Сравнительный анализ подходов к оценке ожидаемых кредитных убытков в соответствии с МСФО 9 и Базель II на примере корпоративного сегмента в российском банке

Рисунок 18. Ожидаемое процентное увеличение общего объема резервов под обесценение при переходе на МСФО 9

Источник: Kermarrec Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos A. Ernst&Young, 23th of August, 2017.

Рисунок 19. Ожидания банков о подверженности цикличности резервов под обесценение согласно МСФО 9

Примечательно, что влияние на норматив достаточности капитала оказалось незначительным - в целом значение оценивается на уровне увеличения CET1 на 0-0,25% Kermarrec Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos A. Ernst&Young, 23th of August, 2017., что во многом объясняется избыточной величиной прогнозов по UL для части кредитных портфелей, рассчитанных в рамках ПВР.

Возвращаясь вновь к теме исследования влияния МСФО 9 на ожидаемые кредитные убытки, основное увеличение резервов, как правило происходит за счет розничного кредитования, где увеличение ожидаемых потерь по портфелю кредитных карт ожидается на уровне около 40%.

Рисунок 20. Ожидаемое процентное увеличение общего объема резервов под обесценение при переходе на МСФО 9 для портфеля розничного кредитования

Источник: Kermarrec Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos A. Ernst&Young, 23th of August, 2017.

Большинство банков признают, что такой уровень риска появляется по причине длинного срока жизни финансового продукта, что отражают реальные данные, где розничное кредитование рассчитано на более длительные периоды:



Рисунок 21. Среднепортфельный срок кредита

Источник: Kermarrec Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos A. Ernst&Young, 23th of August, 2017.

Одним из наиболее важных выводов исследования являются наблюдения авторов о том, что увеличение резервов под ожидаемые кредитные убытки происходит в основном за счет кредитов на первой стадии - для кредитов без какого-либо ухудшения Ожидаемые кредитные убытки согласно МСФО (IFRS) 9: Анализ влияния перехода на стандарт // Ernst&Young. 2019. - С. 2.. Как уже ранее говорилось, в случае с ПВР экономия достигается именно за счет качественных заемщиков. В МСФО 9 же избыточное резервирование связано не только с защитой от потерь по некачественным ссудам, но и по качественным кредитам.

Рисунок 23. Оценочные резервы этапа 1 и этапа 2 согласно МСФО 9 и оценочные резервы для необесцененных займов согласно МСФО 39

Источник: Ожидаемые кредитные убытки согласно МСФО (IFRS) 9: Анализ влияния перехода на стандарт // Ernst&Young. 2019. - 14 c.

Рисунок 24. Оценочные резервы под ОКУ для кредитно-обесцененных займов

Источник: Ожидаемые кредитные убытки согласно МСФО (IFRS) 9: Анализ влияния перехода на стандарт // Ernst&Young. 2019. - 14 c.

В большинстве банков было отмечено, что новый стандарт потребует значительных финансовых вливаний Ожидаемые кредитные убытки согласно МСФО (IFRS) 9: Анализ влияния перехода на стандарт // Ernst&Young. 2019. - C. 2.. Более того, банки отмечают высокий уровень нагрузки, который теперь будет оказываться в связи с постоянной переоценкой величины резервов под обесценение. Статистика также показывает, что большинство банков хотело бы обеспечения более долгосрочных прогнозов, чем это возможно в рамках стандарта Kermarrec Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos A. Ernst&Young, 23th of August, 2017. - P. 27..

Заключительной тенденцией развития, которую отметили сами банки, стало то, что новые требования значительно влияют на систему внутреннего банковского контроля Ibid., а также на процедуру мониторинга кредитного риска, что отчасти можно расценивать как положительное влияние на систематизацию внутренних процессов на более высоком уровне.

Также мы могли бы отметить, что внедрение обновленного стандарта финансовой отчетности на обязательной основе для использования в Российской Федерации - возможность защитить банки от возможных потерь, учитывая ту особенность, что мы берем во внимание и те банки, которые не входят в список структурно-значимых кредитных организаций. С одной стороны, обязанность использовать новый стандарт - рычаг для внутреннего совершенствования средних банков по России, с другой стороны - возможность для крупнейших банков задуматься о переходе на еще более высокий уровень внутренней организации, который в долгосрочной перспективе позволит экономить средства на капитал.

