Формирование агрегированной рейтинговой системы для управления кредитными рисками в коммерческом банке тема диссертации и автореферата по ВАК РФ 08.00.10, кандидат наук Дьячкова Наталья Федоровна

  • Дьячкова Наталья Федоровна
  • кандидат науккандидат наук
  • 2021, ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики»
  • Специальность ВАК РФ08.00.10
  • Количество страниц 239
Дьячкова Наталья Федоровна. Формирование агрегированной рейтинговой системы для управления кредитными рисками в коммерческом банке: дис. кандидат наук: 08.00.10 - Финансы, денежное обращение и кредит. ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики». 2021. 239 с.

Оглавление диссертации кандидат наук Дьячкова Наталья Федоровна

Введение

Глава 1. Кредитные рейтинги и их использование в системе риск-менеджмента

1.1. Виды кредитных рейтингов и возможности их использования

1.2. Теоретические вопросы сопоставления и агрегирования кредитных рейтингов

1.3. Классификация методов агрегирования кредитных рейтингов

1.4. Зависимость кредитных рейтингов от кредитного цикла

1.5. Этапы построения агрегированной рейтинговой системы и перспективные задачи, решаемые в среде риск-менеджмента коммерческого банка

Глава 2. Сопоставление рейтинговых шкал

2.1. Совершенствование дистанционной модели мэппинга

2.2. Формирование базы данных по кредитным рейтингам экономических объектов

2.3. Сопоставление шкал для российских рейтинговых агентств

2.4. Сопоставление шкал для международных рейтинговых агентств

2.5. Сопоставление расхождений рейтингов для создания агрегированной системы

2.6. Результаты агрегирования рейтингов и улучшение прогноза временной оценки кредитных рисков

Глава 3. Кластеризация кредитных рейтингов и построение финансовых паттернов

3.1. Адаптация методов построения паттернов для агрегирования кредитных рейтингов

3.2. Сопоставимость оценки линейных и нелинейных эффектов от кластеризации кредитных рейтингов

3.3. Эмпирические оценки для финансовых паттернов по промышленным компаниям

3.4. Эмпирические оценки для финансовых паттернов по коммерческим банкам

3.5. Совмещение эмпирических оценок расхождений для получения агрегированного рейтинга эмитента

Глава 4. Выявление расхождений кредитных рейтингов в зависимости от кредитного цикла

4.1. Показатель кредитного разрыва как макроиндикатор оценки кредитного цикла

4.2. Моделирование влияния кредитного цикла на агрегированные кредитные рейтинги эмитентов

4.3. Эмпирические оценки для агрегированных кредитных рейтингов во время смены фаз кредитного цикла: макроэкономический анализ

4.4. Поведение агрегированных рейтинговых оценок во время смены фазы кредитного цикла

Заключение

Список литературы

Приложение 1. Количественное сопоставление рейтинговых шкал

Приложение 2. Визуализация данных по кластеризации

Приложение 3. Дескриптивные характеристики переменных

Приложение 4. Показатели кредитного разрыва

Рекомендованный список диссертаций по специальности «Финансы, денежное обращение и кредит», 08.00.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Формирование агрегированной рейтинговой системы для управления кредитными рисками в коммерческом банке»

Введение

Актуальность темы исследования. Современный финансовый рынок сложно представить без повседневного использования кредитных рейтингов: они широко применяются коммерческими банками в оценке кредитоспособности заемщиков; в мире развитых финансовых отношений кредитные рейтинги играют роль индикаторов финансового состояния потенциальных заемщиков. Именно поэтому использование кредитных рейтингов в моделях сопоставления и прогнозирования финансовых рисков на основе агрегирования способствует повышению рисковой культуры и эффективности управления рисками.

Кредитный рейтинг представляет собой мнение рейтингового агентства относительно способности объекта рейтингования выполнить свои финансовые обязательства в полной мере и в указанный срок. Понимание проблемы сопоставимости рейтингов, как на микро-, так и на макроэкономическом уровне, должно помочь совершенствовать методы управления финансовыми рисками в коммерческих банках и на предприятиях реального сектора экономики: инвестор вместо того, чтобы анализировать все существующие на рынке компании, может сосредоточиться только на тех компаниях, которые имеют приемлемые для него значения кредитного рейтинга.

На рынке существуют международные и национальные рейтинговые агентства, присваивающие рейтинги одним и тем же компаниям по различным шкалам. Шкалы рейтинговых агентств, различаясь между собой, не позволяют сопоставлять напрямую символьно-числовые оценки простыми способами. Отсутствие быстрого и достоверного способа соотнесения рейтинговых оценок представляет собой научно-практическую проблему. Её решение затруднено из-за невозможности универсального сопоставления рейтинговых шкал различных агентств в связи с большим количеством факторов, влияющих на достоверность оценки.

Мотивация исследования состоит в следующем: разработать и внедрить для лучшего управления кредитными рисками разработать и внедрить современные методы агрегирования кредитных рейтингов заемщиков с использованием статистических инструментов мэппинга и кластеризации, и за счет этого расширить область применения сопоставимых кредитных рейтингов в финансовой сфере путем их использования в моделях кредитных рисков при создании системы оценок на основе внутренних рейтингов (IRB-approach) согласно рекомендациям Базельских соглашений (Базель-II) в коммерческих банках.

Предложенные подходы позволяют устранить негативные эффекты, возникающие из-за информационной асимметрии расхождения рейтинговых оценок различных агентств. Сопоставление и агрегирование рейтингов, как промышленных компаний, так и коммерческих банков, является актуальным вопросом для большинства зарубежных и российских инвесторов. Методы количественного агрегирования рейтингов дают возможность получить оценку кредитных рисков и финансовой устойчивости компаний-заемщиков и банков.

Услуги рейтинговых агентств очень дифференцированы и строго регламентированы согласно методологиям, принятым ими, и саморегулирующимся стандартам качества. Процесс саморегулирования и стандарты управления рейтинговыми агентствами прошли долгий путь от сравнительно простых соглашений и регламентаций до жестких, законодательно закрепленных норм и требований, например, стандартов IOSCO в странах Европейского Союза (ЕС) или акта Додда-Франка в США.

Кредитные рейтинги от МРА* присвоены лишь около 25 % российским банкам**, так как позволить себе эти услуги могут преимущественно крупные

* МРА- международные рейтинговые агентства, прежде всего три агентства - Moody's, Standard & Poor's, Fitch.

** Доклад Банка России «Создание системы сопоставления рейтинговых шкал кредитных рейтинговых агентств (мэппинг)», декабрь, 2016, Москва, ссылка URL: https://www.cbr.ru/Content/Document/File/50715/Consultation Paper 171115.pdf .

банки и компании, ориентированные на международные рынки капитала. Для остальных российских банков - средних и малых по объему активов -подобные консультационные и рейтинговые услуги являются вряд ли окупаемыми.

Российским банкам необходимо создавать собственные методики мониторинга контрагентов как для различных экономических объектов, чтобы обеспечить своевременную и качественную оценку их финансового состояния и кредитоспособности на микро- и макроуровне. Изменения в порядке расчета кредитного риска обусловлены также внедрением положений Базель-П и Базель-Ш при создании комплексных систем управления и оценки рисков внутри российских коммерческих банков. Все это акцентирует внимание на агрегировании рейтингов и оценке рисков экономических объектов для формирования системы управления кредитными рисками в коммерческом банке.

В финансовой эконометрике востребованы модели, позволяющие использовать различную, доступную на финансовых рынках информацию об эмитентах для прогнозирования вероятности их дефолта. Расхождения рейтингов возникают в связи с различными качественными и количественными факторами, которые закладывают в свои методологии рейтинговые агентства.

В большинстве эмпирических работ рассматриваются крупные промышленные компании и банки, однако несмотря на это в развивающихся странах существуют тенденции к росту и глобализации различных экономических объектов. Подобная тенденция приводит к тому, что требуется повышение качества оценки рисков для управления на основе открытой, публичной информации для более широкого круга компаний. Параллельно возрастает интерес к оценке рисков со стороны потенциальных инвесторов. При этом экономические объекты стремятся получить наиболее высокий

кредитный рейтинг, отражающий их текущее состояние и содержащий прогноз на определенный период.

Одним из факторов недооценки на финансовом рынке компании или банка является низкий кредитный рейтинг, его понижение или полное отсутствие. Подобному явлению на финансовых рынках соответствует обратная ситуация, когда переоценка компании связана с высоким кредитным рейтингом и отсутствием изменений в пересмотре рейтинга относительно рынка. Следовательно, на финансовом рынке появляется расхождение рейтингов, что может рассматриваться, в условиях существования информационной асимметрии, как отрицательная взаимосвязь между эффективностью кредитного рейтинга и вероятностью дефолта компании или банка.

Степень разработанности проблемы. Поднятые в диссертационном исследовании вопросы агрегирования и сопоставления рейтингов рассматриваются в работах зарубежных исследователей: D. Aikman, E. Altman, D. Amato, C. Bannier, A. Barton, M. Blume, F. Cantor, J. Kiff, N. Kiyotaki, M. Kose, A. Livingston, E. Mendoza, F. Packer, J. Saurina, J.Wei, L. Zhou и др. Вопросам сопоставления рейтинговых шкал и агрегирования рейтингов среди отечественных ученых посвящены работы С.А. Айвазяна, А.М. Карминского, А.А. Пересецкого, М.В. Помазанова, В.М. Солодкова и др. Отдельным направлением по исследованию методов кластеризации посвящены работы Ф.Т. Алескерова, А.А. Пересецкого, Н.И. Берзона. Работы, затрагивающие макроэкономическую оценку взаимосвязи между кредитными циклами и рейтингами, отражены в работах О.Г. Солнцева и А.А. Пономаренко.

Перечисленные выше публикации основаны на различных подходах и формируют интсрументарий агрегирования рейтингов для целей риск-менеджмента. Предмет отличий кредитных рейтингов, причин этих отличий и возможности их сопоставления, равно как и степень разработки методов по

агрегированию рейтингов, изучаются в литературе с середины 1980-х годов [Billingsley et al., 1985; Hsueh et al., 1988].

В некоторых эмпирических исследованиях [Bannier et al., 2010, Cantor, 1997], посвященных вопросу различия методологий рейтинговых агентств, отражены попытки количественно оценить и показать расхождения рейтингов, однако полученные различными авторами результаты неоднозначны в интерпретации. В свою очередь, расхождения кредитных рейтингов можно использовать для выявления существенных отличий и дисперсии кредитных рейтингов у того или другого рейтингового агентства для оценки кредитных рисков. Эмпирические свидетельства для агрегированных оценок рейтингов обусловливают важность построения многомерных моделей отличий при сопоставлении рейтинговых шкал и агрегировании рейтингов в среде управления финансовыми рисками на более продвинутом уровне.

Среди большого количества работ зарубежных и отечественных исследователей не существует общепринятого единого подхода к рассмотрению мер агрегирования и сопоставления рейтингов [Cantor, Packer, 1996; Kose et al., 2003; Cornaggia, 2013; Пересецкий, 2012; Карминский, 2015; Буздалин и др., 2017]. Стоит обратить внимание на ряд работ, посвященных изучению деятельности рейтинговых агентств, стимулов их поведения на рынке и проблеме ангажированности кредитных рейтингов в пользу как эмитента, так и рейтингового агентства [Becker, Milbourn, 2010; Bolton et al., 2012; Feng et al., 2014; White, 2013].

Не всегда используемый агентствами подход совпадает с точки зрения сроков определения кредитоспособности эмитента [Bongaerts, 2012; Kiff et al., 2013]. Кроме того, помимо самих расхождений, возникает трудность при сравнении рейтингов зарубежных и национальных агентств, шкалы которых могут существенно отличаться [Bannier et al., 2010; Barton, 2006]. Имеются

отличия в количестве градаций в шкале [Peresetsky et al., 2011; Karminsky, Polozov, 2016].

Эмпирические результаты современных работ по анализу расхождений кредитных рейтингов у различных эмитентов и их взаимосвязи с уровнем финансового состояния эмитента [Alsaka et al., 2012; Barton A., 2006; Livingston et al., 2010; Shimizu et al., 2013] показывают, что ответ на вопрос о причинах подобных расхождений и приемлемом уровне расхождений рейтингов не является однозначным. Одним из объяснений неоднозначных результатов выступают свидетельства ряда авторов [Molinero et al., 1996; Nickell et al., 2000; Shimizu et al., 2013] в пользу того, что разные рейтинговые агентства присваивают отличные друг от друга типы рейтингов и существенная часть расхождений основана на различиях в методологиях оценки эмитентов. Важную роль играет экспертная составляющая рейтингов [Cantor, 1996; Kimberly, 2011]: если для оценки финансовых показателей можно построить модель, способную определить финансовую устойчивость банка или компании, то при оценке качественных факторов мнение экспертов может быть решающим [Cornaggia, 2013; Feng et al, 2014].

Методы агрегирования рейтингов и сопоставления рейтинговых шкал для получения достоверно точных оценок на длительном горизонте времени могут строиться на кластеризации данных и их экономической оценке во взаимосвязи с кредитным циклом, а также на мэппинге рейтинговых шкал [Hainsworth et al., 2013; Mukhopadhyay et al., 2006; Айвазян и др., 2011; Карминский и др., 2011]. Стоит отдельно отметить, что часть авторов в своих работах указывает на различные мотивы поведения самих рейтинговых агентств в рамках присвоения дистанционного (неоплачиваемого) рейтинга и заказного (покупного) рейтинга.

Стратегии подобного поведения рейтинговых агентств сказываются на развитии компании: так, перед началом финансового кризиса в 2008 г. многие рейтинговые агентства завышали присваиваемые рейтинги, что привело

впоследствии к возникновению конфликта между участниками и пользователями рейтингов и государством, в результате чего был принят закон Додда-Франка [Altman et al., 2005; Behr et al., 2008; Dimitrov et al., 2015; Kose et al., 2003]. Подобные конфликтные ситуации, затрагивающие множество частных интересов инвесторов, и не только, приводят к высоким финансовым издержкам и непропорциональному распределению влияния рейтинговых агентств на участников финансовых рынков [Bannier et al., 2010; Claessens et al., 2018; Kisgen et al., 2010; Mulder et al., 2001].

В результате проведения обзора литературы автором диссертации были сформированы направления исследований связи кредитного цикла и рейтингов, причины расхождений и эффективности оценок, а также их применения для управления кредитными рисками. Методы исследования основаны на современных эмпирических работах [Ahn et al., 2016; Danenas et al., 2011; Gentle J., 2012; Griffiths et al., 2005; Hainsworth et al., 2013; Hajek et al., 2011; Masiak et al., 2017; Parnes D, 2007; Timmermans et al., 2017; Yin et al., 2011], систематизированы и статистически улучшены с учетом данных коммерческих банков и промышленных компаний, а также за счет агрегирования рейтингов. Полученные автором результаты показывают повышенную степень достоверности и точности оценки кредитного риска.

Объект и предмет исследования. Объектом исследования выступают кредитные рейтинги экономических объектов - промышленных компаний, являющихся крупными производителями из различных отраслей реального сектора экономики, и коммерческих банков. Предметом исследования является формирование агрегированной системы рейтингов для оценки кредитных рисков экономических объектов в системе риск-менеджмента коммерческого банка.

Цель и задачи исследования. Цель работы - построение системы агрегированных рейтингов с использованием методов эконометрического анализа и аппарата прикладной статистики. Предусматривается оценка

взаимосвязи методологий различных рейтинговых агентств, а также финансовых и нефинансовых характеристик объектов с кредитными рейтингами эмитентов (как промышленных компаний, так и коммерческих банков). Кроме того, к задачам относится выявление связи с макроэкономическими индикаторами смены фазы кредитного цикла на межстрановом уровне.

Результатом работы является построение системы агрегированных рейтингов различных эмитентов для повышения оценки их кредитных рисков. Полученные агрегированные оценки рейтингов предлагаются для использования в системе риск-менеджмента коммерческого банка в рамках ШБ-подхода.

Для достижения поставленных целей в работе были решены следующие основные задачи:

1) рассмотрены и классифицированы методы агрегирования и сопоставления рейтингов на основе современных эмпирических методов;

2) сформирована объёмная база данных финансовых и нефинансовых показателей по кредитным рейтингам различных экономических объектов для ряда развитых и развивающихся стран, включая Россию;

3) разработаны алгоритмы агрегирования путем сопоставления рейтинговых шкал различных агентств, в том числе с помощью структурной кластеризации на основе финансовых паттернов;

4) проведен сравнительный анализ агрегированных рейтинговых оценок и оценено повышение точности сопоставления оценок для управления кредитными рисками в рамках подхода на основе внутренних рейтингов;

5) выявлена взаимосвязь кредитных рейтингов с фазами кредитного цикла и определен характер их изменений.

Для решения поставленных задач был сформулирован ряд научно-исследовательских проблем относительно количественного повышения точности оценки рейтингов на основе методов статистического агрегирования

и кластеризации множеств финансовых и нефинансовых экономических объектов:

1. Оценить повышение точности оценки рейтингов эмитента за счет мэппинга в рамках процедуры агрегирования, в том числе при наличии двух и более кредитных рейтингов от разных агентств.

2. Определить возможности повышения точности оценки рейтингов за счет кластеризация множества экономических объектов.

3. Изучить взаимосвязь динамики изменений кредитных рейтингов со сменой фаз кредитного цикла, а также влияние смены фаз цикла на рейтинги эмитентов.

Методологической базой исследования послужили методы множественного мэппинга и интегрального (дистанционного) сближения при сопоставлении рейтинговых шкал и получении агрегированных оценок рейтингов, отдельные компоненты которых представлены на рис. 1: точность оценок повышена с помощью структурной кластеризации, мэппинга и использования регрессионного анализа для оценки влияния кредитного цикла на рейтинги экономических объектов.

Рисунок 1. Основные элементы построения агрегированной рейтинговой системы (в рамках исследования) со встраиванием в систему риск-менеджмента

Источник: рисунок автора.

Информационная база исследования включает в себя эмпирические данные по финансовым и нефинансовым показателям и кредитным рейтингам различных объектов. Период наблюдений - 1985-2016 гг., данные годичные и квартальные для 19 стран (развитые - основные страны ЕС, США, Япония - и развивающиеся, представленные странами БРИКС*). Основными источниками послужили: макроэкономические данные Международного валютного фонда (МВФ) и Всемирного банка; данные информационно-аналитических агентств Bloomberg и Thomson Reuters; данные о динамике изменений, присвоении и пересмотре кредитных рейтингов, а также отчеты, аналитические материалы и методологии рейтинговых агентств для различных экономических объектов; аналитические обзоры и справочно-информационные материалы Банка России.

В диссертационном исследовании производились статистическое оценивание параметров моделей и агрегирование рейтингов экономических объектов, а также построение графиков и визуализация данных с помощью следующих программ и приложений прикладного математического и регрессионного анализа: STATA v.14.2, Matlab - PanelData & ScoreGroup, Python - NumPy & Matplotlib packages.

Полученная база данных для проведения эмпирической части работы и вычислительного эксперимента с использованием средств прикладного статистического анализа была разделена по двум основным категориям экономических объектов - для промышленных компаний реального сектора и для коммерческих банков. База данных для промышленных компаний, сформированная с помощью материалов Bloomberg и Eikon Thomson Reuters, представляет собой несбалансированную панель за 1985-2016 гг. База данных для коммерческих банков формировалась в ходе выполнения научно-исследовательских работ (НИР) в интересах Банка России и представляет

* Расшифр.: Бразилия, Россия, Индия, Китай, Южная Африка.

собой несбалансированную панель по крупнейшим коммерческим банкам за 2000-2016 гг.

Многие нефинансовые характеристики и сообщения об изменении и пересмотре рейтингов экономических объектов, а также отчеты рейтинговых агентств собирались автором из открытых источников вручную, ввиду ограниченного количества автоматических выгрузок.

Основные положения, выносимые на защиту. В работе получен ряд оригинальных результатов, характеризуемых следующими положениями:

1. Разработана классификация причин расхождений рейтингов экономических объектов, а также методов определения расхождений в оценке кредитоспособности эмитентов. Систематизированы различные методы сопоставления рейтинговых шкал, оценены количественные эффекты от сопоставления рейтинговых шкал.

2. Проведено сопоставление международных и российских рейтинговых шкал на основе известных развитых и разработанных автором методов агрегирования оценок рейтингов различных экономических объектов (коммерческих банков, промышленных компаний) из развитых и развивающихся стран на основе сопоставления в базовой шкале. Агрегированные в базовой шкале оценки рейтингов повышают точность интегральной оценки кредитных рисков. Оценены факторы различия и причины расхождений между присвоенными рейтингами.

3. Сформирована агрегированная рейтинговая система на основе сведенных оценок для внедрения в общую систему риск-менеджмента в коммерческом банке. Устойчивость полученных агрегированных оценок подтверждается сопоставимыми количественными результатами, полученными на основе методов мэппинга и структурной кластеризации.

