WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

Андрей ЗубАрЕв Т а б л и ц а Используемые переменные Ожидаемый эффект на Обозначения Описание переменной вероятность дефолта банка ln_assets Логарифм активов банка Неясный sk_a Отношение собственного капитала банка Отрицательный к активам банка hh_deposits_a Отношение депозитов физических лиц Отрицательный к активам банка (возможно незначимый) nongov_sec_a Отношение негосударственных ценных Неясный бумаг к активам банка gov_sec_a Отношение государственных ценных Отрицательный бумаг к активам банка (возможно незначимый) corr_acc_a Отношение остатков на корреспондент­ Отрицательный ских счетах к активам банка (возможно незначимый) credit_to_banks_a Отношение кредитов банковской системе Неясный к активам банка nbs_credit_a Отношение кредитов небанковской Неясный системе к активам банка loans_to_hh_a Отношение кредитов домохозяйствам Отрицательный к активам банка foreighn_liab_a Отношение иностранных обязательств Отрицательный к активам банка interbank_loans_a Отношение выданных межбанковских Неясный кредитов к активам банка reserves_loans Отношение резервов под возможные по­ Положительный тери к кредитам небанковскому сектору liab_bank_ratio Отношение обязательств перед банками Неясный к обязательствам банка marketdebt_l Отношение рыночного долга (облигации Положительный и векселя) к обязательствам банка overdue_liab Отношение просроченных обязательств Положительный к обязательствам банка (возможно незначимый) delayed_nbs_credit Доля просроченных кредитов небанков­ Отрицательный ской системе в портфеле кредитов банка la_a Отношение ликвидных активов к акти­ Отрицательный (возможно вам банка незначимый) Как отмечалось во многих работах, важным фактором, влияющим на жизнеспособность банка, может оказаться его размер в терминах активов. Поэтому было решено включить еще и квадрат логарифма активов, тем самым пытаясь проверить нелинейный характер зави­ симости вероятности дефолта банка от размера активов. В табл. представлены среднее значение, стандартное отклонение, а также максимальное и минимальное значения используемых переменных на всей выборке данных. Активы, измеренные в миллионах рублей, используются в логарифмах, остальные величины — безразмерные.

Жизнеспособность банка может определяться различными пе­ ременными. В работе Пересецкого банковский дефолт определяет­ См., например, работу А. Пересецкого и др. (Peresetsky A., Karminsky A., Golovan S. Probability of Default Models of Russian Banks).

132 Факторы устойчивости российских банков во время кризиса 2008—2009 годов Т а б л и ц а Средние значения переменных по всей выборке Среднее Стандартное Минимальное Максимальное Переменная значение отклонение значение значение ln_assets 7, 8 969,8 0 96 0,57 800 5,(ln_assets)^2 59, 66700 29, 7 50 0, 292 7 2 8,76 sk_a 0,22 50 0, 65896 0, 00 hh_deposits_a 0,2 972 0, 92 56 0 0,gov_sec_a 0,020 70 0,0 9 0 0,77 nongov_sec_a 0,0 972 0,08 6 5 0 0,8502 corr_acc_a 0, 66 08 0, 89 0 0,credit_to_banks_a 0,099 77 0, 2907 0 0,97 nbs_credit_a 0,5 069 0,20829 0 0,loans_to_hh_a 0, 2067 0, 568 0 0 0,interbank_loans_a 0,059802 0,09 628 0 0,9 reserves_loans 0,07 7 7 0,09 2 5 liab_bank_ratio 0,09622 0, 72667 0 0,99 marketdebt_l 0,06 7 0, 087 8 0 0,overdue_liab 0,00 969 0,0 597 0 0, 52 delayed_nbs_credit 0,025725 0,05 867 foreighn_liab_a 0,0678 0, 596 5 0 0,99 la_a 0, 5957 0, 8 7 7 0 0,ся как выполнение одного из возможных условий: отзыв лицен­ зии, ликвидация из­за слияния с другим банком либо переход под управление АРКО. В других работах (например, С. Дробышевского и М. Арены 6) дополнительно используются некоторые «экономичес­ кие» индикаторы дефолта, связанные с величиной доли собственного капитала в активах или доли просроченных платежей в обязательст­ вах банка.

