Динамическое моделирование кредитного риска банка в межбанковских отношениях тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Андреев, Антон Юрьевич

• Андреев, Антон Юрьевич
• кандидат экономических наук
• 2009

Оглавление диссертации кандидат экономических наук Андреев, Антон Юрьевич

ВВЕДЕНИЕ.

ГЛАВА 1. КРЕДИТНЫЙ РИСК И СИСТЕМЫ УПРАВЛЕНИЯ КРЕДИТНЫМ РИСКОМ.

1.1. Исследование понятия кредитного риска и способов управления им.

1.1.1. Проблематика понятия риска.

1.1.2. Основные виды рисков банка.

1.1.3. Меры оценивания и процесс управления кредитным риском банка.

1.2. Анализ существующих систем управления кредитным риском.

1.2.1. Обзор моделей оценки кредитного риска.

1.2.2. Обзор методик оценки финансового состояния банков-контрагентов на основе коэффициентного анализа.

1.3. Методика оценки финансового состояния банка-контрагента на основе коэффициентного анализа.

1.3.1. Количественные показатели финансового состояния банка-контрагента.

1.3.1.1. Группа показателей качества капитала банка-контрагента.

1.3.1.2. Группа показателей качества активов банка-контрагента.

1.3.1.3. Группа показателей доходности банка-контрагента.

1.3.1.4. Группа показателей ликвидности банка-контрагента.

1.3.1.5. Выбор количественных показателей.

1.3.2. Качественные показатели оценки банка-контрагента.

ГЛАВА 2. МОДЕЛИРОВАНИЕ ОЦЕНОК КОЛИЧЕСТВЕННЫХ ПОКАЗАТЕЛЕЙ ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ БАНКОВ

КОНТРАГЕНТОВ, ОПРЕДЕЛЯЮЩИХ КРЕДИТНЫЙ РИСК.

2.1. Исследование распределения банков по размеру активов.

2.1.1. Аппроксимация распределения российских банков по активам.

2.1.2. Динамика оценок параметров аппроксимаций распределения по активам российских банков.

2.1.3. Анализ распределения по активам банков стран мира.

2.1.4. Сравнение оценок параметров аппроксимаций распределения по активам банков стран мира.

2.1.5. Исследование природы распределения по активам.

2.1.6. Выводы.

2.2. Исследование основных относительных показателей финансовой деятельности банков.

2.2.1. Анализ распределений относительных показателей.

2.2.2. Динамика оценок параметров аппроксимаций.

2.2.3. Выводы.

ГЛАВА 3. МОДЕЛИРОВАНИЕ КРЕДИТНОГО РИСКА БАНКА НА ОСНОВЕ ОЦЕНКИ ФИНАНСОВОГО СОСТОЯНИЯ БАНКОВ-КОНТРАГЕНТОВ С ИСПОЛЬЗОВАНИЕМ КОЭФФИЦИЕНТНОГО АНАЛИЗА.

3.1. Построение синтетической оценки финансового состояния банка-контрагента на основе коэффициентного анализа.

3.1.1. Моделирование распределения по активам и построение относительной оценки.

3.1.2. Использование немонотонных функций оценки относительных показателей

3.1.3. Построение синтетической оценки на основе коэффициентного анализа.

3.1.4. Выводы.

3.2. Тестирование методики синтетической оценки финансового состояния банка-контрагента.

3.2.1. Тестирование с помощью метода САР.

3.2.2. Тестирование с помощью метода ROC.

3.2.3. Выводы.

Введение диссертации (часть автореферата) на тему «Динамическое моделирование кредитного риска банка в межбанковских отношениях»

Актуальность исследования. Начало широкого использования производных финансовых инструментов в деятельности ведущих кредитных организаций с конца 80-х годов прошлого века определило необходимость активного развития систем управления банковскими рисками. Теоретические и практические исследования в этой области ведутся национальными и наднациональными надзорными органами и регуляторами, многими международными финансовыми и консалтинговыми организациями, крупными банками.

В современных условиях задачи диагностики, оценивания, анализа, регулирования и прогнозирования банковских рисков остаются наиболее важными при управлении работой любого коммерческого банка. Решение этих задач сводится к оптимизации рисков коммерческого банка с целью повышения эффективности работы, достижения максимальной доходности и прибыльности банковской деятельности при имеющихся условиях и ограничениях.

Сохранение или снижение уровня кредитного риска, как основного в деятельности большинства банков, достигается за счет более точной оценки принимаемых рисков и реализации мероприятий по управлению ими. События на мировых финансовых рынках 2007 — 2009 годов, вызванные кризисом субстандартного ипотечного кредитования в США и ставшие началом полномасштабного мирового финансового кризиса, показали насколько опасными могут быть неправильная оценка роли кредитного риска в деятельности кредитных организаций, отсутствие или неадекватное использование методик его анализа и оценки.

Для корректного применения-наиболее известных международных методик оценки кредитных рисков банка, возникающих при взаимодействии с банками-контрагентами, требуется-целый ряд входных параметров, основными из которых являются либо международные и национальные кредитные рейтинги, либо рыночные котировки ценных бумаг банков-контрагентов.

В настоящее время многими экспертами высказываются сомнения в объективности оценок не только ведущих российских, но и мировых рейтинговых агентств. Свидетельством обоснованности таких сомнений стали «неожиданно» серьезные убытки и отдельные случаи банкротств крупных американских, европейских и российских кредитных организаций. Котируемые на рынке ценные бумаги имеют лишь немногие российские банки, при этом вследствие особенностей российского фондового рынка рыночные котировки далеко не всегда отражают фактическое финансовое состояние эмитента.

