Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Статистические методы в системе оценки финансовых рисков



Введение

финансовый риск кредитоспособность заемщик

Сфера банковского бизнеса обладает высокой степенью динамичности в связи с неустойчивыми предпочтениями клиентов и особенностями рыночной экономики. Все это порождает возникновение различных рисков, влияющих на финансовую устойчивость и функциональность банковской организации. Одним из основных видов рисков являются финансовые, которые возникают в связи с несостоятельностью клиента. Любая банковская организация стремится уменьшить риски, связанные с невозвратом выданных кредитных средств заемщику. В последнее время банки все чаще начинают использовать методы статистического моделирования для улучшения качества оценки и управления за рисками, которые непосредственно влияют на финансовое положение кредитной организации. Улучшение качества измерения и управления за финансовыми рисками способствует эффективному распределению капитала. На настоящий момент ПАО «Сбербанк» использует методы статистического моделирования с применением возможностей искусственного интеллекта в принятии 98% решений о кредитовании физических лиц, а в решениях по кредитованию юридических лиц только в 30% случаев (Греф Г., 2018). Поэтому, на сегодняшний день банковскому сектору необходимо увеличивать использование модифицированных статистических моделей при кредитовании клиентов крупного и среднего бизнеса для уменьшения финансовых рисков и получения определенных экономических выгод.

Объект исследования - публичное акционерное общество «Сбербанк России» (далее ПАО Сбербанк, Банк).

Предмет исследования - система оценки финансовых рисков.

Настоящая работа будет являться актуальной ввиду возникновения частых дефолтов заемщиков, связанных с недооценкой финансовых рисков со стороны банка. В связи с чем банковские организации несут большие потери по причине невозврата денежных средств заемщиками. Применение статистических моделей сможет сделать систему оценки финансовых рисков более совершенной и качественной, а распределение капитала банка более эффективным.

Целью данной работы является применение статистических методов для оценки вероятности дефолта заемщиков крупного и среднего бизнеса.

На основе цели следует выделить следующие задачи:

1) рассмотреть теоретические подходы по оценке финансовых рисков;

2) изучить основные статистические модели прогнозного качества;

3) проанализировать текущую ситуацию по управлению за рисками в Сбербанке;

4) построить модель логистической регрессии и модель искусственной нейронной сети для оценки кредитоспособности заемщика.

По структуре выпускная квалификационная работа включает в себя теоретическую и практическую части. В теорию включены темы, рассматривающие финансовые риски в банковской сфере, а также изучены основные понятия финансовых коэффициентов и приведены методы оценки кредитоспособности компании. В практической части смоделирована на основе логистической регрессии и нейронной сети вероятность дефолта заемщика в системе финансовых рисков и выбрана по итогу лучшая из моделей.

Объем исследовательской работы составляет 53 страницы (не включая Список использованных источников и Приложение). Общий объем составил 67 страниц. В настоящей выпускной квалификационной работе использовано 32 источника литературы, из них 12 источников на иностранном языке.



1. Теоретические аспекты применения статистических методов для оценки финансовых рисков

1.1 Сущность понятия финансового риска и его классификация

Сегодня любая финансовая деятельность связана с всевозможными рисками, которые представляют собой неточность финансовых результатов компании в будущем, порождаемую неопределенностью самого будущего (Порошина А., 2013). При этом особую роль риски играют для банковского сектора, ввиду того, что именно банки ежедневно совершают денежные операции на крупные суммы. На данный момент банковские организации сталкиваются с следующими видами рисков (Кутафьева Л., 2013):

· риск заемщика, который включает в себя финансовый, товарный, процентный, валютный, репутационный, маркетинговый, управленческий, регуляторный, отраслевой, страновой и производственный риски, а также риск отсутствия диверсификации, концентрации портфеля, оттока капитала и форс-мажорных ситуаций;

· риск сделки охватывает комплаенс-риск, риск некорректности Cash Flow, неправильного структурирования сделки, отсутствия источника погашения кредита и отсутствия обеспечения, а также правовой риск;

· риск проекта: технологический, экологический, логистический и инфраструктурный риски, а также риск недофинансирования проекта, увеличения стоимости проекта и не достижения заданных параметров проекта;

· риск контракта содержит риск невыполнения обязательств, недофинансирования контракта, увеличения стоимости реализации контракта, неисполнения контракта заемщиком и изменения основных условий контракта (стоимости / графика / условий поставки / оплаты);

· риск инфраструктурных проектов представляет собой риски, связанные со структурированием сделки, условиями реализации проекта;

· риск участника сделки состоит из риски деловой репутации участника сделки, его акционеров / участников и конечных бенефициаров.

Для итоговой оценки кредитоспособности клиентов крупного и среднего бизнеса необходимо учитывать все вышеперечисленные риски для того, чтобы вынести решение о выдаче займа (Буглак Е., 2011).

Проанализировав заемщика со всех сторон, просчитав необходимые коэффициенты и риски, банк начинает сотрудничать с клиентом, предлагая различные кредитные продукты, основываясь на итоговой расчетной информации.

Наибольший акцент банковские организации делают на анализ рисков, связанных с финансовой деятельностью заемщика, так как именно от этого зависит итоговое принятие решения о выдаче кредитных средств. Главный интерес при оценке рисков банки проявляют к корпоративным клиентам в связи с кредитованием крупных сумм денежных средств. В портфеле крупнейших банков России корпоративные заемщики составляют, как правило, около 65,7% от всего объема выданных кредитных средств (Петров Д., Помазанов М., 2008).

Риски, присущие заёмщику связаны непосредственно с финансовой деятельностью компании. Так, чем крупнее банковская организация, тем больше финансовых рисков, связанных с заемщиком, следует анализировать и контролировать. Сущность финансового риска состоит в возможной вероятности потерь финансовых ресурсов при осуществлении банковских операций (Ванькович И., 2016). Банки для определения вероятных потерь в большинстве случаев финансовые риски разделяют на кредитные, рыночные и операционные. Именно данные риски играют важнейшую роль при анализе заемщиков крупного и среднего бизнеса. (Ведяхин А., 2017).

Корпоративный кредитный риск занимает центральное место при оценке рисков. С позиции объема вероятных потерь для банка, кредитных риск является одним из самых значимых для любой банковской организации, ввиду того, что он характерен для большинства активных операций. Суть понятия кредитного риска заключается в риске наступления дефолта контрагента (Ведяхин А., 2017). По требованиям Банка России и рекомендациям Базельского комитета банковская организация самостоятельно разрабатывает детальное определение дефолта для участников кредитного процесса, а также для разработчиков инструментальных моделей, согласовав его с регулятором. Именно на основе данного определения осуществляется оценка кредитного риска на основе моделей PD, LGD и EAD. Модель PD - устанавливает вероятность дефолта, модель EAD - рассчитывает сумму под риском дефолта, модель LGD - определяет потери при дефолте. Применение различных моделей зависит от кредитного портфеля, который включает в себя крупных корпоративных клиентов, банки, государственные учреждения, проектно-финансовые организации, субъекты малого бизнеса и другие. Соответствующая риск-сегментация является обязательным требованием Банка России и рекомендацией Базельского комитета по банковскому надзору. Сегментирование необходимо для точной оценки кредитного риска (Basel II: Revised international capital framework). Так, в ПАО Сбербанк выделено 32 риск-сегмента, которые характеризуются факторами контрагента, факторами сделки, а также факторами отчетности контрагента. Основными положениями риск-сегментации являются детальность классификации, её непротиворечивость и единство, регулярность и консервативность, а также соответствие всем кредитным требованиям и следование за причинами риска (Brian, Darius P, 2018). Таким образом, существуют всевозможные способы оценки кредитного риска в зависимости от риск-сегментации.

Рыночный риск представляет собой снижение прибыли или всевозможные убытки в связи с изменением индикаторов рынка, таких как курс валют, стоимость ценных бумаг и биржевых товаров, процентные ставки. Данному виду риску предрасположено большинство банковских операций. Регулирование рыночного риска банк осуществляет с помощью торговой и банковской книг. К первой относятся банковские операции, связанные с извлечением торгового дохода и хеджированием риска по соответствующим операциям. С помощью банковской книги рассматривается обычная банковская деятельность, такая как выдача кредитных средств заемщикам и привлечение депозитов вкладчиками. Для банковской книги ключевыми являются процентный и валютные риски, первые возникают из-за сроков в привлечении пассивов и создании новых активов, а вторые, соответственно, из-за дисбаланса валютной составляющей активов и пассивов. Регулирование рыночных рисков по банковской книге проходит регулярно, по торговой книге исключительно по инициативе клиента.

Операционный риск во многих источниках называют третьим по значимости банковским риском. При этом, он присущ деятельности любой организации. Из-за операционного риска банки по всему миру несут многомиллионные потери, причем некоторые прекратили свое существование именно вследствие данного риска. Только в регуляторном документе от 2004 года «Международная конвергенция измерения капитала и стандартов капитала: Новые подходы» Базельский комитет по банковскому надзору закрепил понятие операционного риска. Операционный риск - риск возникновения потерь в результате недостатков во внутренних процессах, человеческих ошибок, системных сбоев или воздействия внешних событий. Банк определяет качественные характеристики оценки операционного риска - будет ли риск с соответствующей частотой и тяжестью последствий для него «высоким», «средним» или «низким».

Поскольку сумма потерь может варьироваться от одного рубля до нескольких миллиардов, а частота - от сотен инцидентов в день до одного случая в десятилетие, банку может потребоваться широкий диапазон качественных оценок риска, но чаще всего их выделяют не более десяти. Операционный риск может стать причиной других банковских рисков - в случаях, когда недостатки во внутренних процессах, человеческие ошибки, системные сбои или воздействие внешних событий приводит к возникновению, например, кредитного и рыночного рисков. Базельским комитетом выделены семь категорий рисковых событий, банки придерживаются соответствующей классификации при сборе данных об инцидентах операционного риска: внутреннее мошенничество; ущерб материальным активам; перебои в деятельности и системные сбои; внешнее мошенничество; кадровая политика и безопасность труда; исполнение и оказание услуг и управление процессами; клиенты, продукты и деловая практика (International Convergence of Capital Measurement and Capital Standards - Basel Committee on Banking Supervision, 2004).

Таким образом, финансовый риск в обязательном порядке просчитывается любой банковской организацией для обеспечения возврата денежных средств заемщиком. Для более точной оценки финансового риска, его классифицируют на кредитный, операционный и рыночный риски.

1.2 Показатели финансового состояния заемщика в системе оценки рисков

Анализ финансового состояния является основным направлением деятельности банка при выявлении кредитоспособности заемщика. Только при помощи данного анализа можно раскрыть сильные и слабые стороны клиента, разработать систему по укреплению финансового состояния организации или же согласовать определенные ковенанты при выдаче кредитных средств, чтобы обеспечить их возврат. Способность организации успешно функционировать и развиваться, сохранять устойчивость и платежеспособность, а также удерживать баланс собственных активов и пассивов в условиях современной экономики напрямую свидетельствует о финансовой стабильности организации (Кован С., Кочетков Е., 2009).

Банк при принятии решения о кредитоспособности заемщика исследует динамику абсолютных и относительных финансовых показателей при этом, разделяя их на блоки:

1. Структурный анализ активов и пассивов заемщика;

2. Анализ платежеспособности;

3. Анализ прироста собственного капитала организации;

4. Рентабельность деятельности и деловая активность

5. Анализ финансовой устойчивости клиента.

Финансовая отчетность является главным источником информации при проведении анализа финансового состояния заемщика. Банк требует ежегодного предоставления соответствующей финансовой отчетности для контроля за деятельностью организации, а также для контроля за соблюдением принятых и согласованных с сама заемщиком ковенант (Богданова Т., Алексеева Ю., 2011).

На настоящий момент широко применяемой банком является усовершенствованная многофакторная модель Альтмана для прогнозирования дефолта заемщика, а также для рассмотрения его кредитоспособности. Профессором Эдвардом Альтманом изначально была предложена следующая формула расчетов (Altman, Brady B, Resti, Sironi, 2005):

Z= 1.2* + 1.4* + 3.3* + 0.6* +

Таблица 1. Расчет финансовых коэффициентов

Коэффициент	Формула расчета	Расчет по РСБУ	Расчет по МСФО
	= Оборотный капитал / Активы	(стр. 1200 - стр. 1500)/ стр. 1600	(Working Capital) / Total Assets
	= Нераспределенная прибыль / Активы	стр. 2400/ стр. 1600	Retained Earnings / Total Assets
	= Операционная прибыль / Активы	стр. 2300/ стр. 1600	EBIT / Total Assets
	= Рыночная стоимость акций/ Обязательства	рыночная стоимость акций/ (стр. 1400 + стр. 1500)	Market value of Equity/ Book value of Total Liabilities
	= Выручка / Активы	стр. 2110 /стр. 1600	Sales/Total Assets



Оценка прогноза финансового состояния заемщика по данной модели осуществляется по итоговому значению Z. Все возможные варианты Z представлены в таблице 2.

Таблица 2. Оценка финансового состояния заемщика

Итоговое значение Z	Оценка финансового состояния заемщика
Z>2,9	Зона финансовой устойчивости («зеленая» зона)
1,8<Z<2,9	Зона неопределенности («серая» зона)
Z<1,8	Зона финансового риска («красная» зона)

На основе модифицированной модели Альтмана банк прогнозирует вероятность дефолта корпоративных заёмщиков и определяет их кредитоспособность. Понятие кредитоспособности представляет собой способность компании привлекать заемные средства и возвращать их в полном объеме. Именно для оценки рисков невозврата денежных средств банки определяют кредитоспособен ли заемщик (Peresetsky, Karminsky, Golovan, 2011).

Банки уделяют значимое влияние накопленной кредитной истории заемщика, которую каждая банковская организация организует самостоятельно в течение долгого периода времени. Разумеется, собранные ретро-данные являются достаточно достоверными и надежными, однако, не всегда могут быть применены. Исключения составляют новые корпоративные клиенты и организации, изменившие структуру управления. Именно поэтому значительная часть банков рассматривают финансовые документы и рассчитывают, основываясь на них соответствующие коэффициенты. На настоящий момент существует несколько способов оценки кредитоспособности на основе финансовых коэффициентов (Banu, Tomasz, Evren, 2017)

Методика оценки заемщика Л.В. Донцовой и Н.А. Никифировой включает значения следующих финансовых коэффициентов (Афанасьева, 2013):

1. коэффициент быстрой ликвидности;

2. коэффициент абсолютной ликвидности;

3. коэффициент текущей ликвидности;

4. коэффициент финансовой независимости;

5. коэффициент обеспеченности собственными оборотными средствами;

6. коэффициент обеспеченности запасов собственным капиталом.

Значения данных коэффициентов в последующем составляют рейтинг заемщика в соответствии с его финансовым положением. Все полученные значения классифицируют заемщиков по шести различным классам.

I класс - финансово-устойчивые компании, которые гарантированно возвратят кредитные средства.

II класс - компании, у которых просматривается некоторая степень риска по невозврату денежных средств, но при этом данная компания еще не рассматривается как рискованная.

III класс - проблемные компании.

IV класс - компании с высоким риском возможного банкротства даже при принятии мер по улучшению финансового состояния.

V класс - компании с высоким риском банкротства.

VI класс - компании приближающиеся к банкротству.

Оценка финансового состояния заемщика по методу Р.С. Сайфулина и Г.Г. Кадыкова рассматривает пять финансовых показателей:

1. коэффициент текущей ликвидности (;

2. коэффициент обеспеченности оборотных активов собственными источниками (;

3. коэффициент эффективности управления компанией (;

4. коэффициент рентабельности собственного капитала (;

5. коэффициент интенсивности оборота авансируемого капитала (.

В последующем составляется рейтинг на основе рассчитанных коэффициентов, по которому определяется происходит ли улучшение финансового состояния компании на основе следующей формулы:

R= 2*+0,1*+0,45*+0,08*

Если получившееся значение R>1, то можно сделать вывод о финансовой устойчивости заемщика.

При оценке кредитоспособности компании методом

Н.П. Кондракова рассматриваются следующие шесть финансовых показателях:

1. коэффициент автономии (;

2. коэффициент устойчивого экономического подъема компании (;

3. коэффициент маневренности собственного капитала (;

4. коэффициент чистой выручки (;

5. коэффициент обеспеченности собственными источниками капитала (;

6. коэффициент стоимости производственных активов по отношению к стоимости имущества компании (.

Дальнейшее построение рейтинга и оценка кредитоспособности заемщика осуществляется на основе формулы:

R=

Рассчитываются значения показателей за два периода времени и сравниваются между собой, если заметен рост показателя, то это свидетельствует об устойчивом финансовом состоянии компании и о ее высокой кредитоспособности.

На настоящий момент в российской банковской системе существует большое количество различных методик для оценки кредитоспособности. Нормативно-правовая система России разрешает самостоятельно выбирать тот или иной метод, модифицировать его и применять для оценки кредитоспособности (Загорий, 1997). Для поддержания устойчивости российской банковской системы в целом, Банк России настоятельно обязует все банки создавать резервы на возможные потери по ссудам в соответствии с Положением №254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности». Положением предлагается рассматривать финансовое состояние заемщика как хорошее, среднее или плохое. Банк России не ограничивает банковские организации в выборе методики, но оценка финансового состояния должна проводится обязательно при выдаче кредитных средств заемщику для исключения финансовых рисков.

Для банковской организации на настоящий момент важно знать, сможет ли заемщик покрыть основной долг и имеющиеся к нему проценты. Так, сегодня в большинстве случаев банком рассматриваются следующие основные коэффициенты, напрямую описывающие финансовое состояние корпоративных заемщиков (Жданов, Афанасьева, 2011):

1. Коэффициент текущей ликвидности, который показывает, какую часть из краткосрочных обязательств по расчетам и кредитам сможет погасить организация, использовав все оборотные активы. Применяется следующая формула расчета данного коэффициента:

=;

2. Коэффициент покрытия долга представляет собой способность заемщика производить выплаты по предоставленным долговым обязательствам:

=;

3. Коэффициент покрытия процентных выплат - показатель уровня защищенности компании от кредиторов как превышение прибыли, доступной для обслуживания долга над величиной начисляемых процентных выплат по кредитам:

=;

4. Рентабельность деятельности демонстрирует величину всей прибыли, которую сможет получить организация на единицу стоимости капитала (то есть все виды ресурсов клиента в денежном выражении):

=*100%;

5. Коэффициент финансового левериджа показывает долю собственного капитала организации в активах и то, насколько данная организация зависима от заемных средств:

=.

Таким образом, показатели финансового состояния заемщика напрямую показывает есть ли риск невозврата денежных средств заемщиком. На сегодняшний день имеются разнообразные методики расчета показателей для оценки кредитоспособности клиента. Все они модифицируются и совершенствуются в каждой банковской организации отдельно, но при этом основными и широко распространёнными сейчас являются коэффициент текущей ликвидности, коэффициент покрытия долга, коэффициент покрытия процентных выплат, рентабельность деятельности и коэффициент финансового левериджа.

1.3 Анализ моделей прогнозирования кредитоспособности заемщиков

Для уменьшения возможных финансовых рисков необходимо проводить оценку кредитоспособности заемщика. Наиболее точную оценку можно получить при помощи прогнозирования финансового состояния клиента. Для прогнозирования широко используются классические статистические модели, включая однофакторные и многофакторные.

В литературе рассматриваются следующие модели (Снегова, 2013):

· модели логистической регрессии;

· модели дискриминантного анализа;

· модели искусственного интеллекта (нейросетевые модели, деревья решений, экспертные системы).

Для анализа деятельности заемщика крупного и среднего бизнеса чаще всего применяют многофакторную модель для охвата всевозможно известных показателей. Наиболее точным прогнозным качеством обладают статистические модели прогнозирования кредитоспособности на основе множества факторов. Модели искусственного интеллекта также основываются на многофакторных моделях (Aziz, Dar, 2006).

Широко применяемым в сфере оценки кредитоспособности является метод построения логистической регрессии, которая обладает более высоким прогнозным качеством по сравнению с классическими дискриминантными моделями Альтмана, Таффлера и других (Федорова, Тимофеев, 2015).

Основным преимуществом логистической регрессии является более точный результат прогноза, который возникает из-за нелинейной зависимости между переменными, полученные в результате значения могут варьироваться в диапазоне от 0 до 1 (Парушина Н., 2012).

Прогнозная вероятность кредитоспособности заемщика в логистической модели бинарного выбора строится на основе уравнения следующей функциональной формы:

вероятность возможной кредитоспособности заемщика;

e - основание натурального логарифма (значение Эйлера, равное 2,71828);

- коэффициент, применяющийся в модели, который представлен в виде интегрального показателя.

Итоговая прогнозная вероятность в модели логистической регрессии может быть представлена также в процентах в диапазоне от 0 до 100. На основе logit-модели выявляются значимые коэффициенты и то, насколько выбранные показатели объясняют данную модель (Сорокин А., 2014).

Высокой точностью прогноза в современном мире также обладают модели искусственного интеллекта, которые могут представлены нейронными сетями, деревьями решений и экспертными системами. Сегодня искусственный интеллект уже достаточно усовершенствован и безошибочен во всем, что так или иначе касается рисков, маркетинговых исследований, конфиденциальной информации. За последние несколько лет наблюдаются широкое применение таких технологий, как робоэдвайзинг и алготрейдинг, чат-боты и антифроды (Haishu, Meilin, Yue, 2018). Таким образом, можно сказать, что искусственный интеллект - инновация, которая формирует будущее всего сектора финансовых услуг: от небольшого розничного банка до глобального финансового учреждения. Важность искусственного интеллекта в банковском секторе возрастает с каждым днем, его используют уже около 20% российский банков, при этом остальные банки в ближайшем будущем планируют в полном объёме внедрять технологии искусственного интеллекта (Vochozka, Kliestik, Kliestik, 2018). Ускорение прогресса в развитии ИИ и автоматизации создает возможности для бизнеса, экономики и общества, так передовые методы глубокого обучения, использующие искусственные нейронные сети, могут составлять около 40% от всей стоимости, создаваемой средствами аналитики. Искусственный интеллект может оказать следующее влияние на занятость, так около 50% всей активности, выполняемой работниками, может быть автоматизировано и около 5% профессий могут быть полностью автоматизированы в настоящее время, также около 30% всех видов деятельности в 60% профессиях могут быть автоматизированы в перспективе (Manyika J., Sneader K., 2018).

