Стресс-тестирование кредитного риска системно-значимых банков России
Стресс-тестирование: понятие финансовых рисков, классификация, международная практика. Зарубежные подходы к проведению стресс-тестирования. VAR-модель и построение стрессовых сценариев. Функции импульсного отклика. Прогнозные сценарии на 2019 год.
| Рубрика | Финансы, деньги и налоги |
| Вид | магистерская работа |
| Язык | русский |
| Дата добавления | 01.12.2019 |
| Размер файла | 217,8 K |
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/
[Введите текст]
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ
«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»
Факультет экономики
Власова Маргарита Александровна
Магистерская диссертация
Тема «Стресс-тестирование кредитного рискасистемно-значимых банков России»
по направлению подготовки 38.04.08 Финансы и кредит образовательная программа «Финансы»
Научный руководитель: к.э.н., доктор PhD, заведующая кафедрой банковского дела С. Ю. Хасянова
Нижний Новгород, 2019
Содержание
Введение
Глава 1. Стресс-тестирование: теория и практика применения
1.1 Понятие стресс-тестирования финансовых рисков
1.2 Классификация и виды стресс-тестирования
1.3 Международная практика использования стресс-тестирования
Глава 2. Стресс-тестирование: методологические основы
2.1 Методология ЦБ РФ к проведению стресс-тестирования
2.2 Зарубежные подходы к проведению стресс-тестирования
Глава 3.Стресс - тестирование кредитного риска системно-значимых банков России: регрессионный анализ
3.1 VAR-модель и построение стрессовых сценариев
3.2 Стресс-тестирование кредитного риска системно-значимых банков России
Заключение
Список литературы
Приложения
Введение
Экономический и финансовый кризис в 2008 и 2009 годах серьезно подорвал безопасность и устойчивость крупных банков в США и Европе. Во время кризиса представители регулирующих органов признали, что безопасность и надежность отдельных финансовых учреждений не были достаточными для обеспечения стабильности финансовой системы в целом. Изменения в финансовом надзоре были необходимы для контроля системного риска и предотвращения распространения финансовых кризисов на реальную экономику. В ответ на этот пробел в надзоре регулирующие органы в Европе и США провели стресс-тесты крупных коммерческих банков.
После глобального финансового кризиса внешнее внимание к результатам гипотетических сценариев возросло в геометрической прогрессии благодаря введению регулирующих стресс-тестов.
Стресс-тестирование представляет собой важный инструмент для оценки устойчивости банковского сектора в отношении возможных шоков как в кредитном портфеле, так и с ликвидностью, которые могут возникнуть в результате неблагоприятного экономического развития и изменения рыночных условий. Темп экономического роста России тесно связан с темпами роста мировой экономики. Нестабильное положение мирового финансового рынка зеркально отражается на финансовом рынке нашей страны. В свою очередь это сказывается на качестве кредитного портфеля, определяемого долей «плохих» ссуд в нем. Этим объясняется актуальность проводимого исследования.
Несмотря на то, что банки сталкиваются с множественными рисками, кредитный риск, который будет рассматриваться в данном исследовании, имеет наибольший вес.
Научная новизна работы состоит в том, что в работе проводится анализ существующих подходов к проведению стресс-тестирования как в России, так и в зарубежных странах, рассматриваются исследования экспертов, а также разрабатывается собственная модель стресс-тестирования системно-значимых банков, на основе которой прогнозируется доля просроченной задолженности по каждому банку на год вперед.
Цель работы заключается в разработке авторской модели стресс-тестирования кредитного риска на примере системно-значимых банков России.
Для достижения поставленной цели были поставлены следующие задачи:
Рассмотреть теоретические основы стресс-тестирования;
Провести критический анализ методологических подходов к проведению стресс-тестирования;
Выбрать показатели для построения модели стресс-тестирования кредитного риска;
Построить модель стресс-тестирования кредитного риска для каждого системно-значимого банка;
Разработать стрессовые сценарии;
Сделать прогноз уровня просроченной задолженности на основе построенной модели.
Объектом исследования в данной работе выступают системно-значимые банки России. Предметом исследования является оценка влияния макроэкономических и микроэкономических стрессов на уровень кредитного риска коммерческих банков. Гипотеза данного исследования заключается в том, что макроэкономические шоки приводят к нарастанию кредитных рисков в кредитной организации.
Теоретическая и методологическая база исследования основаны на аналитических материалах Банка России, Базельского Комитета по Банковскому Надзору, исследованиях отечественных и зарубежных авторов в вопросе стресс-тестирования.
Магистерская диссертация включает в себя три главы. В первой главе исследования рассмотрено понятие «стресс-тестирование», классификация и виды стресс-тестирования, проанализирован зарубежный опыт проведения стресс-тестирования.
Вторая глава посвящена методологическим основам стресс-тестирования, а именно: анализируется подход Банка России к проведению стресс-тестирования, рассматриваются подходы зарубежных исследователей и модели кредитного риска, поскольку они являются основополагающими элементами процесса стресс-тестирования. Также в рамках второй главы проводится выбор показателей для построения модели стресс-тестирования.
В третьей главе строится авторская модель стресс-тестирования, проводятся эконометрические тесты, разрабатываются стрессовые сценарии и на их основе производится прогноз просроченной задолженности на 2019 год для каждого системно-значимого банка.
Глава 1. Стресс-тестирование: теория и практика применения
1.1 Понятие стресс-тестирования финансовых рисков
Стресс-тестирование строится на основе ранее произошедших событий, существующих знаний и накопленного опыта. При проведении стресс-тестирования выявляются закономерности и прослеживается взаимосвязь с ключевыми показателями конкретного вида деятельности для того, чтобы в дальнейшем снизить уровень риска.
Для банковского сектора стресс-тесты - это действия, проводимые для оценки устойчивости к гипотетическому сценарию отдельного банка или всей банковской системы. Определение понятия «стресс-тестирование» не является единственным в своем роде. Ниже представлены основные определения данного понятия:
Международный валютный фонд описывает стресс-тесты как набор методов, используемых для оценки уязвимости портфеля к серьезным изменениям в макроэкономической среде или к исключительным, но вероятным событиям.МВФ описывает стресс-тесты как количественное упражнение «что если» для оценки устойчивости банков или финансовых систем в целом, если определенные шоки должны были материализоваться.
Стресс-тестирование - это инструменты, используемые финансовыми фирмами для оценки их потенциальной уязвимости перед правдоподобными события и, в частности, в случае банка, это один из ключевых методов для количественной оценки его уязвимости в условиях экономических спадов.
Стресс-тестирование можно охарактеризовать как ряд методов, используемых для оценки уязвимости относительно крупных банков к серьезным изменениям в макроэкономической среде или к исключительным, но вероятным неблагоприятным событиям.
Банк Англии определяет стресс-тест как возможное влияние гипотетического неблагоприятного сценария на состояние как банковской системы, так и отдельных учреждений. Стресс-тестирование предполагает сильное давление на объект или систему, чтобы проверить, насколько они устойчивы к экстремальным условиям.
Банк России дает следующую дефиницию стресс-тестированию: «Стресс-тестирование - это оценка потенциального воздействия на финансовое состояние кредитной организации ряда заданных изменений в факторах риска, которые соответствуют исключительным, но вероятным событиям».
Исходя из приведенных выше определений можно сделать вывод, что стресс-тестирование позволяет оценить последствия от реализации негативного события. Важно заметить, что стресс-тесты не предсказывают вероятность свершения событий, а только прогнозируют объем потерь в случае их реализации.
В рамках данной работы будем придерживаться определения, которое дает Банк России.
Учитывая быстрое развитие стресс-тестирования в последние годы, БКБН провел подробный обзор текущей надзорной и банковской практики в этой области. Признавая возрастающую важность стресс-тестирования в сочетании с широким спектром подходов, принятых контролирующими органами и банками, Комитет решил обновить принципы стресс-тестирования 2009 года. Для банков выделяют следующие рекомендации:
Механизмы стресс-тестирования должны быть разработаны таким образом, чтобы соответствовать четким целям, которые задокументированы и утверждены на уровне совета директоров организации или соответствующего руководящего органа высшего уровня. По результатам стресс-тестирования советом директоров и высшим менеджментом должны вноситься изменения в стратегические решения.
Механизмы стресс-тестирования должны включать в себя эффективную структуру управления, которая является четкой, всеобъемлющей и документированной. В нем должны быть указаны роли и обязанности высшего руководства, надзорных органов и лиц, ответственных за текущую работу системы стресс-тестирования.
Банки должны обеспечить эффективное использование результатов стресс-тестирования и любых других соответствующих результатов в соответствии с целями и внутренними политиками и процедурами системы стресс-тестирования.
Стресс-тестирование должно охватывать существенные и соответствующие риски, как это определено в процессе идентификации риска. Процесс идентификации риска должен включать в себя всестороннюю оценку рисков, которые могут включать риски, связанные как с балансовыми, так и внебалансовыми рисками, уязвимостью в отношении прибыли, операционными рисками и другими факторами, которые могут повлиять на платежеспособность или позицию ликвидности банка (или банки в случае надзорных стресс-тестов).
Банки должны обеспечить наличие эффективных политик и внутреннего контроля для управления системами и процессами, используемыми как в их собственных внутренних стресс-тестах, так и в их участии в контролируемых банками стресс-тестах.
Как банки, так и органы власти должны иметь надежную инфраструктуру данных, способную извлекать, обрабатывать и представлять информацию, используемую в стресс-тестах, для обеспечения того, что информация имела адекватное качество для достижения целей структуры стресс-тестирования.
Банки должны обеспечить наличие адекватных процессов инвентаризации моделей и управления моделями для их деятельности по стресс-тестированию, включая надежную функцию проверки моделей.
Регулярный анализ и проверка являются ключевыми этапами процесса стресс-тестирования как для банков, так и для органов власти.
Методы и результаты стресс-тестирования должны передаваться внутри юрисдикций и за их пределами.
В стресс-тестировании выделяют следующие основные элементы:
Выбор рисков для проведения стресс-тестирования (риск ликвидности, кредитный риск, рыночный риск)
Разработка макроэкономического сценария, который влияет на реализацию рисков (экономический спад, рост безработица и так далее)
Выбор модели для описания влияния рисков на тестируемые параметры. Модель способствует выявлению взаимосвязи между макроэкономическими показателями и рыночными индикаторами.
Анализ результатов. (Например, сравнение итогового показателя достаточности капитала с нормативом, после чего происходит расчет дефицита капитала).
Согласно Cihak, стресс-тестирование как процесс включает в себя:
выявление конкретных уязвимостей или проблемных областей;
построение стрессового сценария;
отображение результатов выбранного сценария в форме, пригодной для анализа бухгалтерского баланса и отчета о прибылях и убытках финансовых институтов;
количественный анализ
оценка эффектов от влияния рисков
Интерпретация результатов.
Отечественные и зарубежные авторы выделяют одни и те же этапы проведения стресс-тестирования. Важно, что после оценки результатов необходимо произвести покрытие негативных последствий в случае осуществления стрессового сценария.
Таким образом, стресс-тестирование является достаточно важным методом для оценки и анализа влияния негативных шоков на отдельный банк или всю финансовую систему в целом. Далее рассмотрим основные подходы, виды стресс-тестирования и на основе каких данных строятся стрессовые сценарии.
1.2 Классификация и виды стресс-тестирования
Стресс-тесты можно разделить на следующие виды:
Микропруденциальные стресс-тесты
В микропруденциальных тестированиях регулирующие органы используют результаты стресс-тестов для оценки стратегий, процессов и устойчивости к риску отдельных учреждений. Здесь регулирующие органы используют результаты в качестве важного вклада в процесс надзора. Они завершают качественную часть надзорной оценки банков, предоставляя обширную детальную информацию о каждом отдельном банке. В этом контексте некоторые официальные органы используют стресс-тесты для анализа и проверки процесса оценки достаточности внутреннего капитала банков, для проверки правильности планирования капитала отдельными банками.
Макропруденциальные стресс-тесты
Макропруденциальные стресс-тесты направлены на оценку устойчивости всей системы к шокам, выходя за рамки простой оценки на уровне банка. В соответствии с этой целью, макропруденциальные стресс-тесты нацелены на то, чтобы отразить поведенческие реакции пострадавших учреждений, а также взаимодействия этих учреждений друг с другом и с другими экономическими агентами.
МВФ делит стресс-тесты на:
Агрегированные стресс-тесты, проводимые центральными банками и/или надзорными органами;
Портфельные стресс-тесты, которые фокусируются на отдельных банках и могут проводиться самими банками или надзорными органами.
Агрегированный стресс-тест может быть определен как мера подверженности риску группы фирм, указанному стресс-сценарию. Агрегированные стресс-тесты отличаются от портфельных стресс-тестов тем, что имеют разные цели. Цель агрегированного стресс-теста состоит в том, чтобы помочь регулирующим органам определить структурные уязвимости и общие риски в финансовой системе, которая может привести к разрушению финансовых рынков. Основное внимание при проведении агрегированных стресс-тестов уделяется потенциальным внешним последствиям и сбоям на рынке, например, когда наблюдается дефицит ликвидности. Напротив, цель портфельного стресс-теста состоит в том, чтобы помочь в процессе управления рисками внутри фирмы и обеспечить оптимальное распределение капитала между рискованными видами деятельности. Стресс-тесты отдельных портфелей пытаются учесть возможные сбои рынка, но только с точки зрения его влияния на стоимость портфеля.
Согласно Международному Валютному Фонду, стресс-тесты начинаются с определения типа рассматриваемых рисков и соответствующих моделей для использования. Стресс-тесты могут фокусироваться на отдельных рисках, таких как кредитный риск или риск изменения процентной ставки, или могут охватывать несколько рисков.
Стресс-тесты:
Однофакторные
Многофакторные
Стресс-тесты могут включать оценку воздействия от изменения одного фактора риска (тест чувствительности) или оценку одновременного изменения в группе факторов риска (сценарный анализ). В этом случае стресс-тесты разделяют на однофакторные и многофакторные. Сценарии могут быть разработаны, чтобы охватить изменения как в отдельных рыночных переменных (таких как цены), так и изменения в базовых отношениях между различными рыночными показателями (например, корреляция и волатильность).
Стресс-тесты:
На основе гипотетических данных
На основе исторических данных
Стресс-тестирование основывается либо на исторических данных, с использованием шоков, которые произошли в прошлом, или может быть основано на гипотетических сценариях, построенных с учетом вероятных изменений в обстоятельствах, которые не имеют исторического прецедента. Создание сценариев с использованием исторических данных является наиболее интуитивным подходом, поскольку события действительно произошли и, следовательно, могут правдоподобно повторяться. При таком подходе модель изменения факторов рыночного риска, наблюдаемая во время различных исторических эпизодов, применяется к портфелю для измерения потенциальных убытков в случае повторения такой ситуации. Недостаток этого подхода заключается в том, что он ориентирован на прошлое и со временем может потерять свою актуальность по мере изменения рынков и институциональных структур.
Преимущество гипотетических сценариев заключается в том, что они позволяют более гибко формулировать потенциальные события, а также стимулируют риск-менеджеров быть более дальновидными. Гипотетические сценарии могут быть построены с помощью шокирующих рыночных факторов, волатильности или корреляций. Такой подход помогает определить чувствительность портфеля к различным факторам риска. Гипотетические сценарии также могут использоваться для прогнозирования конкретных событий, к которым портфель может быть наиболее уязвим. Наконец, методы моделирования могут быть применены к конкретному портфелю для поиска сценариев, которые вызвали бы наибольшие потери. Основным недостатком гипотетических сценариев является сложность определения вероятности наступления события, поскольку оно находится за пределами опыта. Сложность определения вероятности события также применимо к историческим сценариям, но исторические сценарии имеют преимущество, поскольку они уже произошли, и, следовательно, некоторая информация об относительной вероятности доступна.
Идеальный стресс-тест должен соответствовать текущему портфелю: он должен включать изменения в соответствующих рыночных ставках, охватывать возможные смены режима и не ликвидность рынка, и учитывать взаимодействие различных рисков, таких как рыночный риск и кредитный риск.
Есть два основных подхода проведения стресс-тестирования:
Подход «снизу - вверх»
Подход «сверху - вниз»
В подходе «снизу - вверх» отдельные банки используют свои внутренние модели. Подход «сверху - вниз» характеризуется созданием единого сценария на макроуровне, который в дальнейшем распространяется на конкретные кредитные организации. Главное преимущество подхода «снизу - вверх» заключается в том, что внутренние модели банков отражают особенности каждого учреждения, соответственно можно лучше понять специфику движущих сил для отдельного банка. В свою очередь основным преимуществом подхода «сверху - вниз» является то, что использование общей модели для разных банков позволяет затем провести сравнение результатов по банкам, чтобы получить представление относительно их уязвимостей к одинаковым шокам. В то же время оба подхода имеют недостатки. Например, в подходе «снизу - вверх» сложно учитывать взаимодействие между банками, в то время как в подходе «сверху - вниз» характеристики банков охватываются менее подробно.
По мнению экспертов Европейского Центрального Банка следует использовать оба подхода в совокупности, чтобы избежать недостатков и получить наиболее объективную оценку финансовой устойчивости как отдельных банков, так и всей банковской системы.
В статье Sorge представлены наиболее распространенные подходы к стресс-тестированию:
Фрагментарный подход
К данному подходу относятся временные ряды и панельные данные, а также структурные модели.
К преимуществам данного подхода можно отнести понятность на интуитивном уровне и низкую вычислительную нагрузку, а также более детальную характеристику стресс-сценария.
К недостаткам относится использование линейных функциональных форм и нестабильность показателей, используемых в модели, в долгосрочной перспективе.
Комплексный подход
К комплексному подходу относятся макро - эконометрическая модель Вильсона (1997 г.) и микро - эконометрическая модель Мертона (1974 г.)
При осуществлении комплексного подхода существует возможность объединения анализа рынка и кредитного риска, также данный подход способствует сдвигу функции плотности распределения в результате макроэкономических шоков и его влиянию на отдельные компоненты риска. Однако данный подход предполагает оценку кредитного риска только в краткосрочном периоде.
1.3 Международная практика использования стресс-тестирования
Первое использование стресс-тестов может быть датировано началом 1990-х годов, когда они в основном проводились отдельными банками для целей внутреннего управления рисками. Функции стресс-тестов значительно изменились с течением времени. Изначально большинство стресс-тестирований были небольшими и использовались для дополнения других статистических инструментов, доступных руководству банка для оценки торговой деятельности банка. Практика использования стресс-тестов для оценки торговых портфелей была формализована в поправке о рыночном риске 1996 года к Базельскому соглашению о капитале. Кроме того, в 2004 году в рамках Базель II банкам было предложено применить жесткие сценарии по внутреннему стресс-тестированию как в капитале первого уровня, так и в капитале второго уровня. Однако Базель II не был реализован повсеместно, и было установлено, что большинство моделей внутреннего стресс-тестирования по-прежнему сохраняются. Более того, стресс-тесты обычно проводились только для отдельных учреждений. Тем не менее, уже в начале 2000-х годов власти начали рассматривать возможность общесистемных стресс-тестов и анализировать сложность агрегирования результатов на уровне банков на основе различных методологий и сценариев.
Стресс-тестирование чаще используется властями по всему миру, но по-разному. В некоторых юрисдикциях акцент делается на результаты стресс-тестирования отдельных банков. Например, В США ФРС оценивает планы крупных банков по распределению капитала и утверждает эти планы только для учреждений, которые демонстрируют достаточную финансовую устойчивость в условиях стрессовых сценариев. В Европе власти использовали стресс-тесты чтобы оценить устойчивость отдельных европейских банков и оценить их потребность в докапитализации под действием стрессовых сценариев. Прежде чем принять на себя надзорную роль в ноябре 2014 года, Европейский центральный банк (ЕЦБ) провел и опубликовал стресс-тест как часть комплексной оценки с целью восстановления доверия инвесторов к Европейскому банковскому сектору. В других юрисдикциях, например, в Швеции и Норвегии, власти используют стресс-тесты, чтобы лучше понять, как на банковский сектор повлияют неблагоприятные макроэкономические изменения. В Канаде стресс-тестирование является частью набора инструментов, используемых для оценки рисков для отдельных банков и для банковского сектора в целом.
Экономический и финансовый кризис 2008 и 2009 годов нанес серьезный ущерб безопасности и устойчивости крупных банков в США и Европе. Во время кризиса представители регулирующих органов признали, что безопасности и надежности отдельных финансовых учреждений недостаточно для обеспечения стабильности финансовой системы в целом. В ответ на этот пробел в надзоре Агентства в Европе и США провели стресс-тесты крупных коммерческих банков. В 2009 году Федеральная Резервная Система США внедрила SecurityCapitalAssessmentProgram(SCAP), чтобы определить финансовые учреждения, которые имеют достаточно капитала, чтобы выдержать серьезные экономические и финансовые потрясения. В данную программу входило два сценария: базовый и неблагоприятный. Неблагоприятный сценарий реализовывался в случае падения ВВП в течение двух лет на фоне роста безработицы в условиях кризиса 2008 года применительно к торговым портфелям. Программа SCAPбыла успешно применена и в дальнейшем была разделена на две программы:
Dodd-FrankActStressTesting (DFAST) - стресс-тестирование с применением закона Додда-Френка. В рамках данного направления разрабатывается три сценария: базовый, неблагоприятный и сильно неблагоприятный. В рамках данной программы происходит тестирование капитала крупнейших банков из группы SCAP.
Comprehensive Capital Analysisand Review (CCAR) - вторая программа, в рамках которой рассматривается планирование капитала и специфические характеристики стратегии риск-менеджмента внутри банка.
Программы CCARи DFASTработают независимо друг от друга.
В европейском союзе (ЕС) стресс-тесты крупных банков проводились с той же целью Европейской службой банковского надзора. Каждый год EuropeanBankAuthority(EBA) в сотрудничестве с Европейским советом по системным рискам (ESRB), проводит стресс-тесты в масштабах ЕС, чтобы оценить устойчивость банков к макроэкономическим рискам. По итогу EBA публикует два сценария стресс-тестирования в масштабах ЕC: базовый и неблагоприятный. Макроэкономический сценарий состоит из гипотетического набора экономических и финансовых переменных на горизонте трех лет, в том числе меры экономической активности, цены, изменения в капитале и процентные ставки. Неблагоприятный сценарий предназначен для учета основных системных рисков.
США для проведения стресс-тестирования использует подход «сверху-вниз», который оценивает влияние макроэкономических шоков на финансовое состояние отдельных банков.Напротив, стресс-тесты Европейского Союза (ЕС) основаны на подходе «снизу-вверх», который оценивает влияние внешних потрясений на внутрибанковские показатели, такие как кредитный риск кредитного портфеля.
В таблице 1 представлено краткое изложение различий между стресс-тестами США и ЕС.
Таблица 1
|
Сценарии |
Подход к стресс-тестированию |
Вид стресс-тестирования |
||
|
Федеральная Резервная Система |
Три макроэкономических сценария: 1) исходный уровень, 2) неблагоприятный сценарий; 3) сильно неблагоприятный сценарий. |
«top-down» подход |
Сценарный анализ |
|
|
Европейская служба банковского надзора |
Два макроэкономических сценария: 1) исходный уровень; 2) неблагоприятный сценарий. |
«bottom-up» подход |
Сценарный анализ |
Глава 2. Стресс-тестирование: методологические основы
2.1 Методология ЦБ РФ к проведению стресс-тестирования
Банк России, начиная с 2003 года ежегодно проводит стресс-тестирование банковской системы, а с 2004 года результаты стресс-тестов публикуются в Отчете о развитии банковского сектора и банковского надзора.
Банк России изначально проводил стресс-тестирование на микроуровне, оценивалось влияние кредитного риска, риска ликвидности и рыночного на капитализацию 200 крупнейших банков по уровню активов. Банк России выделял два сценария: базовый и пессимистический. Стрессовый сценарий подразумевал медленный экономический рост или его отсутствие.
В 2007 году ЦБ РФ начал проводить стресс-тестирование в отношении всех банков в банковской системе РФ. Спустя два года в сценариях стресс-тестирования произошли изменения: вместо базового и пессимистического сценария появился экстремальный сценарий.
ЦБ РФ проводит стресс-тестирование на основе сценарного анализа. Тест на чувствительность также проводится по отношению к риску ликвидности и риску концентрации кредитования.
В 2011 году Банк России разработал макроэкономическую модель, в которой произошла отмена базового сценария, что было связано с мировым финансовым кризисом, который показал, что микропруденциальный подход является неэффективным.
В качестве подхода к стресс-тестированию Банк России использует «top-down» подход с применением единых факторов шока, которые тестируются на балансе отдельного действующего банка, затем происходит агрегирование потенциальных потерь для определения потерь всей банковской системы.
При проведении стресс-тестов оцениваются потенциальные потери от кредитного риска, риска ликвидности и рыночного риска. В качестве макроэкономических переменных, влияющих на возникновение риска используют: ВВП, курс рубля к иностранным валютам, цену на нефть, инфляцию, реальные располагаемые доходы населения, инвестиции в основной капитал. В качестве банковских показателей используются вклады физических лиц, депозиты юридических лиц, объем средств на счетах компаний, стоимость ценных бумаг, кредиты, выданные физическим и юридическим лицам и изменение доли «плохих» ссуд в этих кредитах.
Учитывая влияние макроэкономических показателей на основные банковские показатели по каждой кредитной организации, происходит расчет на базе имитационной балансовой модели, которая отражает потенциальное поведение банка при реализации стрессовых условий и формирует оценку финансового результата.
Период для оценки рисков - один год. Далее рассчитываются потери по кредитному риску, риску ликвидности и рыночному.
Кроме макропруденциального стресс-тестирования проводится оценка риска заражения на МБК («эффект домино») на горизонте одного года. «Эффект домино» заключается в том, что в результате проведения базового стресс-тестирования идентифицируются потенциальные банки-банкроты, далее происходит поиск кредиторов данных банков среди остальных кредитных организаций и осуществляется перерасчет капитала и уровня ликвидности данных банков-кредиторов в случае, если банки-заемщики не исполнили свои договорные обязательства. В случае если банк-кредитор не проходит стресс-тестирование, то происходит анализ его кредиторов и процесс повторяется до тех пор, пока не останется ни одного банка с плохой кредитной историей.
По состоянию на 01.01.2018 макроэкономический сценарий стресс-теста предполагал снижение на годовом горизонте цен на нефть до 25 долларов США за баррель и падение ВВП на 3,9%, а также обесценение рубля на годовом горизонте на 39%.
В таблице 2 отражены изменения сценарных параметров на горизонте 1 года.
Таблица 2
|
Наименование показателя |
Стрессовый сценарий |
|
|
Цена на нефть, долл США/барр |
25 |
|
|
Темп прироста ВВП, % |
-3,9 |
|
|
ИПЦ, % |
7,8 |
|
|
Темп прироста валового накопления основного капитала, % |
-8,9 |
В случае реализации шоков достаточность базового капитала снизится с 8,2 до 5,2%; основного капитала - с 8,5 до 5,5%; совокупного капитала - с 12,1 до 8,7%. При этом наибольшая часть потерь в результате стресс-теста связана с кредитным риском - 61,6%. Средняя доля плохих ссуд в ссудном портфеле в течение года в случае реализации негативных шоков может увеличиться с 11,4 до 15,6%.
