(1)

(2)

где:

- значение индекса SVI (популярность)для поискового запроса «ипотека» в сентябре 2010 г.;

- значение индекса SVI (популярность)для поискового запроса «ипотека» в феврале 2020 г.;

- общее количество поисковых запросов в Googleпо запросу , исходящих из местоположения в момент времени ;

- общее количество поисковых запросов в Googleпо запросу , исходящих из местоположения в момент времени .

Рис. 1. Пример динамики популярности для поискового запроса «ипотека», полученной из сервиса GoogleTrends*

*Источник: веб-сайт статистики GoogleTrends (https://trends.google.com/trends/).

Чтобы построить индекс риска ипотечного дефолта, начать необходимо с рассмотрения ключевых слов, связанных с ипотекой, в сочетании со словом «помощь». При вводе в Google Trends слов «помощь в ипотеке» создается отчет, содержащий аналогичные запросы. Далее появляется возможность составить список поисковых терминов из тех, которые выделены Google Trends, при условии, что они содержат ключевое слово «ипотека»

и индикатор или сигнал бедствия. Этот процесс приводит к 12 ключевым поисковым запросам, представленным в табл. 2.

Таблица 2

Поисковые запросы Google Trends

№	Поисковый интернет-запрос
1	помощь в ипотеке
2	помощь в погашении ипотеки
3	помощь в ипотеке от государства
4	помощь государства в погашении ипотеки
5	ипотека помощь
6	помощь по ипотеке
7	помощь государства в выплате ипотеки
8	долг по ипотеке
9	долги по ипотеке
10	нечем платить ипотеку
11	нечем платить ипотеку что делать
12	что делать если нечем платить ипотеку

Далее для каждого запроса из табл. 2 посредством GoogleTrendsсобираются значенияSVI за доступный временной промежуток времени,

то есть с января 2004 г. по март 2020 г. После находится среднее значение индекса SVIдля каждого месяца, а затем нормализуется по следующей формуле (3):

(3)

где: --ый элемент в векторе .

Таким образом, значение будет представлять собой значение ИРИД в конкретном месяце. Согласно М. Шове и др. (2016), чем выше ИРИД, тем выше уровень обеспокоенности заемщика о своей избыточной долговой нагрузке. Следовательно, ИРИД способен сигнализировать

о наступлении неблагоприятной ситуации на рынке ипотечного кредитования.

На втором этапе исследования исходная выборка данных была поделена на обучающую и тестовую выборки.Статистические тесты эффективности прогноза модели обычно проводятся путем разбиения заданного набора данных на период внутри выборки, используемый

для начальной оценки параметров и выбора модели, и период вне выборки, используемый для оценки эффективности прогнозирования.

Эмпирические данные, основанные на результатах прогнозов вне выборки, обычно считаются более надежными, чем данные, основанные на результатах внутри выборки, которые могут быть более чувствительными к выбросам. Более того, как правило, оценка качества модели, сделанная по результатам вне выборки, оказывается несмещенной

(Hansen, Timmermann, 2012). Однако, в эмпирической литературе не существует общепринятых и универсальных правил осоразмерности обучающей и тестовой выборок. В большей части литературы исследователи определяют размер тестовой выборки как 10-15% от всего количества наблюдений. Таким образом, в данной работе внутривыборочный период представляет собой период с марта 2010 г. по апрель 2018 г. (98 месяцев, 90,7% от общего числа наблюдений), а вневыборочный - с мая 2018 г. по февраль 2019 г. (10 месяцев, 9,3% от общего числа наблюдений).

На третьем этапе исследования,чтобы изучить позволяет ли включение ИРИД в модель повысить прогнозную силу модели, строятся модели авторегрессии интегрированного скользящего среднего

(AutoregressionIntegratedMovingAverage eXtended, ARIMAX), которые объединяют в себе модель ARIMA с экзогенными переменными,

с зависимой переменной отвечающей за объемы просроченных ипотечных платежей по срокам задержки платежей до 30, 90, 180 и свыше 180 дней.

В настоящее время наибольшее применение в задачах прогнозирования экономических показателей получили методы авторегрессионного анализа временных рядови методы машинного обучения. Однако поскольку метод машинного обучения обладает жесткими требованиями к обучающей выборке, сложностью алгоритмов обучения сети и отсутствием прозрачности, то его применение для прогнозирования объемов просроченной задолженности по ИЖК становится затруднительным. В связи с этим наибольший интерес для прогнозирования объемов просроченной ипотечной задолженности представляет модель ARIMAX, которая в общем случае имеет вид (4):

(4)

- оператор первой разности исследуемого временного ряда;

обозначает прогнозируемую зависимую переменную, т.е. задолженность по ипотечному жилищному кредиту (в млн руб.) по срокам задержки платежей вдней - от 1 до 30 дней / от 31 до 90 дней / от 91 до 180 дней / свыше 180 дней - в момент времени ;

- задолженность по ИЖКпо срокам задержки платежей вдней с лагом месяцев;

- индекс риска ипотечного дефолта с лагом отмесяцев до

месяцев;

-контрольные (экзогенные) переменные с лагом отмесяцев до месяцев. В качестве контрольных переменных выступают средневзвешеннаяставкапоипотечным кредитам (), уровеньбезработицынаселенияРФ () и среднедушевыедоходынаселенияРФ (). Согласно исследуемой литературе, данные показатели являютсяодними изнаиболеепопулярныхдляпроведенияподобногоисследования (Lin, Yang, 2003; Miranda, McGrath, 2011; Gerardiet. al., 2013; Mocetti, Viviano, 2016;Mondriaet. al., 2017). Более того, выбор независимых переменных основывался на корреляционном анализе, в качестве контрольных выбирались показатели, обладающие наиболее высоким коэффициентом корреляции с зависимой переменной, что представлено в разделе описания данных данной работы.

-неизвестные коэффициенты авторегрессии;

-неизвестные коэффициентыскользящего среднего;

- коэффициенты, задающие порядок модели авторегрессии и скользящего среднего соответственно;

-неизвестные коэффициенты для экзогенных переменных;

-белый шум (i.i.d.), показывает случайные колебания процесса.

Подбор спецификации модели проводился на этом же этапе исследования. Первоочередной задачей при моделировании и прогнозировании временных рядов с помощью модели ARIMA является решение проблемы нестационарности. Стационарность временных рядов означает постоянство среднего значения и вариации (Канторович, 2002). С инструментальной точки зрения для выявления нестационарных процессов используются тесты на наличие единичного корня. Наиболее популярный из них - расширенный тест Дики-Фуллера(AugmentedDickey-Fullertest, ADF). Он позволяет уверенно (с вероятностью выше 99%) отвергнуть гипотезу о наличии единичного корня с учетом константы и временного тренда. (Канторович, 2002). В качестве методики проведения данного тестирования предлагается процедура Доладо-Дженкинсона-Сосвилла-Ривьеро. Таким образом, используя тест ADF, для каждого ряда на обучающем интервале выборки был определен порядок интегрирования d, другими словами, минимальное количество периодов, необходимое для вычисления разности временных рядов для получения стационарного ряда. В итоге к каждому исходному ряду применили взятие первой разности, что описано подробнее в разделе данные работы.

Далее следующим образом выбиралась оптимальная величина лагов независимых переменных, включенных в модели (1)-(4). Во-первых, выбор лага происходил на основе t-статистик и F-статистик. Методом перебора необходимо было найти ту длину лага, когда t-статистика и F-статистика значимы. Во-вторых, выбор лага происходил на основе информационного критерия Акаике(AIC). Длина лага с минимальным информационным критерием предпочтительнее. В-третьих, величина лага выбиралась таким образом, чтобы устранить автокорреляцию остатков.

Наконец, для каждого ряда с порядком интегрирования d подбирались параметры p и q модели ARIMA(p,d,q), отвечающие за количество слагаемых авторегрессионной части и за количество слагаемых части скользящего среднего соответственно. Выбор наилучшей спецификации производился путем перебора моделей ARIMA(p,d,q) с заданными параметрами q и p, где p = 1,...,6 и q = 1,...,6, с последующей сортировкой моделей по информационному критерию Акаике (AIC). Также в моделях, где это было необходимо, была учтена и включена в модель компонента сезонности.

Следом строилась аналогичная модель ARIMAX, но без включения ИРИД (обозначения сохраняются прежние):

(5)

Оценка параметров моделей ARIMAX, представленных уравнениями (4) и (5), проводилась с помощью метода максимального правдоподобия (ММП).

На четвертом этапе исследования строится прогноз объемов просроченной ипотечной задолженностипо моделямARIMAX на тестовой выборке на десять месяцев вперед (с мая 2018 г. по февраль 2019 г.). На завершающем пятом шаге сопоставляется качество моделей (4) и (5) по такому критерию прогнозной силы моделей, как квадратного корня из среднеквадратичной ошибки (RMSE), который может быть рассчитан по следующей формуле:

(6)

где:

-количество наблюдений для тестовой выборки;

-прогнозные значения первой разности объемов просроченной ипотечной задолженности, полученные с помощью модели;

- фактические значения первой разности объемов просроченной ипотечной задолженности.

Поскольку включение нерелевантных переменных в модель может увеличить RMSE,то наилучшей моделью прогнозирования можно признать ту, которая минимизирует RMSE.С одной стороны, квадратный корень из среднеквадратичной ошибки довольно часто используется в качестве стандартной статистической метрики для измерения точности прогнозирования объемов просроченной ипотечной задолженности (например,Crook, Banasik, 2012; Chauvetet. al., 2016).С другой стороны, в аналогичных эмпирических работах также используются такие статистические метрики, как среднее абсолютное отклонения (Lin, Yang, 2003) или сумма квадратов ошибок (Miranda, McGrath, 2011). В целом, в литературе не существует никакого общего мнения о наиболее подходящей метрике для ошибок модели.Тем не менее, Т. Чай и Р. Дракслер (2014) утверждают, что RMSEцелесообразно использовать, чем другие метрики, например, среднюю абсолютную ошибку (MeanAbsoluteError, MAE), когда ошибки модели соответствуют нормальному распределению. Авторы выделяют еще одно явное преимущество RMSE: эта метрика легко интерпретируется, поскольку имеет те же единицы, что и исходные значения.

Данные и их предварительный анализ

Для эмпирического исследования используются два набора данных. Первый набор данных содержит информацию из сервиса статистики ключевых слов GoogleTrends о 12 поисковых запросах, представленных ранее в табл. 2. Выборка по соответствующей статистической информации используется за максимально доступный продолжительный период времени, на месячной частоте и глубина выборки составляет 195 месяцев (январь 2004 г. - март 2020 гг.).

Второй набор данных включает в себя временные ряды, полученные из официальной статистики, опубликованной на сайтах Росстатаи Центрального Банка России, и представляет собой агрегированные данные о таких макроэкономических показателях, как средневзвешеннаяставкапоипотечным кредитам, уровеньбезработицынаселенияРФ и среднедушевыедоходынаселенияРФ. В работе используются данные с интервалом в один месяц с февраля 2010 г. по февраль 2019 г. (всего 108 наблюдений для каждого показателя). В таб.3приведен полный список переменных и их описательные статистики.

Рис. 2. Динамика индекса риска ипотечного дефолта

(январь 2004 г. - январь 2020 г.)

Таблица 3

Исследуемые переменные и их описательные статистики

Название переменной и ед. изм.	Обозначение	Среднее значение	Медиана	Стандартное отклонение	Минимум	Максимум	Коэф. эксцесса	Коэф. асимметрии
Индекс риска ипотечного дефолта, усл. ед.	MDRI	26.65	28.80	11.34	0.00	47.06	2.51	-0.40
Общая сумма задолженности по ИЖК с просроченными платежами от 1 до 30 дней, в млн. руб.	DELINQ30	64 035	56 767	27 303.04	19 079	129 814	2.13	0.44
Общая сумма задолженности по ИЖК с просроченными платежами от 31 до 90 дней, в млн. руб.	DELINQ90	20 200	21 269	8 026.89	7 811	38 146	2.18	0.15
Общая сумма задолженности по ИЖК с просроченными платежами от 91 до 180 дней, в млн. руб.	DELINQ180	12 918	13 426	5 645.69	5 019	26 185	2.14	0.26
Общая сумма задолженности по ИЖК с просроченными платежами свыше 180 дней, в млн. руб.	DELINQ_ MORE180	72 011	57 778	24 247.53	45 137	111 570	1.35	0.39
Средневзвешеннаяставкапо ипотечным кредитам, выданнымвтечениемесяца	INTEREST	12.26	12.30	1.17	9.55	14.53	3.20	-0.69
УровеньбезработицынаселенияРФв возрасте 15 - 72 лет, %	UNEMPL	5.65	5.40	0.79	4.50	8.70	5.92	1.57
СреднедушевыедоходынаселенияРФ, вруб.	INCOME	26 892	26 853	5 480.13	18 958	38 848	2.12	0.25

Как видно изтабл.3 среднее значение ИРИД в период с января 2004 г. по январь 2020г. равняется 26,65, с минимальным значением 0,00 и максимальным - 47,06. Согласно динамике ИРИД (рис. 2) минимальное значение достигалось в период с января 2004 г. по июнь 2006 г., что может быть связано с тем, что рынок ИЖК РФ начал активно развиваться только с 2005-2007 гг.: снижениеуровня инфляции и ставки по ипотечному кредитованию и рефинансированию, которые постепенно создавали подходящие условия для развития рынка ипотеки. Более того популярность поискового сервиса Googleна территории России пришлась примерно на эту же пору. Таким образом, причин для возникновения просроченных платежей и беспокойства заемщиков в более ранние периоды не было. Максимальное значение ИРИД, равное 47,06, говорит о том, что на рынке ИЖК наблюдается паническое настроение среди заемщиков, по аналогии сработой (Chauvetet. al.,2016).

На динамику индекса значительно влияют экономическая ситуация в России, что может объяснять высокую частоту колебаний ряда от месяца к месяцу. Как видно из рис.2в начале исследуемого периода индекс риска ипотечного дефолта находился на относительно невысоком уровне вплоть до августа 2009 г. Затем индекс риска ипотечного дефолта начал расти скачкообразно.

Из рис. 2также видно, что дальнейшая динамика индекса характеризуется заметными подъемами в июне 2014 г., апреле 2015 г., августе 2015 г. и в феврале 2017 г. Это, в свою очередь, можно объяснить следующими произошедшими событиями на российском рынке ипотечного жилищного кредитования. Во-первых, в июне 2014 г. президентом РФ был подписан Федеральный закон «О внесении изменений в статьи 31 и 61 Федерального закона «Об ипотеке (залоге недвижимости)», согласно которым он дополняется нормами, касающимися установления механизмов страхования ответственности лица, являющегося должником

по обеспеченному ипотекой обязательству, а также финансового риска кредитора от возникновения убытков, вызванных недостаточной стоимостью заложенного имущества. Во-вторых, в апреле 2015 г. Правительством РФ была утверждена программа помощи ипотечным заемщикам, согласно которой из резервного фонда Правительства РФ будут выделены дополнительные денежные средства в размере 2 млрд рублей для оказания поддержки отдельным заемщикам, у которых сохраняются сложности с погашением ипотечных кредитов. Соответственно, в августе 2015 г.