Использование коммерческим банком соответствующих методик Банка России для анализа кредитного риска российских банков-контрагентов затруднено из-за отсутствия в свободном доступе всех необходимых форм их финансовой отчетности и результатов их внутреннего аудита.

По мере развития российского банковского сектора и накопления необходимых статистических данных задачи совершенствования российским коммерческим банком собственной системы управления кредитными рисками, разработки внутренних методик и моделей оценки экономического и финансового состояния банков-контрагентов становятся все более актуальными.

Цели и задачи исследования. Целью диссертационного исследования является моделирование и оценка кредитного риска коммерческого банка при взаимодействии с российскими банками-контрагентами, что необходимо для осуществления эффективной кредитной политики.

Для реализации поставленной цели определены следующие основные задачи исследования:

• провести анализ используемых в российской банковской практике методик оценки кредитного риска банка, выявить их преимущества и недостатки, выделить основные факторы, определяющие кредитный риск банка в межбанковских отношениях;

• исследовать и провести моделирование распределения банков* по величине активов, выявить особенности таких распределений для банков разных стран, разработать на этой основе методику относительной оценки активов банка-контрагента как одного из важнейших абсолютных показателей, определяющих его финансовое состояние;

• исследовать и провести моделирование распределений относительных количественных финансовых показателей банков-контрагентов для различных по величине активов банков, разработать на этой основе методику относительной оценки финансовых показателей банка-контрагента;

• провести моделирование динамики параметров аппроксимаций распределений абсолютных и относительных финансовых показателей банков-контрагентов, определяющих кредитный риск;

• разработать методику оценки финансового состояния банка-контрагента, провести ее тестирование, определить эффективность полученных оценок. Объект и предмет исследования. Объектом исследования являются кредитные риски банка, возникающие при взаимодействии с российскими банками-контрагентами. Предметом исследования является комплекс экономико-математических методов и моделей оценки факторов, определяющих кредитный риск банка в межбанковских отношениях.

Теоретическая и методологическая основа исследования. Вследствие постоянного расширения мировых финансовых рынков, развития национальных банковских систем, появления все более сложных финансовых инструментов, развиваются и совершенствуются методы и подходы к оценке, измерению и управлению кредитными рисками банка.

Заметные достижения в исследовании понятий риска и неопределенности, в теории управления финансовыми рисками, в развитии методологии оценки и измерения кредитного риска связаны, в основном, с именами зарубежных авторов, среди которых Г. Александер, Э. Альтман, Ф. Блэк, Дж. Бэйли, Д. Галаи, Д. Даффи, Дж. Кейнс, М. Кроуи, Г. Маркович, Р. Мертон, М. Миллер, Ф. Модильяни, Ф. Найт, П. Нараянан, Д. Рикардо, К. Рэдхэд, К. Синглтон, Дж. Синки, Д. Тобин, С. Хьюис, У. Шарп, М. Шоулз, Й. Шумпетер, К. Эрроу.

Посвященные данному направлению труды отечественных авторов (А.П. Альгин, И.Т. Балабанов, И.А. Бланк, В.А. Гамза, A.A. Емельянов, О.И. Лаврушин,. A.A. Лобанов, A.M. Карминский, B.C. Кромонов, В.И. Малыхин, A.A. Пересецкий, М.А. Рогов, В.Т. Севрук, Л.Н. Тэпман, Н.В. Хохлов, Е.Ю. Хрусталев,

A.B. Чугунов, A.C. Шапкин, A.H. Ширяев и многие другие) не только позволяют обобщить, систематизировать зарубежный опыт, адаптировать его применительно к российской финансовой практике, но и предлагают собственные подходы к оценке и управлению кредитными рисками.

Основные подходы к стандартам и измерению собственного капитала банков - так называемые соглашения «Базель I» 1988 года, «Базель II» 2004 года с последующими изменениями и дополнениями - были предложены Базельским Комитетом по банковскому надзору. Ведущими финансовыми и консалтинговыми организациями был разработан ряд моделей оценки и управления кредитным портфелем банка с учетом рисков, наиболее известные из которых: PortfolioManager (KMV, 1993), CreditRisk+ (Credit Suisse, 1996), CreditMetrics (J.P. Morgan, 1997), CreditPortfolioView (McKinsey, 1998).

Оценка экономического положения банка, проводимая Банком России, построена на использовании классической методики CAMEL оценки деятельности банка, используемой органами банковского надзора в США. Требования и ограничения к основным показателям финансовой деятельности российских банков содержатся в соответствующих нормативных документах Банка России.

Научная новизна. Предмет защиты составляют следующие результаты, полученные лично автором и содержащие элементы научной новизны:

• впервые для моделирования реального распределения российских банков по активам использовано четырехпараметрическое комбинированное распределение, на основе которого разработана методика относительной оценки активов банка-контрагента;

• выявлены качественные закономерности динамики параметров аппроксимации распределений по активам российских банков;

• впервые для моделирования распределений основных финансовых показателей банков-контрагентов, определяющих кредитный риск, для двух групп российских банков по размеру активов использованы трехпараметрические гамма-распределения;

• получены относительные оценки основных финансовых показателей банка-контрагента, определяющих кредитный риск, с использованием немонотонных функций оценок;

• разработана методика синтетической оценки финансового состояния банка-контрагента с использованием немонотонных функций оценок, проведено тестирование данной методики, показаны ее преимущества перед традиционными методиками с использованием монотонных функций оценок. Вынесенные на защиту научные результаты соответствуют требованиям п. 1.1

Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании», п. 1.2 «Теория и методология экономико-математического моделирования, исследование его возможностей и диапазонов применения: теоретические и методологические вопросы отображения социально-экономических процессов и систем в виде математических, информационных и компьютерных моделей», п. 1.6. «Математический анализ и моделирование процессов в финансовом секторе экономики, развитие метода финансовой математики и актуарных расчетов» Паспорта специальностей ВАК 08.00.13 «Математические и инструментальные методы экономики».

