Обзор научной литературы, Основные направления моделирования качества корпоративных ссуд - Анализ кредитов российского банковского сектора

Основные направления моделирования качества корпоративных ссуд

Изучение определяющих факторов кредитного риска банка в стадии ex-post (т. е. после выдачи кредита) является вопросом первостепенного значения для регулирующих финансовую сферу государственных органов, обеспокоенных уровнем стабильности банковской системы (Salas, Saurina, 2002). В развивающихся странах, к числу которых относится Россия, банковский сектор выступает в качестве фундамента финансовой системы, поскольку, как правило, именно коммерческие банки распределяют большую часть совокупных экономических активов в виде кредитов фирмам и населению.

Большинство эмпирических исследований показывают, что чрезмерный рост проблемных кредитов - признак скорого банковского кризиса. Для регуляторов, функцией которых является обеспечение финансовой стабильности, крайне важно предсказать и предвидеть наступление возможного долгового кризиса и определить его драйверы. Данное обстоятельство породило большое количество эмпирических исследований эконометрического анализа факторов, оказывающих влияние на качество кредитных портфелей коммерческих банков.

В существующей литературе, касающейся тематики просроченной задолженности предприятий различных отраслей по ссудам коммерческих банков, традиционно выделяют 2 основных направления:

1. Построение моделей агрегированного (отраслевого) уровня дефолтов корпоративных заемщиков. В рамках данного направления авторы занимаются построением моделей кредитных рисков на основе данных как о частоте дефолтов компаний, так и на основе информации, представленной в банковской отчетности (балансах).

Модели первого типа, в свою очередь, подразделяются на 2 категории - модели в рамках интегрированного подхода и модели с применением частичного подхода. Основное различие между ними состоит в способе соотнесения показателя кредитного риска и объясняющих его динамику макроэкономических переменных. Интегрированный подход характеризуется полнотой оценки функции плотности кредитных потерь банков, возникающих в результате воздействия внешних стохастических шоков. Мерой кредитного риска в этом случае чаще всего является показатель VaR (Value at Risk).

Среди наиболее популярных моделей, относящихся к этой категории, можно выделить такие модели, как Credit Risk +, Credit Portfolio View, KMV, Credit Metrics и т. д. (Crouhy et al., 2000). Все они применяются для оценки финансовой устойчивости отдельных кредитных организаций и основываются на использовании микроданных по отдельным фирмам, предъявляющим спрос на банковские ссуды. Помимо информации о частоте дефолтов корпоративных заемщиков, в процессе разработки этих моделей часто используются экспертные вероятности изменения их кредитных рейтингов. Главным преимуществом моделей, основанных на применении интегрированного подхода, является возможность изучения нелинейного влияния макроэкономических шоков на качество кредитных портфелей банков. В качестве основных недостатков этого подхода исследователи, как правило, выделяют его уязвимость в плане учета текущей фазы экономического цикла, а также невозможность получения устойчивых долгосрочных прогнозов развития ситуации с "плохими" долгами фирм (Пестова, 2014).

В отличие от моделей в рамках интегрированного подхода, модели, основанные на применении частичного подхода, предусматривают только оценку условного математического ожидания выбранной меры кредитного риска. Данный подход предполагает моделирование линейной эндогенной зависимости ожидаемой частоты дефолтов (expected default frequency, EDF) или их вероятности от характеристик общеэкономической среды (Jacobson et al., 2005; Sommar, Shahnazarian, 2009). С одной стороны, это упрощает процедуру расчетов, снижает требования по объему выборки данных и позволяет проанализировать некоторый набор макроэкономических сценариев; однако, с другой стороны, исключается использование нелинейных функциональных зависимостей между рассматриваемыми переменными (Пестова, 2014).

Что касается моделирования качества корпоративных кредитных портфелей коммерческих банков на основе данных, представленных в публикуемой ими отчетности, то необходимо отметить, что оно подразумевает под собой применение только частичного подхода. Подобные исследования на уровне отдельных банков различаются в выборе показателя, характеризующего состояние их проблемной задолженности.

