CC BY
140
УДК 336.711.642
МОДЕЛИРОВАНИЕ БАНКОВСКОГО РЕЗЕРВА НА ПОКРЫТИЕ КРЕДИТНЫХ ПОТЕРЬ: АСПЕКТ ПАНЕЛЬНЫХ ДАННЫХ
Кристина Анатольевна Казакова,
аспирантка кафедры мировой экономики и финансов, Астраханский государственный университет, Астрахань, Российская Федерация [email protected]
Предмет/тема. В условиях финансово-экономической нестабильности вопросы предупреждения и снижения банковских рисков пользуются огромной популярностью в банковской теории и практике. Формирование банковского резерва на возможные кредитные потери является одним из методов предупреждения банковских рисков, возникающих вследствие неисполнения заемщиком своих денежных обязательств.
Цели/задачи. Основополагающими целями работы являются оценка эффективности методов формирования резерва на возможные потери по кредитам и определение рационального подхода к системе резервных отчислений на кредитные потери.
Методология. Предложен альтернативный подход к традиционной системе определения размера банковского резерва на возможные потери по кредитам. Применен эконометрический анализ панельных данных просроченной кредитной задолженности 50 российских банковских учреждений в зависимости от определенных характеристик деятельности банков. Продемонстрировано построение панельных регрессий и вычисление прогнозных значений просроченной задолженности по кредитам.
Результаты. Реализация предложенной эконо-метрической модели просроченной задолженности по кредитам банковских учреждений предоставила результаты ретроспективного прогнозирования, превышающие реальные значения просроченной задолженности. В большинстве случаев значения построенных прогнозов оказались значительно меньше реальных резервных отчислений на соответствующие потери по кредитам.
Выводы/значимость. Сравнительный анализ формирования резерва на возможные потери по кредитам выявил неэффективность общеприня-
той методологии резервных отчислений с точки зрения размещения денежных средств банковских учреждений и определил значимость количественных методов оценки банковских рисков. Данные методы основаны на построении математических моделей, которые могут являться базисом для определения вероятности наступления кризисных для банка событий.
Ключевые слова: банковский резерв, просроченная задолженность по кредитам, банковские характеристики, панельные данные, моделирование, прогнозирование
В условиях финансовой нестабильности российская банковская теория и практика все больше нуждается в создании системного подхода к управлению кредитными рисками, которые являются причиной возникновения проблемной задолженности и потерь, связанных с дефолтом заемщика. В современных экономических реалиях банки вынуждены брать на себя повышенные риски, и важность измерения и предупреждения этих рисков за последние годы значительно выросла.
Формирование резервных отчислений на возможные потери по кредитам является одним из методов снижения и предупреждения кредитных рисков, который используется в ежедневной банковской практике. Эффективная политика в области формирования резерва должна не только способствовать повышению стабильности финансовой деятельности кредитного учреждения, позволять избегать всевозможных колебаний величины прибыли, связанной со списанием ссудных потерь,
но и обеспечивать рациональное использование ресурсов банка.
Руководствуясь нормативными актами Банка России1, банки для определения расчетного размера резерва используют распределение ссуд по соответствующим категориям качества - стандартные, нестандартные, сомнительные, проблемные, безнадежные. Каждая из них характеризуется определенным уровнем ее обесценения: 0, 1-20, 21-50, 51-100, 100% соответственно. Примечательно, что предложенная классификация категорий выдаваемых ссуд полностью ориентирована на качественный анализ финансового состояния заемщика. К примеру, для определения вероятности обесценения кредита оцениваются такие характеристики, как материальная устойчивость заемщика, финансовые возможности, его способность обеспечивать ссуду. Разработанный стандарт формирования резерва на возможные потери по ссудам не предполагает учета характеристик кредитного учреждения, ориентируясь главным образом на процессе сбора большого количества информации о клиентах. Однако подобная осведомительная процедура порождает ряд трудностей. Главным образом неудобство объясняется высокими транзакционными издержками сбора и обработки информации, предшествующими заключению кредитного договора. Ко всему прочему банки обслуживают ежедневно огромное количество клиентов, среди которых - многочисленные мелкие заемщики. В этой ситуации намного легче проводить обобщенный банковский анализ, учитывать историю самого кредитного учреждения, в которой обычно сконцентрирован кредитный опыт работы с клиентами.
Важно обратить внимание также на расплывчатость рекомендаций в отношении той или иной категории ссуды. К примеру, сомнительные ссуды, приводящие к обесценению выдаваемого кредита в интервале от 21 до 50%, требующие отчислений в том или ином размере в резервный фонд банка на покрытие возможного ущерба, приводят к некоторой неопределенности в отношении резерва. Предотвращение кредитного риска с помощью превышающих необходимый размер отчислений в соответствующий фонд приводит к нерациональности банковской деятельности, а ведь главной ее целью является излечение прибыли. Нужно сконцентрировать вни-
1 Положение Банка России от 26.03.2004 № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности».
мание на том, что эффективная ставка размещения снижается из-за дополнительных отчислений в резервный фонд по ссудам, что в свою очередь порождает базисный процентный риск, связанный с неопределенностью будущей доходности банковского портфеля. Таким образом, снижается маржа, следовательно, и доходность учреждения.
Безусловно, было бы неправильным полностью исключить подобный качественный анализ из системного подхода к оценке кредитных рисков в силу того, что одной из причин возникновения данного риска является ухудшение деловой репутации заемщика. Однако давать количественные рекомендации по необходимому размеру резервных отчислений на возможные кредитные потери и акцентировать при этом внимание лишь на номинальных шкалах и величинах было бы тоже неверным.
В соответствии с продвинутым подходом внутренних рейтингов2, разрабатываемым и предлагаемым к внедрению со стороны Базельского комитета по банковскому надзору, выходят на первое место именно количественные методы оценки банковских рисков, основанные на построении математических моделей, позволяющие определить вероятность наступления кризисных для банка событий. Основной проблемой при создании таких моделей для российской банковской практики является недостаточность, а иногда и полное отсутствие у кредитного учреждения каких-либо исторических данных по соответствующим характеристикам сделок и клиентов. При этом общих статистических данных иногда тоже не существует либо они неприменимы в связи со спецификой банка или особенностями политики кредитования. Однако подобные трудности не должны становится камнем преткновения на пути создания и внедрения количественных методов оценки кредитных рисков. На первоначальном этапе можно основываться на данных, содержащихся в открытых источниках. Это позволит, с одной стороны, сделать первый шаг на пути развития таких методик, а с другой - понять, какая дополнительная информация необходима для совершенствования и уточнения созданных в первом приближении моделей.
В рамках этого исследования предпринята попытка панельного моделирования просроченной задолженности по кредитам в зависимости от опре-
2 Основные директивы Базельского комитета по банковскому надзору. URL: http://www.cbr.ru/today/anti_legalisation/basel. htm.
деленных характеристик деятельности банковских учреждений, в динамике которых находят отражение различные изменения кредитной специфики банка, кредитной истории работы с заемщиками. На основе построенной модели панельных регрессий, наилучшим образом отражающей специфику данных, лежащих в основе исследования, можно вычислить достоверные прогнозные значения просроченной задолженности по кредитам и определить необходимый объем резервных отчислений на соответствующие потери. Важно также отметить, что результаты подобного моделирования с последующим прогнозированием кредитной задолженности являются основой для построения функций распределения вероятностей наступления кризисных событий для деятельности банковских учреждений.
Для проведения исследования в рамках панельного моделирования были задействованы данные по общему портфелю просроченной кредитной задолженности, исчисленные в тысячах рублей, пятидесяти российских банков в период с 01.04.2012 по 01.12.2012. Перечень банковских учреждений, задействованных в панельном анализе, представлен в табл. 6, 7. Для построения панельной регрессии были также привлечены следующие характеристики деятельности банков3, выраженные в тысячах рублей: активы банковских учреждений в итоговом стоимостном выражении; чистая прибыль; банковский капитал; кредитный портфель банка. Все статистические данные по перечисленным показателям для всех пятидесяти задействованных в исследовании банков заимствованы с электронного портала Банка России.
В результате сбора и обработки всей необходимой статистической информации была составлена регрессионная панель, включающая в себя значения просроченной кредитной задолженности пятидесяти банковских учреждений на протяжении семи месяцев (с 01.04.2012 по 01.10.2012) в зависимости от индивидуальных характеристик каждого представленного банка. После чего при помощи программного обеспечения EViews в автоматическом режиме удалось идентифицировать структуру данных и обеспечить тем самым возможность правильной спецификации панельной модели.
Процесс построения модели панельных данных предполагает определение зависимости между просроченной кредитной задолженностью и инди-
' URL: Ы1р:// www.cbr.ru/credit/transparent.asp.
видуальными банковскими характеристиками. При этом важно обратить внимание на то, что панельное моделирование предоставляет выбор наилучшей зависимости по результатам, предложенным после оценивания модели со случайным эффектом и модели с фиксированным эффектом. С практической точки зрения указанные модели различаются как два пограничных состояния. Модель с постоянным эффектом обычно ассоциируется с большими выборками, характеризующими макроэкономическую среду, где эффект принимает какое-то фиксированное значение вне зависимости от момента времени. Примером может служить многочисленная выборка из стран, индивидуальные различия в которой носят не случайный, а постоянный характер. Уравнение регрессии модели с фиксированным эффектом уи выглядит следующим образом:
у и = а, +Р1х« + ей, где а. - величина, выражающая индивидуальный эффект объекта , , не зависящая от времени - регрессоры, не содержащие константу
р!;
ей - стандартная ошибка. Модель со случайным эффектом, напротив, имеет дело с такими экономическими объектами, как домашние хозяйства, которые очевидно различаются друг от друга величиной случайного эффекта. Примечателен тот факт, что модель панельных данных со случайным эффектом в отличие от модели с фиксированным эффектом предполагает следущее: выявленные в ходе построения модели отличия носят случайный характер по причине того, что объекты случайным образом попадают в выборку из генеральной совокупности. Предложим уравнение регрессии модели со случайным эффектом:
Уи =Рс +Р1х и + п, + ей,
где Р0 - константа;
п. - случайная ошибка, инвариантная по времени для каждого объекта.
Вернемся к оцениванию зависимости предложенных вариантов модели панельных данных. Представлены результаты оценки регрессий в зависимости от спецификации модели (табл. 1, 2).
Результаты свидетельствуют о том, что зависимость между просроченной кредитной задолженностью и банковскими характеристиками есть как в модели со случайным эффектом, так и в модели с постоянным эффектом. Важно обратить внимание на то, что на хорошее качество оценивания указывают нулевые значения вероятности статистики
Таблица 1
Оценка модели просроченной кредитной задолженности со случайным эффектом
Переменная Коэффициент Стандартная ошибка t-статистика Вероятность
Константа 5 304 492 3 835 137 1,38313 0,1675
Активы 0,029679 0,004279 6,936336 0
Капитал -0,095534 0,02354 -4,058297 0,0001
Кредитный портфель 0,01802 0,008781 2,052142 0,0409
Чистая прибыль -0,386993 0,039836 -9,714569 0
Константа
R-квадрат 0,675993 Среднее 21 620 705 -
Стандартная ошибка регрессии 2 047 541 Дисперсия 2 626 904 -
Сумма квадратов остатков регрессии 3,14E+17 Критерий Дарбина-Уотсона 1,095099 -
F-статистика 57,36130 - - -
Вероятность F-статистики - - - -
Таблица 2
Оценка модели просроченной кредитной задолженности с фиксированным эффектом
Переменная Коэффициент Стандартная ошибка t-статистика Вероятность
Константа 3 853 111 3 058 081 1,259977 0,2087
Активы 0,027367 0,004411 6,204759 0
Капитал -0,101965 0,02381 -4,282476 0
Кредитный портфель 0,027193 0,011636 2,33706 0,0201
Чистая прибыль -0,424405 0,060365 -7,030593 0
Особенность эффекта (постоянный эффект)
R-квадрат 0,998785 Среднее 21 620 705 -
Стандартная ошибка регрессии 1 994 071 Дисперсия 52 679 804 -
Сумма квадратов остатков регрессии 1,18E+15 Критерий Дарбина-Уотсона 1,335465 -
F-статистика 4 590,168 - - -
Вероятность F-статистики 0 - - -
Фишера, значения стандартных ошибок на порядок меньше значения коэффициентов. В свою очередь параметры моделей статистически значимы по критерию Стьюдента, так как вероятности выборочных значений ^статистики не превышают уровень значимости в 0,05. Коэффициент детерминации, указывающий на наличие связи между кредитной задолженностью и характеристиками банка, существенно отличается от нуля.
Однако, несмотря на то, что оценка панельных моделей показала достаточно хорошие результаты, далее важно сделать правильный выбор в пользу модели с тем или иным эффектом спецификации, которая наилучшим образом отобразит особенность представленных данных и на основании которой можно получить эффективные прогнозные значения просроченной задолженности по кредитам. Для решения подобной задачи можно воспользоваться автоматизированным тестом Хаусмана в программе EViews. Нулевая гипотеза теста предполагает, что модель имеет случайный эффект спецификации. В этом случае вероятность статистики х2 должна быть больше уровня значимости. Результат теста для модели панельных данных со
случайным эффектом спецификации: статистика X2 - 22,750079, степень свободы х2 - 4, вероятность статистики х2 - 0,0001.
Результат показал, что вероятность статистики X2 мала по сравнению с уровнем значимости 0,01, соответственно, нулевая гипотеза, предполагающая, что индивидуальные эффекты и результирующие переменные не связаны между собой, отклоняется. Таким образом, в случае построения модели просроченной задолженности по кредитам наилучшей является модель панельных данных с фиксированным эффектом спецификации. В свою очередь важно отметить, что выбранная модель задолженности по кредитам с фиксированным эффектом спецификации в противовес альтернативной модели предполагает, что индивидуальный эффект банка связан с объемом задолженности по кредитам соответствующего банковского учреждения4.
Программная среда предоставляет возможность оценить как общий эффект спецификации модели,
4 Ратникова Т.А. Введение в эконометрический анализ панельных данных // Экономический журнал ВШЭ. 2006. № 2. С. 267-316.
так и выявить величину индивидуального эффекта для каждого объекта исследования. В табл. 6 можно проследить величину фиксированного эффекта для каждого представленного в исследовании банковского учреждения.
Важно обратить внимание на то, что значения фиксированных межбанковских эффектов являются как положительными, так и отрицательными. Следует отметить, что положительная величина фиксированного эффекта характеризуется увеличением объемов просроченной задолженности по кредитам, что свидетельствует о неэффективности принятых банком стратегий развития в области кредитования. При помощи визуального анализа (рис. 1) нетрудно обнаружить, что практически четвертая часть фиксированных эффектов рассмотренных банковских учреждений принимает именно положительные значения. Среди таких банков: ОАО «Банк Москвы», АО «Райффайзенбанк», ПАО РОСБАНК, ОАО «Россельхозбанк», ООО «Хоум Кредит энд Финанс Банк» и др.
250 000 000т-
Значительный интерес представляет сравнительный анализ значений фиксированных эффектов во временном разрезе (рис. 2). Для этого были сопоставлены и проанализированы аналогичные данные за 2009 г., а также был выявлен фиксированный эффект спецификации модели за соответствующий год: общий и индивидуальный для каждого банковского учреждения.
Сопоставление значений фиксированных эффектов за 2009 и 2012 гг. позволяет сделать вывод о том, что у 82% банков наблюдается снижение этих значений в динамике, для 18 % характерен значительный рост, что в целом свидетельствует о неплохом уровне устойчивости системы кредитования в силу постепенного выхода банковской системы страны из кризиса.
Далее на основе полученной модели панельных данных можно осуществить построение ретроспективного прогноза просроченной кредитной задолженности, результат которого будет являться основой для определения необходимого размера
-1 E+08'
0 Величина фиксированного эффекта Рис. 1. Анализ фиксированных межбанковских эффектов за 2012 г, тыс. руб.
250 ООО ООО
200 ООО ООО
150 ООО ООО
100 ООО ООО
50 ООО ООО
\ Л
Тл ; ...............................
V
-50 ООО ООО
-100 ООО ООО
-150 ООО ООО
—2009 ♦ 2012
Рис. 2. Динамика индивидуальных фиксированных эффектов, тыс. руб.
резерва на кредитные потери. Для этого первоначально нужно вычислить точечный прогноз на два такта времени вперед, а затем и интервальный для каждого из 50 исследуемых банковских учреждений. Все вычисления выполняются автоматически. В свою очередь важно отметить, что в качестве рекомендуемого размера резерва выбирается верхняя граница 95% доверительного интервала, так как согласно правилу трех сигм вероятность того, что величина просроченной задолженности по кредитам превысит данное значение, практически равна нулю.
Общий результат построения точечного и интервального прогнозов для всех банковских учреждений, задействованных в панельном моделировании, представлен в табл. 7. В табл. 3 отражены выборочные результаты прогнозирования объемов просроченной кредитной задолженности в сравнении с реальными значениями просроченной задолженности по кредитам за ноябрь - декабрь 2012 г.
Важно отметить, что практически для всех рассмотренных банков в панельном исследовании верхняя граница 95% доверительного интервала превышает реальные значения кредитной задолженности, что в целом говорит о неплохом результате прогнозирования.
В то же время нужно обратить внимание на банковские учреждения, результаты прогнозирования которых оказались значительно ниже реальных значений задолженности: ОАО «Россельхозбанк», ПАО РОСБАНК и ООО «Хоум Кредит энд Финанс Банк». Причиной получения плохих прогнозных значений является резкое изменение тенденций роста или снижения объемов просроченной задолженности по кредитам, что, возможно, является следствием принятия не совсем эффективных решений в области банковской политики кредитования. В силу того, что модель панельных данных крайне чувствительна к каким-либо резким изменениям и отклонениям, неизбежно ухудшение качества прогноза соответствующих значений.
Таблица 3
Результат прогнозирования совокупного объема задолженности по кредитам за ноябрь - декабрь 2012 г., тыс. руб.
Банковское учреждение Месяц Реальное значение Точечный прогноз Ошибка прогноза Верхняя граница доверительного интервала
АО «АЛЬФА-БАНК» Ноябрь 27 624 580 26 962 148 3 832 902 36 814 936
Декабрь 27 699 298 28 936 023 4 163 661 39 639 055
ОАО «Банк Москвы» Ноябрь 242 143 164 244 352 754 3 774 286 254 054 866
Декабрь 244 335 248 244 366 138 3 806 033 254 149 856
ОАО Банк ВТБ Ноябрь 107 667 940 107 931 480 4 475 252 110 841 299
Декабрь 106 306 187 107 695 447 4718 583 110 530 768
АО «Газпромбанк» Ноябрь 7 627 083 8012 142 1 294 125 10 947 165
Декабрь 10 724 829 10 867 125 1 312 044 13 182 764
ОАО «Россельхозбанк» Ноябрь 104 458 188 58 386 286 6 123 919 74 128 321
Декабрь 107 191 594 58 624 431 6 135 023 74 395 011
ПАО РОСБАНК Ноябрь 34 803 012 20 922 852 2 009 267 26 087 837
Декабрь 33 976 967 19 173 539 2 026 841 24 383 700
ОАО «Сбербанк России» Ноябрь 288 550 631 337 728 694 60 010 872 491 991 550
Декабрь 286 995 781 320 324 957 58 913 596 471 767 177
ООО «Хоум Кредит энд Финанс Банк» Ноябрь 18 641 951 7 970 687 2 806 920 15 186 105
Декабрь 19 188 767 6 560 706 2 832 256 13 841 251
37 000 000
36 500 000
36 000 000
35 500 000
35 000 000
34 500 000 ■
34 000 000
33 500 000
33 000 000
32 500 000
01.04.2012 01.05.2012 01.06.2012 01.07.2012 01.08.2012 01.09.2012 01.10.2012 01.11.2012 01.12.2012
Рис. 3. Динамика общего портфеля задолженности по кредитам ПАО РОСБАНК, тыс. руб.
Стоит отметить также тот факт, что панельное моделирование с теоретической точки зрения предполагает желательное выполнение соотношения количества временных промежутков и исследуемых объектов типа 1:100. Вероятно, по причине несоответствия данному условию пострадала в ряде случаев точность прогнозных значений просроченной кредитной задолженности. Именно поэтому дальнейший спектр работ по совершенствованию модели панельных данных должен быть направлен на информационный этап эконометрического исследования, предполагающий обработку немалого количества данных банковской сферы.
На заключительном этапе работы важно оценить эффективность предложенного подхода к формированию банковского резерва на кредитные потери. Для этого необходимо выполнить сравнительный анализ существующего и рекомендуемого
объемов резервных отчислений на возможные кредитные потери. В табл. 4 представлен результат проведенного анализа сравнения для определенной группы банковских учреждений.
Как и предполагалось ранее, реальные значения отчислений в резервный фонд денежных средств на покрытие кредитных потерь в значительной степени превышают существующие размеры просроченной задолженности, что в первую очередь объясняется расплывчатостью рекомендаций в отношении той или иной категории ссуд. Подобная нерациональность действий в области политики кредитования снижает эффективность ставки размещения денежных средств, порождая при этом базисный риск, связанный с неопределенностью будущей доходности банковского портфеля, а это в свою очередь способствует снижению доходности финансового учреждения (табл. 5).
Таблица 4
Анализ эффективности формирования резерва на возможные потери по кредитам
за ноябрь - декабрь 2012 г., тыс. руб.
Банковское учреждение Месяц Реальное значение просроченной задолженности по кредитам Существующий размер резерва на возможные потери Предлагаемый размер резерва на возможные потери
АО «АЛЬФА-БАНК» Ноябрь 27 624 580 69 282 639 36 814 936
Декабрь 27 699 298 72 801 657 39 639 055
ОАО «Банк Москвы» Ноябрь 242 143 164 277 765 257 254 054 866
Декабрь 244 335 248 281 707 294 254 149 856
ОАО Банк ВТБ Ноябрь 107 667 940 120 233 250 110 841 299
Декабрь 106 306 187 121 168 787 110 530 768
АО «Газпромбанк» Ноябрь 7 627 083 52 025 136 10 947 165
Декабрь 10 724 829 55 456 165 13 182 764
ОАО «Сбербанк России» Ноябрь 288 550 631 606 263 128 491 991 550
Декабрь 286 995 781 598 092 495 471 767 177
Таблица 5
Оценка эффективности формирования резерва на возможные кредитные потери
за ноябрь - декабрь 2012 г., тыс. руб.
Существующий размер Предлагаемый размер
Банковское учреждение Месяц Совокупный портфель выданных кредитов резервных отчислений, в процентах к общему портфелю выданных кредитов резервных отчислений, в процентах к общему портфелю выданных кредитов
АО «АЛЬФА-БАНК» Ноябрь 870 280 975 8 4,2
Декабрь 915 580 402 8 4,3
ОАО «Банк Москвы» Ноябрь 646 153 828 43 39,3
Декабрь 656 505 857 42,9 38,7
ОАО Банк ВТБ Ноябрь 1 882 344 823 6,4 5,9
Декабрь 1 922 525 593 6,3 5,7
АО «Газпромбанк» Ноябрь 1 794 247 910 2,9 0,6
Декабрь 1 763 566 896 3,1 0,7
ОАО «Сбербанк России» Ноябрь 9 370 034 487 6,5 5,3
Декабрь 9 413 416 309 6,4 5
Объем резервных отчислений, рассчитанный на основе построения панельной модели просроченной кредитной задолженности, предлагает более эффективное размещение денежных средств банка, покрывая при этом реальные значения просроченной задолженности по кредитам. Таким образом, предложенная методология в полной степени является альтернативным вариантом определения резерва на возможные кредитные потери, обеспечивающим устойчивость финансового учреждения и сочетающим в себе эффективность и рациональность действий в рамках политики кредитования и стратегического управления банком.
Российская банковская практика все больше нуждается в адекватной оценке кредитных рисков и потенциальных потерь, возникающих в результате ухудшения финансового состояния заемщика, изменений в макроэкономической обстановке страны
либо выстраивания банком не совсем эффективной линии политики кредитования. Системный подход к управлению банковскими рисками (в частности, кредитными) предполагает одновременное использование как качественных, так и количественных методов оценивания финансовых рисков. В данной работе была представлена попытка количественной оценки потенциальных потерь по кредитам. На основе смоделированной панельной зависимости просроченной кредитной задолженности в зависимости от характеристик деятельности банков были получены эффективные результаты прогнозирования объемов кредитных потерь. Предложенный объем резервных отчислений оказался достаточным для покрытия реальных значений просроченной задолженности, а также эффективным с точки зрения размещения денежных средств банковских учреждений.
Таблица 6
Величина индивидуального фиксированного эффекта для каждого банковского учреждения,
задействованного в панельном анализе на 2012 г.
Фиксированный
Банковское учреждение межбанковский
эффект
АО «АЛЬФА-БАНК» -7 773 352
ОАО «Банк Москвы» 201 000 000
ОАО Банк ВТБ -13 169 906
АО «Газпромбанк» -17 287 263
ВТБ 24 (ПАО) 505 004
АО «Райффайзенбанк» -5 240 878
ОАО «Россельхозбанк» 36 466 647
ПАО РОСБАНК 12 542 248
ОАО «Сбербанк России» -53 016 884
ОАО «ТрансКредитБанк» -12 732 739
ОАО «УРАЛСИБ» 3 103 197
АО «ЮниКредит Банк» -11 061 218
ПАО «Промсвязьбанк» -4 801 269
АИКБ «Номос-Банк» -7 261 458
ПАО «Банк «Санкт-Петербург» -6 432 846
ОАО «МДМ Банк» 3 412 877
ЗАО КБ «Ситибанк» -6 641 899
ООО «Хоум Кредит энд Финанс Банк» 8471 035
ОАО «МОСКОВСКИМ -10 054 319
КРЕДИТНЫМ БАНК»
ОАО «АБ «РОССИЯ» -9 228 075
ОАО Банк «Петрокоммерц» -105 624
Банк «Возрождение» -1 163 363
ФК «Открытие» -4 050 217
Окончание табл. 6
Фиксированный
Банковское учреждение межбанковский
эффект
ОАО «МИнБ» -8 218 253
ООО «Внешпромбанк» -5 907 186
ОАО «Национальный банк «Траст» -4 753 581
ОАО «АК БАРС» БАНК -7 044 036
АО «Нордеа Банк» -10 345 607
ПАО «Ханты-Мансийский банк -8 368 614
Открытие»
АО «Банк Русский Стандарт» 3 395 569
АО «ГЛОБЭКСБАНК» -7 326 953
ПАО КБ «Восточный» -6 358 526
ПАО Банк ЗЕНИТ -6 178 579
«ИНГ БАНК (ЕВРАЗИЯ) ЗАО» -5 880 039
АО «СМП Банк» -6 229 881
ПАО «БИНБАНК» -4 831 128
АО «ОТП Банк» 4 716 641
ПАО КБ «УБРиР» -3 921 619
АО АКБ «НОВИКОМБАНК» -5 652 971
ОАО «ТКБ» -3 695 345
АО «МСП Банк» -3 068 320
АКБ «Инвестторгбанк» (ПАО) -4 201 606
АКБ «РосЕвроБанк» (ОАО) -4 690 987
АО «Кредит Европа Банк» -4 477 199
ПАО «Совкомбанк» -3 940 501
АКБ «Абсолют Банк» (ОАО) -2 960 734
ОАО АКБ «АВАНГАРД» -5 273 466
ООО «Русфинанс Банк» 4 186 592
ОАО АКБ «Пробизнесбанк» -3 518 736
КБ «Ренессанс Кредит» (ООО) 6 210 781
Таблица 7
Общий результат прогнозирования совокупного объема просроченной задолженности по кредитам на основе моделирования панельных данных за ноябрь - декабрь 2012 г., тыс. руб.
Банковское учреждение Месяц Реальное значение Точечный прогноз Ошибка прогноза Верхняя граница доверительного интервала
АО «АЛЬФА-БАНК» Ноябрь 27 624 580 26 962 148 3 832 902 36 814 936
Декабрь 27 699 298 28 936 023 4 163 661 39 639 055
Банк Москвы Ноябрь 242 143 164 244 352 754 3 774 286 254 054 866
Декабрь 244 335 248 244 366 138 3 806 033 254 149 856
ОАО Банк ВТБ Ноябрь 107 667 940 113 031 480 14 475 252 150 241 299
Декабрь 106 306 187 107 695 447 14 718 583 145 530 768
АО «Газпромбанк» Ноябрь 7 627 083 8012 142 1 294 125 10 947 165
Декабрь 10 724 829 10 867 125 1 312 044 13 182 764
ВТБ 24 (ПАО) Ноябрь 41 214 537 40 729 554 3 623 328 50 043 615
Декабрь 41 756 233 40 512 945 3 702 164 50 029 660
АО «Райффайзенбанк» Ноябрь 13 086 050 16 091 817 2 226 804 21 816 000
Декабрь 13 130 254 14 222 547 2 265 476 20 046 137
ОАО «Россельхозбанк» Ноябрь 104 458 188 58 386 286 6 123 919 74 128 321
Декабрь 107 191 594 58 624 431 6 135 023 74 395 011
ПАО РОСБАНК Ноябрь 34 803 012 20 922 852 2 009 267 26 087 837
Декабрь 33 976 967 19 173 539 2 026 841 24 383 700
Продолжение табл. 7
Банковское учреждение Месяц Реальное значение Точечный прогноз Ошибка прогноза Верхняя граница доверительного интервала
ОАО «Сбербанк России» Ноябрь 288 550 631 337 728 694 60 010 872 491 991 550
Декабрь 286 995 781 320 324 957 58 913 596 471 767 177
ОАО «ТрансКредитБанк» Ноябрь 6 298 024 17 580 553 2 085 843 22 942 384
Декабрь 6 615 937 15 916 685 2 122 154 21 371 855
ОАО «УРАЛСИБ» Ноябрь 19 406 341 16 990 571 2 190 389 22 621 145
Декабрь 19 405 932 17 519 980 2 169 904 23 097 894
АО «ЮниКредит Банк» Ноябрь 15 228 250 21 080 139 2 122 272 26 535 612
Декабрь 14 971 735 21 397 436 2 137 691 26 892 545
ПАО «Промсвязьбанк» Ноябрь 18 092 224 17 109 938 2017 307 22 295 590
Декабрь 16 620 365 17 158 009 2 005 687 22 313 792
АИКБ «Номос-Банк» (ФК «Открытие») Ноябрь 11 162 133 17 078 496 2 088 848 22 448 051
Декабрь 11 194 918 17 299 114 2 067 990 22 615 051
ПАО «Банк «Санкт-Петербург» Ноябрь 11 493 004 15 414 638 2 322 066 21 383 699
Декабрь 11 367 868 15 703 157 2 286 755 21 581 448
ОАО «МДМ Банк» Ноябрь 15 502 218 13 890 801 2 525 381 20 382 499
Ноябрь 15 633 039 13 432 708 2 562 989 20 021 082
ЗАО КБ «Ситибанк» Декабрь 107 906 6 808 301 3 351 333 15 423 178
Ноябрь 73 349 7 027 297 3 430 992 15 846 944
ООО «Хоум Кредит энд Финанс Банк» Декабрь 18 641 951 7 970 687 2 806 920 15 186 105
Ноябрь 19 188 767 6 560 706 2 832 256 13 841 251
ОАО «МОСКОВСКИМ КРЕДИТНЫМ БАНК» Декабрь 2 381 443 12 185 091 2 527 568 18 682 411
Ноябрь 2 575 610 12 055 631 2 525 505 18 547 648
ОАО «АБ «РОССИЯ» Декабрь 2 033 609 11 922 526 2 773 790 19 052 780
Ноябрь 2 329 589 11 902 622 2789417 19 073 046
ОАО Банк «Петрокоммерц» Декабрь 9 786 136 10 262 720 2 870 852 17 642 481
Ноябрь 9 722 602 10 941 548 2 835 003 18 229 154
Банк «Возрождение» Декабрь 9 754 152 10 294 822 2 807 464 17 511 639
Ноябрь 9743 190 10 391 199 2 793 643 17 572 486
ФК «Открытие» Декабрь 4 794 507 8 474 526 3 072 647 16 373 015
Ноябрь 4 971786 8 601 705 3 078 530 16 515 318
ОАО «МИнБ» Декабрь 929 824 9 083 360 2 930 924 16 617 541
Ноябрь 961 180 8 962 639 2 932 069 16 499 763
ООО «Внешпромбанк» Декабрь 219 784 6333 992 3 274 817 14 752 177
Ноябрь 211 887 6 309 260 3 270 985 14 717 593
ОАО «Национальный банк «Траст» Декабрь 6 168 486 4 827 438 2 947 241 12 403 563
Ноябрь 6 589 630 5 036 499 2 929 643 12 567 386
ОАО «АК БАРС» БАНК Декабрь 6 686 486 12 945 803 2417 123 19 159 216
Ноябрь 7 389 741 13 541 432 2 404 736 19 723 003
АО «Нордеа Банк» Декабрь 2 888 639 13 752 209 2 524 257 20 241 018
Ноябрь 2 101 491 12 656 237 2571 584 19 266 705
ПАО «Ханты-Мансийский банк Открытие» Декабрь 2 322 166 9 627 269 2805 514 16 839 074
Ноябрь 3 943 585 10 441 179 2731 912 17 463 783
АО «Банк Русский Стандарт» Декабрь 15 705 679 10 716 071 2 737 920 17 754 118
Ноябрь 16 399 782 10 872 704 2 714 625 17 850 868
АО «ГЛОБЭКСБАНК» Декабрь 2 571 738 10 118 282 2 806 430 17 332 440
Ноябрь 2 597 333 9 918 544 2 804 168 17 126 887
ПАО КБ «Восточный» Декабрь 4 034 119 9 786 426 2 781 312 16 936 015
Ноябрь 2 954 893 9 933 596 2 759 427 17 026 929
ПАО Банк ЗЕНИТ Декабрь 3 891 058 9761 186 2 821 753 17 014 732
Ноябрь 4 671 631 9 693 444 2 825 369 16 956 286
«ИНГ БАНК (ЕВРАЗИЯ) ЗАО» Декабрь 1 103 552 6 096 796 3 539 210 15 194 625
Ноябрь 1 087 147 5 937 814 3 591 576 15 170 253
Банковская деятельность Banking - 54 -
Окончание табл. 7
Банковское учреждение Месяц Реальное значение Точечный прогноз Ошибка прогноза Верхняя граница доверительного интервала
АО «СМП Банк» Декабрь 835 691 7 146 868 3 329 322 15 705 163
Ноябрь 816 143 7 092 508 3 321 489 15 630 666
ПАО «БИНБАНК» Декабрь 3 362 138 8 188 149 3 119049 16 205 919
Ноябрь 3 550 099 8 152 396 3 127 940 16 193 021
АО «ОТП Банк» Декабрь 13 601 024 6 381 245 3 144 276 14 463 864
Ноябрь 14 259 980 5 912 157 3 156 664 14 026 619
ПАО КБ «УБРиР» Декабрь 4 011 424 7 948 244 3 177 962 16 117 454
Ноябрь 4 129 627 8 098 705 3 168 395 16 243 323
АО АКБ «НОВИКОМБАНК» Декабрь 1 025 065 6 880 237 3 233 570 15 192 392
Ноябрь 1 063 272 6 973 586 3 215 918 15 240 368
ОАО «ТКБ» Декабрь 5 466 267 7 435 031 3 082 036 15 357 655
Ноябрь 5 370 509 7 391 015 3 087 311 15 327 201
АО «МСП Банк» Декабрь 1 121 722 3 881 940 3 530 669 12 957 814
Ноябрь 1 127 377 3 901 591 3 536 644 12 992 823
АКБ «Инвестторгбанк» (ПАО) Декабрь 2 799 498 6 776 403 3 228 787 15 076 264
Ноябрь 2 640 286 6 804 445 3 228 666 15 103 994
АКБ «РосЕвроБанк» (ОАО) Декабрь 1 431 544 5 666 723 3 345 176 14 265 772
Ноябрь 1 768 100 5 455 212 3 354 285 14 077 676
АО «Кредит Европа Банк» Декабрь 2 144 874 7 173 725 3 111 708 15 172 625
Ноябрь 1 966 760 7 219 807 3 113 020 15 222 079
ПАО «Совкомбанк» Декабрь 4 162 383 7 533 113 3 133 400 15 587 775
Ноябрь 3 727 986 7 602 328 3 126 351 15 638 869
АКБ «Абсолют Банк» (ОАО) Декабрь 2 941 662 5 930 244 3 248 634 14 281 124
Ноябрь 2 822 482 6098 182 3 225 193 14 388 804
ОАО АКБ «АВАНГАРД» Декабрь 1 880 039 6 521 805 3 257 991 14 896 738
Ноябрь 1 755 009 6 738 953 3 228 645 15 038 450
ООО «Русфинанс Банк» Ноябрь 10 477 699 6 038 947 3 088 387 13 977 899
Декабрь 10 568 430 5 856 607 3 099 039 13 822 940
ОАО АКБ «Пробизнесбанк» Ноябрь 2 625 805 6 471 557 3 402 648 15 218 343
Декабрь 2 454 738 6 409 753 3 421 555 15 205 141
КБ «Ренессанс Кредит» (ООО) Ноябрь 12 534 702 5 989 996 3 297 506 14 466 504
Декабрь 13 108 239 6 060 733 3 288 731 14 514 685
Список литературы
1. ВасильевВ.А., ЛетчиковА.В., ЛяпинВ.Е. Математические модели оценки и управления финансовыми рисками хозяйствующих субъектов // Аудит и финансовый анализ. 2006. № 4. С. 200-237.
2. Вербик М. Путеводитель по современной эконометрике. М.: Научная книга, 2008. 616 с.
3. Доугерти К. Введение в эконометрику. М.: ИНФРА-М, 2009. 465 с.
4. Егорова Н.Е., Смулов А.М., Полетаева В.М. Формирование банковской стратегии с использованием методов имитационного моделирования в ситуации проблемной ссудной задолженности // Финансовая аналитика: проблемы и решения. 2012. № 24. С. 2-9.
5. Капитоненко В.В. Финансовая математика и ее приложения. М.: Приор, 2007. 144 с.
6. Костюченко Н.С. Анализ кредитных рисков. СПб.: Скифия, 2010. 440 с.
7. Кремер Н.Ш., Путко Б.А. Эконометрика. М.: ЮНИТИ-ДАНА, 2010. 328 с.
8. Мамонов М.Е. Влияние рыночной власти российских банков на их склонность к кредитному риску: результаты панельного анализа // Прикладная эконометрика. 2012. № 4. С. 85-113.
9. МагнусЯ.Р., КатышевП.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.
10. Масленченков Ю.С. Финансовый менеджмент в коммерческом банке: фундаментальный анализ. М.: Перспектива, 1996. 160 с.
11. Пересецкий А.А. Методы оценки вероятности дефолта банков // Экономика и математические методы. 2007. № 3. С. 37-62.
12. Полянский Ю.Н. Эконометрика. Экономическое моделирование и прогнозирование: учеб. пособие. М.: Академия экономической безопасности МВД России, 2008. 190 с.
13. Севрук В.Т. Методы оценки и прогнозирования банковских рисков // Управление в кредитной организации. 2010. № 3. С. 59-76.
14. Тимкин М. Кредитные риски: внутренние модели оценки // БДМ. Банки и деловой мир. 2007. № 3. С. 61-62.
15. Фантаццини Д. Эконометрический анализ финансовых данных в задачах управления риском // Прикладная эконометрика. 2009. № 1. С. 105-138.
16. Фролова Т.А. Банковское дело: конспект лекций. М.: ТТИ ЮФУ, 2010. 215 с.
17. Arellano M. Panel Data Econometrics (Advanced Texts in Econometrics). Oxford University Press, 2003. 248 p.
18. The Econometrics of Panel Data: Fundamentals and Recent Developments in Theory and Practice. 3 d ed. L6szlo M6ty6s and Patrick Sevestre (Eds). Berlin: Springer, 2008. 954 p.
19. Wooldridge J.M. Introductory Econometrics: A Modern Approach. 2nd ed. Mason, Ohio, Thomson, South-Western, 2004. 805 p.
20. Wooldridge J.M. Econometric Analysis of Cross Section and Panel Data. Cambridge: MIT Press, 2007.776 p.
Finance and Credit Banking
ISSN 2311-8709 (Online) ISSN 2071-4688 (Print)
MODELING A BANK LOAN LOSS PROVISION: A PANEL DATA ASPECT
Kristina A. KAZAKOVA
Abstract
Importance In conditions of financial and economic instability, the issues of warning and mitigating banking risks are very popular in the banking theory and practice. Creating a bank loan loss provision is one of the methods to prevent banking risks arising from borrowers' default.
Objectives The purpose of the study is to assess the efficiency of methods for creating a bank loan loss provision and to define a rational approach to the system of allocation to the provision.
Methods The paper offers an alternative approach to estimating a bank loan loss provision. The econometric analysis of panel data on past due loans of fifty Russian banks depending on certain characteristics of the banks' operations was a basis for the considered approach. The research demonstrates building panel regressions and calculating projected values of past due loans.
Results Practical realization of the econometric model of past due debt on loans of banking institutions presented the results of retrospective forecasting, which exceed the real values of past due debt. In most cases, the values of the generated forecasts appeared to be much less than the real values of allocations to the provision for corresponding losses.
Conclusions and Relevance The comparative analysis of creating a loan loss provision revealed the inefficiency of the standard methodology for allocations to the reserve and defined the importance of quantitative methods for bank risk assessment based on mathematical models, which may serve as a basis for evaluating the probability of crisis events occurrence for a bank.
Keywords: bank, reserve, provision, credit indebtedness, loan, past due debt, bank characteristics, panel data, modeling, forecasting
References
1. Vasil'ev V.A., Letchikov A.V., Lyapin V.E. Matematicheskie modeli otsenki i upravleniya fin-ansovymi riskami khozyaistvuyushchikh sub"ektov [Mathematical models for assessment and management of financial risks of economic entities]. Audit i finansovyi analiz = Audit and Financial Analysis, 2006, no. 4, pp. 200-237.
2. Verbik M. Putevoditel'po sovremennoi ekono-metrike [A guide to modern econometrics]. Moscow, Nauchnaya kniga Publ., 2008, 616 p.
3. Dougerti K. Vvedenie v ekonometriku [Introduction to Econometrics]. Moscow, INFRA-M Publ., 2009,465 p.
4. Egorova N.E., Smulov A.M., Poletaeva V.M. Formirovanie bankovskoi strategii s ispol'zovaniem metodov imitatsionnogo modelirovaniya v situatsii problemoi ssudnoi zadolzhennosti [Creation of a bank strategy using the simulation modeling methods in situations with non-performing loans]. Finansovaya analitika: problemy i resheniya = Financial Analytics: Science and Experience, 2012, no. 24, pp. 2-9.
5. Kapitonenko V.V. Finansovaya matematika i ee prilozheniya [Financial mathematics and its applications]. Moscow, Prior Publ., 2007, 144 p.
6. Kostyuchenko N.S. Analiz kreditnykh riskov [Analysis of credit risks]. St. Petersburg, Skifiya Publ., 2010, 440 p.
7. Kremer N.Sh., Putko B.A. Ekonometrika [Econometrics]. Moscow, YUNITI-DANA Publ., 2010, 328 p.
8. Mamonov M.E. Vliyanie rynochnoi vlasti ros-siiskikh bankov na ikh sklonnost' k kreditnomu risku: rezul'taty panel'nogo analiza [Influence of the market power of Russian banks on credit risk appetite: the panel analysis results]. Prikladnaya ekonometrika = Applied Econometrics, 2012, no. 4, pp. 85-113.
9. Magnus Ja.R., Katyshev P.K., Peresetskii A.A. Ekonometrika. Nachal'nyi kurs [Econometrics. An introductory course]. Moscow, Delo Publ., 2007, 504 p.
10. Maslenchenkov Yu.S. Finansovyi menedzh-ment v kommercheskom banke: fundamental 'nyi analiz [Financial management in the commercial bank: a fundamental analysis]. Moscow, Perspektiva Publ., 1996, 160 p.
11. Peresetskii A.A. Metody otsenki veroyatnosti defolta bankov [Methods for assessing banks' default probability]. Ekonomika i matematicheskie metody = Economics and Mathematical Methods, 2007, no. 3, pp.37-62.
12. Polyanskii Yu.N. Ekonometrika. Ekonom-icheskoe modelirovanie i prognozirovanie [Econometrics. Econometric modeling and forecasting]. Moscow,
Academy of Economic Security of Russian Ministry of Internal Affairs Publ., 2008, 190 p.
13. Sevruk V.T. Metody otsenki i prognozirovaniya bankovskikh riskov [Methods for bank risks assessment and forecasting]. Upravlenie v kreditnoi organizatsii = Management in Credit Organization, 2010, no. 3, pp. 59-76.
14. Timkin M. Kreditnye riski: vnutrennie modeli otsenki [Credit risks: internal models for assessment]. BDM. Banki i delovoi mir = BBW. Banks and Business World, 2007, no. 3, pp. 61-62.
15. Fantazzini D. Ekonometricheskii analiz fin-ansovykh dannykh v zadachakh upravleniya riskom [Econometric analysis of financial data in risk management] . Prikladnaya ekonometrika = Applied Econometrics, 2009, no. 1, pp. 105-138.
16. Frolova T.A. Bankovskoe delo: konspekt lektsii [Banking: lecture notes]. Moscow, Taganrog Technological Institute of Southern Federal University Publ., 2010, 215 p.
17. Arellano M. Panel Data Econometrics (Advanced Texts in Econometrics). Oxford University Press, 2003, 248 p.
18. The Econometrics of Panel Data: Fundamentals and Recent Developments in Theory and Practice. 3d ed. Lászlo Mátyás and Patrick Sevestre (Eds). Berlin, Springer, 2008, 954 p.
19. Wooldridge J.M. Introductory Econometrics: A Modern Approach. 2nd ed. Mason, Ohio, Thomson, South-Western, 2004, 805 p.
20. Wooldridge J.M. Econometric Analysis of Cross Section and Panel Data. Cambridge, MIT Press, 2007, 776 p.
Kristina A. KAZAKOVA
Astrakhan State University, Astrakhan, Russian Federation [email protected]