эта программа начала работать. В-третьих, в феврале 2017 г.объем выдачи ипотеки в России сократился относительно аналогичного периода прошлого года на 22%, была отменена программа выдачи ипотечного кредита с государственной поддержкой. Это привело к тому, что ставки по ипотечным кредитам на новостройки выросли примерно на полтора процентных пункта.

Наибольшее средние значение объемов просроченной задолженности по ИЖК в период с февраля 2010 г. по февраль 2019 г. можно наблюдать у категории задолженности по срокам задержки платежей свыше 180 дней - 72 011 млн. руб., далее по убыванию идет категория задолженности по срокам задержки платежей до 30 дней, среднее значение объемов просроченной задолженности которой равно 64 035 млн. руб. (табл.3). На рис. 3представлена динамика задолженности по ипотечным жилищным кредитам по срокам задержки платежей в срок до 30, 90, 180 и свыше 180 дней. Данные ряды также характеризуется высокой и изменяющейся во времени волатильностью. Предварительный визуальный анализ данных временных рядов показывает, что в данных имеется положительно направленный тренд вплоть до марта 2016 г.

Рис. 3. Динамика просроченной задолженности по ИЖК по срокам задержки платежей до 30, 90, 180 и свыше 180 дней (февраль 2010 г. - февраль 2019 г.) *

*Сост. по источнику: Статистический сборник «Сведения о рынке жилищного (ипотечного жилищного) кредитования в России №5. Москва, 2018. С. 16-23

Говоря об экзогенных переменных, следует подчеркнуть, что средняя средневзвешенная ставка процента по ипотечным кредитам равна 12,26%, при максимальном значении, равном 14,53%, и минимальном - 9,55% (табл.3).Динамика экзогенных переменных представлена в Приложении 2. Временные ряды характеризуются наличием тренда, для ряда среднедушевых доходов населения РФ - положительный возрастающий тренд, а для рядов средневзвешенной ставки процента по ипотечным кредитам и уровнем безработицы - ниспадающий. Также можно наблюдать периодически повторяющиеся сезонные эффекты для рядов доходов и уровня безработицы. Кроме того, все исследуемые ряды имеют распределение отличного от нормального с наличием пиков и тяжелыми хвостами:коэффициент эксцесса для каждой экзогенной переменной существенно превышает ноль. Отметим также, что уровень безработицы имеет наибольший коэффициент эксцесса и коэффициент асимметрии, следовательно, этот временной ряд наиболее волатилен среди рассматриваемых в работе. Таким образом, вышеописанные характеристики рядовподтверждают их нестационарность.

В Приложении 3 представлена матрицавыборочныхпарныхкоэффициентовкорреляцииПирсона. Анализ корреляционной матрицы показал, что индекс риска ипотечного дефолта обладает статистически значимой корреляцией со всеми исследуемыми макроэкономическими показателями. Стоит отметить, что ИРИД коррелирует со всеми изучаемыми переменными, в том числе и со всеми случаями просроченных ипотечных платежей, что согласуется с результатами, полученными в работе М. Шове и др. (2016). Однако, в данном исследовании наибольший коэффициент корреляции Пирсона наблюдается между ИРИД и задолженностью по ИЖК на срок свыше 180 дней - 0,52, при этом в работе М. Шове и др. (2016) наиболее тесная связь наблюдается междуИРИД и показателями 60-дневной просрочки - коэффициент корреляции Пирсона равен 0,86. Данное различие может быть связано с тем, что банки США обычно направляют уведомление через суд заемщикам о наличии у них просроченной задолженности по ипотеке спустя 60 дней, тем самым побуждая заемщиков после получения данного уведомления искать в Интернете какую-либо информацию о случаях просроченных ипотечных платежей (Chauvetetal., 2016), в то время как в России период направления кредитором уведомления о просроченной задолженности и обращения в суд чуть больше и обычно на практике достигает 180 дней.

Согласно процедуре Доладо-Дженкинсона-Сосвилла-Ривьеро, результаты которой представленным в Приложении 4, гипотеза о наличии единичных корней в изучаемых временных рядах принимается на всех трех уровнях значимости для всех трех вариантов (тест с константой и трендом, тест с константой, тест без константы и тренда). Об этом свидетельствуютp-значения, равные больше, чем 0,1 для всех временных рядов, что, в свою очередь,больше всех трех уровней значимости (0,01/0,05/0,1). Исключением является временные рядыИРИД и уровень безработицы населения РФ. Для ряда ИРИДв тесте с константой и трендом гипотеза о наличии единичного корня отклоняется на 10% уровне значимости, но, тем не менее, эта же гипотеза в двух оставшихся тестах принимаетсяна 5% и 10% уровнях значимости, о чем свидетельствуют p-значения, равные 0,07 и 0,82.Для ряда уровня безработицы гипотеза о наличии единичного корня отклоняется в тестах с константой и трендом и с константой, о чем свидетельствуют p-значения, равные 0,004 и 0,001. Соответственно для теста без константы и тренда эта же гипотеза для ряда уровня безработицы принимается на 1% уровне значимости. Таким образом, для того, чтобы приблизить временные ряды к стационарному виду и повысить устойчивость условного среднего значения было решено ко всем исходным показателям применить взятие их первых разностей. Проверив первые разности этим же тестом, можно сделать вывод о том, что они являются стационарными рядами (p-значения для каждого временного ряда меньше, чем 0,1, что, в свою очередь, меньше всех трех уровней значимости) (Приложение 4). Следовательно, все ряды являются интегрированными порядка 1, т. е. рядами I (1).

Эмпирические результаты

В ходе исследования было построено четыре модели ARIMAX, с помощью которых были спрогнозированы объемы просроченной задолженности по ипотечному кредиту. В Таблице 4 представлены результаты оценивания данных моделей.



Таблица 4

Результаты оценивания модели ARIMAX с включением индекса риска ипотечного дефолта для объемов просроченной

	Зависимая переменная
	(1)	(2)	(3)	(4)
	-0.88 *** (0.11)			0.882 *** (0.08)
	-0.99 *** (0.14)
	-0.63 *** (0.14)
	-0.37 *** (0.11)
		-0.31 *** (0.15)		0.06 *** (0.16)
		0.58 *** (0.22)
Индекс риска ипотечного дефолта
	-51.88 (169.95)	-19.9 (28.42)	3.29 (17.02)	2.24 (28.18)
	268.99 (166.95)	11.16 (28.14)	-9.59 (23.31)	-15.09 (42.12)
	34.28 (165.21)	-42.27 (30.72)	19.23 (25.12)	-60.99 (46.51)
	-151.14 (169.62)	-94.92*** (27.71)	39.78 (25.82)	-104.25 ** (48.35)
	537.50*** (186.52)	-104.97*** (37.39)	68.25 ** (26.84)	-78.14 (49.12)
	318.28* (172.82Ч102)	-87.62 *** (31.72)	19.24 (24.31)	-13.66 (43.76)
	-57.64 (186.65)	-24.65 (25.39)	-13.66 (17.58)	21.28 (29.05)



Таблица 4 (Продолжение)

Результаты оценивания модели ARIMAX с включением индекса риска ипотечного дефолта для объемов просроченной

	Зависимая переменная
	(1)	(2)	(3)	(4)
Среднедушевые доходы населения РФ
	1.75 *** (0.64)	-0.04 (0.16)	-0.01 (0.06)	0.05 (0.11)
	-2.03 *** (0.56)	-0.41 *** (0.28)	0.005 (0.06)	0.19 ** (0.08)
	0.066*** (0.56)	-0.21 (0.20)	0.03 (0.05)	0.07 (0.14)
	-0.69 (0.47)	0.09 (0.17)	0.13 * (0.07)	0.09 (0.13)
Уровень безработицы населения РФ
	1.21Ч104 *** (4.16Ч103)	-1593.70 (1180.30)	324.84 (626.84)	-2136.40 ** (996.36)
	6.75Ч103 ** (3.38Ч103)	-1356.40 (1007.30)	925.13 * (536.57)	-605.85 (880.43)
Средневзвешенная ставка по ипотечным кредитам
	1.10Ч104 ** (4.81Ч103)	-604.33 (801.52)	1170.90 ** (558.93)	963.82 (974.42)
	-9.29Ч103 * (4.89Ч103)	2501.00 *** (791.04)	529.57 (530.76)	826.49 (929.39)
	810.67 * (416.06)
	98	98	98	98
	-988.93	-832.47	-782.08	-831.25
	2016.46	1700.95	1596.17	1695.5
Примечание. В скобках приведены робастные стандартные ошибки. Уровни значимости: *, **, *** - 10, 5 и 1 % соответственно.



Полученные результаты носят ограниченный характер и являются неустойчивыми, поскольку находятся спецификации, в которых есть значимое влияние первой разности ИРИД вплоть до пятого лага, но направление влияния у данных регрессоров разное. Лаговые значения ИРИД оказывают положительное влияние на 30-дневную и 180-дневую ипотечную просрочку. Так, например, в среднем и при прочих равных при увеличении первой разности ИРИД четыре месяца назад и пять месяцев назад на 1 ед. первая разность объемов просроченной задолженности по ИЖК в срок до 30 дней увеличится на 537,5 и 318,28 млн. руб., соответственно. Аналогично, с ростом первой разности ИРИД четыре месяца назад первая разность 180-дневной просрочки вырастет на 68,25 млн. руб.в среднем и при прочих равных. Обратное влияние оказывает первая разность ИРИД на первую разность объемов просроченной ипотечной задолженности в срок до 90 дней и свыше 180 дней. В среднем и при прочих равных при увеличении первой разности ИРИД три, четыре и пять месяцев назад на 1 ед. первая разность объемов просроченной ипотечной задолженности по ИЖК в срок до 90 дней сократится на 94,92, 104,97 и 87,62 млн руб. соответственно.В данном случае знаки коэффициентов не соответствуют ожиданиям, но, тем не менее, результаты частично согласуются с результатами, полученными в работе М. Шове и др. (2016): на объем просроченной ипотечной задолженности в срок до 90 дней статистически значимое отрицательное влияние оказывает ИРИД с лагом в четыре месяца.Схожим образом сокращается первая разность ипотечной просрочки со сроком задержки платежей свыше 180 дней на 104,25 млн. руб. при увеличении первой разности ИРИД с лагом в 4 месяца.

Значение коэффициентов для моделей ARIMAX без включения ИРИД в качестве экзогенной переменной представлены вПриложении 5. Согласно показателям качества модели, выраженным в виде информационного критерия Акаике (AIC), модели с включением ИРИД являются лучшими по сравнению с моделями без учета ИРИД. Значение AICдля каждой спецификации в среднем сокращается на 3,5 ед. при включении в модель ИРИД. Модель (3) с учетом ИРИД является наилучшей с минимальным значением AIC1596,17, что превышает значения AICдля аналогичной модели без учета ИРИД (1598,60). Если сравнивать модели с включением ИРИД и без включения ИРИД по значению логарифма функции правдоподобия, то мы получим такие же результаты (значение логарифма функции правдоподобия в среднем увеличивается на 6,43 ед. при включении в модель ИРИД).

Отметим, что распределение остатков, полученных для всех четырех моделей, является нормальным (проведена проверка на нормальность при помощи теста Q-теста Льюнга-Бокса).

Из табл. 4 можно также заключить, что первые разности исследуемых контрольных переменных тоже оказывают статистически значимое влияние на первые разности объемов просроченной ипотечной задолженности. В большой степени воздействует на первую разность объемов 30-дневной просроченной задолженности: из 8 контрольных переменных 7 оказались значимыми, исключением является первая разность среднедушевых доходов населения РФ с лагом в 6 месяцев. Поскольку предшествующие работы изучали влияние групп факторов на возникновение/объем просроченной ипотечной задолженности только в текущий момент времени, то мы можем сопоставить наши выводы данным результатам лишь частично (только для нелагированных контрольных переменных). Первая разность уровня безработицыв текущий момент времени оказывает статистически значимое на 1% уровнезначимости отрицательное влияние на первую разность объемов просроченной задолженности по ИЖК по срокам свыше 180 дней, что соотносится с результатами, полученными в предшествующей литературе (Miranda, McGrath, 2011; Gerardiet. al., 2013; Mocetti, Viviano, 2016). Более того, мы также частично соглашаемся с выводами работ (Aristei, Gallo, 2016; Fuster, Willen, 2017; Miranda, McGrath, 2011), о том, что с ростом процентной ставки по ипотеке объем просроченных платежей увеличивается (обнаружено положительное статистически значимое на 5% уровне значимости влияние первой разности средневзвешенной ставки по ипотечным кредитам в текущий момент времени на первую разность объемов 30-дневной и 180 дневной просроченной задолженности). Что касается, доходов населения, то наши выводы о том, что первая разность среднедушевых доходов населения в текущий момент оказывает положительное статистически значимое на 1%уровне значимости влияние на первую разность объемов 30-дневной просроченной задолженности, противоречит результатам в работах (Lin, Yang, 2003; Diaz-Serrano, 2005; Gomez-Salvadoret. al., 2011). Ноэтот же регрессор в предыдущий месяц оказывает отрицательное статистически значимое на 1% уровне значимости влияние на первую разность объемов 30-дневной и 90-дневной просроченной задолженности по ИЖК.

Результаты прогнозирования объемов просроченной задолженности по ИЖК с помощью использования ИРИД на 10 месяцев вперед, то есть на период с мая 2018 г. по февраль 2019 г., представлены на рис. 5.Синей линией на рис. 5 отображены прогнозные значения первой разности объемов просроченной ипотечной задолженности по срокам задержки платежей до 30, до 90, до 180 и свыше 180 дней, серая область, верхняя и нижняя линии которой образуют коридор с уровнем доверия 95% (Приложение 6). В ближайшие десять месяцев первая разность объемов просроченной ипотечной задолженности с уровнем доверия 95% будет лежать в этом коридоре. Согласно рис. 5 для каждой категории задолженности ожидается прирост объемов на февраль 2019 г.



Для ответа на вопрос о том, позволяет ли включение ИРИД повысить точность прогнозирования объемов просроченной ипотечной задолженности по ИЖК, рассчитана такая статистика качества прогноза как квадратный корень из средней квадратичной ошибки прогнозирования, представленная в табл.5.