В качестве одной из основных альтернатив, которая достаточно часто используется в эмпирической литературе, выступает отношение резервов на возможные потери по ссудам к совокупному объему кредитного портфеля (Quagliariello, 2007; Glogowski, 2008). К сожалению, этот показатель не является надежным индикатором финансового состояния банка, поскольку его динамика в значительной степени объясняется решениями менеджмента. В целях искусственного наращивания прибыли, менеджеры могут необоснованно высвобождать большую часть резервов, чтобы таким образом доказать эффективность своей работы перед владельцами кредитной организации. Также, свой вклад вносят и межстрановые различия в законодательном регулировании процесса резервирования банковских средств. Таким образом, с точки зрения моделирования, динамика показателя РВПС является излишне "зашумленной", что затрудняет получение каких-либо устойчивых результатов на его основе.

Еще одним показателем кредитного риска является доля "неработающих" кредитов (non-performing loans, NPL) в совокупном кредитном портфеле коммерческих банков. Эта переменная наиболее популярна среди авторов эмпирических исследований (Salas, Saurina, 2002; Jimenez, Saurina, 2006; Boudriga et al., 2009; Espinoza, Prasad, 2010; Dash, Kabra, 2010; Louzis et al., 2012). Ссуды классифицируются как "неработающие", если в течение 90 и более дней заемщиками не выполняются оговоренные условиями кредитной сделки с банком обязательства по выплате основной суммы долга и процентных платежей. Как было отмечено в работе Jimenez, Saurina (2006), данный показатель можно интерпретировать как средний уровень дефолтов заемщиков.

Также некоторые авторы используют в качестве зависимой переменной отношение ссуд, классифицированных в отчетности как "неблагоприятные", к совокупной величине выданных банком кредитов. Однако главный недостаток данного показателя заключается в том, что отношение новых "плохих" долгов (т. е. классифицированных как "неблагоприятные" в течение отчетного периода) к общему объему ссуд не учитывает вероятность восстановления в статусе кредитов, которые были негативно классифицированы в прошлом (Quagliariello, 2007).

Эмпирические исследования факторов, определяющих состояние просроченных корпоративных ссуд на базе балансовых данных, можно разделить на две основные группы - работы, изучающие проблемную ссудную задолженность на уровне банковской системы в целом (макроэкономический подход - Hoggarth et al., 2005; Babihuga, 2007; Pesola, 2007), а также исследования на уровне отдельных банков (микроэкономический подход - Jimenez, Saurina, 2006; Quagliariello, 2007; Espinoza, Prasad, 2010).

Исследования на основе макроэкономических, или агрегированных, данных сосредоточены на изучении взаимосвязи между показателем просроченной ссудной задолженности и макроэкономическими условиями как на уровне отдельно взятой страны (Hoggarth et al., 2005), так и на основе информации по нескольким странам (Nkusu, 2011). Соответственно, полученные эконометрические модели могут быть применены либо в процессе стресс-тестирования финансовой устойчивости банковского сектора, либо для исследований эффектов "обратной связи".

Существует 2 основных подхода к проведению стресс-тестирования банковских рисков. Первый - так называемый подход "снизу-вверх" (bottom-up approach) - состоит в анализе риска на микроуровне, т. е. на уровне самих кредитных организаций, на основе информации, представленной в их внутренней отчетности. Регулятор в лице Центрального Банка задает для всех банков некоторый перечень сценариев, предусматривающий тот или иной масштаб возникновения негативных макроэкономических шоков. Далее каждый коммерческий банк, исходя из имеющихся в распоряжении статистических моделей, осуществляет процедуру стресс-тестирования своей финансовой устойчивости и сообщает полученные результаты регулятору для обобщения (Boss, 2002; Hoggarth et al., 2005). В качестве примеров таких тестов можно выделить методологию Европейского центрального банка (EU Wide Stress Test) и программу ФРС США (Supervisory Capital Assessment Program, SCAP).

Другой подход - "сверху-вниз" (top-down approach) - предполагает проведение процедуры стресс-тестирования самим регулятором без непосредственного участия кредитных организаций. Источником данных для анализа в этом случае также являются показатели финансовой отчетности коммерческих банков, которые могут быть представлены как в дезагрегированном, так и в консолидированном виде, однако моделирование реакции качества кредитного портфеля на ухудшение общеэкономических условий осуществляется на базе единой универсальной методологии. Примером такого стресс-теста является комплекс Программ оценки устойчивости финансового сектора (Financial Sector Assessment Program, FSAP), разработанный Международным валютным фондом в сотрудничестве с Центральными банками различных стран мира (Moretti et al., 2009).

