WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

На правах рукописи

Пересецкий Анатолий Абрамович

ЭКОНОМЕТРИЧЕСКИЙ ПОДХОД К ДИСТАНЦИОННОМУ АНАЛИЗУ ДЕЯТЕЛЬНОСТИ РОССИЙСКИХ БАНКОВ И БАНКОВСКОМУ НАДЗОРУ

Специальность 08.00.13 – Математические и инструментальные методы экономики (экономические наук

и)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора экономических наук Москва 2009

Работа выполнена в Центральном экономико-математическом институте Российской академии наук (ЦЭМИ РАН).

Научный консультант доктор физико-математических наук, профессор, заслуженный деятель науки РФ, Сергей Артемьевич Айвазян

Официальные оппоненты: доктор экономических наук, профессор Варшавский Александр Евгеньевич доктор экономических наук, профессор, заслуженный деятель науки РФ Ниворожкина Людмила Ивановна доктор экономических наук, профессор Миркин Яков Моисеевич Ведущая организация – Московский государственный университет им.

М.В. Ломоносова. Московская школа экономики

Защита состоится 14 декабря 2009 г. в часов на заседании диссертационного совета Д 002.013.01 в Центральном экономико-математическом институте Российской академии наук по адресу: 117418, Москва, Нахимовский проспект, 47.

С диссертацией можно ознакомиться в библиотеке ЦЭМИ РАН

Автореферат разослан « » ____________ 2009 г.

Ученый секретарь диссертационного совета к.э.н., с.н.с. Ставчиков А.И.

Актуальность исследования. Банковская система страны имеет решающее значение в обеспечении роста экономики. Финансовые и банковские кризисы приводят к снижению экономического роста, стагнации производства. Задача органов банковского надзора — обеспечение стабильного и устойчивого развития банковской системы. Эта задача особенно важна для стран с переходной экономикой, в которых банки и органы банковского надзора имеют небольшой опыт функционирования в условиях рыночной экономики.

В Российской Федерации актуальность стабильного развития банковской системы особенно проявилась во время финансового кризиса 1998 г., «кризиса доверия» лета 2004 г. и мирового кризиса 2008 г. В Российской Федерации число банков до 1998 г. превышало 2 тыс., за 2008 г. количество банков снизилось с 1136 до 1108. Такое количество банков слишком велико для регулярного инспекторского надзора со стороны Центрального банка Российской Федерации (ЦБ РФ) или Агентства по страхованию вкладов (АСВ). Отсюда вытекает необходимость дистанционного мониторинга состояния банков.

Дистанционный мониторинг — текущий онлайн анализ состояния банков по ежемесячным, ежеквартальным, годовым балансовым отчетам позволяет выделить «группы риска», т.е. те банки, состояние которых может вызывать опасения. Конечно, такие дистанционные методы, включающие «системы раннего предупреждения» (Early Warning Systems, EWS), не могут дать однозначного указания на состояние надежности1 того или иного банка. Однако они могут существенно повысить эффективность деятельности органов надзора, которые станут в первую очередь инспектировать банки, оказавшиеся в группе риска согласно дистанционным методикам. Повышение эффективности банковского надзора укрепляет и стабильность банковской системы в целом, предупреждая возможную несостоятельность отдельных банков.

Подобные дистанционные методы могут применяться также и банками как реализация IRB-подхода к оценке риска банков-контрагентов в рамках соглашения Базель-II. Крупные предприятия могут применять дистанционные методы для мониторинга финансового состояния банков — потенциальных партнеров по бизнесу.

Для практического применения дистанционного мониторинга необходимы развитие соответствующих методов и моделей, их разработка, тестирование. Большое — по сравнению с другими странами с переходной экономикой — количество банков в Российской Федерации позволяет применять различные методы эконометрического анализа.

Под надежностью, устойчивостью, банка здесь и ниже понимается его способность в текущий момент и в среднесрочной перспективе отвечать по своим обязательствам.

Степень разработанности проблемы. Некоторые эконометрические модели анализа банковской деятельности, использующие только публично доступную информацию, в том числе модели, которые могут применяться для мониторинга текущего состояния надежности банков, рассматривались в работах зарубежных ученых, приведенных в библиографии к диссертации.

Анализ предшествующих работ показывает необходимость комплексного подхода, включающего решение следующих теоретических и практических проблем.

• Построение моделей вероятности дефолта банков. Такая модель прогнозирует вероятность дефолта банка в следующем периоде. Модель может непосредственно применяться для выявления банков, входящих в группу риска.

• Построение моделей рейтингов банков, присвоенных им рейтинговыми агентствами или группами независимых экспертов. Подобные модели также могут использоваться для мониторинга банков.

• Построение моделей процентных ставок, которые позволяют выделить банки, ведущие излишне рискованную финансовую политику. Также подобные модели могут использоваться для анализа влияния решений регулирующих органов на банковскую систему.

• Построение и анализ моделей эффективности банков2. Такие модели позволяют выделить факторы, влияющие на эффективность, и до некоторой степени могут показать пути повышения эффективности банковской системы в целом. Также такие модели могут применяться и для мониторинга, поскольку неэффективность банка часто свидетельствует о его ненадежности.

Научную проработанность проблемы построения моделей для дистанционного мониторинга банковской системы все еще нельзя признать удовлетворительной. Недостаточно разработаны методы учета макроэкономического окружения в подобных моделях, о чем отдельно указывается в материалах Базельского комитета. Не разработана методика применения предварительной или автоматической классификации банков, повышающей прогнозную силу моделей. Нет критериев, сравнивающих различные модели не по их статистическим характеристикам, а по оценкам потенциального экономического эффекта их практического применения. Несмотря на обширный материал для эконометрического исследования, практически полностью отсутствуют работы по данной тематике, исследующие российскую банковскую систему. Это и обусловило выбор темы диссертационного исследования, его цели, задач, а также круг рассматриваемых вопросов.

Здесь и далее под эффективностью понимается техническая эффективность, точнее — эффективность по затратам, или по прибыли.

Цель и задачи исследования. Целью работы является создание методологии комплексного эконометрического подхода к дистанционному мониторингу российской банковской системы, для обеспечения ее устойчивого развития. Этот подход включает построение и анализ эконометрических моделей вероятности дефолта, рейтингов, процентных ставок и эффективности банков, исследование возможности их практического использования в дистанционном мониторинге и анализе российской банковской системы. Такие модели используют только открытую, публично доступную информацию.

Для достижения этой цели были поставлены и решены следующие задачи.

• Разработка и тестирование эконометрических моделей вероятности дефолта, построенных по историческим данным о дефолтах банков. Учет переменного макроокружения в этих моделях.

• Построение эконометрических моделей вероятности дефолта с одновременной кластеризацией банков.

• Разработка методологических основ сравнения построенных моделей по их потенциальному экономическому эффекту.

• Разработка моделей рейтингов банков, присвоенных им экспертами и рейтинговыми агентствами. Анализ на их основе факторов, которые агентства на самом деле принимают во внимание. Исследование вопроса о том, какая часть информации, содержащейся в рейтингах, может быть получена из публично доступной информации.

• Построение моделей рейтингов банков международных рейтинговых агентств, включая российские банки, что позволяет более точно подогнать модель к российским данным. Кроме того, такие модели обеспечивают возможность ответа на вопрос, существует ли особый подход международного рейтингового агентства к рейтингованию банков развивающихся стран и, в частности, российских банков.

• Разработка методики оценки ненаблюдаемого фактора на примере фактора «внешней поддержки», входящего в методологию составления рейтингов депозитов в иностранной валюте международного рейтингового агентства Moody's.

• Построение и анализ эконометрических моделей процентных ставок по депозитам физических лиц. Такие модели позволяют ответить на вопрос, имеется ли в России «рыночная дисциплина». Наличие рыночной дисциплины согласно Новому базельскому соглашению является одной из основ стабильности банковской системы.

• Анализ влияния введения системы страхования вкладов в России на рыночную дисциплину.

• Построение моделей эффективности банков. Анализ и сравнение различных моделей могут показать, насколько выводы робастны относительно выбора спецификации модели. Разработка моделей для межстранового анализа сравнительной эффективности банков на примере банков России и Республики Казахстан. Анализ того, повысится ли эффективность российской банковской системы с укрупнением банков.

Объектом исследования является как отдельный банк, так и совокупность банков российской банковской системы, российская банковская система в целом.

Предмет исследования — надежность, эффективность банков с учетом макроэкономических условий.

Методологическая база исследования. Теоретической основой работы являются методы и аппарат эконометрики, системные методы исследования, теория банковского дела, методы математической статистики. Эмпирические исследования опираются на теорию эконометрического моделирования, в том числе на линейную регрессионную модель с гетероскедастичными ошибками, модели дискретного выбора, модели множественного выбора, модели панельных данных, модели стохастической границы производственных возможностей.

Используются методы статистического и корреляционного анализа. При обработке данных применялись стандартные эконометрические пакеты и оригинальных программные продукты, в том числе созданные на базе эконометрических пакетов.

Значительный вклад в развитие прикладной эконометрики и во внедрение эконометрики в России внесли: С.А. Айвазян, В.Л. Макаров, В.М. Полтерович, И.И. Елисеева, Г.Б. Клейнер, Я.Р. Магнус, В.И. Суслов, М.Ю. Афанасьев, А.Г. Грязнова, Ю.Н. Благовещенский, А.Е. Варшавский, А.И. Гладышевский, С.М. Гуриев, Я.Б. Миркин, В.С. Мхитарян, Л.И. Ниворожкина, А.А. Фридман, М.А. Эскиндаров, Э.Б. Ершов, О.О. Замков, Г.Г. Канторович, П.К. Катышев, С.А. Анатольев, В.А. Балаш, В.В. Давнис, И.А. Денисова, Е.В. Журавская, А.М. Карминский, В.Ф. Лапо, С.А. Мицек, Ю.С. Хохлов, В.М. Четвериков, А.Л. Абрамов, А.В. Аистов, К.Н. Беляев, Е.С. Котырло, С.А. Ланец, Е.С. Лебедева, А.Г. Максимов, Б.А. Путко, Т.А. Ратникова, И.Н. Щепина.

Эконометрический анализ в применении к банкам развивался в работах E.I. Altman, J.D. Amato, P.W. Bauer, A.N. Berger, J.P. Bonin, J. Bos, S. Caner, R. Cantor, R.A. Cole, A. Demirguc-Kunt, A. Estrella, G.D. Ferrier, S. Fries, C.H. Furfine, W. Gunther, T. Hannan, G. Hanweek, I. Hasan, H. Huizinga, D.B. Humphrey, J. Kolari, S. Kumbhakar, D. Martin, L. Mester, F. Packer, H.A. Rijken, J.K. Schoors, A. Taci, P. Wachtel, L. Weill и др. Однако лишь несколько работ рассматривают российские банки.

Информационную базу исследования составили официальные данные Росстата, ЦБ РФ, Агентства по страхованию вкладов, российских и зарубежных рейтинговых агентств, сведения, полученные в ходе экспертных обследований, данные с сайтов российских банков, данные международных информационных агентств и Всемирного банка.

Научная новизна. Предложен методологический подход к комплексному эконометрическому анализу надежности и эффективности банков на основе разработанных математических и эконометрических моделей. Эти модели позволяют исследовать влияние различных внешних и/или внутренних факторов на устойчивость банка и банковской системы в целом, оценить эффект решений экономической политики на банковскую систему. Они обеспечивают возможность дистанционного анализа — как компоненты систем раннего предупреждения — органами банковского надзора, а также банками при оценке риска партнеров в рамках IRB-подхода при реализации Нового базельского соглашения. Впервые предложены модели надежности банков с учетом макроэкономического окружения, модели, комбинирующие кластер-анализ с построением моделей вероятности дефолта, предложена методика сравнения моделей по их потенциальному экономическому эффекту. Все результаты анализа российской банковской системы являются новыми, так как ранее подобные исследования по отношению к российским банкам не выполнялись.

1. Впервые построены эконометрические модели вероятности дефолта российских банков, на основе исторических данных. При этом учет макроэкономической среды повышает прогнозную силу моделей. Ранее макроэкономические факторы в моделях вероятности дефолта банков не учитывались.

2. Предложен и реализован подход к моделированию вероятности дефолта российских банков, который комбинирует эконометрическое моделирование с кластер-анализом, ориентированным на построение наилучших моделей бинарного выбора в каждом кластере. Применение такого подхода позволило повысить прогнозную силу моделей по сравнению с ранее применявшимися моделями.

3. Предложены новые методы сравнения построенных моделей вероятности дефолта с точки зрения их потенциального экономического эффекта для потенциального инвестора.

4. Разработан подход к дистанционной оценке надежности банков путем моделирования рейтингов международных рейтинговых агентств и оценок экспертов. Показано, что значительная часть информации, содержащаяся в рейтингах, может быть получена из публично доступной информации.

5. Построены эконометрические модели рейтингов банков агентства Moody's, на основе которых показано, что при прочих равных агентство присваивает более низкие рейтинги банкам развивающихся стран и, в частности, российским банкам.

6. Разработана методика оценки ненаблюдаемых факторов на примере фактора «внешней поддержки», входящего в методологию составления рейтингов депозитов в иностранной валюте международного рейтингового агентства Moody's.

7. Анализ эконометрических моделей процентных ставок по депозитам физических лиц выявил наличие в России рыночной дисциплины, более выраженной, чем в развитых странах. Показано, что введение страхования депозитов существенно снизило рыночную дисциплину и соответственно ослабило стабильность российской банковской системы.

8. Разработана методика межстранового анализа сравнительной эффективности банков. В частности, при анализе моделей эффективности банков, не обнаружено статистически достоверного различия в эффективности банков России и Казахстана, несмотря на то что банковская система Казахстана считается наиболее развитой на постсоветском пространстве. Выявлен эффект, который не учитывается в большинстве работ по анализу эффективности банков:

ранжировка банков по эффективности существенно зависит от спецификации модели.

9. Показано, что укрупнение российских банков приведет к повышению эффективности банковской системы, а, следовательно, и к ее большей стабильности. Этот вывод дает обоснование политики Банка России по сокращению количества мелких банков.

Практическая значимость исследования. Разработанная методология построения эконометрических моделей вероятности дефолта банков, рейтингов банков, анализа процентных ставок и эффективности банков по издержкам позволяет применять эти модели для дистанционного анализа — как часть системы раннего предупреждения — в целях банковского надзора, осуществляемого ЦБ РФ и АСВ.

Практическим достоинством полученных результатов является то, что при расчете оценок надежности банка используется только открытая информация. Это позволяет вычислить оценки, пользуясь приведенными выше моделями и доступной финансовой информацией о банке. Вычисления могут производиться достаточно оперативно и не требуют больших материальных затрат.

Эти модели могут также применяться коммерческими банками в рамках соглашения Базель-II при создании системы IRB-подхода к оценке риска потенциальных партнеров по бизнесу.

Разработанные методы и технологии позволяют существенно повысить оперативность и эффективность аналитической деятельности органов банковского надзора, улучшить качество принимаемых оперативных и стратегических решений за счет комплексности, оперативности и презентативности анализа, учета множественных взаимосвязей и факторов.

Основные выводы и рекомендации работы могут служить теоретической, методологической и методической базой для дальнейших исследований в области анализа банковской деятельности на микроуровне. Они также предлагаются к использованию в учебном процессе при изучении эконометрики и банковского дела в ряде вузов экономического профиля, а также в специализированных курсах в рамках магистратуры, аспирантуры и бизнес-образования.

Апробация и внедрение результатов исследования. Рекомендации, изложенные в диссертационном исследовании, используются в практической работе АСВ. Они также докладывались на семинарах в ЦБ РФ и Сбербанке.

Основные теоретические и методологические положения диссертации, разработанные автором, докладывались и обсуждались на:

• международных научных конференциях:

«Модернизация экономики России: социальный эффект» (Москва, ГУ ВШЭ, 2003); «Конкурентоспособность и модернизация экономики» (Москва, ГУ ВШЭ, 2004); «Модернизация экономики и государство» (Москва, ГУ ВШЭ, 2006); «9-я международная конференция по теории вероятностей и математической статистике» (Вильнюс 2006); «8-я Международная конференция «Применение многомерного статистического анализа в экономике и оценке качества» (Москва, 2006); «Модернизация экономики и общественное развитие» (Москва, ГУ ВШЭ, 2007); «Модернизация экономики и глобализация» (Москва, ГУ ВШЭ, 2008); «Международная конференция по проблемам развития экономики и общества» (Москва, ГУ ВШЭ, 2009); «The Third Bachelier Colloquium on Mathematical Finance and Stochastic Calculus» (Metabief, France, January, 2008);

«Second International Credit Risk & Rating Conference, 8–10 may 2008» (Ankara, Turkey, 2008); VII Международная школа-семинар «Многомерный статистический анализ и эконометрика» (Цахкадзор, Армения, сентябрь 2008); «The XVII International Tor Vergata Conference on Banking and Finance: Emerging Markets, Currencies, and Financial Stability» (Rome, Italy, December 2008); «INFINITI Conference on International Finance, 8–9 June 2009» (Trinity College, Dublin, Ireland, 2009); «EWEPA-2009, XI European Workshop on Efficiency and Productivity Analysis» (Pisa, Italy, June 2009);

• приглашенных докладах на научных семинарах:

семинар «Многомерный статистический анализ и вероятностное моделирование реальных процессов», ЦЭМИ РАН, 2003, 2006, 2009; ГУ ВШЭ, 2003;

Tilburg University, 2004, 2005; Bank of Finland Institute for Transition Economies 2004 (2), 2006, 2008, 2009; Bilkent University (Turkey), 2006; ЦЭФИР, 2006;

ЦЭМИ РАН, Российско-швейцарский семинар по эконометрике и статистике, 2007; МГУ, 2008; международная юбилейная сессия научного семинара «Многомерный статистический анализ и вероятностное моделирование реальных процессов», Москва, Звенигород, 21–25 июня 2009;

• научных конференциях Российской экономической школы (Москва, 2002–2009);

• научно-практических конференциях и семинарах:

Клуб банковских аналитиков (2002); «Риск-менеджмент в финансовых институтах в России и СНГ» (Цюрих, 2005); 13-й международный форум «Российский банковский сектор. Инвестиционный потенциал и стратегия роста» (Лондон, 2006); «Управление финансовыми рисками в России и странах СНГ» (Вена, 2006); «Управление рисками: решения для России» (Москва, 2005).

Материалы диссертации использованы: в программах для повышения квалификации специалистов в Москве (июнь 2005, март 2007); Алма-Ате (2005); Ташкенте (январь 2004); Тбилиси (январь 2005).

Материалы диссертации были использованы при подготовке учебника по эконометрике (8 изданий), рекомендованного Министерством общего и профессионального образования Российской Федерации, и задачника по курсу эконометрики (4 издания), одобренного Министерством общего и профессионального образования Российской Федерации.

Материалы диссертации используются в курсах эконометрики для магистров РЭШ, МИЭФ ГУ ВШЭ, для бакалавров МГИМО, ГУГН, МИЭФ ГУ ВШЭ, а так же в курсе «Банки, банковская система России и банковские рейтинги» для магистров РЭШ.

Материалы диссертации были включены в курсы для преподавателей университетов по методике преподавания эконометрических дисциплин по панельным данным, моделям дискретного выбора, эконометрике финансовых рынков: Санкт-Петербург, июнь 2000; Екатеринбург, сентябрь 2000; Кисловодск, апрель 2001; Москва, май 2001; Санкт-Петербург, сентябрь 2001; Москва, апрель 2002; Великий Новгород, июль 2002; Саратов, апрель 2003; Владивосток, июль 2003; Кисловодск, май 2004; Вильнюс, июль 2004.

Работа по анализу рейтингов российских банков была поддержана грантом РФФИ (2008).

Публикации. Печатные труды, опубликованные по тематике диссертации, насчитывают 49 работ общим объемом примерно 93 п.л., из них лично автора — более 52 п.л. Они включают три монографии, а также статьи в периодических изданиях и сборниках научных трудов (в том числе из списка ВАК), препринты и материалы конференций.

Структура и объем. Диссертация состоит из введения, пяти глав, заключения и списка литературы из 261 наименований. Она изложена на 276 страницах печатного текста, содержит 80 таблиц, 29 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности исследуемой проблемы. В нем сформулированы цели и задачи исследования, отражены научная новизна, теоретическая и практическая значимость полученных результатов, приведены данные об апробации работы и описание структуры текста диссертации.

В главе 1 «Методы дистанционного анализа банков» автором предложена методология эконометрического подхода к дистанционному мониторингу российских банков, содержатся обзор практики, задачи и возможные методы дистанционного мониторинга банков по ежемесячным, ежеквартальным, годовым балансовым отчетам.

Новое базельское соглашение (Basel-II, 2004) предполагает, что банки могут использовать собственные системы оценки риска (Internal Ratings Based Approach, IRB) для оценки потенциальных партнеров, а органы банковского надзора — использовать системы раннего предупреждения (Early Warning Systems, EWS) для мониторинга банковской системы.

Такие международные рейтинговые агентства, как Standard and Poor’s, Moody’s и Fitch, публикуют рейтинги надежности многих банков. Эти рейтинги, конечно, могут использоваться для IRB или EWS. Однако их применение в России весьма ограничено. Во-первых, эти агентства составляют рейтинги лишь для небольшого количества российских банков. Кроме того, эти рейтинги довольно низкие, и их разброс невелик. Во-вторых, рейтинги, присваиваемые рейтинговыми агентствами, довольно консервативны и редко изменяются. В работах (Lffler, 2004) и (Altman, Rijken, 2004) рассматриваются причины стабильности рейтингов и связанной с ней потерей информации. Автором показано, что российские рейтинговые агентства в глазах экспертов менее авторитетны, чем международные рейтинговые агентства.

Различные показатели балансовых отчетов в той или иной степени отражают надежность или риски банка: его размер, доля просроченных кредитов в кредитах, доля негосударственных ценных бумаг в активах, показатели ликвидности и т.п. Существуют попытки сконструировать из этих показателей один интегральный показатель надежности российских банков на основании субъективных решений, например, признанный неудачным «рейтинг Кромонова».

В диссертации предлагается методология и комплексный подход на основе применения эконометрических методов для составления таких индикаторов надежности банка, которые выводятся на основе публично доступной информации. При этом не делается никаких априорных ограничивающих предположений. По мнению автора, существует 5 источников информации о надежности банков и, соответственно, 5 подходов к построению индикаторов надежности банков: 1) исторические данные по дефолтам банков; 2) рейтинги, присвоенные банкам рейтинговыми агентствами (вариант — рейтинги, присвоенные банкам группой независимых экспертов); 3) данные по процентным ставкам банков по депозитам физических лиц; 4) оценки технической эффективности (известно, что эффективные в этом смысле банки также более надежны); 5) оценка банков фондовым рынком (цена акций банков).

Комплексная методология, разработанная в диссертационной работе, а также построенные методы и модели, ориентированные, в частности, на российскую банковскую систему, позволяют построить индикаторы надежности банков с точки зрения соответственно истории фактических дефолтов; мнения экспертов международного рейтингового агентства или группы независимых экспертов; частных вкладчиков; эффективности использования банками ресурсов; фондового рынка.

Более детальное описание методов и моделей, предусмотренных методологией комплексного мониторинга банков и банковской системы в целом, включает 4 направления.

Во-первых, подход основанный на построении эконометрических моделей надежности банка на основе исторических данных о банковских дефолтах.

Естественным инструментом здесь являются модели бинарного выбора (logit/probit-модель). Сопоставимые методы рассматривались применительно к банкам США в работах Altman, Kolari.

Во-вторых, построения эконометрической модели надежности банка использующих рейтинги, присвоенные рейтинговым агентством. Такие модели будет отражать часть информации, содержащейся в рейтинге, которая может быть получена из публично доступной информации. Применяются эконометрические модели множественного выбора (ordered logit/probit), которые можно использовать для расчета прогнозных рейтингов любых банков. Прогнозные рейтинги отражают мнение экспертов рейтингового агентства. Такой подход был реализован для нефинансовых фирм в США в работе (Altman, Rijken, 2004).

Другой вариант этого подход основан на опросе независимых экспертов.

Экспертам предлагается присвоить рейтинги некоторому набору реальных или виртуальных банков по выборке финансовых показателей балансовых отчетов.

Затем строится эконометрическая модель, отражающая мнения экспертов. Возможное преимущество этого метода состоит в том, что модель строится на основе мнений экспертов, представляющих различные независимые финансовые структуры. Поскольку банки платят агентству за рейтинг, это потенциально может приводить к тому, что рейтинговое агентство не будет склонно понижать рейтинг. Однако эксперты агентства при составлении рейтинга имеют доступ к исчерпывающей информации о банке.

Третий подход, построен основан на анализе процентных ставок — например, процентных ставок по депозитам физических лиц. При наличии рыночной дисциплины, являющейся одним из основных принципов Базель-II, вкладчики требуют от банков с рискованной финансовой политикой более высоких процентных ставок. При наличии в стране рыночной дисциплины высокие процентные ставки могут служить сигналом об избыточном риске финансовой политики банка.

В-четвертых, ряд работ связывает эффективность банка с его надежностью. Таким образом, модели, позволяющие оценивать эффективность банка, также дают информацию и о его надежности. Разработка методов оценки эффективности производственных единиц — сравнительно новая, бурно развивающаяся область на стыке экономики фирмы, эконометрики, анализа данных.

Проблемой в ней является вопрос, насколько различные оценки эффективности согласованны, поскольку если они дают существенно разные результаты, то под вопросом находится надежность рекомендаций экономической политики, полученных на их основе.

Пятый подход представляется весьма перспективным, так как рынок аккумулирует в цене акций всю имеющуюся информацию. Однако в России этот подход в настоящее время не реализуем, так как акции только 6 российских банков торгуются на бирже. В настоящее время исследования в этом направлении ведутся в ФРС США.

Для практического применения комплексного дистанционного мониторинга необходимы развитие соответствующих методов и моделей, их разработка и верификация. Большое — по сравнению с другими странами с переходной экономикой — количество банков в Российской Федерации, позволяет применять различные методы эконометрического анализа, разработанные в диссертации. Отметим, что при практическом применении такие модели следует регулярно переоценивть, использую новые данные. Подобные модели не настроены для прогнозов во время системного кризиса, поэтому в диссертации рассматривается ситуация до мирового кризиса 2008 г.

Статистические модели, подобные рассматриваемым в диссертации, могут служить составной частью IRB и EWS. Применение таких моделей позволит повысить эффективность банковского надзора. Используя предложенные подходы, Банк России и Агентство по страхованию вкладов смогут оптимизировать усилия, осуществляя дистанционный мониторинг банковской системы с помощью предложенных эконометрических моделей для идентификации потенциально проблемных банков, и затем концентрировать усилия в первую очередь на этих банках для более детального анализа их состояния.

