Динамическое моделирование стратегии банковской группы

Долгосрочное стратегическое планирование является весьма актуальной задачей для банковских групп (БГ), участников банковской системы. В процессе органического развития БГ проходят различные стадии: создание универсального коммерческого банка, консолидация бизнеса, расширение филиальной сети, привлечение стратегического инвестора и т. д.^[1] При этом считается, что возможности роста бизнеса БГ ограничены потенциалом собственных активов, потенциалом слияний и поглощений и потенциалом увеличения доли рынка. В свою очередь, эти ключевые факторы декомпозируются на более детальные, так называемые бизнес-драйверы. Среди множества таких драйверов можно выделить доминантные характеристики, существенно влияющие на результативность банковской группы, в частности собственный капитал, теми роста кредитов, темп роста депозитов, эффективные процентные ставки и др. При этом важно, чтобы управление бизнесом БГ было сбалансированным, например рост активов сопровождался ростом пассивов и капитала, рост численности персонала и связанных с ним операционных издержек компенсировался бы ростом кредитного портфеля и увеличением производительности труда и т. д. В противном случае по мере роста масштаба бизнеса будет наблюдаться снижение операционной эффективности, а возможности самого роста будут существенно ограничены (в том числе регуляторными нормативами).

Следует отметить, что стратегическое управление результативностью БГ является сложной задачей и требует учета внутренних (в том числе обратных) взаимосвязей между различными характеристиками бизнеса. Для решения этой задачи предлагается проектирование интеллектуальной системы управления, основанной на использовании методов системной динамики.

Важнейшей задачей БГ является задача стратегического риск-менеджмента, решаемая с использованием методов стресстестирования. Стресс-тестирование представляет собой подход, основанный на проведении статистических испытаний, предназначенных для оценки уязвимости финансовой организации по отношению к исключительным, но возможным событиям. Наиболее эффективными методами стресс-тестирования являются методы Монте-Карло [5], основным преимуществом которых является возможность использования любых распределений, а также возможность моделирования сложного поведения рынков. Следует отметить, что для применения подобных методов принципиально важным является наличие стратегической (долгосрочной) динамической модели БГ, в рамках которой выделяются ключевые рискфакторы, в том числе факторы кредитного риска, риска потери ликвидности, рыночных рисков и др.

Поэтому была разработана новая система стратегического планирования БГ с использованием методов системной динамики, ранее успешно апробированных в рамках создания систем бизнеспланирования для различных компаний и отраслей. Особенностью предлагаемого подхода является использование для компьютерной реализации стратегической модели БГ системы имитационного моделирования Powersim Studio, поддерживающей методы системой динамики. Особенностью системы Powersim Studio является возможность реализации имитационных моделей большой размерности (т.е. моделей, содержащих множество переменных с многомерными характеристиками) и их интеграции с базами данных и информационными хранилищами класса SAP BWи Oracle DWH.

Разработанная стратегическая модель БГ представляет собой систему нелинейных уравнений, описывающих динамику ключевых показателей результативности БГ с учетом влияния макроэкономических сценарных условий, ограничений (регуляторного характера) и различных управляющих параметров (драйверов бизнеса).

Такая модель состоит из следующих ключевых блоков: основные финансовые показатели БГ (ключевые показатели результативности — KPI), макроэкономические показатели, активы, пассивы и капитал, доходы, расходы (процентные и комиссионные), операционные затраты.

Отличительными особенностями такой модели являются:

• • учет влияния внутренних (в том числе обратных) связей между характеристиками отдельных блоков БГ;
• • возможность оценки значений ключевых показателей результативности при различных сценарных условиях (анализ «что, если?»);
• • возможность сбалансированного управления характеристиками БГ за счет выделения и оптимизации значений ключевых управляющих параметров (например, темпов роста кредитов, депозитов и т. д.);
• • обеспечение возможности проведения стресс-тестирования с использованием методов Монте-Карло, поддерживаемых в системе Powersim.

Отметим, что при разработке стратегической модели Б Г использовалась историческая отчетность ряда крупнейших банковских групп РФ, размещаемая в открытом доступе в формате МСФО на соответствующих официальных сайтах.

Цель данного примера — представление укрупненной стратегической модели БГ, разработанной с использованием методов системной динамики. Практическое использование такой модели позволяет принципиально повысить качество стратегических решений, снизить временные затраты на формирование и анализ различных сценариев развития Б Г, существенно расширить диапазон исследуемых сценариев и «нащупать» рациональные значения драйверов банковского бизнеса.

На рис. 11.14 представлена укрупненная когнитивная диаграмма разработанной системно-динамической модели БГ.

Рис. 11.14. Ключевые финансовые показатели системы.

Следует отметить, что в рамках разработанной системно-динамической модели БГ учитывается важнейшая обратная связь В_и реализующая процесс реинвестиций части чистой прибыли БГ в собственный капитал. В результате наращивания капитала во времени обеспечивается снижение расходов на устранение модельного дисбаланса, т. е. разницы между плановыми (модельными) значениями активов и пассивов. Под модельным дисбалансом здесь понимается именно плановое (не бухгалтерское) значение, так как фактического дисбаланса не существует. При этом балансировка осуществляется как для моделируемых значений агрегированных статей баланса (активов и пассивов), так и для целей оптимизации структуры капитала банка (дивидендная политика, накопление и реинвестиции прибыли, переоценка средств, субординированные кредиты и т. д.).

В рассматриваемой модели учитывается эффект от аллокации собственного капитала по видам бизнеса БГ. При этом используется методология RAROC (risk-adjusted return on capital — скорректированная на риск доходность капитала), экономический смысл которой заключается в оценке привлекательности бизнес-направления БГ с учетом фактора риск-доходности.

Также важной обратной связью В₂ в данной модели является усиливающая обратная связь между величиной риск-доходности (для k-ro бизнес-направления БГ) предыдущего момента времени (?-1) и величиной капитала, направляемого в данный вид бизнеса БГ в текущем периоде:

При этом управление а_к выбирается таким образом, чтобы выполнялось балансовое соотношение.

где k = 1, 2, К — индекс бизнес-направления БГ (розничный банк, корпоративный банк, частный банк, управление активами и т. д.); t — время по годам (t = t₀, t₀ + 1, …, t₀ + T; t₀ — начальное модельное время; t₀ + Т — конечное модельное время, определяемое горизонтом стратегического планирования); EC_k(t) — экономический капитал БГ (без учета риска), направляемый (аллоцируемый) в k-e бизнес-направление в момент времени t; a_k(t) — управляющий параметр, определяющий структуру капитала распределяемого под риск k-x бизнес-направлений в момент времени t EC (t) — собственный капитал БГ в момент времени ?; RAROCf_t(t) — скорректированная на риск доходность капитала к-го бизнес-направления:

NOPAT_k(t) — чистая прибыль БГ в момент времени ?; EC*_k(t) — экономический капитал /е-го бизнес-направления, скорректированный на величину риска в момент времени t.

Отметим, что в системе (рис. 11.15) также реализована условная балансирующая обратная связь (-б₃), обеспечивающая устранение модельного дисбаланса, вызванного, как правило, дефицитом собственного капитала и устраняемого либо за счет внешнего привлечения, либо за счет средств клиентов (в условиях дефицита внешнего фондирования). Отметим, что такая балансировка в разработанной системе может осуществляться:

• • вручную, г. е. пользователь системы сам выбирает и задает значения управляющих параметров (например, темпов роста определенных активов и пассивов);
• • автоматически, с использованием встроенного оптимизационного модуля системы, основанного на генетических алгоритмах.

Рис. 11.15. Влияние дефицита собственного капитала на модельный дисбаланс

Следует отметить, что в рамках разработанной имитационной модели учитывается большое число прямых и обратных связей между внутренними характеристиками ключевых блоков системы (активов, пассивов, доходов, расходов и др.).

Разработанная модель позволяет, в частности, варьировать значениями управляющих параметров, функционируя в двух режимах.

• • Первый режим модели. Задаются целевые значения долей рынка (например, доля рынка кредитов и депозитов для розничного и корпоративного кредитования). При этом вычисляются значения темпов роста активов и пассивов, обеспечивающих достижение целевых значений долей рынка.
• • Второй режим модели. Задаются целевые значения темпов роста активов и пассивов (например, темпов роста портфеля ценных бумаг) при ограничениях на максимально возможные доли рынка (т.е. учитываются динамики рыночных характеристик и характеристик конкурирующих банков). В результате вычисляются значения долей рынка в разрезе финансовых инструментов.

При этом в модели используется внешний прогноз важнейших макроэкономических характеристик (например, динамика валового внутреннего продукта по паритету покупательной способности (ППС), динамика производственных индексов по отраслям экономики, динамика численности и доходов населения и т. д.). Базой для прогноза динамики рынков финансовых инструментов является прогнозная динамика валового внутреннего продукта (по ППС). Однако при этом также учитывается изменение степени проникновения банковских продуктов в экономику РФ с течением времени, например предполагается, что условно к 2020 г. будет достигнута степень проникновения на уровне развитых стран (таких как Германия, Франция и др.). Отметим, что под степенью проникновения банковских продуктов здесь понимается отношение величины статьи актива или пассива банковской системы к ВВП по ППС.

Несмотря на определенное упрощение рассматриваемой методологии прогнозирования динамики рынков финансовых инструментов, данный подход является весьма эффективным для первичного (грубого) моделирования стратегии БГ. На следующем шаге предлагается уточнение прогноза макроэкономической среды с использованием других прогнозных моделей, основанных на изучении динамики потребительского спроса (например, потребностей клиентов в автокредитах, ипотечных кредитах и т. д.) с учетом демографических, социальных, географических и прочих особенностей. Это особенно актуально для БГ, активно работающих на рынке розничного кредитования и имеющих обширную филиальную сеть.

Следует отметить, что в разработанной модели используются различные ресурсные характеристики БГ, важнейшими из которых являются следующие.

• 1. Работающие активы:
  • • кредиты клиентам — юридическим лицам (за вычетом резервов);
  • • кредиты клиентам — физическим лицам (за вычетом резервов);
  • • межбанковские кредиты;
  • • финансовые активы, оцениваемые по справедливой стоимости;
  • • высоколиквидные финансовые активы (ценные бумаги).
• 2. Обязательства и капитал:
  • • средства клиентов — юридических лиц;
  • • средства клиентов — физических лиц;
  • • средства клиентов — государственных учреждений;
  • • внешнее привлечение;
  • • долговые ценные бумаги;
  • • субординированные кредиты;
  • • капитал (с учетом субординированных кредитов).
• 3. Численность персонала.

В терминах системной динамики ресурсные характеристики — это кумулятивные показатели (реализуемые в виде уровней или резервуаров), значения которых формируются посредством интегрирования входящих и исходящих потоков (с учетом начального состояния). С точки зрения экономики банковской системы ресурсные характеристики — это средства получения прибыли в отличие от темпоральных характеристик (например, темпов роста кредитов и депозитов, изменения процентных ставок и др.), являющихся драйверами бизнеса. Помимо темпов, важнейшими драйверами бизнеса БГ являются стоимостные характеристики и риск-факторы, выражаемые в виде аффективных процентных ставок, риск-ставок, непроцентных издержек и др.

При этом динамика ресурсных характеристик, в частности, кредитов клиентам и средств клиентов, зависит от динамики соответствующих притоков и оттоков и описывается системой конечноразностных уравнений.

Подробное описание этой системы уравнений выходит за рамки данного учебника. Большинство из используемых уравнений моделируют прогнозную динамику ресурсов БГ и связанную с ней динамику ключевых показателей результативности БГ (KPI) с учетом ранее описанных обратных связей. При этом решается задача оптимального управления ресурсами БГ с учетом ограничений. Также в этой системе уравнений учитывается влияние различных риск-факторов для поддержки возможности проведения стресстестирования модели.

В разработанной модели используются различные показатели результативности, наиболее важными из которых являются:

• • чистая прибыль (МОРА'Г);
• • кредиты клиентам;
• • активы;
• • чистая процентная маржа (соотношение чистых процентных доходов к работающим активам);
• • средства клиентов;
• • RoAE — норма доходности на среднегодовое значение собственного капитала;
• • RAROC — скорректированная на риск доходность капитала.

Отметим, что значения KPI зависят от динамики как ресурсных характеристик, так и драйверов бизнеса (темпов и стоимостных параметров).

При этом в модели учитываются три макроэкономических сценария.

• • Сценарий 1. Инерционная экономика: низкий темп роста ВВП, высокая инфляция, стабильные цены на нефть, медленное проникновение банковских продуктов в экономику.
• • Сценарий 2. Энергосырьевая экономика: средний темп роста ВВП, высокие цены на нефть, высокая инфляция, средний уровень проникновения банковских продуктов в экономику.
• • Сценарий 3. Инновационная экономика: высокий темп роста ВВП, низкая инфляция, стабильные цены на нефть, быстрое проникновение банковских продуктов в экономику.

Следует отметить, что технически разработанная модель позволяет включать новые внешние сценарии и проводить по ним расчеты, что является важным для обеспечения возможности периодической актуализации стратегии БГ.

В модели выделяются следующие показатели, существенно зависящие от данных сценарных условий:

• • темп роста ВВП (зависит от цен на нефть и структуры экономики);
• • инфляция (зависит от цен на нефть и структуры экономики);
• • отношение величины кредитов юридических лиц к ВВП (зависит от степени проникновения кредитов в экономику);
• • отношение величины кредитов физических лиц к ВВП (зависит от степени проникновения кредитов в экономику);
• • отношение величины депозитов юридических лиц к ВВП (зависит от степени проникновения депозитов в экономику);
• • отношение величины депозитов физических лиц к ВВП (зависит от степени проникновения депозитов в экономику);
• • отношение объема вложений в ценные бумаги к ВВП (зависит от развитости рынка ценных бумаг);
• • темп роста внешнего привлечения у банков и ЦБ РФ (подбирается для устранения модельного дисбаланса в зависимости от сценарных условий).

Следует отметить, что активы Б Г формируются посредством вычисления и консолидации части ресурсных характеристик, относящихся к кредитам, и включают следующие ключевые показатели:

• • кредиты клиентам — юридическим лицам (по видам);
• • кредиты клиентам — физическим лицам (по видам);
• • межбанковское кредитование;
• • финансовые активы, оцениваемые по справедливой стоимости (по видам);
• • высоколиквидные финансовые активы (по видам);
• • неработающие активы (денежные средства в кассе, недвижимость и т. д.).

Следует отметить, что пассивы Б Г также формируются посредством вычисления и консолидации части ресурсных характеристик, относящихся к депозитам и капиталу, и включают следующие ключевые показатели:

• • средства клиентов — юридических лиц (по видам);
• • средства клиентов — физических лиц (по видам);
• • средства государственных учреждений;
• • внешнее привлечение от банков и Банка России;
• • долговые ценные бумаги;
• • субординированные кредиты;
• • прочие обязательства;
• • капитал (формируемый из капиталов 1-го и 2-го уровней, т. е. за счет текущего акционерного капитала, реинвестиций чистой прибыли после выплаты дивидендов акционерам, субординированных кредитов и др.).

Доходы БГ формируются посредством вычисления и консолидации различных видов доходов и включают:

• • процентные доходы по кредитам клиентам (юридическим и физическим лицам);
• • процентные доходы по межбанковским кредитам;
• • прочие процентные доходы;
• • доходы от продажи ценных бумаг;
• • комиссионные доходы.

Расходы Б Г формируются посредством вычисления и консолидации различных видов расходов и включают:

• • процентные расходы по депозитам (юридических и физических лиц);
• • процентные расходы, но межбанковским кредитам;
• • прочие процентные расходы;
• • плата за модельный дисбаланс (процентные расходы, связанные с необходимостью устранения дисбаланса между активами и пассивами);
• • комиссионные расходы;
• • операционные расходы (расходы на оплату труда и прочие непроцентные расходы).

Разработанная с использованием системы Powersim Studio стратегическая модель БГ позволяет, в частности, проводить стресстестирование для оценки потенциальных потерь:

• • от реализации кредитного риска;
• • реализации риска оттока привлеченных средств (риска потери ликвидности);
• • реализации рыночных рисков (валютного, фондового и процентного) и др.

Целью стресс-тестирования является оценка масштабов потенциальных потерь при вероятностном воздействии стрессфакторов. При этом в рамках стресс-теста не определяется вероятность «стрессовых» событий, а лишь оцениваются потенциальное воздействие на финансовое состояние банка ряда заданных факторов риска («шоков»), которые соответствуют исключительным, но гипотетически возможным событиям.

Для проведения стресс-тестирования в рамках разработанной системы применялись различные методы (рис. 11.16), в том числе:

• • параметрические и непараметрические методы для определения статистических характеристик моделируемых риск-факторов («шоков»);
• • методы Монте-Карло для динамического моделирования и динамической оценки влияния риск-факторов;
• • однофакторные и многофакторные тесты и модели с возможностью поиска экстремумов.

Рис. 11.16. Классификация методов стресс-тестирования

Применение методов системной динамики позволило построить модель, учитывающую влияние риск-факторов на динамику исследуемых характеристик. Фрагмент разработанной модели, используемой, в частности, для оценки влияния риска оттока привлеченных средств юридических (ЮЛ) и физических лиц (ФЛ) представлен на рис. 11.17.

Рис. 11.17. Фрагмент модели в системе Powersim, используемой для оценки влияния риска оттока привлеченных средств На рис. 11.17 можно увидеть, что темпы оттока средств клиентов (физических и юридических лиц) влияют на величину соответствующих средств. В свою очередь, средства клиентов обеспечивают требуемый уровень ликвидности банка.

Аналогичным образом в модели учитывается влияние кредитных рисков (рис. 11.18). При этом в качестве риск-факторов используются доли просроченных и невозвращенных кредитов.

Рис. 11.18. Фрагмент модели в системе Powersim, используемой для оценки влияния кредитного риска На рис. 11.19 представлен фрагмент результатов стресстестирования, проведенного с использованием разработанной модели и выполненного с помощью метода Монте-Карло, поддерживаемого в системе Powersim.

Рис. 11.19. Фрагмент результатов стресс-тестирования.

На рис. 11.19 можно видеть, что прибыль БГ имеет близкое к нормальному распределение относительно частоты исходов модели.

Наиболее вероятное значение прибыли лежит в диапазоне от 300 000 до 400 000 у.е.л. ден. ед. При этом минимальный уровень прибыли лежит в диапазоне от 0 до 100 000 у.е.л. ден. ед. Такой уровень прибыли получается в случае максимально возможного стечения неблагоприятных событий для байка (максимальный отток депозитов, значительный уровень доли просроченных кредитов и т. д.).

Следует отметить, что для определения более точных значений гипотетических потерь в разработанной системе применяется генетический оптимизационный алгоритм, позволяющий, в частности, определять экстремальные значения прибыли. Данный подход особенно эффективен при проведении многофакторных стресс-тестов (с большим числом риск-факторов и исследуемых характеристик).

Также в системе поддерживаются так называемые блокираторы-контроллеры, обеспечивающие останов модели в процессе симуляции при условии достижения критических значений, например при невыполнении норматива достаточности капитала Н_{. В таких случаях вычислительный процесс останавливается для обеспечения возможности корректировки значений управляющих параметров. Конечной целью при этом является оценка финансовой устойчивости БГ по отношению к риск-факторам.

Разработанная модель позволяет, в частности, управлять драйверами бизнеса, такими как темп роста кредитов, теми роста депозитов, эффективные процентные ставки, ставки резервирования и др., оценивая их влияние на значения ключевых показателей результативности KPI — чистую прибыль, активы, обязательства и капитал, чистую процентную маржу и др. С помощью разработанной модели для одной из крупнейших банковских групп РФ были выполнены сценарные расчеты ключевых показателей результативности с использованием реальных статистических данных, полученных из официальной отчетности.

На рис. 11.20—11.22 проиллюстрирована динамика чистой прибыли, процентной маржи и активов при трех рассматриваемых макроэкономических сценариях:

• • сценарий 1: инерционная экономика;
• • сценарий 2: энергосырьевая экономика;
• • сценарий 3: инновационная экономика.

Как ясно из рис. 11.20—11.22, наиболее благоприятным для БГ является третий сценарий — сценарий инновационной экономики. Примечателен тот факт, что при этом сценарии чистая прибыль больше, а процентная маржа меньше по сравнению с другими сценариями. Это обусловлено тем, что ожидаемое снижение темпов инфляции (в особенности характерное для инновационного сценария) приводит к снижению процентных ставок. При этом рост прибыли достигается за счет существенного увеличения размера активов (см. рис. 11.22). Таким образом, динамика активов на долгосрочном горизонте планирования является более значимой для БГ, чем динамика процентных ставок.

Рис. 11.20. Динамика чистой прибыли БГ при трех сценариях.

Рис. 11.21. Динамика чистой процентной маржи БГ при трех.

сценариях.

Рис. 11.22. Динамика активов БГ при трех сценариях.

На следующем шаге было проведено исследование влияния увеличения темпов роста кредитов клиентам на динамику чистой прибыли (рис. 11.23), в частности при опережении рынка по темпам роста кредитов клиентам на 40% и темпам роста средств клиентов на 20% при инновационном сценарии.

Рис. 11.23. Влияние увеличения темпов роста кредитов клиентам на динамику чистой прибыли.

Из рис. 11.23 ясно, что существенное опережение рынка по темпам роста кредитов при меньших темпах опережения рынка по депозитам отрицательно сказывается на динамике чистой прибыли и даже приводит к останову имитационной модели (в системе Powersim) в 2018 г. вследствии нарушения норматива достаточности капитала Н_{ (отношения величины собственного капитала к активам, взвешенным на риск, которое должно быть больше 10—11% согласно Инструкции Банка России № 110-И). Такое влияние обусловлено тем, что возникает нарастающий дисбаланс между активами и пассивами, расходы на устранение которого существенно снижают чистую прибыль, реинвестируемую в собственный капитал. Снижение величины собственного капитала на фоне растущих активов приводит к нарушению регуляторного норматива. Для преодоления этих трудностей необходимо увеличить темпы привлечения финансовых ресурсов (депозитов и внешнего привлечения), чтобы устранить имеющийся дисбаланс. Однако исследования показали, что даже в этом случае преодолеть проблему ограничения Н_х не удается, поэтому наиболее эффективным инструментом является привлечение субординированного кредита (хотя бы за год до возникновения дефицита) в объеме, достаточном для поддержки величины собственного капитала и выполнения норматива Н_{ (рис. 11.24).

Рис. 11.24. Влияние увеличения субординированного кредита (для поддержки достаточности собственного капитала) на динамику чистой прибыли.

Как ясно из рис. 11.24, если в 2016 г. привлечь субординированный кредит, то это приведет к появлению возможности сохранения значительного опережения рынка по темпам роста кредитного портфеля даже при наличии значительных расходов на устранение дисбаланса.

Следует отметить, что существуют и другие известные инструменты привлечения капитала в БГ, например проведение IPO (первичное публичное предложение акций компании на продажу широкому кругу лиц). Моделирование влияния использования таких инструментов также возможно с применением методов системной динамики.

На следующем шаге представляет большой интерес моделирование филиальной и клиентно-продуктовой стратегии БГ с выделением различных видов бизнеса БГ и целевых клиентских сегментов.

• [1] Акопов А. С. Системио-динамическое моделирование стратегии банковскойгруппы // Бизнес-информатика. 2012. № 2 (20). С. 10—19.