Среди отечественных авторов можно выделить некоторые работы по вопросу стресс-тестирования кредитного риска.
В статье «Оценка системных эффектов от ужесточения пруденциального регулирования банковского сектора: результаты стресс - теста» авторы проводят оценку эффективности принимаемых мер Банком России при «перегреве» кредитного рынка в 2011 - 2012 гг. Для проведения стресс-тестирования авторы построили линейную эконометрическую модель, которая связывала агрегированный по банковскому сектору уровень кредитных рисков и макроэкономические факторы. В качестве зависимой переменной была использована доля необслуживаемых кредитов в совокупном кредитном портфеле всей банковской системы. В результате была построена модель панельных данных за период с 1997 - 2009 гг. по 39 странам, которые столкнулись с кризисом «плохих» долгов. В качестве регрессоров использовались такие показатели, как темп прироста реального ВВП, прирост соотношения кредитов к ВВП за три года, ослабление обратного курса национальной валюты к доллару США, фиктивная переменная фиксации номинального курса национальной валюты к доллару США, темп прироста международных резервов, темп прироста международных резервов, ВВП на душу населения в долл. США, реальная ставка по кредитам, оценки индивидуальных страновых эффектов.
По результатам построенной модели авторы оценивают необходимость докапитализации отдельных российских банков в случае реализации негативного сценария.
В статье Карминского А.М и Козлова О.С проводится стресс-тестирование показателей кредитного риска к макроэкономическим шокам. Авторы построили VARмодель на основе данных по 104 банкам корпоративного и 97 банкам розничного сектора за период с 2004 - 2012 гг. и использовали новый показатель:
где Z(PZC) - мера кредитного риска;
LLR - отношение РВПС к выданным кредитам;
PZC - доля просроченной задолженности в кредитном портфеле в каждом сегменте.
В качестве переменных, влияющих на меру кредитного риска, авторы использовали темп роста ВВП, темп роста инвестиций в основной капитал, рост кредитования и темп роста денежного агрегата М0.
Также авторы провели сценарный анализ, где в качестве стресса был выбран кризис 2008 года и оценили влияние шоков всех показателей модели на долю просроченной задолженности в кредитном портфеле.
2.2 Зарубежные подходы к проведению стресс-тестирования
Стресс-тестирование кредитного риска основано на построении модели, которая будет связывать ключевые показатели кредитного риска с макроэкономическими факторами и банковскими показателями.
Существуют основные модели оценки кредитного риска:
модель Credit Metrics
Moody's KMV Portfolio Manager
модельCreditRisk+
Credit Portfolio View
В каждой из данных моделей понятие «кредитный портфель» понимается по-разному. Если рассматривать модели CreditMetricsи CreditPortfolioView, то под кредитным портфелем в них понимается весь спектр банковских продуктов, которые склонны риску. Напротив, в модели CreditRisk+ под кредитным портфелем понимаются именно кредиты, выданные нефинансовым организациям или физическим лицам.
Каждая из моделей оценки кредитного риска включает в себя разный набор показателей, влияющих на наступление кредитного события. В модели KMVкредитное событие наступает в случае изменения рыночной цены акций, а в модели CreditMetrics- изменение кредитного рейтинга облигаций контрагента.
Основная цель данных моделей заключается в построении функции плотности потерь. Основываясь на статистических данных по частоте дефолтов каждой конкретной компании, для функции плотности потерь рассчитывается величина VAR- ValueatRisk.
Рассмотрим несколько зарубежных исследований на данную тему.
DimitriosP. LouzisandAngelosT. Vouldis (2012) исследовали детерминанты доли просроченных кредитов в банковском секторе Греции. В результате авторы пришли к выводу, что наиболее сильное влияние на рост доли просроченной задолженности оказывают шоки таких макроэкономических показателей, как реальный темп роста ВВП, уровень безработицы, ставки по кредитам и государственный долг.
В статье автора из Великобритании проводится стресс-тестирование конкретных банков с целью определения чувствительности таких показателей как просроченная задолженность, РВПС, рентабельность активов к определенному экономическому циклу. В ходе исследования автор строит модель, в которую входят следующие индивидуальные банковские показатели:
Чистая процентная маржа
Темп прироста кредитов
Отношение операционных расходов к операционным доходам и др.
Среди макроэкономических показателей автор использовал безработицу, темп прироста ВВП, спред ставок по кредитам и депозитам. В результате исследования Quagliariello приходит к выводу, что поведение банков является процикличным.
В своем исследовании Blaschke в качестве факторов, оказывающих влияние на долю просроченной задолженности в кредитном портфеле, использует номинальную процентную ставку, темп роста экономики, инфляцию и изменение торговых условий. Автор выдвигает гипотезу, что качество кредитного портфеля является чувствительным к экономическому циклу. В результате исследования выясняется, что возникновению риска дефолта способствуют такие показатели, как темп прироста ВВП, уровень безработицы, процентные ставки, цены на акции и спреды корпоративных облигаций. Но ключевым показателем оказалась процентная ставка, так как она и есть прямая стоимость заимствования.
Еще один автор в своей статье проводит оценку кредитного риска банков Чехии и Германии. Анализируя качество кредитного портфеля банков Чехии, автор прослеживает зависимость доли просроченной задолженности от валютного курса, уровня инфляции, темпа экономического роста и соотношения кредитов и ВВП. При анализе кредитного портфеля банков Германии автор включает в модель другие макроэкономические показатели: номинальная процентная ставка, промышленное производство, темп прироста ВВП.
Buncicи Melecky в своей статье проводят стресс-тестирование на основе панельных данных, оценивая зависимость между компонентами кредитного риска и макроэкономическими показателями банков Восточной Европы на основе данных 1994 - 2004 гг. К макроэкономическим факторам относится темп реального ВВП, индекс потребительских цен, изменения в номинальном обменном курсе. Авторы разрабатывают три сценария: цикличный сценарий, точка во времени и стрессовый сценарий. По итогам своего анализа авторы рассчитывают значение достаточности капитала в случае реализации стрессовых сценариев.
VARподход используют Hoggarth, Sorensenи Zicchinoдля стресс-тестирования банковского сектора Великобритании с 1993 по 2004 гг. Авторы прослеживают взаимосвязь между списанием кредитов (loanswrite-offs) и макроэкономическими показателями: разрыв ВВП, уровень безработицы и инфляции, реальный обменный курс, номинальная краткосрочная процентная ставка.
При стресс-тестировании банковского сектора Китая Jiang, Wu, Philpи Colemanтакже строят VARмодель. Авторы в работе выясняют как такие макроэкономические показатели, как темп роста ВВП, безработица, инвестиции в основной капитал, процентные ставки и денежная масса влияют на долю просроченных кредитов. Анализ проводился на основе исторических данных за период с 1 кв. 2000 по 3 кв. 2012 гг.
Vazquez, Tabak, Soutoв своей работе строят сразу три модели при проведении стресс-тестирования кредитного риска банковской системы Бразилии: модель временных рядов, модель панельных данных и модель векторной авторегрессии. На основе модели временных рядов строится макроэкономическая модель, где авторы оценивают взаимосвязь между макроэкономическими показателями (ВВП, темп роста кредитования, изменение кривой доходности) и затем строят стрессовые сценарии в перспективе двух лет. Для построения модели авторы используют данные с 1 кв. 2001 по 1 кв. 2009 гг. На основе панельных данных авторы строят микроэкономическую модель для оценки чувствительности просроченных кредитов к росту ВВП, в результате чего происходит моделирование качества кредитного портфеля отдельных банков в случае реализации стрессового сценария. В модели векторной авторегрессии (VAR) авторы используют долю необслуживаемых кредитов как прокси-переменную для оценки вероятности дефолта под воздействием стресса.
На основе выше рассмотренных исследований таких отечественных авторов, как Мамонов М., Данилова Е.О, а также зарубежных авторов -Dimitrios P. Louzis и Angelos T. Vouldis, Quagliariello M. и других, определим какие показатели будем включать в собственную авторскую модель. В качестве показателя, аппроксимирующего кредитный риск, мы будем использовать долю просроченной задолженности в кредитном портфеле. При выборе зависимой переменной мы ориентировались на то, что расчет доли просроченной задолженности будет осуществляться на основе публично доступных отчетностей рассматриваемых банков.
Выберем показатели, которые будут являться регрессорами в модели. Большинство авторов в своих исследованиях включают в модель макроэкономические показатели, но мы в работе будем также использовать один из внутренних банковских показателей - темп роста кредитного портфеля, чтобы определить влияет ли этот показатель на рост доли просроченной задолженности в кредитном портфеле.
Такие показатели, как темп прироста ВВП и уровень безработицы характеризуют экономическую ситуацию в стране. Падение уровня ВВП ведет к снижению платежеспособности заемщиков. В случае экономического роста, напротив, компании и домохозяйства имеют достаточно средств для обслуживания долга. С ростом безработицы снижаются реальные доходы населения, что приводит к ухудшению платежеспособности заемщиков, а, следовательно, и к увеличению доли просроченной задолженности в кредитном портфеле.
Еще один показатель, который будет включен в нашу модель - уровень инфляции. Данный показатель оказывает двустороннее влияние на просроченную задолженность. При росте уровня инфляции происходит снижение покупательной способности национальной валюты, что, в итоге, приводит к падению реальных располагаемых доходов населения, а, следовательно, к возрастанию кредитного риска.
Также в модель предлагается включить такой показатель, как ключевая ставка. С увеличением ключевой ставки возрастают ставки межбанковского рынка. В итоге это приводит к повышению ставок по кредитам и депозитам населения, возрастает уровень долговой нагрузки, а в дальнейшем и риск невозврата долгов по кредиту.
Обменный курс национальной валюты (руб./долл.) и цена на нефть - еще одни показатели, которые оказывают свое влияние на долю просроченной задолженности. Цены на энергоресурсы сильно влияют на экономику России, в результате изменения цен на нефть происходит смещение курса национальной валюты. В случае снижения цены на нефть растет инфляция и происходит девальвация рубля. В итоге возрастает кредитный риск.
Как уже упоминалось ранее в модель предлагается включить индивидуальный банковский показатель - темп роста кредитного портфеля. Кредитные организации стремятся разместить средства в надежных активах с высоким уровнем доходности, но в связи с ограниченностью такого класса ссуд, банкам приходится размещать средства в высоко-рискованных активах с целью максимизации доходности кредитного портфеля. В результате данных действий кредитный риск банка возрастает.
Таким образом, при построении модели мы будем использовать показатели, представленные в таблице 3. Также мы отразили ожидаемые знаки, то есть какое влияние показатель оказывает на долю просроченной задолженности.
Таблица 3 - Ожидаемые знаки объясняющих переменных модели
|
Обозначение |
Описание |
Ожидаемый знак |
|
|
GDPgr |
Темп прироста ВВП |
- |
|
|
Un |
Уровень безработицы |
+ |
|
|
Infl |
Уровень инфляции |
+/- |
|
|
KR |
Ключевая процентная ставка |
+ |
|
|
CreditGr |
Темп роста кредитного портфеля |
+ |
|
|
Oil |
Цена на нефть марки Brent |
- |
|
|
ExRate |
Курс валюты, руб/долл |
+ |
В качестве объекта исследования были выбраны системно-значимые банки России, поскольку эти кредитные организации являются крупнейшими банками нашей страны и их устойчивость оказывает влияние на банковскую систему в целом. В следующей главе мы построим собственную модель оценки кредитного риска и построим стрессовые сценарии, на основе которых спрогнозируем долю просроченной задолженности по каждому системно-значимому банку.
Глава 3.Стресс - тестирование кредитного риска системно-значимых банков России: регрессионный анализ
3.1 VAR-модель и построение стрессовых сценариев
Для проведения стресс-тестирования системно-значимых банков мы построим модель зависимости доли просроченной задолженности от регрессоров, описанных в предыдущей главе. Для построения модели используем эконометрический пакет Eviews 8, модель на основе квартальных данных с 2004 по 2018 год, собранных с официальных сайтов рассматриваемых банков, с сайта ЦБ РФ, Госкомстата и finam.ru. На первом этапе построения модели необходимо провести анализ данных.
Построим таблицу с описательной статистикой для каждого показателя (Таблица4). Статистика Jarque-Bera тестирует нулевую гипотезу о том, что распределение нормальное. На 95% уровне значимости каждый из показателей модели имеет нормальное распределение, о чем свидетельствует значение Probability. Для оценки смещенности оценим значение коэффициента Skewness, в случае, когда распределение нормальное, то значение данного коэффициента стремится к нулю, если Skewness> 0, то смещение идет вправо, если < 0, то наоборот, влево. Все рассматриваемые показатели несколько смещены вправо, кроме GDPgr, у которого Skewness< 0, однако все значения данного коэффициента близки к нулю, то есть к нормальному распределению.