Таблица 5

Сравнение качества прогноза посредством RMSE для моделей с и без ИРИД

	Зависимая переменная
	(1)	(2)	(3)	(4)
Значения RMSE
	43258.34	2894.68	1401.57	1730.55
и Контрольные переменные	37255.58	2687.35	1247.07	1469.69
Разница, %	-0.13	-0.07	-0.11	-0.15

В целом можно отметить, что изначальное предположение о том, что включение ИРИД в модель улучшает качество прогноза, подтвердилось, о чем говорит общее снижение показателя- среднеквадратичной ошибки прогноза. Сравним точность прогноза для моделей (1)-(4). Можно сказать, что прогнозное качество модели (1) значительно выросло после включения ИРИД. Снижение средней квадратичной ошибки прогноза (RMSE снизился с 43 258,32 до 37 255,58) говорит о том, что в абсолютных величинах отклонение прогноза от реального значения в модели с включениемИРИД меньше, чем то же отклонение у модели без него. Наибольшая разница в значениях RMSEпроизошла при прогнозировании первой разности объемов просроченной ипотечной задолженности в срок свыше 180 дней с помощью модели (2) (RMSE снизился с 1730,55 до 1469,69). Для моделей (2) и (3) прогнозирования первой разности объемов 90-дневной и 180-дневной просроченной ипотечной задолженностиRMSEсократился на 7% и 13% соответственно. Несмотря на то, что в работе (Chauvetet. al., 2016) использовалась другая метрика прогноза качества (среднеквадратичная процентная ошибка, MPSE), полученные результаты о том, что ИРИД обладает довольно высокой прогнозной силой, то есть улучшает прогнозы объемов просроченной задолженности по ипотечному кредиту, совпадают с нашими выводами.

Согласно полученным прогнозным значениям, наибольший объем просроченной ипотечной задолженности нужно было ожидать в августе 2018 г., причем для категории задолженности с 30-дневными просроченными платежами. Объем задолженности составил бы 106 428,5 млн. руб., однако прогнозное значение показателя выше фактического (75 425 млн. руб.) в 1,4 раза. Наименьший объем просроченной ипотечной задолженности нужно было ожидать в декабре 2018 г., причем для категории задолженности с 180-дневными просроченными платежами. В данном случае объем задолженности составил бы 11 758,93 млн. руб., что меньше фактического значения показателя (13 648 млн. руб.) в 0,8 раз. Если предположить, что кредитные организации установили бы сумму резервов на возможные потери на период с мая 2018 г. по февраль 2019 г. в размере суммы полученных прогнозных значений объемов просроченной задолженности по срокам задержки платежей до 30 дней, то на начало марта 2019 г. на балансе кредитных организаций осталось бы 31 736,68 млн. руб. Однако, что касается категорий задолженности с другими сроками задержки платежей, установленного резерва бы не хватило, чтобы покрыть фактические потери, то есть прогнозные значения оказались завышенными по сравнению с фактическими.



Заключение

В работе прогнозируются объемы просроченной задолженности по ипотечным кредитам. Данная тема остается актуальной для кредитных организаций, поскольку, зная прогнозные значения объемов просроченной ипотечной задолженности, кредитные организации смогут определить минимально допустимый уровень резервов на возможные потери по ссудам и сформировать комплекс мер по минимизации реальных потерь банков.

Более того, проведенное исследование демонстрирует возможности использования статистики интернет-запросов пользователей Интернета в Googleдля оценки настроений заемщиков на рынке ипотечного жилищного кредитования. Показана перспективность использования этих данных для более эффективного моделирования прогнозов объемов просроченной задолженности по ИЖК. Для этого на основе информации о частоте поисковых запросов, таких как «ипотека помощь» или «долг по ипотеке», и путем их компиляции был построен индекс риска ипотечного дефолта, согласно методологии предложенной в работе Шове и др. (2016), на российских данных.

Цель данного исследования состояла в том, чтобы оценить прогностические возможности ИРИД. Поделив исходные данные на обучающую (март 2010 г. - апрель 2018 г.) и тестовую (май 2018 г. - февраль 2019 г.) выборки, в работе было оценено четыре модели авторегрессионного скользящего среднего с экзогенными переменными, где в качестве зависимой переменной выступали объемы просроченных задолженностей по ипотечному кредиту по срокам задержки платежей до 30, 90, 180 и свыше 180 дней соответственно. В качестве контрольных переменных выступали ИРИД, средневзвешеннаяставкапоипотечным кредитам, уровеньбезработицынаселенияРФ и среднедушевыедоходынаселенияРФ. На тестовой выборке были рассчитаны месячные прогнозы с использованием имеющихся данных с мая 2018 г. по февраль 2019 г. Аналогичный процесс был реализован для построения этих же авторегрессионных моделей скользящего среднего, но без включения ИРИД в качестве контрольной переменной. На основании результатов полученных прогнозов оценивалась прогностическая сила индекса с использованием квадратного корня из среднеквадратичной ошибки. В результате, все модели с включением ИРИД и ИРИД с лагами от одного до шести месяцев превосходили авторегрессии без включения ИРИД по указанному критерию, значение RMSEсокращалось примерно на 0,12%. Данный вывод частично согласуется с результатами, полученными в работе (Chauvetet. al., 2016) в части того, что включение ИРИД в модель прогноза объемов просроченной ипотечной задолженности улучшает точность прогноза. Однако точность данного прогноза в работе (Chauvetet. al., 2016) выше, поскольку метрика качества прогноза (MPSE) улучшается в среднем на 0,45%. Более того, результаты исследования свидетельствуют о том, что не только текущие значения ИРИД оказывают статистически значимое влияние на объем просроченной задолженности, но и его запаздывающие значения, вплоть до 5 лага. Согласно построенному прогнозу, наибольший объем просроченной ипотечной задолженности стоило ожидать в августе 2018 г. в размере 106 428,5 млн. руб., а наименьший - в декабре 2018 г. в размере 11 758,93 млн. руб. Если предположить, что кредитные организации установили бы сумму резервов на возможные потери на период с мая 2018 г. по февраль 2019 г. в размере суммы полученных прогнозных значений объемов просроченной задолженности, то на начало марта 2019 г. на балансе кредитных организаций осталось бы 31 736,68 млн. руб., однако данный вывод касается только категории 30-дневной просроченной задолженности, для остальных категорий задолженности соответствующего резерва не было бы достаточно, чтобы покрыть фактические потери. Стоит отметить, результаты исследования свидетельствуют о том, что на объемы просроченной ипотечной задолженности статистически значимое влияние оказывают средневзвешенная ставка по ипотечному кредиту, уровень безработицы населения РФ, среднедушевые доходы населения РФ и их лаговые значение в зависимости от количества дней просрочки платежа.

В то время как ИРИД действительно представляется для кредитных организаций, банковских аудиторских компаний и инвестиционных фирм какуниверсальныйинструмент прогнозирования объемов просроченных задолженностей и новая мера риска дефолта по ипотечным кредитам, существуют некоторые ограничения для его использования. Во-первых, ИРИД фиксирует риск дефолта по ипотечным кредитам только на уровне заемщиков, и, следовательно, не дает никакой информации о состоянии кредиторов. Таким образом, высокий уровень ИРИД может не обязательно сигнализировать о наступлении финансового кризиса или экономического спада на рынке ИЖК, если кредиторы достаточно хорошо подготовлены для того, чтобы справится с соответствующем повышенным уровнем просроченных задолженностей. Во-вторых, ИРИД может быть уязвим к изменениям в поведении поиска в Интернете. Например, если поисковая система Googleперестанет пользоваться популярностью у пользователей или появятся новые продукты (например, голосовой поиск), то это приведет к тому, что привычки веб-пользователей изменятся и часть поисковых запросов будет отсутствовать в будущем, тогда полезность ИРИД при прогнозировании объемов просроченной задолженности по ипотеке будет минимальная или в целом отрицательно скажется на качестве прогнозов. На данный момент нет оснований полагать, что последние технологические изменения изменят поведение пользователей в Интернете, но риск остается. В-третьих, ИРИД является индикатором раннего предупреждения о наступлении риска дефолта только на рынке ипотечного кредитования. Тогда, если отрицательный шок возникает на другом рынке и в другом секторе экономики, а затем впоследствии передается на рынок ИЖК, то ИРИД может выступать в качестве запаздывающего индикатора во время соответствующего спада.

