Модели дефолта по результатам системного банковского кризиса 1998 г.

Результаты анализа и оценок последствий финансового кризиса в августе 1998 г. на основе моделей дефолта, а также отработка методологии их построения явились хорошей основой для практического использования полученных результатов в странах с переходной экономикой. В частности, учет макроэкономического окружения обеспечивает большую адаптацию моделей к изменчивости среды [Карминский и др., 2005].

Для этих целей могут быть использованы эконометические модели, в которых регрессоры сформированы из основных финансовых индикаторов деятельности банков (компаний) и макроэкономических показателей [Peresetsky et al., 2004]. В качестве зависимой переменной используется переменная LIVE, которая принимает значение «0», если у банка была отозвана лицензия в течение определенного временного интервала (здесь — два года) с момента фиксации данных, и «1», если банк продолжал функционировать в течение этого времени. Таким образом, имея набор основных показателей финансовой деятельности, на выходе модели получим показатель, который можно интерпретировать как вероятность успешного функционирования в ближайшем будущем.

Для формирования эмпирической выборки использовалась база данных по российским банкам за период с 1996 по 2002 г., предоставленная ИА «Мобиле».

Шаг в два года был выбран по экспертным оценкам и выводам, сделанным в работе [Kolary et al., 2002]. В то же время следует отметить, что этот интервал сократился. Вполне адекватным можно считать лаг в 0,5-1,5 года.

Перечень индикаторов был сформирован на основе предварительного эконометрического анализа по расширенному набору показателей для российских банков, а также имеющихся публикаций по эмпирическому анализу дефолтов [Карминский и др., 2005]. Значимые по результатам предварительного анализа показатели представлены в табл. 3.2.

В качестве переменной, характеризующей «размер» банка, принята валюта баланса VB. В число переменных включены отношения показателей деятельности к VB. Они объясняют деятельность субъекта и структуру его баланса. Также добавлены переменные, представляющие отношение валюты баланса к дефлятору defl (приведение к уровню I квартала 1996 г.) в логарифмическом масштабе ln(VB/defl) и ln(VB/defl)2, для того чтобы учесть влияние размера банка на его устойчивость.

Анализируемая выборка содержит данные более чем о 3000 эпизодах, что существенно больше общего числа банков, задействованных в исследовании. Статистические характеристики набора данных приведены в [Карминский и др., 2005; Peresetsky et al., 2004]. Распределение дефолтов по годам представлено на рис. 3.3.

Макроэкономические переменные составлены по данным баз данных Банка России и НИУ ВШЭ. Уровень корреляции между макропеременными достаточно высок. Это означает, что включение двух или более макропеременных в уравнение регрессии может привести к проблеме мультиколлинеарности [Магнус и др., 2007].

Получив оценку параметров модели, можно рассчитать вероятность банкротства банков и, таким образом, получить ранжировку банков по вероятности банкротства. Выбрав экспертно пороговые значения вероятностей, можно получить рейтинг надежности.

Таблица 3.2

Перечень

потенциально значимых финансовых показателей для модели вероятности дефолта

Наименование показателя

Обозначение

Балансовая прибыль

ВР

Кредиты экономике

КЕ

Кредиты, выданные другим банкам

KDB

Негосударственные долговые обязательства

NDO

Прочие неработающие активы

PNA

Валюта баланса, сумма пассивных счетов

VB

Собственный капитал

SK

Резервы под возможные потери от финансовых

RES

операций

Ликвидные активы

LA

Депозиты физических лиц

VFDL

Сумма прочих неликвидных активов и основных

PNAOS

средств

Государственные долговые обязательства

GDO

Распределение отзывов банковских лицензий во времени

Рис. 3.3. Распределение отзывов банковских лицензий во времени

Возможна, однако, ситуация, когда модель бинарного выбора отличается для различных групп (кластеров) банков, например, в зависимости от направленности деятельности банка. Поскольку направленность деятельности не отражена в балансовых отчетах, можно разбивать банки на кластеры по данным отчетов либо экс- пертно, либо используя какую-нибудь процедуру автоматической классификации.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >