Моделирование вероятности дефолта российских банков

75%

73%

С квадратами, попарными произведениями и кубами

76%

73%

С квадратами, попарными произведениями, кубами и попарными произведениями с квадратами

67%

72%

Все модели имеют хороший уровень предсказательной силы, согласно классификации AUC, представленной в разделе «Методология» (Таблица 5).

Модели с «прокси» нормативов и нормативами имеют более высокую прогнозную силу на годовом горизонте прогнозирования, однако, модели с полиномиальными элементами имеют более высокую прогнозную силу на квартальном горизонте.

Ниже представлены результаты устойчивости прогнозной силы моделей.

Таблица 9

AUC моделей на обучающей и контрольной выборках

Таким образом, в среднем модели прогноза на годом горизонте имеют более устойчивую предсказательную силу. Технически обоснованные модели, а именно модели с полиномиальными элементами, имеют менее устойчивую предсказательную силу, но как было указано ранее, их точность прогноза все равно выше на контрольной выборке, чем у экономически обоснованных моделей.

Заключение

Экономический кризис, негативно влияющий на платежеспособность населения, жесткие требования ЦБ по формированию резервов на возможные потери, способствующие проблемам с достаточность капитала, и дорогое фондирование привели к появлению непростых условий для работы банковского сектора. В результате, количество дефолтов российских банков увеличилось в 4,75 раз за последние 5 лет. Соответственно, проблема корректной оценки кредитоспособности банков является актуальной в наше время.

На данный момент проведено много исследований по рассматриваемой тематике. Однако относительно дефолтов российских банков исследователи пока не ответили на 2 вопроса:

являются ли более сложные риск-метрики, регуляторные нормативы, более эффективными по сравнению с их «прокси» из финансовой отчетности;

использование более сложных типов моделей (нейронные сети, модели «случайного леса» и т.д.) привносит значимый вклад в увеличение прогнозной силы.

В настоящейработе автор попытался проверить обозначенные гипотезы на квартальных данных по российским банкам за период с 3 кв. 2010 г. по 1 кв. 2016 г.Автор оценил 3 спецификации логистической регрессии по краткосрочному и среднесрочному горизонтам прогнозирования:

с «прокси» нормативов;

с регуляторными нормативами;

с полиномиальными элементами (как «прокси» для всех более сложных типов моделей).

Любую модель можно представить в виде функции зависимой переменной от независимых переменных, в тоже время любую функцию можно разложить в ряд Тейлора, который является полиномом. По этой причине оценивалась модель с полиномиальными элементами как «прокси» для всех более сложных типов моделей.

Согласно результатам, модель с нормативами может лучше прогнозировать дефолты российских банков, как на квартальном, так и годовом горизонте. Однако прирост в точности прогноза не является статистически значимым, он составил только 2%.

Таким образом, использование регуляторных нормативов не способствует значимому увеличению точности прогноза дефолтов российских банков, что согласуется с выводами исследований, проведенных на данных по другим странам (Estrella, 2000).

Включение полиномиальных элементов также способствовало росту предсказательной силы на обоих горизонтах прогнозирования. Однако в квартальной модели увеличение точности прогноза является статистически значимым, а в годовой модели - нет.

Следовательно, техническое усложнение модели приводит к значительному приросту точности прогноза дефолтов российских банков, но только на коротком горизонте прогнозирования. Возможно, полученный вывод не согласуется с результатами исследований, проведенных на данных по другим странам(VanderPloeg, 2010) (Penaetal., 2011), потому что в России на вероятность дефолта также оказывают влияние какие-нибудь дополнительные факторы, неучтенные в модели. То есть модель выделяет статистически значимые взаимосвязи, которые не могут быть объяснены теоретически, в связи с тем, что пропущены какие-нибудь другие важные факторы.

Результаты исследования могут быть полезны риск-менеджерам, разрабатывающим модели оценки кредитного риска по операциям с банкам, в выборе факторов-предикторов и типа модели.

Однако в исследовании присутствуют следующие ограничения:

выборка содержит относительно небольшое количество дефолтов: возможно, предсказательная сила модели с попарными произведениями с квадратами снизилась из-за недостаточного числа дефолтов в выборке;

используемая финансовая отчетность могла быть сфальсифицирована у банков, которые были в предбанкротном состоянии: у части банков-дефолтов было указано, что они предоставляли ЦБ некорректную отчетность; кроме того, если проанализировать новости о банках через месяц-два после их дефолта, то можно заметить, что практически у всех банков ЦБ выявил «дыру» в балансе, то есть фактическая стоимость активов банка была меньше, чем заявлял сам банк;

в модели не учтена неоднородность политики ЦБ: как было указано в предыдущих разделах, ЦБ в начале 2014 г. ужесточил требования по формированию резервов на возможные потери, что негативно повлияло на достаточность капитала банков; таким образом, если ЦБ внесет какие-нибудь структурные изменения, то модель может оказаться неактуальной;

не вся финансовая отчетность находится в открытом доступе: помимо документов, использованных в данной работе, также существуют типы отчетности, в которых, к примеру, более подробно указан уровень подверженности банка кредитному риску;факторы, основанные на данной информации, также могут оказывать значимое влияние на вероятность дефолта российских банков;

в модели не учтены факторы группы «Качество управления»:исследования, сделанные ранее, подтвердили значимость факторов данной группы, однако, в России раскрывается немного значимой информации о менеджменте; более того, данная информация является трудно собираемой.