Крупные мировые банки используют искусственный интеллект и новейшие технологии для извлечения надежной информации о заемщике из большого объема данных. Так, данная информация помогает узнать клиента со всех сторон и оценить риски в предоставлении кредитов и займов. Также, многие банковские организации применяют искусственный интеллект для мониторинга риска, который связан с противозаконными действиями, раскрывающими конфиденциальную информацию (Тотьмянина К., 2011).

На сегодняшний день большинство исследователей использует новейшие технологии при всех математических расчетах. Недавно появившееся технологии искусственной интеллекта начинают внедряться все в более разнообразные сферы жизни общества. Одним из самых распространенных видов искусственного интеллекта является нейронная сеть, которая представляет собой математическую модель на основе последовательности нейронов, которые соединены между собой синапсами (Шунина, Алексеева, Клячкин, 2015).

В сфере кредитования применяют построение нейронных сетей как средство прогнозирования, аналитики, автоматизации принятия решений при построении моделей финансовых рисков и предсказания займов, которые маловероятно будут выплачены (Широнина Е., Носова С., 2012).

В качестве модели «формального нейрона» была предложена функциональная схема Маккалока и Питтса (1943). Формальный нейрон представляет собой математическую модель процессора, который имеет несколько входов и один выход. Входные сигналы с помощью нейрона превращаются в выходной сигнал с применением локальной памяти, блока суммирования и блока нелинейного преобразования (Корнеев, 2015). При входе нейронная сеть использует изначально известные данные (Х-факторы и зависимую переменную, которая определена бинарными значениями). На выходе, осуществив определенные операции, получают прогнозное значение изначально оцениваемой кредитоспособности. На рисунке 1 представлена функциональная схема нейрона Маккалока и Питтса, которая используется для обработки данных и построения моделей.

Рис. 1. Функциональная схема формального нейрона Маккалока и Питтса

При построении модели нейронной сети используется процедура трехслойного перцептрона и алгоритм обратного распространения ошибки. Первый слой сенсорных элементов включает входные данные, второй - все скрытые вычислительные нейроны, третий слой содержит выходные значения. Данную процедуру можно анализировать как модель вход-выход, пороговые смещения и веса в данной модели являются свободными параметрами. Сеть может смоделировать практически любые функции, для этого необходимо задать только количество элементов и число слоев.

Еще одним общеизвестным методом оценки кредитоспособности является дискриминантный факторный анализ. На основе финансовых показателей составляется рейтинг компании и выносится решение о том, является ли компания финансово устойчивой (Martin, 2003). На настоящий момент разработано большое количество различных методик дискриминантного анализа, которые постоянно модифицируются и усовершенствуются. Однако, большинство исследователей и сами банковские организации придерживаются мнения о том, что методы дискриминантного анализа не улучшаются с течением времени. Результаты оценки являются менее точными и не надежными, более того, возникает сложность при работе с большими объемами данных (Жданов, Афанасьева, 2011).

По итогу, можно сделать вывод о том, что существуют различные модели оценки кредитоспособности компании в системе оценки финансовых рисков. Наиболее популярными и часто используемыми в современном мире считаются модели логистической регрессии и модели искусственного интеллекта из-за высокой точности и безошибочности. Модели дискриминантного анализа редко используются в практике из-за отсутствия усовершенствования и возможности работать с большими объемами данных, доступных в современном мире для любой банковской организации.



2. Текущая деятельность ПАО Сбербанк в области оценки финансовых рисков

2.1 Методы управления и контроля за рисками в Сбербанке

За последнее десятилетие в мировой банковской сфере произошёл радикальный пересмотр управления рисками в связи с глобальными экономическими кризисами. Сейчас мировые банки становятся более востребованными, имеют высокие показатели ликвидности и финансирования. В будущем движущими факторами изменений будут не финансовое восстановление и соответствие нормативным требованиям, а технологические изменения в бизнес-моделях банков и механизмах управления рисками. В конечном итоге трансформация, вызванная этими событиями, может быть намного больше, чем все изменения в банковском секторе за последние несколько лет (Garside Th., Mitchell P.J., 2017). Банковские организации, которые постоянно внедряют новейшие технологии и аналитику, могут уже не только автоматизировать существующие банковские операции, но и встроить средства контроля и мониторинга в новую структуру, оптимизированную для данных и аналитики, а не для традиционных процессов. В связи с чем, может сократиться и время, затрачиваемое на управление рисками (Фантаццини Д., 2008). Более того, три линии защиты с появлением новых технологий будут выглядеть совершенно иначе. На настоящий момент в первую линию защиту входит владение и управление рисками, во вторую их отслеживание и поддержка системы контроля, в третью подтверждение системы управления рисками независимого органа (Hida E., Leake J., 2017).

На настоящий момент в Сбербанке применяется процесс интегрированного управления рисками. На первом этапе осуществляется идентификация рисков, на котором выявляется все риски участников группы, которые существенно влияют на деятельность группы в целом. На втором этапе формируется система управления рисками, то есть разрабатываются методология, инструменты, процессы для всех существенных рисков. Далее на третьем этапе планируется целевой уровень рисков - целевые показатели, характеризующие уровень подверженности группы рискам, утверждающиеся в рамках бизнес-планов. На четвертом этапе устанавливается аппетит к риску, так в рамках настоящей стадии наблюдательным советом утверждается предельно допустимый уровень подверженности группы рискам. В последующем на заключительном этапе управления рисками для обеспечения целевого уровня выносится вывод о том соответствует ли уровень рисков целевому, либо установленный аппетит к риску превышен. В данном случае под аппетитом риска в банковской отрасли понимается уровень риска, который компания считает для себя допустимым при создании стоимости.

К принципам интегрированного управления рисками первостепенно относят осведомленность о риске, при котором риски анализируются всесторонне и соблюдением нормативных правил, принятых банком. Управление любой деятельностью с учетом всех рисков реализуется путем внутренней процедуры достаточности капитала. Данные результаты используются в группе для последующей оценки потенциальных рисков. Далее на регулярной основе происходит рассмотрение информации об уровне рисков, принятых ранее и выявление нарушений процедуры управления настоящими рисками.

Принцип централизованного и децентрализованного подходов применяется для обеспечения соответствующей эффективности при действующей достаточности капитала. С применением современных технологий происходит управление рисками и достаточностью капитала, что соответственно повышает оперативность и качество принимаемых решений по группе. Важным фактором при применении современных технологий является качество данных, их доступность и полнота, что обеспечит безошибочность и точность расчетов и, следовательно, правильность оценённых рисков. Информационно-вычислительны системы, современные процедуры, новейшие программы непрерывно развиваются и совершенствуются для решения поставленных банковской структурой задач, для поддержания условий внешней и внутренней среды, а также за следованием нововведений в мировой банковской системе.

Принцип раскрытия информации заключается в обязательном выявлении всей необходимой информации, которая прописана в нормативных требованиях по управлению рисками. В соответствии с требованиями Банка России заемщик обязан на регулярной основе предоставлять финансовую отчетность компании, основываясь на убеждениях прозрачности и полноты предоставленной информации для качественной оценки рисков со стороны банка.

В Сбербанке существует определенный перечень рисков, которые присущи кредитным сделкам с корпоративными заёмщиками. Критериями к финансовым рискам необходимым для расчета являются:

· Уровень долговой нагрузки (для выявления уровня риска требуется индивидуальная оценка);

· Показатели текущей ликвидности, рентабельности (для выявления уровня риска требуется индивидуальная оценка);

· Наличие / Отсутствие в деятельности Заемщика негативных тенденций, одновременно приведших к снижению следующих показателей за сопоставимые периоды: выручки от реализации, оборотных активов, собственного капитала, валюты баланса (если наблюдается одновременное снижение более чем на 20% следующих показателей за сопоставимые периоды: выручки от реализации, оборотных активов, собственного капитала, валюты баланса, то риск является высоким; если происходит одновременное снижение более чем на 10%, но не более, чем на 20% следующих показателей за сопоставимые периоды: выручки от реализации, оборотных активов, собственного капитала, валюты баланса, то финансовый риск средний; если наблюдается одновременное снижение не более чем на 10% следующих показателей за сопоставимые периоды: выручки от реализации, оборотных активов, собственного капитала, валюты баланса, то финансовый риск находится на среднем уровне);

· Наличие / отсутствие просроченной дебиторской / кредиторской задолженности заемщика (по предоставленным заемщиком расшифровкам) (если просматривается наличие просроченной дебиторской/ кредиторской задолженности сроком более 3-х месяцев в размере не менее 25% от совокупной дебиторской / кредиторской задолженности, то финансовый риск высок, в остальных случаях риск средний или низкий);

· Наличие выявленных критериев проблемности (выявленные критерии «красной»/ «черной» зоны при высоком риске и «желтой зоны» при среднем риске);

· Наличие исков, удовлетворенных судом первой инстанции (не учитывается по предприятиям ОПК) (Иски, удовлетворенные судом первой инстанции, составляют более 30% от чистых активов, следовательно, наблюдается высокий риск; иски, удовлетворенные судом первой инстанции, составляют 10% - 30% от чистых активов - средний риск; иски, удовлетворенные судом первой инстанции, составляют менее 10% от чистых активов - низкий риск). В случае если отрицательная величина чистых активов не является следствием плохого финансового состояния заемщика, в рамках данного критерия рассматривается соотношение суммы исков к активам заемщика.

На основе данных критериев осуществляется оценка уровня риска от кредитной сделки с корпоративным заемщиком в Сбербанке.

Сбербанк просматривает деятельность каждого заемщика уже после выдачи ему кредитных средств, анализируя финансовую отчетность и методы управления компанией. При возникновении проблем с возвратом денежных средств, банк относит заемщика к определенной зоне риска.

«Желтая зона» присваивается если возникает просроченная задолженность сроком от 5 до 30 дней, ухудшается финансовое состояние, происходят нарушения условий кредитного договора с банком, либо прослеживаются другие факторы.

«Красная зона» присваивается заемщику, у которого есть просроченная задолженность сроком от 30 до 90 дней, прослеживается внушительный упадок финансового состояния, либо иные возможные факторы.

«Черная зона» присваивается заемщику, имеющему просроченную задолженность более чем 90 дней. Данный клиент вероятнее всего прекратил свою деятельность, принял решение о дефолте или ликвидации, либо признан банкротом.

Для урегулирования проблемной задолженности банк, в первую очередь, предлагает реструктурировать кредит. При этом, меняются условия договора и из-за чего возникают переплаты со стороны заемщика, что является определенной премией за риск банку (Снежко, 2010).

Таким образом, у Сбербанка существует собственная интегрированная система управления рисками, также применяются определенные критерии для расчета финансовых рисков, присущих клиентам крупного и среднего бизнеса.