3.2 Сложности и перспективы внедрения стандартов в российский банковский сектор

Системно-значимые кредитные организации России имеют право внедрить в систему внутреннего управления ПВР подход на добровольной основе. Как уже было отмечено ранее, два банка уже воспользовались этой возможностью: Сбербанк и Райффайзенбанк уже отчитались о первичном влиянии ПВР. Сбербанк смог сэкономить на резервах под кредитные убытки Сбербанк опубликовал финансовые результаты за 3 квартал 2019 года в соответствии с международными стандартами финансовой отчетности (МСФО) // Пресс-релиз Сбербанка, 31 октября 2019 г., в то время как Райффайзенбанк увеличил коэффициенты достаточности капитала Райффайзенбанк заработал рекордную прибыль в размере 37.6 млрд. руб. за 2019 год по результатам МСФО // Пресс-релиз Райффайзенбанка, 25 марта 2020 г.. Поскольку Сбербанк сосредотачивает в себе лучшие умы, финансовые вложения и технологии, а Райффайзенбанк перенимает опыт своих коллег по банковской группе Raiffeisen Bank International Group, эти банки показывают некоторую разницу полученных результатов за год. Тем не менее, увеличение затрат на капитал в 2019 году не мешает Райффайзенбанку снизить эти затраты в будущем, улучшив качество кредитного портфеля и собственных IT-систем.

Остальные крупнейшие российские кредитные учреждения также могут рассматривать перспективу перехода на подход внутренних рейтингов. Тем не менее, перед Россией стоит ряд серьезных вызовов.

КПМГ в своем исследовании удалось структурно оценить ряд сложностей, стоящих перед российскими банками касательно совершенствования внутренних систем для обновленных стандартов к оценке кредитных рисков. Результаты могут быть представлены в форме следующей таблицы:

Рисунок 25. Сложности в процессе внедрения стандартов

Источник: Цит. по Соколов Ю. МСФО 9: Трудности перехода

То есть, российским банкам предстоит решить еще немало вопросов для того, чтобы соответствовать требованиям международных стандартов.

Тем не менее, решив эти трудности, банки действительно могут ходатайствовать о внедрении ПВР. Стоит уточнить, что банк действительно к моменту этого решения уже должен характеризоваться усовершенствованной моделью внутреннего банковского управления, поскольку процесс оценки и контроля Центральным Банком может значительно затянуться в случае недостаточного соответствия требованиям качества внутренних моделей и внутренней подготовленности банка к внедрению к подходу внутренних рейтингов Информация Банка России от 1 октября 2015 г. «О принципах и подходах Банка России к проведению валидации рейтинговых систем банков в рамках реализации ПВР». В частности, процесс валидации рейтинговых моделей в случае выявленных несоответствий включает в себя время до 1 года на их устранение и повторную проверку моделей на качество устранения замечаний. Внесение существенных изменений в рейтинговые модели после этого периода в течение плана постепенного перехода также требует дополнительной валидации Банком России. Дополнительно, за все время перехода Банк России осуществляет наблюдение за деятельностью банка Указание Банка России от 06.08.2015 № 3752-У «О порядке получения разрешений на применение банковских методик управления кредитными рисками и моделей количественной оценки кредитных рисков в целях расчета нормативов достаточности капитала банка, а также порядке оценки их качества».

Регулятор может проверять готовность банка посредством проведения интервью с сотрудниками, проведения процесса наблюдения за внутренними системами и процессами, может анализировать внутреннюю документацию и выборки данных, используемые в модели. Банком России проводится анализ покрытия сегментов кредитных требований внутренними рейтинговыми моделями, анализ корпоративного управления и внутреннего контроля, анализ соответствия определения дефолта, оценка порядка признания учета и обеспечения и стресс-тестирование компонентов кредитного риска Информация Банка России от 1 октября 2015 г. «О принципах и подходах Банка России к проведению валидации рейтинговых систем банков в рамках реализации ПВР». Несомненно, ключевым пунктом проверки является валидация внутренних моделей, проведение необходимых статистических тестов. Таким образом, банку предстоит пройти через весьма длительную процедуру проверки Регулятором, что еще раз говорит о необходимости серьезной предварительной подготовки банка.

Оценив сложности внедрения подхода, перейдем к заключительной части. Нам необходимо ответить на главный вопрос: нужно ли это российским банкам и банковской системе в России в целом? По итогам всей информации, которую нам удалось изучить в рамках трех глав исследования, мы можем оценить плюсы и минусы ПВР и МСФО 9 для применения в России:

Таблица 12. Преимущества и недостатки в оценке ожидаемых кредитных убытков согласно ПВР и МСФО 9

