Методы оценки кредитных рисков банковских финансовых инструментов на различных временных горизонтах тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Васильева Альфия Фаритовна

• Васильева Альфия Фаритовна
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Васильева Альфия Фаритовна

ВВЕДЕНИЕ

ГЛАВА 1. ФОРМИРОВАНИЕ СИСТЕМЫ МОДЕЛЕЙ ОЦЕНКИ КРЕДИТНЫХ РИСКОВ НА ВСЕМ СРОКЕ ЖИЗНИ ФИНАНСОВЫХ ИНСТРУМЕНТОВ

1.1 Эволюция подходов к оценке кредитного риска до концепции ожидаемых кредитных потерь

1.2 Регуляторно-методологические предпосылки появления моделей оценки кредитного риска на

всем сроке жизни финансовых инструментов

1.3 Оценка ожидаемы1х кредитные убытков на всем сроке жизни финансовые инструментов

1.4 Подходы к проведению калибровки на момент времени

1.5 Оценка вероятности дефолта финансовые инструментов на всем сроке жизни финансовые инструментов

ГЛАВА 2. РАЗВИТИЕ МОДЕЛЕЙ ОЦЕНКИ ВЕРОЯТНОСТИ ДЕФОЛТА НА ВСЕМ СРОКЕ ЖИЗНИ ФИНАНСОВЫХ ИСТРУМЕНТОВ

2.1 Модели оценки вероятности дефолта на всем сроке жизни финансовые инструментов на основе

распределения Вейбулла

2.2 Построение модели вероятности дефолта на всем сроке жизни финансовые иструментов в

определенный момент времени с учетом прогнозной макроэкономической информации

2.3 Построение моделей для учета прогнозной макроэкономической информации

2.4 Оценка вероятности дефолта финансовые инструментов на всем сроке жизни финансовые инструментов на основе матриц миграции для сегмента «Финансовые компании»

2.5 Моделирование прогнозного значения доли ссуд с просроченными платежами в общем объеме

ссуд финансовым институтам

2.6 Оценка вероятности дефолта на всем сроке жизни финансовые инструментов на основе матриц миграций для финансовые инструментов проектного финансирования

ГЛАВА 3. СОВЕРШЕНСТВОВАНИЕ МОДЕЛЕЙ КРЕДИТНОГО РИСКА

3.1 Модели кредитные требований в случае дефолта (EAD) на всем сроке жизни финансовые

инструментов для финансовые инструментов, признанные на балансе организации

3.2 Модели кредитные требований в случае дефолта (EAD) на всем сроке жизни внебалансовые

финансовые инструментов

3.3 Разработка модели потерь в случае дефолта (LGD) для корпоративные заемщиков на всем сроке

жизни финансовые инструментов

3.4 Включение прогнозной макроэкономической информации в модели LGD для корпоративные клиентов

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. ОПРЕДЕЛЕНИЕ СТАДИИ ОБЕСЦЕНЕНИЯ

ПРИЛОЖЕНИЕ 2. ОПИСАТЕЛЬНАЯ СТАТИСТИКА И ЭТАПЫ СОЗДАНИЯ МАКРОМОДЕЛЕЙ

ПРИЛОЖЕНИЕ 3. ИНФОРМАЦИЯ О БАНКЕ И ЕГО РОЛИ В ИССЛЕДОВАНИИ

ПРИЛОЖЕНИЕ 4. АНАЛИЗ ВЛИЯНИЯ РИСКОВ НА ФИНАНСОВОЕ ПОЛОЖЕНИЕ КОММЕРЧЕСКИХ БАНКОВ ЗА ПЕРИОД С 2019 ПО 2022 ГГ

ПРИЛОЖЕНИЕ 5. МАСТЕР-ШКАЛА БАНКА

ПРИЛОЖЕНИЕ 6. ПАРАМЕТРЫ EAD ПРИ УПРОЩЕННОМ ПОДХОДЕ

ПРИЛОЖЕНИЕ 7. СПИСОК ТЕРМИНОВ И СОКРАЩЕНИЙ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Методы оценки кредитных рисков банковских финансовых инструментов на различных временных горизонтах»

Актуальность исследования

Кредитование корпоративных заемщиков традиционно считается одним из главных видов банковских операций, поэтому изучению и развитию методов оценки кредитного риска в научной и практической литературе уделяется пристальное внимание [Sorge, Marco, 2011; Kayser, 2013; Marlin, 2017], [Kostrov, Karminsky, 2014; Федорова, Довженко, 2016; Моргунов, 2017; Grishunin, et al., 2020]. Тем не менее, по-прежнему актуальны задачи их совершенствования [Yang, 2017; Prorocowski, 2018, Leone, et al., 2019; Porretta, et al., 2020, Barniv, et al., 2021]; [Карминский, 2015; Помазанов, 2020]. Важную роль в этой связи играет развитие подходов и методов к построению внутренних моделей оценки вероятности дефолта (PD), величины потерь в случае дефолта (LGD), величины кредитных требований, подверженных кредитному риску (EAD). Показатели впервые были установлены Базельскими соглашениями и связаны с использованием внутренних рейтинговых моделей (Internal Ratings-Based Approach, IRB Approach) для оценки кредитного риска [BCBS, 2011], [Kozarevic, et al., 2017; Camfferman, 2015; Cohen, 2017]. Рост интереса банков к этому подходу во многом связан с такими факторами как:

1. Развитие регулирования после финансового кризиса 2008-2009 гг. Внедренный в 2018 году в большинстве стран мира (в том числе и в России) Международный стандарт финансовой отчетности МСФО 9 «Финансовые инструменты» (далее - МСФО 9) обязал банки усовершенствовать существующие подходы к прогнозированию банковских резервов (отражается в отчетности банков как показатель ожидаемых кредитных потерь, expected credit loss, ECL) [Financial Stability Forum, 2009; Beatty, Liao, 2011]. Изменились требования к классификации финансовых инструментов и оценке обесценения по ним [Downes, et al., 2016]. Так, в отношении финансовых инструментов, по которым выявлены признаки существенного увеличения кредитного риска (significant increase in credit risk, SICR) и обесценения (неработающие активы, non-performing assets, NPL), должны быть сформированы резервы на всем сроке жизни. Это означает, что теперь оценка вероятности дефолта (PD), величины потерь в случае дефолта (LGD), величины кредитных требований, подверженных кредитному риску (EAD), должна учитывать структуру срочности финансовых инструментов (то есть рассчитываться на всем сроке жизни «lifetime», а не только на срок до 12 месяцев, как это было установлено Базельскими требованиями) [Prorocowski, 2018; Montesi, 2019]. Также оценки должны отражать величину вероятности дефолта PD на дату отчетности, что требует применения оценки в момент времени (point in time), вместо предлагаемого Базельскими соглашениями

подхода на основе цикличности (through the cycle). Таким образом, актуальной является разработка методологии построения моделей в соответствии с регуляторными требованиями [Reitgruber, 2015; Novotny-Farkas, 2016; Miu, Özdemir, 2016]. Для Банка России за последние 5 лет вопрос не утратил актуальности: в качестве одного из перспективных направлений развития банковского регулирования и надзора на 2023-2025 гг. регулятор называет задачу сближения подходов по пруденциальному резервированию с МСФО [Банк России, 2022].

2. Существенное влияние регуляторных изменений на финансовые показатели кредитных организаций. В работе [Moody's, 2018] показано, что использование упрощенных подходов к учету структуры срочности при анализе кредитного качества финансовых инструментов приводит к большей волатильности финансового результата банков (как следствие показателей прибыльности). Как правило, инвесторы и другие заинтересованные стороны обращают пристальное внимание на показатели прибыльности банков и проявляют настороженность в случае волатильности. Западные концепции риск-менеджмента требуют верификации на российских данных [Лобанов, Чугунов; 2019], поэтому проведение эмпирических исследований по данной тематике интересно для современного финансового риск-менеджмента, как и совершенствование методов оценки кредитного риска для коммерческих банков и регулятора.

3. Последствия пандемии и усиление санкционного давления со стороны недружественных стран в отношении России в виде снижения доходов домохозяйств и уменьшения денежных потоков компаний. В результате возросли кредитные риски банков и расходы на резервы по кредитам [Банк России, 2021]. Еще более остро эта проблема стала актуальна для европейских банков, которые были вынуждены формировать дополнительные резервы из-за применения управленческих корректировок (post-model adjustments). Они представляют собой обоснованный стресс-тест (то есть увеличение на заданный коэффициент) посчитанных на основе моделей значений вероятности дефолта (PD) и величины потерь в случае дефолта (LGD) для контрагентов и инструментов, относящимся к наиболее пострадавшим от кризиса отраслям. В работе [Mohamed, 2021] оценено влияние управленческих корректировок резервов на устойчивость банковской системы. В исследовании показано, что применение метода обоснованных корректировок восполняет неучтенные моделями риски, вызванные экономическими шоками .

Таким образом, изменения в международных стандартах финансовой отчетности сформировали базис для применения модели «ожидаемых потерь» [Prorocowski, 2018]. Поэтому, во-первых, согласно правилам, в момент предоставления кредитов и других банковских продуктов, подверженных кредитному риску, финансовые организации должны

производить для них расчет ожидаемого кредитного убытка (expected credit loss, ECL) [Cohen, Edwards, 2017] на срок жизни финансовых инструментов (то есть и для временных горизонтов более 12 месяцев). Это существенно меняет традиционные подходы к оценке кредитного риска, применяемые коммерческими банками. Во-вторых, с 2018 года изменились подходы к расчету банковских резервов [Onali, Ginesti, 2014; Chawla, et al., 2016]. Именно банкам в своих моделях необходимо использовать подход на основе «ожидаемых кредитных потерь» [Beatty, Liao, 2011]. Ожидаемые кредитные убытки трактуются как стоимость всех убытков в случае дефолта должника в любой момент времени в течение срока жизни финансовых инструментов. Это существенно влияет на оценку и признание кредитных убытков [Bushman, Williams, 2015]. В результате, за последние несколько лет интерес исследователей и регуляторов к теме прогнозирования ожидаемых кредитных потерь на срок жизни финансовых инструментов возрос как в России, так и в европейских странах, так как использование продвинутых методов позволяет оптимизировать возросшие резервы банков и повысить устойчивость банковской системы. Это создает новое поле для исследовательской работы на стыке различных научных дисциплин: финансового риск-менеджмента, банковского дела, корпоративных финансов.

Степень обоснованности и достоверности

В ходе подготовки диссертации были использованы методы фундаментальных и прикладных исследований, работы ведущих зарубежных и российских ученых и экспертов в области моделирования кредитного риска. Полученные автором эмпирические результаты исследования соответствуют целям и задачам, поставленным в диссертации. Разработаны методы и модели оценки кредитного риска на срок действия финансовых инструментов (в том числе на длинных временных горизонтах), а также проведена их апробация и верификация.

Обоснованность научных положений и результатов, выводов, научно-теоретических и практических рекомендаций, полученных в диссертационной работе, следует из использования известных методов и эконометрических моделей, которые в том числе применялись в научно-исследовательской работе «Approaches to Building Default Probability Models for Financial Instruments of Project Financing at Long Time Horizons» , подготовленной автором для Аналитического кредитного рейтингового агентства (АКРА). Результаты работы многократно обсуждались на международных и отечественных научно-практических конференциях, а также в статьях автора. Выводы диссертационной работы по главе 1 опираются на теоретические работы в области моделирования кредитного риска. Выводы по главам 2 и 3 обоснованы фактическими данными и подкреплены аргументированным

применением современных финансово-аналитических, статистических и эконометрических методов, позволивших подтвердить цель и задачи исследования, а также построить модели оценки ожидаемых кредитных потерь, включая модели вероятности дефолта на срок более одного года.

Степень разработанности проблемы

В российской и зарубежной литературе есть ряд современных работ, посвященных исследованиям в области различных метрик оценки кредитного риска, влияющих на формирование банковских резервов [Onali, Ginesti, 2014; Chawla, et al., 2016; Prorocowski, 2018; Cohen, Edwards, 2017; Карминский, 2015; Помазанов, 2018]. Так, рядом отечественных авторов исследуются различные подходы к построению рейтинговых моделей корпоративных клиентов, дается их сравнение [Kostrov, Karminsky, 2014], описываются способы их применения [Карминский, 2015]. Приводится анализ моделей на основе рыночных и макроэкономических показателей [Belousova, et al., 2018], моделей на основе показателей бухгалтерской [Помазанов, 2004, 2020] и финансовой отчетности [Karminsky, et al., 2012]. Сравнительный анализ эмпирических методов моделирования кредитных рейтингов представлен в работе [Grishunin, et al. 2020]. В этих работах представлен обзор фундаментальных моделей оценки вероятности дефолта, рассмотрены их преимущества и недостатки, а также приведена классификация имеющихся моделей. Обзор формирует основу для практического использования подобных моделей при решении задач риск-менеджмента [Тотьмянина, 2011]. Исследователями предприняты попытки разработать модели вероятности дефолта для сделок проектного финансирования [Kayser, 2013; Sorge, Marco, 2011; Карминский, 2015]. Подходы к моделированию вероятности дефолта корпоративных заемщиков российских банков представлены в работах [Тотьмянина, 2014; Федорова, Довженко, 2016; Моргунов, 2017] на основе моделей бинарного выбора, в том числе с учетом макроэкономических показателей. В рамках однофакторного моделирования представлены подходы к отбору риск-значимых финансовых и макроэкономических показателей, единовременное использование которых в системе управления кредитным риском затрудняет процессы моделирования и прогнозирования деятельности предприятия, в связи с чем было предложено два подхода к отбору наиболее риск-значимых показателей: 1) проведение статистических тестов на дескриптивную способность и 2) поэтапный отбор факторов из каждого класса показателей.

Проблемной компонентой вышеперечисленных моделей является горизонт прогнозирования, ограниченный сроком до 12 месяцев. Попытки построения упрощенных моделей на длительный временной горизонт представлены в работах [Venables, Ripley, 2002;

John Klein, Melvin, 2003]. Необходимость определения кумулятивной вероятности дефолта возникла с введением международного стандарта IFRS 9 [Porretta, et al., 2020; Помазанов, 2018], а следовательно, и разработки эмпирических моделей с увеличенным временным горизонтом на основе статистических данных российского рынка для расчета ожидаемых кредитных потерь на срок жизни финансовых инструментов, что оказывает влияние как на финансовые показатели отдельных банков, так и на финансовую устойчивость банковского сектора в целом [Hashim, et al., 2016; O'Hanlon, 2016].

Предпосылки регуляторных требований, влияющих на формирование резервов на возможные потери по ссудам, были изложены в работах [Beattie, et al., 1995; Wahlen, 1994], предшествовавших концепции ожидаемых потерь (EL) [Wall, Koch, 2000]. Различные подходы и выводы представлены в работах [Liu, et al., 1997; Ahmed, et al., 1999], где единого мнения о взаимосвязи между созданием дополнительных резервов и доходностью его акций не выработано. Также не однозначно влияние макроэкономических факторов [Laeven, Majnoni, 2003] и выявлены эмпирические доказательства того, что банки по всему миру начинают доформировывать резервы на возможные потери по ссудам по проблемным кредитам только по факту наступления кризисных событий и начала фазы спада в экономике [Onali, Ginesti, 2014].

Другая группа аналитиков провела анализ тенденций формирования резервов на возможные потери по ссудам в Испании [Perez, et al., 2006]. Исследователи сделали вывод, что на величину формирования резервов на возможные потери по ссудам оказывает существенное влияние стадия экономического цикла [Hol, et al., 2006]. В работе [Quagliariello, 2007] для итальянских банков показано, что формирование резервов на возможные потери по ссудам зависит от стадии экономического цикла, но с определенным временным лагом. В работе [Quagliariello, 2008] исследовано влияние макроэкономических эффектов на финансовую устойчивость банка. Создание макромоделей является одной из важнейших задач в рамках методологической работы по расширению временного горизонта моделей ожидаемых кредитных потерь [Gavalas, Syriopoulos, 2014; Chawla, 2016]. Поэтому в диссертации были изучены и систематизированы основные типы моделей и подходов, позволяющих решить рассматриваемую задачу, а полученные автором результаты сопоставлены с позицией ученых относительно значимости влияния макроэкономических показателей при оценке кредитного риска и прогнозировании банковских резервов.

Важным подходом к формированию резервов является динамическое резервирование [Mann, Michael, 2002]. Динамический резерв позволяет отложить признание премии за кредитный риск, создавая резерв на ожидаемые убытки. В случае отсутствия дефолта,

полный резерв, представляющий собой премию за риск, будет ликвидирован при истечении срока погашения [Gebhardt, 2008]. В работах [Hrvoje, et al., 2018; Marshall, 2018] рассматриваются и сравниваются современные концепции ожидаемых потерь, разрабатываются модели кредитного риска с учетом срока жизни финансовых инструментов [Novotny-Farkas, 2016; ESRB, 2017; Dabbene et al., 2017; Edwards, 2016; Skoglund, 2017; McPhail, 2014; Shafii et al., 2016], в том числе для исламских финансов.

Такое большое количество разнонаправленных исследований, изучающих подходы и методы прогнозирования банковских резервов, свидетельствует о важности данной темы, так как величина формируемых резервов влияет и на другие важнейшие показатели банков, включая показатели доходности и рыночную капитализацию.

Таким образом, систематизация подходов к формированию резервов, а также создание и апробация современных методов с использованием продвинутых эконометрических и статистических моделей позволит удлинить временной горизонт оценки компонент кредитного риска. В этой связи, автором выделяется следующий ряд исследовательских пробелов, устранение которых позволит также внести вклад в научную литературу:

1. Отсутствие эмпирических исследований по разработке методов оценки вероятности дефолта на срок более 12 месяцев с помощью продвинутых статистических методов анализа на основе распределений Вейбулла.

2. Отсутствие эмпирических исследований по применению альтернативных методов и моделей оценки вероятности дефолта на срок более 12 месяцев с помощью матриц миграции рейтингов на российских данных.

3. Необходимость разработки методов, предусматривающих учет макроэкономических факторов для оценки показателей кредитного риска на дату отчетности (на момент времени, point in time) вместо предлагаемого Базельскими соглашениями подхода на основе цикличности (through the cycle).

4. Необходимость проведения эмпирических исследований для совершенствования методов оценки величины потерь в случае дефолта (LGD), величины кредитных требований, подверженных кредитному риску (EAD) на всем сроке жизни финансовых инструментов.

Объект и предмет исследования

Объектом исследования являются финансовые инструменты российских коммерческих банков, прежде всего кредиты и документарные обязательства.

Предметом исследования является разработка методов и моделей оценки кредитного риска в пределах срока жизни финансовых инструментов для целей риск-менеджмента.

Цель и задачи исследования

Цель исследования заключаются в разработке методов для расширения временного горизонта прогнозирования кредитного риска, а также повышения точности оценки ожидаемых кредитных потерь в пределах срока жизни финансовых инструментов российских банков.

Для достижения поставленной цели необходимо решить следующие основные задачи:

1. Исследовать и систематизировать регуляторные подходы к оценке кредитного риска на всем сроке жизни финансовых инструментов в условиях изменения требований международных стандартов.

2. Осуществить синтез подходов к оценке кредитного риска на основе систематизации научных знаний и регуляторных требований, а также современных практик риск-менеджмента на всем сроке жизни финансовых инструментов.

3. Разработать методы оценки вероятности дефолта на срок жизни финансовых инструментов, для чего могут быть использованы параметрические распределения, в частности распределения Вейбулла.

4. Разработать альтернативные методы и модели оценки вероятности дефолта на срок жизни финансовых инструментов на основе матриц миграции.

5. Предложить подходы для оценки показателя величины кредитных требований, подверженных кредитному риску (EAD) на срок жизни финансовых инструментов, позволяющего учитывать кредитный риск по финансовым инструментам с установленным лимитом (например, кредитная линия, овердрафт), а также по внебалансовым требованиям (таким как гарантии и аккредитивы) с учетом их специфики.

6. Разработать подходы для оценки показателя величины потерь в случае дефолта (LGD) для учета обеспечения по корпоративному кредитному портфелю банка.

7. Оценить прогнозную силу разработанных моделей и их робастность

Методологическая база исследования

В работе проведен обзор научных работ, систематизированы подходы, применяемые для решения прогнозных задач на длительный временной горизонт, а также проведен их сравнительный анализ. Использованы методы статистического анализа и эконометрического моделирования, метод аппроксимации исторических уровней дефолта с помощью матриц миграции, а также были построены параметрические модели на базе распределений Вейбул-ла.

В рамках макроэкономического моделирования применялись методы авторегрессионной модели с распределенными лагами (ADL-модель, autoregressive distributed lags), линей-

ной и лог-линейной регрессий с использованием возможностей сценарного подхода. Также в работе использованы методы линейного масштабирования, байесовский подход, подход на основе опорной точки и формулы Васичека.

Для моделирования величины кредитных требований на момент дефолта (ЕАО) применялись такие методы и инструменты финансовой математики как дисконтирование, сложный процент, метод скользящего окна. Для модели потерь в случае дефолта (LGD) производится сегментация однородных групп по различным характеристикам кредитного портфеля, в частности по уровню залогового покрытия.

В рамках диссертационного исследования была собрана уникальная база данных, включающая различные параметры и характеристики ссуд, выданных различным категориям корпоративных клиентов, объединенных в однородные портфели, а также сформирован обширный пул макроэкономических данных, источниками которых были статистические материалы Центрального Банка Российской Федерации, Федеральной службы государственной статистики, баз данных СПАРК и RUSLANA, внутренней статистики крупного российского банка, в том числе:

• база данных по кредитам, выданным торговым компаниям, насчитывающая более 36 тыс. наблюдений по 1,5 тыс. заемщикам за период с ноября 2011 года.

• база данных по кредитным продуктам, выданным финансовым компаниям, включающая около 3 тыс. наблюдений начиная с 2009 года.

• база данных по специализированному кредитованию (проектному финансированию), насчитывающая 2,5 тыс. наблюдений, начиная с 2009 года.

Кроме этого, собраны данные для построения макроэкономической модели для каждого из портфелей, а также моделей EAD и LGD.

В работе была использована актуальная информация из других источников в том числе с сайтов российских и зарубежных рейтинговых агентств, а также российских коммерческих банков.

Теоретическая значимость работы состоит в развитии концепций и разработке подходов к построению моделей оценки кредитного риска на всем сроке жизни финансовых инструментов, в том числе применительно к российской действительности.

Научная новизна и вклад автора в литературу

1. Сформированы совершенно новые подходы к оценке и прогнозированию ожидаемых кредитных потерь на всем сроке жизни финансовых инструментов. Методы, ранее описанные в научной литературе, преимущественно ограничивались горизонтом прогноза до 12 месяцев, либо строились на основе нормального распределения.

2. Впервые осуществлен сравнительный анализ результативности подходов к построению моделей на основе параметрических распределений и матриц миграции, что обеспечивает позиционирование каждой из моделей в зависимости от наличия исторических и статистических данных, а также включения макроэкономических факторов.

3. Обоснованы усовершенствованные методы оценки вероятности дефолта (PD), потерь в случае дефолта (LGD), а также величины требований под риском (ЕАО) на всем сроке жизни финансовых инструментов, что обеспечивает возможность оценки параметров кредитного риска российских банков в отличие от зарубежных моделей риск-менеджмента.

4. Разработаны подходы для оценки вероятности дефолта на момент времени, дополняющие предлагаемый Базельскими соглашениями подход на основе цикличности. Для решения этой задачи исследованы несколько типов эконометрических моделей и в качестве наиболее эффективной выбрана модель Васичека.

5. Предложолена оригинальная методика, основанная на комплексном подходе к оценке резервов на покрытие ожидаемых кредитных потерь, способствующая развитию методов оценки кредитного риска в условиях изменения требований международных стандартов.

Основные результаты исследования и положения, выносимые на защиту

1. Методы оценивания вероятности дефолта в течение всего срока жизни финансовых инструментов, основанные на данных банка и моделях выживания без ограничения времени жизни финансовых инструментов. Это позволяет (в отличие от ранее используемых подходов) обоснованно формировать меньшие резервы, а, следовательно, улучшать финансовый результат банка. Ограничением применения данного подхода является наличие доступной статистики по дефолтам за достаточно длительный период времени.

2. Альтернативный подход, основанный на модели Мертона, для оценки вероятности дефолта в течение всего срока жизни финансовых инструментов применительно к проектному финансированию и кредитованию финансовых институтов. Подтверждена робастность модели и сделан вывод о ее применимости для российских коммерческих банков.

3. Разработка макромодели для оценки компонент ожидаемых кредитных потерь в текущий момент времени ^^-калибровка), внедрение которой является одной из ключевых регуляторных задач и важнейшим этапом создания методики для расчета ожидаемых кредитных потерь.

4. Оценка величины кредитных требований, подверженных риску в случае дефолта EAD, а также потерь при дефолте LGD на весь срок жизни финансовых инструментов, как одних из ключевых компонентов для расчета ожидаемых кредитных потерь коммерческих банков, что имеет как научное, так и практическое значение.

Обоснованность научных положений, выводов и рекомендаций,

сформулированных в диссертации, определяется теоретической и методологической базой исследования, основанной на работах по направлениям «риск-менеджмент», «кредитный и инвестиционный анализ», «банковское дело» и т. д. Результаты получены с использованием современных методов эконометрики и экономико-статистического моделирования на основе уникальной эмпирической базы данных. Полученные результаты могут быть верифицированы другими исследователями в будущих работах. Результаты анализа позволяют сделать вывод об обоснованности научных положений, выводов и рекомендаций, сформулированных в диссертации.

Практическая значимость результатов исследования заключается в том, что, согласно положениям МСФО 9 коммерческие банки должны привести свои модели в соответствие с его требованиями. В настоящее время большое банков нуждаются в готовых моделях и решениях. Данное исследование позволит им решить эту проблему и, как следствие, повысить устойчивость банковской системы в России в условиях кризиса. Также результаты исследования могут быть использованы Банком России при решении задачи сближения подходов по пруденциальному резервированию с МСФО [Банк России, 2022].

Структура работы. Диссертация состоит из введения, четырёх глав, заключения, списка литературы и приложений. Общий объём работы составляет 205 страниц основного текста, 45 страниц приложений; список литературы включает 180 наименований, более трети из которых опубликованы за последние 10 лет. Перечень англоязычных статей преимущественно состоит из работ, опубликованных в высокорейтинговых журналах (первого и второго квартилей).

Апробация научных результатов. Результаты диссертационного исследования были представлены в виде следующих презентаций, докладов и обсуждены на международных и российских конференциях и семинарах:

1. «Методы оценки кредитных рисков в условиях вариативности требований международных стандартов финансовой отчетности» на PhD-семинаре базовой кафедры Газпромбанка «Экономика и банковский бизнес» МИЭП МГИМО МИД России на тему «Риски и риск-менеджмент».

2. «Методы управления кредитным риском корпоративных клиентов в условиях вариативности требований стандартов финансовой отчетности» на НИС «Эмпирические исследования банковской деятельности», НИУ ВШЭ.

Список литературы диссертационного исследования кандидат наук Васильева Альфия Фаритовна, 2023 год

Источники данных

Источником данных при разработке модели является корпоративное ХД (область КИХ, содержащая данные ХД СРМ) с набором представлений, содержащих данные в различных разрезах (кредитный портфель, атрибуты договора и т. д.).

Анализ качества данных

Для анализа использовались данные по сегментам «Проектное финансирование» и «Проектное финансирование (девелоперы)»

В анализ вошли 114 клиентов по модели «Проектное финансирование» (994 наблюдения, из них 315 - дефолтных) и 128 клиентов по модели «Проектное финансирование (девелоперы)» (1 082 наблюдения, из них 506 - дефолтных).

Для анализа использовались данные по сегментам «Проектное финансирование» и «Проектное финансирование (девелоперы)» (далее - портфель ПФ). В связи со значительным сокращением количества заемщиков портфеля ПФ в 2015-2017 годах по сравнению с 20092013 годами было принято решение анализировать портфель ПФ как один сегмент, без разделения на ПФ и ПФ (девелоперы).

Детализированная информация по моделям приведена в Таблице 2.6.6. Первые 4 строки - модели, разработанные после октября 2011 года, последние 2 строки - модели, разработанные до октября 2011 года (в 2009 году).

Таблица 2.6.6 - Количество уникальных записей в разрезе моделей (портфель ПФ)

№ Наименование модели Количество записей

1 Проектное финансирование (девелоперы) у.2.0 (архив) 625

2 Проектное финансирование у.2.0 (архив) 527

3 Проектное финансирование (девелоперы) у.2.1 69

4 Проектное финансирование у.2.1 55

5 Проектное финансирование (девелоперы) у.1 (архив) 640

6 Проектное финансирование у.1 (архив) 563

Пересчет рейтингов по сегменту «Проектное финансирование» проводился по описанному выше упрощенному методу со следующими допущениями:

1. Были приведены пересчитанные рейтинги за исключением 133 рейтингов, рассчитанных по модели «Проектное финансирование v.1» с учетом поддержки государства или влияния группы, так как отсутствуют полные необходимые данные для корректного пересчета. Были выбраны рейтинги со статусом «Акцептован» и ID модели in (8, 34, 293), ACTUAL = 0.

2. Изменение структуры модели (перечень факторов, веса) не оказывает влияния на характер миграции рейтингов.

3. В качестве коэффициента пропорциональности для получения нового значения PD использовалось отношение опорной точки моделей «Проектное финансирование v.2» и «Проектное финансирование v.2.1» (7,15%) к опорной точке модели «Проектное финансирование v.1» (3,39%).

4. Аналогично рассчитывался коэффициент пропорциональности для PD с учетом влияния ГК/органа власти и для PD с учетом влияния предупреждающих сигналов. Не пересчитаны рейтинги по 8 наблюдениям с учетом влияния ГК, так как отсутствуют полные необходимые данные для корректного пересчета. При этом в случае, если рейтинг, рассчитанный по старой версии модели, был не лучше «8», он сохранялся на том же уровне (так как рейтинги хуже «8» в большинстве случаев рассчитываются при срабатывании сигналов типа «target»).

Пересчет рейтингов по сегменту «Проектное финансирование (девелоперы)» проводился по описанному выше упрощенному методу со следующими допущениями:

1. Изменение структуры модели (перечень факторов, веса) не оказывает влияния на характер миграции рейтингов.

2. В качестве коэффициента пропорциональности для получения нового значения PD использовалось отношение опорной точки моделей «Проектное финансирование (девелоперы) v.2» и «Проектное финансирование (девелоперы) v.2.1» (10,27%) к опорной точке модели «Проектное финансирование (девелоперы) v.1» (5,09%).

3. Аналогично рассчитывался коэффициент пропорциональности для PD с учетом влияния ГК/органа власти и для PD с учетом влияния предупреждающих сигналов. Не пересчитаны рейтинги по 50 наблюдениям с учетом влияния ГК, так как отсутствуют полные необходимые данные для корректного пересчета. При этом в случае, если рейтинг, рассчитанный по старой версии модели, был не лучше «8», он сохранялся на том же уровне (так как рейтинги хуже «8» в большинстве случаев рассчитываются при срабатывании сигналов типа «target»).

Этапы подготовки данных

Этап 1. Были отобраны записи, относящиеся к заемщикам портфелей «Проектное финансирование» и «Проектное финансирование (девелоперы)».

Этап 2. Затем была получена информация о рейтингах клиентов после пересчета.

Был сформирован реестр заемщиков с указанием даты отчетности заемщика и пересчитанного рейтинга.

Группировка наблюдений

В связи с недостаточным количеством наблюдений по отдельным рейтингам для построения матриц миграции были сформированы рейтинговые группы, включающие от 1 до 9 рейтингов.

При объединении рейтингов в рейтинговые группы учитывалось следующее:

• в рейтинговые группы включаются близкие по уровню риска рейтинги;

• количество наблюдений в рейтинговой группе должно быть достаточным для моделирования вероятностей перехода рейтингов.

Таблица 2.6.7 — Количество наблюдений по рейтинговым грейдам/группам

Рейтинговая группа Рейтинговый грейд Количество наблюдений в рейтинговом грейде Количество наблюдений в рейтинговой группе

1+ -

1 -

1- -

2+ -

2 -

2- -

3+ -

345 3 1 330

3- -

4+ 9

4 12

4- 38

5+ 91

5 97

5- 82

6+ 139

6 6 165 401

6- 97

7+ 115

7 7 110 292

7- 67

8+ 57

89 8 266 593

8- 73

9 197

Источник: материалы автора.

Анализ данных в разрезе отнесения к стадии проекта

В рамках разработки модели проведено исследование наличия зависимости уровня дефолтности от стадии проекта. В ходе оценки проектов заемщиков, относящихся к сегментам «Проектное финансирование» и «Проектное финансирование (девелоперы)», в банке базовый модуль определения рейтинга включает фактор «Стадия проекта». Так как при редевелопменте моделей формулировки факторов менялись, было принято решение объединить полученные данные в три группы: 1) А (стартовое финансирование); 2) В (осуществление работ); 3) С (завершение) - см. Таблицу 2.6.8.