4. Количественно определен и предложен для оценки кредитного цикла индикатор кредитного разрыва по крупнейшим развитым и развивающимся экономикам мира. С помощью предложенного индикатора выявлены эффекты

смены фаз кредитного цикла и их влияние на изменения рейтингов экономических объектов. Показано, что агрегированные оценки рейтингов банков запаздывают по отношению к макроэкономическим изменениям и кредитному циклу на финансовых рынках.

Научная новизна диссертационного исследования заключается в формировании и разработке агрегированной системы рейтингов для построения на их основе единого рейтингового пространства с целью улучшения оценки и уровня прогнозирования кредитных рисков для разных типов экономических объектов. В работе развиты методы сопоставления рейтинговых шкал, а также метод кластеризации рейтинговых оценок экономических объектов на основе финансовых паттернов. Исследование взаимосвязи кредитных рейтингов с этапами кредитного цикла позволило выявить несогласованность во времени между изменениями кредитных циклов и рейтингов.

Данная работа одна из первых решает проблему агрегирования и сопоставления рейтингов различных агентств и отображения этих рейтингов в единую шкалу с использованием микро- и макроэкономических показателей на основе современных методов эконометрического моделирования.

Наиболее важные научные результаты, полученные автором в данной работе:

1. Предложены усовершенствованные методы сопоставления и агрегирования рейтингов эмитентов. Новизна данных методов заключается в использовании микроэкономических финансовых показателей, раскрытии уровня кредитных рисков эмитентов на микроуровне через агрегирование рейтинга и построении финансовых паттернов, полученных в результате кластеризации экономических объектов. Приведена авторская классификация причин расхождения и деградации во времени рейтингов эмитентов.

2. Сформирована система агрегированных рейтинговых оценок, предлагаемая для включения в систему риск-менеджмента в коммерческом

банке. Исследована и показана устойчивость разработанных автором алгоритмов агрегирования рейтингов при сопоставлении рейтинговых шкал.

3. Разработана эконометрическая модель оценки взаимосвязи кредитных рейтингов с кредитным циклом. Для модели предложен новый способ расчета индикатора кредитного разрыва, с помощью которого количественно оценена очередность смены фаз кредитного цикла для 19 крупнейших развитых и развивающихся стран.

4. Выявлено контрциклическое изменение рейтингов в зависимости от смены фаз кредитного цикла на макроуровне. Рассмотрена и приведена количественная оценка кредитного цикла на основе кредитного разрыва.

При этом эмпирические результаты по сопоставлению и агрегированию рейтингов оцениваются в сравнении с другими работами по этой теме двумя различными методами и в анализе используются как микро-, так и макропоказатели. Работа автора вносит вклад в научную литературу, посвященную роли кредитных рейтингов в финансовой экономике, так как демонстрируют не только отличия рейтингов, но и их эволюционную изменчивость в зависимости от поведения кредитных циклов.

Теоретическая значимость работы заключается в следующем:

- систематизации методов сопоставления рейтинговых шкал и агрегирования рейтинговых оценок;

- расширении возможностей использования агрегированных рейтинговых оценок и на их основе повышении точности уровня оценки кредитных рисков для различных экономических объектов;

- разработке количественных методов кластеризации рейтинговых оценок различных типов экономических объектов для получения оценок уровня кредитных рисков;

- сравнительном анализе возможностей и выявлении взаимосвязи кредитных рейтингов с кредитным циклом через количественные

инструментальные переменные; в прогнозировании изменений уровня кредитных рейтингов на основе смены фаз кредитного цикла.

Обоснованность научных положений и результатов, выводов и научно-теоретических и практических рекомендаций, полученных в диссертационной работе, следует из практического использования разработанных автором методов и эконометрических моделей в научно-исследовательской работе «Долгосрочные целевые ориентиры развития финансового сектора», подготовленной по заказу Банка России в Центре макроэкономического и краткосрочного прогнозирования (ЦМАКП), а также по обсуждениям результатов работы на международных конференциях и в статьях автора.

В ходе подготовки диссертации были использованы методы фундаментальных и прикладных исследований, работы ведущих зарубежных и российских учёных и экспертов в области моделирования и сопоставления рейтингов. Полученные автором эмпирические результаты исследования соответствуют цели и задачам, поставленным в диссертации. В ней разработана также система получения агрегированных рейтинговых оценок для внедрения в систему риск-менеджмента коммерческого банка.

Выводы диссертации по главе 1 опираются на теоретические работы в области сопоставления рейтинговых шкал и поиска причин расхождения рейтингов у различных агентств. Выводы диссертационной работы по главам 2, 3 и 4 обоснованы фактическими данными и подкреплены аргументированным применением современных финансово-аналитических, статистических и эконометрических методов, позволивших подтвердить цель и задачи исследования, а также показать результат по формированию системы агрегирования кредитных рейтингов и их оценок во времени.

Вклад научной работы по теме исследования в научную литературу. Работа охватывает вопросы построения и агрегирования рейтинговых оценок, сведения их к единому базису для получения наиболее точных оценок

кредитных рисков. Рассмотренные автором методы оценивания образуют единую систему агрегирования рейтинговых оценок для задач риск-менеджмента в коммерческом банке. Представлена и описана возможность использования кредитных рейтингов как инструмента риск-менеджмента, а также их взаимосвязи с индикатором кредитного разрыва, определяющего смены этапов кредитного цикла.

Похожие диссертационные работы по специальности «Финансы, денежное обращение и кредит», 08.00.10 шифр ВАК

Список литературы диссертационного исследования кандидат наук Дьячкова Наталья Федоровна, 2021 год

Список литературы

1. Айвазян С.А., Головань С.В., Карминский А.М., Пересецкий А.А. (2011). О подходах к сопоставлению рейтинговых шкал // Прикладная эконометрика, № 3, с. 13-40.

2. Алескеров Ф. Т., Белоусова В. Ю., Егорова Л. Г., Миркин Б. Г. Анализ паттернов в статике и динамике, часть 1: обзор литературы и уточнение понятия // Бизнес-информатика. 2013. № 3(25). С. 3-18.

3. Алескеров Ф. Т., Белоусова В. Ю., Егорова Л. Г., Миркин Б. Г. Анализ паттернов в статистике и динамике, часть 2: Примеры применения к анализу социально-экономических процессов // Бизнес-информатика. 2013. № 4(26). С. 3-20.

4. Бартенев А.А. (2015). Формирование суверенной шкалы кредитных рейтингов как способ институционального преобразования российского фондового рынка // Теория и практика общественного развития, №7. Стр. 72-74. [URL: https://cyberleninka.ru/article/n/formirovanie-suverennoy-shkaly-kreditnyh-reytingov-kak-sposob-institutsionalnogo-preobrazovaniya-rossiyskogo-fondovogo-rynka].

5. Бездудный М. А., Малахова Т. А., Сидельников Ю. В. (2010). О стресс-тестировании банков // Журнал «Экономические стратегии», 2010, № 11. Стр. 80-87.

6. Берзон Н.И., Хлюпина Н.А. (2016). Информационная значимость рекомендаций аналитиков на российском рынке акций / Финансы и кредит, N 11 (683). Стр. 15-31. [URL:

https://cyberleninka.ru/article/n/informatsionnaya-znachimost-rekomendatsiy-analitikov-na-rossiyskom-rynke-aktsiy].

7. Буздалин А.В., Заночкин А.Ю., Курбангалеев М.З., Смирнов С.Н. Агрегация кредитных рейтингов как задача построения консенсуса в системе экспертных оценок //Глобальные рынки и финансовый

инжиниринг. 2017, Том 4, № 3. Стр. 181-208. [DOI: 10.18334/grfi .4.3.38830].

8. Василюк А., Карминский А., Сосюрко В. (2011). Система моделей рейтингов банков в интересах IRB-подхода: сравнительный и динамический анализ: препринт WP7/2011/07 [Текст] /; Нац. исслед. ун-т «Высшая школа экономики». - М.: Изд. дом Высшей школы экономики, 2011. Стр. 1-68.

9. Волкова О., Львова И. (2016). Влияние финансовых показателей на международные рейтинги российских банков // Экономическая политика. 2016. №1. Стр. 177-195. [URL: https://cyberleninka.ru/article/n/vliyanie-finansovyh-pokazateley-na-mezhdunarodnye-reytingi-rossiyskih-bankov].

10. Гермейер Ю.Б. (1976). Игры с непротивоположными интересами. Издательство: М.: Наука. Стр. 1-328.

11. Гисин В.Б., Ярыгина И.З. (2014). Управление рисками стоимости активов в динамических моделях рынка с трансакционными издержками // Вестник Института экономики РАН, номер 1. Стр. 85-101. [URL: https://cyberleninka.ru/article/n/upravlenie-riskami-stoimosti-aktivov-v-dinamicheskih-modelyah-rynka-s-transaktsionnymi-izderzhkami].

12. Глушкова А. А., Помазанов М. В. (2013). Некоторые актуальные проблемы оценки кредитного риска в банковской сфере. // Вестник финансового университета. № 1 (73) 2013. с. 15-27

13. Григорьев Л.М., Ефременко Д.В., Помигуев И.А., Павлюшина В.А., Салахетдинов Э.Р., Понамарева А.М., Поповец Л. А.,Стародубцева М.Ф. (2019). Страны БРИКС: государственная состоятельность, уязвимость, статус глобальных игроков (из материалов дискуссии группы ситуационного анализа ИНИОН РАН) // Политическая наука. 2019. № 3. Стр. 308-319. [DOI: 10.31249/poln/2019.03.15].

14. Григорьев Л.М., Павлюшина В.А. (2016). Что БРИКС в грядущем нам готовит / онлайн-статья Аналитического центра при правительстве РФ. [https: //ac. gov.ru/comments/comment/9482].

15. Грошев А. Р. (2016). Оценка эффективности использования капитала банка с учетом принимаемых рисков / Baikal Research Journal. Т. 7, № 4. Стр. 1-13. [DOI : 10.17150/2411-6262.2016.7(4).8].

16. Демешев Б. Б., Тихонова А. С. (2014). Прогнозирование банкротства российских компаний: межотраслевое сравнение / Экономический журнал ВШЭ за 2014. Т. 18. № 3. Стр. 359-386.

17. Доклад Банка России (2012). Аналитический документ о степени соответствия внутрибанковских подходов к управлению кредитным риском банков - участников проекта «Банковское регулирование и надзор (Базель II)». Программ сотрудничества Евро системы с Банком России по минимальным требованиям IRB-подхода Базеля II. [https://www.cbr.ru/Content/Document/File/36680/GAP.pdf].

18. Доклад Банка России (2016). Создание системы сопоставления рейтинговых шкал кредитных рейтинговых агентств (мэппинг) / Москва, [ссылка:

https://www.cbr.ru/Content/Document/File/50715/Consultation_Paper_171115 .pdf].

19. Доклад Банка России (2017). О поэтапном введении обязательного маржирования внебиржевых ПФИ, в отношении которых осуществляется централизованный клиринг [ссылка:

http://www.cbr.ru/Content/Document/File/50707/Consultation_Paper_170413. pdf].

20. Дьячкова Н.Ф. Сопоставление рейтинговых шкал российских и зарубежных агентств: промышленные и финансовые компании // Корпоративные финансы. 2018. 16. Стр. 35-50.

21. Дьячкова Н.Ф., Карминский А.М. Исследование взаимосвязи кредитных циклов и изменения кредитных рейтингов // Журнал Новой Экономической Ассоциации. 2020. N 4. Стр. 138-159

22. Живайкина А. Д., Пересецкий А. А. Кредитные рейтинги российских банков и отзывы банковских лицензий 2012-2016 гг. // Журнал Новой экономической ассоциации. 2017. Т. 4. № 36. Стр. 49-80.

23. Карминский А. М. (2015). Кредитные рейтинги и их моделирование / Москва: Издательский дом НИУ ВШЭ, 2015.

24. Карминский А. М., Солодков В. М. (2010). Единое рейтинговое пространство: миф или реальность? // Банковское дело. 2010. № 9. Стр. 56-61.

25. Карминский А.М., Пересецкий А.А. (2005). Модели рейтингов российских банков. Построение, анализ динамики и сравнение // Препринт РЭШ, 2005/049. Стр. 1-55.

26. Карминский А.М., Пересецкий А.А. (2007). Модели рейтингов международных агентств // Прикладная эконометрика. Т. 5. № 1. Стр. 3—19.

27. Карминский А.М., Трофимова Е.В. (2012). Роль рейтингов в развитии бизнес-процессов российских банков // Вестник МГИМО Университета, N 1. Стр. 260-266 [URL: https://cyberleninka.ru/article/n/rol-reytingov-v-razvitii-biznes-protsessov-rossiyskih-bankov].

28. Литвак Б.Г. (1982). Экспертная информация. Методы получения и анализа (1982). Изд. Москва.

29. Литвинова А.В., Храмова Н.А. (2016). Виды и значение рейтингов в деятельности коммерческих банков // Финансы и кредит. 2016. №16 (688). Стр. 2-18. [URL: https://cyberleninka.ru/article/n7vidy-i-znachenie-reytingov-v-deyatelnosti-kommercheskih-bankov].

30. Материалы Института экономики РАН (2014). Новое направление российской внешней и внешнеэкономической политики - взаимодействие в БРИКС / Отв. ред. С.П. Глинкина; колл. авторов. - Мосвка. Стр. 1-220.

31. Методика определения рейтингов, символы и обозначения рейтингового агентства Standard & Poor's Agency:

[http://www.standardandpoors.com/en_EU/delegate/getPDF;jsessionid=W8dC

205

XfRG0pY4JBcj1TnJhhj5hTLMTvfnJ45XX2vpzqp7Tn1LXpvq!845108344?ar ticleId=1498249&type=COMMENTS&subType=REGULATORY].

32. Методика определения рейтингов, символы и обозначения рейтингового агентства Fitch Rating Service:

https: //www.fitchratings .com/web_content/ratings/fitch_ratings_definitions_an d_scales.pdf

33. Методика определения рейтингов, символы и обозначения рейтингового агентства Moody's Investor Service:

[https://www.moodys.com/sites/products/AboutMoodysRatingsAttachments/M oodysRatingSymbolsandDefinitions.pdf]

34. Методика определения финансовой устойчивости для финансовых компаний (Standard & Poor's: Common Business and Finance), источник -сайт Standard & Poor's:

[http://www.standardandpoors.com/en_EU/delegate/getPDF;jsessionid=W8dC XfRG0pY4JBcj1TnJhhj5hTLMTvfnJ45XX2vpzqp7Tn1LXpvq!845108344?ar ticleId=1498249&type=COMMENTS&subType=REGULATORY]

35. Насреддинов Ф.Ш. (2012). Роль рейтинговых агентств в управлении качеством кредитного портфеля в коммерческих банках // Статистика и экономика, №6. Стр. 63-65. [URL: https://cyberleninka.ru/article/n7rol-reytingovyh-agentstv-v-upravlenii-kachestvom-kreditnogo-portfelya-v-kommercheskih-bankah].

36. Пересецкий А.А. (2009). Измерение компоненты внешней поддержки рейтингов агентства Moody's // Прикладная эконометрика. Т. 14, №2. Стр. 3-23.

37. Пересецкий А.А. (2012). Эконометрические методы в дистанционном анализе деятельности российских банков (монография) / Изд. дом Высшей школы экономики, Москва, 235 с.

38. Помазанов М. В. (2016). Управление кредитным риском в банке: подход внутренних рейтингов / Науч. ред.: Пеникас Г.И. М. : Юрайт.

39. Помазанов М., Хамалинский А. (2012). Калибровка рейтинговой модели для секторов с низким количеством дефолтов // Управление финансовыми рисками, №02(30)2012. С. 82-94.

40. Пономаренко А., Дерюгина Е., Рожкова А. (2018) Когда оценки кредитных разрывов являются достоверными? // Серия докладов об экономических исследованиях Банка России № 34 / Июль 2018 г.

41. Ратникова Т.А., Фурманов К.К. (2014). Анализ панельных данных и данных о длительности состояний / Изд. дом Высшей школы экономики, Москва, 373 с.

42. Савинова Е.А., Ковалерова Л.А. (2017) Использование рейтингов для оценки кредитоспособности банков // Научный журнал КубГАУ (Scientific Journal of KubSAU), №127. Стр. 340-352. [URL: https://cyberleninka.ru/article/n/ispolzovanie-reytingov-dlya-otsenki-kreditosposobnosti-bankov].

43. Стежкин А.А. (2015). О методах валидации рейтинговых систем в рамках подхода внутренних рейтингов к оценке кредитного риска банков // Финансовая аналитика: проблемы и решения, N 32 (266). Стр. 29-41.

44. Столбов М. И., Солнцев О. Г., Голощапова И. О. (2018). Ресурсная зависимость и финансовое развитие // Мировая экономика и международные отношения. 2018. Т. 62. № 5. Стр. 52-61.

45. Указание Банка России от 22 марта 2019 г. N 5099-У «О требованиях к расчету размера собственных средств при осуществлении профессиональной деятельности на рынке ценных бумаг, а также при получении лицензии (лицензий) на осуществление профессиональной деятельности на рынке ценных бумаг»

[http s: //www.garant.ru/pro ducts/ipo/prime/doc/72113912/].

46. Федеральный закон от 13.07.2015 N 222-ФЗ «О деятельности кредитных рейтинговых агентств в Российской Федерации» [http://www.consultant.ru/document/cons_doc_LAW_182646/].

47. Ahn H., Wong W. (2016). Multiclass support vector machines with simultaneous multi-factors optimization for corporate credit ratings / World Academy of Science, Engineering and Technology, Open Science Index 112, International Journal of Computer and Information Engineering, N 10(4), PP. 756-760.

48. Aikman D., Haldane A.G., Nelson B.D. (2015). Curbing the credit cycle / The Economic Journal, Volume 125, Issue 585, 1 June 2015, P. 1072-1109. [https://doi.org/10.1111/ecoj.12113].

49. Akhmedov A., Suvorov A. (2013) Discretionary acquisition of firm-specific human capital under non-verifiable performance. Доступно на

SSRN: https://ssrn.com/abstract= 1962278 [http://dx.doi.org/10.2139/ssrn.1962278].

50. Aktan B., Qelik §., Abdulla Y., Alshakhoori N. (2019). The impact of credit ratings on capital structure // ISRA International Journal of Islamic Finance, Vol. 11 No. 2, PP. 226-245. [DOI: https://doi.org/10.1108/IJIF-03-2018-0028].

51. Alsakka R., Gwilym O. (2012). The causes and extent of split sovereign credit ratings in emerging markets / Emerging Markets Finance and Trade, 48 ((1)). PP. 4-24. [DOI: 10.2753/REE1540-496X480101].

52. Altman E. (2018). A fifty-year retrospective on credit risk models, the altman z -score family of models and their applications to financial markets and managerial strategies / Journal of Credit Risk, Vol. 14, No. 4, 2018. [Доступно по ссылке в SSRN: https://ssrn.com/abstract=3299519].

53. Altman E., Rijken H. (2005). The effects of rating through the cycle on rating stability, rating timeliness and default prediction performance / NYU Working Paper No. FIN-05-004. [Доступно по ссылке в

SSRN: https://ssrn.com/abstract=1294140].

54. Amato J., Furfine C. (2003). Are credit ratings procyclical? / Journal of Banking & Finance N 28. PP. 2641-2677. [DOI: 10.1016/j.jbankfin.2004.06.005].

55. Ammer J., Packer F. (2000). How consistent are credit ratings? A geographic and sectoral analysis of default risk / N 668, International Finance Discussion Papers, Board of Governors of the Federal Reserve System (U.S.) [https://EconPapers.repec.org/RePEc:fip:fedgif:668].

56. Arteta C., Kose A., Ohnsorge F., Stocke M. (2015). The coming US interest rate tightening cycle: smooth sailing or stormy waters? / Working Papers 1522, Ko? University-TUSIAD Economic Research Forum.

57. Bank for International Settlements (2018). Structural changes in banking after the crisis // CGFS Papers, N 60 [URL: https://www.bis.org/publ/cgfs60.htm].

58. Bannier C., Behr P., Guettler A. (2010). Rating opaque borrowers: why are unsolicited ratings lower? / Review of Finance, Vol. 14, PP. 263-294, 2010. [Доступно по ссылке в SSRN: https://ssrn.com/abstract=1107070].

59. Baresa S., Sinisa B., Ivanovic S. (2012). Role, interests and critics of credit rating agencies // UTMS Journal of Economics, vol. 3(1). PP. 71-82.

60. Barrell R., Karim D., Macchiarelli C. (2017). Towards an understanding of credit cycles: do all credit booms cause crises? / Working Paper series, Rimini Centre for Economic Analysis,

[https://EconPapers.repec.org/RePEc:rim:rimwps:17-28].

61. Barton A. (2006). Split credit ratings and the prediction of bank ratings in the Basel II environment. University of Southampton, School of Management, Doctoral Thesis. PP. 1-254.

62. Basel III. (2010). Guidance for national authorities operating the countercyclical capital buffer, December 2010 [Ссылка на ознакомление с документом доступна по: https://www.bis.org/publ/bcbs187.pdf]

63. Becker B., Milbourn T. (2010). How did increased competition affect credit ratings? / Harvard Business School Finance Working Paper No. 09-051. [Доступно по ссылке в SSRN: https://ssrn.com/abstract=1278150].

64. Behr P., Guttler A. (2008), The informational content of unsolicited ratings / Journal of Banking & Finance 32, 587-599[Доступно по ссылке в SSRN: https://ssrn.com/abstract=724881 ].

65. Benmelech E., Dlugosz J. (2009). The credit rating crisis. NBER Working Paper No. w15045. [Доступно по ссылке в

SSRN: https://ssrn.com/abstract=1415208]

66. Berd A. (2009). Dynamic estimation of credit rating transition probabilities // Quantitative Finance Papers. [DOI: 10.2139/ssrn.842664].

67. Bhogal, P. (2017). Rethinking the relevance of existing credit rating agencies to BRICS / ORF Occasional Paper, PP. 31-113.

68. Billingsley R., Lamy R., Marr W., Thompson R. (1985). Split ratings and bond reoffering yields / Financial Management 14 (2), PP. 59-65.

69. Blume M., Lim F., MacKinlay A. (1998). The declining credit quality of US corporate debt: myth or reality? / Journal of Finance, 53, PP 1389-413.

70. Boguslauskas V., Mileris R., Adlyte R. (2011). New internal rating approach for credit risk assessment / Technological and Economic Development of Economy, 17(2), PP. 369-371.

71. Bolton P., Freixas X., Shapiro J. (2012). The credit ratings game / The journal of finance, N 67. PP. 85-111. [Doi:10.1111/j.1540-6261.2011.01708.x].

72. Bongaerts D., Cremers K., Goetzmann N. (2012). Tiebreaker: Certification and multiple credit ratings / The Journal of Finance 67 (1), PP. 113-152.

73. Bordalo P., Gennaioli N., Shleifer A. (2018) Diagnostic expectations and credit cycles / Journal of Finance, 73, issue 1, PP. 199-227.

74. Borio C. (2012). The financial cycle and macroeconomics: What have we learnt? / Monetary and Economic Department, BIS Working Papers, N 395.

75. Bosman R., Nawazish M. (2019). Impact of credit ratings on stock returns // Buletin Ekonomi Moneter dan Perbankan, N21. PP. 343-366. [DOI: 10.21098/bemp.v21i3.986].

76. Bremzen A., Khokhlova E., Suvorov A., van de Ven J. (2015). Bad news: an experimental study on the informational effect of rewards // The Review of Economics and Statistics. Vol. 97. N 1. PP. 57-70.

[DOI: 10.2139/ssrn.1920783 :

https://ideas.repec.org/a7tpr/restat/v97y2015i1p55-70.html].

77. BRICS Joint Statistical Publications for 2007-2017 [Доступны по ссылке: https: //brics.ibge.gov.br/index.html].

78. Cantor R., Mann C. (2003). Measuring the performance of corporate bond ratings / Moody's Special Comment [Доступно по ссылке в SSRN: https://ssrn.com/abstract=996025].

79. Cantor R., Packer F. (1996). Multiple ratings and credit standards: differences of opinion in the credit rating industry. Staff Reports N12, Federal Reserve Bank of New York.

80. Cantor R., Packer F. (1997). Differences of opinion and selection bias in the credit rating industry / Journal of Banking & Finance, Vol. 21. PP. 1395-1417.

81. Carey M, Hrycay M (2001). Parameterizing credit risk models with rating data // Banking & Finance, N 25. PP. 171-270.

82. Cash D. (2017). Credit rating agencies and the protection of the "public good" designation: the need to readdress the understanding of the big three's output // Business Law Review, N38(6). PP. 228-233. [URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2995185##].

83. Claessens S., Kose M., Terrones M. (2011). How do business and financial cycles interact? / IMF Working Papers, N WP/11/88.

84. Claessens S., Law A., Wang T. (2018). How do credit ratings affect bank lending under capital constraints? / BIS Working Paper No. 747. [Доступно по ссылке в SSRN: https://ssrn.com/abstract=3258753].

85. Clarke G., Cull R., Shirley M. (2005). Bank privatization in developing countries: A summary of lessons and findings // Journal of Banking & Finance. 2005. Vol. 29. N 8-9. PP. 1905-1930.

86. Cornaggia J., Cornaggia K. (2013). Estimating the costs of issuer-paid credit ratings / Review of Financial Studies, Vol. 26(10), PP. 2229-2269

[https: //EconPapers .repec. org/RePEc: oup: rfinst :v:26:y:2013:i:9:p:2229-2269].

87. Coval J., Stafford E. (2009). The economics of structured finance // Journal of Economic Perspectives, N 23 (1). PP. 3-25 [DOI: 10.1257/jep.23.1.3].

88. Cursio J., Baek S. (2016). The influence of credit ratings on capital structure. PP. 1-39. [DOI: 10.13140/RG.2.1.3336.7122].

89. Curtis A., Lewis-Western F., Toynbee S. (2015). Historical cost management and the use of DuPont analysis by market participants / Review of Accounting Studies, N 20(3). PP. 1210-1245.

90. Dale R., Thomas S. (2000). The role of credit ratings in the Basel capital adequacy proposals. University of Southampton, Doctoral thesis.

91. Danénas P., Gintautas G., Saulius G. (2011). Credit risk evaluation model development using support vector based classifiers / Procedia CS N4. PP. 1699-1707. [DOI: 10.1016/j.procs.2011.04.184].

92. Dimitrov V., Palia D., Tang L. (2015). Impact of the Dodd-Frank Act on credit ratings // Journal of Financial Economics (JFE), Volume 115, Issue 3. PP. 505520 [DOI: 10.1016/j.jfineco.2014.10.012].

93. Distinguin I., Hasan I., Tarazi A. (2013). Predicting rating changes for banks: how accurate are accounting and stock market indicators? / Annals of Finance, 2013. Vol. 9. N 3. PP. 471—500.

94. Dittrich F. (2007). The credit rating industry: competition and regulation / SSRN Electronic Journal. [DOI: 10.2139/ssrn.991821].

95. Dornbusch R., Park Y. C., Claessens S. (2000). Contangion: Understanding how it spreads. The World Bank Research Observer, vol. 15, N 2, 2000. PP. 177-197.

96. Drehmann M., Juselius M. (2012). Do debt service costs affect macroeconomic and financial stability? / BIS Quarterly Review. PP 21-34.

97. Dyachkova N., Karminsky A. The Determinants of Credit Cycle and Its Forecast, in: CBI Proccedings, Volume 1, 2019. PP. 320-329.

98. Dyatchkova N., Grishunin S., Karminsky A. Credit ratings patterns for BRICS industrial companies // Procedia Computer Science Volume 139, 2018. T. 634. PP. 17-25.

99. Dyatchkova N., Karminsky A. Credit rating patterns: a financial approach for industrial companies, Chapter 10, in: Recent Advances of the Russian Operations Research Society, 2020. PP. 163-177.

100. Dyatchkova N., Karminsky A., Grishunin S., Bisenov M. The comparison of statistical methods for modelling credit ratings of industrial companies from BRICS countries // Eurasian Economic Review, 2019. Volume 9. PP. 1-16.

101. Eisl A., Elendner H. (2015). Re-Mapping credit ratings. / Discussion Paper Series of SFB/TR 15 Governance and the Efficiency of Economic Systems N 492. Humboldt University of Berlin.

102. Everaert G., Che N., Geng N., Gruss B., Impavido G., Lu Y., Sabarowski C., Vandenbussche J., Zeng L., (2015). Does supply of demand drive the credit cycle? / Evidence from Central, Eastern and Southern Europe. IMF Working Paper, European Department, 2015.

103. Fahad N., Mehnaz L. (2017). Complexity in structured finance and difficulties faced by market participants - A critical assessment of the role of the complexity in financial crisis // Asian Economic and Financial Review, PP. 114. [SSRN: https://ssrn.com/abstract=2998038].

104. Fahad N.L., Mehnaz R. (2017). Complexity in structured finance and difficulties faced by market participants-a critical assessment of the role of the complexity in financial crisis // Asian Economic and Financial Review, N7. PP. 907-920. [DOI: 10.18488/journal.aefr.2017.79.907.920].

105. Feng Q., Menggang L., Gong D. (2014). Research on the competitiveness of crediting rating industry using PCA method. / Journal of Industrial Engineering and Management. JIEM, 2014 N 7(5). PP. 1268-1282

[DOI: http://dx.doi.org/10.3926/jiem.1275].

106. Ferretti C., Gabbi G., Ganugi P., Sist, F., Vozzella P. (2019). Credit risk migration and economic cycles // Risks, 2019, N7. PP. 109-127. [DOI: 10.3390/risks7040109].

107. Ferri G., Liu G. (2003). How do global credit-rating agencies rate firms from developing countries / Asian Economic Papers N 2(3). PP. 30-56.

108. Fiechter J., Borges A. (2011). Russian Federation financial system stability Assessment / Prepared by the Monetary and Capital Markets Department [https://www.imf.org/external/pubs/ft/scr/2011/cr11291.pdf].

109. Financial statement adjustments in the analysis of non-financial corporations (2016). Moody's Investor Service. [URL:

https : //www. moodys.com/research/Financial-Statement-Adj ustments-in-the-Analysis-of-Non-Financial-Corporations--PBC_1050255].

110. Flynn S., Ghent A. (2018). Competition and credit ratings after the fall / Management Science, N 64(4). PP. 1672-1692.

111. Frost C. A. (2007). Credit rating agencies in capital markets: a review of research evidence on selected criticisms of the agencies // Journal of Accounting, Auditing & Finance, 22(3). PP. 469-492.

112. Fulghieri P., Strobl G., Xia H. (2014). The economics of solicited and unsolicited credit ratings // The Review of Financial Studies, Volume 27, Issue 2. PP. 484-518 [DOI: https://doi.org/10.1093/rfs/hht072].

113. Gentle J. (2012). Mining for patterns in financial time series / JSM Proceedings, Section on Statistical Learning and Data Mining, American Statistical Association, Alexandria, VA, 2012. PP. 2978-2988.