Глава 2 «Эконометрические модели вероятности дефолта банков» посвящена построению моделей вероятности дефолта российских банков.

Насколько нам известно, построение моделей вероятности дефолта впервые было рассмотрено в работе (Altman, 1968), в которой применялась статистическая модель дискриминантного анализа (DA) для прогноза банкротства нефинансовых фирм. В работе (Martin, 1977) впервые модель бинарного выбора была применена к прогнозу дефолтов банков.

Модели с кластеризацией. В первом разделе главы рассматривается вопрос о том, улучшает ли кластеризация банков качество прогноза дефолтов банков. В данном разделе строятся модели прогноза вероятности выживания банка (т.е. того, что банк не потерпит дефолт) на примере данных за период финансового кризиса августа 1998 г. Эти модели позволяют исследовать, какие факторы были наиболее важны для прогноза вероятности выживания (или дефолта) банка. До 1998 г. многие банки вместо финансирования реального сектора экономики были вовлечены в спекуляции на финансовых рынках. Это обстоятельство было указано в качестве одной из причин кризиса как правительством, так и ЦБ РФ. Поэтому при моделировании особое внимание уделяется такому индикатору, как доля кредитов экономике в активах банка.

В этом разделе использованы показатели балансовых отчетов 1595 российских банков по состоянию на 1 апреля 1998 г. На основе этой информации с помощью моделей строится прогноз того, какие из них могли потерпеть дефолт до 1 апреля 2000 г. Двухлетний период между данными и (возможным) дефолтом выбран по двум причинам: 1) он покрывает среднее время между отзывом лицензии и ликвидацией банка; 2) кроме того, оказалось, что модели, построенные на 2-летнем периоде, обладают наибольшей прогнозной силой по сравнению с моделями, построенными на 1-годичном периоде.

На этапе выбора моделей рассматривались около 30 финансовых показателей банков. В табл. 1 приведены описания тех из них, которые были значимыми в одной из полученных автором моделей.

Для моделирования вероятности дефолта была использована эконометрическая модель бинарного выбора P(LIVEi = 1) = F(xi ), (1) где xi — вектор параметров (показателей) банка i, — вектор коэффициентов. Оказалось, что на этих данных logit-модель, соответствующая спецификации F(z) = (1 + e- z )-1, лучше подходит к данным, чем probit-модель.

Уравнение (1) можно оценивать по всему набору банков. Однако мыслима/возможна ситуация, когда при оценивании этого уравнения отдельно по двум кластерам будет получен значимый, но с разным знаком вклад некоторого параметра, в то время как при оценивании уравнения по объединению кластеров, будет получен вывод о незначимости этого параметра. Это соображение является основным объяснением идеи рассмотрения разных моделей в кластерах банков.

Таблица 1. Финансовые показатели банков Переменная Описание переменной VB Суммарные активы, валюта баланса RES Резервы под возможные потери KE Кредиты нефинансовым организациям GDO Государственные ценные бумаги SK Собственный капитал LA Ликвидные активы VDFL Депозиты и счета физических лиц OS Основные средства и другие неработающие активы NDO Негосударственные ценные бумаги CA Чистые активы BP Доход до вычета налогов CFB Кредиты, полученные от других банков PNA Неработающие активы PZS Просроченные кредиты (более 5 дней) Экспертный подход. Для экспертной кластеризации использовались финансовых показателя банков. Для каждого показателя экспертно были выбраны два пороговых значения. Таким образом, получилось 4 разбиения на кластеры. Каждое разбиение состоит из 3 кластеров с малыми, средними и большими значениями параметра.

Суммарные активы (VB). Кластер малых банков, VB = 1%, состоит из банков с общими суммарными активами, составляющими 1% суммарных активов всей банковской системы. Кластер больших банков VB = 90% состоит из крупнейших банков, составляющих 90% суммарных активов всей банковской системы.

Доля государственных ценных бумаг (GDO/VB). Кластер банков, практически не участвующих на рынке ГКО, GDO/VB < 0.01%, и кластер банков, активно инвестирующих в ГКО, GDO/VB > 10%.

Доля кредитов нефинансовым организациям (KE/VB). Кластер «пассивных» банков, KE/VB < 15% и кластер «активных» банков, KE/VB > 40%.

Капитализация (SK/VB). Кластер банков с малыми значениями отношения капитал/активы, SK/VB < 11% и кластер высококапитализированных банков, SK/VB > 30%.

Наилучшие результаты прогноза «надежных» банков были получены при кластеризации по доле государственных ценных бумаг (GDO/VB): в среднем менее 1% ошибок среди 10 лучших банков в контрольной группе. Для выявления проблемных банков несколько лучше работают модель без кластеризации и модель с кластеризацией по капитализации (SK/VB). Эти модели дают примерно 57% корректно предсказанных дефолтов среди 10 «самых ненадежных» банков в контрольной группе (табл. 2).Кредиты нефинансовым организациям (KE/VB), значимы для банков с низким уровнем инвестиций в ГКО. Влияние этого фактора U-образное. Оптимальное (по модели) значение этого параметра равно 58%, что гораздо больше 30% — среднего по кластеру. Возможно, этим банкам следовало бы увеличить инвестиции в экономику. Для этого кластера наиболее влиятельными параметрами являются ликвидные активы и кредиты нефинансовым организациям.

Для второго кластера (с высоким уровнем инвестиций в ГКО) кредиты нефинансовым организациям (KE/VB) незначимы. Ликвидные активы и негосударственные ценные бумаги значимы, и рост их доли повышает вероятность дефолта. Наиболее влиятельным параметром оказывается капитализация (SK/VB). Размер банка оказывает негативное влияние, поскольку большинство крупнейших банков принадлежат этому кластеру.

Таблица 2. Модели для банков с низким и высоким уровнем инвестиций в ГКО Кластер GDO/VB < 0.01% Кластер GDO/VB > 10% sxx sxx Переменная Коэффициент Переменная Коэффициент Const -2.81*** Const 8.69 *** SK/VB 1.38*** 0.38 SK/VB 6.45*** 1.RES/VB -3.37* -0.19 RES/VB -15.48 ** -0.ln(VB) 0.24*** 0.37 ln(VB) -0.39 ** -0.LA/VB 4.69*** 0.95 OS/VB -7.93 *** -0.KE/VB 4.28*** 0.92 NDO/VB -5.74** (KE/VB)2 -3.70* -0.МакФадден R2 0.135 МакФадден R2 0.Наблюдения с LIVE = 0 161 Наблюдения с LIVE = 0 Наблюдения с LIVE = 1 463 Наблюдения с LIVE = 1 3Всего наблюдений 624 Всего наблюдений 3*, ** и *** означает значимость на 10%, 5% и 1% уровнях. sxx — мера «влиятельности» параметра, произведения оценки коэффициента при нем в регрессии на стандартное отклонение этого параметра в выборке Автоматическая классификация. Целью такой классификации является разбиение на кластеры, в каждом из которых можно построить модель бинарного выбора (модель вероятности дефолта) так, чтобы качество подгонки моделей было наилучшим. Этот подход является развитием идей Э. Диде и С.А. Айвазяна и реализован автором следующим образом.

Рассмотрим logit-модель, разделяющую банки на два кластера. Пусть вероятность того, что банк с набором параметров z принадлежит первому кла стеру равна F(z ), где — вектор коэффициентов, а F — логистическая функция распределения. Вероятность того, что банк принадлежит второму кла стеру, равна соответственно 1 - F(z ).

В каждом из двух кластеров строится модель вероятности выживания.

Пусть F(x 1) [ F(x 2 )] — вероятность банка с параметрами x выжить при условии, что он принадлежит первому [второму] кластеру. Различные наборы параметров могут использоваться в модели классификации и моделях вероятности выживания. Три модели комбинируются в одну модель, при этом вклад банка j в функцию правдоподобия равен:

jj j j Lj = F(z ) F(x 1)y (1- F(x 1))1- y + (1- F(z )) F(x 2)y (1- F(x 2))1- y, (2) ( ) ( ) где y = 1 — если банк выжил, и 0 — если он обанкротился. Оценки параметj ров модели 1, 2 и получаются максимизацией логарифмической функции правдоподобия.

ln L(, 1, 2 ) = Lj max. (3) ln , 1, j Поскольку нет гарантии, что функция L имеет глобальный максимум, возникает естественная проблема неединственности оценок. Например, если набор (,1,2 ) является решением, то и набор (-, 2, 1) также является решением.

После отбора моделей по статистическим критериям получено, что наилучшей является модель, в которой векторы параметров равны: z = {SK/CA, ln(VB)} и x = {SK/VB, RES/VB, KE/VB, GDO/VB, LA/VB}. Оценка модели разбиения на кластеры представлена в табл. 3. Отметим, что полученный алгоритм кластеризации похож на разделение банков на две группы в соответствии с инструкцией № 1 ЦБ РФ, в которой более низкий порог достаточности капитала устанавливается для больших банков. Полученные результаты автоматической классификации могут быть использованы ЦБ РФ для установления более гибких требований к достаточности капитала.

В качестве порога кластеризации используется 0.5, т.е. банк принадлежит первому кластеру, если F(z ) < 0.5, и второму — в противном случае. В каждом из кластеров logit-модель оценивается отдельно. Графики вероятностей ошибок I–II рода для модели с набором параметров x без кластеризации и для модели, основанной на кластеризации (2)-(3), представлены на рис. 1. На рисунке видно, что использование автоматической кластеризации улучшает прогнозную силу модели; наиболее важной с практической точки зрения является диапазон малых вероятностей ошибок I рода (дефолт банка, классифицированного как устойчивый).

Таблица 3. Модель автоматической классификации Коэффициенты Переменная Const –3.SK/CA 13.29*** Ln(VB) –0.0129*** *, ** и *** означает значимость на 10%, 5% и 1% уровнях В табл. 4 и 5 представлено сравнение точности прогноза различных моделей с кластеризацией для прогноза внутри выборки (in sample). Как было показано, прогнозы вне выборки и внутри выборки практически совпадают по оценке прогнозной силы моделей.

1Без кластеров Автоматическая классификация 0 10 20 30 40 50 60 70 80 90 1P(прогноз: выжил | не выжил) Рис. 1. Сравнение моделей В табл. 4 показано сравнение моделей с точки зрения инвестора. Для каждой модели выбрано 100, 200, и т.д. «лучших» банков, и среди них подсчитано количество на самом деле обанкротившихся.

Например, колонка 3 (с заголовком 200) содержит информацию по 2«лучшим» с точки зрения каждой из моделей банкам. Строка «среднее» показывает ожидаемое количество дефолтов в случайной выборке банков. Строка «базисная модель» представляет результат модели без кластеризации — только 5 банков обанкротились. Строки GDO/VB, VB, SK/VB и KE/VB представляют результаты моделей с тем же набором регрессоров, оцененные отдельно по каP(прогноз: не выжил | выжил ) ждому из кластеров, полученных «экспертной» кластеризацией по соответствующим параметрам.

Последняя строка представляет результаты описанной выше процедуры с автоматической классификацией. Из табл. 4 очевидно, что использование моделей существенно снижает вероятность выбора в качестве партнера банка, который обанкротится в будущем.

Таблица 4. Число дефолтов среди n «лучших» банков n 100 200 300 400 500 600 700 8Среднее 17 34 50 67 84 101 117 1Базисная модель 0 5 9 12 18 26 37 GDO/VB 0 0 1 4 8 16 24 VB 1 2 6 8 13 22 29 SK/VB 1 3 8 13 16 16 21 KE/VB 0 6 9 15 18 25 33 Автоматическая классификация 1 3 6 11 18 23 28 Таблица 5. Число дефолтов среди n «наихудших» (всего 263 дефолта) n 50 100 150 200 250 300 3Среднее 8 17 25 34 42 50 Базисная 39 67 91 115 128 138 1GDO/VB 41 71 92 116 129 142 1KE/VB 42 73 94 114 129 144 1SK/VB 41 74 96 116 136 153 1VB 42 68 92 114 128 144 1Автоматическая классификация 39 75 101 119 130 146 1В табл. 5 приведено сравнение прогнозной силы моделей с точки зрения органов банковского надзора. Для каждой из моделей было выбрано 100, 200 и т.д. «худших» банков и приведено число дефолтов среди них. Например, выделив 250 «худших» банков (16% их общего числа), можно выявить 136 дефолтов (52% общего числа дефолтов). Это позволяет сузить круг потенциально проблемных банков и, возможно, сэкономить значительное время и средства для органов банковского надзора на проведение инспекций на месте.

Модели с учетом макроэкономического окружения. Работы, посвященные моделям вероятности дефолта банков (см., например, (Martin, 1977), (Estrella et al., 2000), (Kolari et al., 2002)), не используют переменные макроокружения в своих моделях. Все эти работы рассматривают банковскую систему США, которая функционирует в условиях относительно стабильной экономики.

Поскольку экономическая ситуация в 1996-2003 гг. в России была далека от стабильной, представляется, что включение в модели макроэкономических показателей может повысить точность прогноза.

Существует лишь несколько работ, использующих макроэкономические показатели в моделях вероятности дефолта фирм, кредитов или облигаций. В работе (Engelmann, Porath, 2003) показано, что использование в модели прироста реального ВВП и прироста денежной массы (М3) улучшает качество logitмодели вероятности дефолта германских компаний в 1989–2000 гг. Уровень безработицы используется в моделях вероятности дефолта по ипотечным кредитам в США в работе (Lawrence, Smith, 1992).

Многие публикации Базельского комитета подчеркивают роль макроэкономического окружения в оценке риска дефолта (см., например, (Amato, Furfine, 2003), (Borio, 2003), (Segoviano, Lowe, 2002)). Макроэкономические показатели используются в работах, изучающих причины банковских и финансовых кризисов. В работе (Demirguс-Kunt, Detragiache, 1998) объединенная logitмодель применяется для изучения банковских кризисов в развивающихся и индустриальных странах в 1980–1994 гг. Авторы показали, что такие показатели, как рост ВВП, реальные процентные ставки, инфляция, условия торговли, значимы во всех спецификациях моделей. Отсюда следует важность учета макроэкономического окружения в моделях дефолта банков.

В этом разделе используются финансовые показатели квартальных отчетов российских банков за период 1996–2002 гг. Переменная LIVE принимает значение 0, если у банка была отозвана лицензия или он был поглощен другим банком, находясь в преддефолтном состоянии. Как и в предыдущем разделе, временной лаг между моментом наблюдения показателей банка и его состоянием взят равным 2 года, что примерно соответствует времени принятия решения об отзыве лицензии.

Для того чтобы избежать проблему коррелированности наблюдений и увеличить долю дефолтов, выборка была сокращена. Цель прореживания выборки состоит в том, чтобы сохранить всю информацию о дефолтах и чтобы наблюдения для каждого банка отстояли по времени друг от друга на 2 года. В результате прореживания получается выборка, состоящая из 3158 наблюдений, среди которых есть 255 дефолтов (8.07%).

Список макроэкономических показателей, рассмотренных для включения в модели, представлен в табл. 6. Выбор этих показателей определен мнением экспертов и работами по банковским кризисам, в которых было обнаружено значимое влияние макроиндикаторов. Для некоторых макроэкономических показателей рассматривался также темп их прироста.

Таблица 6. Макроиндикаторы Макроэкономические показатели Обозначение Ед. изм.

Индекс реального ВВП (с поправкой на сезонность)* VVP % Индекс потребительских цен CPI % Дефлятор** Defl Количество безработных UNEMPLN млн Уровень безработицы UNEMPLP % Индекс реальных инвестиций в основной капитал (с INV % поправкой на сезонность)*** Обменный курс рубль/доллар ERATE руб/долл Отношение объема экспорта к импорту EXP/IMP Прирост объема промышленной продукции к соот- PRPROD % ветствующему периоду предыдущего года Прирост реальных денежных доходов населения REALINC % Приращение обменного курса ERATE за год DERATE руб/долл Приращение обменного курса ERATE за квартал DERATE1 руб/долл Изменение темпов роста показателя ВВП за год DVVP % Изменение темпов роста показателя ВВП за квартал DVVP1 % * 1994.01 = 100; ** на базе CPI; *** 1993.I=1Базисная модель, не использующая макроэкономические показатели, выбрана, как и в разделе 2, на основе статистических критериев: z-статистики коэффициентов, МакФадден R2, критерий Акаике и, конечно, с учетом экономической интерпретируемости. Базисная модель представлена во второй колонке табл. 7. Знаки коэффициентов соответствуют предварительным ожиданиям.

При оценивании моделей используется объединенная (pooled) probitмодель, которая дает здесь несколько лучшие результаты, чем объединенная logit-модель. Logit-модель с фиксированным эффектом и probit-модель со случайным эффектом дают практически одинаковые результаты. Тесты показывают приемлемость объединенной модели.

Две лучшие модели, отличающиеся от базисной добавлением макроиндикаторов (табл. 6), представлены в колонках 3 и 4 табл. 7. Макромодель 1 включает отношения экспорта к импорту, а макромодель 2 — обменный курс руб./долл. По всем статистическим критериям (логарифм правдоподобия, критерий Акаике, МакФадден R2) обе макромодели превосходят базовую модель.

Знаки коэффициентов моделей в табл. 7 соответствуют экономической интуиции. Отношение дохода до вычета налогов к активам (BP/VB), которое может использоваться как мера качества менеджмента, оказывает положительное влияние на вероятность выживания банка. Доля кредитов нефинансовым организациям в активах (KE/VB) оказывает отрицательное влияние. Это разнится с выводом предыдущего раздела. Однако следует заметить, что в отличие от раздела, в котором исследуется финансовый кризис, приведенная модель использует данные 5-летнего периода, на котором доля кредитов значительно изменялась вместе с макроокружением. Доли негосударственных ценных бумаг и неработающих активов (NDO/VB и PNA/VB) оказывают отрицательный эффект, что говорит о недостаточно качественном управлении активами. Модель указывает на «оптимальный» размер банка, ln(VB/Defl) = 10.44, что несколько выше среднего значения этого параметра по выборке. Неожиданно капитализация SK/VB оказывается незначимой при включении в модель. Это объясняется мультиколлинеарностью, поскольку набор регрессоров уже включает много долей активов (очевидно, сумма всех долей равна 1).

Таблица 7. Модели с макроэкономическими показателями Переменная Базисная модель Макромодель 1 Макромодель Const 0.150 –0.847 –0.3BP/VB 1.226** 1.541** 1.663*** KE/VB –1.188*** –0.976*** –0.930*** NDO/VB –1.008*** –1.247*** –1.394*** PNA/VB –1.346*** –1.223*** –1.204*** CFB/VB –0.546 –0.277 –0.1ln(VB/Defl) 0.376*** 0.367*** 0.368*** ln(VB/Defl)2 –0.0181*** –0.0181*** –0.0184*** EXP/IMP - 0.621*** - ERATE - - 0.0346*** Логарифм правдоподобия –845.11 –807.73 –799.LR статистика (8, 9 степеней сво81.99 156.76 172.боды) Критерий Акаике 0.5403 0.517 0.5МакФадден R2 0.0463 0.088 0.0*, ** и *** означает значимость на 10%, 5% и 1% уровнях Включение макропеременных увеличивает коэффициенты при BP/VB и KE/VB и уменьшает коэффициенты при NDO/VB и PNA/VB. Маржинальный эффект размера банка практически не изменяется.

Положительное значение коэффициента при EXP/IMP можно объяснить следующим образом. Рост отношения экспорт/импорт характеризует более здоровую экономику и, следовательно, макроэкономическую стабильность. В этих обстоятельствах можно ожидать и рост стабильности банковской системы.

Менее очевидна интерпретация положительного коэффициента при обменном курсе. В России рост обменного курса (ослабление рубля) всегда ассоциировался с макроэкономической дестабилизацией. В то же время высокий обменный курс приводит к увеличению отношения экспорт/импорт. Эти два индикатора имеют высокую (положительную) корреляцию. Возможно, второй эффект доминирует на рассматриваемом отрезке времени.

Рассмотрим следующую процедуру оценки эффекта модели. Случайно выбранные 300 наблюдений удаляются из исходной выборки, и параметры моделей оцениваются по оставшимся наблюдениям. Выбранные 300 банков упорядочиваются в соответствии с каждой из моделей и для каждого упорядочивания рассматриваются наборы 10 (50) самых «надежных» и самых «проблемных» банков из 300. Затем для каждого набора подсчитывается, какая доля банков, на самом деле обанкротившихся в этой выборке из 300 банков, попала в данный набор. Процедура повторяется 1000 раз. Усредненные результаты представлены в табл. 8. Заметим, что при случайном выборе 10 (50) банков из 300 в число выбранных попадает 3.3% (16.7%). Таким образом, показано, что учет макроиндикаторов значительно улучшает качество прогноза модели.

Таблица 8. Прогноз вне выборки Модель Размер выБанки Базисная Маромодель 1 Маромодель борки модель (EXP/IMP) (ERATE) 10 7.3% 11.9% 12.5% «худшие» 50 34.5% 46.6% 47.0% 10 1.3% 1.5% 0.6% «лучшие» 50 8.1% 6.9% 6.3% Эвристические критерии сравнения моделей. В данном разделе предлагаются два эвристических критерия, основанные на двух (весьма грубых) моделях поведения инвестора.

Пусть инвестор использует модель и порог c для классификации банков.

Обозначим через Xc множество банков, классифицированных как «проблем ные» (т.е. полученная по модели прогнозная вероятность дефолта p < c ), а че+ рез Xc - множество банков, классифицированных как «надежные» ( p c ).

Обозначения для количества банков во всех возможных группах приведены в табл. 9 ( N — общее количество банков, из них M обанкротились).

Рассмотрим «наивного» (не использующего модель) инвестора, который инвестирует (размещает депозиты) S денег в банки. Этот инвестор может использовать «равномерную» стратегию, инвестировав равные части S/N во все банки, или «пропорциональную», при которой размер вклада пропорционален размеру банка, т.е. вклад в банк k равен Sk = S (VBk / all ), где VBk - размер N банка k, а all = VBj. Первая стратегия моделирует инвестора, который j=стремится диверсифицировать свои вклады, а вторая моделирует поведение всего множества инвесторов.

Таблица 9. Классификация результата прогноза Банки Обанкротившиеся Необанкротившиеся Классифицированные как I. mc II. nc - mc «проблемные», Xc Классифицированные как III. M - mc IV. N - M - (nc - mc ) + «надежные» Xc Обозначим через r процентную ставку по депозитам, постоянную по времени, одинаковую для всех банков (ниже принято r = 15% или 20%, что примерно соответствует средним ставкам для российских банков в рассматриваемый период). Предположим, что вклады в банки, которые впоследствии обанкротятся, полностью пропадают. При этих предположениях чистый доход при «равномерной» и «пропорциональной» стратегиях равен соответственно (4) и (5):

SS r(N - M ) - M (N - M )r - M = S, (4) NN N S rII+IV (c) - I+III (c). (5) () all (Суммирование производится по группам банков, указанных в табл. 9; так, например, I+III (c) = VBj.) I+III Рассмотрим теперь инвестора, использующего модель. Такой инвестор, используя модель и порог c, классифицирует банки на «надежные» и «проблемные». Затем он следует одной из двух стратегий («равномерная», «пропорциональная»), однако вкладывает деньги только в «надежные» банки, а деньги, которые «наивный» инвестор вложил бы в «проблемные» банки, просто оставляет у себя.

Предположим, инвестор, использующий модель, максимизирует функцию полезности, равную ожидаемому превышению его дохода по сравнению с доходом «наивного» инвестора. Эта функция полезности равна (6) для «равномерной» стратегии и (7) для «пропорциональной» стратегии:

mc nc - mc PRU (c) = - r, (6) NN I (c) II (c) PRP (c) =- r. (7) all all Конечно, инвестор выбирает оптимальное значение порога с. Таким образом, получаем два эвристических критерия для сравнения моделей:

PRU = max PRU (c), PRP = max PRP (c). (8) 0

После кризиса 1998 г. В этом разделе модели вероятности дефолта применяются для анализа динамики послекризисного развития российской банковской системы в 1998–2001 гг. Используется скользящая регрессия с окном шириной в 4, 6 и 8 кварталов. В каждом окне оценивается probit-модель вероятности дефолта. Поскольку набор данных, по которому оценивается модель, теперь гораздо меньше, чем набор данных, используемый выше, рассматриваются два варианта построения выборки. В первом в выборку включаются все имеющиеся данные. Как и ранее, результаты, полученные по объединенной (pooled) модели, практически не отличаются от результатов модели панельных данных со случайным эффектом. Во втором варианте применяется процедура прореживания данных, отличающаяся от описанной выше тем, что для каждого банка наблюдения берутся с шагом 1 год, а не 2 года, как ранее.

0.KE/VB opt 0.0.0.0.Рис. 2. Расчетное «оптимальное» значение KE/VB 1999.1999.1999.1999.2000.2000.2000.2000.Различные комбинации размера окна и выборки дают схожие результаты.

Расчеты указывают на наличие структурного изменения в банковской системе после кризиса 1998 г. Переменные BP/VB, KE/VB и PZS/VB, которые были незначимыми до кризиса, стали значимыми после кризиса. Это может означать то, что после кризиса банки стали уделять больше внимания финансированию реального сектора экономики. Также это может быть указанием на то, что качество данных балансовых отчетов, особенно просроченные кредиты (PZS) и доходность (BP), улучшились с 2000 г.

В периодах (окнах) после II квартала 1999 г. значимы обе переменные KE/VB и (KE/VB)2. Это позволяет рассчитать по модели «оптимальное» значение доли инвестиций в реальный сектор экономики в каждом периоде времени.

График этого «оптимального» значения представлен на рис. 2. Видно, что оно возросло с 0.35 до 0.41 за рассматриваемое время. Это свидетельствует в пользу постепенного улучшения российской банковской системы (поскольку в нормальной экономике финансирование реального сектора является основной функцией банковской системы). Заметим, что отношение суммарных кредитов реальному сектору к суммарным активам банковской системы также возрастало в течение данного периода: 28.6% (1999), 29.5% (2000) и 35.1% (2001).

В главе 3 «Эконометрическое моделирование рейтингов банков» построены модели рейтингов банков, присвоенные рейтинговыми агентствами или экспертами. Поскольку такие модели позволяют построить прогнозные значения рейтингов надежности банков на основе открытой информации, они, как и модели вероятности дефолта, могут применяться для дистанционного мониторинга банков органами банковского надзора, а также в рамках IRB-подхода предлагаемого Новым базельским соглашением.

В современной рыночной экономике количество информации настолько велико, что даже крупные фирмы не имеют достаточных ресурсов для ее обработки. В этой ситуации особую роль играют независимые оценки риска компаний и ценных бумаг. Основным инструментом регулярной экспертизы являются рейтинги, предоставляемые рейтинговыми агентствами.

Рейтинг — это комплексная оценка рисков фирмы, банка, страховой компании, паевого фонда, страны, региона, выпусков облигаций и других финансовых инструментов по дискретной упорядоченной шкале, называемой рейтинговой шкалой. Шкалы, которые используют крупные международные рейтинговые агентства, практически совпадают. У агентства Moody's шкала состоит из 21 градации — от Aaa (высшая надежность) до D (дефолт). По многолетним статистическим данным каждому рейтинговому классу можно поставить в соответствие оценку вероятности дефолта.

Имеющихся рейтингов недостаточно для решения многих вопросов. Это и обеспечение прогнозами систем раннего предупреждения, и дистанционный мониторинг банков, и оценка рисков при активных операциях. С принятием Нового базельского соглашения — Базель II — требуется обеспечение технологических возможностей по формированию и обоснованию внутренних рейтингов на основе публично доступной информации для решения типовых задач риск-менеджмента.

Рейтинговые агентства стремятся завоевать доверие клиентов, поддержать свою репутацию, поэтому они публикуют подробные методики составления рейтингов. В них указывается, какие факторы и с какими весами учитывает агентство при присвоении рейтинга. Однако по каждому из факторов оценку выставляют эксперты агентства. Поэтому, несмотря на «открытость» методики, ее невозможно воспроизвести, что и понятно: если бы это было возможно, то конкуренты легко могли бы ее воспроизводить. Круг вопросов, связанный с анализом рейтингов агентств, стал особенно актуален в связи с критикой деятельности рейтинговых агентств, появившейся во второй половине 2008 г., как реакция финансовой общественности на поведение этих агентств в преддверии кризиса 2008 г.

В связи с этим возникает практическая потребность в создании моделей рейтингов, использующих только открытую информацию. Такие модели, использующие опыт экспертов рейтинговых агентств, могут применяться для дистанционного мониторинга.

Рейтинги российских агентств и экспертов. В этом разделе используются данные по финансовым показателям российских банков на 1 октября 20г. В этот период лишь небольшое количество российских банков имели рейтинги международных рейтинговых агентств, поэтому для моделирования были выбраны рейтинги 4 российских агентств: журнала «Эксперт», ИЦ «Рейтинг», ИА «Мобиле» и журнала «Профиль». В качестве эконометрического инструмента выбрана модель упорядоченного выбора (ordered probit). Все рейтинги были приведены к цифровой шкале рейтинговых классов, от 1-го (самый надежный), до 6-го (наименее надежного).

Кратко опишем модель упорядоченного выбора (см., например, (Магнус и др., 2007)). Пусть есть порядковая зависимая переменная yi, принимающая значения 0, 1,..., k (в нашем случае — численные значения рейтинговых градаций). Пусть есть также ненаблюдаемая (латентная) переменная yi *, удовлетворяющая уравнению yi* = xi + i, (9) где xi — вектор значений регрессоров, соответствующих объекту i.

Все ошибки i независимы, имеют нулевое математическое ожидание и функцию распределения F(z). Пусть yi зависит от yi * следующим образом:

yi = 0, если yi* c0, yi = r, если cr-1 < yi* cr, 1 r < k, (10) yi = k, если yi* > ck -1.

Предполагая, что выполняется (9), получаем:

P( yi = 0) = F(c0 - xi ), P( yi = r) = F(cr-1 - xi ) - F(cr - xi ), 1 r < k, (11) - xi ).

P( yi = k) = 1 - F(ck - Если i имеет логистическое распределение, такая модель (9–11) называется ordered logit (ordered probit — в случае стандартного нормального распределения). Оценивание параметров модели, вектора и набора пороговых значений (c0,...,ck -1) проводится методом максимума правдоподобия.

Для каждого рейтинга была построена его эконометрическая модель. При этом прогнозные значения рейтинга, рассчитанные по моделям, имеют достаточно высокую корреляцию с соответствующими рейтингами (табл. 10).

Таблица 10. Ранговые корреляции Спирмена между рейтингами и их моделями Корреляция между реальным Рейтинговое агентство или издание и модельным рейтингами Журнал «Эксперт» 0.ИЦ «Рейтинг» 0.ИА «Мобиле» 0.Журнал «Профиль» 0.Анализ значимости показателей банков в моделях позволяет выявить сходство и различие подходов экспертов к оценке надежности банков. Показатели достаточности капитала, ликвидности, а также размер банка оказались значимыми во всех моделях. Неожиданно, что ни один из рейтингов не учитывает такой важный показатель, как PZS/KE (доля просроченной задолженности в кредитах). Согласно мнению опрошенных экспертов, этот показатель является важнейшим при определении уровня надежности. Возможно, дело в том, что рейтинговые агентства не доверяли данным банков о доле просроченной задолженности в кредитах. Правила российской бухгалтерской отчетности в то время позволяли банкам достаточно легко переоформлять или пролонгировать кредиты и тем самым снижать истинное значение показателя PZS/KE.

Различие в подходе экспертов агентств обнаруживается в их отношении к кредитованию реального сектора экономики. Доля долгосрочных кредитов реальному сектору (DKE/VB) оказывается значимым показателем во всех рейтингах. В моделях журнала «Эксперт» и ИА «Мобиле» знак коэффициента перед DKE/VB показывает, что согласно этим рейтингам чем больше банк инвестирует в промышленный сектор, тем выше его надежность (при сложившихся на момент исследования небольших объемах такого кредитования). Однако, рейтинг журнала «Профиль» построен так, что содержит отрицательное влияние кредитов экономике на показатель надежности, а специалисты ИЦ «Рейтинг» консервативнее специалистов журнала «Эксперта» и ИА «Мобиле» оценивают оптимальное значение доли кредитов экономике в активах. При анализе значимости других показателей также выявляется существенное отличие рейтинга Кромонова («Профиль») от других рейтингов.

Рейтинги экспертов. Одним из способов избежать возможной тенденциозности рейтингов рейтингового агентства является составление модели рейтинга на основе мнений независимых экспертов. Для отработки методологии этого подхода был произведен опрос 25 экспертов, представляющих различные финансовые структуры. Экспертам было предложено: 1) указать наиболее важные показатели банка для определения его надежности; 2) ранжировать 20 реально существующих банков; и 3) ранжировать 16 так называемых «виртуальных» банков, для каждого их которых были указаны 6 показателей (размер, достаточность капитала, доля кредитов реальному сектору в валюте баланса, доля просроченной задолженности в кредитах, текущая ликвидность, доходность — эти же показатели были указаны и для реальных банков).

В табл. 11 представлены две модели рейтингов экспертов. Отметим, что хотя все эксперты указывали долю просроченной задолженности как наиважнейший показатель, на самом деле они не учитывали его при ранжировке реальных банков, но принимали во внимание при ранжировке виртуальных банков. Очевидно, они не считали данные по этому показателю надежными. Показатель качества подгонки — псевдо- R2 в этих моделях значительно ниже, чем в моделях рейтингов агентств, что неудивительно, так как у группы независимых экспертов большее разнообразие мнений, чем у экспертов одного агентства. В модели для виртуальных банков качество подгонки выше, чем в модели для реальных банков, так как эксперты учитывают информацию о реальных банках, не содержащуюся в показателях, использованных в моделях. Размер собственного капитала, прибыльность положительно влияют на рейтинг. Долгосрочные кредиты воспринимаются экспертами как риск, а в модели для виртуальных банков существует «оптимальная» доля кредитов в валюте баланса.

Таблица 11. Модели рейтингов экспертов реальных и виртуальных банков Реальные Виртуальные банки банки Долгосрочные кредиты / Валюта баланса, DKE/VB –3.612*** — Собственный капитал, SK –0.060*** –0.080*** Балансовая прибыль / Собственный капитал, BP/SK –4.828*** –1.99** Собственный капитал / Чистые активы, SK/CA 2.99*** — Кредиты экономике / Валюта баланса, KE/VB — –13.51*** (Кредиты экономике / Валюта баланса)2, (KE/VB)2 — 29.45*** Просроченная задолженность / Кредиты экономике, PZS/KE — 10.21*** Псевдо-R2 0.078 0.1*, ** и *** означает значимость на 10%, 5% и 1% уровнях Полученные в диссертации модели (4 для рейтингов агентств и 2 для мнения экспертов) позволяют рассчитать 6 прогнозных значений рейтинга для любого банка. Полученный «векторный рейтинг», который легко рассчитывается по доступной информации, может использоваться для мониторинга. Если несколько компонент этого рейтинга присваивают банку низкий уровень надежности, это может служить сигналом о том, что надо более внимательно проанализировать финансовую политику банка.

Рейтинги международного рейтингового агентства Moody's. В данном разделе построены модели банковских рейтингов агентства Moody’s, которое занимает ведущее положение в рейтинговании российских банков и на конец 2007 г. присвоило рейтинги 84 российским банкам. Модели построены на основе публично доступной информации, что позволяет выяснить, какую часть информации, содержащейся в рейтингах, можно получить на основе публично доступной информации и какая доля информации получена экспертами агентства при анализе конфиденциальной информации банка.

Поскольку для моделирования рейтингов российских банков количество наблюдений невелико и невелик разброс рейтингов, для построения моделей рейтингов использованы международные данные (включая российские банки).

Идея состоит в том, что, выбрав функциональную форму модели по международным данным, можно настроить ее на сравнительно небольшом наборе данных по российским банкам.

Согласно методологии агентства Moody’s, введенной в 2007 г., рейтинг долгосрочных депозитов в иностранной валюте (РД) присваивается банку на основе рейтинга финансовой устойчивости банка (РФУБ, Bank Financial Strength Rating) с учетом размера и вероятности внешней поддержки (например, со стороны государства, промышленной или финансовой группы), а также риска обменного курса. Эта методология, сравнительно недавно введенная Moody’s (для того, чтобы сделать процесс присвоения рейтинга более прозрачным), называется JDA (Joint Default Analysis) — анализ совместных дефолтов.

В литературе по эконометрическому моделированию рейтингов (см.

Altman, Saunders, Rijken, Amato, Furfine, Blume и др.) в основном исследуются рейтинги выпусков облигаций. Мало работ посвящено рейтингам банков и нет работ по рейтингам российских банков. В работе (Blume et al., 1998), авторы используя модели рейтингов приходят к выводу о «деградации» рейтингов, т.е.

в рамках построенной ими модели показано, что рейтинговые стандарты становятся более строгими с течением времени.

Набор данных, используемый в данном разделе, состоит из финансовых показателей банков 42 развитых (DEV = 0) и развивающихся (DEV = 1) стран за период 2002–2005 гг. Рейтинги Moody’s этих банков известны за период 2003– 2006 гг. соответственно. Всего имеется около 1000 наблюдений примерно за 380 банками. На рис. 3 представлено распределение банков в выборке, имеющих РФУБ, по регионам. Это распределение схоже с распределением всех банков в мире, имеющих РФУБ, за исключением того, что банки Северной Америки не представлены в выборке.

7654321СНГ Азия ЕС Другие Рис. 3. Распределение банков, имеющих РФУБ, по регионам Кроме финансовых показателей банка, в модели рейтингов включаются также следующие регрессоры, описывающие макроэкономическое окружение:

• фиктивные переменные — индикаторы принадлежности банка развивающимся странам (DEV = 1) и России (RUS = 1);

• фиктивные переменные D03–D05 — индикаторы того, что наблюдения финансовых показателей принадлежат 2003–2005 гг. соответственно;

Количество наблюдений • индекс коррупции страны, по данным международного агентства (Corruption perceptions index, Transparency International, 2007), — TI CPI. Малые значения индекса соответствуют высокому уровню коррупции;

• волатильность экономического роста страны, которой принадлежит банк, — VOLAT, который принимает значения от 1 до 5. Индекс рассчитан по методологии Moody’s как стандартное отклонение номинального годового прироста ВВП страны за последние 20 лет.

В табл. 12 представлены результаты оценивания двух моделей для каждого рейтинга. Один и тот же набор объясняющих переменных выбран для моделей двух рейтингов (РД, РФУБ) из финансовых показателей банка, фиктивных переменных по времени наблюдения и переменных, характеризующих страну.

При выборе модели главными критериями являются экономическая интерпретируемость, а также статистические критерии: критерий Акаике, псевдо-R2 и tстатистики коэффициентов. Конечно, используется также опыт моделирования рейтингов в работах автора. В частности, взят временной лаг 18 месяцев между наблюдением финансовых показателей банка и наблюдением его рейтинга. Выбор объясняющих переменных — показателей банка соответствует известной методологии CAMELS.

Модели 1 и 2 являются моделями рейтинга депозитов РД. В модели 1 использованы исходные финансовые показатели банков, а в модели 2 — квантильные шкалы для этих показателей. Это означает, что вместо значения финансового показателя x в модели 2 используется доля банков в выборке данного года t со значениями показателя x меньшими, чем значение xit для данного банка i. Таким образом, в регрессиях в квантильных шкалах вместо xit используется xit = P(X < xit | year = t). В этих регрессиях вместо абсолютных значений показателей применяются их квантили, отражающие относительное положение банка в банковской системе по данному показателю в данный год.

Модели 3 и 4 являются моделями рейтинга финансовой устойчивости РФУБ — соответственно в абсолютных и квантильных шкалах.

Фиктивные переменные по времени оказались незначимы в квантильных регрессиях. Это означает, что, по-видимому, эффект «деградации рейтингов», отмеченный в работе (Blume et al., 1998), отсутствует. В моделях 1 и 3 в абсолютных шкалах коэффициенты при фиктивных переменных по времени возрастают. Это означает, что банк с теми же абсолютными показателями получает, например, в 2005 г. рейтинг ниже, чем в 2002 г. Эти эффекты можно объяснить тем, что рейтинговое агентство обращает внимание скорее на относительное положение банка в банковской системе, чем на его абсолютные показатели.

Например, банк, размер которого был большой в 2002 г., возможно, не будет казаться большим в 2005 г., если его размер останется без изменения, а размеры остальных банков вырастут.

Таблица 12. Модели РД и РФУБ Модель 1 Модель 2 Модель 3 Модель Моделируемый рейтинг РД РД РФУБ РФУБ ОбоАбсолютная Квантильная Абсолютная Квантильная Регрессоры значешкала шкала шкала шкала ние 2003 год D03 0.586*** 0.192 0.571*** 0.0 (0.153) (0.154) (0.158) (0.156) 2004 год D04 0.660*** –0.011 0.869*** –0.0 (0.151) (0.145) (0.162) (0.151) 2005 год D05 1.332*** 0.162 1.552*** 0.1 (0.320) (0.319) (0.321) (0.364) Принадлежность к DEV –0.078 –0.342 2.058*** 2.322*** развивающимся странам (0.263) (0.277) (0.350) (0.312) Принадлежность к RUS 0.256 0.261 2.827*** 2.176*** российским банкам (0.232) (0.208) (0.394) (0.341) Волатильность VOLAT –0.036 0.059 –0.034 –0.0 экономического роста (0.074) (0.073) (0.068) (0.065) Индекс коррупции TI CPI –0.588*** –0.647*** –0.610*** –0.598*** (0.045) (0.046) (0.047) (0.047) Логарифм активов LTA –0.734*** –4.576*** –1.159*** –7.419*** (0.052) (0.412) (0.067) (0.418) Средства клиентов / D_EQ 0.144*** 3.094*** 0.103*** 1.419*** Собственный капитал (0.015) (0.295) (0.016) (0.329) Собственный капитал / EQ_TA 0.088*** 2.980*** 0.031 0.2 Активы (0.022) (0.455) (0.023) (0.473) Просроченная задолженность PL_GL 0.012 0.596* 0.087*** 1.941*** / Вся задолженность (0.010) (0.313) (0.025) (0.336) Расходы на персонал / PE_OI 1.451** 0.019 4.737*** 1.159*** Операционный доход (0.615) (0.239) (0.910) (0.292) Стоимость процентных обя- CIBL 0.386*** 1.753*** 0.407*** 2.960*** зательств, % (0.074) (0.622) (0.101) (0.788) Рентабельность приносящих YAEA –0.035 –0.410 –0.119*** –1.657*** процентный доход активов, % (0.037) (0.518) (0.038) (0.639) Процентные расходы / IE_II –0.0070 1.020** 0.0058 0.5Процентные доходы (0.0058) (0.518) (0.0088) (0.590) Псевдо-R2 0.254 0.242 0.385 0.3*, **, *** — значимость на 10%, 5%, 1% уровне. В скобках приведены стандартные ошибки Однако показатель качества подгонки модели — псевдо- R2 — выше в моделях 1 и 3 с абсолютными шкалами, чем в моделях 2 и 4 с квантильными шкалами. Поэтому в дальнейшем используются модели в абсолютных шкалах.

Рассмотрим влияние различных факторов на рейтинги. Коэффициенты при размере банка (логарифм активов) отрицательные — это означает, что при прочих равных большие банки получают более высокие рейтинги. Банки с высокими значениями отношения средств клиентов к собственному капиталу получают более низкие рейтинги, поскольку берут на себя больший риск. Неэффективность (высокие расходы на персонал) снижает рейтинги. Высокая капитализация понижает рейтинг депозитов и незначима для РФУБ, возможно, это связано с влиянием внешней поддержки.

При прочих равных, РФУБ ниже для банков развивающихся стран по сравнению с банками развитых стран и еще ниже для российских банков. Это означает, что при присвоении рейтинга финансовой устойчивости Moody’s принимает во внимание политические и структурные риски. Влияние этих двух факторов (DEV, RUS) незначимо для рейтинга депозитов. Очевидно, оно сглаживается факторами внешней поддержки, более ярко выраженной в развивающихся странах. Этот вывод согласуется с выводами работы (Somerville, Taffler, 1995), авторы которой изучали Institutional Investor, страновой кредитный рейтинг, и частоту задержек выплат по внешнему долгу и пришли к выводу, что банкиры излишне пессимистичны относительно кредитоспособности менее развитых стран.

Банки стран с высоким уровнем коррупции получают более низкие рейтинги (напомним, что малые значения индекса TI CPI означают высокий уровень коррупции).

Качество подгонки модели — псевдо- R2 — существенно выше для рейтинга финансовой устойчивости (0.36–0.38), чем для рейтинга депозитов (0.24– 0.25). Это неудивительно, поскольку РД по построению включает больше экспертных мнений (например, «факторы внешней поддержки») и, следовательно, в меньшей степени может быть воспроизведен только по публичной информации, чем РФУБ, который является оценкой самого банка, без учета его окружения («stand alone» рейтингом).

Модели «факторов внешней поддержки банка». Для измерения ненаблюдаемого «фактора внешней поддержки», который используют (и оценивают) эксперты агентства Moody's, в диссертации предложена следующая процедура.

В качестве прогнозного значения латентной переменной yi * (см. уравне ние (9)) можно взять величину xi, которую будем рассматривать как непрерывную меру рейтинга. Обозначим через i и i построенные таким образом оценки латентных переменных для рейтингов РД и РФУБ соответственно. Согласно JDA-методологии Moody's, i содержит информацию, содержащуюся в i, и дополнительно информацию о «факторах внешней поддержки». Тогда модель фактора внешней поддержки можно получить из уравнения (12):

i = f ( i ) + qi + i, (12) где f — некоторая монотонно возрастающая функция; qi — линейная по регрессорам qi модель «фактора внешней поддержки».

Поскольку функция f не известна, в диссертации предложено в качестве аппроксимации использовать ее разложение в ряд Тейлора порядка k, выбирая порядок так, чтобы коэффициенты при степенях i статистически значимо отличались от 0 (см. уравнение (13)).

i = 0 + 1 y +... + k ( y )k + qi + i (13) Оценивая уравнение (13) для различных дополнительных регрессорах qi можно найти показатели, важные для «факторов внешней поддержки» по мнению экспертов Moody’s.

Результаты оценки двух регрессий (13) для k = 5 представлены в табл. (оценки вектора опущены, представлены только оценки коэффициентов ).

Модель A не содержит никаких регрессоров q и приведена как точка отсчета.

Модель B содержит набор регрессоров q, состоящий из фиктивных переменных по времени и фиктивных переменных по странам. Получаем, что внешняя поддержка была меньше в 2007 г. (напомним, что лаг между наблюдением показателей банка и рейтингом выбран равным 18 месяцам). Поддержка в развивающихся странах выше, чем в развитых, а в России — еще выше, чем средняя величина поддержки в развивающихся странах. Большое значение коэффициента R2 в регрессии A показывает, что в значительной степени РФУБ определяет РД.

В диссертации для выявления влияния регрессоров q на внешнюю поддержку предложена следующая процедура. Модель B из табл. 13 взята за основу, и к ней добавляются по очереди дополнительные объясняющие переменные в квадратичной функциональной форме 1qi + qi2, допускающей возможность нелинейного влияния фактора qi. При этом каждый раз заново оценивается уравнение (13).

Таблица 13. Модели «фактора внешней поддержки» Регрессоры Модель A Модель B Год 2003 — 0.111** (0.058) Год 2004 — –0.021 (0.056) Год 2005 — 0.462*** (0.154) Развивающиеся страны (DEV) — –0.255** (0.114) Россия (RUS) — –0.873*** (0.105) R2 0.942 0.9R2 скорректированный 0.941 0.9*, **, *** — значимы на 10%, 5%, 1% уровне.

Результаты следующие. Высокая рентабельность приносящих процентный доход активов, высокая стоимость процентных обязательств, большая капитализация банка соответствуют меньшей внешней поддержке. Высокие значения просроченной задолженности (плохой портфель кредитов), доли расходов на персонал, волатильность экономического роста страны соответствуют большей внешней поддержке.

Влияние размера банка и индекса коррупции U-образное. При увеличении этих факторов внешняя поддержка сначала уменьшается, а после некоторого порога увеличивается. Таким образом, внешняя поддержка для средних банков менее выражена, чем для мелких или крупных. Аналогично, внешняя поддержка более выражена для банков в странах с низким и высоким уровнями коррупции.

Точность прогноза по моделям. В этом разделе изучена прогнозная сила четырех моделей РД и РФУБ, приведенных в табл. 12. Отметим сразу, что при построении моделей задачей было исследование принципиальной возможности моделирования рейтингов. Для «промышленного» моделирования в целях использования моделей в реальных бизнес-процессах необходимо провести более точную настройку моделей, возможно, расширить набор регрессоров.

Из существующей литературы не вполне ясно, что является наилучшим прогнозом по модели упорядоченного выбора. Естественный способ (соответствующий методу максимального правдоподобия, по которому оценивались модели) следующий. При заданных значениях регрессоров xi можно рассчитать xi ' , потом оценить вероятности pi (r) = P(ratingi = r) и затем в качестве прогноза выбрать такой рейтинг r, который соответствует максимальной вероят ности: ri = arg max pi (r). Назовем этот способ ML-прогнозом.

Однако такой способ прогноза не является самым лучшим даже для logitмодели бинарного выбора. Согласно ML-прогнозу, надо прогнозировать тип 1, если оцененная вероятность этого типа превосходит 0.5. В случае малой доли наблюдений типа 1 в исходной выборке, зачастую получается излишнее количество (неверных) прогнозов типа 1. Поэтому некоторые авторы в подобной ситуации рекомендуют выбирать другой (больший, чем 0.5) порог.

В качестве второго способа прогноза предложен следующий. Рассчиты ваем xi ' и находим интервал [cr-1, cr ], содержащий это значение:

cr-1 < xi ' < cr. В качестве прогноза рейтинга берем r = r. Назовем этот способ «интервальный прогноз».

В табл. 14 представлена статистика точных ( = 0 ) и точных в пределах одной градации рейтинга (| | 1) прогнозов. Например, для наиболее часто встречающейся в выборке рейтинговой градации A2 процент точных прогнозов по ML-прогнозу и интервальному прогнозу равен 56.4% и 44.8%, а процент точных в пределах одной градации прогнозов — соответственно 64.9% и 84.2%.

В целом проценты точных прогнозов практически совпадают для двух рассматриваемых методов вычисления прогноза и равны примерно 32% для точных и 67–69% для точных в пределах одной градации прогнозов. Однако при рассмотрении статистики прогнозов по отдельным градациям, «интервальный прогноз» выглядит несколько предпочтительнее ML-прогноза.

Таблица 14. Доля точных прогнозов РД в каждой рейтинговой градации, % Рейтинговая градация Aaa Aa1 Aa2 Aa3 A1 A2 A3 Baa1 Baa2 BaaЧисло наблюдений 13 22 53 114 103 172 130 44 60 ML-прогноз 0.0 0.0 13.2 54.4 0.0 56.4 28.5 0.0 23.3 0.=Интервальный 0.0 0.0 15.1 28.9 39.8 44.8 31.5 15.9 30.0 0.ML-прогноз 0.0 59.1 71.7 64.9 82.5 70.9 88.5 70.5 23.3 0.||Интервальный 0.0 63.6 58.5 84.2 79.6 72.1 76.9 75.0 35.0 0.Таблица 14. (продолжение) Рейтинговая градация Ba1 Ba2 Ba3 B1 B2 B3 Всего Число наблюдений 20 67 32 54 51 16 9ML-прогноз 0.0 71.6 0.0 31.5 49.0 12.5 32.=Интервальный 5.0 50.7 18.8 37.0 31.4 12.5 31.ML-прогноз 71.6 71.6 50.0 63.0 62.7 25.0 66.||Интервальный 73.1 73.1 59.4 74.1 64.7 25.0 68.В табл. 15 и 16 представлена статистика точных прогнозов рейтинговых классов РД и РФУБ. По отдельным классам точность двух методов прогноза несколько отличается, но в среднем точность двух методов практически одинакова: около 61% точных и 96% точных в пределах одного рейтингового класса прогнозов (75% и 99.6% для РФУБ). Как и ожидалось, точность прогноза рейтинга РФУБ выше, чем прогноза рейтинга РД. РФУБ отображает положение банка самого по себе («stand alone») и по построению принимает во внимание меньшее количество качественных, неформализуемых факторов, чем РД рейтинг.

Таблица 15. Доля точных прогнозов РД в каждом рейтинговом классе, % Рейтинговый класс Aaa Aa A Baa Ba B Всего Число наблюдений 13 189 405 113 119 121 9ML-прогноз 0.0 70.9 72.6 13.3 60.5 62.0 61.=Интервальный 0.0 52.4 76.5 29.2 63.9 57.0 61.ML-прогноз 100.0 99.5 95.8 96.5 89.9 97.5 96.||Интервальный 76.9 98.9 97.0 96.5 95.8 93.4 96.Таблица 16. Доля точных прогнозов РФУБ в каждом рейтинговом классе, % Рейтинговый класс A B C D E Всего Число наблюдений 29 210 364 232 125 9ML-прогноз 41.4 60.5 84.9 72.0 79.2 74.=Интервальный 20.7 73.8 82.1 78.4 68.8 75.ML-прогноз 100.0 100.0 99.5 99.1 100.0 99.||Интервальный 100.0 100.0 99.5 99.1 100.0 99.В главе 4 «Модели процентных ставок» проведен анализ процентных ставок российских банков по депозитам физических лиц и наличия рыночной дисциплины в российской банковской системе.

Рыночной дисциплиной называется набор рыночных стимулов, которыми вкладчики дисциплинируют банки, «наказывая» их за избыточный риск в финансовой политике. Гипотеза о наличии рыночной дисциплины состоит в том, что высокие процентные ставки по депозитам соответствуют высокому риску структуры активов банка.

Рыночная дисциплина в банковском секторе является одной из основных составных частей Второго базельского соглашения. Рыночная дисциплина может повысить эффективность банковской системы, оказывая давление на относительно менее эффективные банки. Она также снижает вероятность банковского кризиса и возможные потери, связанные с таким кризисом.

При наличии рыночной дисциплины высокие процентные ставки могут служить индикатором излишне рискованной финансовой политики банка.

В главе 4 используются данные квартальных и ежемесячных балансовых отчетов банков, а также данные по процентным ставкам по депозитам физических лиц, предлагаемым банками.

Квартальные данные. Набор данных состоит из объявленных на вебсайтах 26 российских банков за 4 квартала 2004 г. процентных ставок по депозитам частных вкладчиков. Каждому наблюдению за процентной ставкой по депозиту сопоставлены финансовые показатели банка за квартал, предшествующий моменту наблюдения процентной ставки. Такое сопоставление позволило исключить обратное влияние процентных ставок на показатели банков (например, на объем депозитов частных вкладчиков). Процентные ставки рассматриваются отдельно для рублевых вкладов и для вкладов в иностранной валюте.

Следующие переменные рассматривались в работе как возможные объясняющие факторы в моделях процентных ставок по депозитам частных вкладчиков: доля просроченных кредитов в кредитах нефинансовым организациям, как мера риска инвестиционной политики банка; логарифм собственного капитала — характеристика размера банка; отношение собственного капитала к активам — прокси для достаточности капитала, капитализация банка; доля негосударственных ценных бумаг в чистых активах; доля кредитов нефинансовым организациям в чистых активах (кредиты предприятиям могут рассматриваться частными вкладчиками как рискованные активы); отношение балансовой прибыли к собственному капиталу, или прибыльность капитала — показатель эффективности вложений банка; доля ликвидных активов; доля неработающих активов в чистых активах как показатель (не)эффективности; верхняя граница диапазона суммы вклада.

В качестве контролирующих переменных включались фиктивные переменные по сроку вклада (3, 6, 9, 12 месяцев) и индикаторы кварталов.

Коэффициенты в регрессии оказались значимыми, их знак соответствует гипотезе рыночной дисциплины. Например, чем больше доля просроченных кредитов в кредитах предприятиям, тем больше процентная ставка. Чем больше размер банка, ликвидность, тем меньше размер банка, и т.п.

Таким образом, показано наличие рыночной дисциплины в российской банковской системе. Российские вкладчики дисциплинируют банки, требуя высоких процентных ставок от банков с рискованной финансовой политикой. Такая дисциплина представляется ярче выраженной в России, чем в развитых странах. Это можно объяснить тем, что в стране с менее развитой и менее надежной системой банковского регулирования вкладчики вынуждены самостоятельно контролировать рыночную дисциплину.

Для того чтобы изучить влияние введения системы страхования вкладов на процентные ставки по депозитам частных вкладчиков (и на российскую банковскую систему в целом), набор данных был расширен наблюдениями за III-IV кварталы 2005 г. Фиктивная переменная INCL = 1, если банк к моменту наблюдения за процентной ставкой был уже включен в систему страхования вкладов. Результаты регрессий показали, что коэффициент при INCL положительный, значимый.

Таким образом, после введения системы страхования депозитов процентные ставки по депозитам выросли (при тех же финансовых показателях банков и учете изменения макроокружения), и, следовательно, финансовая политика банков стала более рискованной. Чтобы проверить этот результат, были рассмотрены данные ежемесячных наблюдений за большим количеством банков.

Ежемесячные данные. В этом разделе используются данные по процентным ставкам по 6-месячным депозитам в долларах в российских банках без возможности пополнения и с выплатой процентов в конце срока депозита. Данные соответствуют периоду с января 2004 г. по ноябрь 2006 г., т.е. периоду становления системы страхования депозитов.

Таблица 17. Модели процентных ставок Модель M1 M2 M3 MINCL –0.326 –0.419 –0.286 –0.3ln(Активы), до –0.174 –0.175 –0.245** –0.205* Собственный капитал / Активы, до –2.006** –2.159** –2.09*** –2.052** Кредиты / Активы, до 1.026** 1.044** 0.999** 0.991** Резервы под потери / Кредиты, до 1.454** 1.519** 1.503** 1.500** ln(Активы), после –0.102 –0.0978 –0.177 –0.1Собственный капитал / Активы, после –0.768 –0.748 –0.928 –0.8Кредиты / Активы, после –0.356 –0.386 –0.351 –0.3Резервы под потери / Кредиты, после –1.058 –1.061 –1.046 –1.0*, **, *** – значимость коэффициента на 10, 5, 1% уровне соответственно.

Примечание. Кредиты = Кредиты нефинансовым организациям.

Модели М1—М4 раличаются способами учета макроэкономического окружения.

В табл. 17 приведены простейшие линейные регрессионные модели процентных ставок, демонстрирующие общее свойство таких моделей: факторы, характеризующие риск, были значимы до включения банка в систему страхования и стали незначимыми после. Таким образом, подтверждается вывод предыдущего раздела (основанный на анализе квартальных данных) о снижении рыночной дисциплины после перехода банков к системе страхования вкладов.

В главе 5 «Модели эффективности банков по издержкам» построены модели эффективности российских банков. Многие авторы отмечают связь технической эффективности и надежности фирмы, банка (см., например, (Emel et al., 2003)). Наличие технической неэффективности может свидетельствовать о плохом качестве менеджмента, лишнем персонале, который неэффективно работает, о неправильно используемых активах компании, неоправданно высоких затратах.

Оценки технической эффективности, таким образом, могут использоваться для дистанционного мониторинга банковской системы. Банки, оценки эффективности которых низки, в первую очередь должны стать объектом внимания органов банковского надзора.

Понятие технической эффективности основано на следующем интуитивно ясном определении. Объект является эффективным, если при заданном наборе входоориентированных параметров невозможно достичь более высоких выходоориентированных показателей.

Значительное количество зарубежных работ посвящено анализу эффективности банков. Однако лишь несколько работ рассматривают эффективность российских банков.

В данной главе проведен анализ эффективности банка по издержкам на данных квартальных балансовых отчетов российских банков за период с III квартала 2002 г. по III квартал 2005 г. с учетом факторов риска. Применялся метод стохастической производственной границы (SFA, см. (14)).

Анализ показывает, что зависимость эффективности банка по издержкам от размера U-образная: малые и самые крупные банки более эффективны, чем средние. Не обнаружено значимого различия между эффективностью иностранных и отечественных банков. Среди отечественных, московские банки несколько эффективнее региональных.

Сравнение банков России и Казахстана. В этом разделе на примере сравнения эффективности по издержкам (cost efficiency) банков России и Казахстана разработана методология межстранового сравнения эффективности банков.

Кроме того, проведено сравнение оценок, полученных по различным моделям.

Подобное сравнение практически отсутствует в имеющейся литературе.

Интерес к этой теме определяется тем, что традиционно считается, что банковская система Казахстана более современная, чем российская. В частности, в Казахстане уже с 2003 г. законодательно введена международная система финансовой отчетности, а с 2005 г. нормативы Базель-II (в России – не ранее 2010 г.).

В работе используются данные по международной системе отчетности за 2002–2006 гг. по банкам России и Казахстана. Оцениваются модели эффективности банков по издержкам. Обычным выбором функции издержек является транслог спецификация:

KK ( ( ( ( lnCit = 0 + m ln xitm) + (ln xitm) )2 + mn ln xitm) ln xitm) + dit + uit + vit, m m=1 m=1 1m

Рассмотрены следующие три спецификации распределения ошибки vit и составляющей неэффективности uit :

2 + (1) vit ~ N(0,v ), uit ~ N (0,u ) (нормальное и полунормальное распределения);

(2) vit ~ N (0,v ), а составляющая неэффективности имеет усеченное + 2 ( нормальное распределение uit ~ N (mit,u ), где mit = l gitl ) и l g = (g(1),..., g( L) ) — вектор факторов, от которых зависит mit (Battese, Coelli, 1995);

2 + 2 2( 2( (3) vit ~ N(0,v,it ), uit ~ N (0,u,it ), где lnv,it = azitv), lnu,it = azitu) — линейные функции некоторых параметров банка и внешних параметров.

В первую модель включены один выпуск (кредиты) и цены трех факторов: труда, фиксированного капитала и фондов.

Во второй модели — три выпуска (кредиты, депозиты, займы) и цены двух факторов (труд, фиксированный капитал).

Каждая из двух моделей рассматривается с каждой из 3 спецификаций ошибок.

Показано, что нет статистически достоверного различия между средними эффективностями банков двух стран. Как и ожидалось, средняя оценка эффективности по второй модели выше, чем по первой.

Ранжировка банков по эффективности существенно зависит от модели, точнее от того, какие факторы включены в модель как выпуск и какие — как факторы производства. Спецификация распределения ошибок и неэффективности влияет на ранжировку в существенно меньшей степени.

Ранговая корреляция Спирмена оценок эффективности с традиционными оценками ROA (отношение чистого дохода к активам) и ROE (отношение чистого дохода к собственному капиталу) весьма мала (0.06–0.18).

Показано, что большинство банков двух стран еще не достигли своего оптимального размера, и обе банковские системы развиваются в направлении оптимизации относительных издержек.

Заключение В работе разработан методологический подход к комплексному эконометрическому анализу надежности и эффективности банков на основе математических и эконометрических моделей, которые могут использоваться для дистанционного анализа — как компоненты систем раннего предупреждения органами банковского надзора, а также банками при оценке риска партнеров в рамках IRB-подхода при реализации Нового базельского соглашения.

1. Разработаны и тестированы эконометрические модели вероятности дефолта банка, построенные по историческим данным о дефолтах российских банков. Показано, что учет макроэкономической среды увеличивает точность прогноза моделей. Исследовано влияние на вероятность дефолта различных показателей — таких, как размер банка, капитализация, ликвидность, доля кредитов нефинансовым организациям в активах, доля государственных ценных бумаг в активах, доля основных средств, доля негосударственных ценных бумаг в активах, просроченная задолженность, резервы под возможные потери и др.

2. Предложен метод автоматической классификации, ориентированный на построение наилучших моделей бинарного выбора в каждом кластере. Применение такого подхода позволило повысить точность прогноза по сравнению с ранее применявшимися моделями. Рассмотрен эффект предварительной классификации банков. Результаты автоматической классификации могут быть использованы ЦБ РФ для установления более гибких требований к достаточности капитала.

3. Разработаны и тестированы методы сравнения построенных моделей дефолта с точки зрения их экономического эффекта для потенциального инвестора. Проведен анализ применения моделей в целях как дистанционного мониторинга органов банковского надзора, так и IRB-подхода в рамках Нового базельского соглашения.

4. Построены модели рейтингов международных рейтинговых агентств и оценок экспертов. Модели учитывают макроэкономическое окружение и специфические особенности страны. Эти модели могут применяться для дистанционной оценки надежности российских банков как в целях надзора, так и для оценки риска партнеров. Показано, что значительная часть информации, содержащейся в рейтингах может быть получена из публично доступной информации. Проведено сравнение двух возможных методов прогноза рейтингов по моделям множественного выбора.

5. Показано, что существует особый подход международного рейтингового агентства Moody’s к рейтингованию банков развивающихся стран и, в частности, российских банков. При прочих равных, банки в этих странах получают более низкие рейтинги. Очевидно, эксперты агентства учитывают в рейтингах свои оценки политического риска в этих странах. Проанализировано, какие из показателей банка эксперты агентства де-факто учитывают при составлении рейтинга.

6. С помощью эконометрических моделей детально проанализированы рейтинги банков агентства Moody's. Разработана методика оценки ненаблюдаемого фактора «внешней поддержки», входящего в методологию составления рейтингов депозитов в иностранной валюте этого международного рейтингового агентства.

7. Анализ эконометрических моделей процентных ставок по депозитам физических лиц показал наличие в России рыночной дисциплины, являющейся одной из основ Базеля-II. Показано, что эта дисциплина в России более выражена, чем в развитых странах. В стране с менее развитой и менее надежной, чем в развитых странах, системой банковского регулирования, вкладчики вынуждены самостоятельно контролировать рыночную дисциплину. Таким образом, показано, что модели процентных ставок можно использовать для оценки надежности банков с точки зрения вкладчиков. Однако введение страхования депозитов существенно снизило рыночную дисциплину и соответственно ослабило стабильность российской банковской системы.

8. Построены модельные оценки эффективности российских банков по издержкам. Проведен анализ зависимости эффективности от региона, типа собственности, финансовых показателей банка. Зависимость эффективности банка от его размера U-образная: малые и самые крупные банки более эффективны, чем средние. Не обнаружено значимого различия между эффективностью иностранных и отечественных банков. Московские банки несколько эффективнее региональных. При анализе моделей эффективности банков не обнаружено статистически достоверного различия в эффективности банков России и Казахстана, несмотря на то что банковская система Казахстана считается наиболее развитой на постсоветском пространстве.

9. На основе полученных модельных оценок эффективности российских банков сделан вывод о том, что укрупнение средних и мелких российских банков приведет к повышению эффективности банковской системы, а следовательно, и к ее большей стабильности. Это дает обоснование политики Банка России по сокращению количества мелких банков. Продемонстрирован эффект, который не учитывается в большинстве работ по анализу эффективности банков: ранжировка банков по оценкам эффективности существенно зависит от спецификации модели.

Основные публикации автора по теме диссертации Монографии 1. Карминский А.М., Пересецкий А.А., Петров А.Е.. Рейтинги в экономике:

методология и практика: Монография. М.: Финансы и статистика, 2005. – 14,7 п.л. (вклад автора – 4,9 п.л.).

2. Peresetsky A.A., Popov V.V. Russia // Macroeconomic volatility, institutions and financial architectures: The developing world experience / editor Fanelli, Jos M.

Palgrave MacMillan. (January 11, 2008). – С. 190–219. – 2,5 п.л. (вклад автора – 0,8 п.л.) 3. Пересецкий А.А. Эконометрические методы в дистанционном анализе деятельности российских банков: Монография. ЦЭМИ РАН, 2009. – 10.1 п.л.

Статьи в журналахпо списку ВАК 4. Пересецкий А.А., Карминский А.М., ван Суст А.Г.О. Моделирование рейтингов российских банков // Экономика и математические методы. – 2004. Т.

40. – №4. – С.10-25. – 1,6 п.л. (вклад автора – 0,6 п.л.).

5. Карминский А.М., Пересецкий А.А. Модели рейтингов международных агентств // Прикладная эконометрика. – 2007. – № 1. – С. 3-19. – 1,2 п.л.

(вклад автора – 0,7 п.л.).

6. Пересецкий А.А. Методы оценки вероятности дефолта банков // Экономика и математические методы. – 2007. – № 3. – C. 37-62. – 2,1 п.л.

7. Пересецкий А.А. Процентные ставки российских банков. Рыночная дисциплина и страхование депозитов // Экономика и математические методы. – 2007. – № 1. – С. 3–15. – 1,3 п.л.

8. Головань С.В., Карминский А.М., Пересецкий А.A. Эффективность российских банков с точки зрения минимизации издержек, с учетом факторов риска // Экономика и математические методы. – 2008. – № 4. – C. 28–38. – 1,2 п.л.

(вклад автора – 0,4 п.л.).

9. Пересецкий А.А. Рыночная дисциплина и страхование депозитов // Прикладная эконометрика. – 2008. – № 3. – C. 3–14. – 1,1 п.л.

10. Пересецкий А.А. Техническая эффективность банков. Россия и Казахстан // Финансы и бизнес. – 2009. – № 1. – C. 41–53. – 1,1 п.л.

11. Пересецкий А.А. Измерение компоненты внешней поддержки рейтингов агентства Moody’s // Прикладная эконометрика. – 2009. – № 2. – C. 3–23. – 1,2 п.л.

Учебники, учебные пособия 12. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. 8-е изд. М.: Дело, 2007. – 40,6 п.л. (вклад автора – 16,2 п.л.).

13. Катышев П.К., Магнус Я.Р., Пересецкий А.А., Головань С.В. Сборник задач к начальному курсу эконометрики. 4-е изд. М.: Дело, 2007. – 29,9 п.л. (вклад автора – 12,0 п.л.).

Зарубежные публикации 14. Peresetsky A., Roon F. Risk premia in the ruble/dollar futures market // Journal of Futures Markets. – 1997. – № 2. – С. 191–214. – 1,2 п.л. (вклад автора – 0,п.л.).

15. Peresetsky A., Ivanter A. Interaction of the Russian financial markets // Economics of Planning. – 2000. – № 1–2. – С. 103–140. – 2,0 п.л. (вклад автора – 1,п.л.).

16. Turmuhambetova G., Peresetsky A., Urga G. The development of the GKO futures market in Russia // Emerging Markets Review. – 2001. – № 1. – С. 1–16. – 1,2 п.л. (вклад автора – 0,4 п.л.) 17. Soest van A.H.O., Peresetsky A.A., Karminsky A.M. An analysis of ratings of Russian banks. Tilburg: Tilburg University CentER Discussion Paper Series № 2003-85. – 2003. – 1,7 п.л. (вклад автора – 1,0 п.л.).

18. Peresetsky A.A., Karminsky A.M., Golovan S.V. Probability of default models of Russian banks. Bank of Finland. BOFIT Discussion Papers № 21/2004. – 2004. – 3,5 п.л. (вклад автора – 2,5 п.л.) 19. Peresetsky A.A., Karminsky A.M., Golovan S.V. Russian banks private deposit interest rates and market discipline. Bank of Finland. BOFIT Discussion Papers № 2/2007. – 2007. – 1,7 п.л. (вклад автора – 1,3 п.л.).

20. Peresetsky A.A., Karminsky A.M. Models for Moody’s bank ratings // Сб. Proceedings of Second international credit risk and rating conference, 8–10 May 2008. Ankara, Turkey. – C. 115–120. – 0,8 п.л. (вклад автора – 0,6 п.л.).

21. Peresetsky A. Market discipline and deposit insurance in Russia. Bank of Finland.

BOFIT Discussion Papers № 14/2008. – 2008. – 1,3 п.л..

22. Peresetsky A., Karminsky A. Models for Moody's bank ratings. Bank of Finland.

BOFIT Discussion Papers № 17/2008, 2008. – 1,4 п.л. (вклад автора – 1,1 п.л.).

Статьи в других журналах 23. Карминский А.М., Пересецкий А.А., Петров А.Е. Модели рейтингов российских банков // Банки и финансы. – 2002. – № 6. – С. 62–68. – 0,9 п.л.

(вклад автора – 0,4 п.л.).

24. Карминский А.М., Пересецкий А.А., Петров А.Е. Модели рейтингов надежности банков // Банки, страховые и финансовые компании. Бюллетень финансовой информации. – 2003. – № 1. – С. 9–16. – 0,9 п.л. (вклад автора – 0,п.л.).

25. Карминский А.М., Пересецкий А.А., Головань С.В. Моделирование вероятности дефолта российских банков с учетом макропараметров // Управление финансовыми рисками. – 2005. – № 3. – C. 43–57. – 1,4 п.л. (вклад автора – 0,8 п.л.).

26. Карминский А.М., Пересецкий А.А. Рыночная дисциплина российских банков // Банковский ритейл. – 2006. – № 3. – C. 70–81. – 1,1 п.л. (вклад автора – 0,8 п.л.).

27. Карминский А.М., Пересецкий А.А., Рыжов А.В. Модели рейтингов банков для риск-менеджмента // Управление финансовыми рисками. – 2006. – № 4.

– С. 362–373. – 1,2 п.л. (вклад автора – 0,5 п.л.).

28. Пересецкий А.А., Карминский А.М., Головань С.В. Розничный бизнес российских банков. Анализ неоднородности процентных ставок по депозитам физических лиц // Сборник тезисов 8-й международной конференции «Применение многомерного статистического анализа в экономике и оценке качества». Москва, 22–26 августа 2006 г. – С.26–28. – 0,2 п.л. (вклад автора – 0,п.л.).

29. Карминский А.М., Малахова И.А., Миненкова Е.С., Пересецкий А.А. Модели рейтингов банков агентства Moody’s // Управление финансовыми рисками. – 2007. – № 2. – С. 96–109. – 1,4 п.л. (вклад автора – 0,4 п.л.).

30. Карминский А.М., Мяконьких А.В., Пересецкий А.А. Модели рейтингов финансовой устойчивости // Управление финансовыми рисками. – 2008. – № 1. – С. 2–18. – 1,2 п.л. (вклад автора – 0,6 п.л.).

31. Пересецкий А.А. Эконометрические модели оценки риска. Банки и рейтинги // Сб. Труды VII международной школы-семинара «Многомерный статистический анализ и эконометрика». Цахкадзор (Армения), 21–30 сентября 20г. – С. 67–69. – 0,2 п.л.

32. Карминский А.М., Пересецкий А.А. Рейтинги как мера финансовых рисков.

Эволюция, назначение, применение // Журнал новой экономической ассоциации. – 2009. – №1–2. – C. 86–103. – 1,4 п.л. (вклад автора – 0,7 п.л.).

Статьи в сборниках, препринты 33. Golovko E.L., Sidorov V.G., Peresetsky A.A., Karminsky A.M., van Soest A.H.O. Analysis of Russian banks ratings. М.: Препринт РЭШ. WP2002/033E, 2002. – 2,2 п.л. (вклад автора – 0,9 п.л.).

34. Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. М.: Препринт РЭШ. WP/2003/039, 2003. – 3,1 п.л. (вклад автора – 1,9 п.л.).

35. Карминский А.М., Пересецкий А.А., ван Суст А.Г.О. Моделирование рейтингов и надежности российских банков //Сб. Модернизация экономики России. Социальный аспект / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2004. – Кн. 1. – С. 500–522. – 1,5 п.л. (вклад автора – 1,0 п.л.).

36. Головань С.В., Евдокимов М.А., Карминский А.М., Пересецкий А.А. Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков. М.: Препринт РЭШ. WP/2004/043, 2004. – 1,9 п.л. (вклад автора – 1,0 п.л.).

37. Карминский А.М., Пересецкий А.А., Головань С.В. Модели дефолта российских банков // Сб. Конкурентоспособность и модернизация экономики / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2004. – Кн. 1. – С. 407–417. – 0,9 п.л. (вклад автора – 0,6 п.л.).

38. Карминский А.М., Пересецкий А.А., Головань С.В. Модели рейтингов российских банков. Построение, анализ динамики и сравнение. М.: Препринт РЭШ. WP/2005/049, 2005. – 3,6 п.л. (вклад автора – 1,2 п.л.).

39. Пересецкий А.А., Карминский А.М., Головань С.В. Розничный бизнес российских банков. Анализ неоднородности процентных ставок по депозитам физических лиц. М.: Препринт РЭШ. WP/2006/57, 2006. – 2,4 п.л. (вклад автора – 1,7 п.л.).

40. Пересецкий А.А., Карминский А.М., Головань С.В. Розничный бизнес российских банков. Анализ неоднородности процентных ставок по депозитам физических лиц // Сб. Модернизация экономики и государство / Отв. ред.

Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2007. – Кн. 3. – С. 173–187. – 1,1 п.л.

(вклад автора – 0,9 п.л.).

41. Головань С.В., Карминский А.М., Пересецкий А.А. Факторы, влияющие на эффективность российских банков // Модернизация экономики и государство: Сб. / Отв. Ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2007. – Кн. 3. – С.

188–206. – 1,3 п.л. (вклад автора – 0,4 п.л.).

42. Головань С.В., Костюрина О.Ю., Пастухова Е.В., Карминский А.М., Пересецкий А.А. Эффективность российских банков с точки зрения минимизации издержек. М.: Препринт РЭШ. WP/2007/071, 2007. – 1,7 п.л. (вклад автора – 0,3 п.л.).

43. Карминский А.М., Пересецкий А.А., Головань С.В., Малахова И.В., Миненкова Е.С. Модели рейтингов международных агентств. М.: Препринт РЭШ.

WP/2007/070, 2007. – 4,0 п.л. (вклад автора – 1,2 п.л.).

44. Карминский А.М., Пересецкий А.А., Головань С.В. Модели рейтингов в интересах риск-менеджмента // Сб. Модернизация экономики и общественное развитие / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2007. – Кн. 3. – С.

23–33. – 0,9 п.л. (вклад автора – 0,4 п.л.).

45. Головань С.В., Карминский А.М., Пересецкий А.А. Эффективность российских банков с точки зрения минимизации издержек // Сб. Модернизация экономики и общественное развитие / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2007. – Кн. 3. – С. 101–112. – 1,1 п.л. (вклад автора – 0,4 п.л.).

46. Карминский А.М., Мяконьких А.В., Пересецкий А.А. Модели банковских рейтингов агентства Moody's. Банковские рейтинги финансовой устойчивости. М.: Препринт РЭШ. WP/2008/083, 2008. – 1,6 п.л. (вклад автора – 0,п.л.).

47. Головань С.В., Назин В.В., Пересецкий А.А. Непараметрические оценки эффективности российских банков // Cб. Модернизация экономики и глобализация / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2009. – Кн. 3. – С.

382–393. – 1,1 п.л. (вклад автора – 0,2 п.л.).

48. Пересецкий А.А., Головань С.В., Злобин М.Ю., Карминский А.М. Рыночная дисциплина и страхование депозитов // Сб. Модернизация экономики и глобализация / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2009. – Кн. 3. – С.

404–412. – 1,1 п.л. (вклад автора – 0,5 п.л.).

49. Карминский А.М., Мяконьких А.В., Пересецкий А.А. Модели банковских рейтингов устойчивости // Сб. Модернизация экономики и глобализация / Отв. ред. Е.Г. Ясин. – М.: Изд. дом ГУ-ВШЭ, 2009. – Кн. 3. – С. 424–433. – 0,9 п.л. (вклад автора – 0,4 п.л.).

Пересецкий Анатолий Абрамович ЭКОНОМЕТРИЧЕСКИЙ ПОДХОД К ДИСТАНЦИОННОМУ АНАЛИЗУ ДЕЯТЕЛЬНОСТИ РОССИЙСКИХ БАНКОВ И БАНКОВСКОМУ НАДЗОРУ Специальность 08.00.13 – Математические и инструментальные методы экономики (экономические науки) АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора экономических наук Москва 20Заказ № Объем п.л. Тираж 100 экз.

ЦЭМИ РАН




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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.