Преподаватель который помогает студентам и школьникам в учёбе.

Виды литературных произведений (публикаций), в которых отражаются результаты научного исследования и научной работы (ожидаемых кредитных убытков)

В рамках внедрения МСФО 9 в коммерческих банках Российской Федерации требуется оценка ожидаемых кредитных убытков (ОКУ) по всем активам, находящимся под риском. В числе таких активов находятся кредиты, выданные коммерческим оргнизациям. Одним из основных элементов при расчете ОКУ является вероятность дефолта заемщика. Настоящее эссе рассматривает научные публикации в рамках данной тематики, а также общие подходы к формированию моделей оценки вероятности дефолта нефинансовой организации.

Согласно данным Министерства Финансов Российской Федерации МСФО (IFRS) 9 «Финансовые инструменты» заменит МСФО (IAS) 39 «Финансовые инструменты: признание и оценка», что в свою очередь приведет к значительным изменениям в учете финансовых инструментов, в частности, в вопросах классификации и оценки финансовых инструментов, признания убытков от обесценения финансовых активов, учета хеджирования. Модель понесенных убытков, используемая в рамках МСФО (IAS) 39, должна быть заменена соглано МСФО (IFRS) 9 на модель ожидаемых кредитных убытков (ОКУ). Модель ОКУ должна применяться к финансовым активам, оцениваемым по FVOCI (справедливой стоимости через прочий совокупный доход) и амортизированной стоимости, дебиторской задолженности по аренде, некоторым обязательствам по предоставлению кредита и договорам финансовых гарантий.^[1]

МСФО (IFRS) 9 предусматривает учет ожидаемых кредитных убытков по трем позициям:

финансовые активы, по которым признаются 12-месячные ОКУ;
финансовые активы, по которым наблюдается значительное повышение кредитного риска с момента первоначального признания, но по которым не наступило событие дефолта;
финансовые активы, по которым наступило событие дефолта или которые так или иначе являются кредитно-обесцененными.

После краткого рассмотрения основных идей нового стандарт МСФО (IFRS) 9 исследователь переходит к рассмотрению фундаментальных моделей оценки вероятности дефолта.

В статье Тотьмяниной К.М.^[2] рассматриваются три основных вида моделей оценки вероятности дефолта:

модели на основе рыночных показателей;
модели на основе фундаментальных показателей;
современные подходы к оценке вероятности дефолта заемщика.

Модели на основе рыночных показателей основываются на данных фондовых рынков о котируемых ценных бумагах заемщицка. Данные модели можно подразделить на структурные и модели сокращенных форм.

Структурные модели вероятности дефолта преследуют идею о том, что стоимость акций компании является опционом call на активы компании с ценой сделки, равной стоимости ее обязательств. Основоположниками данного класса моделей считаются Блэк и Шоулз, Мертон. В рамках данной модели предоставление кредита трактуется как покупка активов компании у акционеров и передача им опциона call на данные активы с ценой исполнения, равной стоимости кредита, и временем исполнения, равным сроку погашения кредита.

Модели сокращенных форм используют данные о текущей стоимости долговых обязательств заемщика, спрэдах доходности данных обязательств по сравнению с безрисковой ставкой. Данный подход получил свое развитие в работах Джерроу и Тернбула, Даффи и Синглтона. К сожалению, в российской действительности информация, доступная на фондовом рынке, является весьма ограниченной, и на практике достаточно сложно оценить рыночную стоимость активов большинства заемщиков.

Модели на основе фундаментальных показателей можно подразделить на три основных подкласса:

на основе макроэкономических показателей;
на основе показателей финансовой и бухгалтерской отчетности;
на основе показателей внешних рейтинговых агентств.