Анализ показал, что более 65% наблюдений относятся к стадии "С" (завершение) и 18% к стадии "В" (осуществление работ). Кроме того, из 312 наблюдений на 2015-17 гг. на стадии завершения ("С") находились 84,3% проектов.

Таблица 2.6.8 — Описание значений фактора модели «Стадия проекта» в зависимости от версии модели

Версия модели Значения фактора модели «Стадия проекта» Обозначение фактора модели «Стадия проекта»

«Проектное финансирование У.1» А: Стартовое финансирование - уровень <идеи> А

В: Подготовка и начало работ - уровень <планирования>

С: Осуществление работ В

D: Готовый бизнес - уровень <завершения> С

«Проектное финансирование у.2» А: Стартовое финансирование - уровень <идеи> А

В: Подготовка и начало работ - уровень <планирования>

С: Осуществление работ В

D: Готовый бизнес - уровень <завершения> С

Проектное финансирование (девелоперы) У.1 А: Строительство «с нуля» А

В: Котлован / фундамент В

С: Построена «коробка»

D: Финальная отделка С

Е: Достройка / перестройка существующего объекта

F: Ремонт существующего объекта для дальнейшего использования

«Проектное финансирование (девелоперы) у.2» Стадия девелоперского проекта (в процентах)

< 20% А

> 20% < 70% В

> 70% С

Источник: материалы автора.

Таблица 2.6.9 - Количество наблюдений по типу стадии проекта

Стадия проекта Количество наблюдений Доля наблюдений в общем количестве, %

А 134 5,6%

B 459 18,3%

C 1 632 65,2%

(Пусто) 280 11,2%

Всего 2 505 100%

Источник: материалы автора.

По результатам исследований принято решение не разбивать исходную выборку по стадиям проекта и не выделять отдельные модели для разных стадий по следующим причинам:

1) большая часть наблюдений относится к стадии завершения проекта (65%);

2) в рейтинге, рассчитанном по модели однолетней вероятности дефолта, учтен факт принадлежности проекта к определенной стадии;

3) сохранение единой выборки позволит разработать более стабильную модель PD Lifetime.

Результаты моделирования TTC LT PD до учета прогнозной макроэкономической информации

При построении однолетних матриц миграций были приняты следующие предпосылки:

•S дефолт является «поглощающим состоянием» (absorbing state), то есть не рассматривается выход из состояния дефолта;

•S при наличии нескольких рейтингов, рассчитанных по одной и той же отчетности, в расчет подтягивался последний по дате расчета рейтинга;

•S в рамках периода (одного года) исключались миграции в состояние «рейтинг отсутствует (не проведено перерейтингование)», то есть если на начало рассматриваемого периода клиенту был присвоен рейтинг, а в конце года нет информации о рассчитанном рейтинге, то в расчете он учитывается как оставшийся в том же рейтинге. Предпосылка введена для соответствия целям моделирования - не проводится моделирование события «отсутствие перерейтингования», моделируется изменение рейтинга в течение нахождения заемщика в портфеле банка;

•S в качестве события дефолта рассматривалось присвоение заемщику рейтинга «10» (при условии, что на предыдущую отчетную дату он был не равен 10).

Средняя (базовая) однолетняя матрица миграции. Расчет базовой матрицы миграции

Однолетние матрицы считались следующим образом:

• расчет однолетней вероятности, с которой заемщик, имеющий определенный рейтинг на начало года, будет через год иметь тот или иной рейтинг, был проведен на ежеквартальной основе на годовом интервале (годовые матрицы рассчитывались с периодичностью квартал);

• анализировались данные с 01.04.2009 по 01.07.2017 (всего 30 матриц);

• в качестве базовой однолетней матрицы была взята матрица, полученная усреднением 30 матриц;

• для портфеля ПФ данные были объединены в рейтинговые группы 345 (3, 4+, 4, 4-, 5+, 5, 5-), 6 (6+, 6, 6-), 7 (7+, 7, 7-), 89 (8+; 8; 8- и 9). Необходимость объединения в группы обусловлена недостаточным количеством наблюдений в отдельных рейтинговых грейдах (см. Таблицу 2.6.10).

Таблица 2.6.10 — Средняя однолетняя матрица миграции

Риск-категория 345 6 7 89 10

345 77,6% 13,5% 4,4% 1,3% 3,2%

6 18,3% 41,5% 23,9% 9,8% 6,5%

7 2,8% 13,7% 45,6% 30,5% 7,3%

89 3,7% 2,0% 6,6% 72,5% 15,2%

10 0,0% 0,0% 0,0% 0,0% 100,0%

Источник: материалы автора.

Корректировка последнего столбца базовой матрицы миграции

В связи с недостаточным количеством наблюдений дефолтов была сделана корректировка вероятности наступления дефолта исходя из взвешенных PD соответствующих рейтингов по мастер-шкале банка. PD взвешены по количеству наблюдений в каждом рейтинге (см. Таблицу 2.6.11).

Таблица 2.6.11 — Взвешенные PD для рейтинговых групп

Количество РБ * количество анкет РБ рейтинговой группы

Рейтинговая группа Рейтинговый грейд наблюдений в рейтинговом грейде PD рейтинга

1+ - 0,01% -

1 - 0,02% -

345 1- - 0,04% - 2,42%

2+ - 0,08% -

2 - 0,16% -

2- - 0,32% -

3+ - 0,45% -

3 1 0,58% 0,006

3- - 0,75% -

4+ 9 0,96% 0,086

4 12 1,23% 0,148

4- 38 1,58% 0,600

5+ 91 2,03% 1,847

5 97 2,61% 2,532

5- 82 3,36% 2,755

6+ 139 4,31% 5,991

6 6 165 5,54% 9,141 5,50%

6- 97 7,12% 6,906

7+ 67 9,14% 10,511

7 7 110 11,74% 12,914 11,48%

7- 115 15,08% 10,104

8+ 73 19,37% 11,041

89 8 266 24,89% 66,207 30,60%

8- 57 31,97% 23,338

9 197 41,06% 80,888

Источник: материалы автора.

Приведение базовой матрицы миграции к монотонному виду

Базовая матрица была приведена к монотонному относительно главной диагонали виду с помощью применения сглаживающих функций. Значения вероятностей перехода корректируются построчно за исключением значений в последнем столбце и главной диагонали.

Для устранения нулевых вероятностей перехода и немонотонных значений над главной диагональю была использована убывающая функция вида у=а*ехр(-Ь*^ (см. Таблицу 2.6.12).

Таблица 2.6.12 — Базовая однолетняя матрица миграции (после приведения к PD мастер-шкалы)

Риск-категория 345 6 7 89 10

345 78,3% 13,6% 4,4% 1,3% 2,4%

6 18,5% 42,0% 24,2% 9,9% 5,5%

7 2,7% 13,1% 43,6% 29,2% 11,5%

89 3,1% 1,6% 5,4% 59,3% 30,6%

10 0,0% 0,0% 0,0% 0,0% 100,0%

Источник: материалы автора.

Для устранения нулевых вероятностей перехода и немонотонных значений под главной диагональю была использована возрастающая функция вида y=a*exp(b*t), подбор параметров для которой был проведен с помощью пакета «Поиск решения» в Excel (см. Таблицу 2.6.13).

Таблица 2.6.13 - Базовая однолетняя матрица миграции (после приведения к PD мастер-шкалы и приведения к монотонному виду)

Риск-категория 345 6 7 89 10

345 78,3% 13,6% 4,3% 1,4% 2,4%

6 18,5% 42,0% 24,2% 9,9% 5,5%

7 0,0% 15,7% 43,6% 29,2% 11,5%

89 2,0% 3,1% 5,0% 59,3% 30,6%

10 0,0% 0,0% 0,0% 0,0% 100,0%

Источник: материалы автора.

Результаты расчета кумулятивных РР

Расчет кумулятивных РР был осуществлен путем возведения в степень скорректированной базовой однолетней матрицы миграции. Многолетние матрицы были рассчитаны на срок до 5 лет (см. Таблицу 2.6.14 и Рисунок 2.6.1).

Таблица 2.6.14 — Кумулятивные вероятности дефолта

Риск-категория Год 1 Год 2 Год 3 Год 4 Год 5

345 2,4% 6,0% 10,8% 16,7% 23,2%

6 5,5% 14,0% 23,7% 33,1% 41,6%

7 11,5% 26,3% 39,6% 50,5% 59,2%

89 30,6% 49,6% 61,9% 70,2% 76,2%

10 100,0% 100,0% 100,0% 100,0% 100,0%

Источник: материалы автора.

Рисунок 2.6.1 - Кумулятивные вероятности дефолта, рассчитанные на основании базовой матрицы после корректировок (источник: материалы автора)

Приведение к мастер-шкале, интерполяция результатов

Кумулятивные вероятности дефолта были преобразованы в условные вероятности дефолта (в соответствии с зависимостью (2.35)) для дальнейшего приведения TTC PD за первый год к мастер-шкале банка и вычисления условных PD для каждого рейтинга внутри рейтинговых групп при помощи логарифмической интерполяции.

PD(t) =

cPD(t)-cPD(t-l) l-cPD(t-l)

(2.35)

Условные PD для рейтинговых категорий 345, 6, 7, 89 были вычислены при помощи логарифмической интерполяции (см. п. 7.2.1).

Условные PD для рейтингов 1+, 1, 1-, 2+, 2, 2-, 3+, 3, 3- были зафиксированы на уровне мастер-шкалы банка.

Данные приведены в Таблице 2.6.15.

Таблица 2.6.15 — Условные вероятности дефолта, полученные после приведения

к мастер-шкале и интерполяции

Риск-категория Год 1 Год 2 Год 3 Год 4 Год 5

1+ 0,01% 0,01% 0,01% 0,01% 0,01%

1 0,02% 0,02% 0,02% 0,02% 0,02%

1- 0,04% 0,04% 0,04% 0,04% 0,04%

2+ 0,08% 0,08% 0,08% 0,08% 0,08%

2 0,16% 0,16% 0,16% 0,16% 0,16%

2- 0,32% 0,32% 0,32% 0,32% 0,32%

3+ 0,45% 0,45% 0,45% 0,45% 0,45%

3 0,58% 0,58% 0,58% 0,58% 0,58%

3- 0,75% 0,75% 0,75% 0,75% 0,75%

4+ 0,96% 1,06% 1,15% 1,21% 1,26%

4 1,23% 1,51% 1,76% 1,96% 2,11%

4- 1,58% 2,14% 2,70% 3,17% 3,53%

5+ 2,03% 3,65% 5,17% 6,58% 7,76%

5 2,61% 4,16% 5,77% 7,20% 8,32%

5- 3,36% 5,44% 7,28% 8,67% 9,63%

6+ 4,31% 7,11% 9,17% 10,44% 11,15%

6 5,54% 9,05% 11,28% 12,33% 12,72%

6- 7,12% 11,40% 13,47% 14,24% 14,35%

7+ 9,14% 14,04% 15,81% 16,23% 16,02%

7 11,74% 16,72% 18,07% 18,09% 17,56%

7- 15,08% 19,39% 19,79% 19,18% 18,23%

8+ 19,37% 22,02% 21,40% 20,17% 18,83%

8 24,89% 27,31% 24,42% 21,96% 19,89%

8- 31,97% 28,40% 25,02% 22,30% 20,09%

9 41,06% 32,26% 27,05% 23,45% 20,76%

Источник: материалы автора.

На основе условных PD (см. Таблицу 2.6.15), были рассчитаны маржинальные PD. Для рейтингов 1+, 1, 1-, 2+, 2, 2-, 3+, 3, 3- mPD были зафиксированы на уровне мастер-шкалы банка.

По рейтингам 7, 7-, 8+, 8, 8- и 9 значения маржинальных PD были скорректированы для устранения пересечений (mPD не должны уменьшаться при движении от рейтинга 1+ до

9).

Итоговые значения mPD (без учета прогнозной информации) представлены в Таблице

2.6.16.

Таблица 2.6.16 - Маржинальные ТТС-профили многолетних вероятностей дефолта

для портфеля ПФ (скорректированные)

Риск-категория Год 1 Год 2 Год 3 Год 4 Год 5

1+ 0,01% 0,01% 0,01% 0,01% 0,01%

1 0,02% 0,02% 0,02% 0,02% 0,02%

1- 0,04% 0,04% 0,04% 0,04% 0,04%

2+ 0,08% 0,08% 0,08% 0,08% 0,08%

2 0,16% 0,16% 0,16% 0,16% 0,16%

2- 0,32% 0,32% 0,32% 0,32% 0,32%

3+ 0,45% 0,45% 0,45% 0,44% 0,44%

3 0,58% 0,58% 0,57% 0,57% 0,57%

3- 0,75% 0,74% 0,74% 0,73% 0,73%

4+ 0,96% 1,05% 1,13% 1,17% 1,20%

4 1,23% 1,49% 1,71% 1,87% 1,97%

4- 1,58% 2,11% 2,60% 2,97% 3,21%

5+ 2,03% 3,58% 4,88% 5,89% 6,49%

5 2,61% 4,05% 5,39% 6,33% 6,79%

5- 3,36% 5,25% 6,65% 7,34% 7,46%

6+ 4,31% 6,81% 8,15% 8,43% 8,06%

6 5,54% 8,55% 9,69% 9,40% 8,50%

6- 7,12% 10,58% 11,08% 10,14% 8,77%

7+ 9,14% 12,76% 12,35% 10,67% 8,82%

7 11,74% 14,75% 13,28% 10,90% 8,82%

7- 15,08% 16,46% 13,55% 10,90% 8,82%

8+ 19,37% 17,75% 13,55% 10,90% 8,82%

8 24,89% 20,51% 13,55% 10,90% 8,82%

8- 31,97% 20,51% 13,55% 10,90% 8,82%

9 41,06% 20,51% 13,55% 10,90% 8,82%

Источник: материалы автора.

45,00% 40,00% 35,00% 30,00% 25,00% 20,00% 15,00% 10,00% 5,00% 0,00%

1 2 3 4 5

Рисунок 2.6.2 - Маржинальные вероятности дефолта (скорректированные) для портфеля ПФ (источник: материалы автора)

Сопоставительный анализ результатов разработки базовой модели для сегментов «Строительство» и «Арендный бизнес» с результатами разработки базовой модели для проектного финансирования

В ходе сравнения полученных оценок mPD для проектного финансирования (без учета прогнозной информации) с оценками для сегментов «Строительство» и «Арендный бизнес» было выявлено, что для «хороших» рейтинговых грейдов (3+, 3, 3-, 4+, 4, 4-, 4+, 4, 4-, 5+, 5, 5-) полученные оценки лучше (вероятность дефолта ниже), чем для сегментов «Строительство» и «Арендный бизнес». Это может быть связано с тем, что в портфеле ПФ почти в три раза меньше наблюдений в «хороших» рейтинговых грейдах (см. Таблицу 2.6.17).

Для «средних» и «плохих» рейтинговых грейдов полученные оценки немного хуже (вероятность дефолта выше), чем для сегментов «Строительство» и «Арендный бизнес». Стоит отметить, что в портфеле ПФ в 2,5 раза больше наблюдений в «плохих» рейтинговых грейдах (8+, 8, 8-, 9), чем для сегментов «Строительство» и «Арендный бизнес». Важно учесть эту особенность при оценке итоговых значений mPD для целей расчета БСЬ.

Таблица 2.6.17 - Количество наблюдений по рейтинговым грейдам

Рейтинговые грейды Количество наблюдений по портфелю ПФ Количество наблюдений по сегментам «Строительство» и «Арендный бизнес»

2-, 3+, 3, 3-, 4+, 4, 4-, 4+, 4, 4-, 5+, 5, 5- 274 979

6+, 6, 6- 278 457

7+, 7, 7- 228 258

8+, 8, 8-, 9 475 178

10 821 414

Всего 2 076 2 286

Эффект включения полученных оценок шРБ по портфелю ПФ (вместо оценок по сегментам «Строительство» и «Арендный бизнес») в расчет БСЬ по корпоративному портфелю на 01.01.2018 г. составил +0,9 млн руб. (или +0,1%).

Таким образом, рассчитанные оценки не приводят к существенному завышению суммы БСЬ и наилучшим образом отражают специфику портфеля ПФ, поэтому должны использоваться при расчете БСЬ.

В Таблице 2.6.18 представлены итоговые однолетние условные PD, отражающие вероятность дефолта с учетом влияния макроэкономической информации.