ПВР (Базель II)	МСФО 9
Преимущества
Новые требования к заложению резервов на ожидаемые убытки стимулируют развитие внутренних систем управления кредитным риском. Совместное применение двух стандартов может привести к повышению уровня банковской стабильности.
Возможность долгосрочного прогнозирования, благоприятная для целей макропруденциального регулирования	Наиболее четкое отражение ожидаемых убытков к концу периода
Возможность снижения затрат на капитал при условии качественного кредитного портфеля	МСФО 9 - рычаг для совершенствования внутренних систем для средних банков по России и дополнительный уровень защиты
Повышенная устойчивость банка за счет элементов стресс-тестирования для каждого компонента кредитного риска, стабильность оценок
Возможность повысить имидж банка на международной арене благодаря применению методик подхода внутренних рейтингов
Недостатки
Дороговизна и сложность внедрения
Средний банк рискует значительно увеличить и размер резервов, и уровень достаточности собственного капитала	Высокий уровень нагрузки на персонал
Длительный процесс внедрения. Дополнительно, в случае если регулятор признает внутренние модели, работу департамента управления рисками или общую организацию внутренних процессов недостаточно качественными, то процедура внедрения затягивается, затраты значительно увеличиваются.	Повышенные и постоянные операционные затраты
	Волатильность оценок, избыточные резервы во время экономического спада
	Первичный прогноз предусматривается только для краткосрочной перспективы
	Увеличение резервов под ожидаемые убытки осуществляется в том числе и за счет качественных ссуд
	На стадии стресс-тестирования ожидаемых кредитных убытков наибольший вес отдается базовому сценарию на основе макроэкономических прогнозных переменных

Итак, мы можем сделать следующий заключительный вывод: подход внутренних рейтингов определенно способен повысить общую устойчивость как отдельного банка, так и национальной банковской системы в целом. Вместе с этим, банк имеет возможность снизить затраты на капитал, на операционную деятельность и на персонал. ПВР как концепция - стимул усовершенствования всех внутренних процессов, баз данных, компьютерных систем, который, как результат, способен улучшить качество кредитного портфеля, дополнительно снизить убытки за счет выхода банка на новый уровень организации. Таким образом, решение о внедрении подхода внутренних рейтингов в долгосрочной перспективе в крупнейшие банки Российской Федерации является крайне рекомендуемой мерой. Об этом может свидетельствовать и заявление Банка России о рассмотрении такой перспективы, как обязательное использование методологии Базель II для СЗКО Сараев А. Для чего Банк России ужесточает регулирование Сбербанка и ВТБ // Ведомости, 4.02.2020 г.. Тем не менее, такое развитие событий маловероятно, а заявление является скорее качественным индикатором того, что Банк России весьма высоко оценивает значимость влияния ПВР на российскую банковскую систему. Об этом также свидетельствуют планы Центрального Банка в 2020 году смягчить ряд регуляторных требований Воронова Т. Центробанк России может дать банкам послабления по капиталу для ПВР-подхода в 2020 году // Рейтерс, 28 октября 2019 г. для банков с целью стимулировать большее количество банков использовать ПВР. Так, из комментария заместителя председателя ЦБ следует, что на данный момент рассматривается возможность отмены поправочного коэффициента, равного 1.06, что приведет к снижению требований к капиталу по ПВР на 6%, а также снижение LGD для необеспеченных кредитных требований к корпоративным заемщикам с 45% до 40% в рамках БПВР.

Важно понимать, что банковский переход на подход внутренних рейтингов в соответствии с Базель II важен для России, однако каждый банк должен понимать, что ходатайству на применение ПВР для внутренних целей должны предшествовать существенные преобразования внутренней системы, чтобы добиться желаемых эффектов от применения подхода. Более того, самостоятельная и осознанная качественная подготовка поможет избежать дополнительных доработок и изменений, дополнительных затрат, которые может потребовать Банк России по итогам проведенного внешнего контроля над деятельностью кредитной организации.

Таким образом, наиболее благоприятным решением для России будет постепенное внедрение подхода внутренних рейтингов, вызванное добровольным решением СЗКО. Поскольку перед российскими банками еще стоит ряд серьезных задач, требующих разрешения, перехода на ПВР, вероятнее всего, стоит ожидать лишь в долгосрочной перспективе.

Заключение

На данном этапе исследования можно сказать, что сравнительный анализ МСФО 9 и ПВР - это, во многом, сравнение унифицированного подхода для всех банков в целом и продвинутого подхода, направленного на совершенствование банковских процессов. Если цель МСФО 9 - попытка защитить кредитную организацию за счет повышенных резервов при том устройстве и кредитном портфеле, которое уже имеется у банка, то ПВР -- это фокус на качественное усовершенствование банковского функционирования. Если МСФО 9, как стандарт финансового учета, склонен к цикличности и волатильности размера резервов под ожидаемые кредитные убытки, создавая дополнительную нагрузку на банки, то ПВР, разработанный Базельским комитетом, направлен на обеспечение банковской стабильности и внутренних оценок кредитного риска. По той же причине, стресс-тестирование в рамках МСФО 9 направлено на отражение наиболее вероятного результата в будущем. ПВР же, в целях обеспечения банковской устойчивости, прибегает к учету кризисных условий. Если мы сравниваем МСФО 9 и ПВР в качестве подхода стандартного и подхода продвинутого, то там, где МСФО 9 увеличивает резервы для всех классов заемщиков, Базель II позволяет проводить более тонкую настройку, обеспечивающую экономию на качественных заемщиках.

