Заключение. 
Моделирование вероятности дефолта российских банков

Экономический кризис, негативно влияющий на платежеспособность населения, жесткие требования ЦБ по формированию резервов на возможные потери, способствующие проблемам с достаточность капитала, и дорогое фондирование привели к появлению непростых условий для работы банковского сектора. В результате, количество дефолтов российских банков увеличилось в 4,75 раз за последние 5 лет. Соответственно, проблема корректной оценки кредитоспособности банков является актуальной в наше время.

На данный момент проведено много исследований по рассматриваемой тематике. Однако относительно дефолтов российских банков исследователи пока не ответили на 2 вопроса:

являются ли более сложные риск-метрики, регуляторные нормативы, более эффективными по сравнению с их «прокси» из финансовой отчетности;

использование более сложных типов моделей (нейронные сети, модели «случайного леса» и т. д.) привносит значимый вклад в увеличение прогнозной силы.

В настоящейработе автор попытался проверить обозначенные гипотезы на квартальных данных по российским банкам за период с 3 кв. 2010 г. по 1 кв. 2016 г. Автор оценил 3 спецификации логистической регрессии по краткосрочному и среднесрочному горизонтам прогнозирования:

с «прокси» нормативов;

с регуляторными нормативами;

с полиномиальными элементами (как «прокси» для всех более сложных типов моделей).

Любую модель можно представить в виде функции зависимой переменной от независимых переменных, в тоже время любую функцию можно разложить в ряд Тейлора, который является полиномом. По этой причине оценивалась модель с полиномиальными элементами как «прокси» для всех более сложных типов моделей.

Согласно результатам, модель с нормативами может лучше прогнозировать дефолты российских банков, как на квартальном, так и годовом горизонте. Однако прирост в точности прогноза не является статистически значимым, он составил только 2%.

Таким образом, использование регуляторных нормативов не способствует значимому увеличению точности прогноза дефолтов российских банков, что согласуется с выводами исследований, проведенных на данных по другим странам (Estrella, 2000).

Включение полиномиальных элементов также способствовало росту предсказательной силы на обоих горизонтах прогнозирования. Однако в квартальной модели увеличение точности прогноза является статистически значимым, а в годовой модели — нет.

Следовательно, техническое усложнение модели приводит к значительному приросту точности прогноза дефолтов российских банков, но только на коротком горизонте прогнозирования. Возможно, полученный вывод не согласуется с результатами исследований, проведенных на данных по другим странам (VanderPloeg, 2010) (Penaetal., 2011), потому что в России на вероятность дефолта также оказывают влияние какие-нибудь дополнительные факторы, неучтенные в модели. То есть модель выделяет статистически значимые взаимосвязи, которые не могут быть объяснены теоретически, в связи с тем, что пропущены какие-нибудь другие важные факторы.

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

Однако в исследовании присутствуют следующие ограничения:

выборка содержит относительно небольшое количество дефолтов: возможно, предсказательная сила модели с попарными произведениями с квадратами снизилась из-за недостаточного числа дефолтов в выборке;

используемая финансовая отчетность могла быть сфальсифицирована у банков, которые были в предбанкротном состоянии: у части банков-дефолтов было указано, что они предоставляли ЦБ некорректную отчетность; кроме того, если проанализировать новости о банках через месяц-два после их дефолта, то можно заметить, что практически у всех банков ЦБ выявил «дыру» в балансе, то есть фактическая стоимость активов банка была меньше, чем заявлял сам банк;

в модели не учтена неоднородность политики ЦБ: как было указано в предыдущих разделах, ЦБ в начале 2014 г. ужесточил требования по формированию резервов на возможные потери, что негативно повлияло на достаточность капитала банков; таким образом, если ЦБ внесет какие-нибудь структурные изменения, то модель может оказаться неактуальной;

не вся финансовая отчетность находится в открытом доступе: помимо документов, использованных в данной работе, также существуют типы отчетности, в которых, к примеру, более подробно указан уровень подверженности банка кредитному риску;факторы, основанные на данной информации, также могут оказывать значимое влияние на вероятность дефолта российских банков;

в модели не учтены факторы группы «Качество управления»: исследования, сделанные ранее, подтвердили значимость факторов данной группы, однако, в России раскрывается немного значимой информации о менеджменте; более того, данная информация является трудно собираемой.

Помимо устранения описанных выше ограничений автор также выделяет другие вопросы, ответы на которые являются актуальными и которым он планирует посвятить время:

построить отдельные модели для разных причин дефолта: банк может оказаться в состоянии дефолта в основном из-за низкого уровня достаточности капитала или невозможности обслуживать обязательства, поэтому возникает вопрос о том, разные ли факторы оказывают влияние на вероятность дефолта по каждой причине;

построить модель оценки вероятности отзыва лицензии по причине противозаконной деятельности (отмывание денег, пособничество терроризму и т. д.): когда у банка отзывают лицензию по причине противозаконной деятельности, обычно у банка хватает активов, чтобы расплатиться с кредиторами; однако процесс расплаты с кредиторами происходит небыстро и обычно затягивается на полгода-год (если кредитор не попадает по систему страхования вкладов), поэтому вопрос выявления факторов, способствующих данному событию, также является актуальным;

построить модель оценки вероятности фальсификации отчетности: как описано выше, данная проблема действительно является актуальной, поэтому интересно выявить факторы, прогнозирующие фальсификацию отчетности;

проверить, на каком временном интервале лучше оценивать модель с точки зрения прогнозной мощности: когда оцениваешь параметры модели прогноза, актуальным является вопрос, на каком временном периоде необходимо формировать выборку: на всем временном периоде, который доступен, или на последнем, то есть наиболее актуальном; как показала практика, данный вопрос действительно имеет значение, потому что результаты работ различались в зависимости от временного периода исследования;

проверить, каким образом лучше обрабатывать пропуски в данныхс точки зрения прогнозной мощности: встречаются случаи, когда у банка нет значения по какому-нибудь фактору (к примеру, некоторые банки запаздывают с публикацией значений нормативов), но при этом кредитоспособность данного банка все равно необходимо оценить; существует множество способов заполнение пропусков (среднее по всем банкам значение, среднее за несколько последних периодов и т. д.), поэтому, на взгляд автора, интересно проверить, какой способ заполнения пропусков является наиболее эффективным с точки зрения прогнозирования дефолтов российских банков.