CC BY
48
DOI: 10.18721/JE.11405 УДК 336.71
ОЦЕНКА НАДЕЖНОСТИ БАНКА КАК ОБЪЕКТА ИНВЕСТИРОВАНИЯ
Д.С. Биджоян, Т.К. Богданова, Д.Ю. Неклюдов
Национальный исследовательский университет «Высшая школа экономики», г. Москва, Российская Федерация
Предложены подход, позволяющий классифицировать коммерческие банки на банки, у которых велика вероятность отзыва лицензии, и надежные банки, а также информационно-логическая модель определения группы банков (или одного банка) из числа надежных, являющихся привлекательными для вложения инвестиций. Вероятность отзыва лицензии оценивалась с помощью логистической регрессионной модели на основе информационной базы исследования, состоящей из 17559 наблюдений по всем банкам, охватывающей период с I квартала 2012 г. по IV квартал 2017 г. Ввиду наличия в данных мультиколлинеарности применялась RIDGE-модификация с алгоритмом определения штрафного коэффициента. В модель в качестве регрессоров включены показатели волатильности макроэкономических переменных, выраженные в стандартном отклонении и дисперсии макроэкономической переменной внутри рассматриваемого периода. Нулевая гипотеза о статистической незначимости от нуля коэффициентов при показателях волатильности макроэкономических переменных отвергается на различных уровнях значимости. Модель построена в среде программирования R-studio с применением пакета «RIDGE». На основе иерархической кластеризации методом Уорда (в качестве меры расстояния — квадрат Евклидова расстояния) получено одиннадцать кластеров. Приведено краткое описание данных кластеров на основе абсолютных средних значений переменных, а также относительных средних значений финансовых переменных банка. С помощью непараметрического критерия Кру-скала—Уолисса, позволяющего проводить сравнение средних значений по нескольким группам одновременно, выявлено, что финансовые показатели значимо различаются между собой на высоких уровнях значимости. Результаты проведенного анализа кластеров могут быть в дальнейшем использованы для поддержки принятия решения инвестором о выборе кластера (или банка внутри кластера) для проведения стресс-тестирования кредитного риска (как самого большого источника убытков) с целью инвестирования средств в банки, входящие в выбранный кластер и которые выдержали стресс-тестирование. В дальнейшем по результатам стресс-тестирования кредитного риска можно отобрать из анализируемого кластера те банки, которые являются наиболее устойчивыми к стрессовым событиям и могут в дальнейшем рассматриваться инвестором в качестве объектов инвестиционных вложений.
Ключевые слова: логистическая регрессия, волатильность, финансовое состояние банка, кластеризация, стандартное отклонение, дисперсия, мультиколлинеарность, инвестиции
Ссылка при цитировании: Биджоян Д.С., Богданова Т.К., Неклюдов Д.Ю. Оценка надежности банка как объекта инвестирования // Научно-технические ведомости СПбГПУ. Экономические науки. 2018. Т. 11, № 4. С. 70—84. DOI: 10.18721/JE.11405
EVALUATION OF THE BANK'S RELIABILITY AS AN INVESTMENT OBJECT
D.S. Bidzhoyan, T.K. Bogdanova, D.Yu. Nekludov
National Research University Higher School of Economics, Moscow, Russian Federation
The approach proposed to classify commercial banks into banks that have a high probability of revoking a license and reliable banks, as well as an information and logical model for identifying a group of banks (or one bank) among reliable banks that are attractive for investment. The probability of license revocation was assessed using a logistic regression model based on database, consisting of 17559 observations for all banks, covering the period from Q1 2012 to Q4 2017. In view of the multicollinearity in data, RIDGE modification was applied with the algorithm for determining the penalty coefficient. In the model, the indicators of volatility of macroeconomic variables, expressed in the standard deviation and variance of the macroeconomic variable within the period under review, were included as regressors. The null hypothesis of statistical zero coefficients at volatility indicators of macroeconomic variables is rejected at various significance levels. The model is built in the R-studio programming environment using the «RIDGE» package. Based on the hierarchical clustering by the Ward method (as a measure of the distance — the square of the Euclidean distance) eleven clusters were obtained. In this paper, a brief description of these clusters is presented on the basis of the absolute mean values of the variables, as well as the relative average values of the bank's financial variables. Using the nonparametric Kruskal—Wallis criterion, which makes it possible to compare the average values for several groups simultaneously, it was found that the financial variables differ significantly at high levels of significance. The results of the cluster analysis can be used to support the investor's decision to select a cluster (or a bank within the cluster) to conduct stress testing of credit risk (as the largest source of losses) in order to invest in banks belonging to the selected cluster that have withstood stress testing. In the future, based on the results of stress testing of credit risk, it is possible to select from the analyzed cluster those banks that are the most resistant to stressful events and can later be viewed by the investor as investment objects.
Keywords: logistic regression, volatility, financial statement, clustering, standard deviation, variance, multicollinearity, investments
Citation: D.S. Bidzhoyan, T.K. Bogdanova, D.Yu. Nekludov, Evaluation of the bank's reliability as an investment object, St. Petersburg State Polytechnical University Journal. Economics, 11 (4) (2018) 70—84. DOI: 10.18721/JE.11405
Введение. В настоящее время наблюдаются сильные колебания показателей, характеризующих макроэкономическое окружение, и тех условий, в которых функционируют российские коммерческие банки. Безусловно, нестабильность внешнего окружения оказывает, как правило, отрицательное влияние на финансовое состояние банков. Особенно сильно влияют на финансовое состояние банков такие важные макроэкономические показатели, как обменный курс доллара США, а также стоимость 1 барреля нефти марки Brent. Поскольку экономика России все еще остается сырьевой, несмотря на некоторые попытки ее диверсификации, то наиболее важное значение имеют колебания стоимости
1 барреля нефти марки Brent, так как она считается эталонной маркой. Стоимость других марок нефти, в том числе и российской марки Urals, сильно коррелирована со стоимостью 1 барреля нефти марки Brent. Обменный курс доллара США оказывает сильное влияние на финансовое состояние банков по целому ряду причин, одной из которых является тот факт, что нефть котируется в долларах США. Таким образом, проблема учета показателей волатильности макроэкономических показателей является актуальной.
Актуальность выбранной темы исследования обусловливается также и политикой Банка России по оздоровлению банковского сектора, заключающейся в отзыве лицензий
у банков со слабой экономической позицией и у банков, проводящих операции сомнительного качества. В течение четырех лет практически у 400 банков была отозвана лицензия с различной формулировкой причины отзыва. Данное обстоятельство вызывает обеспокоенность у клиентов и руководства банков, особенно средних и малых, не имеющих значительной государственной поддержки в кризисных ситуациях. Наибольшую обеспокоенность это обстоятельство вызывает у юридических лиц, которые согласно п. 2 ст. 861 ГК РФ обязаны вести взаиморасчеты со своими контрагентами в безналичной форме. Как правило, на расчетных счетах в банках хранятся оборотные средства предприятий, которые необходимы для ведения хозяйственной деятельности. Однако депозиты и средства на счетах предприятий не застрахованы государством, и в случае дефолта банка деньги юридических лиц могут быть потеряны. Вклады физических лиц застрахованы государством в размере 1,4 млн р. согласно ФЗ № 197 от 28.11.2003 «О страховании вкладов физических лиц в банках Российской Федерации».
Проблема анализа финансового состояния банка осложняется ограниченной информацией, находящейся в распоряжении у аналитиков. На сайте Банка России опубликовано только пять из огромного количества отчетных форм. Это является существенным ограничением при анализе финансового состояния банка. Вспомогательную роль в этой ситуации может играть предоставление информации клиентам и инвесторам банка рейтингов банков различными рейтинговыми агентствами. Однако из-за того, что определение рейтинга является для банка платной услугой, не все банки имеют рейтинги. Таким образом, проблема сбора и агрегирования данных в единую базу данных является актуальной.
Однако инвесторов, наряду с прогнозом финансового состояния банка в сложившихся условиях, интересует также и оценка финансового состояния банка при неблагоприятном изменении макроэкономического окружения. На этот вопрос может дать ответ стресс-тестирование, проведение которого позволит клиентам и инвесторам банка получить дополнительную информацию о финансовом состоянии банка.
Целью данного исследования является разработка комплексного инструментария оценки финансового состояния банков на основе открытых источников данных для определения банка (группы банков), надежного для инвестирования средств.
Методика исследования
Системы и модели оценки и прогнозирования финансового состояния банка. Банковский сектор подвергается тщательному надзору и регулированию со стороны центральных банков стран, а также наднациональных организаций, таких как Международный валютный фонд, Всемирный банк, Европейский центральный банк и др. Однако в мировом масштабе рекомендации Базельского комитета по банковскому надзору приняты на законодательном уровне для регулирования банковского сектора1. Однако на национальном уровне также действуют системы анализа финансового состояния банка. Наибольшей популярностью пользуется система CAMELS, разработанная Федеральной резервной системой США. Название системы является аббревиатурой аспектов банковской деятельности, подвергающиеся анализу: C — капитал, А — активы, М — менеджмент, Е — доходность, L — ликвидность, S — чувствительность. В России реализована аналогичная система, которая закреплена в Указании Банка России № 4336-У от 03.04.2017 г. «Об оценке экономического положения банков».
Весь разработанный инструментарий анализа финансового состояния банка условно можно разделить на несколько групп:
— модели вероятности дефолта банков;
— модели рейтингов рейтинговых агентств;
— модели процентных ставок;
— модели технической эффективности банков;
— стресс-тестирование рисков банка.
Наиболее разработанной областью научных исследований являются модели вероятности дефолта банков. Сегодня существует множество инструментов как эконометриче-ского анализа, так и машинного обучения, позволяющих рассчитывать вероятность дефолта. Однако вследствие простоты использования и интерпретируемости результатов
1 Так, в Российской Федерации Инструкцией Банка России № 180-И приняты минимальные (максимальные) значения различных нормативов, которые коммерческие банки должны выполнять.
наибольшую популярность получили эконо-метрические модели бинарного выбора. В основном применяются логистическая регрессия и пробит-регрессия [1—4]. Стоит отметить, что были различные модификации данных моделей с целью повышения прогностической способности модели. Для прогнозирования дефолта банков применялись и другие методы, в том числе и методы машинного обучения [5, 6].
Моделирование рейтингов рейтинговых агентств позволяет на основе моделей упорядоченного множественного выбора прогнозировать рейтинг банка, по которому не выставлен рейтинг от ведущих российских и международных рейтинговых агентств [7, 8].
В [9] объединяются результаты модели логистической регрессии и модели множественного выбора рейтингов. Показано, что существует сильная корреляция между латентной переменной бинарной модели вероятности отзыва лицензии и латентной переменной модели упорядоченного множественного выбора рейтингов банков.
Повышение ставок по вкладам физических лиц является индикатором ухудшающегося финансового состояния банка, поскольку система страхования вкладов физических лиц позволяет банкам привлекать во вклады средства физических лиц с более высокими ставками. Именно данное утверждение лежит в основе моделей процентных ставок по вкладам физических лиц, в которых зависимая переменная — это ставки по вкладам, а независимые переменные — финансовые показатели банка. Повышенные прогнозные ставки по вкладам физических лиц могут свидетельствовать о наличии проблем у банка [10, 11].
Модели технической эффективности ставят задачу выявить, насколько эффективно функционирует банк при данных входных параметрах. В случае анализа технической эффективности банков входными параметрами являются средства на пассивных счетах, а выходными — на активных. С помощью определенного алгоритма рассчитывается техническая эффективность работы банка. В основном применяются SFA (Stochastic Frontier Analysis — анализ стохастичной границы) и DEA (Data envelopment analysis — анализ среды функционирования) [12, 13].
Как один из действенных инструментов оценки рисков банковской деятельности все
большую популярность приобретает стресс-тестирование рисков банков. Существует несколько определений понятия «стресс-тестирование». Согласно определению Банка международных расчетов стресс-тестирование — это методы, которые используются финансовыми институтами для оценки своей уязвимости по отношению к исключительным, но возможным событиям. Банк России дает определение понятия «стресс-тестирование» в качестве оценки потенциального воздействия на финансовое состояние кредитной организации ряда заданных изменений в факторах риска, которые соответствуют исключительным, но вероятным событиям [14]. Различают два типа стресс-тестирования: top-down и bottom-up. Согласно первому надзорный орган самостоятельно проводит стресс-тестирование коммерческих банков, в то время как второй подход подразумевает выработку определенного сценария, по которому коммерческие банки сами рассчитывают стресс-тестирование и отправляют его результаты надзорным органам [15—17].