Таблица 4 - Описательная статистика
|
NPL |
Oil |
ExRate |
UN |
KR |
Infl |
GDPgr |
CreditGr |
||
|
Mean |
0.03 |
75.45 |
38.63 |
6.33 |
0.09 |
0.69 |
0.03 |
0.08 |
|
|
Median |
0.02 |
69.330 |
30.98 |
5.85 |
0.10 |
0.57 |
0.07 |
0.06 |
|
|
Maximum |
1.01 |
126.73 |
72.75 |
9.10 |
0.17 |
2.43 |
0.15 |
2.93 |
|
|
Minimum |
0,006 |
24.04 |
23.49 |
4.60 |
0.05 |
-0.21 |
-0.21 |
-0.98 |
|
|
Std. Dev. |
0.05 |
26.22 |
15.03 |
1.20 |
0.02 |
0.48 |
0.09 |
0.19 |
|
|
Skewness |
11.89 |
0.24 |
0.96 |
0.59 |
0.23 |
1.23 |
-0.99 |
6.04 |
|
|
Kurtosis |
219.80 |
1.89 |
2.24 |
2.21 |
2.55 |
4.77 |
2.71 |
83.32 |
|
|
Jarque-Bera |
1308232. |
40.16 |
118.13 |
55.81 |
11.43 |
253.33 |
110.08 |
181439.4 |
|
|
Probability |
0 |
0 |
0 |
0 |
0.003 |
0 |
0 |
0 |
|
|
Sum |
21.65711 |
49797.22 |
25499.43 |
4177.80 |
65.86 |
457.05 |
26.26 |
56.04 |
|
|
SumSq. Dev. |
1.68 |
453268.0 |
149050.3 |
951.78 |
0.44 |
154.63 |
6.2 |
24.22 |
|
|
Observations |
660 |
660 |
660 |
660 |
660 |
660 |
660 |
660 |
Построим матрицу корреляции, чтобы определить связь между регрессорами. Между показателями наблюдается сильная взаимосвязь, если коэффициент корреляции = |0,8|. В таблице 5 видно, что все показатели не коррелируют между собой.
Таблица 5 - Матрица корреляции
|
UN |
ExRate |
Oil |
KR |
Infl |
GDPgr |
CreditGr |
||
|
UN |
1 |
-0.57 |
-0.32 |
0.45 |
0.33 |
-0.14 |
0.09 |
|
|
ExRate |
-0.57 |
1 |
-0.39 |
0.024 |
-0.20 |
-0.10 |
-0.20 |
|
|
Oil |
-0.32 |
-0.39 |
1 |
-0.67 |
-0.12 |
0.11 |
0.02 |
|
|
KR |
0.45 |
0.02 |
-0.67 |
1 |
0.43 |
-0.01 |
0.11 |
|
|
Infl |
0.33 |
-0.20 |
-0.12 |
0.43 |
1 |
-0.46 |
0.19 |
|
|
GDPgr |
-0.14 |
-0.10 |
0.11 |
-0.01 |
-0.46 |
1 |
0.02 |
|
|
CreditGr |
0.09 |
-0.20 |
0.02 |
0.11 |
0.19 |
0.021 |
1 |
Статистические данные по экономическим показателям часто демонстрируют регулярные колебания - это явление называется сезонностью. Такие показатели, как уровень безработицы и темп роста ВВП обладает сезонностью, то есть периодическими колебаниями. Используя функциюCensusX-13, необходимо исключить сезонную составляющую из данного показателя. На рис.1 представлен график уровня безработицы в фактическом и в сезонно сглаженном виде. На рис. 2 представлен график сезонно сглаженного темпа роста ВВП.
Рис. 1 - Сезонно сглаженный уровень безработицы
Рис. 2 - Сезонно сглаженный темп роста ВВП
Ранее мы проанализировали работы зарубежных авторов, которые при оценке кредитного риска строят именно VectorAutoregressionModel (VAR). В нашей работе мы будем также использовать VAR-модель, так мы сможем выявить какие именно из рассматриваемых показателей влияют на зависимую переменную и сделать прогноз просроченной задолженности в динамике. Затем построим оптимальную модель, на основе которой мы сможем спрогнозировать уровень просроченной задолженности для каждого из рассматриваемых банков на год вперед.
Для построения тестовой модели возьмем показатели АО «ЮниКредит Банк».
Перед построением модели стоит выяснить, являются ли исследуемые временные ряды стационарными. Это условие является необходимым для построения VAR. Для проверки рядов на стационарность в Eviews существует несколько тестов, мы будем использовать AugmentedDickey-Fuller тест и тест Phillips-Perron. В рамках тестов тестируется нулевая гипотеза о том, что ряд не является стационарным.
В таблице 6 представлены результаты тестов каждого временного ряда на стационарность.
Таблица 6 - Тестирование временных рядов на стационарность
|
Показатель |
ADF Dickey Fuller Test |
PP Test |
|||
|
t-statistic |
Prob |
t-statistic |
Prob |
||
|
NPL |
-1,84 |
0,35 |
-2,17 |
0,49 |
|
|
Oil |
-2,75 |
0,21 |
-2,38 |
0,14 |
|
|
GDPgr |
-4,78 |
0,0002 |
-4,76 |
0,0002 |
|
|
Infl |
-5,6 |
0 |
-5,5 |
0 |
|
|
Un |
-2,98 |
0,14 |
-1,75 |
0,4 |
|
|
CreditGr |
-6,5 |
0 |
-5,45 |
0 |
|
|
ExRate |
-2,28 |
0,43 |
0,018 |
0.95 |
|
|
KR |
-2,38 |
0,15 |
-2,43 |
0,13 |
Исходя из результатов проведенных тестов такие показатели, как GDPgr, Infl, CRgr являются стационарными, остальные ряды являются стационарными в первых разностях, но поскольку в VAR модели все переменные должны быть интегрированы в одном порядке, то все переменные возьмем в первых разностях.
Далее выясним, оказывает ли влияние каждая из переменных на зависимую переменную - уровень просроченной задолженности. Увидеть взаимосвязь мы можем, используя тест Грэнджера на причинно-следственную связь (VARGrangerCausality). В случае, если связь между показателями будет отсутствовать во всех лагах, то данную переменную мы не будем включать в модель. В таблице 7 представлены результаты проведенного теста.
Таблица 7 - GrangerCausalityTest
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
||
|
CreditGr |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
|
|
Oil |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
|
|
Un |
- |
+ |
+ |
+ |
+ |
+ |
+ |
|
|
Infl |
- |
- |
- |
+ |
- |
- |
- |
|
|
GDPgr |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
|
|
ExRate |
+ |
- |
- |
+ |
- |
- |
- |
|
|
KR |
+ |
- |
- |
- |
- |
- |
- |
Как видно из таблицы 7все показатели оказывают влияние на зависимую переменную до 7 лага, поэтому все они будут включены в модель.
После выбора оптимального набора показателей построим UnrestrictedVAR - VAR модель без ограничений. Но сначала определим оптимальную лаговую структуру посредством LagLengthCriteria. В таблице 8 представлена оптимальная лаговая структура для нашей модели. Как видно из таблицы 8 согласно критерию Лагранжа (LR) оптимальным является 2 лаг, согласно критериям Akaike и FPE (FinalPredictionError) оптимальным является 4 лаг и критерии Шварца (SC) и Hannan-Quinn указывают на 1 лаг. Основываясь на результатах GrangerCausalitytest, который мы провели ранее 4 лаг являлся оптимальным для большинства показателей.