Важно заметить, что потенциальная экономия на размере собственного капитала, которая предполагается от применения ПВР, не появляется автоматически при внедрении стандарта. В действительности высвобождение резервных средств достигается за счет высокого качества разрабатываемых моделей и профессионализма внутреннего департамента риск-менеджмента. Резервирование на возможные потери снизится во многом благодаря новому высокому качеству кредитного портфеля: размер общих потерь по портфелю ниже за счет отклоненных займов, в то время как качественное разделение заемщиков на «хороших» и «плохих» обретается все так же за счет усовершенствованных внутренних моделей кредитного риска.

Тем не менее, завышенные резервы под обесценение в рамках МСФО 9 могут стать сигналом для совершенствования процедуры и методологии оценки рисков. Не исключено, что цепочка подобного совершенствования приведет к решению СЗКО о внедрении подхода внутренних рейтингов со временем. Более того, обновленный стандарт финансовой отчетности служит средством дополнительной защиты для небольших российских банков и одним из рычагов для их совершенствования.

В свою очередь, системно-значимые кредитные организации в России выиграют от внедрения подхода внутренних рейтингов при условии решения проблем недостатка исторической информации, недостаточной квалификации, неразвитости компьютерных систем и недостаточной автоматизации внутренних процессов. Планомерный и добровольный переход крупнейших российских банков на требования к оценке кредитного риска в рамках Базель II вполне ожидаем в долгосрочной перспективе, что, вероятнее всего, выведет российский банковский сектор на новый уровень стабильности.

Список используемой литературы

1. Гражданский кодекс Российской Федерации, часть первая от 30.11.1994 №51-ФЗ Ст. 395. Ответственность за неисполнение денежного обязательства // Собрание законодательства РФ. 1994.

2. Инструкция Банка России от 29 ноября 2019 года № 199-И «Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией» (с изменениями на 26 марта 2020 года).

3. Информация Банка России от 1 октября 2015 г. «О принципах и подходах Банка России к проведению валидации рейтинговых систем банков в рамках реализации ПВР»

4. Положение Банка России от 28.06.2017 № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности».

5. Положение Банка России от 6 августа 2015 г. N 483-П "О порядке расчета величины кредитного риска на основе внутренних рейтингов" (с изменениями и дополнениями)

6. Указание Банка России от 06.08.2015 № 3752-У «О порядке получения разрешений на применение банковских методик управления кредитными рисками и моделей количественной оценки кредитных рисков в целях расчета нормативов достаточности капитала банка, а также порядке оценки их качества»

7. Федеральный Закон от 24.07.2017 № 209 «О развитии малого и среднего предпринимательства в Российской Федерации».

8. Федеральный закон от 29.06.2015 № 127- ФЗ «О несостоятельности (о банкротстве)». Статья № 2.

9. Федеральная служба государственной статистики.

10. База данных Bureau Van Dijk «Руслана».

11. Битюцкий, В. Валидация моделей экономического капитала // Перевицкая, В., Липатов А. Риск-менеджмент в кредитной организации, №2 (26). 2017. - С. 55-68.

12. Битюцкий, В. Как внедрение МСФО (IFRS) 9 скажется на российских банках // Пеникас, Г.; PwC, 10 октября 2016 г. - 6 с.

13. Буйлов, М. Банки сэкономят на рисках // Коммерсант, 25 февраля 2020 г.

14. Волков, А. Внедрение продвинутых подходов Базель II: старт дан // Аналитический банковский журнал №2 (205). февраль 2013. - С. 51-55.

15. Воронова, Т. Центробанк России может дать банкам послабления по капиталу для ПВР-подхода в 2020 году // Рейтерс, 28 октября 2019 г.

16. Годовой финансовый отчет Сбербанка за 2019 год // Сбербанк. 2019. - 70 с.

17. Жевага, А.А. Использование свободных макроэкономических индикаторов для калибровки внутренних рейтинговых моделей в банках // Моргунов, А.В.; Деньги и кредит №8. 2015. - С. 39-46.

18. Зданевич, А. Практическое применение стандарта МСФО (IFRS) 9 «Финансовые инструменты» // Луговцева, Е., Гришунин, С.; Deloitte., 2018 г. - 108 с.

19. Информационный бюллетень Банка России за III квартал 2019 года // - Банковское регулирование №3 (11). 2019. - С. 1.

20. Исторические данные об уровнях дефолта по рейтинговым категориям применяемых рейтинговых шкал на 01.01.2020 // Эксперт РА.

21. Копылов, С. Подходы к оценке кредитного риска: МСФО 9 или Базель? 24 февраля 2017.

22. Литова, Е. ЦБ разрешил Сбербанку оценивать кредитные риски самостоятельно // РБК, 20 ноября 2017 г.

23. Международный стандарт финансовой отчетности (IFRS) 9 «Финансовые инструменты».

24. МСФО (IFRS) 9 «Финансовые инструменты»: первый опыт применения // КПМГ, 2014 г. - 133 с.

25. Ожидаемые кредитные убытки согласно МСФО (IFRS) 9: Анализ влияния перехода на стандарт // Ernst&Young. 2019. - 14 c.

26. Парасюта, К.Н. Методы верификации рейтинговых систем // Финансовый менеджмент №6. 2008 г.

27. Помазанов, М.В. Маржинальный экономический эффект от повышения качества моделей рейтингования заемщиков банка // Финансовый менеджмент №4, 2018. - М. - С. 92-109.

28. Помазанов, М.В. Управление кредитным риском в банке: подход внутренних рейтингов (ПВР): практическое пособие для вузов / М.В. Помазанов; под научной редакцией Г.И. Пеникаса. -- 2-е изд., перераб. и доп. -- Москва: Издательство Юрайт, 2020. (Высшее образование). -- ISBN 978-5-534-12361-6. -- Текст: электронный // ЭБС Юрайт [сайт].- 292 с.

29. Райффайзенбанк заработал рекордную прибыль в размере 37.6 млрд. руб. за 2019 год по результатам МСФО // Пресс-релиз Райффайзенбанка, 25 марта 2020 г.

30. Розанова, Е.Ю. Базельские стандарты, МСФО 9, ВПОДК: выполняется обновление систем. Требуется перезагрузка // Банковское дело. № 6. 2018. - С. 50-56.

31. Сараев, А. Для чего Банк России ужесточает регулирование Сбербанка и ВТБ // Ведомости, 4 февраля 2020 г.

32. Сбербанк опубликовал финансовые результаты за 3 квартал 2019 года в соответствии с международными стандартами финансовой отчетности (МСФО) // Пресс-релиз Сбербанка, 31 октября 2019 г.: [Электронный ресурс].

33. Сопоставление качества рейтингов российских банков : Препринт WP16/2010/03 C64 [Текст] / Афонина, С.Г., Богатырева, Е.А., Косьяненко, А.В., Лапшин, В.А., Науменко, В.В., Смирнов, С.Н.; Гос. ун-т - Высшая школа экономики. - М.: Изд. дом Гос. ун-та - Высшей школы экономики, 2010. - 44 с.

34. Финансовые коэффициенты // - [Электронный ресурс]. - Дата обращения 08.02.2020.

35. Чунихина, Т. Калибровка ставок дефолта в целях оценки ожидаемых кредитных убытков по финансовым активам согласно МСФО (IFRS) 9 // Банковский вестник, 2019. - С. 49-60.

36. Якубовская, Д.П. Оценка рисков в цене кредитных продуктов // Проблемы современной экономики. № 3 (51). 2014. - С. 385-386.

37. Basel Committee on Banking Supervision. Basel III Monitoring Report // Bank for International Settlements. 2019. - 179 p.

38. Basel Committee on Banking Supervision. International Convergence on Capital Measurement and Capital Standards: A Revised Framework // Bank for International Settlements. 2004. P. - 239 p.

39. Bialas M. Evolution of Capital Adequacy Ratio // Solek M. Economics & Sociology, Vol. 3, № 2, 2010. - pp. 48-57.

40. Crabtree M. Logistic regression for probability of default. // DataCamp. - 36 p.

41. Gurtler, M. Pitfalls in Modeling Loss Given Default of Bank Loans // Hibbeln, M.; 2013. - 32 p.

42. Kermarrec, Y. EY IFRS 9 Impairment Banking Survey // Correia Dos Santos, A.; Ernst&Young, 23th of August, 2017. - 52 p.

43. Klein, M. Challenging the Challenger Model // University of Amsterdam. 2015. - 43 p.

44. Mayer, M. Are Through-the-Cycle Credit Risk Models Are a Beneficial Macro-Prudential Policy Tool? // Sauer, S.; Monetary Policy, Financial Crises, and the Macroeconomy, 2017. - pp. 201-224.

45. Misankova, M. Determination of Default Probability by Loss Given Default // Spuchlakova, O., Frajtova-Michalikova, K.; 4^th World Conference on Business, Economics and Management. - pp. 411-417.

46. Rhys, M. Going up? The impact of impairment proposals on regulatory capital // Mather, C., Stone, C., Szmigin, A., Freeman, A.; Deloitte. 2013. - 14 p.

47. Tasche D. Estimating discriminatory power and PD curves when the number of defaults is small. Working paper, Lloyds Banking Group, 2009. - 58 p.;

48. Van der Burgt, M. Calibrating low-default portfolios, using the cumulative accuracy profile. Journal of Risk Model Validation, 1(4) 2008. - pp. 17-33.

Приложение 1

Рассчитанные AUC и AR для всех отобранных показателей

Название показателя	AR	AUC
Период оборота заемного капитала	0.627655086	0.81382754
Цикл оборота движения денежных средств (операционный цикл)	0.493832510	0.74691626
Рентабельность оборотных активов	0.487855769	0.74392788
Отношение наличных денег к общим активам	0.487039484	0.74351974
Доналоговая рентабельность активов	0.485922858	0.74296143
Покрытие процентов прибылью до вычета процентов налогов и амортизации	0.471108490	0.73555425
Фондоотдача	0.464434951	0.73221748
Коэффициент краткосрочной кредитной нагрузки на выручку	0.449468216	0.72473411
Рентабельность активов (ROA)	0.447700049	0.72385002
Рентабельность капитала по прибыли до налогообложения (ROE)	0.445048634	0.72252432
Рентабельность инвестированного капитала (ROIC)	0.442480300	0.72124015
Оборачиваемость оборотных активов	0.434545881	0.71727294
Коэффициент маневренности собственных оборотных средств	0.402690417	0.70134521
Рентабельность капитала по прибыли от продаж (ROE)	0.398782821	0.69939141
Оборачиваемость кредиторской задолженности	0.391890514	0.69594526
Рентабельность капитала по операционной прибыли (ROE)	0.369294788	0.68464739
Рентабельность (убыточность) продаж	0.324250424	0.66212521
Оборачиваемость запасов	0.321377594	0.66068880
Изменение прибыли до налогообложения	0.288227021	0.64411351
Рентабельность продаж по операционной прибыли	0.286337080	0.64316854
Долговая нагрузка	0.285207470	0.64260374
Изменение прибыли от продаж	0.258511890	0.62925594
Период оборота собственного капитала	0.253342513	0.62667126
Наличие непокрытого убытка	0.234464929	0.61723246
Коэффициент текущей ликвидности	0.224412676	0.61220634
Коэффициент обеспеченности активов	0.203849001	0.60192450
Изменение операционной прибыли	0.188638398	0.59431920
Коэффициент быстрой ликвидности	0.074133004	0.53706650
Период оборота оборотных активов	-0.365082775	0.31745861
Нераспределенная прибыль (Непокрытый убыток)/Текущие обязательства	-0.002759002	0.49862050

Приложение 2

Расчет годовых показателей, использованных в главе 2

Название показателя	Формула
Цикл оборота движения денежных средств (операционный цикл)
Рентабельность оборотных активов
Отношение наличных денег к общим активам
Доналоговая рентабельность активов
Покрытие процентов прибылью до вычета процентов налогов и амортизации
Фондоотдача
Коэффициент краткосрочной кредитной нагрузки на выручку
Рентабельность активов (ROA)	Рентабельность активов
Рентабельность капитала по прибыли до налогообложения (ROE)
Рентабельность инвестированного капитала (ROIC)
Оборачиваемость оборотных активов
Коэффициент маневренности собственных оборотных средств
Рентабельность капитала по прибыли от продаж (ROE)
Оборачиваемость кредиторской задолженности
Рентабельность капитала по операционной прибыли (ROE)
Рентабельность (убыточность) продаж
Оборачиваемость запасов
Изменение прибыли до налогообложения	Прибыль (убыток) до налогообложения
Рентабельность продаж по операционной прибыли
Долговая нагрузка
Изменение прибыли от продаж	Валовая прибыль
Период оборота собственного капитала
Наличие непокрытого убытка	Нераспределенная прибыль (непокрытый убыток)
Коэффициент текущей ликвидности
Коэффициент обеспеченности активов
Изменение операционной прибыли	Операционная прибыль
Коэффициент быстрой ликвидности
Период оборота оборотных активов
Нераспределенная прибыль (Непокрытый убыток)/ Текущие обязательства

Приложение 3

R-код, Использованный в главе 2

Data <- read.csv(file = "VKR.csv", stringsAsFactors = FALSE, encoding = 'UTF-8')

defaultflag0 <- Data$DefaultFlag

defnum <- sum(defaultflag0)

DefFreq <- mean(defaultflag0)

i <- 15

Factor1 <- Data[,1]

coeffName <- names(Data)[i]

DefNANumber <- sum(is.na(defaultflag0))

coeff <- cbind(defaultflag0, Factor1)

coeff <- data.frame(coeff)

colnames(coeff) <- c("DefaultFlag", "Coeff")

coeff$Coeff <- as.numeric(as.character(coeff$Coeff))

coeff$DefaultFlag <- as.numeric(as.logical(coeff$DefaultFlag))

coeff <- coeff[order(coeff$Coeff),]

Factor1 <- coeff$Coeff

defaultFlag <- coeff$DefaultFlag

#рассчитываем показатели для CAP кривой

rowsCounter <- length(defaultFlag)

nums <- 1:rowsCounter

x_capcurve <- nums/rowsCounter

y_capcurve <- auc@y.values

install.packages("pracma")

library(pracma)

AUC <- trapz(x_capcurve, y_capcurve)

AR <- 2*AUC-1

my_plot = plot(x_capcurve, y_capcurve, type= "l", main = paste0("CAP curve_", coeffName),

sub = paste0("AR = ", AR))

lines(0:1,0:1,col = "red") #diagonal

#формируем функцию для расчета Джини и вывода графиков

AR_calc <- function(defaultFlag, coeffVal, mark,

coeffName, CAPcurvePlotFlag) {

rowsCounter <- length(defaultFlag)

nums <- 1:rowsCounter

x_capcurve <- nums/rowsCounter

y_capcurve <- cumsum(as.logical(defaultFlag))/sum(as.logical(defaultFlag))

AUC <- trapz(x_capcurve, y_capcurve)

AR <- 2*AUC-1

#generating the plot of CAP curve with values of AR & flag of cros

if(CAPCurvePlotFlag){

my_plot = plot(x_capcurve, y_capcurve, type = "l",

main = paste0("CAP curve_", coeffName),

sub = paste0("AR=", AR))

lines(0:1,0:1, col = "red")

print(my_plot)

dev.copy(jpeg, filename = paste0("Графики CAP/", coeffName, "_plot.jpg"))

dev.off()

}

return(data.frame(coeffName, AR))

}

AR_calc <- function(defaultFlag, coeffVal,

coeffName,CAPCurvePlotFlag) {

rowsCounter <- length(defaultFlag)

nums <- 1:rowsCounter

x_capcurve <- nums/rowsCounter

y_capcurve <- cumsum(as.logical(defaultFlag))/sum(as.logical(defaultFlag))

AUC <- trapz(x_capcurve, y_capcurve)

AR <- 2*AUC - 1

#generating the plot of CAP curve with values of AR & flag of crossing w

if (CAPCurvePlotFlag) {

my_plot = plot(x_capcurve, y_capcurve, type = "l",

main=paste0("CAP curve_", coeffName),

sub=paste0("AR=", AR))

lines(0:1, 0:1, col="blue") #diagonal

print(my_plot)

# dev.copy(jpeg, filename=paste0("Графики САР/", coeffName, "_plot.jpg"))

# dev.off()

}

return(data.frame(coeffName, AR))

}

AR_calc(defaultFlag, Factor1, coeffName, T)

#Пример расчета Джини для всех факторов циклом

coeffName <- character(0)

AR_res <- character(0)

flag1 = F # флаги необходимости вывода графика

# пробегаемся циклом по каждому столбцу и рассчитываем Джини

for (i in 6:(ncol(Data)-1)) {

coeff <- cbind(defaultflag0, Data[,i])

coeff <- data.frame(coeff)

coeffName[i-5] <- colnames(Data)[i]

colnames(coeff) <- c("DefaultFlag", "Coeff")

coeff$Coeff <- as.numeric(as.character(coeff$Coeff))

coeff$DefaultFlag <- as.numeric(as.logical(coeff$DefaultFlag))

coeff <- coeff[order(coeff$Coeff),]

AR_res <- rbind(AR_res, AR_calc(coeff$DefaultFlag, coeff$Coeff, coeffName[i-5], flag1))

}

AR_res

AR_res2 <- AR_res

AR_res2$AR <- abs(AR_res2$AR)

AR_res2 <- AR_res2[order(AR_res2$AR, decreasing = TRUE), ]

indexes <- match(AR_res$coeffName, colnames(Data))

SortedData <- Data[, indexes]#пробегаемся циклом по каждому столбцу и рассчитываем Джини

for (i in 6:(ncol(Data)-1)) {

coeff <- cbind(defaultflag0, Data[,i]

coeff <- data.frame(coeff)

coeffName[i-5] <- colnames(Data)[i]

colnames(coeff) <- c("DefaultFlag", "Coeff")

coeff$Coeff <- as.numeric(as.character(coeff$Coeff)

coeff$$DefaultFlag <- as.numeric(as.logical(coeff$DefaultFlag))

coeff <- coeff[order(coeff$Coeff),]

AR_res <- rbind(AR_res, AR_calc(coeff$DefaultFlag, coeff$Coeff, coeffName[i-5], flag1))

)

