Применение методов машинного обучения к расчету рентабельности собственного капитала банка по кредитному договору
Рассмотрение основных способов и методов построения скоринговых моделей. Сущность понятия "кредитный риск". Знакомство с особенностями применения методов машинного обучения к расчету рентабельности собственного капитала банка по кредитному договору.
| Рубрика | Банковское, биржевое дело и страхование |
| Вид | статья |
| Язык | русский |
| Дата добавления | 18.03.2022 |
| Размер файла | 2,5 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru
Применение методов машинного обучения к расчету рентабельности собственного капитала банка по кредитному договору
Широбокова Маргарита Александровна, старший преподаватель
Лётчиков Андрей Владимирович, доктор физико-математических наук, професор ФГБОУ ВО «Удмуртский государственный университет» г. Ижевск
Abstract
Application of machine learning methods to the calculation of bank's return on equity under a loan agreement
M.A. Shirobokova,A.V. Letchikov
The requirements for a more accurate assessment of the individual risk of a borrower became more complicated with the introduction of Basel II and IFRS 9. Such risk assessment is more and more often carried out using the construction of scoring models, however, as a rule, the Gini coefficient acts as a quality criterion for the constructed models, and the influence of modeling on financial component, namely on the return on equity, which acts as the basis for doing business in the field of lending, is not investigated at all. In this regard, the article proposes a methodology for assessing the return on equity without taking into account risk and its complication by taking into account the individual risk of a borrower. The construction of a dynamic model for assessing credit risk in the article is considered on the basis of survival models constructed by machine learning methods. The problem of accounting for censored data is solved using specific construction of variables for the model and methods that take into account censorship: logistic regression, Cox proportional risk model, random survival forest model. On the example of the data of a regional commercial bank, the return on equity is estimated and compared, depending on the choice of a risk assessment model. The result of the study is the conclusion that it is necessary to apply the methodology for calculating the return on equity taking into account risk assessed by the machine learning method.
Keywords: credit risk, commercial bank, return on equity, probability of default, logistic regression, Cox model, random survival forest model.
Анотация
Требования к более точной оценке индивидуального риска заемщика усложнились с введением Базель II и IFRS 9. Все более часто такую оценку риска производят с помощью построения скоринговых моделей, однако, как правило, критерием качества построенных моделей выступает коэффициент Gini, и совсем не исследуется влияние моделирования на финансовую составляющую, а именно на рентабельность капитала, которая высту пает базой для ведения бизнеса в области кредитования. В связи с этим в статье предлагается методика оценки рентабельности капитала без учета риска и ее усложнение за счет принятия ко вниманию индивидуального риска заемщика. Само построение динамической модели оценки кредитного риска в статье рассматривается на основании моделей выживания, построенных методами машинного обучения. Проблема учета цензурирован ных данных решается с помощью специфического построения переменных для модели и методов, которые учи тывают цензурирование: логистической регрессии, модели пропорциональных рисков Кокса, модели случайно го леса выживаемости. На примере данных регионального коммерческого банка оценивается рентабельность собственного капитала и производится их сравнение в зависимости от выбора модели оценки риска. В резуль тате исследования делается вывод о необходимости применения методики расчета рентабельности собственно го капитала с учетом риска, оцененным методом машинного обучения.
Ключевые слова: кредитный риск, коммерческий банк, рентабельность собственного капитала, вероятность де фолта, логистическая регрессия, модель Кокса, модель случайного леса выживаемости.
кредитный рентабельность банк
Оценка индивидуального риска заемщика, основанная на применении скоринговой карты, на практике дает возможность ранжировать кредитные заявки по риску конечных потерь, однако не учитывает финансовые показатели кредитного договора, такие как сумма кредита, ставка кредитова ния, длительность кредита. Поскольку для высокорискованных кредитов, как правило, банки предла гают более высокие ставки кредитования, для банка может быть выгодно выдача более рискованных и одновременно более доходных кредитов. При этом эффективность кредитного договора определя ется маржой банка, вычисляемой как предполагаемый процентный доход банка по кредиту в год за минусом трансфертных платежей и риск-маржи, рассчитанной из конечных потерь на годовой период. Однако такой подход не учитывает эффективность использования собственного капитала и поэтому требует использования других финансовых показателей.
В этом случае важным показателем эффективности инвестиционных вложений банка является рентабельность собственного капитала (ROE), показывающая размер годовой прибыли, полученной на единицу собственного капитала банка. Существует несколько алгоритмов расчета этого показателя, но наиболее точным является метод, основанный на построении потока возвращаемых сумм, включающих в себя потоки прибыли после выплаты налогов и стоимости привлеченного капитала. При этом при расчете возвращаемых сумм используются внешние для кредитного договора финансовые показатели такие, как структура капитала банка, ставка налога на прибыль и трансфертная цена привлеченного ка питала, включающая в себя расходы по привлечению капитала. Одной из проблем применения такого метода является использование довольно продвинутых численных методов для вычисления показателя ROE, что в принципе преодолимо существующими информационными и вычислительными ресурсами.
Другой проблемой, которая возникает при расчете ROE на основе потока возвращаемых сумм, является учет риска потерь по кредитному договору. Поскольку практически невозможно построить неслучайный поток возвращаемых сумм для дефолтных кредитных договоров, одним из возможных подходов к решению этой проблемы является рассмотрение дефолта как страхуемого кредитного со бытия. В этом случае на каждый кредитный договор рассчитывается ожидаемая величина возможных конечных потерь, на сумму которой производится резервирование собственного капитала. За счет этих средств в момент дефолта производится возмещение потерь собственного и привлеченного ка питалов. При таком алгоритме расчета является важным достаточно точная индивидуальная оценка вероятности дефолта по кредитному договору в фиксированный момент времени. Поэтомуным на сегодняшний день является исследование влияния различных методов расчета временной функции вероятности дефолта на оценку рентабельности собственного капитала по индивидуальному договору кредитования.
На текущий момент одной из приоритетных задач в банковском секторе является управление кредитным риском, для оценки которого все чаще применяются скоринговые модели, позволяющие индивидуально оценить риск заемщика на основе имеющейся информации. При этом в соответствии с развитием банковского сектора и наличием законодательной основы в виде рекомендаций Базель II и IFRS 9 [1; 2] становится интересным вопрос оценки кредита не только на первый год жизни кредита, а на весь срок его жизни, учитывая факт того, что с течением жизни кредита происходит изменение ин дивидуальной вероятности выхода в дефолт. Однако зачастую для моделирования значения PD исполь зуются только те кредиты, которые прожили год и более от даты оценки риска. В этом случае кредиты, которые были закрыты (вне зависимости от причины закрытия: наступление срока погашения по дого вору, досрочное погашение, реструктуризация при одновременной выдаче нового кредита и др.) в тече ние рассматриваемого года не учитываются при моделировании либо считаются не дефолтными. Таким образом, часть полезной информации, способной дать положительный эффект на качество модели, те ряется или используется в ненадлежащем виде. Для того чтобы получить наиболее корректную оценку индивидуального кредитного риска на весь срок его жизни, необходимо использовать в том числе «не полные» данные, которые называются цензурированными [3]. В случае с кредитным скорингом имеет место цензурирование справа [4]: на конец периода наблюдения известен факт возникновения дефолта каждого клиента, однако произойдет ли дефолт за пределами исследования неизвестно. Методика по строения моделей методами машинного обучения с учетом цензурированных данных была исследована ранее в [5], где выбор модели производился на основе ROC-кривой и значения коэффициента Gini. Од нако, помимо оценки качества модели как таковой, отдельный интерес представляет влияние способа моделирования на рентабельность капитала, особенно при усложнении модели и учете цензурирован ных данных, что и послужило целью настоящего исследования.
Определим денежный поток по отдельному договору кредитования. Пусть D - сумма выдачи по кредиту, величина основного долга в момент выдачи (руб.), Т - длительность кредита (месяцев), R -- ставка по договору (% годовых). Обозначим через CD(t) поток возвращаемых сумм основного долга в месяц t (руб.), t = 0,1, ..., Т. Тогда D(t) -- величина основного долга в конце месяца t (руб.), t = 0,1, ...,Т рассчитывается по формулам: D(0) = D -- CD(0), D(t) = D(t -1) -- CD(t), t = 1, ...,T. Соответственно, поток договорных процентов на основной долг CR(t) (руб.), t = 1 ,..,Т вычисляется как CR(t) = ^ * D(t -- 1). В итоге C(t) -- поток возвращаемых сумм по кредиту (руб.), t = 0,1,..., Т, определяется следующим образом: С(0) = CD(0), C(t) = CD(t) + CR(t), t = 1, ...,T.
Для расчета рентабельности собственного капитала без учета риска построим денежные потоки возврата собственного капитала и чистой прибыли по следующему алгоритму.
В начале рассматриваемого кредитного договора первичная сумма долга D (0) считается инве стиционным капиталом, из которого собственный капитал банка составляет w * D(0), а привлеченное фондирование - (1 -- w) * D(0), где w - доля собственного капитала в структуре капитала банка. В каждый месяц t из возвращаемой суммы CD (t) основного долга по кредитному договору выделяется сумма на возврат собственного капитала пропорционально доли w. Таким образом, строится поток возврата собственного капитала RC(t) = w * CD(t). Поскольку оставшаяся сумма идет в погашение привлеченного капитала, долг по привлеченному капиталу к концу месяца t составит (1 -- w) * D(t).
Для расчета потока чистой прибыли строится поток трансфертных процентов, определяемый по формуле Ctr(t) = ^ * (1-- w) D(t -- 1), где Rt - трансфертная ставка (% годовых). Чистая прибыль из получаемых процентов определяется как получаемые проценты по договору за минусом транс фертных процентов и налога на прибыль: NP(t) = (1 -- п) * (CR(t) -- Qr(0), где п -- ставка налога на прибыль (% годовых).
Для расчета рентабельности капитала строится денежный поток К(0),К(1),К(2),...,К(Т) по следующему правилу: К(0) = --w * D(0) , K(t) = RC(t) + NP(t) , t = 1, ...,T . Расчетная величина рентабельности собственного капитала ROE находится как внутренняя ставка доходности денежного потока К(0),К(1),К(2), ...,К(Т), умноженная на 12, и является решением уравнения:
Для расчета рентабельности собственного капитала с учетом риска ключевым параметром вы ступает оценка функции вероятности дефолта. В отличие от классического подхода [1; 6; 7] под дефол том будем понимать выход в просрочку более 15 дней по кредитному договору. Тогда основные функ ции, необходимые для оценки показателя ROE, будут следующие: P(t) - вероятность первого выхода в дефолт на /`-том месяце жизни договора, Q(t) - вероятность невыхода в дефолт в течение t месяцев.
Как видно из выписанного, применение построенной методики расчета рентабельности капита ла с учетом риска требует адекватной оценки кредитного риска, рассчитанной индивидуально по ка ждому заемщику. Как показывает практика, существует несколько методов, позволяющих оценить риск с учетом цензурированных данных [5; 8]. В рамках настоящего исследования рассмотрим логи стическую модель, модель Кокса и случайный лес выживаемости.
Логистическая регрессия
Для логистической регрессии формула расчета скорингового балла р основывается на вычис лении логарифмов отношения шансов дефолтного и не дефолтного кредитов. На основе найденного с помощью логистической регрессии значения РЕ для применения формулы (3) расчета рентабельно сти капитала с учетом риска к оценке кредитного риска важной является оценка вероятностей дефол та Р(0 на каждый момент времени /. Согласно исследованию [9], статистические данные о выходах в дефолт (просрочку более 15 дней) показывают, что распределение случайной величины т месяца вы хода в дефолт адекватно моделируется геометрическим распределением. Тогда следующие величины определяются так: РИ = р - вероятность выхода в 15+ в течение года, д = (1- РЛ)1/12 - вероят ность невыхода в 15+ в течение месяца, Р(0 = (1- д) * д*'-1 - вероятность выхода в 15+ на /-том месяце жизни договора, Q(t) = - вероятность невыхода в 15+ в течение 1 месяцев.
Модель пропорциональных рисков Кокса
Применение методов машинного обучения к расчету рентабельности...233 ЭКОНОМИКА И ПРАВО 2020. Т 30, вып. 2
Случайный лес выживаемости
Одним из методов реализации анализа выживаемости является случайный лес выживаемости, который показывает вероятность наступления события, а также вероятностные характеристики вре мени до его наступления. Случайный лес выживаемости представляет собой ансамбль деревьев ре шений, как и случайный лес, однако для расщепления промежуточных узлов дерева применяется ло- гранговый критерий. Среднее значение функции риска по всем деревьям является усредненным отве том по всему ансамблю деревьев. Тогда: P(t) = HB(t|x) - вероятность выхода в 15+ на 1-том месяце жизни договора, Q(t) = P(t) * (l-- P(t)) - вероятность невыхода в 15+ в течение 1 месяцев, где HB(t|x) - ответ каждого отдельного дерева при заданных параметрах t и х, а В - число деревьев.
На основе описанных методов расчета оценки риска применим методику расчета рентабельности собственного капитала на базе регионального розничного банка, для этого предварительно построим модели оценки PD. В качестве исходных данных для построения служат данные по кредитному порт фелю по состоянию на последнее число месяца за период с 2012-01-01 по 31-10-2016 с учетом факта дожития кредита до каждого исследуемого среза. Построение модели производится на наиболее свежем срезе портфеля: состояние портфеля на срез 31-10-2016 и его последующей фактической оценкой по состоянию на 31-10-2017, то есть целевой функцией служила оценка выхода в дефолт 15+ в течение последующих 12 месяцев от даты среза. Для каждой даты среза был сформирован портфель действую щих кредитов: открытых кредитов по состоянию на дату среза и с текущей оценкой бинарного призна ка дефолта по кредиту. Для указанной выборки на основе кредитной истории были рассчитаны пере менные, а также произведено разделение выборки на обучающую и валидирующую в соответствии с [11]. Качество построенных моделей оценивалось с помощью расчета площади под ROC-кривой и ко эффициента Gini. Графики ROC-кривых для построенных моделей следующие.
Соответствующие значения коэффициента ОШ для обучающей выборки, валидирующей вы борки и тестовой выборки представлены в табл. 1.
Рис. 1. Графики ЛОС-кривых для моделей логистической регрессии, модели Кокса, случайного леса выживаемости
Таблица 1. Значения коэффициента С1т для моделей логистической регрессии, Кокса и случайного леса выживаемости
|
Gini на обучающей выборке |
Gini на валидирующей выборке |
Gini на тестовой выборке |
||
|
Логистическая регрессия |
0.6832 |
0.6883 |
0.6949 |
|
|
Модель Кокса |
0.4687 |
0.4399 |
0.4479 |
|
|
Случайный лес выживаемости |
0.7544 |
0.7538 |
0.7570 |
По графикам ЛОС-кривых и значениям коэффициентов Оті можно сделать вывод, что наибо лее точной и в то же время стабильной является модель случайного леса выживаемости. При это мо дель Кокса дает наихудшую оценку, что связано с тем, что основным предположением модели Кокса является пропорциональность в изменении риска с течением времени, что оказалось не верным в случае оценки кредитного риска. Однако интерес представляет не только оценка качества самой мо дели, но и расчет рентабельности капитала с учетом риска.
Для каждого отдельного кредита i е N определим его индивидуальную рентабельность ROEt с учетом риска, расчеты произведем на наиболее свежем срезе портфеля: открытые кредиты на 31-10-2018. Всего в выборку попало N=39260 кредитов, которые были выданы с 01-01-2012 по 31-10-2018. По каждому договору кредитования имеются описанные ранее входные параметры моде ли, а также индивидуальные данные заемщика. В соответствие с целевой функцией сравним полу ченные оценки показателя ROE в зависимости от Р(12), вероятности того, что произойдет выход в дефолт 15+ в течение следующего года, которая была оценена логистической моделью, моделью Кокса и моделью случайного леса выживаемости.
Рис. 2. Графики зависимости ROE от оценки риска, рассчитанной моделью логистической регрессии, моделью Кокса, моделью случайного леса выживаемости
Наблюдается явная зависимость: при увеличении риска по кредиту увеличивается рентабель ность собственного капитала. При оценке моделями Кокса и случайного леса выживаемости для вы сокорискованных кредитов ROE увеличивается вплоть до значений близких к единице, что действи тельно возможно за счет более высоких процентных ставок по кредиту, однако неверно с точки зре ния оценки риска, так как данные кредиты, вероятнее всего, станут дефолтными или вовсе невоз вратными. При этом по модели случайного леса выживаемости для высокорискованных кредитов рентабельность собственного капитала также растет, но менее быстрыми темпами и при этом поло жительна, что более объективно оценивает инвестиционную эффективность кредитного договора.
Таким образом, данный подход позволяет наглядно оценить размер рентабельности собствен ного капитала в зависимости от модели оценки риска, а в дополнении к критерию качества Gini обос новывает необходимость использования более сложных моделей машинного обучения для оценки кредитного риска и является дополнительным инструментом для выбора окончательной модели. Дальнейший интерес данного исследования заключается в оценке кредитных договоров с досрочным погашением и их влиянием на общую рентабельность капитала.
Список литературы
1. Приказ Минфина России от 27.06.2016 № 98н «О введении документов Международных стандартов финан-совой отчетности в действие на территории Российской Федерации и о признании утратившими силу неко-торых приказов Министерства финансов Российской Федерации» (Зарегистрировано в Минюсте России 15.07.2016 № 42869). URL: http://publication.pravo.gov.ru/Document/View/0001201607180025.
2. Энциклопедия финансового риск-менеджмента / под ред. канд. экон. наук А.А. Лобанова и А.В. Чугунова. М.: Альпина Паблишер, 2009. 932 с.
3. Кокс Д.Р., Оукс Д. Анализ данных типа времени жизни / пер. с англ. М.: Финансы и статистика, 1988. 191 с.
4. Man R. Survival analysis in credit scoring: A framework for PD estimation / Twente: University of Twente, 2014. URL: https://pdfs.semanticscholar.org/b4e3/ee5a66e180ba6d3cc7174ee232799cfd1831.pdf.
5. Лётчиков А.В., Матвеев Р.Ю., Широбокова М.А. Решение проблемы цензурированных данных при модели-ровании оценки индивидуального кредитного риска // Вестн. Удм. ун-та. Сер. Экономика и право. 2019. Т. 29, вып. 1. С. 34-41.
6. Алескеров Ф.Т., Белоусова В.Ю., Сердюк М.Ю., Солодков В.М. Стереотипы поведения российских банков // Банковское дело. 2008. №7. С. 44-50.
7. Алескеров Ф.Т., Андриевская И.К., Пеникас Г.И., Солодков В.М. Анализ математических моделей Базель II. 2-е изд., испр. М.: ФИЗМАТЛИТ. 2013. 295 с.
8. Воронцов К.В. Лекции по линейным алгоритмам классификации. Электрон. док., 2009. URL: http://www.machineleaming.rU/wiki/images/6/68/voron-ML-Lin.pdf.
9. Лётчиков А.В. Расчет индивидуального кредитного риска с применением модели геометрического распре-деления // Вестн. Удм. ун-та. Сер. Экономика и право. 2018. Т. 28, вып. 2. С. 208-213.
10. Широбокова М. А. Модель оценки риска дефолта на всем протяжении жизни кредита // Вестн. Удм. ун-та. Сер. Экономика и право. 2018. Т. 28, вып. 2. С. 228-233.
11. Ishwaran H. The effect of splitting on random forests / The Author(s), 2014. URL: https://link.springer.com/content/ pdf/10.1007%2Fs10994-014-5451-2.pdf
12. Mogensen U.B., Ishwaran H., Gerds, T.A. Evaluating random forests for survival analysis using prediction error
curves. University of Copenhagen, 2012. URL: https://ifsv.sund.ku.dk/biostat/annualreport/images/4/4d/
Research_Report_10-8.pdf.
13. Груздев А.В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес. М.: ДМК Пресс, 2018. 642 с.
14. Чистяков С.П. Случайные леса: обзор // Тр. Карельского науч. центра РАН / Ин-т прикладных матем. ис- след. Карельского науч. центра РАН. Петрозаводск, 2013. С. 125-126.
Размещено на Allbest
...Подобные документы
Понятие собственного капитала банка. Структура собственного капитала банка и характеристика его отдельных элементов. Расчет величины собственного капитала банка. Достаточность собственного капитала банка. Организационная структура коммерческого банка.
курсовая работа [696,4 K], добавлен 09.09.2008Функции собственного капитала банка. Государственное регулирование деятельности банков Российской Федерации. Анализ собственного капитала ОАО "АК БАРС" Банка: экономическая характеристика; состав; анализ достаточности. Проблемы капитализации банка.
дипломная работа [161,9 K], добавлен 21.11.2010Понятие и структура собственного капитала банка. Цели и функции банковского капитала. Достаточность банковского капитала. Негативные факторы участия государства в капитале банков. Формирование и учет собственных средств банка. Учет фондов банка.
курсовая работа [26,9 K], добавлен 19.12.2006Порядок формирования и учет собственного капитала коммерческого банка. Документальное оформление, аналитический и синтетический учет собственного капитала на примере ООО КБ "Мегаполис". Основные пути совершенствования бухгалтерского учета капитала.
курсовая работа [838,9 K], добавлен 01.04.2011Понятие, структура, цели, функции, достаточность собственного капитала. Характеристика организационно-экономической деятельности АО "Цеснабанк". Порядок формирования уставного капитала кредитной организации. Подходы к оценке величины и качества капитала.
дипломная работа [191,5 K], добавлен 17.10.2015Функции собственного капитала банка, его достаточность. Структура собственного капитала банка и характеристика его отдельных элементов. Анализ состояния формирования банковского капитала банковской системой Республики Узбекистан и "Узпромстройбанком".
курсовая работа [943,4 K], добавлен 18.07.2013Сущность, функции и структура собственного капитала банка. Уровень риска по активным банковским операциям с ценными бумагами. Динамика показателей требований, имущества и обязательств ОАО "Сбербанк России", источники его собственных средств (капитала).
курсовая работа [490,2 K], добавлен 16.02.2015Краткая экономическая характеристика банка, анализ бухгалтерского баланса, финансовых результатов, собственного капитала, показателей доходности банка. Факторный анализ процентных доходов и расходов, рентабельности капитала, прогноз деятельности банка.
курсовая работа [62,3 K], добавлен 05.06.2010Экономическая сущность капитала. Капитал коммерческого банка и его структура. Международные стандарты, методы и способы оценки достаточности капитала коммерческого банка. Роль собственного капитала в обеспечении финансовой устойчивости банка в РК.
курсовая работа [63,0 K], добавлен 28.07.2009Понятие нормативного, основного и дополнительного капитала банка. Порядок расчета основного капитала, установление норматива суммарной величины кредитных рисков. Система расчета и взаимосвязь показателей рентабельности банка методом цепных подстановок.
контрольная работа [33,0 K], добавлен 28.08.2010Роль собственного капитала в обеспечении финансовой устойчивости банка. Характеристика счетов бухгалтерского учета. Операции формирования и увеличения уставного капитала. Учет акций, выкупленных у акционеров. Современное состояние банковской системы РФ.
курсовая работа [44,8 K], добавлен 01.10.2009Организационно-правовая характеристика деятельности банка Российской Федерации. Пути совершенствования анализа его собственного капитала. Развитие финансово-кредитной системы. Оценка экономического тяготения нормативов капитала и ликвидности банков.
курсовая работа [102,2 K], добавлен 16.12.2014Сущность и роль собственного капитала. Значение уставного и резервного капиталов. Особенности формирования эмиссионного дохода. Структура собственного капитала на примере банка. Место привлеченных и заемных ресурсов. Распределение денежных средств.
реферат [299,6 K], добавлен 03.04.2012Роль и значение собственного капитала банка в современных условиях экономики. Структура собственного капитала банка и характеристика его отдельных элементов. Анализ финансовой устойчивости АО "Альянс Банк". Методы улучшения финансовых результатов.
курсовая работа [199,2 K], добавлен 20.01.2011Причины сбоев механизма обеспечения стабильности банков на базе формирования собственного капитала в объемах, адекватных главным банковским рискам. Формирование собственного капитала банков в условиях кризиса. Усиление требований к ликвидности банка.
контрольная работа [29,4 K], добавлен 23.04.2013Понятие собственного капитала банка, процесс его формирования и использования, структура. Базисный капитал банка. Оценка достаточности банковского капитала как критерий финансовой устойчивости. Анализ собственных средств (капитала) коммерческого банка.
контрольная работа [1,4 M], добавлен 29.01.2010Экономическая сущность и функции капитала банка, оценка его величины и анализ качества. Влияние структуры собственного капитала банка на его финансовое состояние. Управление собственным капиталом банка, его внутренние и внешние источники пополнения.
курсовая работа [65,6 K], добавлен 06.08.2011Порядок предоставления банковского кредита. Условия кредитного договора. Право банковского учреждения отказаться от исполнения обязательств по кредитному договору при неисполнении кредитополучателем своих обязательств. Задачи овердрафтного кредитования.
реферат [24,9 K], добавлен 19.11.2009Теоретические основы, функции и структура собственного капитала банка. Современное состояние капитализации российской банковской системы. Цели и основные функции данной экономической категории, критерии и порядок оценки достаточности, внешние источники.
курсовая работа [34,0 K], добавлен 24.04.2013Особенности оценки пассивов и собственного капитала банка. Анализ финансовых показателей отделения банка за два квартала. Факторный анализ динамики прибыли и прибыльности капитала, ресурсов банка за текущий год. Темп роста прибыли в отделении банка.
контрольная работа [34,9 K], добавлен 24.11.2010
