663a54d9d41527_45709456___skip_ 663a54d9d417c8_43720845___skip_ Моделирование вероятности дефолта российских банков 663a54d9d41ab9_31201593___skip_ 663a54d9d41d06_64240475___skip_ Марина Владимировна Радионова, 663a54d9d41f74_08617086___skip_ кандидат физико-математических наук, доцент кафедры высшей математики, 663a54d9d41f74_08617086___skip_ Национальный исследовательский университет «Высшая школа экономики», 663a54d9d41f74_08617086___skip_ Пермь, Российская Федерация 663a54d9d41f74_08617086___skip_ Ответственный автор 663a54d9d41f74_08617086___skip_ Юлия Владимировна Приступина 663a54d9d41f74_08617086___skip_ аналитик Центра производства информационных систем группы компаний «ИВС», 663a54d9d41f74_08617086___skip_ Пермь, Российская Федерация 663a54d9d41f74_08617086___skip_ Финансовая аналитика: проблемы и решения 663a54d9d41f74_08617086___skip_ №2 2017 663a54d9d425f2_28853026___skip_ 663a54d9d42a49_54400495___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d430b9_70806527___skip_ Аннотация 663a54d9d433d1_08629477___skip_ 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d430b9_70806527___skip_ Тема. 663a54d9d433d1_08629477___skip_ Статья посвящена моделированию вероятности дефолта российских коммерческих банков. В связи со спецификой экономической и политической обстановки в стране изучение проблем банкротства коммерческих банков еще долгое время будет оставаться актуальным. Объектом исследования выступают российские коммерческие банки двух категорий: лишившиеся лицензии Банка России с августа 2013 г. по май 2016 г. и продолжающие свою деятельность. Предметом исследования являются надежность и устойчивость кредитных организаций, а также факторы, влияющие на возникновение дефолта. Цели. Построение эконометрической модели оценки вероятности дефолта банков, учитывающей особенности российского рынка. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d430b9_70806527___skip_ Методология. 663a54d9d433d1_08629477___skip_ Вероятность банкротства определяется с использованием логистической регрессии, учитывающей как показатели финансовой отчетности, так и ряд институциональных факторов. Информационной базой служат квартальные данные отчетности российских коммерческих банков за период с января 2012 г. по январь 2016 г., оказавшихся банкротами с августа 2013 г. по май 2016 г. Результаты. В статье рассмотрены тенденции современной банковской системы, показаны основные этапы построения модели оценки вероятности дефолта российских коммерческих банков. На основании характеристик созданной модели сделан вывод о ее высоком качестве как с точки зрения статистической значимости, так и с точки зрения экономического смысла. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d430b9_70806527___skip_ Применение. 663a54d9d433d1_08629477___skip_ Полученные результаты могут быть полезны как исследователям, изучающим вопросы банкротства кредитных организаций, так и менеджменту банков. Кроме того, модель может применяться органами банковского надзора РФ в качестве системы дистанционного мониторинга, а также компаниями при выборе обслуживающего банка. Простота и доступность данных делают возможным анализ банка и со стороны его потенциальных клиентов. 663a54d9d425f2_28853026___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d44111_91302714___skip_ Введение 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ Обеспечение устойчивого развития банковского сектора является первостепенной задачей органов финансового надзора. Для планирования работы и предотвращения возможных кризисов разрабатывается и постоянно совершенствуется комплекс мер, включающий в себя мониторинг, идентификацию, контроль и прогнозирование возможных рисков. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В наши дни большое внимание уделяется разработке систем раннего предупреждения, определяющих склонные к дефолту банки. Помимо государственных регуляторов, важность создания моделей, оценивающих вероятность банкротства, подчеркивается и коммерческими банками, поскольку применение этих технологий позволяет своевременно выявить возможные проблемы и принять меры по оздоровлению банков, тем самым предотвращая будущие потери. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ С каждым годом стремительно растет число работ, посвященных изучению различных аспектов деятельности банков, и в частности моделированию вероятности дефолта коммерческих банков. Среди отечественных исследований наиболее известны работы таких ученых, как А.А. Василюк, С.А. Головань, А.М. Карминский, А.В. Копылов, А.В. Костров, Т.Н. Мурзенков, А.А. Пересецкий [1-7], опыт которых в значительной степени используется в данной статье. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В перечисленных трудах рассматриваются особенности моделирования вероятности дефолта банков в РФ на основе национальной финансовой отчетности, макроэкономических и институциональных данных. Кроме того, значительное внимание уделено тестированию достоверности моделей и проведению сравнительного анализа эконометрических моделей вероятности дефолта (с рассмотрением в качестве базовой logit-регрессии) с альтернативными моделями. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Базовой является именно logit-регрессия, поскольку авторы считают, что лишь логистическая модель по сравнению с прочими используемыми схемами дает наиболее точные результаты, отвечающие действительным случаям банкротства. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В упомянутых работах по эконометрическому моделированию вероятности дефолта банков РФ с 1996 до 2004 г. факт отзыва лицензии Центральным банком РФ являлся основным индикатором, определявшим дефолт кредитной организации. Однако в более поздний период (2005-2008 гг.) в формулировках приказов Банка России об отзыве лицензий стала встречаться такая причина, как нарушение Федерального закона от 07.08.2001 № 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма». Поэтому авторы приняли решение о более тщательном анализе банков с отозванной лицензией и исключении из выборки нарушителей данного закона. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Ключевая идея работы Пересецкого А.А. [6] состоит в разделении причин дефолта на две составляющие: плохое финансовое состояние кредитной организации и «махинации и отмывание денег». Исследование строится на основе финансовой отчетности российских банков, утративших лицензию со II квартала 2005 г. по IV квартал 2008 г. Результаты показали, что для построения более качественной модели оценки вероятности дефолта необходимо выделить в отдельную группу банки, занимающиеся «отмыванием денег», и исключить их из выборки. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Использование макроэкономических показателей базируется на гипотезе: устойчивость банка зависит от циклически меняющихся внешних условий. Большое внимание вопросу о возможности использования макропеременных в модели было уделено в исследовании, проведенном группой авторов [2, 3]. При помощи эконометрических моделей бинарного выбора оценивалась вероятность банкротства российских банков в период с 1996 по 2002 г. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Согласно результатам, введение в модель макропоказателей улучшает статистические характеристики качества модели, а также снижает долю допускаемых ошибок. Кроме того, в модель были включены такие параметры, как балансовая прибыль, кредиты экономике, негосударственные долговые обязательства. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Одно из последних эмпирических исследований, проведенное группой авторов под руководством А.М. Карминского [3], рассматривает банковский сектор России с точки зрения задач, стоящих перед риск-менеджерами крупных кредитных организаций и главным регулятором. Из полученных результатов регрессионного анализа по выборке российских банков с 1998 по 2011 г. авторы получили достойные внимания выводы. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Во-первых, было эмпирически подтверждено предположение о нелинейности взаимосвязей (квадратичной зависимости) между выбранными факторами. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Во-вторых, исследователям удалось значительно улучшить качество итоговой модели за счет использования макроэкономических факторов и индикаторов состояния институциональной среды (например, года, индекса потребительских цен, нормы безработицы и т.п.). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Первой и наиболее популярной работой по моделированию вероятности дефолта банков было исследование, проведенное в 1968 г. Эдвардом Альтманом [8], который использовал множественный дискриминантный анализ для классификации зарубежных компаний на устойчивые и неустойчивые посредством анализа финансовой отчетности. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Экономист предложил показатель Z-score, который рассматривался в качестве непосредственной меры риска. В своей работе Э. Альтман учитывал в качестве факторов относительные показатели: отношения капитала к сумме активов, нераспределенной прибыли к сумме активов, прибыли до налогообложения к общей стоимости активов, рыночной стоимости собственного капитала к балансовой стоимости всех обязательств и выручки к общей величине активов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В дальнейшем данная модель претерпевала множество изменений, что нашло отражение в последующих работах Э. Альтмана. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Более широко затронутая тема разработана в работах зарубежных авторов: W.H. Beaver [9], P. Meyer, H. Pifer [10], A. Clare, R. Priestley [11], S. Claeys, K. Schoors [12], J. Frade [13], K. Mannasoo, D. Mayes [14], D. Duffle, K. Singleton[15], P. Bongini, L. Laeven, G. Majnoni [16], G. Lanine, R. Vennet [17], G. Gennotte, D. Pyle [18], T. Zaghdoudi [19]. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ С назначением на должность председателя Центрального банка РФ Эльвиры Набиуллиной в 2013 г. Банк России приступил к активной чистке банковского рынка. Рост количества кредитных организаций, по которым в 2013-2016 гг. были приняты решения об отзыве лицензий на проведение банковских операций (рис. 1), объясняется накопившимися финансовыми проблемами у банков, утратой части капитала, стойкой неплатежеспособностью, вовлеченностью в отмывание преступных доходов и незаконным выводом за рубеж денежных средств. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ За 15 лет лицензии были отозваны у 587 кредитных организаций, при этом 15% из них -за 2015 г., когда был установлен рекорд за последние 15 лет, - лицензий лишились 93 кредитные организации. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ За апрель - май 2016 г. (по состоянию на 20 мая) лицензий были лишены 15 банков и 1 некоммерческая кредитная организация, тогда как за январь - март - 26. Пострадали за апрель - май 2016 г. в основном небольшие кредитные организации, суммарный объем их активов составил примерно 94 млрд руб. (примерно 0,12% суммарных активов банковской системы России на 1 апреля) 663a54d9d45778_24018341___skip_ 1 663a54d9d45958_85451885___skip_ . 663a54d9d425f2_28853026___skip_ 663a54d9d45c59_99796998___skip_ 663a54d9d45778_24018341___skip_ 1 663a54d9d45958_85451885___skip_ Данные Центрального банка РФ на 01.06.2016. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Таким образом, наблюдается тенденция к уменьшению количества действующих кредитных организаций и увеличению числа банков, у которых отозвана лицензия. В зоне риска остаются банки с низким запасом собственных средств, стабильно сокращающейся клиентской базой, а также учреждения, вовлеченные в проведение сомнительных операций. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Обзор моделей оценки вероятности дефолта 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ Сегодня для оценки вероятности дефолта банков разработано множество математических моделей. К наиболее известным относятся: 663a54d9d425f2_28853026___skip_ 663a54d9d46304_62244667___skip_ 663a54d9d46458_20919888___skip_ рыночные модели. В их основе - рыночные данные по котируемым ценным бумагам. Такие модели можно разделить на структурные и модели сокращенных форм; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ модели, в основе которых - показатели финансовой и бухгалтерской отчетности [20]. В зависимости от используемого статистического метода их можно разделить на скоринговые, модели на основе дискриминантного анализа и модели бинарного выбора; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ модели на основе макроэкономических факторов; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ модели международных рейтинговых агентств; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ непараметрические модели. 663a54d9d46647_21176641___skip_ 663a54d9d46b54_05824856___skip_ 663a54d9d42d05_68005494___skip_ В рамках данной статьи для моделирования оценки вероятности банкротства банков используется логистическая регрессия, которая относится к классу моделей бинарного выбора. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Сегодня предпочтение в исследованиях отдается применению logit-моделей, хотя практический опыт показывает, что получаемые с помощью probit- и logit-моделей результаты, как правило, совпадают. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Основная особенность таких моделей заключается в том, что зависимая переменная является бинарной, то есть принимает значение единицы, если банк признан банкротом, и нуля - в противном случае. При таком подходе вероятность дефолта не может выходить за рамки отрезка [0; 1]. Также предполагается нелинейность зависимости вероятности дефолта от используемых объясняющих факторов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Формально логистическая регрессия выглядит следующим образом: 663a54d9d425f2_28853026___skip_ 663a54d9d470b8_31388591___skip_ P(y 663a54d9d47341_86770815___skip_ i 663a54d9d47513_22680978___skip_ =1) = F(Z 663a54d9d47341_86770815___skip_ i 663a54d9d47513_22680978___skip_ ) = 1 / (1 + e 663a54d9d45778_24018341___skip_ -Z 663a54d9d47341_86770815___skip_ i 663a54d9d47513_22680978___skip_ 663a54d9d45958_85451885___skip_ ), 663a54d9d425f2_28853026___skip_ 663a54d9d47a94_22989654___skip_ где P(y 663a54d9d47341_86770815___skip_ i 663a54d9d47513_22680978___skip_ =1) - вероятность банкротства i-го банка; 663a54d9d41f74_08617086___skip_ Z 663a54d9d47341_86770815___skip_ i 663a54d9d47513_22680978___skip_ = b 663a54d9d47341_86770815___skip_ 0 663a54d9d47513_22680978___skip_ + ∑ 663a54d9d45778_24018341___skip_ n 663a54d9d45958_85451885___skip_ 663a54d9d47341_86770815___skip_ j=1 663a54d9d47513_22680978___skip_ b 663a54d9d47341_86770815___skip_ j 663a54d9d47513_22680978___skip_ x 663a54d9d47341_86770815___skip_ ij 663a54d9d47513_22680978___skip_ - линейная комбинация независимых факторов; 663a54d9d41f74_08617086___skip_ b 663a54d9d47341_86770815___skip_ j 663a54d9d47513_22680978___skip_ - коэффициент регрессии для j-го фактора; 663a54d9d41f74_08617086___skip_ X 663a54d9d47341_86770815___skip_ ij 663a54d9d47513_22680978___skip_ - значение j-го фактора для i-го банка. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Характеристика объекта исследования 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ При формировании данных для моделирования возникает необходимость определения понятия «дефолт», поскольку в исходную выборку, сформированную из банков, у которых отозвана лицензия, входят и те, у которых это произошло по причинам недостоверности представляемой финансовой отчетности, махинаций (отмывания денежных средств, пособничества терроризму) по собственной инициативе учреждений. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Необходимо ввести следующее определение: банк считается банкротом только тогда, когда выполняется хотя бы одно из следующих положений: 663a54d9d425f2_28853026___skip_ 663a54d9d46304_62244667___skip_ 663a54d9d46458_20919888___skip_ достаточность собственного капитала становится ниже 2%; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ размер собственных средств (капитала) становится ниже минимального значения уставного капитала на дату регистрации банка; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ учреждение полностью теряет собственные средства; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ возникает неисполнение требований Банка России о необходимости создания резервов, адекватных потерям; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ банк не способен удовлетворить требования кредиторов по денежным обязательствам; 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ кредитная организация перешла под управление Агентства по страхованию вкладов. 663a54d9d46647_21176641___skip_ 663a54d9d46b54_05824856___skip_ 663a54d9d42d05_68005494___skip_ Данные о фактах и причинах отзывов лицензий у российских банков были собраны на основе соответствующих приказов, изданных Банком России. В выборочную совокупность попали 139 коммерческих организаций (19,7% от всей выборки), которые оказались банкротами с августа 2013 г. по май 2016 г. и у которых была доступна финансовая отчетность за период от двух до шести кварталов до банкротства. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Каждому из банков, допустивших дефолт, были найдены аналоги по размеру чистых активов, но не признанные банкротами. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В результате было подобрано 560 банков (80,3% от всей выборки). В итоге выборка стала состоять из 699 банков. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Для построения logit-регрессий она была разбита на две части. В первую, на основе которой строятся модели (наблюдения с 1 августа 2013 г. по 31 декабря 2015 г.) вошло 117 банкротов, а также 471 действующее учреждение. Вторую (наблюдения с 1 января по 1 мая 2016 г.), на основе которой оценивается прогнозная сила построенных моделей, составили 22 банкрота и 89 действующих кредитных организаций. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Информационной базой выступали квартальные данные финансовой отчетности российских коммерческих банков с января 2012 г. по январь 2016 г. Все показатели сформированы из следующих публикуемых форм отчетности: № 101, 102, 123, 134, 135, а также агрегированный баланс, который строится в соответствии с инструкцией Банка России. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Таким образом, был сформирован набор возможных объясняющих переменных (табл. 1) для получения из них относительных величин. 663a54d9d425f2_28853026___skip_ 663a54d9d49183_16206024___skip_ Таблица 1. Список финансовых показателей 663a54d9d425f2_28853026___skip_ 663a54d9d49529_22098443___skip_ 663a54d9d496b4_80225597___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Название фактора 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ Обозначение 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4a288_94565681___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Собственные средства (капитал) 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ capital 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Обязательные резервы в Банке России 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ cashbal 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Средства других банков - корреспондентские счета 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ corresp 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Депозиты физических лиц 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ depindiv 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Депозиты негосударственных коммерческих организаций 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ deposits 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Кредиты физическим лицам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ gratedloans 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Норматив долгосрочной ликвидности банка 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ H4 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Обязательства до востребования 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ liabilities 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Ликвидные активы 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ liquidity 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Чистые активы 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ netassets 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Чистая прибыль 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ netprofit 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Просроченная задолженность по кредитному портфелю 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ overdue 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Балансовая прибыль 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ profit 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Резервы на возможные потери 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ reserves 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4bca0_94768663___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ При построении модели использовались не финансовые показатели в абсолютных величинах, а производные от них, относительные. Абсолютные параметры были преимущественно поделены на величину чистых активов, чтобы нивелировать размер каждого банка. В итоге был сформирован ряд финансовых коэффициентов, отобранных на основе их дискриминационной способности (на базе ANOVA) по отношению к обанкротившимся и не допустившим дефолт банкам. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Итоговый выбор финансовых показателей (табл. 2) был проведен на основе отбора оптимальной комбинации факторов с точки зрения качества модели путем поэтапного включения показателей из каждой группы. 663a54d9d425f2_28853026___skip_ 663a54d9d49183_16206024___skip_ Таблица 2. Список потенциально значимых относительных финансовых показателей 663a54d9d425f2_28853026___skip_ 663a54d9d49529_22098443___skip_ 663a54d9d496b4_80225597___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d4c293_93187007___skip_ Название фактора 663a54d9d49d13_55885778___skip_ 663a54d9d4c293_93187007___skip_ Обозначение 663a54d9d49d13_55885778___skip_ 663a54d9d4c848_89975830___skip_ Среднее значение 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Банкрот 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ Небанкрот 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4a288_94565681___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Отношение балансовой прибыли к чистым активам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ profitnetassets 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,014 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,018 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Отношение депозитов физических лиц к чистым активам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ depindivnetassets 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,145 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,247 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Отношение ликвидных активов к чистым активам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ liquidity netassets 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,223 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,333 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Отношение резервов на возможные потери к чистым активам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ reservesnetassets 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,165 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,061 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Отношение средств других банков (корреспондентские счета) к чистым активам 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ correspnetassets 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,021 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0,004 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Норматив долгосрочной ликвидности банка 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ H4 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 56,376 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 42,491 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4bca0_94768663___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В результате отбора было принято решение отказаться от использования следующих переменных: netprofit_netassets (коррелирует с profitnetassets), liquidityliabilities, overduecashbal, gratedloansnetassets, deposits_netassets, overdue_reserves. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Решение проблем несбалансированности выборки и определения горизонта прогнозирования 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ Особенностью построения logit-регрессии является необходимость обучения модели как на банках, потерпевших дефолт, так и на продолжающих свою деятельность. Отмечена несбалансированность данных исходной выборки, поскольку количество наблюдений для банков, признанных банкротами, существенно меньше, чем для функционирующих. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Чтобы уменьшить искажение данных, был применен следующий способ балансировки: рассматривались три варианта структуры выборки (исходная выборка, выборка с 35%-ной долей банков-банкротов и выборка в соотношении 1:1). При этом вручную формировалось 10 подвыборок для каждой структуры, содержащих все 139 банкротов и определенную долю случайно выбранных устойчивых организаций. Здесь и далее коэффициенты и результаты приравнивались к арифметическому среднему, рассчитанному по коэффициентам и результатам классификации у 10 моделей. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ С ростом числа наблюдений общая точность верно классифицируемых значений модели повышалась (с 70 до 82,7%), однако росло и количество ошибок второго рода (определение ненадежных банков как устойчивых). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Увеличение доли банков-банкротов в каждой подвыборке позволило решить проблему недостаточной чувствительности модели, повысив этот параметр с 21,4 до 48,7%. С учетом этого обстоятельства, а также изменяющейся значимости коэффициентов наиболее приемлемой является подвыборка, состоящая из 139 банкротов (35%) и 256 кредитных организаций, продолжающих деятельность (65%). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ На следующем этапе было необходимо подобрать оптимальный горизонт прогнозирования, позволяющий заранее определять вероятность банкротства. Для этого строились логистические регрессии по отобранным относительным финансовым переменным отдельно для каждого горизонта (от двух до шести кварталов, поквартально). На рис. 2 представлены ROC-кривые, соответствующие горизонтам прогнозирования. Их расположение отражает тенденцию снижения точности модели при увеличении горизонта прогнозирования. 663a54d9d425f2_28853026___skip_ 663a54d9d4e616_99685268___skip_ Рисунок 1. Динамика изменения численности лицензий, отозванных у кредитных организаций (2001-2016 гг.) 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d4e9c3_14660555___skip_ 663a54d9d425f2_28853026___skip_ 663a54d9d4e616_99685268___skip_ Рисунок 2. ROC-кривые для горизонтов прогнозирования 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d4edb5_83130312___skip_ 663a54d9d425f2_28853026___skip_ 663a54d9d4f0a7_53972701___skip_ 663a54d9d42d05_68005494___skip_ Примечание. Горизонт прогнозирования: 663a54d9d425f2_28853026___skip_ 663a54d9d46304_62244667___skip_ 663a54d9d46458_20919888___skip_ 1 - два квартала (AUS = 0,754); 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ 2 - три квартала (AUS = 0,745); 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ 3 - четыре квартала (AUS = 0,734); 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ 4 - пять кварталов (AUS = 0,701); 663a54d9d46647_21176641___skip_ 663a54d9d46458_20919888___skip_ 5 - шесть кварталов (AUS = 0,679). 663a54d9d46647_21176641___skip_ 663a54d9d46b54_05824856___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ На практике горизонт прогнозирования подбирается в зависимости от целей использования модели [7]. Для определения банков, выживание которых в следующих периодах под вопросом, возможно применение модели даже на горизонте в шесть кварталов (1,5 года), что создает большие возможности для проведения мер, направленных на улучшение устойчивости банка. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В данном исследовании в качестве оптимального горизонта прогнозирования был выбран период, равный четырем кварталам, поскольку именно для него информационный критерий AIC принимает наименьшее значение и значение площади под кривой сохраняется на уровне 0,7. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Анализ институциональных факторов 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ Учет особенностей внешней среды, в которой функционирует банк, позволяет более точно определить вероятность дефолта. Были рассмотрены три институциональные переменные, отражающие наличие филиалов у банка, участие в системе страхования вкладов и расположение головного офиса (табл. 3). 663a54d9d425f2_28853026___skip_ 663a54d9d49183_16206024___skip_ Таблица 3. Институциональные переменные 663a54d9d425f2_28853026___skip_ 663a54d9d49529_22098443___skip_ 663a54d9d496b4_80225597___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Фактор 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ Обозначение 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ Примечание 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4a288_94565681___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Наличие филиалов 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ branch 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 - есть, 0 - нет 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Расположение 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ location 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 - головной офис в Москве, 0 - не в Москве 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Участие в системе страхования вкладов 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ АСВ 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 - банк участвует в АСВ, 0 - не участвует 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4bca0_94768663___skip_ 663a54d9d42d05_68005494___skip_ При включении переменной АСВ ухудшились статистические характеристики модели, поэтому авторы были вынуждены отказаться от дальнейшего ее рассмотрения. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Помимо факторов branch и location был учтен размер самого банка - логарифм чистых активов LNnetassets. Поскольку влияние размера банка на вероятность дефолта неоднозначно, для этого в модели был использован полином 2-й степени по переменной размера банка (LNnetassets2). Это позволило принять во внимание возможный U-образный характер зависимости [4]. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Оценка качества полученной модели 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ На основании проведенного исследования была разработана logit-регрессия с учетом относительных показателей финансовой отчетности, институциональных факторов и размера банка (рис. 3). 663a54d9d425f2_28853026___skip_ 663a54d9d4e616_99685268___skip_ Рисунок 3. Logit-регрессия с учетом относительных показателей финансовой отчетности 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d50894_16501192___skip_ 663a54d9d425f2_28853026___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Значимыми на 1%-ном уровне являются коэффициенты при следующих переменных: расположение главного офиса, норматив долгосрочной ликвидности банка Н4, отношение балансовой прибыли к чистым активам, отношение суммы депозитов физических лиц к чистым активам, отношение ликвидных активов к чистым активам, отношение резервов на возможные потери к чистым активам, отношение средств других банков (на корреспондентских счетах) к чистым активам, логарифм чистых активов, квадрат логарифма чистых активов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ На 5%-ном уровне значимым является параметр при объясняющей переменной наличия филиалов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ ROC-кривая принимает вид, представленный на рис. 4. Количественную интерпретацию ROC дает показатель AUC (площадь под ROC-кривой), AUC принимает значение 0,888, причем 95%-ный доверительный интервал соответствует значениям площади, принадлежащим диапазону от 0,853 до 0,953. 663a54d9d425f2_28853026___skip_ 663a54d9d4e616_99685268___skip_ Рисунок 4. ROC-кривая для полученной модели 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 663a54d9d51009_56661293___skip_ 663a54d9d425f2_28853026___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Далее переходим к проверке качества модели при помощи классификационной табл. 4, в которой отражается, сколько наблюдений было верно классифицировано по их априорным категориям, а в скольких случаях модель допустила ошибку. 663a54d9d425f2_28853026___skip_ 663a54d9d49183_16206024___skip_ Таблица 4. Классификационная таблица 663a54d9d425f2_28853026___skip_ 663a54d9d49529_22098443___skip_ 663a54d9d496b4_80225597___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d51724_61917019___skip_ Наблюдаемые 663a54d9d49d13_55885778___skip_ 663a54d9d51ad5_98956147___skip_ Предсказанные 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d51f63_60018503___skip_ Обучающая выборка 663a54d9d49d13_55885778___skip_ 663a54d9d51f63_60018503___skip_ Тестирующая выборка 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d4c848_89975830___skip_ Модель 663a54d9d49d13_55885778___skip_ 663a54d9d4c293_93187007___skip_ Процент правильных 663a54d9d49d13_55885778___skip_ 663a54d9d4c848_89975830___skip_ Модель 663a54d9d49d13_55885778___skip_ 663a54d9d4c293_93187007___skip_ Процент правильных 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ 0 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 0 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4a288_94565681___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Default 0 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 160 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 56 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 74,1 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 28 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 12 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 70 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Default 1 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 16 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 101 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 86,3 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 1 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 21 663a54d9d49d13_55885778___skip_ 663a54d9d49af9_72589805___skip_ 95,5 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d49886_84911929___skip_ 663a54d9d49af9_72589805___skip_ Общая процентная доля 663a54d9d49d13_55885778___skip_ 663a54d9d51f63_60018503___skip_ 78,4 663a54d9d49d13_55885778___skip_ 663a54d9d51f63_60018503___skip_ 79 663a54d9d49d13_55885778___skip_ 663a54d9d4a0b2_76309795___skip_ 663a54d9d4bca0_94768663___skip_ 663a54d9d45c59_99796998___skip_ Источник: авторская разработка 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Минимизировать ошибки классификации категорий можно при изменении порога отсечения - значения вероятности, разделяющего априорные классы. Для данного исследования особенно важным является недопущение возникновения ошибок второго рода (определение ненадежных банков как устойчивых), поэтому, проанализировав классификационную диаграмму, примем порог отсечения равным 0,3. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ В реальности определение параметра порога отсечения зависит от того, насколько жестко регулятор подходит к дистанционному мониторингу деятельности банков. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Экономический анализ и интерпретация модели 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ С точки зрения экономического анализа наивысший интерес представляет интерпретация модели. Объясняющие переменные были отсортированы по группам. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 1. Группа переменных, связанных с выданными кредитами и депозитами (corresp_netassets, depindiv_netassets). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Рост отношения средств других банков (на корреспондентских счетах) к чистым активам ведет к увеличению вероятности дефолта банка. Повышение отношения суммы депозитов физических лиц к величине чистых активов также влечет за собой увеличение вероятности дефолта банка. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Вклады - не только ресурсная база банка, но и его обязательства по временно привлеченным средствам. Такая особенность объясняется, с нашей точки зрения, подверженностью учреждений банковской панике - попыткам массового изъятия вкладов в одном или нескольких банках, обычно ведущим к краху кредитной организации из-за невозможности быстрого исполнения обязательств перед вкладчиками. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 2. Группа переменных, связанных с прибылью (profitnetassets). Снижение величины profitnetassets оказывает положительное влияние на вероятность дефолта, что соответствует экономическому смыслу, поскольку прибыль - основной источник средств для развития. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 3. Группа переменных, связанных с ликвидностью и резервами (Н4, liquiditynetassets, reserves_netassets). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Норматив долгосрочной ликвидности Н4 ограничивает риск неплатежеспособности в результате размещения средств в долгосрочные активы. Максимально допустимое числовое значение Н4 устанавливается в размере 120% 663a54d9d45778_24018341___skip_ 2 663a54d9d45958_85451885___skip_ . С ростом норматива долгосрочной ликвидности вероятность дефолта банка растет, что соответствует логике самого показателя. 663a54d9d425f2_28853026___skip_ 663a54d9d45c59_99796998___skip_ 663a54d9d45778_24018341___skip_ 2 663a54d9d45958_85451885___skip_ О внесении изменений в Инструкцию Банка России от 16 января 2004 года № 110-И «Об обязательных нормативах банков»: указание Банка России от 31.03.2008 № 1991-У. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Недостаточная ликвидность может привести к неплатежеспособности банка, что подтверждает полученная модель: снижение величины отношения ликвидных активов к чистым активам оказывает положительное влияние на вероятность дефолта. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Создание дополнительных резервов на возможные потери снижает прибыль банков и создает дополнительное давление на капитал, что выражается в снижении запаса прочности по капиталу. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ На основании полученной модели можно прийти к выводу, что при увеличении отношения резервов на возможные потери к чистым активам вероятность возникновения дефолта банка увеличивается. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 4. Группа переменных, связанных с величиной банка (LNnetassets, LNnetassets2). 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Переменная LNnetassets (логарифм чистых активов банка) характеризует размер банка. Из полученной модели выяснилось, что размер оказывает отрицательное влияние на вероятность дефолта. Предполагается, что это происходит за счет лучшей диверсификации ссудного портфеля и спектра предоставляемых услуг. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Однако нередко отмечается склонность крупных банков к риску, уверенность в том, что даже в случае возникновения финансовых трудностей, они все равно будут поддержаны государством из-за их системной значимости. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Чтобы учесть возможность проведения высокорискованной политики крупным банками, была введена дополнительная переменная - полином 2-й степени по переменной размера банка. Согласно результатам проведенного анализа опровергается гипотеза, гласящая, что в случае возникновения финансовых проблем банк будет поддержан государством. Это находит свое подтверждение и на практике. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ 5. Важную роль в модели занимают институциональные показатели. Подтвердилась гипотеза о том, что наличие филиалов снижает вероятность дефолта и что Банк России менее склонен отзывать лицензии у банков в регионах. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Возможно, это связано с решением Центрального банка РФ в меньшей степени отзывать лицензии у региональных банков, чтобы не ослаблять и без того не очень высокую конкуренцию. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Таким образом, полученные оценки коэффициентов полностью соответствуют заложенному в них экономическому смыслу и могут быть использованы для оценки вероятности дефолта банков. 663a54d9d425f2_28853026___skip_ 663a54d9d44111_91302714___skip_ Заключение 663a54d9d44369_56877941___skip_ 663a54d9d42d05_68005494___skip_ Итоговая модель позволяет обнаруживать преимущественно неустойчивые банки. Признание высокой значимости ошибок второго рода и балансировка выборки позволили добиться высокой точности классификации банков-банкротов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Сохранение классификационных возможностей на высоком уровне для тестирующей выборки из обанкротившихся в 2016 г. банков говорит о возможности реализации данной модели на практике. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Полученные результаты могут послужить как исследователям, изучающим вопросы банкротства кредитных организаций, так и руководству, менеджменту банков. Используя всего шесть показателей, содержащихся в финансовой отчетности, менеджеры смогут оценить финансовое состояние своего банка и контрагентов. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Кроме того, модель вероятности дефолта российских банков может быть использована органами банковского надзора РФ в качестве системы дистанционного мониторинга, а также любыми компаниями - при выборе обслуживающего банка. 663a54d9d425f2_28853026___skip_ 663a54d9d42d05_68005494___skip_ Простота модели и доступность используемых ею переменных делают возможным анализ банка и со стороны его постоянных или потенциальных клиентов. 663a54d9d425f2_28853026___skip_ 663a54d9d54ba9_52188461___skip_ Список литературы 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 1. Василюк А.А., Карминский А.М. Моделирование кредитных рейтингов отечественных банков на основе российской отчетности // Управление финансовыми рисками. 2011. № 3. С.194-205. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 2. Головань С.А., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. М.: РЭШ, 2003. 24 с. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 3. Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков. М.: РЭШ, 2004. 25 с. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 4. Карминский А.М., Костров А.В., Мурзенков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов. М.: ВШЭ, 2012. 64 с. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 5. Карминский А.М., Пересецкий А.А., Петров А.Е. Рейтинги в экономике: методология и практика. М.: Финансы и статистика, 2005. 240 с. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 6. Пересецкий А.А. Методы оценки вероятности дефолта банков // Экономика и математические методы. 2007. Т. 43. № 3.С. 37-62. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 7. Пересецкий А.А. Модели причин отзыва лицензий у российских банков. М.: РЭШ, 2010. 26 с. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 8. Altman E. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 23, iss. 4, pp. 189-209. doi: 10.1111/j.1540-6261.1968.tb00843.x 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 9. Beaver W.H. Financial Ratios as Predictors of Failure. Journal of Accounting Research, 1966, vol. 4, pp. 71-111. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 10. Meyer P., Pifer H. Prediction of Bank Failures. The Journal of Finance, 1970, vol. 25, iss. 4, pp. 853-868. doi: 10.1111/j.1540-6261.1970.tb00558.x 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 11. Clare A., Priestley R. Calculating the Probability of Failure of the Norwegian Banking Sector. Journal of Multinational Financial Management, 2002, vol. 12, iss. 1, pp. 21-40. doi: http://dx.doi.org/10.1016/S1042-444X(01)00029-9 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 12. Claeys S., Schoors K. Bank Supervision Russian Style: Evidence of Conflicts between Micro- and Macro-Prudential Concerns. Journal of Comparative Economics, 2007, vol. 35, iss. 3, pp. 630-657. doi: http://dx.doi.org/10.1016/j.jce.2007.02.005 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 13. Frade J. Credit Risk Modeling: Default Probabilities. Journal of Applied Finance & Banking, 2014, vol. 4, no. 4, pp. 107-125. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 14. Mannasoo K., Mayes D. Explaining Bank Distress in Eastern European Transition Economies. Journal of Banking and Finance, 2009, vol. 33, no. 2, pp. 244-253. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 15. Duffie D., Singleton K. Credit Risk: Pricing, Measurement and Management. Princeton Series in Finance, 2003, pp. 48-120. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 16. Bongini P., Laeven L., Majnoni G. How Good Is the Market at Assessing Bank Fragility? Journal of Banking and Finance, 2002, vol. 26, iss. 5, pp. 1011-1028. doi: http://dx.doi.org/10.1016/ S0378-4266(01)00264-3 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 17. Lanine G., Vennet R. Failure Prediction in the Russian Bank Sector with Logit and Trait Recognition Models. Expert Systems with Applications, 2006, vol. 30, no. 3, pp. 463-478. doi: http://dx.doi.org/ 10.1016/j.eswa.2005.10.014 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 18. Gennotte G., Pyle D. Capital Controls and Bank Risk. Journal of Banking & Finance, 1991, vol. 15, pp. 805-824. doi: http://dx.doi.org/10.1016/0378-4266(91)90101-Q 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 19. Zaghdoudi T. Bank Failure Prediction with Logistic Regression. International Journal of Economics and Financial Issues, 2013, vol. 3, no. 2, pр. 537-543. 663a54d9d425f2_28853026___skip_ 663a54d9d54ed8_52207093___skip_ 20. Тотьмянина К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. № 1.С. 39-53. 663a54d9d425f2_28853026___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d57105_82424876___skip_ 663a54d9d57385_78813078___skip_ Метки 663a54d9d43f35_72594595___skip_ 663a54d9d577a9_69807205___skip_ 663a54d9d579e4_97826562___skip_ банк 663a54d9d57c37_81525435___skip_ 663a54d9d57dd6_70800621___skip_ регулирование 663a54d9d57c37_81525435___skip_ 663a54d9d580c8_67184665___skip_ дефолт 663a54d9d57c37_81525435___skip_ 663a54d9d58318_21611881___skip_ банкротство 663a54d9d57c37_81525435___skip_ 663a54d9d58557_96907279___skip_ логистическая регрессия 663a54d9d57c37_81525435___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d58794_08818491___skip_ Программа Финансовый анализ - 663a54d9d3fe80_39617528___skip_ для анализа финансового состояния предприятия, позволяющая рассчитывать большое количество финансово-экономических коэффициентов. 663a54d9d58a46_48214009___skip_ 663a54d9d58bd0_10033783___skip_ 663a54d9d58e68_75692924___skip_ Скачать программу 663a54d9d402b9_43091162___skip_ 663a54d9d57c37_81525435___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d591a1_42750661___skip_ 663a54d9d59403_62839254___skip_ Попроборать 663a54d9d402b9_43091162___skip_ Онлайн 663a54d9d57c37_81525435___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d40a39_44429987___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d59758_81837452___skip_ 663a54d9d599a7_53887915___skip_ См. также 663a54d9d43f35_72594595___skip_ 663a54d9d59cb5_67711513___skip_ 663a54d9d59f07_66075828___skip_ 663a54d9d5a055_41194733___skip_ Финансовый анализ Онлайн 663a54d9d57c37_81525435___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d43f35_72594595___skip_ 663a54d9d43f35_72594595___skip_