WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 || 4 | 5 |

где const – константа; – финансовое отношение; – среднее значение по выборке8; – среднее значение для банков данной специализации9; growth – фиктивная переменная (dummy), характеризующая устойчивость роста кредитной организации; size – фиктивная переменная (dummy), характеризующая размер (активов) кредитной организации.

Эти модели разделены на две группы: «учитывающие» (регрессии 5, 6, 7) и «не учитывающие» (регрессии 1, 2, 3, 4) информацию о специализации банка.

Для оценки качества прогноза выбраны следующие критерии:

1) совпадение расчетного рейтинга с реальным;

2) отклонение не более, чем на один класс;

3) завышение рейтинга;

4) завышение рейтинга более, чем на один класс.

Анализ показал, что регрессии (4), (7) обладают наивысшей точностью в моделировании рейтинга (см. Табл. 4). Применение линейной регрессии (2) также позволяет добиться высокой точности моделирования. Использование отклонения от среднего значения по группе (учитывая специализацию) или по всей выборке банков позволяет сократить влияние масштаба показателя на интегральную оценку и, тем самым, использовать в регрессии величины одного порядка. Аргументом в пользу включения в регрессии отклонений от средних значений является и возможность точнее интерпретировать влияние значений показателей на рейтинг. Как показано А. Карминским и А. Петровым10, оценка состояния банка должна зависеть не от абсолютных значений показателей, а от относительных величин, полученных в сравнении с другими банками «на том же рынке в то же время».

Таблица 4. Качество результатов моделирования

(по 62 банкам, которым присвоен рейтинг хотя бы одним международным РА (in-sample))

 

Совпадение с реальным рейтингом

Отклонение не более, чем на один класс

Завышение рейтинга

Завышение рейтинга более, чем на один класс

1

Линейная регрессия

60,66%

96,60%

23,13%

0,53%

2

Линейная регрессия (отклонение от среднего)

60,66%

96,60%

23,13%

0,53%

3

Кубическая регрессия

68,27%

99,65%

16,39%

0,00%

4

Кубическая регрессия (отклонение от среднего)

68,27%

99,65%

16,39%

0,00%

5

Линейная регрессия (отклонение от среднего по выборке с учетом специализации)

60,48%

97,13%

22,01%

0,29%

6

Линейная регрессия для каждой специализации

68,97%

97,66%

16,57%

0,18%

7

Линейная регрессия для каждой специализации (отклонение от среднего)

69,85%

98,42%

15,81%

0,06%

8. Высокая точность полученных результатов при моделировании рейтингов на данных in-sample подтверждает, что выбранная система показателей имеет высокую предсказательную способность в задаче прогнозирования рейтингов международных РА. Простота требуемых вычислений делает такой подход удобным в применении на практике.

Анализ моделей (линейной и кубической), показавших наилучшее качество результатов, свидетельствует, что влияние значений показателей на рейтинг согласуется с теоретическими положениями об экономическом содержании показателей, а следовательно – о правильном выборе как показателей, так и подхода к оценке финансового состояния банка, основанного на вычислении интегрального показателя надежности.

Очевидное преимущество кубической модели (в сравнении с линейной) состоит в более высокой точности предсказания рейтинга; существенный же ее недостаток – большие по модулю значения коэффициентов при показателях в регрессии (т.к. большинство используемых в модели показателей отражают долю определенных статей в балансе банка).

9. Классификация банков по специализации позволяет применять индивидуальные модели (своя модель для каждого типа специализации), учитывающие специфику банков каждого типа, что дает возможность существенно улучшить совокупное качество прогноза, сократив при этом размерность используемых моделей.

Точность прогноза по линейной модели с учетом специализации (7), сравнительно с точностью прогноза по линейной модели без учета специализации (2), возрастает на 8% и составляет 68,87%, что несколько превышает и точность предсказания кубической модели (4). Совокупная точность прогноза с отклонением не более, чем на один класс, при таком индивидуальном подходе составляет 98,42%, что несколько уступает результату, полученному с использованием кубической модели, но на 1,81% превышает результат применения простой линейной модели (см. Табл. 4).

10. Качество моделей было проверено на «продленных» данных (за пределами выборки), а именно по отчетности банков по состоянию на начало 2008 года (out-of-sample)11; а также на показателях банков, у которых лицензия была отозвана Банком России. Верификация подтвердила устойчивость результатов во времени (с точки зрения выбранных нами критериев качества) и их высокую предсказательную способность моделей в задаче определения «проблемных» банков.

Общепризнано, что качество прогнозов неизбежно ухудшается с увеличением горизонта прогнозирования. Эту тенденцию подтверждает и наше исследование: результаты проверки моделей на данных по состоянию на 01.10.07 (т.е. «через год») свидетельствуют об ухудшении точности попадания в рейтинг (по 37 банкам, обладающих международным рейтингом и по которым доступна необходимая отчетность). Однако ухудшение оказалось не столь значительным: точность прогноза с отклонением не более, чем на один класс опустилась до уровня в 86% лишь для моделей, учитывающих специализацию банков, в остальных же случаях точность превышает 94%.

Нам также были доступны данные отчетности по 32 организациям, лицензия на осуществление банковских операций у которых была отозвана в период с августа 2004 года по март 2008 года. Вычисленные с помощью наших моделей рейтинги этих банков не превышают уровня «ССС» и указывают на значительную степень риска и высокую вероятность невыполнения банками взятых обязательств.

При этом, поскольку внешняя среда меняется, изменяются и показатели банков «в среднем», и «важность» показателей, и распределение основных статей баланса («специализация»). В такой ситуации важно определить, насколько гармонично конкретный банк реагирует на внешние изменения. Поэтому параметры моделей необходимо пересматривать с определенной периодичностью, или же, другими словами, параметры моделей должны зависеть от времени.

В третьей главе «Формирование рейтингов российских банков» результаты моделирования рейтингов применены для определения рейтинга 339 российских банков, не имеющих международного рейтинга; исследован качественный состав российского банковского сектора в динамике; рассмотрен вопрос о применимости на практике разработанных моделей финансовыми организациями для оценке контрагентов и органами банковского надзора для мониторинга и быстрого «скрининга» банковской системы в целом.

1. Как показал анализ структуры распределения банков по специализации, в исследуемой выборке преобладают «корпоративные» и «ссудные» банки (49% и 32% наблюдений соответственно), в то время как доля «универсальных» и «банков для банков» составляет 10% и 9% соответственно. Такое распределение отражает слабую диверсификацию активов большинства кредитных организаций. Отметим, что существенного изменения структуры распределения банков по специализации за исследуемый период не произошло, хотя и определились некоторые тенденции (см. Рис. 1).

Рисунок 1. Динамика распределения банков по специализации

2. Для формирования рейтингов российских банков, не представленных в рейтинг-листах международных РА, представляется логичным дополнить разработанные модели двумя индикативными переменными:

  • наличие международного рейтинга (IR)12 предполагает достаточно высокий уровень информационной открытости организации, а проводимый в ходе его присвоения анализ затрагивает широкий спектр как финансовой, так и нефинансовой информации;
  • принадлежность к системе страхования вкладов (DIA)13 позволяет банку привлекать депозиты физических лиц и тем самым диверсифицировать свою ресурсную базу, а поскольку целью Банка России являлся отбор в ССВ только «здоровых» банков, то принадлежность к системе можно рассматривать, как своего рода «знак качества».

Таким образом, для оценки функционирования банков, не имеющих международного рейтинга, использовались следующие модели:

    • Кубическая модель с отклонением от среднего (регрессия вида (4)):

(8)

    • Линейная модель по показателям с учетом информации о специализации с отклонением от среднего (регрессия вида (7)):

(9)

Применив наши модели к организациям, имеющим международный рейтинг, и убедившись в адекватности результатов, получаем основания использовать те же модели для определения уровня надежности российских банков, не имеющих международного рейтинга (339 организаций), и также оценить адекватность результатов.

Полученные результаты позволяют говорить о схожести обеих (линейной и кубической) моделей в определении качественного состава исследуемой выборки (см. Табл. 5). Рейтинги, рассчитанные по этим моделям для 401 банка по состоянию на 01.10.2006, совпадают в 211 случаях (52,6%), отличие прогноза более, чем на один класс, наблюдается лишь в 28 случаях (6,98%).

Таблица 5. Результаты применения моделей за период 01.02.2004 – 01.01.2008

Рейтинг

Среднее количество

Минимальное количество

Максимальное количество

На 01.10.2006

(по 401 банку)

На 01.01.2008

(по 260 банкам)

Регрессия

(8)

(9)

(8)

(9)

(8)

(9)

(8)

(9)

(8)

(9)


BBB

4

3

2

0

7

5

5

4

5

5


BB

10

10

7

7

14

15

13

10

6

5


B

Pages:     | 1 | 2 || 4 | 5 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»