В течение 2017 г. несколько крупных частных банков были подвергнуты санации со стороны Фонда консолидации банковского сектора (ФКБС) по причине нахождения огромных «дыр»2 в капитале банков. В связи с этим огромную популярность со стороны инвесторов и клиентов банков имеет вопрос своевременного выявления «дыры» в капитале банка. В [18] предпринята попытка моделирования «дыр» в капитале банка и разработана модель прогнозирования объема «дыр» в капитале банка в зависимости от его финансовых показателей. Также отмечены такие косвенные признаки наличия в капитале банка «дыры», как низкая доля просроченной задолженности при высокой доле резервов на возможные потери, высокая доля в пассивах вкладов физических лиц при низкой доле депозитов юридических лиц, высокая доля кредитов корпоративному сектору и низкая доля розничному сектору. Одним из основных выводов является утверждение, что чем больше банк, тем тщательнее он скрывает «дыру». Предварительный анализ бухгалтерского баланса коммерческого банка «Открытие», который санируется Фондом консолидации банковского сектора
2 Дыра в банке — это отрицательная разность между активами и пассивами.
(ФКБС) по наличию «дыры» в капитале в 188 млрд р. по состоянию на 01.10.2017 г.,3, подтверждает данное утверждение.
В [19] впервые был применен подход учета показателей волатильности макроэкономических переменных, так как быстроизме-няющееся в короткие сроки макроэкономическое окружение оказывает непосредственное влияние на финансовое состояние коммерческих банков. Мы предлагаем наряду со средними значениями макроэкономических показателей включать в модель оценки вероятности отзыва лицензии также стандартное отклонение и дисперсию этих показателей. Однако при использовании данного подхода существует проблема мультиколлинеарности показателей волатильности макроэкономических переменных4, что негативно сказывается на оценочных значениях коэффициентов. Для борьбы с мультиколлинеарностью в данной модели предложена следующая процедура:
— расчет ^-значений стандартного отклонения макроэкономической переменной;
— возведение в квадрат полученных z-зна-чений для включения в модель дисперсии.
Это позволило значительно уменьшить влияние мультиколлинеарности на значение коэффициентов оцененной модели логистической регрессии.
Из-за несбалансированности данных нами предложено решение проблемы выбора оптимального значения порога отсечения по следующей формуле:
£(1 - У) аУ, + У, (1 -а):
г=1
(1)
х (1 - У) ^ тт
cut ofГ>
где а — отношение инвестора к ошибке рода I; У — реальное значение г-го наблюдения;
У — прогнозное значение г-го наблюдения; п — число наблюдений. Однако данный подход не всегда дает наилучший результат с точки зрения прогнозной силы модели.
В [20] описывается весь процесс моделирования, начиная от сбора и агрегирования имеющейся в публичной доступности информации в единую базу данных и заканчивая моделированием вероятности отзыва лицен-
3 Данные взяты из отчетной формы 0409123 «Расчет собственных средств (капитала) (Базель III)».
4 Дисперсия является корнем квадратным стандартного отклонения.
зии у российского банка. Предложена информационно-логическая модель формирования информационной базы исследования, аккумулирующая и агрегирующая в себе информацию из разных источников. Проблема мультиколлинеарности решается путем построения КГООЕ-логистической регрессии с определенным алгоритмом расчета штрафного коэффициента X. Оптимальное значение порога отсечения выбирается с помощью статистики Колмогорова—Смирнова, согласно которой наилучшей разделяющей способностью обладает то значение порога отсечения, при котором разница между функциями распределения группы банков с отозванной лицензией и группы работающих банков максимальна.
Таким образом, комплексный анализ и прогнозирование финансового состояния банка, охватывающее весь процесс — от сбора и агрегирования информации, находящейся в открытом доступе, до выявления банка, надежного для инвестирования, является актуальной задачей. Целью данного исследования является также разработка концептуального решения, позволяющего проводить комплексный анализ финансового состояния российского коммерческого банка, включающего результаты модели логистической регрессии и стресс-тестирования кредитного риска банка.
Инструментарий для выявления банка/группы банков, надежных для инвестирования. Стресс-тестирование банковских рисков является одним из действенных инструментов анализа финансового состояния банка, вследствие чего данный анализ получил популярность среди надзорных и регулирующих органов. Поскольку проведение стресс-тестирования требует больших трудовых и временных затрат, то проведение стресс-тестирования всех коммерческих банков на предмет их устойчивости к кризисным ситуациям представляется невозможным. Актуальной становится проблема выбора набора банков для стресс-тестирования. Нами разработана информационно-логическая модель определения банка/группы банков (см. рисунок), включающая результаты модели оценки вероятности отзыва лицензии у российского коммерческого банка и модели стресс-тестирования кредитного риска у российского коммерческого банка при неблагоприятных макроэкономических условиях.
RIDGE-логистическая регрессионная модель (R-studio)
Запрос
Информационно-логическая модель определения банка/группы банков, надежных для инвестирования Informational and logical model for determining a bank / a group of banks that are reliable for investing
На первом шаге строится RIDGE-логистическая регрессионная модель оценки вероятности отзыва лицензии у российского банка с помощью пакета «RIDGE» в программной среде «R-studio». В модель включаются показатели волатильности макроэкономических переменных. В рамках данного этапа строятся четыре модели с лагами от 1 до 4 кварталов. Для каждой модели с помощью статистики Колмогорова—Смирнова рассчитывается оптимальное значение порога отсечения. Выбирается модель, имеющая наилучшую прогностическую способность.
По наилучшей модели с точки зрения точности моделирования делается прогноз на следующий период. Относительно выбранного порога банки классифицируются на две группы: банки с отозванной лицензией (вероятность отзыва лицензии больше порога отсечения) и банки, имеющие удовлетворительное финансовое состояние (вероятность отзыва лицензии меньше выбранного уровня).
На втором шаге принимается решение о выборе банка или группы банков, которые необходимо подвергнуть стресс-тестированию. Это может быть группа банков (или банк), характеристики которых удовлетворяют запросу инвестора, например:
— розничные банки;
— кэптивные банки5;
— универсальные банки;
— банки с иностранным капиталом;
— государственные банки.
Однако в случае отсутствия запроса от инвестора для проведения стресс-тестирования конкретного банка или группы банков, имеющих определенные характеристики, проводится кластеризация банков по их финансовым показателям. Далее инвестор, анализируя результаты кластеризации, выбирает определенный кластер, который в дальнейшем подвергается стресс-тестированию кредитного риска.
На третьем шаге проводится стресс-тестирование кредитного риска кластера банков с использованием программных продуктов E-views и MS Excel. Суть стресс-тестирования заключается в проверке достаточности капитала для покрытия убытков, связанных с ухудшением кредитных портфе-
5 Кэптивные банки — банки, в основном обслуживающие своих акционеров.
лей, для выполнения нормативов достаточности капитала и надбавок к нормативам.
Моделирование вероятности отзыва лицензии у российского банка. На основе разработанной информационно-логической модели вероятности отзыва лицензии у российского коммерческого банка, описанной в работе [20], нами сформирована информационная база исследования, охватывающая период с I квартала 2012 г. по IV квартал 2017 г. Зависимая переменная является бинарной, она принимает значение «1», если у банка отозвана лицензия или банк санируется, и «0», если банк продолжает функционировать. В табл. 1 приведена структура информационной базы исследования в зависимости от количества лагов в модели. Таким образом, за обозначенный период наблюдалось 400 банков, у которых либо отозвали лицензию, либо банк подвергался процедуре санации.
Таблица 1 Структура информационной базы исследования
Structure of the study's information base
Лаг (в кварталах) Количество наблюдений Доля банков с отозванной лицензией или подвергнутых процедуре санации, %
1 17559 2,35
2 16115 2,48
3 15211 2,51
4 14315 2,63
В качестве регрессоров используются следующие переменные, характеризующие финансовое состояние банка: депозиты ЮЛ/А; депозиты ФЛ/А; средства ЮЛ/А; МБК_ привлеченные/А; МБК_ размещенные/А; кредиты ФЛ/А; кредиты ЮЛ/А; основные средства/А; касса/А; счет в ЦБ/А; ценные бумаги/А; ностро/А; просроченная задолженность/кредиты всего; кредиты от ЦБ/А; резервы/кредиты всего; Ln(активы всего); активы под риском 0/А; ликвидные активы/А; высоколиквидные активы/А; АУР/А; ЧКД/А; ЧОД/А; ЧПД/А; Н10. Макроэкономическое окружение представлено
следующими переменными: ИПЦ; реальный темп роста ВВП текущего квартала к соответствующего кварталу прошлого года (в %); уровень безработицы (в %); среднее значение стоимости 1 барреля нефти марки Brent; стандартное отклонение стоимости 1 барреля нефти марки Brent; дисперсия стоимости барреля нефти марки Brent; среднее значение ставки RUONIA; стандартное отклонение ставки RUONIA; дисперсия ставки RUONIA; среднее значение обменного курса доллара США; стандартное отклонение обменного курса доллара США; дисперсия обменного курса доллара США.
Обозначения переменных: А — активы, вмсего; ЮЛ — юридические лица; ФЛ — физические лица; МБК — межбанковские кредиты; АУР — административно-управленческие расходы; ЧКД — чистый комиссионный доход; ЧОД — чистый операционный доход; ЧПД — чистый процентный доход; ИПЦ — индекс потребительских цен; RUONIA (Ruble overnight index average) — ставка на рынке МБК по депозитам овернайт (1 день).
Модель логистической регрессионной модели в общем виде имеет вид:
р (7 = 1| X ) = ^
(2)
z = Ро+В3 jxj+Вт+ BVk
J=1 i=1 k=1
+ S.
где z — латентная зависимая переменная; р0 — константа; Ху —показатели, характеризующие финансовое состояние банка; — коэффициент при показателях, характеризующих финансовое состояние банка; у = 1...п, п — количество показателей, характеризующих финансовое состояние банка; — макроэкономическая переменная; р; — коэффициент при макроэкономической переменной; I = 1.../, / — количество макроэкономических показателей; ук — показатели волатильности макроэкономических переменных; рк — коэффициент при показателях волатильности макроэкономических переменных; к = 1...5, 5 — количество показателей волатильности макроэкономических переменных; е — остатки латентной зависимой переменной.
В табл. 2 приведена прогнозная точность моделей, отличающихся друг от друга количеством лагов.
Таблица 2
Прогностическая способность моделей с различными лагами
The predictive ability of models with different lags
Лаг (в кварталах) Специфичность, % Чувствительность, % Общая точность, % AUC
1 76,97 73,07 76,84 0,84
2 71,12 71,10 71,45 0,77
3 62,40 70,10 72,61 0,73
4 68,70 65,70 68,24 0,71
Ввиду наличия мультиколлинеарности в данных строится модель КГООЕ-логис-тической регрессии. Функция оценивания логарифма правдоподобия выглядит следующим образом:
ln (L ) = £[y ln(F (px')) +
i=1
m
+ (1 - y)ln(1 -(((px'))] -x£pJ.2.
J=1
(3)
k
Штрафной коэффициент X = pp-p = 0,01671,
где k — количество оцениваемых параметров в модели; p — оцененные параметры обычной логистической регрессии. С помощью статистики Колмогорова—Смирнова получено оптимальное значение порога отсечения, равное 0,025. В табл. 3 приведены результаты модели с лагом 1 квартал, поскольку прогностическая способность данной модели значительно превалирует над другими моделями.
Как видно из табл. 3, все переменные значимы, и гипотеза о статистическом отличии от нуля коэффициентов при показателях волатильности макроэкономических переменных не отвергается на уровне значимости от 0,1 до 0,01. Среднее значение обменного курса доллара США, так же как и его стандартное отклонение, положительно влияют на вероятность отзыва лицензии. В то же самое время рост среднего значения стоимости 1 барреля нефти марки Brent понижает вероятность отзыва лицензии, а его стандартное отклонение — повышает.
z
s
Таблица 3
Значения и значимость коэффициентов модели с лагом 1 квартал
Values and significance of the coefficients of the model with the lag for the 1st quarter
Переменная Значение и значимость коэффициента
Константа —3,91
Депозиты ФЛ/А 1 27***
МБК_ разм/А —4 16***
Кредиты ФЛ/А _1 94***
Ценные бумаги/А —2 51***
НОСТРО/А —6,65***
Резервы/кредиты всего 4 31***
^(активы всего) —0,26***
Ликвидные активы/А —2 98***
АУР/А 9 72***
ЧОД/А —6,39***
ЧПД/А —6,15*
N1 —0,03***
Среднее значение обменного курса доллара США 0,06*
СКО обменного курса доллара США 0,46*
Дисперсия обменного курса доллара США —0,06*
Среднее значение стоимости 1 барреля нефти марки Brent —0,02
СКО стоимости барреля нефти марки Brent 0.12**
Примечания. Коды значимости: *** — 0,001; ** — 0,01; * — 0,05; — 0,1.
СКО — среднеквадратичное отклонение.
На основе вышеописанной модели строится прогноз на 01.01.2018 г. В класс банков, у которых прогнозируется «Отзыв лицензии», попало 120 банков, в то время как в класс банков с прогнозом «Работающий банк» — 334 банка6.
6 Стоит отметить, что количество банков, по которым был сделан прогноз, меньше общего количества банков, действующих на 01.01.2018 г. Это объясняется пропусками в данных.