Стоит также отметить, что существуют некоторые специфические характеристики данных онлайн-поиска, которые должны быть приняты во внимание исследователем:

-использовать только четкие и интуитивно понятные ключевые слова и элементы поиска (Ross, 2013);

-учитывать сезонность и цикличность данных (Buono, 2017)

-учитывать экстремальные события, такие как физические явления или политические события, которые могут привести к выбросам (хотя иногда могут быть полезны, поскольку они иллюстрируют поведение экономических агентов) (Vosen, Schmidt, 2011). Вышеописанные характеристики могут использоваться в качестве перспективных идей и направлений для дальнейшей работы. Кроме того, будущим направлением также могут быть использование статистики запросов других поисковых систем (например, Яндекса), а также в социальных сетях (например, Facebook) (Столбов, 2011). Их использование позволит учитывать настроения большего количества потенциальных заемщиков. Кроме того, в дальнейшем возможно построение ИРИД в региональном разрезе. В перспективе исследования возможно также применение более продвинутых эконометрических моделей прогнозирования (например, модели, основанные на искусственном интеллекте или на имитационном моделировании).

Список использованной литературы

Нормативно-правовые акты

1. Федеральный закон от 16.07.1998 N102-ФЗ «Об ипотеке (залоге недвижимости)».

2. Положение Банка России от 6 августа 2015 г. N 483-П «О порядке расчета величины кредитного риска на основе внутренних рейтингов».

3. Положение Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности».

Специальная литература

4. Борочкин А. А. Использование статистики поисковых запросов всети Интернет для краткосрочного прогнозирования макроэкономических переменных // Проблемы и Суждения. 2013. №8. С. 27-32.

5. Зобова, Е. В., Самойлова, С. С. Управление кредитным риском вкоммерческих банках // Социально-экономические явления и процессы. 2012. №12(046), С. 74-81.

6. Канторович Г.Г. Анализ временных рядов. Лекция 7 // Экономический журнал ВШЭ. 2002. Т. 6, № 2. С. 268-273.

7. Лазарян С. С., Герман Н. Е. Прогнозирование текущей динамики ВВП на основе данных поисковых запросов // Финансовый журнал: Макроэкономическое моделирование. 2018. №6. С. 83-94.

8. Солнцев, О. Г., Мамонов, М. Е., Магомедова, З. М. Опыт разработки системы раннего оповещения о финансовых кризисах и прогноз развития банковского сектора. 2011. С. 41-76.

9. Статистический сборник (интернет-версия) «Сведения о рынке жилищного (ипотечного жилищного) кредитования в России №5». 2018. [Электронный ресурс]URL: https://www.cbr.ru/Collection/Collection/File/15723/Stat_digest_mortgage_05.pdf (дата обращения 10.05.2020).

10. Столбов М. Статистика поиска в Google как индикатор финансовой конъюнктуры // Вопросы экономики. 2011. №11. С. 79-93.

11. Черникова, Л. И., Евстефеева, С. А. (2016). Просроченная задолженность как индикатор состояния банков // Деньги и кредит. 2016. №5. С. 53-56.

12. Языков, А. Д. Стратегия банка по минимизации потерь в области ипотечного жилищного кредитования // Банковское дело. 2011. №44(476). С. 37-46.

13. AdachiY., Masuda M., Takeda F. Google search intensity and its relationship to the returns and liquidity of Japanese startup stocks // Pacific-Basin Finance Journal. 2017. Vol. 46. P. 243-257.

14. Afkhami M., Cormack L.,Ghoddusia H. Google search keywords that best predict energy price volatility // Energy Economics. 2017.Vol. 67. P. 17-27.

15. An, X., Deng, Y., Gabriel, S.A.Default Option Exercise over the Financial Crisis and Beyond // Working Paper. 2016. P. 1-54.

16. Anenberg, E., Kung, E.Estimates of the size and source of price declines due to nearby foreclosures // American Economic Review.2014. Vol. 104 (8), P. 2527-2551.

17. Anvik C., Gjelstad K. Just Google it. Forecasting Norwegian unemployment figures with web queries // Center for Research in Economics and Management (CREAM). 2010. Vol. 11. P. 1-76.

18. Aristei, D., & Gallo, M. The determinants of households' repayment difficulties on mortgage loans: evidence from Italian microdata // International Journal of Consumer Studies. 2016. Vol. 40(4), P. 453-465.

19. Askitas, N., Zimmermann, K. F. Detecting Mortgage Delinquencies with Google Trends // Institute of Labor Economics (IZA) Discussion Paper. 2011. Vol. 5895. P. 2-17.

20. Bangwayo-Skeete P. F., Skeete R. W. Can Google data improve the forecasting performance of tourist arrivals? Mixed-data sampling approach // Tourism Management. 2015. Vol. 46 (C). P. 454-464.

21. Barreira N., Godinho P., Melo P. Nowcasting unemployment rate and new car sales in south-western Europe with Google Trends // Netnomics. 2013. Vol. 14. P.129-165.

22. Bhutta, N., Dokko, J., Shan, H. The Depth of Negative Equity and Mortgage Default Decisions // Finance and Economics Discussion Series Working Paper. 2010. Vol. 35. P. 1-45.

23. BuonoD., Mazzi G. L., Kapetanios G., Marcellino M., Papailias F. Big data types for macroeconomic nowcasting // Eurostat Review on National Accounts and Macroeconomic Indicators. 2017.Vol. 1. P. 93-145.

24. Burdeau E., Kintzler E. Assessing the use of Google Trends to predict credit developments // 61st World Statistics Congress of the International Statistical Institute. 2017. P. 1-6.

25. Campos, I., CortazarG., Reyes T. Modeling and predicting oil VIX: Internet search volume versus traditional variables // Energy Economics. 2017.Vol. 66. P. 194-204.

26. Carriere?SwallowY.,Labbй F. Nowcasting with Google Trends in an Emerging Market // Journal of Forecasting. 2013.Vol. 32 (4). P. 289-298.

27. Chauvet, M., Gabriel, S., & Lutz, C. Mortgage default risk: New evidence from internet search queries // Journal of Urban Economics. 2016.Vol. 96, P. 91-111.

28. Chai, T., Draxler, R. R. Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature // Geoscientific Model Development. 2014.Vol. 7(3). P. 1247-1250.

29. Choi, H., Varian, H.Predicting the present with google trends // Economic Record. 2012. Vol. 88. P. 2-9.

30. Crook, J.,Banasik, J. Forecasting and explaining aggregate consumer credit delinquency behaviour // International Journal of Forecasting. 2012.Vol. 28(1), P. 145-160.

31. D'AmuriF., Marcucci J. The predictive power of Google searches in forecasting US unemployment // International Journal of Forecasting. 2017.Vol. 33. P. 801-816.

32. Diaz-Serrano, L. Income volatility and residential mortgage delinquency across the EU // Journal of Housing Economics. 2005.Vol. 14(3), P. 153-177.

33. DimpflT., Jank S. Can Internet search queries help to predict stock market volatility? // European Financial Management. 2016. Vol. 22 (2).P. 171-192.

