Карминский А.М, д.э.н., д.т.н., проф. Костров А.В. Высшая школа

Карминский А.М, д.э.н., д.т.н., проф.
Костров А.В.
Высшая школа экономики, Москва.
Заявка на выступление в качестве докладчика на XIV Апрельской международной
научной конференции по проблемам развития экономики и общества
Доклад
Совершенствование моделей вероятности дефолта российских банков:
использование рейтингов и панельных данных
Improving Probability of Default Models for Russian Banks: Rating Agencies
and Panel Data
Язык презентации доклада: английский.
Докладчик: Костров Александр Владимирович
Место работы, должность: Банковский институт НИУ ВШЭ, Научно-исследовательский
центр финансовой аналитики и банковских технологий; участник научно-учебной группы
«Моделирование дефолтов кредитных организаций».
Контактный адрес: 143006, Московская область, г. Одинцово, ул. Маковского 2 – 192В.
Тел.: 8-9104495480
Email: kostrov.alexander.v@gmail.com.
К заявке прилагается развернутая аннотация доклада «Совершенствование моделей
вероятности дефолта российских банков: использование рейтингов и панельных данных».
Развернутая аннотация доклада
Данная работа является продолжением цикла публикаций по проекту Высшей школы
экономики «Анализ и моделирование дефолтов кредитных организаций».
Модель вероятности дефолта представляет потенциальный интерес для трех групп
пользователей: Банка России как регулятора, коммерческих банков и их контрагентов.
Банк России сможет дистанционно выявлять наиболее уязвимые банки (группу риска) для
своевременного принятия мер по их финансовому оздоровлению.
Модель может
оказаться полезна для контрагентов банка, чтобы те лучше осознавали риски ведения
бизнеса с конкретным банком. Для коммерческих банков представляет интерес
наблюдение за динамикой собственной вероятности дефолта, связанных с проводимой
банком политикой. Более того, создание качественных моделей вероятности дефолта
банков
является
одним
из
перспективных
направлений
риск-менеджмента,
предусмотренных Базельским соглашением в рамках IRB-подхода.
В предыдущих работах был проанализирован опыт моделирования вероятности дефолта
банков в России и развивающихся странах. Также, были рассмотрены особенности
моделирования вероятности дефолта российских банков с использованием простой
логистической модели бинарного выбора, в результате чего был предложен ряд моделей
вероятности дефолта для российских банков на основе национальной банковской
статистики, макроэкономических и институциональных данных за период с 1998 г. по
2011 гг.
В данной работе будет осуществлено улучшение ранее созданных моделей за счет
использования панельных данных в сочетании с динамикой рейтингов банков,
присвоенных им мировыми рейтинговыми агентствами.
Данные
В нашем распоряжении оказалась новая база российской банковской статистики Interfax
за период 2000 – 2011 гг., что позволяет использовать для оценки модели вероятности
дефолта банка панельные данные.
По сравнению с примененной ранее квазипанельной структурой, использование
панельных данные имеет ряд преимуществ:

Возможно улучшение статистических характеристик полученных оценок.

Появляется возможность проследить индивидуальную эволюцию характеристик всех
банков во времени, в т.ч. их степени их расположенности к риску.
Для логистической модели с использованием панельных данных, которую мы применим
для оценки вероятности дефолта банка, существуют тесты, по результатам которых
отдается предпочтение фиксированному или случайному эффекту в регрессии с
панельными данными. С экономической точки зрение использование фиксированного
эффекта предпочтительнее, поскольку модель оценивается по наблюдениям за всеми
российскими банками, а не на более узкой выборке.
Данные по рейтингам российских банков и история из изменений за 2000 – 2011 гг. была
собрана с использованием базы BankScope от Bureau van Dijk.
Построение моделей
Базовая модель вероятности дефолта банков будет позаимствована из прошлых работ: при
ее создании использовалась структура финансовых отчетов банка, макроэкономические и
институциональные характеристики операционной среды банка.
Инструментом для улучшения модели вероятности дефолта банка является использование
банковских рейтингов. Ранее созданные модели были созданы с применением
исключительно открытой информации о деятельности банков. В то же время, рейтинговые
агентства
имеют
доступ
к
конфиденциальной
информации,
которая
является
коммерческой тайной конкретного банка. По итогам процедуры присвоения рейтинга,
банку выставляется обобщенная оценка (рейтинг), которая отражает мнение рейтингового
агентства об устойчивости банка. Очевидно, что в некоторой степени значение
присвоенного рейтинга определено и конфиденциальными факторами, знание которых
улучшило бы предсказательную силу модели вероятности дефолта банка.
В этой связи предлагается следовать следующему плану для использования банковских
рейтингов для улучшения модели вероятности дефолта банка:
1.
Определить тип используемого рейтинга.
На данный момент предполагается использовать краткосрочные рейтинги финансовой
устойчивости банков, поскольку они являются более гибкими и чуткими к текущей
финансовой ситуации в банке по сравнению с остальными видами.
2.
Устанавливать соответствие между оценками от разных рейтинговых агентств.
Дело в том, что различные рейтинговые агентства присваивают рейтинги ограниченному
кругу банков по собственным шкалам, поэтому необходимо осуществить сопоставление
шкал. Для этой цели будет использован опыт по сопоставлению рейтинговых шкал,
приобретенный
участниками
Научно-учебной
группы
«Моделирование
дефотов
кредитных организаций» в 2010-2012 гг. В результате будет получена оценка рейтинга
для всех рейтингуемых банков в новой единой шкале.
3.
Выделить в рейтинговой оценке компоненту, обусловленную ранее неучтенными,
«скрытыми факторами».
Таковыми могут являться неявные финансовые причины, а также серия нефинансовых,
которые оказывают влияние на вероятность дефолта банка: например, конфликт
акционеров, отсутствие стратегии развития, недостаток компетенций у менеджеров или
собственника банка и т.д.
4.
Включить выделенную в п.3 компоненту
в качестве новой объясняющей
переменной в модель вероятности дефолта банка.
Заключение
Построенная ранее модель вероятности дефолта банка продемонстрировала убедительную
предсказательную силу при тестировании вне выборки: при умеренном количестве банков
в группе риска было верно предсказано более 60% произошедших в 2010-2011 гг.
дефолтов.
Использование рейтингов при построении моделей данного класса для российского
банковского сектора повысит прогнозную силу моделей и точность суждений, о влияние
отдельных характеристик банка на вероятность его дефолта
Список использованной литературы

Fungacova Z., Solanko L. (2009). Risk-taking by Russian banks: Do location, ownership
and size matter? BOFIT Discussion Papers 21/2008. Bank of Finland. Institute for
Economies in Transition.

R.Hainsworth, A.M. Karminsky, V.M. Solodkov (2012). Arm's Length Method for
Comparing Rating Scales. Higher School of Economics Research Paper No. WP BRP
01/FE/2012. Series: Financial Economics. 2012.

A. Karminsky, A. Kostrov, T. Murzenkov (2012). Bank's default probability and its
modeling. Financial analytics: problems and solutions. No. 41 (131). Moscow. Finance and
Credit Publishing House. 2012.

A. Karminsky, A. Kostrov, T. Murzenkov (2012). Comparison of Default Probability
Models: Russian Experience. Higher School of Economics Research Paper No. WP BRP
06/FE/2012. Series: Financial Economics. 2012.

Karminsky A., Peresetsky A., Petrov A. (2005). Ratings in Economics: Methodology and
Practice. Moscow, Finansi i Statistika (Finance and Statistics Publishing House), 2005.