Результаты кластеризации банков класса «Работающий банк». На данном этапе выбирается группа банков, которые в дальнейшем должны подвергаться стресс-тестированию кредитного риска с целью выявления достаточности капитала для покрытия убытков при реализации кредитного риска. Группа банков, как уже отмечалось, может быть выбрана инвестором, исходя из личных предпочтений. Однако если у инвестора не сложилось окончательного мнения, какие банки должны быть подвергнуты процедуре стресс-тестирования, предварительно необходимо провести кластеризацию выборки. Анализ полученных кластеров банков и их характеристик позволит инвестору принять окончательное решение: в отношении какого кластера или, возможно, отдельных банков из определенного кластера следует провести процедуру стресс-тестирования. Таким образом, для выборки из 334 банков, у которых вероятность отзыва лицензии ниже установленного порога отсечения, проведена иерархическая кластеризация по финансовым показателям методом Уорда, в качестве меры расстояния использован квадрат Евклидова расстояния. Анализировался диапазон кластеров от 10 до 15. Для окончательного анализа выбрано 11-кластерное решение, которое характеризует устойчивость полученных кластеров при уменьшении их числа от 15 до 10. Результаты кластеризации приведены в табл. 4.
Таблица 4 Распределение банков по кластерам
Distribution of banks by cluster
Кластер 1 2 3 4 5 6 7 8 9 10 11
Количество 63 28 15 10 63 28 45 23 29 14 9
банков
Проведенный анализ с использованием непараметрического теста Крускала—Уоллиса показал, что средние значения показателей в кластерах имеют высокозначимые различия (р-уа1ие < 0,0001). Средние значения переменных, характеризующих полученные кластеры, приведены в табл. 5, средние значения относительных показателей — в табл. 6. Все абсолютные показатели в табл. 5 измерены в тыс. руб. за исключением 1п(активы всего) — в б/р и Н1,0 — в %.
Таблица 4
Средние значения переменных в кластерах Mean values of variables in clusters
Переменная Кластер 1 Кластер 2 Кластер 3 Кластер 4 Кластер 5 Кластер 6 Кластер 7 Кластер 8 Кластер 9 Кластер 10 Кластер 11
Депозиты ФЛ 19 670 858 721 640 152 255 597 195 432 6 468 598 3629 984 32 522 038 2274598 1593 214 4181 566 65 709
Депозиты ЮЛ 22 868 143 482 712 269 1 526 493 214 398 4 705 414 9106 500 8757 366 3875735 3663 048 2259 162 1 433 647
Средства ЮЛ 9137 974 229 036 959 628 945 170 828 3897614 4758902 4740 118 2360961 1 294 181 2 406 646 946 519
МБК привлеченные 14 815 173 123 086 569 941 088 17 280 2 012 488 1 224 711 7 090 997 1 034 451 1 105 437 1 481244 1812745
МБК размещенные 8251 066 180 946 074 797 349 175845 2648750 5 092 983 4 483 859 1661309 1 345 140 2 529 129 487 545
Кредиты ФЛ 11 799 231 341 576 621 1716038 70 133 3 703 163 688 146 17 082 101 316706 545 942 1238 159 44 514
Кредиты ЮЛ 29 371 192 861 176 774 1 088197 682 913 7471804 9015 487 17 528 270 5 024 813 6919 708 4616358 2375234
Основные средства 1819 849 49101616 172 888 209178 703 847 429 800 3 004 619 365 780 540 796 397 364 58 160
Средства в кассе 1023 674 54 911 100 57 105 51 857 575592 340 410 2007483 193 840 164 308 599 707 63 403
Счета в Банке России 4632794 96 481 705 1 847 003 354377 3 267 332 3974074 3 702 882 1 894774 790734 4 385 763 2475979
Ценные бумаги 10 263 046 279 813 542 120 666 15 692 4 476 885 3 391 987 11 159 473 3126 621 2905 811 464365 22 512
Средства на счетах Ностро 1030 448 24 281460 119 326 42 502 434008 1826335 1172261 316707 100 443 88 749 248021
Просроченная задолженность 2935 449 52 372 011 97 004 42 591 723 189 83 843 4201 547 2410 166 4058 229 119 943 38 725
Средства от Банка России 134785 38 694 720 0 0 457 356 0 45 378 0 0 145772 0
Средства на счетах Лоро 491 492 11 860 208 166 035 745 459 642 491 948 124701 334 299 41 373 115654 131503
Резервы на возможные потери 5921 315 132 372 787 210 750 142 607 2 124 272 391 093 7 096 922 1125 066 1515 927 713616 221960
Активы всего 85 613064 2072 489 860 6697376 1528 008 25 617 407 23054460 68 930 891 13 748 814 15 920 155 13 765 970 5 677 642
1п(активы всего) 16,6 20,1 14,5 14,0 16,0 15,2 17,2 15,5 15,0 14,9 14,5
Активы под риском 0 10 389 953 272 097 754 2075766 397 281 6118960 4881270 11 059 523 2 692 991 2538339 7115946 2588991
Ликвидные активы 33331238 433 171 990 3530611 860 428 10 969 370 10 850 298 14 785 759 6 393 041 3 796 039 6905010 3374674
Высоколиквидные активы 10 360 800 212 565 136 1 403 086 317 972 5210746 5802333 6821750 2 914 633 1 627 376 2 192 904 552 567
Н1Л ( %) 15,6 12,8 47,0 66,7 21,4 41,4 11,0 28,3 35,7 56,7 74,8
Банки, вошедшие в 1-й кластер, характеризуются достаточно высокой долей депозитов в активах всего, как физических (23,0 %), так и юридических лиц (26,7 %). Банки значительно более активно кредитуют юридических лиц, чем физических лиц, о чем свидетельствуют их доли в активах всего — 34,3 и 13,8 % соответственно. Эти банки характеризуются относительно небольшой долей просроченной задолженности (7,1 %) и средней величиной доли резервов на возможные потери в кредитном портфеле. При этом они имеют самую низкую долю активов под риском 0 к активам всего (12,1 %). Этот показатель, так же как и показатель Н10 (15,6 %), свидетельствует о достаточно оптимальном управлении капиталом и активами.
2-й кластер объединяет наиболее крупные банки, о чем свидетельствуют значения основных финансовых показателей, которые превышают показатели ближайших к нему кластеров в диапазоне от 12 до 30 раз, а показатели самых удаленных кластеров — от 1000 до 11000 раз. Об этом же свидетельствуют значения таких показателей, как «Средства в кассе» (54,9 млрд р.). Эти банки имеют государственную поддержку («Средства от Банка России» — 38,7 млрд р.). Данный кластер характеризуется одним из самых высоких значений доли депозитов в активах всего физических лиц (34,8 %) и доли кредитов в активах всего юридических лиц (41,6 %). Это дает основание предполагать, что банки из 2-го кластера активно привлекают денежные
Таблица 5
Средние значения относительных показателей в кластерах Mean values of relative indicators in clusters
Переменная Кластер 1 Кластер 2 Кластер 3 Кластер 4 Кластер 5 Кластер 6 Кластер 7 Кластер 8 Кластер 9 Кластер 10 Кластер 11
Депозиты ФЛ/А 23,0 34,8 3,8 12,8 25,3 15,7 47,2 16,5 10,0 30,4 1,2
Депозиты ЮЛ/А 26,7 23,3 22,8 14,0 18,4 39,5 12,7 28,2 23,0 16,4 25,3
Средства ЮЛ/А 10,7 11,1 9,4 11,2 15,2 20,6 6,9 17,2 8,1 17,5 16,7
МБК привлеченные/А 17,3 5,9 14,1 1,1 7,9 5,3 10,3 7,5 6,9 10,8 31,9
МБК размещенные/А 9,6 8,7 11,9 11,5 10,3 22,1 6,5 12,1 8,4 18,4 8,6
Кредиты ФЛ/А 13,8 16,5 25,6 4,6 14,5 3,0 24,8 2,3 3,4 9,0 0,8
Кредиты ЮЛ/А 34,3 41,6 16,2 44,7 29,2 39,1 25,4 36,5 43,5 33,5 41,8
Основные средства/А 2,1 2,4 2,6 13,7 2,7 1,9 4,4 2,7 3,4 2,9 1,0
Средства в кассе/А 1,2 2,6 0,9 3,4 2,2 1,5 2,9 1,4 1,0 4,4 1,1
Счета в Банке России/А 5,4 4,7 27,6 23,2 12,8 17,2 5,4 13,8 5,0 31,9 43,6
Ценные бумаги/А 12,0 13,5 1,8 1,0 17,5 14,7 16,2 22,7 18,3 3,4 0,4
Средства на счетах Ностро/А 1,2 1,2 1,8 2,8 1,7 7,9 1,7 2,3 0,6 0,6 4,4
Доля просроченной задолженности в кредитном портфеле 7,1 4,4 3,5 5,7 6,5 0,9 12,1 45,1 54,4 2,0 1,6
Средства от Банка России/А 0,2 1,9 0,0 0,0 1,8 0,0 0,1 0,0 0,0 1,1 0,0
Средства на счетах Лоро/А 0,6 0,6 2,5 0,0 1,8 2,1 0,2 2,4 0,3 0,8 2,3
Доля резервов в кредитном портфеле 14,4 11,0 7,5 18,9 19,0 4,0 20,5 21,1 20,3 12,2 9,2
Активы под риском 0/А 12,1 13,1 31,0 26,0 23,9 21,2 16,0 19,6 15,9 51,7 45,6
Ликвидные активы/А 38,9 20,9 52,7 56,3 42,8 47,1 21,5 46,5 23,8 50,2 59,4
Высоколиквидные активы/А 12,1 10,3 20,9 20,8 20,3 25,2 9,9 21,2 10,2 15,9 9,7
средства физических лиц во вклады, а кредитуют преимущественно юридических лиц («Кредиты ЮЛ/А» — 41,6 %). Одни из самых низких значений доли просроченной задолженности — 4,4 %, доли резервов на возможные потери в кредитном портфеле — 11,0 %, доли активов под риском 0 к активам всего — 13,1 %; самое низкое значение доли ликвидных активов в активах всего — 20,9 %. На основании этих значений и значения показателя Н10 (12,8 %) можно сделать вывод, что банки, вошедшие в данный кластер, характеризует оптимальное управление капиталом и активами.
Банки 3-го кластера преимущественно привлекают денежные средства юридических
лиц в депозиты («Депозиты ЮЛ/А» — 22,8 %), тогда как практически не привлекают средства физических лиц («Депозиты ФЛ/А» — 3,8 %). Вместе с тем доля кредитов физическим лицам к активам всего самая высокая среди всех кластеров — 25,6 %, а доля кредитов юридическим лицам — низкая — 16,2 %. При этом доля просроченной задолженности в кредитном портфеле одна из самых низких — 3,5 %. Одна из самых высоких долей средств на счетах Банка России к активам всего — 27,6 % и 0 % — средств от Банка России. Доля резервов у банков данного кластера — одна из самых низких (7,5 %), а доля активов под риском 0 в акти-
вах всего — одна из самых высоких (31,0 %). Учитывая все вышеизложенное и то, что показатель Н10 равен 14 %, можно сделать вывод, что эти банки имеют не самое оптимальное соотношение капитала к активам, взвешенным на риск.
Банки 4-го кластера имеют весьма низкую долю привлечения денежных средств на депозиты к активам всего как физических лиц («Депозиты ФЛ/А» — 12,8 %), так и юридических лиц («Депозиты ЮЛ/А» — 14 %). Доля кредитов физическим лицам к активам одна из самых низких среди всех кластеров — 4,6 %, в то время как доля кредитов к активам всего, выданных юридическим лицам, самая высокая — 44,7 %. При этом они имеют самую высокую долю основных средств в активах всего — 13,7 %. Доля вложений в ценные бумаги в активах всего одна из самых низких — 1,0 %, так же как и доля просроченной задолженности в кредитном портфеде к активам всего — 5,7 %. Одна из самых высоких долей средств на счетах Банка России к активам всего — 23,2 % и 0 % — средств, полученных от Банка России. Доля резервов на возможные потери в кредитном портфеле к активам всего у банков данного кластера одна из самых высоких — 18,9 %, доля активов под риском 0 к активам всего достаточна высока — 26 % и одна из самых высоких долей в активах всего. В данный кластер вошли банки, у которых наименьшее количество активов всего (1,5 млрд р.). Учитывая, что среднее значение показателя Н1,0 равно 66,7 %, можно сделать вывод, что эти банки имеют далеко не самое оптимальное соотношение капитала к активам, взвешенным на риск.
Банки, вошедшие в 5-й кластер, характеризуются достаточно высокой долей депозитов в активах всего как физических лиц (25,3 %), так и юридических лиц (18,4 %). Банки значительно более активно кредитуют юридических лиц: доля кредитов юридическим лицам в активах всего — 29,2 %, в то время как доля кредитов физических лиц в активах всего — 14,5 %. Эти банки характеризуются относительно небольшой долей просроченной задолженности (6,5 %) и относительно высокой долей резервов на возможные потери в кредитном портфеле (19,0 %) и ликвидных (42,8 %) и высоколик-
видных (20,3 %) в активах всего. При этом они имеют самую высокую долю активов под риском 0 к активам всего (23,9 %). Банки данного кластера достаточно активно инвестируют в ценные бумаги («Ценные бумаги/А» — 17,5 %). Этот показатель, как и показатель Н10 (21,4 %), свидетельствует о не самом оптимальном управлении капиталом и активами.
Банки, вошедшие в 6-й кластер, характеризуются тем, что они существенно больше привлекают депозиты юридических лиц, о чем свидетельствует показатель «Депозиты ЮЛ/А» — 39,5 %, в то время как «Депозиты ФЛ/А» равен 17,5 %. Что касается кредитной политики, то эти банки преимущественно кредитуют юридических лиц и практически не кредитуют физических лиц. Показатель «Кредиты ЮЛ/А» равен 39,1 %, в то время как «Кредиты ФЛ/А» — 3,0 %. Существенную величину составляют денежные средства на счетах в Банке России (доля средств на счетах в Банке России к активам всего — 17,2 %). О высоком качестве кредитного портфеля свидетельствует самые низкие доли просроченной задолженности (0,9 %) и резервов на возможные потери (4,0 %) в кредитном портфеле к активам всего. При этом не имеют средств от Банка России 0 %, достаточно высокие доли активов под риском 0 — 21,2 %, ликвидных активов — 47,1 % в активах всего и самая высокая доля высоколиквидных активов в активах всего — 25,2 %. Но при этом среднее значение коэффициента достаточности капитала для банков данного кластера составляет Н10 (41,4 %), что свидетельствует о том, что управление капиталом и активами является не самым оптимальным.
7-й кластер образуют банки, деятельность которых направлена на обслуживание физических лиц. Так, доля депозитов физических лиц к активам составляет 47,2 %, в то время как доля депозитов юридических лиц — 12,7 %. Что касается кредитной политики, то в равной степени эти банки кредитуют как физических («Кредиты ФЛ/А» — 24,8 %), так и юридических лиц («Кредиты ЮЛ/А» — 25,4 %). Банки данного кластера достаточно активно инвестируют в ценные бумаги («Ценные бумаги/А» — 16,2 %). Доля просроченной задолженности в кредитном
портфеле несколько выше, чем у всех рассмотренных ранее кластеров, и составляет
12.1 %. Но доля резервов на возможные потери в кредитном портфеле к активам всего — одна из самых высоких — 20,5 %. Банки, вошедшие в 7-й кластер, имеют наилучшее из всей выборки соотношение капитала к активам, взвешенным на риск (11,0 %). Это свидетельствует об оптимальном управлении капиталом и активами.
Банки 8-го кластера обслуживают в основном юридических лиц. Доля депозитов юридических лиц в активах составляет
28.2 %, в то время как доля депозитов физических лиц в активах всего — 16,5 %. Объем кредитов юридическим лицам (5,02 млрд р.) существенно превышает объем кредитов физическим лицам (316,7 млн р.). Стоит отметить, что качество кредитных портфелей у банков данного кластера — одно из самых низких, о чем свидетельствуют одни из самых высоких долей просроченной задолженности в кредитном портфеле (45,1 %) и резервов на возможные потери по ссудам (21,1 %). Банки данного кластера достаточно активно инвестируют в ценные бумаги («Ценные бумаги/А» — 22,7 %). Среднее значение достаточности капитала составляет 28,3 % от активов, взвешенных на риск, что свидетельствует о не самом оптимальном управлении активами и капиталом. В целом банки данного кластера можно охарактеризовать как рискованные. Однако высокое значение достаточности капитала (21,1 %) позволит в будущем дофор-мировать в нужном объеме резервы на возможные потери по ссудам.
Банки 9-го кластера обслуживают преимущественно юридических лиц. Так, доля депозитов юридических лиц в активах всего составляет 23,0 %, а доля кредитов юридическим лицам к активам всего — 43,5 %. Также банки этого кластера имеют самые высокие доли просроченной задолженности (54,4 %) и резервов на возможные потери (20,3 %) в кредитном портфеле. Объем активов банков 9-го кластера составляет 15,9 млрд р. Эти банки достаточно активно инвестируют в ценные бумаги («Ценные бумаги/А» —
18.3 %). По сравнению с банками из 8-го кластера, эти банки имеют существенно худшее соотношение капитала к активам, взвешенным на риск (35,7 %).
Банки, вошедшие в 10-й кластер, активно привлекают средства как физических, так и юридических лиц. Доля депозитов физических лиц к активам всего — 30,4 %, а юридических лиц к активам всего — 16,4 %. Но кредитуют эти банки преимущественно юридических лиц («Кредиты ЮЛ/А» — 33,5 %, «Кредиты ФЛ/А» — 9,0 %). Качество кредитных портфелей банков этого кластера можно охарактеризовать как высокое. Так, доля просроченной задолженности в кредитном портфеле к активам всего — 2,0 %, а доля резервов на возможные потери к активам всего — 12,2 %. Вместе с тем у банков 10-го кластера — одно из самых высоких значений показателя достаточности капитала — 56,7 %, что свидетельствует о не самом оптимальном управлении капиталом и активами.
Банки из 11-го кластера в основном привлекают средства юридических лиц («Депозиты ЮЛ/А» — 25,3 %, «Депозиты ФЛ/А» — 1,2 %) и кредитуют также преимущественно юридических лиц («Кредиты ЮЛ/А — 41,8 %, «Кредиты ФЛ/А» — 0,8 %). Качество кредитного портфеля достаточно высокое, об этом свидетельствуют значения показателей «Доля просроченной задолженности в кредитном портфеле к активам всего» — 1,6 % и «Доля резервов на возможные потери к активам всего» — 9,2 %. Но самое высокое значение коэффициента достаточности капитала к активам, взвешенным на риск (74,8 %), свидетельствует о недостаточно оптимальном управлении капиталом и активами.
Результаты исследования
1. Построены четыре логистические регрессионные модели, отличающиеся лагами независимых переменных. Наилучшей моделью на основе критерия общей точности выбрана модель с лагом независимых переменных в 1 квартал. Вследствие наличия мульти-коллинеарности в данных применена RIDGE-модификация логистической регрессионной модели. Полученная модель обладает высокой прогностической способностью.
2. Проведена кластеризация банков, чья вероятность отзыва лицензии по результатам выбранной модели логистической регрессии оказалась ниже полученного с помощью ста-
тистики Колмогорова—Смирнова порога отсечения. Дана характеристика кластеров на основе абсолютных и относительных значений переменных, характеризующих финансовое состояние банка, на основе которых проведена кластеризация.