}

#Расчет ранговой корреляции Спирмена и отбор в шортлист только тех коэф-тов,

#которые не коррелируют друг с другом. Цикл пробегает по распределенному

# списку факторов и выбирает наилучшие нескореллированные факторы

ShortList <- names(SortedData) [1]

for (i in 2:(ncol(SortedData))) {

DataSubset <- cbind(SortedData[,ShortList], SortedData[,i])

CORR <- abs(cor(DataSubset, method = 'spearman'))

CORR[CORR==1] = 0

if (sum(CORR > 0.6)==0) {

names(SortedData)[i])

}

}

NewData <- SortedData[, ShortList]

# Процесс отбора топ-5 коэф-тов и формирования логистической регрессии

# Задаем пустые переменные, чтобы в них сохранять результаты

R2 <- rep(0,5) #R-squared для каждого шага добавления фактора

ind <- rep(0,5) #номера столбцов отобранных факторов

coeffTop5List <-character(0)

defaultFlag0 <- as.numeric(as.logical(defaultflag0))

nullfit <- glm(defaultflag0 ~ 1, NewData, family = "binomial")

for (coeffNums in 1:5) {

for (i in 1:ncol(NewData)) {

if(((coeffNums == 1) || sum(ind!=0) <5) & (sum(ind == i) == 0)) {

ind0 <- ind

ind0[coeffNums] <- i # добавляем i-ый коэф-т

A <- data.frame(NewData[,ind0])

names(A) <- names(NewData) [ind0]

fit1 <- glm(defaultflag0~., A, family = binomial(link = "logit"))

#обучаем логистическую регрессию

if ((sum(coef(summary(fit1))[2:nrow(coef(summary(fit1))),1]>=0)==0) &

#

(sum(coef(summary(fit1))[,4]>0.05) == 0) &

#

(R2[coeffNums] < (1-(logLik(fit1)/logLik(nullfit))))) {

#формула Макфаддена R квадрат

R2[coeffNums] <- 1-(logLik(fit1)/logLik(nullfit))

coeffTop5List[coeffNums] <- colnames(NewData)[i]

ind[coeffNums] <- i}

}

}

if(ind[coeffNums]==0) {break}

}

summary(fit1)

PD <- as.data.frame(predict.glm(fit1, Data,type = "response"))

install.packages("ROCR")

library(ROCR)

p <- predict(fit1, prob = null, )

PD <- as.data.frame(predict.glm(fit1, Data,type = "response"))

pr <- prediction(p,defaultflag0)

prr <- performance(pr, measure ="tpr", x.measure = "fpr")

plot(prr, main = paste0("ROC curve"))

auc <- performance(pr, measure = "auc")

auc <- auc@y.values[[1]]

auc

install.packages("foreign")

library(foreign)

rent <- Data$Рентабельность.инвестированного.капитала.ROIC

uncov.loss <- Data$Наличие.непокрытого.убытка

curr.to.act <- Data$Отношение.наличных.денег.к.общим.активам

turnover <- Data$Фондоотдача

turnover.period.debtc <- Data$Период.оборота.заемного.капитала.в.днях

X <- model.matrix(~rent + uncov.loss + curr.to.act+turnover+turnover.period.debtc)

X <- cor(X)

install.packages("caret")

install.packages("tidyverse")

library(caret)

library(tidyverse)

vif <- vif(fit1)

install.packages("caTools")

library(caTools)

table(Data$DefaultFlag,PD>0.)

coeffTop5List

install.packages("blorr")

library(blorr)

blr_rsq_mcfadden(fit1)

install.packages("LDPD")

library(LDPD)

CT = 0.051

pd <- c(0.471282818,0.302926805, 0.118337655,

0.047486747, 0.024241791, 0.013640948,

0.009484548, 0.005484421,0.003922918)

portfolio <- c(2157,3814,12945,21191, 23269,19800, 10650,10820,14530)

qmm1 <- QMMRecalibrate(0.027,pd, portfolio, rating.type = 'RATING')

pd <- c(0.4901189, 0.2962756, 0.1246202, 0.0552741,0.0228600,0.0135658, 0.0093508,0.0055192,0.0036478)

portfolio <- c(2248,3963,13328, 21674, 23928,19092, 10267,10146,14529)

qmm <- QMMRecalibrate(0.05156701,pd, portfolio, rating.type = 'RATING')

install.packages("mFilter")

library(mFilter)

L <- c(0.011234574,0.017058068,0.014972279,0.025127185,-0.000477401,0.005534586,0.013948743,0.009229526,-0.01541431,-0.031411002,0.017179746,0.016135424,-0.0020665670.003204655,0.000585043,0.005365804,0.013041105,0.023167372,0.02605082,0.010364329,0.022018003,0.025531019,0.024509723,0.027600054)

h<- hpfilter(L, freq = 2000, type = "lambda")

Размещено на Allbest.ru

...