Построение модели по мастерам и их сравнение между собой.

В работах [Peresetsky et al., 2004; Карминский и др., 2005] рассмотрены модели со спецификацией объясняющих переменных под каждый кластер, а также модели с автоматическим разбиением на два кластера в соответствии со сформированным критерием кластеризации. В результате выявлены объясняющие переменные, наиболее значимые для каждого из кластеров. При этом не получено прироста прогнозного качества модели по сравнению с рассматриваемыми далее моделями с макроэкономическими показателями.

Распределение количества банков по экспертно выделенным кластерам

Таблица 3.3

Кластер

  • ?
  • 7
  • ?

VB=90%

Ж

О

О

V

о

о

а

GDO/VB>10%

KE/VB<15%

KE/VB>40%

SK/VB<11%

SK/VB>30%

VB=1%

624

0

403

100

197

179

94

359

VB=90%

0

261

22

93

50

54

78

34

GDO/VB<0,01%

403

22

624

0

187

203

126

301

GDO/VB >10%

100

93

0

378

ПО

51

40

149

KE/VB <15%

197

50

187

ПО

392

0

89

187

KE/VB >40%

179

54

203

51

0

425

50

194

SK/VB<11%

94

78

126

40

89

50

268

0

SK/VB>30%

359

34

301

149

187

194

0

615

Распределение банков

Рис. 3.4. Распределение банков,

переживших {live) и не переживших (dead) кризис в каждом из диапазонов валюты баланса

Распределение банков

Рис. 3.5. Распределение банков,

переживших (live) и не переживших (dead) кризис в каждом из диапазонов достаточности капитала SK/VB

В связи с этим для полноты картины и сопоставления результатов оценим одну модель для всех кластеров. В число параметров, влияющих на вероятность выживания, включим все параметры, фигурировавшие в моделях для отдельных кластеров. Итоговые результаты приведены в табл. 3.4.

Как видно из этой таблицы, практически все рассматриваемые параметры значимы для выборки в целом, исключение составляет лишь показатель VDFL/VB (значим только в моделях ml. m3, m8). Оптимальные значения размера банка могут быть оценены по моделям mO, т5, тб и т7 и находятся для натурального логарифма валюты баланса LNVB в диапазоне значений 11,6—12,4, что выше, чем среднее по выборке 10,7.

В моделях mO, ml оптимальное значение доли кредитов реальному сектору KE/VB составляет 0,39—0,40 при среднем по выборке 0,29. Из всех переменных лишь показатель, характеризующий достаточность капитала SK/VB, значим во всех моделях (кроме модели т8), и его увеличение положительно влияет на надежность банка.

Показатель, характеризующий вовлеченность в спекулятивные операции с государственными ценными бумагами накануне кризиса GDO/VB, значим в моделях mO, ml, т5, тб, т7, т8 (причем в моделях m3, т4 этот показатель не должен быть значимым). Переменная LA/VB значима во всех моделях, кроме моделей m2 и ш4 для кластеров VB = 90% и GDO/VB > 10%.

Наилучшими с точки зрения количества значимых переменных оказались кластеры VB = 1% (значимо все, кроме кластерообразующих параметров) и KE/VB < 15% (значимо все, кроме кластерообразующих параметров и VDFL/VB); наихудшими — VB = 90% и SK/VB > 30%.

Оценим качество прогноза с использованием полученных моделей. Назовем ошибкой I рода ситуацию, когда банк, прогнозируемый по модели как надежный, становится банкротом, а ошибкой II рода — ошибочный прогноз банкротства банка. Очевидно, цена ошибки I рода выше цены ошибки II рода.

Для сравнения прогнозной силы различных моделей можно использовать диаграммы вероятностей ошибок I и II рода. Дело в том, что с использованием модели бинарного выбора оценивается вероятность выживания банка р. Для того чтобы классифицировать банк как устойчивый или проблемный, необходимо выбрать пороговое значение вероятности ри и классифицировать банк как устойчивый, если р > ри. Выбор порогового значения зависит от соСопоставление моделей для разных кластеров

194

Параметр

Модель

шО

ml

m2

m3

ш4

т5

гпб

ml

m8

Вся выборка

$R

и

?

Ж

О

ON

II

?

iR

о

о

V

О

О

О

GDO/VB > 10%

KE/VB < 15%

KE/VB > 40%

SK/VB < 11%

SK/VB > 30%

Константа

(С)

-7,30***

-0,27

-5,40

-1,80

-9,06

-6,23***

-7,18

-6,35**

-2,47

SK/VB

2,24***

1,65***

6,05***

j 54***

7,11***

1 54***

1,76**

1,85*

-1,34

RES/VB

-5,19***

-5,06***

-8,30

-2,58

-10,84

-7,40*

-1,27

-12,30***

1,03

LNVB

1 42***

-0,19

1,51

0,15

2,42

j 2J***

1 75***

j 52***

0,60

LNVB2

-0,06***

0,03

-0,07

0,005

-0,11*

-0,05**

-0,07***

-0,057***

-0,016

KE/VB

5 27***

4,56***

-4,74

2,80*

-10,59

2,42

-10,22

0,785

2,72

(KE/VB)2

-4,18***

5,64***

7,67

-3,19

21,77

-24,09

8,81

0,218

-3,18

GDO/VB

6,07***

8,40***

1,25

1,25

-0,03

5,86***

10,93**

5,53*

12,7***

LA/VB

3,80***

3,37***

0,13

2 92***

9,38

3 83***

8,82***

3,21**

3,85**

NDO/VB

-1,76***

-1,62*

-5,7***

-0,95

-6,62**

-1,57*

1,23

-1,74

0,16

PNAOS/VB

-1,68***

-1,77**

-2,19

-1,12

-6,55*

-2,12***

0,97

-1,44

-1,80

VDFL/VB

1,59

3,94**

-1,99

3,96**

-3,54

1,47

0,98

-0,94

4,22*

LR-

статистика

(lldf)

286,75

141,01

46,94

106,86

37,06

117,59

46,12

92,75

82,24

Pseudo R2

0,20

0.22

0,19

01,15

0,28

0.29

0,14

0,26

0,20

Наблюдений c live = 0

263

132

47

161

16

86

57

107

64

Наблюдений c live = 1

1306

492

214

464

362

306

368

161

551

Всего

наблюдений

1569

624

261

625

378

392

425

268

615

отношения цен ошибок I и II рода. Каждой модели соответствует кривая на плоскости, где по горизонтальной оси отложена вероятность ошибки I рода, а по вертикальной — вероятность ошибки II рода (каждому значению р0 соответствует точка на кривой). Одна модель равномерно лучше другой, если характеризующий ее график лежит ниже графика для второй модели, что согласуется с мажорированием моделей по Парето.

Графики ошибок, соответствующие моделям из табл. 3.4, показывают некоторое улучшение прогнозных качеств модели при введении кластеров. На рис. 3.6 приведены графики ошибок, соответствующие трем моделям из табл. 3.4. При этом ALL — модель (тО), построенная по всем банкам; GDO/VB — модель (m3, т4), построенная с предварительным разбиением банков на три кластера по доле инвестиций в государственные ценные бумаги в валюте баланса; SK/VB — модель (m7, т8), построенная с предварительным разбиением на три кластера по отношению собственного капитала к валюте баланса. Видно, что разбиение на кластеры улучшает точность прогноза, особенно в области малых значений ошибок I рода, которая с практической точки зрения представляет наибольший интерес.

Для прогноза устойчивых банков лучше работает модель с разбиением на кластеры по доле государственных ценных бумаг (GDO/VB) в активах (модель m3—т4, табл. 3.4), которая дает в среднем менее 1% ошибок. Для выявления проблемных банков лучше работают модели с разбиением на кластеры по доле собственного капитала SK/VB в активах (модель m7-m8) и модель без кластеров (модель тО), для которых доля верно предсказанных проблемных банков среди 10 худших равна примерно 57% (55,5% — для модели GDO/VB).

Модели для некоторых кластеров показывают наличие оптимума по величине доли кредитов реальному сектору в валюте баланса, например, положительное влияние государственных долговых обязательств на выживаемость банка. Другой неожиданный результат — положительное влияние присутствия вкладов населения. В большинстве моделей увеличение доли кредитов реальному сектору (KE/VB) приводит к увеличению вероятности выживания банка. Показано влияние ликвидных активов, собственного капитала и резервов на возможные потери LA/VB, SK/VB, RES/VB в моделях для подавляющего большинства кластеров. Видимо, эти параметры относятся к фундаментальным характеристикам деятельности банка независимо от его размера и степени вовлечен-

Г рафик ошибок I и II рода для моделей из табл. 3.4

Рис. 3.6. Г рафик ошибок I и II рода для моделей из табл. 3.4

ности в кредитование реального сектора и объемов операций на рынке государственных ценных бумаг.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >