Введение. 
Моделирование вероятности дефолта российских банков

Количество отозванных лицензий у банков вследствие дефолта увеличилось в 4,75 раза за последние 5 лет в России. Существует много причин ухудшения кредитоспособности банков. Например, снижение платежеспособности физических и юридических лиц вследствие экономического кризиса и ужесточение требований Банка России (далее — ЦБ) в формировании резервов на возможные потери способствовали росту просроченной задолженности по кредитам и снижению нормативов по достаточности капитала банков. Кроме того, увеличение ключевой ставки привело к росту стоимости фондирования и, соответственно, проблемам с ликвидностью. В данный момент наблюдается улучшение условий для работы банковского сектора, однако, они пока не вернулись к докризисному уровню, и неизвестно когда именно вернутся.

Дефолты банков представляют проблему для экономики, так как банки являются контрагентами большего экономических агентов:

физические лица;

юридические лица;

профессиональные участники фондового рынка;

профессиональные участники валютного рынка;

другие банки и т. д.

При возникновения дефолта банка физические лица могут потерять денежные средства на расчетных счетах и сбережения (исключение составляют физические лица, которые попадают под систему страхования вкладов). Юридические лица могут также потерять денежные средства, кроме того, дефолт банка приведет к приостановке операционной деятельности предприятия, так как много транзакций проходит через банк.

Банкротство крупных банков вообще может привести к остановке деятельности городов, так как зачастую небольшое количество банковобслуживает все крупные предприятия и муниципальные органы. Дефолт таких банков способствует росту уровня социальной напряженности.

Таким образом, проблема прогнозирования будущего состояния банка является актуальной.

По данной тематике проведено много исследований. Вопросы, на которые исследователи пытаются ответить, можно разделить на 2 группы:

какие факторы влияют на вероятность дефолта банка;

какой тип модели лучше использовать для прогнозирования дефолтов.

Относительно 1-го вопроса, исследователями, использовавшими нероссийские данные, были сделаны следующие выводы:

финансовые, макроэкономические и институциональные факторы оказывает значимое влияние на вероятность дефолта банка;

нет разницы в использовании регуляторных нормативов и их «прокси» из финансовой отчетности.

Что касается 2-го вопроса, исследователи пытались сравнить эффективность традиционных типов моделей (логистическая регрессия и дискриминантный анализ) и более продвинутых типов моделей (нейронные сети, модели «случайного леса» и т. д.).Помимо более сложной функциональной спецификации, продвинутые модели имеют еще одно отличие: они опираются на зависимости в данных, которые являются статистически значимыми, но при это не могут быть объяснены теорией. Таким образом, результаты сравнения традиционных и продвинутых типов моделей могут ответить на вопрос: важнее опираться на экономическую теорию или на техническую составляющую при разработке моделей прогноза дефолтов банков. Согласно выводам исследователей, которые опираются на нероссийские данные, качество прогноза незначительно меняется в зависимости от типа модели, соответственно, нет разницы в использовании традиционных и продвинутых типов моделей.

Работы, основанные на российских данных, подтвердили выводы о значимости влияния финансовых, макроэкономических и институциональных факторов на вероятность дефолта банка. Однако эффективность использования регуляторных нормативов не была еще оценена ввиду того, что данные по нормативам стали публиковаться только в 2010 г. Кроме того, исследователи до сих пор не уделили значимое внимание сравнительному анализу традиционных и более сложных типов моделей на российских данных.

Таким образом, цель моего исследования заключается в сравнении эффективности регуляторных нормативов и их «прокси», а также традиционных и более продвинутых типов моделей на данных по российским банкам.

Задачи, которые необходимо выполнить для достижения цели:

сбор финансовой отчетности, информации о датах и причинах отзывов лицензий российских банков, а также значений макроэкономических индикаторов;

расчет значений финансовых факторов на основе финансовой отчетности;

оценка на обучающей выборке моделей с «прокси» нормативов, с нормативами, с полиномиальными элементами (как прокси для всех более продвинутых типов моделей);

сравнительный анализ точности прогноза моделей на контрольной выборке.

В настоящей работе используются данные с сайта ЦБ, а также информационного портала «банки.ру» за период с 3 кв. 2010 г. по 1 кв. 2016 г. В качестве типа модели используется логистическая регрессия, которая оценивается для 2 типов зависимой переменной: дефолт в течение следующего квартал и дефолт в течение следующего года.

Результаты исследования могут быть полезны риск-менеджерам, разрабатывающим модели оценки кредитного риска по операциям с банкам, в выборе факторов-предикторов и типа модели.

Данная работа имеет следующую структуру. Первая часть посвящена обзору литературы относительно моделирования вероятности дефолта банков. Затем описываются используемые данные и основные переменные модели. В следующей части обсуждается методология проведения исследования. Наконец, последняя часть посвящена эмпирическим результатам и основным выводам работы.