В качестве определения банковского дефолта в данной работе рас­ сматривается факт выполнения хотя бы одного из следующих условий:

) отзыв лицензии у банка;

2) передача банка под управление АСВ;

) отрицательное значение собственного капитала;

) повышение долей просроченных платежей во всем объеме обя­ зательств выше уровня, равного %.

Такое расширенное определение дефолта позволяет выявлять про­ блемные банки не только в случае фактической ликвидации или ока­ зания им финансовой помощи, но и в более общем случае возникно­ вения серьезных финансовых проблем.

Дробышевский С.М. Анализ макроэкономических и институциональных проблем финан­ сового кризиса в России, разработка программы мер, направленных на его преодоление и осу­ ществление финансовой стабилизации. Взаимодействие финансовых показателей и некоторых характеристик реального сектора.

Arena M. Bank Failures and Bank Fundamentals: A Comparative Analysis of Latin America and East Asia during the Nineties Using Bank­Level Data.

Андрей ЗубАрЕв В данной работе, так же как и в работе Пересецкого, из исходной несбалансированной панели формируется некоторый пул данных, поскольку рассматривать все имеющиеся наблюдения не представля­ ется разумным ввиду наличия автокорреляции наблюдений для одно­ го банка. Алгоритм создания итогового набора исследуемых данных выглядит следующим образом:

) для банка, обанкротившегося в момент t (в квартальном исчис­ лении), берутся показатели банковской отчетности в момент t – (за год до момента t), и бинарная зависимая переменная DEATH, ха­ рактеризующая состояние банка, полагается равной единице. Таким образом, получается первая точка в формируемом наборе данных для построения моделей: зависимая переменная DEATH =, а объясня­ ющие переменные соответствуют показателям банка в момент t – ;

2) далее, отступая еще на один год назад, в момент t – 8 (при усло­ вии, что этот период не выходит за границы имеющихся данных), для банковских показателей в этот период зависимая переменная DEATH полагается равной нулю (банк считается еще нормально функцио­ нирующим в тот момент). Таким образом, получается еще одно на­ блюдение, соответствующее данному банку, в итоговом наборе точек:

DEATH = 0, а объясняющие переменные — показатели банка в мо­ мент t – 8;

) затем предыдущий шаг повторяется, и значение зависимой пе­ ременной DEATH = 0 приписывается показателям отчетности за пе­ риоды t – 2 (при условии, что этот период не выходит за границы имеющихся данных);

) в случае если банк не обанкротился в соответствии с введенным выше определением дефолта к января 20 0 года, момент t выбирает­ ся случайно (равновероятно) среди четырех кварталов 2009 года. Затем для показателей банка в момент t – переменная DEATH полагается равной 0. Так получается первая точка для выжившего банка. Далее для этого банка полагается DEATH = 0 для показателей в момент t – 8, t – 6 (при условии, что этот период не выходит за границы имеющихся данных).

Идея рассмотрения банковских показателей за год до момента фактического дефолта основывается на том, что у обанкротившегося банка проблемы можно выявить заблаговременно. Сама продолжи­ тельность в квартала выбрана так, чтобы правильно учитывать раз­ личные сезонные компоненты. Также стоит отметить, что отдельные банки могут входить в итоговый пул несколькими отдельными точ­ ками, рассматриваемыми при этом как отдельные банки.

Для построения зависимой переменной, характеризующей жизне­ способность банка именно в период кризиса, необходимо правильно подобрать границы временного интервала используемых данных. Из графика на рис. видно, что волна фактических банковских дефолтов, связанных с финансовым кризисом, началась в III квартале 2008 года.

В связи с этим было решено ограничить имеющуюся выборку по вре­ 134 Факторы устойчивости российских банков во время кризиса 2008—2009 годов рис. Распределение дефолтов по кварталам мени и использовать данные начиная лишь с III квартала 2007 года (исходя из данного выше определения используются данные банков­ ской отчетности с годовым лагом).

Основным инструментом моделирования вероятности банковских дефолтов является логистическая бинарная модель:

P (DEARHi = ) = (xt, b), где xi — это вектор параметров конкретной точки из пула. Логисти­ ческая функция распределения имеет следующий вид.

В различных спецификациях модели переменной macro либо не будет, либо это будет конкретная макроэкономическая переменная.

Оценка вектора b из этого уравнения получается с помощью мак­ симизации функции правдоподобия. Качество прогнозной силы моде­ лей будет оцениваться с помощью теста Хосмера—Лемешоу, который показывает степень различия между оцененными и фактическими значениями зависимой переменной по обеим группам (значения би­ нарной переменной 0 и ).

Оценивание этого уравнения будет происходить не только на выборке из всех банков, но также на выборке, состоящей лишь из крупных банков. Такое разделение банков (на мелкие и крупные) обусловлено тем, что именно крупные банки в большинстве своем занимаются классической банковской деятельностью (кредитование и прием депозитов), в то время как среди маленьких банков есть мно­ жество кэптивных, которые являются дочерними для некоторых кор­ пораций или холдингов. У таких мелких банков зачастую отсутствует развитая филиальная сеть, поскольку им не приходится обслуживать большое количество клиентов среди населения. Они не занимаются выдачей кредитов и размещением депозитов. Модель для выборки из крупных банков будет отличаться отсутствием переменных, характе­ ризующих размер банка в терминах активов.

Андрей ЗубАрЕв 3. Результаты оценки модели Данный раздел посвящен непосредственно результатам оценки моделей и проверке гипотез. На основе вышеописанной логистичес­ кой бинарной спецификации построен ряд моделей, представленных в табл..

Первая колонка соответствует модели, в которую включены все рассмотренные переменные (из табл. ), характеризующие показатели банковской отчетности. Вторая, третья и четвертая колонки представ­ ляют собой модели с включенными макроэкономическими перемен­ ными. Последняя, пятая, колонка отвечает модели, полученной из первой, путем последовательного удаления всех незначимых пере­ менных в порядке убывания значимости. Такой алгоритм позволяет контролировать изменение совместной значимости всех переменных после удаления каждой незначимой переменной.

Рассмотрим влияние значимых переменных на вероятность дефолта банка в построенных моделях. Разные знаки и значимость коэффици­ ентов при логарифме активов (отрицательный знак) и квадрате лога­ рифма активов (положительный знак) указывают на то, что крупные и совсем мелкие банки банкротились реже, чем банки некоторого среднего размера (модели и 5). То есть банки некоторого среднего размера (не совсем крупные и не совсем мелкие) имели меньшие шансы пережить кризис при прочих равных условиях.

Значимый отрицательный коэффициент при кредитах домохозяйст­ вам в моделях и 5 указывает на то, что большие значения этой переменной уменьшают вероятность дефолта банка. Причиной этого может служить тот факт, что далеко не все банки активно кредитуют население — этим занимаются лишь достаточно крупные и здоровые банки с развитой филиальной сетью. Такие банки, как правило, име­ ют качественный менеджмент, и многие из них благополучно пережи­ ли кризисную ситуацию 2008 года, несмотря на возникшие проблемы с обслуживанием и возвратом кредитов домашними хозяйствами.

Большие значения доли иностранных обязательств во всех обяза­ тельствах банка также значимо повышают жизнеспособность банка в моделях и 5. Здесь опять­таки причиной такого направления вли­ яния является, вероятно, тот факт, что лишь крупные крепкие банки с очень хорошей репутацией имеют иностранные обязательства в сво­ их пассивах. И вряд ли можно говорить о прямом влиянии размера иностранных обязательств на вероятность дефолта.