114. Giese J., Andersen H., Bush O., Castro C., Farag M., Kapadia S. (2014). The credit-to-GDP gap and complementary indicators for macroprudential policy: Evidence from the UK / International Journal of Finance & Economics, N 19, 2014. PP. 25-47. [https://doi.org/10.1002/ijfe.1489].

115. Greenwood R., Hanson G., Jin J. (2016). A Model of Credit market sentiment / Harvard Business School, Project on Behavioral Finance and Financial Stability, Working Paper 2016.

116. Griffiths J., Benjamin A. (2005). Expositing stages of VPRS analysis in an expert system: Application with bank credit ratings / Expert Systems with Applications, Vol. 29 (4), PP. 879-888. [https://doi.org/10.1016Zj.eswa.2005.06.008].

117. Grigoryev L., Salmina A. (2013). Structure of inequality of the modern world: problems of measurement // Sociological Journal. N 19. PP. 5-21. [DOI: 10.19181/socjour.2013.3.395].

118. Hahsler M. (2016-2017). Data Mining. CS/EMIS 5/7331: Lyle School of Engineering, SMU/ [https://michael.hahsler.net/SMU/CS7331/].

119. Hainsworth R., Karminsky A.M., Solodkov V.M. (2013). Arm's length method for comparing rating scales / Eurasian Economic Review N 3 (2). PP. 114-135.

120. Hajek P., Olej V. (2011). Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning. Neural Computing and Applications, N 20(6). PP. 761-773.

121. Hajek P., Olej V., Prochazka O. (2017). Predicting corporate credit ratings using content analysis of annual reports - A naïve Bayesian network approach // Enterprise Applications, Markets and Services in the Finance Industry. PP. 47-61. [DOI: 10.1007/978-3-319-52764-2_4].

122. Hanusch M., Shakill H., Soobyah A., Luchelle S.; Kranz A. (2016). The ghost of a rating downgrade: what happens to borrowing costs when a government loses its investment grade credit rating? / Macroeconomics and Fiscal Management (MFM) discussion paper N 13. Washington, D.C.: World Bank Group. [http://documents.worldbank.org/curated/en/241491467703596379].

123. Hau H., Langfield D. (2012). Bank ratings: what determines their quality? / European Central Bank, working paper, 2012.

124. He H., Edwardo A. (2009) Learning from Imbalanced Data / IEEE Transactions on Knowledge and Data Engineering, vol. 21, 9. PP. 1263-1284.

125. Hilscher J., Wilson M. (2016). Credit ratings and credit risk: is one measure enough? / Management Science, N 63(10). PP. 3414-3437. [DOI: 10.1287/mnsc.2016.2514]

126. Hodrick R., Prescott E. (1997). Postwar US business cycles: an empirical investigation / Journal of Money, Credit and Banking. Vol 29. N 1. PP. 1-16.

127. Hsueh L.P., Kidwell D.S. (1988). Bond ratings: Are two better than one? / Financial Management N 17 (1). PP. 46-53.

128. Huang Z., Chen H., Swu H. (2004). Credit rating analysis with support vector machines and neural networks: A market comparative study / Decision Support Systems N 37. PP. 543-558. [DOI: 10.1016/S0167-9236(03)00086-1].

129. IOSCO. (2008). IOSCO to implement changes to code of conduct for credit rating agencies / Paris: International Organization of Securities Commissions.

130. Jankowitsch R., Ottonello G., Marti G. (2018). The rules of the rating game: Market perception of corporate ratings

[URL: https://ssrn.com/abstract=2655684].

131. Jaworski P., Patrycja Chodnicka-Jaworska P. (2016). Countries' credit ratings and exchange rates - the impact of economic development // Review of SocioEconomic Perspectives, Volume: I, Number 2. PP.35-50 [DOI: http://dx.medra.org/10.19275/RSEP003].

132. Jewell F., Livingston A. (1999). A Comparison of bond ratings from Moody's Standard & Poor's and Fitch IBCA / Financial Markets, Institutions and Instruments, Vol. 8, N 4. PP. 543-558.

133. Jiang X., Packer F. (2017). Credit ratings of Chinese firms by domestic and global agencies: Assessing the determinants and impact / Journal of Banking and Finance, 105(C). PP. 178-193.

134. Jin C.D.,Van Laere E. (2012). A public good approach to credit ratings - From concept to reality / Journal of Banking & Finance N 36. PP. 3239-3247.

135. Johansson, T. (2010). Regulating credit rating agencies: the issue of conflicts of interest in the rating of structured finance products // Journal of Banking Regulation, 12(1). PP. 1-23. [DOI: 10.1057/jbr.2010.3].

136. Kang M., Ausloos M. (2017). An inverse problem study: credit risk ratings as a determinant of corporate governance and capital structure in emerging markets: evidence from Chinese listed companies / Economies, MDPI, Open Access Journal, Volume N 5(4) PP. 1-23.

137. Karbassi Y., Hanne T., Wee H. (2019). A credit rating model in a fuzzy inference system environment. Algorithms / Algorithms N12. PP. 1-15. [DOI: 12. 139. 10.3390/a12070139].

138. Karminsky A. M. (2012). The multiplication of the credit rating agencies efforts under IRB approach // Investment Management and Financial Innovations. Vol. 9. N 4. PP. 78-88.

139. Karminsky A.M., Khromova E.P. (2016). Modelling banks' credit ratings of international agencies / Eurasian Economic Review, N 6. PP. 341-363.

140. Karminsky A.M., Peresetsky A.A. (2011). Models for Moody's bank ratings / Published in: Frontiers in Finance and Economics, Vol. 1, N 8 (2011). PP. 88110. [http://mpra.ub.uni-muenchen.de/34864/]

141. Karminsky A.M., Polozov A.A. (2016). Handbook of Ratings: Approaches to Ratings in the Economy, Sports and Society. Springer international publishing AG, 2016.

142. Kemp E., van Stralen R., Vardoulakis A., Wierts P. (2018). The non-bank credit cycle / Finance and Economics Discussion Series 2018-076. Washington: Board of Governors of the Federal Reserve System. [DOI: 10.17016/FEDS.2018.076].

143. Kiff J., Kisser M., Schumacher L. (2013). Rating through-the-cycle: what does the concept imply for rating stability and accuracy? // IMF Working Paper [DOI: 10.2139/ssrn.3127545].

144. Kim S.-J., Wu, E. (2008). Sovereign credit ratings, capital flows and financial sector development in emerging markets / Emerging Markets Review, Volume 9, N 1. PP. 17-39 [DOI: 10.1016/j.ememar.2007.06.001].

145. King M., Steven R., Tarashev N.A. (2016). Bank standalone credit ratings / BIS Working Paper No. 542. [URL: https://ssrn.com/abstract=2725958].

146. Kisgen D (2006) Credit ratings and capital structure // Finance N61. PP. 10351072.

147. Kisgen D.J., Strahan E. (2010). Do regulations based on credit ratings affect a firm's cost of capital? / Review of Financial Studies, 2010, vol. 23, N 12, PP. 4324-4347 [https://doi.org/10.1093/rfs/hhq077].

148. Kiyotaki N., Moore J. (1997). Credit cycles // The Journal of Political Economy, Volume 105, N 2. PP. 211-248 [DOI:

https : //www.j stor. org/stable/10.1086/262072].

149. Kose J., Lynch A., Puri M. (2003). Credit ratings, collateral and loan characteristics: implications for yield // Journal of Business. Volume 76, N 3. PP. 371-409 [DOI: 10.2139/ssrn.243182].

150. Krall M. (2016). Governance and Conflicts of Interest in Financial Credit Rating Agencies // Revue internationale de droit économique, vol. 2. PP. 185195. [URL: https://www.cairn.info/revue-revue-internationale-de-droit-economique-2016-2-page-185.htm].

151. Krâussl R. (2000) Sovereign credit ratings and their impact on recent financial crises / CFS Working Paper Series 2000/04, Center for Financial Studies (CFS).

152. Kuldeep K., Haynes J. (2003). Forecasting credit ratings using an ANN and statistical techniques // International journal of business studies, N 11 (1). PP. 91-108 [URL: https://www.researchgate.net/publication/47929701].

153. Kuvikova G. (2015). Credit ratings and their information value: evidence from the recent financial crisis / CERGE-EI Working Papers wp544, The Center for Economic Research and Graduate Education - Economics Institute, Prague.

154. Lanine G., Vennet R. (2006). Failure prediction in the Russian bank sector with logit and trait recognition models // Expert Systems with Applications. 2006. Vol. 30, N 3. PP. 463-478.

155. Lee Y. C. (2007). Application of support vector machines to corporate credit rating prediction / Expert Systems with Applications, N 33. PP. 67-74 [DOI: 10.1016/j.eswa.2006.04.018].

156. Linciano N. (2004). The reaction of stock prices to rating changes / SSRN Electronic Journal. [DOI: 10.2139/ssrn.572365].

157. List of rating methodologies (2020). Moody's Investor Service [URL: https : //www. moodys.com/researchandratings/methodology/003006001].

158. Livingston M., Wei J., Zhou L. (2010). Moody's and Standard & Poor's ratings: Are they equivalent? Conservative ratings and split rated bond yields // Journal of Money, Credit and Banking, Volume 42, N 7. PP. 1267-1293 [DOI: 10.1111/j.1538-4616.2010.00341.x].

159. Loffler G. (2004). An anatomy of rating through the cycle // Journal of Banking and Finance. Vol. 28 PP. 695-720 [DOI: 10.1016/S0378-4266(03)00041-4].

160. Loffler G. (2013). Can rating agencies look through the cycle? // Review of Quantitative Finance and Accounting, Springer, vol. 40(4). PP. 623-646.

161. López T., Winkler A. (2019). Does financial inclusion mitigate credit boom-bust cycles? / Journal of Financial Stability, N 43. PP. 116-129 [DOI: 10.1016/j.jfs.2019.06.001].

162. Lowe P., Segoviano M. (2002). Internal ratings, the business cycle and capital requirements: some evidence from an emerging market economy // Bank for International Settlements, BIS Working Papers. [DOI: 10.2139/ssrn.846264].

163. Lown C., Morgan D. (2006). The credit cycle and the business cycle: New findings using the loan officer opinion survey // Journal of Money, Credit, and Banking. Vol. 38, N 6. PP. 1575-1597 [DOI: 10.1353/mcb.2006.0086].

164. Malliaropoulos D., Ravoet G. (2011). Credit cycles and their role for macro-prudenti al policy european banking. Federati on A.I.S.B.L report, European Banking Federation.

165. Marciniak P. (2015). Impact of the credit rating agencies on the financial crisis 2007-2009 // Annales. Etyka w zyciu gospodarczym, N18. PP. 99-100. [DOI: 10.18778/1899-2226.18.4.08].

166. Marzavan C., Stamule T. (2009). Conflicts of interest's management within credit rating agencies // Management & Marketing, Vol. 4, No. 3. PP. 111-126.

167. Masiak C., Moritz A., Lang F. (2017). Financing patterns of European SME revisited: An updated empirical taxonomy and determinants of SME financing clusters /EIF Working Paper 2017/40 [URL: 10419/176670/1/eif-wp-40.pdf].

168. Mendoza E., Terrones M. (2008). An anatomy of credit booms: evidence from macro aggregates and micro data // IMF Working Paper N 08/226.

169. Mettenheim K. (2011). Government banking and BRICs in the recent financial crisis // Journal of Management and Entrepreneurship [URL: https://www.researchgate.net/publication/266385697].

170. Metz A., Cantor R. (2006). Moody's credit rating prediction model. Special Comment / Moody's Investor Service [URL:

https://www.moodys.com/sites/products/DefaultResearch/2006200000425644. pdf].

171. Mian R., Kamalesh R., Amir S. (2013). Household balance sheets, consumption, and the economic slump // Chicago Booth Research Paper. PP. 13-42.

172. Minsky H.P. (1963). Longer waves in financial relations: financial factors in the more severe depressions // American Economic Review, Vol. 3. PP. 324335 [URL: https://digitalcommons.bard.edu/hm_archive/266].

173. Mminele D. (2016). The role of BRICS in the global economy / Bundesbank, Düsseldorf, working papers & speech [URL:

https: //www.bis.org/review/r160720c. htm].

174. Molinero C., Gomez P., Cinca S. (1996). A multivariate study of Spanish bond ratings split // Omega Journal, Vol. 24. PP. 451-462 [DOI: 10.1016/0305-0483(96)00008-4].

175. Moody's (2007). Incorporation ofjoint-default analysis into Moody's bank ratings: Moody's investors service - a refined methodology (outdated). [URL: http://www.moodys.com/researchdocumentcontentpage.aspx?docid=PBC_102 639].

176. Morgan D.P. (2002). Rating banks: Risk and uncertainty in an opaque industry // American Economic Review N 92. PP. 874-888 [URL: https://www.jstor.org/stable/3083285].

177. Mukhopadhyay B. (2006). Existence of unsolicited ratings / Asia-Pacific Financial Markets, Volume 13, Issue 3. PP. 207-233 [DOI: 10.1007/s10690-007-9040-2].

178. Mulder C., Perelli, R. (2001). Foreign currency credit ratings for emerging markets / IMF Working Paper, N 191.

179. Nickell P., Perraudin W., Varotto S. (2000). Stability of rating transitions // Journal of Banking and Finance. Vol. 24. PP. 203-227 [DOI: 10.1016/S0378-4266(99)00057-6].

180. Parnes D. (2007). Time series patterns in credit ratings // Finance Research Letters 4. PP. 217-226 [DOI: 10.1016/j.frl.2007.09.001].

181. Pichereau L. (2016). Empirical study of credit rating agencies: Do the financial characteristics of companies have an impact on the occurrence of split ratings? PhD Thesis, PP. 1-132

[https://matheo.uliege.be/bitstream/2268.2/1897/1/Thesis_LaurencePichereau_ s111186.pdf].

182. Poghosyan T. (2015). How do public debt cycles interact with financial cycles? // IMF Working Paper. November, 2015 [DOI: 10.1007/s00181-016-1215-0].

183. Poon W.P.H., Chan K. (2010). Solicited and Unsolicited Credit Ratings: A Global Perspective // Asian Development Bank Institute, ADBI Working Papers. [DOI: 10.2139/ssrn.1671452].

184. Posch P., Bowden R. (2010). Quality signalling and ratings credibility: Regulatory reform for the ratings industry [DOI: http://dx.doi.org/10.2139/ssrn.1651105].

185. Pottier S., Sommer D. (1999). Property-liability insurer financial strength ratings: Differences across rating agencies // The Journal of Risk and Insurance N 6. PP. 621-642 [DOI: 10.2307/253867].

186. Rafailov D. (2011). The failures of credit rating agencies during the global financial crisis - Causes and possible solutions // Economic Alternatives, Vol. 1. PP. 34-45.

187. Repullo R., Saurina J. (2011). The countercyclical capital buffer of Basel III: a critical assessment // CEPR Discussion Papers N 8304.

188. Richards J., Deddouche D. (1999). Bank rating changes and bank stock returns: Puzzling evidence from the emerging markets// IMF Working Paper. PP. 1-28, 1999. [URL: https://ssrn.com/abstract=880678].

189. Riduanul M., Anwar S., Tabassum T. (2018). Revisiting the existing credit rating methods of small and medium enterprises // Indonesian Journal of Business Finance and Accounting, N1. PP. 1-15 [DOI: 10.32455/ijbfa.v1i1.8].

190. Ryan J. (2012). The negative impact of credit rating agencies and proposals for better regulation / Stiftung Wissenschaft und Politik (SWP) monograph. Research Division EU Integration, German Institute for International and Security Affairs [URL: http://eprints.lse.ac.uk/42741/]

191. Sangiorgi F., Spatt C. S. (2017). Opacity, Credit Rating Shopping and Bias // Management Science, N63 (13). PP. 3999-4446.

192. Schüler S. (2018) De-trending and financial cycle facts across G7 countries: Mind a spurious medium term // Working Paper Series ECB, No 2138 [DOI: https://ssrn.com/abstract=3152820].

193. Schumacher L.B., Kiff J., Nowak S. (2012). Are rating agencies powerful? An investigation into the impact and accuracy of sovereign ratings // IMF Working Papers 12/23, International Monetary Fund [URL:

https: //ideas .repec. org/p/imf/imfwpa/ 12-23.html].

194. SEC (2011). 2011 Summary report of commission staff's examinations of each nationally recognized statistical rating organization / U.S. Securities and Exchange Commission.

195. Seetharaman A., Sahu V., Saravanan A.S., Raj J. (2017). The impact of risk management in credit rating agencies // Risks, 2017 N 5 (52). PP. 1-16.

196. Shapiro J., Josephson J. (2019). Credit ratings and structured finance / CEPR Discussion Paper N DP13534. PP. 1-41. [URL: https://ssrn.com/abstract=3336793].

197. Shen C., Hasan I., Huang Y. (2012). Asymmetric benchmarking in bank credit rating / Bank of Finland Research Discussion Paper No. 13/2012. [Доступно по ссылке в SSRN: https://ssrn.com/abstract=2041871].

198. Shimizu Y., Takei H. (2013). Analysis of determinants of split ratings and rating conservativeness between Japanese and US Credit Rating Agencies // International Journal of Accounting and Financial Reporting, Vol. 3. PP. 182189 [DOI: 10.5296/ijafr.v3i1.3507].

199. Shin M., Kim S. (2015). The effects of credit ratings on capital structure: Evidence from Korea. [URL: Corpus ID: 10920485].

200. Skreta V., Veldkamp L. (2009). Ratings shopping and asset complexity: A theory of ratings inflation // Journal of Monetary Economics, Elsevier, Vol. 56(5). PP.678-695 [DOI): 10.3386/w14761].

201. Spyros P., Stringa M. (2007). Modelling bank credit ratings under IFRS and GAAP reporting: An ordered probit approach // SSRN Electronic Journal. PP. 1-33 [DOI: 10.2139/ssrn.964157].

202. Stanton R., Wallace N. (2012). CMBS subordination, ratings inflation, and regulatory-capital arbitrage / Financial Management, Vol. 47, Issue 1. PP.175201 [DOI: 10.1111/fima.12183].

203. Staples D. (2013). Credit considerations for corporates in emerging markets. Moody's Investor Services. URL: http://www.moodys.com/research/Credit-Considerations-for-Corporates-in-Emerging-Markets--PBC_153812.

204. Steinbach M., Ertöz L., Kumar V. (2004) The challenges of clustering high dimensional data // In: Wille L.T. (eds) New Directions in Statistical Physics. Springer, Berlin, Heidelberg. [https://doi.org/10.1007/978-3-662-08968-2_16].

205. Stepanov S., Suvorov A. (2015). Agency problem and ownership structure: outside blockholder as a signal // NRU Higher School of Economics. Series WP9 N 2. PP. 1-25.

206. Stiglitz J. E., Weiss A. (1981). Credit rationing in markets with imperfect information // American Economic Review, N 71(1). PP. 393-410.

207. Stohl C., Stohl M. (2016). Managing opacity: information visibility and the paradox of transparency in the digital age // International Journal of Communication, N 10(2016), PP. 123-137. [DOI: 1932-8036/20160005].

208. Strier F. (2008). Rating the raters: conflicts of interest in the credit rating firms // Business and Society Review, N 113. PP. 533-553 [10.1111/j.1467-8594.2008.00331.x].

209. Stringa M., Pagratis S. (2009). Modeling bank senior unsecured ratings: A reasoned structured approach to bank credit assessment // International Journal of Central Banking. 5. PP. 1-39.

210. Tan P., Steinbach M., Kumar V. (2005). Data Mining & Cluster Analysis: Basic Concepts and Algorithms. Addison-Wesley Longman Publishing Co., MIT, USA, PP.539-566 (chapter 8).

211. The cross-sector performance of Moody's corporate debt ratings - 2017Q2 (2017). Moody's Investor Service. [URL:

https://www.moodys.com/researchdocumentcontentpage.aspx?docid=PBC_10 84629].

212. The Top 1000 World Banks 2007-2017 ranking - The Banker.

213. Tillich D. (2016). Consensus information and consensus rating: a simulation study on rating aggregation // Journal of Risk Model Validation, N10. PP. 121. [DOI: 10.21314/JRMV.2016.159].

214. Timmermans M., Heijmans R., Daniels H. (2017). Cyclical patterns in risk indicators based on financial market infrastructure transaction data // Working Paper No. 558, De Nederlandsche Bank NV, 2017.

215. Topp R., Perl R. (2010). Through-the-cycle ratings Versus Point-in-time: Ratings and implications of the mapping between both rating types // Financial Markets, Institutions & Instruments, Vol. 19, N 1. PP. 47-61. [DOI: 19. 10.1111/j.1468-0416.2009.00154.x.].

216. Utzig S. (2010). The financial crisis and the regulation of credit rating agencies: A European banking perspective / ADBI Working Paper 188. [URL:

http : //www.adbi.org/working-

paper/2010/01/26/3446.credit.rating.agencies.european.banking/].