2.2 Описание выборочной совокупности данных

Основным направлением настоящей исследовательской работы является построение модели логистической регрессии и модели искусственного интеллекта с применением нейронной сети на основе данных ПАО Сбербанк. Результаты данной работы в дальнейшем помогут оценивать финансовые риски более качественно, затратив при этом меньшее количество времени. Для исследования были предоставлены данные ПАО Сбербанк (отдела по работе с клиентами крупного и среднего бизнеса Пермского ГОСБ №6984) о 191 корпоративном заемщике за второй квартал 2018 года. Следует отметить, что полная информационная база за последующие кварталы 2018 года еще не полностью сформирована, но при этом объем данных за первый квартал 2018 доступен в полном объеме. Этим объясняется выбор базы данных именно за первый квартал 2018 года. Сбор данных осуществлялся с использованием системы CRM (Customer Relationship Management) Сбербанка, в которой собраны все данные о заемщиках, включая всю финансовую отчетность и нормативные документы компании. Для рассмотрения юридической и управленской структуры компании использовался общедоступный информационный ресурс «Спарк-Интерфакс» (spark-interfax.ru, 2019). Таким образом, в настоящей исследовательской работе анализируются кросс-секционные данные с использованием финансовых коэффициентов за первый квартал 2018 года.

Данные содержат следующие рассчитанные показатели:

1. коэффициент текущей ликвидности, показывающий, какую часть краткосрочных обязательств компания погасит при помощи использования оборотных активов (ktl);

2. коэффициент покрытия долга используется для рассмотрения способности заемщика совершать выплаты по основному долгу (percent);

3. коэффициент покрытия процентных выплат показывает возможность компании обслуживать основной долг и начисляемые по нему проценты (debt);

4. рентабельность деятельности организации отражает все доступные виды ресурсов к компании в их денежном выражении (profitability);

5. коэффициент финансового левериджа выражает долю собственного капитала компании в зависимости от заемных средств (capital).

В результате рассмотрения данных были исключены 19 заемщиков ввиду отсутствия некоторых финансовых показателей, в связи с этим

в итоговую выборку вошли 172 клиента крупного и среднего бизнеса.

В дальнейшем статистическом анализе данных с использованием эконометрического пакета Eviews были рассмотрена вся генеральная совокупность на наличие статистических выбросов с точки зрения здравого смысла, графического анализа гистограмм независимых переменных и анализа ящичковых диаграмм (Приложение 1).

Для того, чтобы избежать ошибки в построении моделей исключим из дальнейшего исследования некоторые компании, которые являются выбросами в представленных гистограммах независимых переменных и ящичковых диаграммах (Приложение 1). Так, проанализировав данные графики следует исключить из дальнейшего исследования 8 компаний,

у которых значения финансовых коэффициентов являются аномальными. Следует ввести следующие ограничения и опустить данные о компаниях, которые не вошли в поставленные условия анализа:

· коэффициент текущей ликвидности < 20;

· коэффициент покрытия процентов < 20 000;

· коэффициент финансового левериджа < 50 000 000;

· рентабельность деятельности > -400;

· коэффициент покрытия долга > -4 000.

Следовательно, в итоговую выборку вошли 164 компании, специализирующиеся на крупном и среднем бизнесе. Количество наблюдений в генеральной совокупности сократилось, но при этом количество регрессоров следует оставить прежним, так как в данном случае можно воспользоваться формулой (где m - количество независимых переменных в модели,

n - количество всех наблюдений), в которой соблюдаются все условия.

Далее в приведенной таблице 3 проанализируем описательные статистики независимых факторов.

Таблица 3. Описательные статистики независимых факторов

Переменная	Единицы измерения	Mean	Median	Max	Min	Std.dev
Ktl	%	3,09	1,6	82,5	0,07	8,05
Куртозис принимает значение 84,28. Следовательно, вершина распределена остроугольно.
Debt	%	-134,56	2,16	168,28	-14441,57	1354,97
Значение куртозиса составляет 110. Следовательно, распределение является островершинным.
Percent	%	836,75	5,44	87135,11	-85,3	8140,59
Куртозис равняется значению 111, поэтому, распределение является островершинным.
Capital	%	2501021	0,78	20200000	0	19434971
Значение куртозиса равно 98,24, значит, распределение островершинное.
Profitability	%	6,62	3,24	122,63	-111,32	20,44
Куртозис принимает значение равное 20,7, следовательно, распределение вершины приближенно к остроугольному.
Load	Фиктивная переменная	-	-	-	-	-
В данном случае нецелесообразно рассматривать описательные статистики в силу того, что переменная является фиктивной.
Affiliated	Фиктивная переменная	-	-	-	-	-
В данном случае нецелесообразно рассматривать описательные статистики в силу того, что переменная является фиктивной.

Таким образом, на основе предложенных данных следует осуществить построение многофакторной модели с использованием логистической регрессии и нейронной сети. В итоговую совокупную выборку после аналитического исключения вошли 164 компании крупного и среднего бизнеса для дальнейшего исследования. Следует также отметить, что зависимая переменная в моделях представлена в виде бинарного выбора ввиду нелинейной зависимости между переменными.

Более того, данное исследование предполагает наличие определенных ограничений. Основным ограничением является использование данных только о клиентах крупного и среднего бизнеса, при этом было бы непосредственно актуально использовать показатели и о деятельности заемщиков малого бизнеса.

Еще одним существенным ограничением является проведение анализа только на основе деятельности ПАО Сбербанка Пермского ГОСБ №6984. Более того, финансовые показатели актуальны исключительно на

2 квартал 2018 года.

Также, в настоящем исследовании учтены только финансовые риски, присущие компании. Стоит отметить, что количество рисков, рассматриваемых банком достаточно разнообразно и не ограничивается исключительно финансовыми.

Далее детально рассмотрим методологию исследования финансовых показателей кооперативных заемщиков в системе оценки рисков, построив логистической регрессию и модель искусственного интеллекта с применением нейронной сети, сравнив эмпирические результаты и выбрав лучшую модель по итогу исследования.



3. Построение моделей для оценки кредитоспособности корпоративных заемщиков

3.1 Методология исследования кредитоспособности заемщика в системе оценки финансовых рисков

Настоящее исследование представляет собой оценку кредитоспособности компаний, специализирующихся на крупном и среднем бизнесе, в связи с этим, носит эмпирический характер. После подбора и анализа данных с помощью здравого смысла и графического метода было отобрано для дальнейшего исследования 164 корпоративных заемщика. Следующим этапом является построение эконометрических и нейросетевых моделей.

Ключевым методом исследования в настоящей работе является моделирование, которое основывается на изучении различных видов моделей для исследуемого объекта с последующим прогнозированием и описанием основных свойств. Наиболее распространённой в применении является модель бинарного выбора, основанная на накопленной банком кредитной истории и с применением расчетов основных показателей и характеристик заемщика, которые в последующем определяют вероятность дефолта клиента.

При построении модели логистической регрессии в настоящем исследовании используется эконометрический пакет Eviews. Нейронная сеть моделируется при помощи статистической программы R и соответствующего пакета «neuralnet». При этом, для построения нейронной сети данные изначально необходимо нормализовать.

При построении моделей бинарной выбора в качестве зависимой переменной Y (creditworthiness) будем использовать «0», куда отнесем компании, которым был выдан кредит и которые также имеют устойчивый финансовый результат. И зададим альтернативу «1», которой соответствуют клиенты, не получившие кредитные средства и имеющие проблемы с финансовыми показателями. Так объясняемая переменная в данной модели примет вид:

Уравнение зависимости вероятности кредитоспособности заёмщика от выбранных финансовых коэффициентов в модели бинарной логистической регрессии:

Для построения модели нейронной сети изначально не задается уравнение зависимости кредитоспособности компании от финансовых показателей. При входе нейронная сеть получает все необходимые данные, включая зависимую переменную Y и на определенном количестве скрытых слоев осуществляет дальнейшие математические операции. Так, на выходе получаем прогнозную вероятность кредитоспособности заемщика без оценки значимости финансовых коэффициентов.

При построении моделей используются следующие независимые переменные:

1. коэффициент текущей ликвидности (ktl). Чем выше значение данного показателя, тем лучше платежеспособность у компании. Следовательно, рост коэффициента текущей ликвидности отрицательно влияет на вероятность кредитоспособности заемщика;

2. коэффициент покрытия долга (debt). Если значение данного коэффициента слишком низкое, то вероятнее всего у компании присутствуют финансовые проблемы. Значит, понижение рассчитанного показателя покрытия долга отрицательно влияет на вероятность кредитоспособности клиента;

3. коэффициент покрытия процентных выплат (percent). Слишком низкое значение данного показателя указывает на возможные финансовые трудности компании. Из чего следует, что уменьшение коэффициента покрытия процентных выплат оказывает соответствующее отрицательное влияние на вероятность кредитоспособности компании;

4. коэффициент рентабельности деятельности (profitability). Положительное значение данного показателя указывает на то, что компания вероятнее всего кредитоспособна и у нее нет значительных финансовых проблем, приводящих к банкротству. Так, рост коэффициента рентабельности деятельности отрицательно влияет на вероятность кредитоспособности клиента;

5. коэффициент финансового левериджа (capital). Чем выше значение отношение заёмного капитала к собственному капиталу, тем вероятнее всего у компании есть финансовые проблемы. Таким образом, рост коэффициента финансового левериджа положительно влияет на вероятность кредитоспособности компании;

6. фиктивная переменная, отвечающая за то, есть ли у заемщика долговая нагрузка в других банковских организациях:

7. фиктивная переменная, которая включает в себя информацию о том, есть ли у заемщика какие-либо аффилированные лица (дочерние компании), которые при появлении проблем с выплатами основной задолженности заемщиком смогут отвечать по его обязательствам в полном объеме:

После проведенного анализа данных и выбора методологии исследования можно выдвинуть основную гипотезу настоящего исследования о том, что модель нейронной сети обладает более точным качеством прогноза, чем модель логистической регрессии.

Таким образом, в дальнейшем исследовании будут построены модель логистической регрессии и модель с применением нейронных сетей. Для выбора лучшей из них, необходимо сравнить полученные результаты на основе матрицы ошибок с рассмотрением тестовой выборки.

финансовый риск кредитоспособность заемщик

3.2 Построение модели LPM, Logit-модели и модели с применением нейронных сетей

В научной литературе описывается множество способов оценки кредитоспособности заемщика. В силу того, что зависимая переменная является качественным показателям, то использование и интерпретация стандартной линейной регрессионной модели становится сложными и практически невозможными. Таким образом, целесообразным становится использование модели логистической регрессии и модели с применением нейронных сетей (Огородов, 2011). В обоих спецификациях необходимо использовать бинарный выбор для зависимой переменной при построении прогноза на основе ретро-данных.

Выбор функциональной спецификации в виде модели бинарного выбора основывается на слабой линейной взаимосвязи между используемыми переменными (включая дамми-переменные о том, есть ли у компании дополнительная долговая нагрузка в других банковских организациях и о том, есть ли у заемщика какие-либо аффилированные лица), которая наблюдается при построении матрицы рангового коэффициента корреляции Cпирмена (Таблица 4).

Таблица 4. Ранговая корреляционная матрица переменных

	KTL	Percent	Profitability	Debt	Capital	Affiliated	Load
KTL	1
Percent	0,19***	1
Profitability	0,247***	0,303***	1
Debt	-0,237***	-0,419***	-0,203***	1
Capital	-0,319***	-0,455***	-0,384***	0,455***	1
Affiliated	-0,019**	-0,009*	-0,051***	0,039**	0,041**	1
Load	-0,19***	-0,185***	-0,196***	0,119***	0,443***	0,341***	1

Всего наблюдений: 164

*, **, *** - значимость на 10%, 5%, и 1% уровнях соответственно

...