Отрицательный знак (в моделях и 5) при доле просроченных кре­ дитов среди кредитов, выданных предприятиям нефинансового секто­ ра, может показаться странным, ведь они явно ухудшают положение банка. Причина этого скорее всего кроется в особенностях политики разных банков, по­разному отражающихся в их отчетности. Крепкие, устойчивые банки с хорошей репутацией не опасаются отражения в своей отчетности данных о просроченных кредитах, поскольку не­ 136 Факторы устойчивости российских банков во время кризиса 2008—2009 годов Т а б л и ц а Модели для всей выборки (1) (2) (3) (4) (5) Variables death death death death death 0,9 9**, *** 0,95 ** 0,998** 0,89 *** ln_assets (0, 72) (0, 2) (0, 7 ) (0, 92) (0, 8) –0,060** –0,07 *** –0,06 *** –0,062** –0,057*** ln_assets_(0,02 ) (0,026) (0,02 ) (0,025) (0,022) –0,65 –0,552 –0,602 –0, sk_a (0,726) (0,7 5) (0,7 ) (0,7 8) –0,595 –0,686 –0,690 –0,7 hh_deposits_a (0,7 ) (0,7 5) (0,72 ) (0,726) –,726 –, 82 –2, 90 –, 97* gov_sec_a (2,056) (2,2 2) (2, 75) (2,06 ) –,6 –2,0 6 –,600 –,nongov_sec_a (,58 ) (,52 ) (,566) (, 9 ) –, 2 –,95 –, 6 –,corr_acc_a (, 77) (, 7) (, 00) (, 92) –0,998 –, 0 –,079 –,credit_to_banks_a (, 20) (,268) (,295) (, 6) 0, 9 –0, 79 0,2 5 0,0 nbs_credit_a (, 50) (, 20) (, 52) (, 28) –, 95** –, 20** –,5 ** –, 07* –, 00* loans_to_hh_a (0,699) (0,720) (0,7 2) (0,722) (0,6 2) –2, 50** –2,22 * –2,209* –2,6 5** –2, 29** foreign_liab_l (, 26) (,20 ) (, 2) (, 79) (,020) 0,255 –0,90 –0,2 –0,interbank_loans_a (, 99) (,606) (,5 9) (,592), 8***, 77***,500***,952***,570*** reserves_loans (,20 ) (,279) (,2 7) (,27 ) (,075) 0, 89 0, 96 0, 0 0, liab_bank_ratio (0,8 2) (0,8 9) (0,87 ) (0,85 ) 5, 95*** 5, 6 *** 5, 27***,690*** 5,680*** marketdebt_l (0,878) (0,82 ) (0,87 ) (0,82 ) (0,77 ) –0,55 5,025,27 7,overdue_liab (,850) (5,8 ) (,978) (7,92 ) –,297* –, 77** –,69 * –,258* –, 29** delayed_nbs_credit (2,2 0) (2, 5 ) (2, 20) (,978) (2, 05) 0, 99 0,76 0,5 6 0,la_a (,0 2) (,0 0) (,05 ) (,0 6) 0, 00*** delta_exch_rate (0,0 7) –,0 *** exp_imp (0,69 ) –59,8 9*** dep_rate (6,297) –,95 *** –6, 77*** –0, –0,922 –5, 62*** Constant (,807) (,9 8) (2,089) (,8 0) (, 08) Observations Ll –5, – 76, –50,2 – 75,7 –5 7,r2_p 0, 0, 77 0, 29 0, 78 0, Hosmer­Lemeshow (prob.) 0,7 5 0, 8 7 0,287 0, 558 0, Примечание. В скобках даны робастные стандартные отклонения: *** p<0,0, ** p<0,05, * p<0,.

Андрей ЗубАрЕв возвращенные кредиты не могут по сути повлиять на способность таких банков отвечать по своим обязательствам. В то время как банки, уже испытывающие проблемы, могут реструктурировать просроченный долг своих клиентов просто оформив на бумаге погашение старого и выдачу нового кредита, чтобы не привлекать к себе лишнего вни­ мания со стороны надзорных органов. Мелкие банки, испытывающие проблемы, часто не публикуют достоверную информацию о своей от­ четности, поэтому доля просроченных кредитов в кредитном портфе­ ле банка оказывает отрицательный эффект на вероятность дефолта в стране именно за счет крупных устойчивых банков.

Pages:     | 1 || 3 |



© 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.