Модели на основе макроэкономических показателей в своей базе принимают идею о том, что вероятность дефолта государственных, корпоративных и розничных заемщиков банка имеет циклический характер и возрастает во время экономической рецессии. Как правило, такие модели используют регрессионный анализ, в котором участвуют какие-либо макроэкономические показатели: ВВП, инфляция, курснациональной валюты, уровень безработицы и другие. В данном классе также можно разграничить модели, в основе которых лежат экзогенные и эндогенные факторы.

Макроэкономические модели на основе экзогенных факторов исходят из предпосылки, что макроэкономические показатели сами по себе являются экзогенными (заданными вне модели) и не влияют на экономическую рецессию. Несмотря на то что данная модель не позволяет определить вероятность дефолта детально по каждому контрагенту, т.к. анализ строится на уровне сегментов экономики, она незаменима для оценки по портфелю спекулятивных инструментов, которые наиболее чувствительны к экономическим циклам и первыми реагируют на изменения в экономике.

Макроэкономические модели на основе эндогенных факторов предполагают, что существует обратная связь между масштабом экономической рецессии (и, следовательно, вероятностью дефолта заемщика) и макроэкономическими показателями. Так, например, можно предположить, что снижение чистого дохода корпораций уменьшит их возможность инвестировать, что в результате может негативно отразиться на уровне ВВП.

Сильной стороной моделей на основе макроэкономических факторов является то, что при их помощи можно учесть циклический характер вероятности дефолта и получить долгосрочную оценку. Слабой стороной является тот факт, что для удачного применения данных моделей необходимо использовать показатели, относящиеся к одному бизнесциклу, а определить периодичность циклов в экономике достаточно затруднительно.

Модели на основе финансовой и бухгалтерской отчетности в зависимости от используемого статистического метода можно разделить на три подвида:

скоринговые модели;
линейные модели дискриминантного анализа;
модели бинарного выбора.

Скоринг-модели присваивают каждому заемщику рейтинг, который характеризует его финансовое состояние и способность своевременно погасить свои обязательства перед кредитором. На данный момент модели кредитного скоринга являются весьма распространенными в банковской практике, особенно для оценки вероятности дефолта по однородным портфелям розничных ссуд.

Модели множественного дискриминантного анализа также широко используются для оценки вероятности дефолта. Наиболее популярной в данном классе является модель Альтмана, а также модель Чессера. Альтман описал модель Z-дискриминанта, построенную с помощью аппарата мультипликативного анализа и позволяющую разделить заемщиков на потенциальных банкротов и небанкротов. Модель Чессера позволяет предсказать не только дефолт как таковой, но и невыполнение клиентом условий договора, то есть любые отклонения от кредитного соглашения, которые делают предоставленную ссуду менее выгодной для банка.

Модели бинарного выбора для оценки вероятности дефолта, в основе которых лежит метод максимального правдоподобия, основная идея которых заключается в том, чтобы на первом этапе выявить влияющие на кредитоспособность заемщика факторы, а затем на основе их значений оценить вероятность возможного дефолта. В данной группе выделяют logit- или probit-модели, которые имеют различные предпосылки относительно распределения вероятности банкротства и характера функциональной зависимости между финансовыми показателями заемщика и вероятностью его дефолта.

Модели на основе показателей внешних рейтинговых агентств в рамках которой каждой фирме присваивается определенный рейтинг в зависимости от финансовом состоянии компании. Достоинством данного класса моделей является их относительная простота и между тем высокая предсказательная сила. Однако далеко не все корпоративные заемщики коммерческих банков имеют кредитный рейтинг.

Современные подходы к оценке вероятности дефолта заемщика являются модели на основе продвинутых подходов (advanced models), которые, как правило, используют непараметрические методы. В данную группу можно включить модели нейронных сетей, методы нечеткой логики, метод k ближайших соседей и др. Некоторые авторы, например Галиндо и Тамай или Янг и др., действительно подтверждают, что непараметрические подходы к оценке дефолта могут дать более показательные результаты.