217. Van der Ploeg S. (2010). Bank default prediction models // Business Economics. [URL: http://hdl.handle.net/2105/6470].

218. Van Roy P. (2013). Is there a difference between solicited and unsolicited bank ratings and, if so, why?// Journal of Financial Services Research, 2013, vol. 44, issue 1, pages 53-86.

219. Van Soest A.H.O., Peresetsky A.A., Karminsky A.M. (2003). An analysis of ratings of Russian banks. Tilburg University CentER Discussion Paper Series, N 85.

220. Vickery J. (2012). The Dodd-Frank acts potential effects on the credit rating industry / Liberty Street Economics. [URL:

https://libertystreeteconomics.newyorkfed.org/2012/02/the-dodd-frank-acts-potential-effects-on-the-credit-rating-industry.html].

221. Weber R., Baumann S. (2013). Conflicts of interest and risk management practices in the MPA industry / In: Kleineman, Jan; et al. Perspectives on Credit Rating Agencies. Stockholm: Jure. PP. 283-305.

222. Weissbach R., Mollenhauer T. Modeling rating transitions // The Korean Statistical Society. 2011, Elsevier. PP. 469-480.

223. Weißbach R., Poniatowski W., Krämer W. (2013). Nearest neighbor hazard estimation with left-truncated duration data // AStA Advances in Statistical Analysis, Vol. 97, issue N 1, PP. 33-47. [DOI:

https://EconPapers.repec.org/RePEc:spr:alstar:v:97:y:2013:i:1:p:33-47].

224. White L. (2013). Credit rating agencies: An overview // Annual Review of Financial Economics N5. PP. 93-122. [DOI: 10.1146/annurev-financial-110112-120942].

225. Wojewodzki M., Poon W., Shen J. (2017). The role of credit ratings on capital structure and its speed of adjustment: an international study // The European Journal of Finance, N 24. PP. 735-760. [DOI: 10.1080/1351847X.2017.1354900].

226. Xuefeng J., Stanford M.H., Xie Y. (2012). Does it matter who pays for bond ratings? Historical evidence / Journal of Financial Economics N 105. PP. 607621.

227. Yin J., Shi Y., Zhiguo G. (2011). Financial time series segmentation based on turning points / Proceedings 2011 International Conference on System Science and Engineering, ICSSE 2011. [DOI: 10.1109/ICSSE.2011.5961935].

228. Zakaria M., Faiza S. (2018). Credit rating as a mechanism for capital structure optimization: empirical evidence from panel data analysis // International Journal of Financial Studies, MDPI, Open Access Journal, vol. 6(1). PP. 1-14.

229. Zarnowitz V., Ozyildirim A. (2006) Time series decomposition and measurement of business cycles, trends and growth cycles // Journal of Monetary Economics, Elsevier, vol. 53(7), PP. 1717-1739.

230. Zhang Q., Wu M. (2011). Credit risk mitigation based on Jarrow-Turnbull Model / Systems Engineering Procedia N 2. PP. 49-59. [DOI: 10.1016/j.sepro.2011.10.007].

231. Ziegler H., Jenny M., Keim D. (2010). Visual market sector analysis for financial time series data / VAST 10, IEEE Conference on Visual Analytics Science and Technology 2010, Proceedings. PP. 83-90. [DOI: 10.1109/VAST.2010.5652530].

Приложение 1. Количественное сопоставление рейтинговых шкал

Таблица П1. Оценка сопоставления рейтинговых шкал МРА и их количественная оцифровка для отображения к единой (базовой) рейтинговой шкале

Fitch Ratings Standard & Poor's Agency Moody's Investor Services

Перевод в числовую шкалу Оценка сопоставления Перевод в числовую шкалу Оценка сопоставления Перевод в числовую шкалу Оценка сопоставления

AAA 1 0,0054 AAA 1 0,0021 Aaa 1 0,0011

AA+ 2 0,0032 AA+ 2 0,0012 Aa1 2 0,0006

AA 3 0,0147 AA 3 0,0012 Aa2 3 0,0031

AA- 4 0,0123 AA- 4 0,0048 Aa3 4 0,0036

A+ 5 0,0249 A+ 5 0,0057 A1 5 0,0118

A 6 0,0238 A 6 0,0060 A2 6 0,0167

A- 7 0,0237 A- 7 0,0073 A3 7 0,0152

BBB+ 8 0,0200 BBB+ 8 0,0188 Baa1 8 0,0212

BBB 9 0,0176 BBB 9 0,0091 Baa2 9 0,0195

BBB- 10 0,0139 BBB- 10 0,0129 Baa3 10 0,0164

BB+ 11 0,0074 BB+ 11 0,0070 Ba1 11 0,0229

BB 12 0,0060 BB 12 0,0055 Ba2 12 0,0159

BB- 13 0,0051 BB- 13 0,0079 Ba3 13 0,0161

B+ 14 0,0037 B+ 14 0,0127 B1 14 0,0250

B 15 0,0085 B 15 0,0178 B2 15 0,0351

B- 16 0,0034 B- 16 0,0175 B3 16 0,0287

CCC+ 17 0,0006 CCC+ 17 0,0094 Caa1 17 0,0234

CCC 18 0,0022 CCC 18 0,0051 Caa2 18 0,0099

CCC- 19 0,0004 CCC- 19 0,0041 Caa3 19 0,0090

CC 20 0,0008 CC+ 20 0,0038 Ca1 20 0,0041

C 21 0,0019 CC 21 0,0032 Ca2 21 0,0041

0,0005 CC- 22 0,0006 Ca3 22 0,0039

C 23 0,0025 C1 23 0,0012

0,0000 C2 24

RD 23 0,0000 SD 24 0,0002 C3 25 0,0000

D 24 D 25

Источник: расчёты автора.

Приложение 2. Визуализация данных по кластеризации

Рисунок П1. Финансовые паттерны промышленных компаний, созданные на основе кредитных рейтингов агентств_

Источник: рисунки основаны на расчётах автора.

Рисунок П2. Финансовые паттерны коммерческих банков, созданные на основе кредитных рейтингов агентств

Rating (Moody's) -Rating (Fitch)

Rating (Moody's)

Rating (Fitch)

Rating (Moody's)

Rating (Fitch)

■Rating (Moody's) —Rating (Fitch)

Rating (Moody's)

Rating (Fitch)

■Hating (Moody's)

Rating (Fitch)

Rating (Fitch) -Rating (Moody's)

Acting (Fitch)

■ fitting [Monityi)

■Rating (Moody's)

dating (Fitch)

Rating (Moody's)

Источник: рисунки основаны на расчётах автора.

Группа 1

Группа 2

Группа 3

Визуализация кластеров данных по промышленным компаниям

Рисунок ПЗ.

££ Й & о р о

о о о о о о о у О 9 и

Визуализация кластеров данных по коммерческим банкам

Рисунок П4.

Таблица П2. Количество компаний и присвоенных им кредитных рейтингов в мире по годам, период с 1985 - 2016 гг.

Год Количество компаний, у которых появился кредитный рейтинг и его прогноз Кол-во кредитных рейтингов от МРА

1985 * 1 752

1986 2 086

1987 1 962

1988 2 662

1989 2 580

1990 750 3 419

1991 1130 4 233

1992 1176 5 352

1993 1214 5 846

1994 1229 7 323

1995 1242 10 530

1996 1264 10 686

1997 1286 16 742

1998 1305 24 868

1999 1323 29 620

2000 1341 34 092

2001 1361 37 325

2002 1376 36 790

2003 1519 33 996

2004 1651 31 612

2005 1760 40 279

2006 1852 45 390

2007 1931 49 204

2008 2002 52 964

2009 2066 64 939

2010 2130 48 872

2011 2198 67 575

2012 2323 64 346

2013 2467 59 469

2014 2586 60 090

2015 2564 70 623

2016 2508 75 125

Источник: расчёты и данные автора.

* Примечание автора: в связи с отсутствием в финансово-аналитической базе данных Блумберг четкого разграничения присвоенных рейтингов по объектам и эмиссиям их ценных бумаг, за период с 1985-1989 гг. приведена годовая статистика присвоения рейтингов.

Приложение 3. Дескриптивные характеристики переменных

Таблица П3. Переменные, использованные при формировании выборки для оценки

*

кредитного цикла

Переменная и ее наименование Обозначение Величина измерения, в % Количество наблюдений

Прирост (убыль) населения аРОтносительная 2 449

ВВП, прирост gdp Относительная 2 394

Кредитный цикл: кредиты за вычетом ВВП, прирост iy Относительная 2 394

Инфляция, ИПЦ cpi Относительная 2 449

Кредиты всего ca Относительная 2 293

Импорт, прирост imports Относительная 2 404

Экспорт, прирост exports Относительная 2 404

Кредитный спред: рыночная

ставка по кредитам за вычетом безрисковой tnarrowm Относительная 2 384

ставки/ cost-of-capital

channel

Денежная масса, прирост money Относительная 2 294

Социальная компонента,

темп прироста занятых в stir Относительная 2 285

трудоспособном возрасте

Кредиты компаниям, прирост tloans Относительная 2 247

Объем долговых ЦБ, прирост stocks Относительная 2 182

Кредиты к ВВП debtgdp Относительная 2 271

Валютная переоценка (для России), прирост xrusd Относительная 144

Активы компании к ВВП, прирост assets Относительная 2 135

Кредитный рейтинг компании cr Категориальная переменная, от 1 до 25 2 449

Источник: расчёты и данные автора.

* Примечания автора:

Количество наблюдений (всего): 2 449.

Страны, вошедшие в выборку: Австралия, Бразилия, Великобритания, Германия, Индия, Испания, Италия, Канада, Китай, Мексика, Нидерланды, Португалия, Россия, США, Финляндия, Франция, Швеция, ЮАР, Япония (всего 19 стран).

Источниками данных являлись: база данных Всемирного банка (World bank), Международного валютного фонда (IMF), а также база финансовых данных из терминала Блумберг.

Таблица П4. Объясняющие переменные и их описательные статистики для оценки взаимосвязи кредитного цикла и изменений кредитных рейтингов

Переменная Среднее значение Станд. отклонение Минимальное значение Максимальное значение Контрольная группа

Mean St. dev. Min Max

Кредитный рейтинг 12,996 7,208 1 25 MACRO

Прирост (убыль) населения 31,499 14,300 1,675 36,188 SOCIAL

Прирост ВВП 1,868 1,351 1,630 1,927 MACRO

Кредиты за вычетом ВВП, прирост 0,18 0,064 0,017 0,388 FINANCE

ИПЦ 34,97 49,67 1,151 217,943 FINANCE

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.