34. Duygan-Bump, B., Grant, C. Household debt repayment behaviour: what role do institutions play? // Economic Policy. 2009. Vol. 24, P. 107-140.

35. Foote, C., Gerardi, K., Willen, P. Negative equity and foreclosure: theory and evidence // Journal of Urban Economic. 2008.Vol. 64, P. 234-245.

36. Fuster, A., Willen, P. S. Payment Size, Negative Equity, and Mortgage Default // American Economic Journal: Economic Policy. 2017. Vol. 9(4), P. 167-191.

37. Gerardi K., Herkenhoff, K.F., Ohanian, L.E., Willen, P.S. Unemployment, Negative Equity, and Strategic Default // Social Science Research Network (SSRN). 2013.Vol. 4. P. 1-50.

38. Gomez-Salvador, R., Lojschova, A., Westermann, T.Household sector borrowing in the euro area - a micro data perspective. // European Central Bank of FrankfurtOccasional Paper. 2011. Vol. 125, P. 1-40.

39. Gцtz B., Knetsch A. Google data in bridge equation models for German GDP // International Journal of Forecasting. 2019. Vol. 35. P. 45-66.

40. Hansen, P. R., Timmermann, A. Choice of Sample Split in Out-of-Sample Forecast Evaluation // Working Paper. 2012.P. 1-42.

41. HuarngK. H., YuH. K., Rodriguez-Garcia, M. Qualitative analysis of housing demand using Google trends data // Economic Research-EkonomskaIstrazivanja. 2019.Vol. 1.P.409-419.

42. Jappelli, T., Pagano, M., Di Maggio, M. Households' indebtedness and financial fragility // Journal of Financial Management, Markets and Institutions. 2013. Vol. 1, P. 23-46.

43. Jun, S. P., Yoo, H. S., Choi, S. Ten years of research change using Google Trends: From the perspective of big data utilizations and applications // Technological Forecasting and Social Change. 2018. Vol. 130. P. 69-87.

44. Khandani, A. E., Kim, A. J., Lo, A. W. Consumer credit-risk models via machine-learning algorithms // Journal of Banking and Finance. 2010.Vol. 34(11).P.2767-2787.

45. LiX.,Shang W., Wang S., Ma J. A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data // Electronic Commerce Research and Applications. 2015.Vol. 14 (2).P. 112-125.

46. LiX.,Ma J., Wang S., Zhang X. How does Google search affect trader positions and crude oil prices? // Economic Modelling. 2015.Vol. 49.P. 162-171.

47. LiX., Pan B., Law R., Huang X. Forecasting tourism demand with composite search index // Tourism Management. 2017.Vol. 59. P. 57-66.

48. Lin, C., Yang, S.-Y. A Forecasting model for the likelihood of delinquency, default or prepayment: the case of Taiwan // International Journal of Business. 2003. Vol. 8(2), P. 203-211.

49. Lin W-S., Tou J-C., Lin S-Y., Yeh M-Y.Effects of socioeconomic factors on regional housing prices in the USA // International Journal of Housing Markets and Analysis. 2014. Vol. 7. P.30-41.

50. McLaren N. Using internet search data as economic indicators // Quarterly Bulletin. - 2011. Vol. 2. P. 134-140.

51. Miranda, P., McGrath, P. Forecasting aggregate US mortgage delinquencies // Journal of Applied Financial Research. 2011. Vol. 1. P. 5-83.

52. Mocetti, S., &Viviano, E. Looking behind mortgage delinquencies // Journal of Banking and Finance. 2017.Vol. 75, P. 53-63.

53. Mondria, J., Wu, T., Zhangz, Y.The Determinants of International Investment and Attention Allocation // Journal of International Economics. 2010.Vol. 82(1), P. 85-95.

54. MoussaF., Delhoumi E.,Ouda O. B. Stock return and volatility reactions to information demand and supply // Research in International Business and Finance. 2017. Vol. 39. P. 54-67.

55. Parnes, D.Abnormal mortgage delinquencies as housing crisis early symptoms // International Journal of Housing Markets and Analysis. 2018. Vol. 11(2), P. 412-432.

56. PeltomakiJ., Graham M., Hasselgren A. Investor attention to market categories and market volatility: The case of emerging markets // Research in International Business and Finance. 2018.Vol. 44. P. 532-546.

57. Ross, A. Nowcasting with Google Trends: a keyword selection method // Fraser of Allander Economic Commentary. 2013.Vol. 37(2). P.54-64.

58. Saxa B. Forecasting Mortgages: Internet Search Data as a Proxy for Mortgage Credit Demand // 4th Research Conference «Addressing Structural Rigidities in View of Monetary Policy Transmission Effectiveness». 2015. P. 107-123.

59. SiliverstovsB., Wochner D. S. Google Trends and reality: Do the proportions match? Appraising the informational value of online search behavior: Evidence from Swiss tourism regions // Journal of Economic Behavior and Organization. 2018. Vol. 145 (C). P. 1-23.

60. SmithP. Google's MIDAS Touch: Predicting UK Unemployment with Internet Search Data // Journal of Forecasting. 2016.Vol. 35 (3).P. 263-284.

61. Suhoy T. Query indices and a 2008 downturn: Israeli data // Bank of Israel Discussion Paper. 2009. P. 1-32.

62. TangW., Zhu L. How security prices respond to a surge in investor attention: Evidence from Google Search of ADRs // Global Finance Journal. 2017. Vol. 33. P. 38-50.

63. Veldhuizen, S., Vogt, B.,Voogt, B. Internet searches and transactions on the Dutch housing market // Applied Economics Letters. 2016. Vol. 23(18).P. 1321-1324.

64. Vosen, S., Shmidt T. Forecasting private consumption: survey-based indicators vs. Google Trends // Journal of Forecasting. 2011. Vol. 30, P. 565-578.

65. YungK., Nafar N. Investor attention and the expected returns of REITs // International Review of Economics and Finance. 2017.Vol. 48. P. 423-439.



Приложение 1. Динамика задолженности по ИЖК (01.01.2013-01.01.2019 гг.)

Рис. 1П. Динамика задолженности по ИЖК (01.01.2013-01.01.2019 гг.)

Источник: Аналитические материалы ЦБ РФ «О состоянии рынка ипотечного жилищного кредитования в 2018 г.»



Приложение 2. Графики динамики контрольных переменных и гистограммы их распределения

Рис. 2П. Динамика уровня безработицы населения РФ в возрасте 15 - 72 лет, в % (февраль 2010 - февраль 2019)

Рис. 3П. Гистограмма распределения уровня безработицы населения РФ

Рис. 4П. Динамика среднедушевых доходов населения РФ, в руб. (февраль 2010 - февраль 2019)

Рис. 5П. Гистограмма распределения среднедушевых доходов населения РФ

Рис. 6П. Динамика средневзвешенной ставки по ипотечным кредитам, в % (февраль 2010 - февраль 2019)

Рис. 7П. Гистограмма распределения средневзвешенной ставки по ипотечным кредитам

Приложение 3. Корреляционная матрица парных коэффициентов корреляции Пирсона

	DELINQ30	DELINQ90	DELINQ180	DELINQ_MORE180	INTEREST	UNEMPL	INCOME	MDRI
DELINQ30	1.00*
DELINQ90	0.72*	1.00*
DELINQ180	0.66*	0.91*	1.00*
DELINQ_MORE180	0.81*	0.69*	0.63*	1.00*
INTEREST	-0.26*	0.15	0.22**	-0.45*	1....