Изучение эффектов "обратной связи" заключается в анализе влияния динамики просроченной ссудной задолженности корпоративных клиентов коммерческих банков на макроэкономическую ситуацию в стране (регионе) на основе построения моделей векторной авторегрессии (VAR) и моделей векторной коррекции ошибок (VECM). Подробный обзор данной методологии можно найти в работах Marcucci, Quagliariello (2005) и Asberg, Shahnazarian (2008).

2. Исследование эффекта "заражения" между отраслями экономики - передачи избыточного кредитного риска между фирмами-контрагентами посредством займов, предоставленных компаниями друг другу, и, соответственно, возникновения цепных дефолтов по ссудам компаний различных отраслей промышленности. Методология, наиболее часто применяющаяся авторами таких исследований - факторный анализ, а также моделирование систем квазинезависимых уравнений индивидуальных отраслевых регрессий (seemingly unrelated regressions, SUR) (Giesecke, Weber, 2004; Jimenez, Mencia, 2009; Fiori et al., 2009; Zedginidze, 2012).

В сравнении со стандартной методологией оценки системы индивидуальных регрессионных уравнений, применение SUR-подхода позволяет:

    v улучшить эффективность оценок коэффициентов (Zedginidze, 2012). v включать разное число регрессоров в индивидуальные уравнения для отдельных секторов экономики - данная характеристика представляет собой ключевое отличие SUR-метода от оценки стандартной системы регрессионных уравнений с помощью моделей векторной авторегрессии (VAR); ее наличие учитывает неоднородность воздействия изменения разных факторов на состояние банковских ссуд предприятиям различных отраслей экономики страны (Fiori et al., 2009). v учесть возможную корреляцию остатков оцениваемых уравнений - необходимость этого продиктована неизбежностью недооценки кредитного риска вследствие игнорирования влияния со стороны небанковского канала кредитования (Fiori et al., 2009).

По своему содержанию, факторный анализ представляет собой статистический метод, позволяющий представить совокупность численных переменных, высоко коррелированных друг с другом, как ряд неких "общих" независимых ненаблюдаемых факторов, обладающих свойствами исходной выборки.

Методология данного подхода, применительно к анализу отчетности коммерческих банков, состоит в следующем. Доступный набор специфических (банковских) переменных, взятых из финансовой отчетности - баланса, отчета о прибылях и убытках и т. д. - преобразуется в систему однородных уравнений, где в качестве зависимых переменных выступают сами эти переменные, а в качестве объясняющих - ненаблюдаемые и статистически независимые факторы, число которых не должно превышать число исходных показателей. Данная система уравнений оценивается посредством применения стандартного метода главных компонент (МГК), а оцениваемые коэффициенты в индивидуальных уравнениях представляют собой показатели так называемой факторной нагрузки - величины, характеризующей степень корреляции между изучаемым финансовым индикатором и влияющим на него фактором.

Полученные в результате оценки системы уравнений факторы подбираются таким образом, чтобы доля объясненной дисперсии исходных переменных была максимально возможной. При этом те финансовые показатели, которые изначально были высоко коррелированны между собой и тем самым служили источником потенциальной проблемы мультиколлинеарности в регрессионной модели, в процессе применения факторного анализа агрегируются в кластеры (факторы), ортогональные друг другу, согласно критерию соответствия коэффициентов факторной нагрузки. Как итог, проблема наличия устойчивой взаимосвязи между объясняющими переменными исчезает, а благодаря сокращению количества рассматриваемых регрессоров сужается размерность корреляционной матрицы, что повышает качество полученных на выходе оценок (Fiori et al., 2009).

Использование факторного анализа в качестве метода исследования кредитных рисков коммерческих банков несет в себе массу преимуществ. Преобразование обширного ряда финансовых показателей в небольшую по размеру группу факторов без потери существенной части информации позволяет экономить время и усилия в процессе выполнения анализа. Кроме того, применение факторной методологии дает возможность тестировать гипотезы о наличии влияния на финансовую устойчивость банка тех показателей, которые сложно измерить напрямую (реальная степень государственного участия в капитале, аффилированность основных заемщиков с владельцами кредитной организации и т. п.).

Похожие статьи




Обзор научной литературы, Основные направления моделирования качества корпоративных ссуд - Анализ кредитов российского банковского сектора

Предыдущая | Следующая