Таблица 2.6.18 — Итоговые условные PD, отражающие вероятность дефолта с учетом влияния макроэкономической информации (портфель ПФ)

Шкала PD TTC Forward PD (PD PIT для года 1 и 2, PD TTC для 3-5)

Год 1 Год 2 Год 3 Год 4 Год 5

1+ 0,01% 0,01% 0,01% 0,01% 0,01% 0,01%

1 0,02% 0,01% 0,02% 0,02% 0,02% 0,02%

1- 0,04% 0,03% 0,04% 0,04% 0,04% 0,04%

2+ 0,08% 0,06% 0,08% 0,08% 0,08% 0,08%

2 0,16% 0,12% 0,16% 0,16% 0,16% 0,16%

2- 0,32% 0,24% 0,31% 0,32% 0,32% 0,32%

3+ 0,45% 0,33% 0,44% 0,45% 0,45% 0,45%

3 0,58% 0,43% 0,57% 0,58% 0,58% 0,58%

3- 0,75% 0,55% 0,74% 0,75% 0,75% 0,75%

4+ 0,96% 0,71% 1,05% 1,15% 1,21% 1,26%

4 1,23% 0,91% 1,49% 1,76% 1,96% 2,11%

4- 1,58% 1,17% 2,11% 2,70% 3,17% 3,53%

5+ 2,03% 1,50% 3,60% 5,17% 6,58% 7,76%

5 2,61% 1,93% 4,09% 5,77% 7,20% 8,32%

5- 3,36% 2,49% 5,35% 7,28% 8,67% 9,63%

6+ 4,31% 3,21% 7,00% 9,17% 10,44% 11,15%

6 5,54% 4,14% 8,91% 11,28% 12,33% 12,72%

6- 7,12% 5,34% 11,23% 13,47% 14,24% 14,35%

7+ 9,14% 6,89% 13,84% 15,81% 16,23% 16,02%

7 11,74% 8,92% 16,48% 18,07% 18,09% 17,89%

7- 15,08% 11,56% 19,13% 19,79% 19,84% 20,05%

8+ 19,37% 15,02% 21,73% 21,55% 22,09% 22,96%

8 24,89% 19,61% 26,98% 24,82% 26,54% 29,26%

8- 31,97% 25,70% 29,80% 28,51% 32,07% 38,24%

9 41,06% 33,89% 34,42% 35,26% 43,79% 63,11%

В Таблице 2.6.19 представлены итоговые однолетние маржинальные PD, отражающие вероятность дефолта с учетом влияния макроэкономической информации и участвующие в оценке БСЬ.

Таблица 2.6.19 — Итоговые маржинальные PD, отражающие вероятность дефолта с учетом влияния макро экономической информации (портфель ПФ)

Шкала РБ ТТС МРБ

Год 1 Год 2 Год 3 Год 4 Год 5

1+ 0,01% 0,01% 0,01% 0,01% 0,01% 0,01%

1 0,02% 0,01% 0,02% 0,02% 0,02% 0,02%

1- 0,04% 0,03% 0,04% 0,04% 0,04% 0,04%

2+ 0,08% 0,06% 0,08% 0,08% 0,08% 0,08%

2 0,16% 0,12% 0,16% 0,16% 0,16% 0,16%

2- 0,32% 0,24% 0,31% 0,32% 0,32% 0,32%

3+ 0,45% 0,33% 0,44% 0,45% 0,44% 0,44%

3 0,58% 0,43% 0,57% 0,57% 0,57% 0,57%

3- 0,75% 0,55% 0,73% 0,74% 0,73% 0,73%

4+ 0,96% 0,71% 1,04% 1,13% 1,18% 1,21%

4 1,23% 0,91% 1,47% 1,72% 1,88% 1,98%

4- 1,58% 1,17% 2,08% 2,61% 2,98% 3,22%

5+ 2,03% 1,50% 3,54% 4,91% 5,93% 6,53%

5 2,61% 1,93% 4,01% 5,43% 6,38% 6,84%

5- 3,36% 2,49% 5,22% 6,71% 7,42% 7,53%

6+ 4,31% 3,21% 6,78% 8,25% 8,54% 8,17%

6 5,54% 4,14% 8,54% 9,85% 9,55% 8,64%

6- 7,12% 5,34% 10,63% 11,32% 10,36% 8,95%

7+ 9,14% 6,89% 12,89% 12,68% 10,96% 9,06%

7 11,74% 8,92% 15,01% 13,75% 11,28% 9,13%

7- 15,08% 11,56% 16,92% 14,16% 11,38% 9,22%

8+ 19,37% 15,02% 18,47% 14,33% 11,52% 9,33%

8 24,89% 19,61% 21,69% 14,57% 11,71% 9,49%

8- 31,97% 25,70% 22,14% 14,87% 11,96% 9,69%

9 41,06% 33,89% 22,75% 15,29% 12,29% 9,96%

Источник: материалы автора.

ГЛАВА 3. СОВЕРШЕНСТВОВАНИЕ МОДЕЛЕЙ КРЕДИТНОГО РИСКА

3.1 Модели кредитных требований в случае дефолта (EAD) на всем сроке жизни финансовых инструментов для финансовых инструментов, признанных на балансе организации10

В рамках настоящего раздела автором будет предложен подход к оценке величины кредитного требования, подверженного риску дефолта (ЕАО), для финансовых инструментов за весь срок действия (жизни) финансовых инструментов в соответствии с требованиями МСФО (IFRS) 9 [Васильева, 2021].

БАО за весь срок жизни представляет собой набор оценок значений с первого по последний год жизни финансовых инструментов. Для оценки ЕАО внебалансовых инструментов используются две модели: модель ЕАО на всем сроке жизни финансовых инструментов, подверженных кредитному риску (применяется к финансовым инструментам, являющимся активами банка, признанными и отраженными на его балансебалансовой части)) и модель CCF (применяется к внебалансовой части). В рамках настоящего раздела описываются подходы к разработке внутренней модели оценки требования при дефолте (ЕАО) для финансовых инструментов на всем сроке жизни финансовых инструментов в соответствии с требованиями МСФО (IFRS) 9.

Для оценки БАО договоров с установленным лимитом (например, кредитная линия, овердрафт) и по договорам гарантий и аккредитивов используются две модели: модель БАО для финансовых инструментов (применяется к финансовым инструментам, являющимся активами банка, признанными и отраженными на его балансе) и модель ССБ (применяется к внебалансовой части). Также далее будет описан подход к моделированию ССБ.

Результаты разработки модели БАО для финансовых инструментов представлены в настоящем разделе.

Область применения модели - договоры, относящиеся к корпоративному портфелю.

В рамках задачи по выделению недефолтных договоров, для которых рассчитывается БАО, использовалось определение дефолта в соответствии с внутренними правилами банка.

В рамках задачи по моделированию компонент БАО-модели использовалось предположение об определении дефолта: дефолт - «выход в просрочку более 90 дней».

10 Материалы данного параграфа являются дополненной и расширенной версией опубликованного исследования: Васильева, А. Ф. Подходы к построению БАО-моделей на длинных временных горизонтах / А. Ф. Васильева // Финансовый журнал. - 2021. - Т. 13. № 4. - С. 91-109. - https://doi.org/10.31107/2075-1990-2021-4-91-109

Фактически количество дней просрочки к моменту выхода в дефолт может быть меньше 90 дней.

Описание модели

EAD для финансовых инструментов моделируется на уровне договора/транша. Модель применяется только к недефолтным договорам/траншам.

Оцениваемая величина EAD на дату t определяется как:

EADt=EPrnt + fit + Feet, (3.1)

где EPrnt - ожидаемая сумма долга на будущую дату t, руб., f it - начисленные или неполученные проценты до даты t, руб., Feet - начисленные до даты t штрафы, пени, комиссии, руб., t - дата дефолта.

Начисленные или неполученные до даты дефолта проценты (/ t) и начисленные штрафы, пени, комиссии (Feet) моделируются исходя из предположения о выходе в дефолт договора по признаку «просрочка более 90 дней». Для моделирования размера штрафов, пени, комиссий используются условия типового договора, при недоступности данных компонент может быть оценен на основании исторических данных или приравнен к 0 в связи с незначительным вкладом в EAD. Размер процентов при начислении сложных процентов вычисляется как:

f t=EPmtx(l+, (3.2)

где EP nt - ожидаемая сумма долга на будущую дату t, руб., f t - начисленные или неполученные проценты до даты t, руб., IR - годовая договорная процентная ставка, %,

m - количество периодов для начисления процентов в течение года, шт., n - длительность периода, в течение которого идет начисление процентов, лет.

Если договор выходит в дефолт по причине «просрочка более 90 дней», это значит, что до даты дефолта на остаток основного долга будут начислены проценты за 4 месяца. Данное предположение действительно для графиков с ежемесячным погашением основного долга и/или процентов.

На Рисунке 3.1.1 показан схематический пример расчета процентов при выходе договора в дефолт. Для упрощения рассматривается пример графика погашения, согласно которому погашение основного долга и процентов, составляющих платеж, происходит с ежемесячной периодичностью. Количество дней в одном месяце равно 30.

Рисунок 3.1.1 - Пример получения начисленных за 4 месяца процентов к дате выхода в дефолт (источник: материалы автора)

Тогда формула (3.2) примет вид:

/ 1 = ергщх(1+!£)

12*4 12

(3.3)

Упрощенный подход к построению модели EAD на всем сроке жизни финансовых инструментов. Упрощенный подход к построению модели EAD для балансовых инструментов используется при недоступности информации по плановым графикам погашения задолженности, а также при отсутствии или недостаточности данных по типу графика, периодичности погашения основного долга и процентов в информационных базах данных.

Данный подход предусматривает следующие допущения и ограничения:

• Погашение основного долга осуществляется равными частями (ежемесячно) или в конце срока. В целях упрощения вне зависимости от фактического графика погашения ОД при наличии информации о погашении ОД равными частыми (еженедельно / ежемесячно / ежеквартально) расчет проводился исходя из ежемесячной периодичности погашения ОД;

• Событие дефолта происходит в середине года (год - период 365 (366) дней от отчетной даты). Середина года выбрана исходя из предположения о равномерном распределении вероятности дефолта внутри года. В рамках упрощенного подхода не проводится анализ эмпирического распределения количества дефолтов внутри года. Это значит, что событие «выход в просрочку более 90 дней» фиксируется на конец 6-го месяца при выходе в дефолт в 1-м году после текущей даты, на конец 18-го месяца - при выходе в дефолт во 2-м году после текущей даты и т. д.

Описание подхода

В рамках подхода рассматривается два типа графиков погашения задолженности:

(1) погашение равными долями (основной долг и проценты погашаются ежемесячно) и

(2) погашение основного долга в конце срока кредита, а процентов - ежемесячно..

Итоговое значение БАО для договоров, по которым отсутствуют данные по периодичности погашения ОД и процентов, в соответствии с упрощенным подходом, рассчитывается как среднее между двумя значениями, полученными по разным типам графиков:

ЕЩта1 = ЕА°1 * 50% + ЕАБ2 * 50% , (3.4)

где БАО1 - значение БАО, рассчитанное в предположении о графике погашения равными долями (основной долг и проценты);

БАО2 - значение БАО, рассчитанное в предположении о погашении основного долга в конце срока, а процентов - ежемесячно.

Для получения итогового значения БАО для договоров, по которым в ХД СРМ имеются данные по периодичности погашения ОД и процентов, используется один тип графика погашения (ежемесячное погашение ОД).

ЕАВПпа1 = ЕА01ИЯиЕА0ГЫа1 = ЕАВг . (3.5)

При допущении о погашении основного долга равными частями ежемесячно используется следующий алгоритм расчета EAD:

Шаг 1. На уровне договора определяется оставшийся срок жизни договора исходя из плановой даты закрытия договора и текущей даты (даты расчета).

Шаг 2. Рассчитывается сумма ежемесячного погашения основного долга путем деления остатка основного долга на текущую дату на количество месяцев, оставшихся до закрытия договора.

Шаг 3. В рамках каждого года жизни договора рассчитывается дата, при остановке оплаты основного долга после которой возникает событие дефолта на конец 6, 18-го и т. д. месяцев. На эту дату фиксируется величина остатка основного долга для начисления процентов, штрафов и т. д.

Шаг 4. Рассчитывается сумма процентов за 4 месяца, сумма комиссий, штрафов, пеней, вызванных выходом договора в просрочку. При отсутствии информации о сумме комиссий, штрафов, пеней, которые будут начислены в случае дефолта, рассчитываются только проценты по формуле (3.4).

Шаг 5. Рассчитывается ЕАО. Результаты могут быть записаны как в абсолютном (руб.), так и в относительном (% от основного долга) выражении.

При допущении о погашении основного долга в конце срока используется следующий алгоритм расчета EAD:

Шаг 1. На уровне договора определяется оставшийся срок жизни договора исходя из плановой даты закрытия договора и текущей даты.

Шаг 2. Так как при выбранном допущении погашение основного долга до даты окончания договора не проводится, в случае дефолта основной долг, входящий в ЕАВ, будет равен текущему остатку основного долга.

Шаг 3. Рассчитывается сумма процентов за 4 месяца, сумма комиссий, штрафов, пеней, вызванных выходом договора в просрочку (по процентам). При отсутствии информации о сумме комиссий, штрафов, пеней, которые будут начислены в случае дефолта, рассчитываются только проценты.

Шаг 4. Рассчитывается ЕАВ. Результаты могут быть записаны как в абсолютном (руб.), так и в относительном (% от основного долга) выражении.

Продвинутый подход к построению модели EAD на всем сроке жизни финансовых инструментов

Продвинутый подход к построению модели ЕАВ используется при наличии информации по плановым графикам погашения задолженности.

Допущения и ограничения подхода

Распределение частоты выхода в дефолт внутри каждого года относительно выбранной даты (например, относительно 01.01.2015, 01.01.2016, 01.01.2017 и т. д.) оценивается на эмпирических данных по договорам корпоративного портфеля, вышедшим в дефолт по любому критерию дефолта.

Описание подхода

Шаг 1. Получить эмпирическое распределение частоты выхода в дефолт внутри каждого года по месяцам. Эмпирическое распределение оценивается на несколько дат. Период для оценки эмпирического распределения определяется банком и не должен значительно отличаться от периода, на основании которого рассчитываются другие компоненты БЛВ (ССБ). Например, при доступности информации по истории дефолтов с 01.01.2011 можно оценить долю договоров, вышедших в дефолт в течение года, относительно 01.01.2011, 01.01.2012 и т. д. Результат записывается в виде доли договоров. Итоговые доли могут быть рассчитаны как средневзвешенное значение. Например, 10%

вышли в дефолт в течение 4-го месяца, 10% - в течение 5-го месяца, 25% - 6-го, 15% - 7-го, 5% - 8-го, 10% - 9-го, 5% - 10-го, 5% - 11-го, 15% - 12-го и т. д. Сумма долей выхода в дефолт должна составлять 100% [Васильева, 2021].

Шаг 2. Рассчитать ЕЛО в течение 1-го, 2-го и т. д. лет от текущей даты.

Пример расчета EADна всем сроке жизни финансовых инструментов в соответствии с продвинутым подходом

Особенности расчета ЕЛР для финансовых инструментов с просрочкой

При моделировании ЕЛО для договоров с просрочкой (количество дней текущей просрочки больше 0) выплаты основного долга не моделируются, то есть ЕРгщ определяется как текущий объем основного долга на отчетную дату, на которую ведется расчет.

Остальные компоненты ЕЛО (/ Рее{) моделируются в соответствии с подходом для непросроченных договоров.

По просроченным договорам ЕЛО каждого года равно оценке ЕЛО на первый год.

Источником данных, использованных при разработке модели, является корпоративное ХД с набором представлений, содержащих данные в различных разрезах (кредитный портфель, атрибуты договора и т. д.).

Анализ качества данных

Были проанализированы поля, содержащие информацию по периодичности погашения договоров. На 01.10.2017 информация по периодичности погашения основного долга заполнена по 34,5% договоров/траншей (среди договоров, к которым применима модель ЕАО для балансовых инструментов).

По части договоров отсутствовала информация по договорной ставке (договоры, выданные в рублях). Для заполнения пропусков была рассчитана средняя договорная ставка в разрезе риск-сегментов (только договоры, выданные в рублях). В случае отсутствия информации по договорной ставке использовалась средняя договорная ставка соответствующего сегмента.

Таблица 3.1.1 — Средняя договорная процентная ставка на 01.10.2017 в разрезе риск-сегментов по рублевым договорам

Сегмент Средняя договорная процентная ставка

Голубые фишки 9,00%

Строительство 14,28%

Арендный бизнес 13,78%

Производство и услуги 13,07%