Теоретическая и практическая значимость диссертационного исследования заключается в разработке методики оценки кредитного риска банка в межбанковских отношениях как оценки финансового состояния банков-контрагентов на основе моделирования распределений их абсолютных и относительных финансовых показателей. Итоговые синтетические оценки финансового состояния банков-контрагентов получены с использованием немонотонных функций относительных оценок финансовых показателей для двух групп банков-контрагентов по размеру активов. Это позволяет более точно оценивать кредитный риск банка, возникающий при взаимодействии со средними и мелкими российскими банками-контрагентами.

Область применения результатов исследования. Разработанная в исследовании методика оценки финансового состояния банков-контрагентов, предлагаемые относительные оценки основных финансовых показателей банков-контрагентов могут использоваться подразделениями российских коммерческих банков, ответственными за оценку рисков. Предложенные аппроксимации распределений основных финансовых показателей банков-контрагентов могут применяться для динамического анализа и прогнозирования кредитного риска банка, возникающего в межбанковских отношениях.

Материалы диссертационного исследования могут использоваться в учебном процессе по специальностям «Банковское дело» и «Математические методы в экономике».

Апробация результатов. Результаты исследования были сформулированы в публикациях автора, докладывались и получили положительную оценку на III Ежегодном научном форуме «Роль бизнеса в трансформации российского общества», проходившем в МФПА в апреле 2008 года, на I Международной научно-практической конференции «Инновационное развитие российской экономики», проходившей в МГУЭСИ в. декабре 2008 года, а также на Международной научно-практической конференции «Инновационный путь развития РФ как важнейшее условие преодоления мирового финансового кризиса», проходившей в ГОУ ВПО ВЗФЭИ в апреле 2009 года. Методические и практические результаты данного исследования используются в работе Управления корпоративных и операционных рисков Сбербанка России.

Публикации. По материалам диссертационного исследования опубликовано 6 научных работ общим объемом 2,7 пл., в том числе 3 работы объемом 1,4 п.л. опубликованы в изданиях, входящих в перечень ведущих рецензируемых научных журналов и изданий, рекомендованных Высшей аттестационной комиссией для опубликования основных научных результатов диссертаций на соискание ученой степени доктора и кандидата наук.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Андреев, Антон Юрьевич

3.1.4. Выводы

Использование четырехпараметрического комбинированного распределения, аппроксимирующего реальное распределение банков по активам, позволяет получать относительные оценки активов банков-контрагентов, как основного количественного показателя, определяющего кредитный риск при взаимодействии с этими банками-контрагентами. Прогнозирование оценок параметров комбинированного распределения дает возможность строить прогнозные относительные оценки активов отдельных банков-контрагентов при отсутствии информации о текущем реальном распределении по активам всех банков. Эта возможность используется подразделениями банка, ответственными за оценку кредитного риска, возникающего в межбанковских отношениях, при проведении регулярного мониторинга финансового' состояния банков-контрагентов.

Использование немонотонных функций оценок основных относительных количественных показателей, характеризующих финансовое состояние банков-контрагентов, позволяет более гибко и точно оценивать связанный с банками-контрагентами кредитный риск. Учет динамики оценок параметров распределений финансовых показателей российских банков-контрагентов дает возможность строить динамические относительные оценки этих показателей для произвольных банков-контрагентов. Получаемые итоговые синтетические оценки финансового состояния банков-контрагентов имеют равномерное распределение, что позволяет лучше различить банки-контрагенты по уровню связанного с ними кредитного риска.

3.2. Тестирование методики синтетической оценки финансового состояния банка-контрагента

Проведение тестирования предлагаемой методики и определение ее эффективности предусматривает выделение группы банков, испытавших существенное ухудшение своего финансового состояния или дефолт, а также наличие соответствующих статистических данных по финансовой отчетности и исследуемым количественным финансовым показателям таких банков.

С этой целью был проведен анализ случаев существенного ухудшения финансового состояния российских банков в 2008 году, связанных, прежде всего, с негативными последствиями мирового финансового кризиса, для банков двух групп (крупных и все остальных) по размеру активов (см. п. 2.1.1). Перечень российских банков, испытавших наиболее серьезные трудности или лишившихся лицензии на осуществление банковской деятельности в течение IV квартала 2008 года, представлен в Приложении IV.

Проведенный анализ показал, что при отсутствии финансовой поддержки со стороны своих акционеров отдельные банки для предотвращения банкротства были вынуждены оперативно искать новых стратегических акционеров, обращаться за финансовой поддержкой к государству или к другим кредитным организациям [14]. Помощь в поиске необходимых ресурсов при участии, в том числе, Банка России и Агентства по страхованию вкладов (АСВ) оказывалась в первую очередь крупным банкам [139, 154]. Отдельно стоит отметить покупку двух крупных российских банков иностранными инвесторами в первой половине 2008 года, а также объявленное в декабре 2008 года слияние в банковский холдинг двух других крупных российских банков (подгруппа 1 в таблице Приложения IV). В то же время отдельные банки, в основном из второй группы средних и мелких, после проведения процедуры санации были полностью или частично поглощены крупными банками или вовсе лишились лицензий на осуществление банковских операций (подгруппа 2 в таблице Приложения IV).

Это свидетельствует, прежде всего, о том, что известная формула «too big to fail» [56, 129] не утратила своего значения. Можно допустить ошибку при оценке финансового состояния крупного банка-контрагента — но, скорее всего, в случае необходимости ему будет оказана финансовая поддержка, и потерь по кредиту удастся избежать. Ошибка при оценке финансового состояния среднего или мелкого банка в аналогичной кризисной ситуации практически неизбежно приведет к потерям для кредитора.

Дальнейшее исследование проводилось исключительно для средних и мелких по размеру активов банков, среди которых была дополнительно выделена подгруппа «проблемных» (в таблице Приложения IV «проблемные» банки выделены курсивом). Для них строились относительные оценки четырех рассмотренных выше финансовых показателей, скорректированная сумма В которых с весами, равными 1/4, бралась в качестве итоговой синтетической оценки В\ Итоговые оценки строились для 13 отчетных дат за период с 01.01.2008 по 01.01.2009. В качестве монотонных функций оценок использовались функции вида Ь(х) — 1-е а(х Хт'т), где xmin - граница интервала, на котором определены значения финансового показателя, а - масштабирующий коэффициент, а в качестве немонотонных — функции плотности вероятности гамма-распределений, непосредственно аппроксимирующих соответствующие распределения финансовых показателей. На рис.3.6 показаны распределения итоговых синтетических оценок для группы из 144 банков (из них 4 «проблемных»), полученные с использованием монотонных и немонотонных функций оценок отдельных финансовых показателей. Эти распределения близки к равномерным, поскольку итоговые синтетические оценки корректировались с учетом функций распределения суммы (см. п. 3.1.3).

15

12

CS О M

Z 9

ГС ю о G

26

I | все банки на 01.01,09 | проблемные банки ги

JU

1iL

I i I i I i l i I i

10 20 30 40 50 60 70 80 90 100

Итоговая оценка

15

12 m о g z 9

ГС ю о

4 fi и 6 все банки на 01,01.09 проблемные банки лги. ' ' ■ ' ' ' ■ ' ■ ' ' ' '

О 10 20 30 40 50 60 70 80 90 100

Итоговая оценка

Рис.3.6. Распределение банков по итоговой синтетической оценке для монотонных (слева) и немонотонных (справа) функций по данным финансовой отчетности на 01.01.2009.

В последние годы были разработаны разнообразные подходы к моделированию кредитного риска банка и построению кредитных рейтингов заемщиков, в том числе банков-контрагентов. Требования Базельского комитета по банковскому надзору к внутренним кредитным рейтингам как основе резервирования части капитала для кредитных рисков заставляют банки развивать статистические инструменты для оценки качества внутренних методик и моделей оценки финансового состояния контрагентов [130]. Одними из наиболее часто используемых на практике методов в настоящее время являются метод профиля накопленной точности (cumulative accuracy profile, САР) с его суммарной оценкой отношения точности (accuracy ratio, AR) и метод функциональной характеристики приемника (receiver operating characteristic, ROC) с суммарной Оценкой площади под кривой (area under the curve, AUC) [95, 96, 119, 126, 128, 131]. Предлагаемая в данном исследовании методика оценки финансового состояния банка-контрагента с использованием немонотонных функций оценок отдельных финансовых показателей тестировалась с помощью обоих этих методов в сравнении с методикой оценки финансового состояния банка-контрагента с использованием монотонных функций оценок финансовых показателей.

3.2.1. Тестирование с помощью метода САР

Чтобы получить оценку модели с помощью метода САР, все банки сначала располагают в соответствии с присвоенными рейтингами — от самого ненадежного до самого надежного. Для данной доли х (в процентах) от общего числа банков N кривая профиля САР у(х) строится как отношение (в процентах) числа дефолтных банков среди отобранных к общему числу дефолтных банков D в выборке. Пример профиля САР приведен на рис.3.7 («модельный» профиль). Если рейтинги приписываются случайным образом, в доле х от общего числа банков будет примерно такая же доля х дефолтных, так что в этом случае профиль САР представляет собой прямую у=х («случайный» профиль на рис.3.7). В случае идеальной модели все дефолтные банки возглавляют список, и «идеальный» профиль описывается двумя прямыми: одна с наклоном N/D и вторая -горизонтальная.

Качество модели присваивания кредитных рейтингов видно из того, насколько «модельный» профиль близок к «идеальному». Однако часто удобнее иметь один количественный параметр, который бы описывал близость профиля исследуемой модели к «идеальному». Понятно, что чем ближе «модельный» профиль к «идеальному», тем меньше площадь, лежащая выше «модельного» профиля и ниже «идеального» (область В на рис.3.7). С другой стороны, максимально достижимая площадь между «модельным» и «случайным» профилями соответствует площади между «идеальным» и «случайным» профилями (площадь А+В). Таким образом, в качестве количественного параметра, описывающего близость профиля модели к «идеальному», берется отношение AR = А/(А + В), называемое отношением точности (accuracy ratio). Отношение точности AR лежит в пределах от 0 до 1 и оцениваемая модель тем точнее определяет дефолтные банки, чем ближе отношение AR к единице.

Выражение для отношения AR имеет вид 1 l\y(x)dx-\ -' (ЗЛ> где /- Nd/(Nnd + Nd) и Nd - число дефолтных, a Nnd - число недефолтных банков. Несмещенной оценкой для AR служит величина V, определяемая как сумма дискретных коэффициентов vd,nd по всем парам дефолтных и недефолтных банков: = ~лг AT ¿-I Vd,nd 5

Nd х Nnd (S) I Sd < snd

О S =S W d nd

-1, sd>s„d d,nd где - рейтинг дефолтного банка, ^¿-рейтинг недефолтного банка [95, 96, 131].

Для тестирования предлагаемой методики использовались данные финансовой отчетности группы из примерно 200 средних и мелких российских банков за период 01.01.2008 - 01.01.2009. В рассматриваемой группе банков была выделена подгруппа - «проблемные» банки, испытавшие наиболее серьезные трудности или лишившиеся лицензии на осуществление банковской деятельности в течение IV квартала 2008 года (см. Приложение IV). Отметим, что банк участвовал в расчете итоговой синтетической оценки на отдельную отчетную дату только в случае, если для него на эту дату имелась статистика по всем четырем относительным показателям. И если в начале исследуемого периода статистика имелась по 15 банкам из подгруппы «проблемных», то к концу периода большая часть подгруппы перестала существовать, так что в расчет входили 5 банков и менее. На рис.3.8 показаны профили САР для результатов применения двух методик получения итоговых синтетических оценок — на основе немонотонных (сплошная линия) и монотонных функций оценок финансовых показателей (пунктирная линия) — по данным на 01.01.2009 для 144 банков, 4 из которых оказались «проблемными». Как видно из рисунка, профиль САР, соответствующий методике на основе немонотонных функций оценок, ближе к «идеальному» профилю. Соответственно, и отношение точности АЯ, подсчитанное по формуле (3.2) и равное в данном случае 0,92, выше соответствующего отношения точности для методики на основе монотонных функций оценок и равного 0,78.

3.2.2. Тестирование с помощью метода ROC

Построение кривой ROC для оценки предсказательной способности модели присваивания кредитных рейтингов проводится по общей для этого метода схеме, пришедшей из теории обработки сигналов [94]. Присвоение рейтинга определенному банку подразумевает четыре возможных случая: недефолтному банку присваивается относительно низкий рейтинг (ошибка I рода) или высокий рейтинг (правильное предсказание), дефолтному банку присваивается низкий рейтинг (правильное предсказание) или относительно высокий рейтинг (ошибка II рода). Цена ошибок I рода - упущенная прибыль, цена ошибок II рода — потери для кредитора [126, 131]. Для каждого порогового значения рейтинга определяется отношение Rr числа недефолтных банков, имеющих рейтинг ниже порогового, к общему числу недефолтных банков. Аналогично определяется отношение Rn числа дефолтных банков, имеющих рейтинг выше порогового, к общему числу дефолтных банков. Таким образом, каждому пороговому значению рейтинга соответствует точка в координатах (Rbl-Rn). Кривая ROC проходит через эти точки из начала координат в точку (1,1) (см. рис.3.9). Чем ближе кривая к точке (0,1), тем выше предсказательная способность модели [98, 99, 135]. О R 1

Рис.3.9. Пример кривой ROC.

Так же как и в методе профиля накопленной точности САР, в методе функциональной характеристики приемника ROC можно построить один количественный параметр, описывающий качество модели. В данном случае им служит площадь AUC (area under the curve) под кривой ROC: 1

AUC = \y{x)dx (33) 0

Параметр A UC меняется в пределах от 0 до 1, но практически имеет смысл только диапазон от 0,5 до 1, поскольку значение AUC=0,5 соответствует случайному присваиванию рейтинга, a AUC=J — модели, абсолютно точно разделяющей дефолтные и недефолтные банки. Несмещенной оценкой для параметра AU С является сумма, взятая по всем парам дефолтных и недефолтных банков: ~ N N YuudM>

1Vd X1*nd (d,nd)

Ud,nd l' Sd<Snd . (3.4)

1/2, S^S«

0, Sd > snd

Как показано в работах [95, 96, 126, 131], методы САР и ROC тесно связаны между собой, а между показателями AR и AUC имеется простая зависимость:

AR=2(AUC-0,5).

На рис.3.10 показаны кривые ROC, построенные для оценок группы из 144 банков, включавшей 4 «проблемных», по данным на 01.01.2009. Кривая ROC, соответствующая методике на основе немонотонных функций оценок, проходит ближе к идеальной кривой. Показатель AUC для нее, подсчитанный по формуле (3.4), равен 0,96, что выше значения AUC=0,89 для кривой, соответствующей методике на основе монотонных функций оценок. Расчет коэффициента A UC для методики на основе немонотонных функций оценок отдельных финансовых показателей свидетельствует о том, что в целом использование немонотонных функций оценок оправдано. Для всех 13 отчетных дат коэффициент AUC для данной методики был больше 0,5 и в большинстве случаев выше соответствующего коэффициента для методики на основе монотонных функций оценок.

1 0.8 оГ о-б ■

0.4 0.2

0.0 0.2 0.4 0.8 0.8 1

R|

Рис.3.10. Кривые ROC для двух методик по данным на 01.01.2009. 3.2.3. Выводы

Таким образом, применение методик с использованием немонотонных функций оценок отдельных финансовых показателей может быть полезным дополнением к традиционным методикам оценки финансового состояния банков-контрагентов, в основе которых лежит коэффициентный анализ. Не ухудшая качества итоговых оценок финансового состояния банков-контрагентов с низкими, потенциально опасными значениями важнейших финансовых показателей, удается адекватно оценивать нехарактерно высокие значения этих показателей, которые для средних и мелких по размеру активов российских банков обычно свидетельствуют об их финансовой неустойчивости. Это позволяет сократить возможные потери при взаимодействии с подобными банками-контрагентами, повысить эффективность и прибыльность собственной финансовой деятельности коммерческого банка, снизить его репутационные риски.

ЗАКЛЮЧЕНИЕ

В ходе выполненного исследования были получены следующие результаты:

1) Проведен сравнительный анализ наиболее известных методик оценки финансового состояния банка-контрагента, в основе которых лежит коэффициентный анализ финансовых показателей банка, выявлены недостатки подходов, используемых в этих методиках. Выбраны основные факторы кредитного риска банка, возникающего в межбанковских отношениях, — показатели, характеризующие финансовое состояние банков-контрагентов.

2) Разработана методика относительной оценки активов банка-контрагента на основе аппроксимации реального распределения банков по активам четырехпараметрическим комбинированным распределением, позволяющая также разделить банки на две группы по активам (крупные и все остальные) и тем самым повышающая качество оценок финансового состояния банков-контрагентов.

3) Проведено моделирование распределения банков по активам, исследована природа этого распределения. Проведен анализ динамики оценок параметров аппроксимации распределений по активам российских банков, сравнительный анализ оценок для российских банков и банков других стран мира, что позволило выявить качественные закономерности развития российского банковского сектора.

4) Проведено моделирование распределений отдельных финансовых показателей для двух групп российских банков по размеру активов с использованием трехпараметрического гамма-распределения, проведен сравнительный анализ оценок параметров аппроксимации для двух групп банков, позволяющий определить оптимальные значения финансовых показателей для банков разных групп.

5) Разработана методика относительной оценки отдельных финансовых показателей банка-контрагента с использованием немонотонных функций оценки, проведен анализ динамики оценок параметров аппроксимации.

6) Разработана методика синтетической оценки финансового состояния банка-контрагента с использованием немонотонных функций оценки, проведено тестирование данной методики, показаны ее преимущества перед традиционными методиками с использованием монотонных функций оценки.

Список литературы диссертационного исследования кандидат экономических наук Андреев, Антон Юрьевич, 2009 год

1. Алгоритм расчета показателей агрегированного балансового отчета 30 крупнейших банков Российской Федерации // Вестник Банка России. 2009. № 20. 16-17.

2. Альгин А.П. Риск и его роль в общественной жизни. М.: Мысль, 1989. 187 с.

3. Бабкин В.В. Оценка финансового состояния кредитных организаций //Управление в кредитной организации. 2006. № 3. 42-48.

4. Балабанов И.Т. Риск-менеджмент. М.: Финансы и статистика, 1996. 192 с.

5. Балдин К.В., Воробьев Н. Управление рисками. М.: Юнити-Дана, 2005.511с. Щ> 6. Банковские риски: учебное пособие / Под ред. О.И. Лаврушина, Н.И. Валенцевой. М.: Кнорус, 2007. 232 с.

6. Банковское дело: Учебник / Под ред. Г.Н. Белоглазовой, Л.П. Кроливецкой.5-е изд., перераб. и доп. М.: Финансы и статистика, 2004. 349 с.

7. Бланк И. А. Управление финансовыми рисками. Киев: Ника-Центр, 2005.600 с.

8. Буздалин А.В. Секреты дистанционного анализа банка // Бизнес и банки.2004. №36.

9. Буздалин А.В., Британишский А.Л. Экспертная система анализа банков на^ ь основе методики CAMEL // Бизнес и банки, 2000. №22. 10-16.

10. Валитова Л.А. Эволюционное моделирование развития российскойбанковской системы. Дисс. .. канд. экон. наук: 08.00.13 М., 2003. 32-38.

11. Владимиров В.А., Воробьев Ю.Л., Малинецкий Г.Г. и др. Управлениериском. Риск, устойчивое развитие, синергетика. М.: Наука, 2000. 432 с.

12. Волков Н. Оценивание кредитного риска: теоретико-вероятностныеподходы // Банковские технологии. 2004. № 2. 7-11.

13. Павлов В. Убытки оказались больше. PBKdaily, 21 ноября 2007. URL:http://www.rbcdaily.rU/2007/l 1/21/world/304218 (дата обращения: 01.01.2009).

14. Перечень кредитных организаций, давших согласие на размещение форм0409101 и 0409102 финансовой отчетности на сайте Банка России. URL: http://cbr.ru/creditytransparent.asp (дата обращения: 01.06.2009)

15. Петров Д.А., Помазанов М.В. Кредитный риск-менеджмент как инструментборьбы с возникновением проблемной задолженности // Банковское кредитование. 2008. № 6.

16. Положение Центрального банка Российской Федерации от 16.10.2008№323-П "О предоставлении Банком России российским кредитным организациям кредитов без обеспечения" // Вестник Банка России. 2008. №58.

17. Положение Центрального банка Российской Федерации от 26.03.2004№254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» // Вестник Банка России. 2004. № 28.

18. Помазанов М.В. Количественный анализ кредитного риска // Банковскиетехнологии. 2004. №2. 22-28.

19. Предтеченский А.Н. Коэффициентный анализ в системе кредитныхрейтингов заемщиков банка // Банковское дело. 2005. № 4. 28-33.

20. Предтеченский А.Н. Коэффициентный анализ в системе кредитныхрейтингов заемщиков банка // Банковское дело. 2005. № 5. 38-45.

21. Проект Положения Центрального банка Российской Федерации «О порядкерасчета размера операционного риска». URL: www.cbr.ru/analytics/standart_acts/proj ects/B2_OR_l 2_2007.pdf (дата обращения: 01.05.2009).

22. Путиловский А.В: Методика подготовки заключения, по анализу финансовогосостояния банка-контрагента//Банковское кредитование. 2007. № 5. 74-82.

23. Путиловский А.В. Методика подготовки заключения по анализу финансовогосостояния банка-контрагента // Банковское кредитование. 2007. № 6. 64-88.

24. Путиловский А.В. Прогнозирование рисков банка-контрагента путемпостроения аналитических рейтингов // Банковское кредитование. 2006. № 5. 98-109.

25. Репин Д. Нерациональное зерно: десять проблем финансиста. // Секретфирмы. 2005. № 21. 52-58.

26. Рогов М. А. Риск-менеджмент. М.: Финансы и статистика, 2001. 120 с.

27. Российские банки в розничном бизнесе. До и после кризиса. Октябрь 2008года. Национальное рейтинговое агентство RusRating, 2008. URL: http://rus.rusrating.ru/content/view/1305/53 (дата обращения: 01.05.2009).

28. Рэдхэд К., Хьюс Управление финансовыми рисками. М.: Инфра-М, 1996.288 с.

29. Севриновский В.Д. Коэффициентный анализ финансового состояния банков.Проблемы и перспективы // RS-Club. 2001. № 2. 42-45.

30. Севрук В.Т. Дополнительные рейтинги — инструмент оценки внутреннихрисков финансовых институтов // Банковское дело. 2006. № 2. 29-34.

31. Синки Дж. мл. Финансовый менеджмент в коммерческом банке и виндустрии финансовых услуг. М.: Альпина Бизнес Букс, 2007. 1018 с.

32. Состояние банковского сектора России в 2008 году // Вестник Банка России.2009. №20. 6-12.

33. Тэпман Л.Н. Риски в экономике: учебное пособие для вузов / Под ред. проф.В.А. Швандара. М.: Юнити-Дана, 2002. 380 с.

34. Указание Банка России от 29.04.2009 № 2226-У "Об особенностях порядкаоценки экономического положения банков" // Вестник Банка России. 2009. № 32.

35. Atiya A.F. Bankruptcy Prediction for Credit Risk Using Neural Networks: ASurvey and New Results // IEEE Transactions on Neutral Networks. 2001. Volume 12/4. P. 929-935.

36. Bak P., Tang С and Wiesenfeld K. Self-organized cnticality: An explanation ofthe 1/f noise // Physical Review Letters. 1987. Volume 59. P. 381-384.

37. Bank Financial Strength Ratings: Global Methodology. Moody's Investors Service,2007. URL: http://v2.moodys.com/moodys/cust/research/MDCdocs/22/2006400000430007.pdf (дата обращения: 01.01.2009).

38. Bank Rating Methodology. Criteria Report. Fitch Ratings, 2008. URL:http ://fitchratings. com/corporate/reports/report_frame. cfm?rpt_id=414910 (дата обращения: 01.01.2009).

39. Basel Committee on Banking Supervision. The internal ratings-based approach.Consultative document. Basel: Bank for International Settlements, 2001. URL: www.bis.org/publ/bcbsca05.pdf (дата обращения: 01.05.2009).

40. Beaver W. Financial ratios as predictors of Failure // Journal of AccountingResearch. 1966. Volume 4, Empirical Research in Accounting: Selected Studies. P. 71-111.

41. Bedingfield J., Reckers P., Stagliano A. Distributions of Financial Ratios in theCommercial Banking Industry // Journal of Financial Research. 1985. Volume 8; P. 77-81.

42. Black F., Scholes M. The Pricing of Options and. Corporate Liabilities // TheJournal of Political Economy. 1973. Volume 81/3. P. 637-654.

43. Engelman В., Hayden E., Tasche D. Testing Rating Accuracy // Risk, January2003. P. 82-86.

44. Ennis H.M. On the Size Distribution of Banks // Federal Reserve Bank ofRichmond Economic Quarterly. 2001. Volume 87/4. P. 1-25.

45. Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. 2006.Volume 27/8. P. 861-874.

46. Fawcett T. ROC graphs: Notes and practical considerations for researchers. Techreport HPL-2003-4, HP Laboratories, 2003.

47. Fitch's Bank Ratings. Criteria Report. Fitch Ratings, 2008. URL:http://fitclii-atings.conVcorporate/reports/report_frame.cfm?rpt_id=414908 (дата обращения: 01.01.2009).

48. Frachot A., Georges P., Roncalli T. Loss distribution approach for operational risk.Groupe de Recherche Operationnelle. Credit Lyonnais. Working Paper. April 2001.

49. Frecka T.J., Hopwood W.S. The Effects of Outliers on the Cross-SectionalDistributional Properties of Financial Ratios // The Accounting Review. 1983. Volume 8. P. 115-128.

50. Gibrat R. Les Inegalites Economiques. Paris, Librairie du Recueil Sirey. 1931.

51. Jacobson Т., Linde J., Roszbach K. Internal Ratings Systems, Implied Credit Riskand the Consistency of Banks' Risk Classification Policies // Sveriges Riksbank Working Paper Series. December 2003. № 155.

52. Janicki H.P., Prescott E.S. Changes in the Size Distribution of U.S. Banks: 19602005 // Federal Reserve Bank of Richmond Economic Quarterly. 2006. Volume 92/4. P. 291-316.