Помимо устранения описанных выше ограничений автор также выделяет другие вопросы, ответы на которые являются актуальными и которым он планирует посвятить время:

построить отдельные модели для разных причин дефолта: банк может оказаться в состоянии дефолта в основном из-за низкого уровня достаточности капитала или невозможности обслуживать обязательства, поэтому возникает вопрос о том, разные ли факторы оказывают влияние на вероятность дефолта по каждой причине;

построить модель оценки вероятности отзыва лицензии по причине противозаконной деятельности (отмывание денег, пособничество терроризму и т.д.): когда у банка отзывают лицензию по причине противозаконной деятельности, обычно у банка хватает активов, чтобы расплатиться с кредиторами; однако процесс расплаты с кредиторами происходит небыстро и обычно затягивается на полгода-год (если кредитор не попадает по систему страхования вкладов), поэтому вопрос выявления факторов, способствующих данному событию, также является актуальным;

построить модель оценки вероятности фальсификации отчетности: как описано выше, данная проблема действительно является актуальной, поэтому интересно выявить факторы, прогнозирующие фальсификацию отчетности;

проверить, на каком временном интервале лучше оценивать модель с точки зрения прогнозной мощности: когда оцениваешь параметры модели прогноза, актуальным является вопрос, на каком временном периоде необходимо формировать выборку: на всем временном периоде, который доступен, или на последнем, то есть наиболее актуальном; как показала практика, данный вопрос действительно имеет значение, потому что результаты работ различались в зависимости от временного периода исследования;

проверить, каким образом лучше обрабатывать пропуски в данныхс точки зрения прогнозной мощности: встречаются случаи, когда у банка нет значения по какому-нибудь фактору (к примеру, некоторые банки запаздывают с публикацией значений нормативов), но при этом кредитоспособность данного банка все равно необходимо оценить; существует множество способов заполнение пропусков (среднее по всем банкам значение, среднее за несколько последних периодов и т.д.), поэтому, на взгляд автора, интересно проверить, какой способ заполнения пропусков является наиболее эффективным с точки зрения прогнозирования дефолтов российских банков.

Список литературы

Andersen, H., 2008. Failure Prediction of Norwegian Banks; ALogit Approach. Working Paper, Norges Bank.

Avery, R. B., and Hanweck, G. A., 1984. A Dynamic Analysis of Bank Failures. Research Papers in Banking and Financial Economics, 74, Board of Governors of the Federal Reserve System.

Barth, J. R., Brumbaugh, R. D., Sauerhaft, D., and Wang, G. H. K., 1985. Thrift Institution Failures: Causes and Policy Issues. Proceedings, Federal Reserve Bank of Chicago, 184-216.

Cebula, R.J., Koch, J.V., Fenili, R.N., 2011. The bank failure rate, economic conditions and banking statutes in the U.S., 1970-2009. Atl. Econ. J. 39, 39-46.

Ching-Chung Lin ,Shou-Lin Yang, 2015. Bank fundamentals, economic conditions, and bank failures in East Asian countries, Economic Modelling 52, 963 - 964.

Cole, R.A., White L.J., 2010. DйjаVuAllOverAgain: The Causes of U.S. CommercialBankFailuresThisTimeAround, DRAFT 2010-07-09.

DeLong, E. R., D. M. DeLong, and D. L. Clarke-Pearson. 1988. Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics 44: 837-845.

Estrella, A., Park, S., and Peristiani, S., 2000. Capital Ratios as Predictors of Bank Failure. Economic Policy Review, Federal Reserve Bank of New York, 6.

Kalyan, N., Amulyashree, S., 2015. A PredictiveSystem for detection of BankruptcyusingMachineLearningtechniques, Preprint.

Lane, W. R., Looney, S. W., and Wansley, J. W., 1986. An Application of the Cox Proportional Hazards Model to Bank Failure. Journal of Banking and Finance, 511-531.

Martin, D., 1977. Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking & Finance, 1, 249-276.

Pena, T., Abudu B., Martinez S., 2009. BankruptcyPrediction: A Comparison of SomeStatistical and MachineLearningTechniques, Banco de MexicoWorkingPapers

Stefan van der Ploeg, 2010. Bank Default Prediction Models:A Comparison and an Application to Credit Rating Transitions. Ernst & Young - Financial Services Risk Management, 39-40.

Tam, K., 1991. Neural Network Models and the Prediction of Bank Bankruptcy. Omega, 19, 429, 445.

Thomson, J. B., 1991. Predicting Bank Failures in the 1980s. Economic Review, Federal Reserve Bank of Cleveland, 9-20.

Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А., 2003. Модели вероятности дефолта российских банков I. Предварительное разбиение банков на кластеры.Препринт WP/2003/039. М.: Российская экономическая школа, 2004

Головань С.В., Евдокимов М.А., Карминский А.М., Пересецкий А.А., 2004 Модели вероятности дефолта российских банков II. Влияние макроэкономических факторов на устойчивость банков. Препринт WP/2004/043. М.: Российская экономическая школа, 2004

Карминский А.М., Костров А.В., Мурзенков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов. Препринт WP7/2012/04. М.: Изд. дом Высшей школы экономики, 2012.

Пересецкий А.А. (2010) Модели причин отзыва лицензий российских банков. Препринт WP/2010/085. М.: Российская экономическая школа, 2010.

Помазанов М.В. (2010) Продвинутый подход к управлению кредитными рисками в банке: методология, практика, рекомендации. М.: ИД «Регламент Медиа», 2010. 49 с.

Размещено на Allbest.ru