Стресс-тестирование кредитного риска системно-значимых банков России

Для построения модели стресс-тестирования кредитного риска остальных системно-значимых банков необходимо проделать аналогичные процедуры анализа. Поскольку макроэкономические показатели ранее мы уже проверили на стационарность, то необходимо проверить на стационарность долю просроченной задолженности и темп роста кредитного портфеля по каждому отдельному банку. В таблице 17 представлены результаты тестов на стационарность временных рядов.

Таблица 17 - Проверка временных рядов на стационарность

По результатам проведенных тестов на стационарность можно сделать вывод, что показатель темп роста кредитного портфеля является стационарным в каждом банке, а вот показатель доля просроченной задолженности является стационарным только в таких банках, как ПАО «ВТБ», АО «Альфа-банк» и ПАО «Сбербанк». В оставшихся банках показатель NPL является нестационарным, соответственно при построении модели будет использоваться в первых разностях.

Проведя тест Гренджера для остальных системно-значимых банков, аналогично тому, как это было сделано для банка АО «ЮниКредит банк» мы еще раз убедились в том, что все показатели модели оказывают влияние на зависимую переменную, соответственно, каждый из них будет включен в модель.

В таблице 18 представлен тест на оптимальную лаговую структуру для каждого из банков.

Таблица 18 - Оптимальная лаговая структура

Согласно критериям Шварца и Hannan-Quinn оптимальным для ПАО «Газпромбанк» является 1 лаг, по критериям Лагранжа и FPE2 лаг является оптимальным. Критерий Акайке указывает на 4 лаг. На основании проведенного ранее GrangerCausalityTest1 лаг является оптимальным для большинства переменных, поэтому построим VARмодель на основе 1 лага.

Как мы можем заметить, аналогично ПАО «Газпромбанк» для ПАО «ВТБ» разные критерии указывают на разные лаги, поэтому будем ориентироваться на тест Грэнджера. Согласно ему, оптимальным является 2 лаг.

Для АО «Альфа-банк» согласно критериям Акайке и Лагранжа оптимальным является 4 лаг, а по критериям Шварца и HQ1 лаг, критерийFPEуказывает на 2 лаг. На основе результатов теста Грэнджера выяснили, что оптимальным является 4 лаг.

Для ПАО «Сбербанк» согласно проведенному LagLengthCriteriaтесту оптимальным для ПАО «Сбербанк» является 2 лаг, это же подтверждается проведенным ранее тестомГрэнджера.

ДляПАО «Московский Кредитный Банк» по критериям Шварца и HQоптимальным является 1 лаг, это же подтверждается тестом Грэнджера на причинно-следственную связь.

ДляПАО Банк «ФК Открытие» оптимальным лагом является 4 лаг.

Для ПАО «Росбанк» оптимальным лагом согласно критериям Шварца и HQявляется 1 лаг, согласно критериям FPEи Лагранжа 2 лаг, а согласно критерию Акайке 4 лаг. Полагаясь на результаты теста Грэнджера выберем в качестве оптимального 1 лаг.

Для ПАО «Промсвязьбанк» согласно 4 критериям: Лагранжа, FPE, Акайке и HQ является 4 лаг.

Для АО «Райффайзен банк» по результатам LagLength Criteria оптимальным лагом по критериям Шварца и HQ является 1 лаг, по критериям Лагранжа и FPE 2 лаг и по критерию Акайке 4 лаг. Тест Грэнджера показал, что для большинства показателей оптимальным является 1 лаг.

Оптимальным лагом для АО «Россельхозбанк» согласно критериям Лагранжа, FPE и HQявляется 2 лаг.

Теперь построим VARмодель для каждого банка. В приложениях 3-12 представлены результаты построенных моделей. во всех моделях больше 88%, что говорит об их высокой объясняющей способности, но это нам предстоит подтвердить посредством проведения нескольких тестов.

Проведем LagExclusionTest, чтобы убедиться в том, что все показатели в каждой модели являются совместно-значимыми, то есть должны быть включены в модель в выбранном лаге. В приложениях 13-22 представлены результаты проведенного теста для каждого банка. Тест на исключение лагов доказал, что оптимальные лаги были подобраны верно, поскольку показатель P-value показателя Joint< 5%.

После построения модели мы провели тест на автокорреляцию для каждого банка. На 5% уровне значимости мы можем принять нулевую гипотезу об отсутствии автокорреляции.

Как было замечено ранее, коэффициенты VAR модели невозможно интерпретировать, поэтому проведем Variance Decomposition Test, чтобы подтвердить, что наиболее значимое влияние на долю просроченной задолженности оказывают такие показатели, как цена на нефть, валютный курс, темп роста ВВП и инфляция.

По итогам проведенного теста (таблица 19) нам удалось еще раз выявить, что доля просроченной задолженности на 26-35% объясняется ценой на нефть (указан диапазон значений, в который попадают значения по каждому банку), на 17,2 - 28% валютным курсом, на 19,1 - 27,4% темпом роста ВВП и на 6 - 10% инфляцией. Объясняющая доля микроэкономического показателя, такого как темп роста кредитного портфеля является низкой, что говорит о том, что наиболее значимое влияние на изменение процента просроченной задолженности в кредитном портфеле оказывают макроэкономические показатели, но при этом мы исключаем из значимого влияния безработицу и ключевую ставку, потому что посредством теста нам не удалось подтвердить ее влияние.

Таблица 19 - Variance Decompositionof NPL

На основе полученных результатов VAR моделей для каждого системно-значимого банка проведем стресс-тестирование кредитного риска на основе ранее построенных стрессовых сценариев. (Таблица 14).

В таблицах 20-29 представлены результаты прогноза просроченной задолженности для каждого банка.

Таблица 20 - Прогноз доли просроченной задолженности банка АО «Газпромбанк» на 2019 год по трем сценариям

Согласно полученным результатам, доля просроченной задолженности АО «Газпромбанк» к концу 2019 года по пессимистическому сценарию составит 1,32%, а в случае реализации оптимистического сценария - 0,67%, при этом в течение года уровень неработающих кредитов будет незначительно колебаться, а относительно начала года и вовсе снизится.

Таблица 21 - Прогноз доли просроченной задолженности банка ПАО «ВТБ» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО «ВТБ» к концу 2019 года по пессимистическому сценарию составит 3,01%, а в случае реализации оптимистического сценария - 2,32%, сравнивая прогнозные значения с началом года - уровень просроченной задолженности вырастет к концу 2019 года минимум на 0,33%.

Таблица 22 - Прогноз доли просроченной задолженности банка АО «Альфа-банк» на 2019 год по трем сценариям

Доля просроченной задолженности АО «Альфа-банк» к концу 2019 года по пессимистическому сценарию составит 6,79%, а в случае реализации оптимистического сценария - 6,34%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года снизится по всем трем сценариям, минимальное снижение 0,03%.

Таблица 23 - Прогноз доли просроченной задолженности банка ПАО «Сбербанк» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО «Сбербанк» к концу 2019 года по пессимистическому сценарию составит 1,37%, а в случае реализации оптимистического сценария - 0,78%.

Таблица 24 - Прогноз доли просроченной задолженности банка ПАО «Московский Кредитный Банк» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО «Московский Кредитный Банк» к концу 2019 года по пессимистическому сценарию составит 7,15%, а в случае реализации оптимистического сценария - 5,74%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года вырастет по всем трем сценариям.

Таблица 25 - Прогноз доли просроченной задолженности банка ПАО банк ФК «Открытие» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО Банк «ФК Открытие» к концу 2019 года по пессимистическому сценарию составит 1,57%, а в случае реализации оптимистического сценария - 0,94%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года снизится в случае реализации оптимистического или базового сценария.

Таблица 26 - Прогноз доли просроченной задолженности банка ПАО «Росбанк» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО «Росбанк» к концу 2019 года по пессимистическому сценарию составит 9,36%, а в случае реализации оптимистического сценария - 7,72%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года вырастет по всем трем сценариям.

Таблица 27 - Прогноз доли просроченной задолженности банка ПАО «Промсвязьбанк» на 2019 год по трем сценариям

Доля просроченной задолженности ПАО «Промсвязьбанк» к концу 2019 года по пессимистическому сценарию составит 3,62%, а в случае реализации оптимистического сценария - 3,51%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года вырастет по всем трем сценариям.

Таблица 28 - Прогноз доли просроченной задолженности банка АО «Райффайзен банк» на 2019 год по трем сценариям

Доля просроченной задолженности АО «Райффайзен банк» к концу 2019 года по пессимистическому сценарию составит 4,14%, а в случае реализации оптимистического сценария - 3,21%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года вырастет по всем трем сценариям.

Таблица 29 - Прогноз доли просроченной задолженности банка АО «Россельхоз банк» на 2019 год по трем сценариям

Доля просроченной задолженности АО «Россельхозбанк» к концу 2019 года по пессимистическому сценарию составит 11,56%, а в случае реализации оптимистического сценария - 10,38%. Относительно начала 2019 года уровень просроченной задолженности к концу 2019 года вырастет по всем трем сценариям минимум на 1,92%.

Для того чтобы оценить прогнозную силу моделей, проведем back-test, то есть построим прогноз доли просроченной задолженности, зная ее фактическое значение. В таблицах30-39представлены результаты теста для каждого банка.

Таблица 30 - Оценка прогнозной силы модели для АО «Газпромбанк»

Таблица 31 - Оценка прогнозной силы модели для ПАО «ВТБ»

Таблица 32 - Оценка прогнозной силы модели для АО «Альфа-банк»

Таблица 33 - Оценка прогнозной силы модели для ПАО «Сбербанк»

Таблица 34 - Оценка прогнозной силы модели для ПАО «Московский Кредитный Банк»

Таблица 35 - Оценка прогнозной силы модели для ПАО банк ФК «Открытие»

Таблица 36 - Оценка прогнозной силы модели для ПАО «Росбанк»

Таблица 37 - Оценка прогнозной силы модели для ПАО «Промсвязьбанк»

Таблица 38 - Оценка прогнозной силы модели для АО «Райффайзен банк»

Таблица 39 - Оценка прогнозной силы модели для АО «Россельхоз банк»

По результатам проведенного back-test мы видим, что ошибка прогноза моделей достаточно низкая, что говорит об их высокой прогнозной силе и возможности использования для построения дальнейших прогнозов.

Таким образом, проведя стресс-тестирование системно-значимых банков мы выяснили, что у большинства банков, в случае реализации любого стрессового сценария произойдет рост просроченной задолженности к концу 2019 года, что в свою очередь скажется на возрастании кредитного риска всей банковской системы. После проведения Variance Decomposition Test и построения графиков функций импульсного отклика нам удалось выяснить, что такие макроэкономические показатели, как цена на нефть, валютный курс, инфляция и темп роста ВВП имеют ключевое влияние на изменение доли «плохих» долгов в кредитном портфеле каждого банка. Более того, в рамках исследования мы выяснили, что темп роста кредитного портфеля не оказывает высокого влияние на зависимую переменную - долю просроченной задолженности.

Заключение