53. Jonker N. Credit ratings of the banking sector // De Nederlandsche Bank. 2002.Research Memorandum WO № 714.

54. Jorion P. Financial Risk Manager Handbook. Hoboken, New Jersey: John Wiley &Sons, Inc., 2003. 708 p.

55. Kahneman D., Tversky A. Choices, values and frames // American Psychologist.1984. Volume 39/4. P. 341-350.

56. Luhmann N. Soziologie des Risikos. Berlin/ New York: Walter de Gruyter, 1991.P. 9-40.

57. Markowitz H. Portfolio Selection // The Journal of Finance. 1952. Volume 7/1.P. 77-91.

58. McDonald A., Eastwood G. Credit Risk Rating at Australian Banks // AustralianPrudential Regulation Authority. December 2000. Working Paper 7.

59. Merton R.C. The Pricing of Corporate Debt: The Risk Structure of Interest Rates //Journal of Finance. 1974. Volume 29/2. P. 449-470.

60. Merton R.C. Theory of Rational Option Pricing // Bell Journal of Economics andManagement Science. 1973. Volume 4/1. P. 141-183.

61. Miller G.A. Some effects of intermittent silence // American Journal ofPsychology. 1957. Volume 70/2. P. 311-314.

62. Pareto V. Cours d'economic politique. Paris, 1897.

63. Piergiovanni R., Santarelli E., Klomp L., Thurik A.R. Gibrat's Law and the FirmSize / Firm Growth Relationship in Italian Services // Tinbergen Institute Discussion Papers TI-2002-080/3.

64. Reed W.J. The Pareto, Zipf and other power laws // Economics Letters. 2001.Volume 74. P. 15-19.

65. Ricardo D. On the Principles of Political Economy and Taxation. London: JohnMurray, 1821.

66. Rosenberg J., Schuermann T. A General Approach to Integrated Risk Managementwith Skewed, Fat-tailed Risks // Federal Reserve Bank of New York. April 2004. Staff Report №185.

67. Salmi Т., Martikainen T. A review of the theoretical and empirical basis offinancial ratio analysis // The Finnish Journal of Business Economics. 1994. Volume 43/4. P. 426-448.

68. Soberhart J.R., Keenan S.C., Stein R.M. Benchmarking quantitative default riskmodels: a validation methodology. Moody's Rating Methodology, March 2000.

69. Somette D. Mechanism for power laws without self-organization // InternationalJournal of Modern Physics. 2001. Volume 13. P. 133-136.

70. Stein R.M. Benchmarking Default Prediction Models. Pitfalls and Remedies inModel Validation // Moody's KMV Company. 2003. Technical Report № 030124.

71. Stern G.H., Feldman R.J. Too Big to Fail: The Hazards of Bank Bailouts.Washington, DC: The Brookings Institution Press, 2004.

72. Studies on the Validation of Internal Rating Systems. Basel Committee on BankingSupervision, Working Paper No.14. Rev. version May 2005. BIS 2005.

73. Sun Ming-Yi, Wang Szu-Fang. Validation of credit rating models - a preliminarylook at methodology and literature review // Review of Financial Risk Management. 2005. Volume 1/1. P. 1-15.

74. Thornton J. The Relative Size of Banks and Industrial Firms in Japan, the U.S. andthe EEC // Asian Economic Journal. 1992. № 6. P. 183-190.

75. Tobin J. A General Equilibrium Approach To Monetary Theory // Journal ofMoney, Credit and Banking. 1969. Volume 1/1. P. 15-29:

76. Treacy W., Carey M. Credit Risk Rating at Large US Banks // Journal of Bankingand Finance. 2000. Volume 24. P. 167-201. 135. van Deventer D.R., Imai K. Credit Risk Models and the Basel Accords. Singapore: John Whiley & Sons, 2003. 270 p.

77. Yule G. U. A mathematical theory of evolution based on the conclusions of Dr.J.C.Willis, F.R.S. // Philosophical Transactions of the Royal Society of London Series. 1924. Volume 213. P. 21-87. Интернет-ресурсы

78. Сайт информационного ресурса The Bankers' Almanachttp://www.bankersalmanac.com

79. Сайт агентства Bureau van Dijk Electronic Publishing http://www.bvdep.com

80. Сайт Агентства по страхованию вкладов http://www.asv.org.ru

81. Сайт информационного агентства "Финмаркет"http://finmarket.ru/z/bw/rankings.asp

82. Сайт информационного ресурса по финансовой отчетности российскихбанков http://balbase.mbkcentre.ru

83. Сайт корпорации Microsoft http://office.microsoft.com/ruru/excel/FXl 00487621049.aspx

84. Сайт международного рейтингового агентства Fitch Ratingshttp://www.fltchratings.ru

85. Сайт международного рейтингового агентства Moody'shttp://www.moodys.com

86. Сайт международного рейтингового агентства Standard&Poor'shttp ://www. standardandpoors.ru

87. Сайт Московской межбанковской валютной биржи http://www.micex.ru

88. Сайт Национального банка Украиныhttp://www.bank.gov.ua/Bank_supervision/index.htm

89. Сайт национального рейтингового агентства "HPА" http://www.ra-national.ru

90. Сайт национального рейтингового агентства "Эксперт РА"http://www.raexpert.ru

91. Сайт 0 0 0 "Фирма СТИиК" http://www.banks-rate.ru/about/index.html

92. Сайт рейтингового агентства "АК&М" http://www.akmrating.i-u/

93. Сайт рейтингового агентства "RusRating" http://rus.rusrating.ru

94. Сайт фондовой биржи РТС http://www.rts.ru

95. Сайт Центрального банка Российской Федерации http://www.cbr.ru

96. Сайт ЦЭА Интерфакс http://analytics.interfax.ru/prim_bank.html