Подобные документы

• Бизнес-план инвестиционного проекта

  Понятие и содержание бизнес-плана; характеристика его основных разделов - производственного, маркетингового, организационного и финансового планов. Определение коэффициента ипотечной задолженности и ипотечной постоянной величины выплаты кредита.
  
  контрольная работа [20,9 K], добавлен 21.09.2013
  

• Анализ состояния дебиторской задолженности предприятия

  Экономическая сущность дебиторской задолженности. Задачи анализа дебиторской задолженности. Анализ состава и структуры дебиторской задолженности, показателей качества и ликвидности дебиторской задолженности. Улучшение состояния расчетов предприятия.
  
  курсовая работа [40,3 K], добавлен 13.02.2008
  

• Анализ задолженности предприятия

  Понятие и содержание, а также порядок и основные этапы проведения анализа кредиторской и дебиторской задолженности исследуемого предприятия. Рекомендации по эффективному использованию кредиторской и дебиторской задолженности, прогнозирование ее величины.
  
  курсовая работа [51,1 K], добавлен 04.05.2015
  

• Анализ дебиторской задолженности

  Понятие и классификация видов дебиторской задолженности. Задачи, информационное обеспечение и расчёт показателей для анализа дебиторской задолженности, характеристика этапов его проведения. Анализ структуры, оборачиваемости дебиторской задолженности.
  
  курсовая работа [225,1 K], добавлен 13.09.2015
  

• Разработка рекомендаций по эффективному использованию кредиторской задолженности в ОАО "Промтрактор"

  Влияние кредиторской задолженности на финансовое состояние предприятия. Краткая характеристика ОАО "Промтрактор". Анализ финансового состояния, состава, структуры и динамики кредиторской задолженности на предприятии. Стратегии возврата задолженности.
  
  дипломная работа [640,9 K], добавлен 14.09.2012
  

• Изменение структуры дебиторской задолженности как инструмента антикризисного управления

  Значение анализа и оценки дебиторской задолженности в антикризисном управлении. Задачи управления, показатели и методы изменения дебиторской задолженности. Анализ экономических показателей деятельности ЗАО "ВС", в том числе и дебиторской задолженности.
  
  курсовая работа [48,3 K], добавлен 30.04.2010
  

• Управление недвижимостью

  Схема ипотечного кредитования в Хабаровском крае. Обязательства и требования, обеспечиваемые ипотекой. Определение требуемого дохода семьи для ипотечной сделки. Виды и субъекты лизинга. Определение индекса доходности. Расчет параметров арендной сделки.
  
  курсовая работа [1,4 M], добавлен 12.06.2015
  

• Анализ дебиторской и кредиторской задолженности

  Сущность дебиторской и кредиторской задолженности. Анализ состава и структуры кредиторской и дебиторской задолженности. Влияние дебиторской и кредиторской задолженности на финансовую устойчивость предприятия, а также методы управления задолженностью.
  
  курсовая работа [52,5 K], добавлен 21.12.2011
  

• Влияние уровня задолженности банков и предприятий на инфляцию и процентную ставку

  Влияние монетарной политики на экономику с точки зрения цены кредита и ее влияния на уровень задолженности. Статистика уровня задолженности предприятий и уровня инфляции. Структура пассивов в банковском секторе и уровень процентной ставки по кредитам.
  
  статья [28,6 K], добавлен 18.07.2010
  

• Анализ дебиторской и кредиторской задолженности

  Задачи анализа дебиторской и кредиторской задолженности. Источники информации для анализа. Анализ дебиторской задолженности. Анализ кредиторской задолженности. Анализ и оценка темпов роста дебиторской и кредиторской задолженности.
  
  курсовая работа [19,7 K], добавлен 13.04.2003
  

• Анализ кредиторской задолженности

  Методика проведения анализа кредиторской задолженности учреждений. Анализ кредиторской задолженности БУК ВО "Вологодский областной театр юного зрителя". Искажение данных отчетности. Правильность расчетов с финансовыми, налоговыми органами.
  
  курсовая работа [92,6 K], добавлен 26.04.2014
  

• Анализ дебиторской и кредиторской задолженности

  Значение, задачи и информационное обеспечение анализа дебиторской и кредиторской задолженности. Расчет влияния структуры оборотных активов на оборачиваемость кредиторской задолженности ОАО "Федеральная сетевая компания единой энергетической системы".
  
  курсовая работа [981,4 K], добавлен 28.05.2015
  

• Анализ дебиторской и кредиторской задолженности

  Понятие обязательств и их классификация. Цели, задачи и роль анализа дебиторской и кредиторской задолженности. Анализ ликвидности баланса. Меры по регулированию дебиторской и кредиторской задолженности в целях улучшения финансового положения предприятия.
  
  курсовая работа [202,2 K], добавлен 14.01.2015
  

• Анализ оборачиваемости дебиторской и кредиторской задолженности предприятия

  Понятие и классификация кредиторской задолженности. Анализ дебиторской задолженности предприятия, ее состав, сроки образования и причины возникновения. Расчет чистых активов организации. Характеристика устойчивости финансового состояния ЗАО "Омега".
  
  курсовая работа [226,4 K], добавлен 14.08.2013
  

• Анализ кредиторской и дебиторской задолженности предприятия на примере ООО "ЭРАН"

  Цель, задачи и методика анализа дебиторской и кредиторской задолженности. Влияние неплатежей на основные характеристики финансового состояния организации. Структура и динамика кредиторской и дебиторской задолженности предприятия, пути ее оптимизации.
  
  курсовая работа [368,5 K], добавлен 15.05.2013
  

• Дебиторская и кредиторская задолженности предприятия: анализ и пути снижения (на примере ЗАО "БЕСТ")

  Понятие, структура и показатели дебиторской и кредиторской задолженности. Анализ стратегии развития предприятия. Внедрение программного комплекса по трансформации данных дебиторской и кредиторской задолженности по стандартам МСФО на базе "Галактика ERP".
  
  дипломная работа [4,3 M], добавлен 29.06.2010
  

• Управление дебиторско-кредиторской задолженностью (на примере кондитерского предприятия)

  Порядок формирования дебиторско-кредиторской задолженности на предприятии, анализ ее структуры. Расчет коэффициентов оборачиваемости задолженности, влияние данных показателей на платежеспособность и финансовую устойчивость кондитерского производства.
  
  дипломная работа [189,2 K], добавлен 26.08.2011
  

• Реструктуризация кредиторской задолженности (по видам) на примере предприятия "Салаватнефтеоргсинтез"

  Сущность и виды реструктуризации предприятия, основные этапы реализации данного процесса, связанные с ним риски. Понятие и типы кредиторской задолженности. Анализ и оценка экономического эффекта реструктуризации кредиторской задолженности ОАО "СНОС".
  
  курсовая работа [133,2 K], добавлен 25.08.2011
  

• Оценка состояния дебиторской задолженности предприятия (на материалах ЗАО "Тиротекс")

  Сущность дебиторской задолженности; ее влияние на показатели финансового состояния предприятия. Оценка оборачиваемости и оптимальной величины дебиторской задолженности. Анализ показателей устойчивости, платежеспособности и ликвидности предприятия.
  
  курсовая работа [421,8 K], добавлен 02.05.2014
  

• Реструктуризация кредиторской задолженности на примере ОАО "ТехноНИКОЛЬ"

  Сущность и разновидности реструктуризации предприятия, этапы ее проведения. Понятие и разновидности кредиторской задолженности. Анализ финансового состояния и оценка экономического эффекта реструктуризации кредиторской задолженности ОАО "ТехноНИКОЛЬ".
  
  курсовая работа [245,0 K], добавлен 31.08.2011
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам