Кроме того, смещение структуры баланса коммерческих банков в сторону увеличения объема менее рисковых активов, как уже упоминалось ранее, может привести к снижению прибыльности банковской деятельности, одной из характеристик которой служит рентабельность собственного капитала. Хотя отраженная на Рисунке 5 динамика данного показателя не демонстрирует понижательный тренд, его значение до сих пор не достигло докризисного уровня.

Подобная двойственность результатов ужесточения банковского регулирования и надзора стала одной из причин возникновения разногласий среди экспертов и участников финансового рынка относительно целесообразности применения столь жестких и затратных методов обеспечения финансовой стабильности. Так, главы крупнейших американских банков не раз заявляли, что текущие требования к достаточности капитала чересчур завышены American banks think they are over-regulated // The Economist, 4 May 2017: https://www.economist.com/special-report/2017/05/04/american-banks-think-they-are-over-regulated, а стандарты, внедренные в рамках закона Додда-Франка, подрывают конкурентоспособность национальных организаций по сравнению с иностранными Keats R. What Is the Dodd-Frank Act? // Yahoo Finance, 10 December 2015: https://finance.yahoo.com/news/dodd-frank-act-130530780.html?guccounter=1&guce_referrer=aHR0cHM6Ly93d3cuZ29vZ2xlLmNvbS8&guce_referrer_sig=AQAAAGyh1vGiro3RaT4I32D7TChmd0S4iT-fp1TTQkW85GgVOw2UGt4lAZNzLMX6_Hc-frrhG70cgfQ36VewRhHLP4xm6gueGmnudjU9FoCag8MD07L97NhclItg0Zz03548jNrLjALWTz_qll66ueiJWxHovd_W6sn8PcZq9j3xrLVP.

Тем не менее, согласно результатам опроса The risk management function of the future // Golub Center for Finance and Policy, 2017: http://gcfp.mit.edu/wp-content/uploads/2018/02/RMFF-Report.pdf экспертов и представителей банков, проведенного в 2017 г., было выявлено, что обе эти группы считают введение требований к достаточности капитала и практики стресс-тестирований наиболее эффективными мерами с точки зрения обеспечения финансовой устойчивости организации, хотя экспертные оценки в целом гораздо выше (см. прил. 1). При этом, значительная доля высшего менеджмента банков одновременно с этим говорит о высоких затратах, сопряженных с проведением данных процедур, тогда как эксперты оценивают их как менее дорогостоящие. В качестве основных путей снижения связанных с финансовым регулированием издержек респонденты со стороны банков называли уменьшение числа выездных инспекций надзорных органов, ликвидацию Бюро по защите прав потребителей в финансовой сфере, сокращение количества сценариев в стресс-тестировании, обеспечение большей последовательности в регулировании и др.

Изменений, подобных названным, представителям банковского сектора не пришлось долго ждать. В мае 2018 г. Дональд Трамп подписал Закон об экономическом росте, ослаблении регуляторно-административного воздействия и защите потребителей, который значительно снизил бремя финансового регулирования. Tracy R., Ackerman A. Trump Signs Banking Bill, Adding to Regulators' To-Do List // The Wall Street Journal, 24 May 2018: https://www.wsj.com/articles/trump-signs-banking-bill-adding-to-regulators-to-do-list-1527182525 Реформы, предлагаемые в рамках этого документа, в основном касаются банковских холдинговых компаний, а следовательно, напрямую затрагивают интересы коммерческих банков (см. прил. 2).

Наиболее значимой переменой стало повышение измеряемого по активам порогового уровня для вхождения в число организаций, подверженных более жесткому регулированию, с 50 до 250 млрд долл. Тем не менее, за Федеральной резервной системой сохраняется право применять повышенные стандарты к тем из них, чьи активы находятся в диапазоне 100-250 млрд долл. Bipartisan Banking Act Will Rebalance the Financial Regulatory Landscape // DavisPolk, 9 August 2018: https://www.davispolk.com/files/2018-05-22_bipartisan_banking_act_will_rebalance_the_financial_regulatory_landscape.pdf

Реформа также в значительной степени повлияла на процедуру стресс-тестирования:

§ внутренние тестирования становятся обязательными лишь для тех организаций, активы которых превышают 250 млрд долл., и проводятся раз в полгода;

§ внешние стресс-тестирования на ежегодной основе также должны проводиться только в указанной категории компаний; те же, чьи активы попадают в границы от 100 до 250 млрд долл., проходят данную процедуру на периодической основе;

§ сокращается количество макроэкономических сценариев с трех до двух: базового и крайне неблагоприятного. Bank Capital Plans and Stress Tests // Sullivan & Cromwell LLP, 27 December 2018: https://www.sullcrom.com/files/upload/SC-Publication-Bank-Stress-Tests-FDIC-and-OCC-Propose-Amendments-to-Their-Stress-Testing-Rules.pdf

Наконец, в рамках выполнения указаний данного нормативно-правового акта регулирующими органами были предложены некоторые изменения в расчете показателя краткосрочной ликвидности и дополнительных коэффициентов финансового левериджа для национальных и глобальных системно значимых банков, что облегчит им выполнение указанных нормативов.

Конечно, столь кардинальные изменения в нормативно-правовой базе не могли не вызвать оживленную дискуссию среди широких слоев населения. Сторонники дерегулирования финансового сектора отмечают, что закон, освобождая малые и средние банки от бремени чрезмерно жесткого регулирования, позволит им действовать более эффективно, а также поспособствует активизации практики слияний и поглощений в банковском секторе. “Economic Growth, Regulatory Relief, and Consumer Protection Act” is Enacted // Program on Corporate Compliance and Enforcement, 5 June 2018: https://wp.nyu.edu/compliance_enforcement/2018/06/05/economic-growth-regulatory-relief-and-consumer-protection-act-is-enacted/ В то же время противники данной инициативы опасаются нового финансового кризиса, который может быть вызван преуменьшением системного риска, исходящего от организаций, которые были освобождены от выполнения повышенных требований к финансовой устойчивости. Wilmarth Jr. A. Raising SIFI threshold to $250B ignores lessons of past crises // American Banker, 7 February 2018: https://www.americanbanker.com/opinion/raising-sifi-threshold-to-250b-ignores-lessons-of-past-crises Пока еще рано говорить о том, кто из них окажется прав: многие предложения вступили в силу лишь с начала 2019 года, другие же и вовсе находятся на стадии разработки.

Тем не менее, исходя из анализа текущей системы регулирования банковского сектора, а также ожидаемых в ней изменений, становится ясно, что крупные коммерческие банки по-прежнему подвержены пристальному надзору со стороны регулирующих органов, а потому их устойчивость остается в значительной степени высокой, в то время как малые и средние банки могут оказаться в зоне риска. По этой причине следующая глава настоящей работы будет посвящена построению модели, позволяющей прогнозировать вероятность банкротства данных категорий коммерческих банков в США .

2. Прогнозирование стрессоустойчивости коммерческих банков США

2.1 Основные подходы к прогнозированию банкротств и оценке финансовой устойчивости коммерческих банков

Исследование факторов устойчивости финансовых организаций и прогнозирование банкротств в финансовом секторе стали объектом пристального внимания в научной литературе с конца 60-х гг. прошлого века. Kumar P., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques - A review // European Journal of Operational Research. 2007. No. 180. P. 1. При этом с точки зрения используемых методов данную задачу можно причислить к более обширной категории задач прогнозирования банкротств любых других коммерческих организаций. Среди наиболее часто используемых методов выделяют логистические регрессии, модели линейного дискриминантного анализа, а также машинное обучение, в частности нейронные сети. Le H.H., Viviani J.-L. Predicting bank failure: An improvement by implementing a machine-learning approach to classical financial ratios // Research in International Business and Finance. 2018. No. 44. P. 17.

Первопроходцами в области построения моделей, предсказывающих возможность банкротства организации, по праву считаются Уильям Бивер Beaver W.H. Financial Ratios As Predictors of Failure // Journal of Accounting Research. 1966. Empirical Research in Accounting: Selected Studies 1966 (4). P. 71-111. и Эдвард Альтман Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. 1968. No. 4 (23). P. 589-609.. Первый в своей работе «Financial Ratios As Predictors of Failure» использовал одномерный анализ для сопоставления финансовых показателей двух групп фирм: обанкротившихся и функционирующих. Для этого им были выбраны 79 компаний, объявивших о своем банкротстве во временной промежуток с 1954 по 1964 год, каждой из которых была поставлена в соответствие действующая организация на основе сферы ее деятельности и величины активов. Затем, собрав данные финансовой отчетности за пятилетний период до банкротства фирмы, Бивер рассчитал 30 коэффициентов, к каждому из которых применил классификационный тест. По итогам исследования он заключил, что наибольшей предикативной способностью обладает показатель отношения денежного потока к совокупному долгу: 87% на временном горизонте в 1 год и 78% - в 5 лет. Тем не менее, несмотря на большую предсказательную силу полученных результатов, данная модель обладает существенными ограничениями, поскольку она учитывает лишь один фактор финансовой устойчивости организации, не принимая во внимание прочие характеристики, которые также могут оказывать влияние на ее «здоровье».

В дальнейшем Альтман развил идею Бивера, применив метод множественного дискриминантного анализа к выборке из 66 компаний и включив следующие пять переменных:

1. отношение оборотного капитала к общей сумме активов;

2. отношение нераспределенной прибыли к общей сумме активов;

3. отношение прибыли до вычета процентов и налогов к общей сумме активов;

4. отношение рыночной стоимости акционерного капитала компании к балансовой стоимости суммарного объема задолженности;

5. коэффициент оборачиваемости суммарных активов (отношение выручки к общей сумме активов).

В результате было получено линейное уравнение, где в качестве объясняющих переменных выступили перечисленные выше показатели, а значение объясняемой переменной, получившей название «Z-оценка», определяло вероятность банкротства компании. Полученная Альтманом модель продемонстрировала прогностическую способность в 94% на первичной выборке, также показав достаточно высокую точность во время тестирования на вторичных выборках, составленных для проверки ее надежности.

Впоследствии предложенная Альтманом модель легла в основу ряда других моделей, адаптированных под специфику других стран и конкретных отраслей, а дискриминантный анализ стал одним из наиболее используемых методов прогнозирования банкротств. Так, Джозеф Синки-младший Sinkey Jr. J.F. A Multivariate Statistical Analysis of the Characteristics of Problem Banks // The Journal of Finance. 1975. No. 1 (30). P. 21-36. одним из первых применил дискриминантную функцию для выявления проблемных коммерческих банков, однако его модель характеризовалась достаточно высоким процентом неверно классифицированных организаций: от 25% до 36% в зависимости от используемой выборки.

В современной литературе, посвященной проблеме дефолтов в банковском секторе, исследователи добились лучших результатов за счет расширения исследуемой выборки, сокращения горизонта прогнозирования или же включения в модель дополнительных переменных. Например, в своей работе С. Клири и Г. Хэбб Cleary S., Hebb G. An efficient and functional model for predicting bank distress: In and out of sample evidence // Journal of Banking & Finance. 2016. No. 64. P. 101-111. используют поквартальные данные 264 банков, достигнув при этом точности в 92% на исходной выборке и 95% при вневыборочном тестировании.

Как уже упоминалось ранее, помимо дискриминантного анализа исследователи используют и другие методы статистического анализа данных, в частности логит-модели. Пионером в области применения логистической регрессии к проблеме прогнозирования банкротств коммерческих банков стал Дэниел Мартин Martin D. Early warning of bank failure: A logit regression approach // Journal of Banking and Finance. 1977. No. 1. P. 249-276., предположивший, что этот подход способен продемонстрировать более высокую предикативную способность, чем дискриминантная функция.

Однако последующие эмпирические исследования в данной области не продемонстрировали явного преимущества в пользу применения логит-модели. К примеру, Эндрю Ло в работе «Logit versus discriminant analysis: A specification test and application to corporate bankruptcies» Lo A.W. Logit versus discriminant analysis: A specification test and application to corporate bankruptcies // Journal of Econometrics. 1986. No. 2 (31). P. 151-178. не обнаружил достаточных оснований, чтобы отвергнуть гипотезу об эквивалентности результатов прогнозирования банкротств с помощью упомянутых статистических методов. Более того, некоторые исследователи продемонстрировали, что результаты, полученные с помощью дискриминантного анализа, могут превосходить те, которые были достигнуты посредством логистической регрессии. Canbas S., Cabuk A., Kilic S.B. Prediction of commercial bank failure via multivariate statistical analysis of financial structures: the Turkish case // European Journal of Operational Research. 2005. No. 166. P. 528-546., Chiaramonte L., Croci E., Poli F. Should we trust the Z-score? Evidence from the european banking industry // Global Finance Journal. 2015. No. 28. P. 111-131.

Наконец, третий подход к прогнозированию дефолтов в банковском секторе представлен алгоритмами машинного обучения, среди которых наиболее часто используются нейронные сети. Основное различие между статистическими и интеллектуальными методами анализа данных состоит в том, что в первом случае вид модели задается извне, в то время как второй подход предполагает формирование ее структуры на основе массива данных. Одним из первых исследователей, применивших данный метод на выборке американских банков, стал Тэм К. Ky T. Neural network models and the prediction of bank bankruptcy // Omega. 1991. No.19 (5). P. 429-445., который обнаружил, что нейронные сети превосходят такие классические статистические методы, как дискриминантный анализ и логит-модели, с точки зрения доли правильно классифицированных организаций. В последних работах, посвященных сравнительному анализу указанных методов, авторы также пришли к подобным выводам. К примеру, Ле и Вивиани Le H.H. Op. cit., использовав выборку, состоящую из трех тысяч коммерческих банков в США, выяснили, что применение нейронных сетей дает более точные результаты, чем использование прочих статистических методов. В то же время, согласно статье Финча и Шнайдера Finch H., Schneider M. K. Classification accuracy of neural networks vs. discriminant analysis, logistic regression, and classification and regression trees: Three- and five-group cases // Methodology European Journal of Research Methods for the Behavioral and Social Sciences. 2007. No. 3(2). P. 47-57., искусственные нейронные сети схожи в своей прогностической силе с моделями дискриминантного анализа и логистической регрессии. Более того, другая группа авторов Altman E.I., Marco G., Varetto F. Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience) // Journal of Banking & Finance. 1994. No. 3 (18). P.505-529., принимая во внимание основное различие между интеллектуальными и статистическими методами, сравнивает нейронные сети с черным ящиком, в котором задается структура модели без участия самого исследователя, что затрудняет обнаружение причин ошибок и интерпретацию коэффициентов при переменных и может привести к излишней подгонке модели под обучающую выборку.

Таким образом, на основе представленного анализа подходов к прогнозированию банкротств финансовых организаций для выполнения цели настоящей работы было принято решение использовать метод мультипликативного дискриминантного анализа в силу простоты и наглядности его использования, а также достаточно высокой точности получаемых с его помощью результатов без возникновения проблемы переобучения модели.

2.2 Выявление стрессоустойчивости коммерческих банков с применением дискриминантного анализа

Как было отмечено ранее, коммерческий банк представляет собой финансовую организацию, которая осуществляет прием вкладов и выдачу кредитов с целью извлечения прибыли. То есть, с одной стороны, банк финансирует свою деятельность путем привлечения высоколиквидных средств с низким уровнем риска и инвестирует их в менее ликвидные активы, сопряженные с более высоким риском, главным образом, в форме займов. В результате выполнения этих двух функций банк одновременно сталкивается с кредитным риском и риском ликвидности, что может в конечном итоге привести к его неплатежеспособности. Поэтому неудивительно, что в периоды снижения рыночной стоимости активов банка, а также появления неопределенности в отношении стабильности депозитной базы, в банковском секторе наблюдается рост банкротств.

