill L., 2010. How market power influences bank failures:Evidence from Russia. BOFIT Working Paper 2010-08. Bank of Finland. Institute for Economies in Transition.

14. Karminsky, A., Kostrov, A., Murzenkov, T., 2012. Comparison of default probability models: Russian experience.

15. Karminsky, A.M., Kostrov, A., 2014. The probability of default in Russian banking. Eurasian Econ. Rev. 4, 81-98.

16. Lanine, G., Vennet, R.V., 2006. Failure prediction in the Russian bank sector with logit and trait recognition models. Expert Syst. Appl. 30, 463-478.

17. Mдnnasoo, K., Mayes, D.G., 2009. Explaining bank distress in Eastern European transition economies. J. Bank. Finance 33, 244-253.

18. Micco, A., Panizza, U., Yaсez, M., 2007. Bank ownership and performance. Does politics matter? J. Bank. Finance 31, 219-241.

19. Peresetsky, A., Karminsky, A., Golovan, S., 2004. Probability of default models of Russian banks, BOFIT discussion papers. BOFIT, Helsinki.

20. Peresetsky, A.A., Karminsky, A.A., Golovan, S.V., 2011. Probability of default models of Russian banks. Econ. Change Restruct. 44, 297-334.

21. Shirley, M.M., Walsh, P., 2000. Public versus private ownership: The current state of the debate. World Bank Policy Research Working Paper Series #2420, Washington, DC.

22. Tabak, B.M., Cajueiro, D.O., Craveiros, G.L., 2011. Bank Efficiency and Non-Performing Loans in Brazil: Causality Tests, in: FGV Conferences, 33th Meeting of the Brazilian Econometric Society. pp. 7-9.

Размещено на Allbest.ru