Таблица 8 - Определение оптимальной лаговой структуры
|
VAR Lag Order Selection Criteria |
|||||||
|
Endogenous variables: NPL GDPgrCreditGr Oil UN ExRate KR Infl |
|||||||
|
Exogenousvariables: C |
|||||||
|
Date: 03/24/19 Time: 12:22 |
|||||||
|
Sample: 2004Q1 2018Q4 |
|||||||
|
Includedobservations: 55 |
|||||||
|
Lag |
LogL |
LR |
FPE |
AIC |
SC |
HQ |
|
|
0 |
469.1851 |
NA |
7.19e-18 |
-16.77037 |
-16.47839 |
-16.65746 |
|
|
1 |
814.6381 |
577.8488 |
2.64e-22 |
-27.00502 |
-24.37724* |
-25.98884* |
|
|
2 |
888.9746 |
102.7195* |
2.10e-22 |
-27.38090 |
-22.41731 |
-25.46144 |
|
|
3 |
959.9993 |
77.48152 |
2.44e-22 |
-27.63634 |
-20.33695 |
-24.81361 |
|
|
4 |
1054.863 |
75.89067 |
1.98e-22*<... |
Подобные документы
Понятие, виды, классификация и характеристика финансового риска. Основные задачи и принципы управления финансовыми рисками в организации. Оценка и механизм нейтрализации рисков. Подходы к управлению и анализу финансовых рисков на российских предприятиях.
курсовая работа [44,5 K], добавлен 20.12.2010Понятие финансового риска как вероятности возникновения неблагоприятных финансовых последствий в форме потери дохода и капитала. Классификация финансовых рисков и их страхование. Основные виды финансовых рисков. Методы избегания финансового риска.
реферат [35,0 K], добавлен 10.12.2010Понятие риска, его разновидности. Особенности управления риском, методы защиты от финансовых рисков, специфика страхования от них. Главные инструменты статистического метода расчета финансового риска. Модель оценки доходности финансовых активов.
реферат [43,7 K], добавлен 16.03.2011Понятие риска, виды рисков. Система рисков. Классификация финансовых рисков. Способы оценки степени риска. Сущность и содержание риск-менеджмента. Организация риск-менеджмента. Методы управления финансовым риском. Способы снижения финриска.
контрольная работа [39,3 K], добавлен 18.03.2007Сущность риска предпринимательской деятельности, особенности коммерческих, финансовых и производственных рисков. Изменение рыночной конъюнктуры и усиление конкуренции как факторы финансовых рисков. Риск возникновения непредвиденных расходов производства.
курсовая работа [930,3 K], добавлен 12.05.2019Понятие риска, виды рисков. Система, классификация финансовых рисков. Способы оценки степени риска. Сущность и содержание риск-менеджмента. Структура системы управления рисками. Методы управления финансовым риском. Способы снижения риска.
курсовая работа [39,5 K], добавлен 04.06.2002Понятие и основные виды рисков. Классификация и показатели оценки финансовых рисков. Приемы, применяемые для снижения риска. Анализ ликвидности баланса, платежеспособности, показателей деловой активности на примере ОАО "Псковского Кабельного Завода".
курсовая работа [179,8 K], добавлен 28.05.2014Валютные риски: классификация и измерение. Классификация валютных рисков. Измерение валютных рисков. Оценка странового риска. Оценка странового риска в России спрэдовым методом. Подход к оценке и прогнозированию странового риска в России.
реферат [35,1 K], добавлен 30.10.2002Понятие и классификация финансовых рисков. Производные финансовых инструментов. Характеристика и виды деривативов. Развитие рынка деривативов в Республике Беларусь. Использование финансовых дepивативoв на практике. Методы снижения финансового риска.
курсовая работа [647,9 K], добавлен 11.12.2013Финансовые пузыри, методы тестирования их наличия в ценах акций. Теория финансовых пузырей. Ранние тесты на их выявление, на переключения режимов, на взрывной рост, на строгий локальный мартингал. Исследования Российского рынка акций на наличие пузырей.
курсовая работа [221,0 K], добавлен 30.09.2016Экономическая сущность и виды финансовых рисков организации. Характеристика показателей оценки риска, методы управления им. Страхование и механизмы нейтрализации финансовых рисков организации. Подходы к управлению рисками на российских предприятиях.
курсовая работа [232,1 K], добавлен 04.04.2015Определение, содержание и классификация коммерческого риска. Способы и методы оценки степени риска. Сущность и содержание риск-менеджмента, его возможности по защите от разных видов финансовых рисков. Подходы к прогнозированию банкротства предприятия.
курсовая работа [66,4 K], добавлен 09.03.2016Порядок возбуждения дела о банкротстве, его объективные и субъективные причины. Процедуры банкротства по действующему законодательству, их эффективность. Методики оценки риска банкротства: Z-модель Альтмана, 5-факторная модель У. Бивера, модель Таффлера.
контрольная работа [187,4 K], добавлен 11.12.2014Понятие, виды, классификация и особенности финансовых рисков. Алгоритм и основные методы управления финансовыми рисками. Содержание, структура, функции и этапы организации риск-менеджмента. Анализ финансовых рисков на примере предприятия ООО "Вавилон".
курсовая работа [106,4 K], добавлен 28.03.2016Сущность финансовых рисков, подходы к их классификации. Факторы, влияющие на уровень финансовых рисков. Моменты, характерные для рисковой ситуации. Политика и главные методы управления финансовыми рисками. Основные способы снижения финансовых рисков.
реферат [205,4 K], добавлен 25.10.2014Финансовые риски и их классификация. Хеджирование финансовых рисков как метод их снижения. Финансовые операции Банка. Характеристика деятельности и особенности страхования финансовых рисков коммерческой организации на примере КБ Ренессанс Кредит (ООО).
курсовая работа [102,9 K], добавлен 29.06.2015Сущность финансового риска. Зависимость прибыли от оценки риска. Главные признаки рисков финансовых институтов. Зависимость риска и информации. Финансовый риск в деятельности российских и зарубежных компаний и управление ими в современных условиях.
курсовая работа [47,3 K], добавлен 06.04.2011Определение риска. Функции предпринимательского риска. Классификация предпринимательских рисков. Политический риск. Технический риск. Призводственный риск. Коммерческий риск. Финансовый риск. Отраслевой риск. Иннвационный риск.
курсовая работа [34,3 K], добавлен 26.05.2006Классификация финансовых рисков. Финансовые риски как объект управления. Методы анализа и оценки финансовых рисков. Анализ финансовых рисков ООО "Техносервис". Выявление и расчет рисков. Рекомендации по повышению эффективности управления рисками.
дипломная работа [326,5 K], добавлен 21.10.2010Современное влияние финансовых рисков на эффективность инвестиционного проекта. Законодательные основы проектной инвестиционной деятельности. Классификация финансовых рисков. Совершенствование системы экономического обоснования инвестиционных проектов.
дипломная работа [950,8 K], добавлен 23.02.2010