Финансовый кризис 2007-2009 гг. был вызван резким падением цен на недвижимость, за которым последовали рост количества невыплат по ипотечным кредитам и вызванное им снижение стоимости ценных бумаг, обеспеченных субстандартными ипотечными займами, что в конечном итоге привело к банкротству большого числа коммерческих банков. Так, в 2008 году о своем дефолте объявили 19 коммерческих банков, в то время как в 2000-2007 гг. было зафиксировано всего 25 банкротств. Затем их число возросло до 120 в 2009 г. и 132 в 2010 г. и лишь начиная с 2011 г. начало постепенно уменьшаться, пока в 2018 г. не достигло нулевого уровня (см. рис. 6).

Рисунок 6 - Статистика банкротств коммерческих банков, 2008-2018

Источник: Cоставлено автором на основе: Bank Failures and Assistance Data // FDIC: https://banks.data.fdic.gov/explore/failures/ (date of access: 3.05.2019)

Для проведения исследования устойчивости коммерческих банков в результате проведения посктризисных реформ в финансовом секторе США, а также прогнозирования количества банкротств в 2019 году был произведен сбор финансовых показателей 180 коммерческих банков, объявивших о прекращении своей деятельности в период с 01.01.2011 по 31.12.2017. Затем для формирования обучающей выборки каждой из этих организаций был поставлен в соответствие функционирующий коммерческий банк на основе следующих критериев:

1. организации должны быть зарегистрированы в одном и том же штате;

2. совокупные активы обоих банков должны быть сопоставимы по размеру;

3. предпочтение при выборе банка для спаренной выборки отдавалось организации, правовой статус которой совпадает с обанкротившимся учреждением с точки зрения выданной ему лицензии (национальный банк; банк штата, являющийся членом ФРС; банк штата, не входящий в ФРС).

Таким образом, наряду с нормальностью полученного распределения, было достигнуто равенство средних и дисперсий двух подвыборок. Результаты применения t-теста, а также критерия Ливиня представлены в Приложении 3.

По завершении этапа ручного подбора коммерческих банков, соответствующих указанным условиям, была сформирована итоговая выборка из 360 организаций. Информация по обеим категориям коммерческих банков была получена с использованием представленных на сайте Федеральной корпорации по страхованию вкладов архивов поквартальных финансовых данных для всех депозитных учреждений. All SDI Data // FDIC: https://www5.fdic.gov/sdi/download_large_list_outside.asp (date of access: 15.04.2019) В частности, для вычисления значений переменных были использованы показатели, содержащиеся в бухгалтерском балансе, отчете о финансовых результатах и отчете о движении денежных средств, а также расчетные финансовые коэффициенты.

2.2.3 Выделение факторов финансовой устойчивости коммерческих банков

Для построения модели, определяющей вероятность дефолта коммерческого банка, были рассчитаны 14 финансовых показателей, представленных в Приложении 4. Данные для их вычисления были взяты из ежеквартальной финансовой отчетности организации, опубликованной за один год до даты ее банкротства. Следовательно, горизонт прогнозирования модели финансовой устойчивости составит один год с момента обнародования используемой отчетности. Указанные параметры были отобраны таким образом, чтобы охватить следующие пять категорий, представляющих собой компоненты рейтинговой системы CAMELS: достаточность капитала, качество кредитного портфеля, операционная эффективность, прибыльность и ликвидность. Последний элемент данной методики, чувствительность к риску, не может быть включен в анализ в силу того, что он определяется такими факторами, как изменения процентных ставок, валютных курсов, цен на сырьевые товары или курсов ценных бумаг: их значения одинаковы для всех объектов выборки, а следовательно, эти показатели не являются дискриминантными.

В силу четко прослеживаемой зависимости между выбранными показателями необходимо провести корреляционный анализ, чтобы избежать проблемы мультиколлинеарности. Приведенная в Приложении 5 корреляционная матрица отражает ожидаемую сильную взаимосвязь между некоторыми факторами, являющимися представителями одной категории. По этой причине финальный набор дискриминантных переменных был ограничен шестью показателями, представленными в Таблице 3. Наряду со значениями коэффициентов парной корреляции, критерием отбора послужила объясняющая сила и устойчивость модели дискриминантного анализа при тестировании различных комбинаций факторов.

Таблица 3 - Перечень включенных в анализ показателей