После рассмотрения теоретических подходов к оценке вероятности дефолта заемщика исследователь переходит к рассмотрению практических исследований в данной области.

В диссертации на соискание ученой степени кандидата экономических наук Шустова В.Н.^[3] «Оценка вероятности дефолта при кредитовании нефинансовых организаций» для оценки вероятности дефолта в работе разработана Logit-модель. Ее решение представлено в виде последовательной двухступенчатой процедуры:

На первом этапе, на основе метода максимального правдоподобия, производится поиск такой линейной комбинации финансовых и нефинансовых факторов, которая позволяет наилучшим образом ранжировать заемщиков по степени их подверженности дефолту, выраженной в балле.
На втором этапе определяются параметры α и β модели, при которых среднее значение прогнозируемых PD соответствовало бы заданному целевому уровню дефолтов в следующем году.

В качестве независимых переменных использованы факторы, базирующиеся на бухгалтерской отчетности, а также качественные факторы (такие, как опыт работы топ-менеджеров и степень зависимости основной деятельности клиента от поставщиков), ранее не применяемых в методиках ведущих западных рейтинговых агентств. Результаты могут быть использованы при оценке резервов на возможные потери, ценообразовании, а также установлении лимитов. Модель дает возможность точнее оценивать текущий кредитный портфель и оперативно реагировать на ухудшение кредитоспособности заемщиков.

В научной статье Карминского А.М. и Кострова А.В.^[4] «Моделирование вероятности дефолта российских банков: расширенные возможности» для моделей вероятности дефолта российских банков в логистической спецификации с квазипанельной структурой данных (1998–2011 гг.) показано:

присутствие квадратичной зависимости вероятности дефолта банка от его

размера, достаточности капитала и рентабельности;

существование отрицательной зависимости вероятности дефолта от уровня монопольной власти банка, характеризуемой индексом Лернера;
учет макроэкономических и институциональных переменных, как и фактора времени, существенно улучшает качество модели.

В данной работе построена модель вероятности дефолта банка, которая продемонстрировала убедительную предсказательную силу при тестировании вне выборки: при умеренном числе банков в группе риска было верно предсказано более 60% произошедших в 2010–2011 гг. дефолтов. Это, в свою очередь, подтверждает применимость авто-кластеризации в совокупности с подходом CAMELS при отборе наилучших объясняющих переменных для построения моделей вероятности дефолта.

В статье Власенко М. и Ткачева А.^[5] были апробированы несколько подходов к оценке вероятности дефолта предприятий реального сектора экономики, исходящих из различных методологических оснований (модель Уилсона, модель Мертона, Z-модель Альтмана, T-модель Таффлера, модель упорядоченного выбора и подход Чоу). Большинство из них, несмотря на значительный разброс результатов, показывают достаточно напряженное состояние реального сектора белорусской экономики в последние годы, характеризующееся повышенной долговой нагрузкой на фоне недостаточной эффективности деятельности ряда субъектов хозяйствования, что в целом соответствует консенсусу экспертных оценок.

В работе Жукова П.Е. и Путеевой Г.Ю.^[6] была разработана логит-модели оценки вероятности дефолта по облигациям, выпущенным предприятиями торговли. В работе анализируется состояние отрасли и методы ее долгового финансирования, строится выборка предприятий – эмитентов облигаций, исследуется релевантность финансовых показателей для построения модели. На завершающем этапе строится два варианта логит-модели для предсказания банкротства. первая модель верно распознает дефолтные предприятия в 72% случаев, а вторая – в 67%. Для не дефолтных предприятий те же показатели равны 81% и 75% соответственно. Качество первой модели по AUC (площадь под ROC-кривой), равно 0,84, по сравнению с 0,8 для второй модели. Таким образом, более точные результаты как показывает первая модель.

В работе Кораблевой И.^[7] была построена модель оценки кредитных рисков, которая хорошо работает на российском рынке. Результаты проведенной валидации показали, что модель позволяет эффективно выявлять фирмы с высоким и низким уровнем кредитного риска, как по всей выборке, так и по различным подвыборкам, составленным на основании имеющихся данных. Уровни вероятности дефолта, рассчитанные с применением модели, калибруются с учетом центральной тенденции к дефолту для обеспечения соответствия базельским определениям дефолта. Как и другие модели RiskCalc v3.1, российская модель предлагает пользователям ряд аналитических инструментов, предназначенных для управления риском.

В работе Мязовой Я.С.^[8] был произведен анализ возможности применения методов оценки кредитного риска заемщика в условиях Российского рынка кредитных услуг. По результатам исследования автор пришла к выводу, что особое внимание стоит уделить модели блуждающего дефолта и “сокращенной” модели, так как именно они являются наиболее адекватными для российского рынка. Ограниченность применения большинства других моделей связана с недостатком достоверной информации.

В работе Баранова Д.С. и Порошиной А.М.^[9] была построена эконометрическая модель, с помощью которой возможно оценить вероятность дефолта компаний пищевой промышленности. Показатель площади под ROC-кривой у данной модели составил 0,8386, что говорит о неплохой предсказательной способности модели.

В работе Помазанова М.В. и Колоколова О.В.^[10] предложено несколько кредит-скоринговых моделей банкротств, основанных на финансовых показателях, вычисляемых из бухгалтерской отчетности российских предприятий. Модели дают формулы для вычисления вероятности дефолта и ориентированы на задачу количественной оценки кредитоспособности закрытых компаний. В основу методологии положена концепция соответствия «в среднем» оценок вероятности банкротств, получаемых по рыночной (структурной) и кредит-скоринговым моделям.

В основе разработанных моделей лежит принцип главных компонент. Оценка

вероятности банкротства предприятия зависит от финансовых показателей не напрямую, а через совокупность их независимых линейных комбинаций. Такой подход позволяет реализовать на практике принцип компенсации и взаимозаменяемости финансовых показателей: ухудшение одних показателей может быть скомпенсировано улучшением других, что в целом не приведет к изменению вероятности банкротства предприятия.

Минфин России. Вопросы применения МСФО (IFRS) 9 «Финансовые инструменты» банками и другими кредитными организациями – 2017 – https://www.minfin.ru ↑
Тотьмянина К.М., Обзор моделей вероятности дефолта. – управление финансовыми рисками, 2011. – с. 12-24 ↑
Шустов В.Н. Оценка вероятности дефолта при кредитовании нефинансовых организаций – М: РАНХиГС, 2016 – 126 с. ↑
Карминский А.М., Костров А.В. Моделирование вероятности дефолта российских банков: расширенные возможности – Журнал Новой экономической ассоциации, 2013 – №1 (17), с. 64-86 ↑
Власенко М., Ткачев А. Оценка вероятности дефолта предприятий реального сектора экономики – Банкаўскі веснік, 2017 – с. 18–26 ↑
Жуков П.Е., Путеева Г.Ю. Модель оценки вероятности дефолта по корпоративным облигациям предприятий торговли – Финансовый университет при Правительстве РФ, 2017 ↑
Кораблева И. Измерение риска дефолта частных российских фирм с помощью модели Moody’s Analytics RiskCalc ↑
Мязова Я.С. Сравнительный анализ методик оценки кредитного риска заемщика. – Известия Самарского научного центра Российской академии наук, т. 8, №4, 2006 – с. 1013-1017 ↑
Баранов Д.С., Порошина А.М. Оценка вероятности дефолта компаний пищевой промышленности – П.: Научно исследовательский университет Высшая школа экономики, 2014 – с. 1-4 ↑
Помазанов М.В., Колоколова О.В. Оценка вероятности банкротства предприятия по финансовым показателям – Оперативное управление и стратегический менеджмент в коммерческом банке, 2004 – с.1-23 ↑