3. Предложена информационно-логическая модель, позволяющая определить банк или группу банков, финансовое состояние которых признается удовлетворительным с целью дальнейшего инвестирования средств. Банки с вероятностью отзыва лицензии ниже порогового уровня кластеризуются. Далее по запросу инвестора банки выбранного кластера подвергаются процедуре стресс-тестирования кредитного риска.
Выводы.
Таким образом, в данной работе предложен и реализован подход, позволяющий проводить комплексный анализ финансового состояния банка или группы банков с целью выявления наиболее надежных для инвестирования средств.
Для комплексной реализации предложенной информационно-логической модели в дальнейшем необходимо разработать алгоритм стресс-тестирования кредитного риска банков на основе публичной финансовой отчетности с целью выявления банков, устойчивых к ухудшающимся макроэкономическим условиям. Данная процедура позволит провести дополнительную проверку финансового состояния банка при неблагоприятных макроэкономических условиях. Успешно прошедшие стресс-тестирование могут быть рекомендованы к инвестированию.
Однако стресс-тестирование кредитного риска не является исчерпывающей проверкой финансового состояния банка при неблаго -приятных макроэкономических условиях, так как немаловажной составляющей банковской деятельности являются ликвидные активы. Соответственно разработка алгоритма стресс-тестирования ликвидности банка является областью будущего исследования.
СПИСОК ЛИТЕРАТУРЫ
[1] Gurny P., Gurny M. Comparison of credit scoring models on probability of default estimation of US banks // Prague Economic Papers. 2013. No. 22(2).
[2] Karminsky A., Kostrov A. The back side of banking in Russia: Forecasting bank failures with negative capital // International Journal of Computational Economics and Econometrics. 2014. No. 7 (1/2). P. 170-209.
[3] Пересецкий А. Модели причин отзыва лицензий российских банков. Российская экономическая школа: [препринт]. 2010. (085).
[4] Карминский А.М., Костров А.В., Мурзенков Т.Н. Вероятность дефолта банка и ее моделирование // Финансовая аналитика: проблемы и решения. 2012. № 5 (41).
[5] Calabrese R., Giudici P. Estimating bank default with generalised extreme value models // DEM Working Paper Series. 2013. No. 35.
[6] Babajide A.A., Olokoyo F.O., Adegboye F.B. Predicting bank failure in Nigeria using survival analysis approach // Journal of South African Business Research. 2015.
[7] Карминский А.М., Сосюрко В.В. Сопоставление банковских рейтингов различных агентств // Журнал новой экономической ассоциации. 2011. № 12. С. 102-123.
[8] Livingston M., Wei J., Zhou L. Moody's and S&P ratings: Are they equivalent? Conservative ratings and split rated bond yields // Journal of Money, Credit and Banking. 2010. No. 42 (7). P. 1267-1293.
[9] Живайкина А.Д., Пересецкий А. А. Кредитные рейтинги российских банков и отзывы бан-
ковских лицензий 2012-2016 гг. // Журнал новой экономической ассоциации. 2017. № 4. С. 49-80.
[10] Karas A., Pyle W., Schoors K. Sophisticated discipline in a nascent deposit market: Evidence from post-communist Russia // Bank of Finland, BOFIT discussion paper. 2006. No. 13.
[11] Ungan E., Caner S., Ozyildirim S. Depositor's assessment of bank riskiness in Russian Federation // Journal of Financial Services Research. 2008. Vol. 33, no. 2. P. 77-110.
[12] Uchida H., Satake M. Market discipline and bank efficiency // Journal of International Financial Market, Institutions and money. 2009. Vol. 19, no. 5. P. 792-902.
[13] Pasiouras F., Tanna S., Zopounidis C. The impact of banking regulations on bank's cost and efficiency: Cross-country evidence // International review of financial analysis. 2009. No. 18. P. 294-302.
[14] Blaschke W., Jones M., Majnoni G., Peria S. Stress-testing of Financial Systems: An overview of Issues, Methodologies and FSAP Experiences // IMF Working paper WP. 2001. No. 88.
[15] Melecky, Martin & Podpiera, Anca Maria. Macroprudential stress-testing practices of central banks in central and south eastern Europe : an overview and challenges ahead // Policy Research Working Paper Series 5434, The World Bank. 2010.
[16] Simons D., Rowles F. Macroeconomic default modelling and stress testing. 2008. P. 31.
[17] Fungasova Z., Jacubik P. Bank stress test as an information device for emerging market: the case
of Russia. 2012. BOFIT discussion paper 3.
[18] Мамонов М.Е. «Дыры» в капитале обанкротившихся российских банков: старые факторы и новые гипотезы // Экономическая политика. 2017. № 1 (12). С. 166-199.
[19] Биджоян Д.С., Богданова Т.К. Концепция моделирования и прогнозирования вероятности
[1] P. Gurny, M. Gurny, Comparison of credit scoring models on probability of default estimation of US banks, Prague Economic Papers, 22 (2) (2013).
[2] A. Karminsky, A. Kostrov, The back side of banking in Russia: Forecasting bank failures with negative capital, International Journal of Computational Economics and Econometrics, 7 (1/2) (2014) 170—209.
[3] A. Peresetskiy, Modeli prichin otzyva litsenziy rossiyskikh bankov. Rossiyskaya ekonomicheskaya shkola. Preprint, 085 (2010).
[4] A.M. Karminskiy, A.V. Kostrov, T.N. Murzenkov, Veroyatnost defolta banka i yeye modelirovaniye, Finansovaya analitika: problemy i resheniya, 5 (41) (2012).
[5] R. Calabrese, P. Giudici, Estimating bank default with generalised extreme value models, DEM Working Paper Series, 35 (2013).
[6] A.A. Babajide, F.O. Olokoyo, F.B. Adegboye, Predicting bank failure in Nigeria using survival analysis approach., Journal of South African Business Research. 2015.
[7] A.M. Karminskiy, V.V. Sosyurko, Sopostavleniye bankovskikh reytingov razlichnykh agentstv, Zhurnal novoy ekonomicheskoy assotsiatsii, 12 (2011) 102—123.
[8] M. Livingston, J. Wei, L. Zhou, Moody's and S&P ratings: Are they equivalent? Conservative ratings and split rated bond yields, Journal of Money, Credit and Banking, 42 (7) (2010) 1267—1293.
[9] A.D. Zhivaykina, A.A. Peresetskiy, Kreditnyye reytingi rossiyskikh bankov i otzyvy bankovskikh litsenziy 2012—2016 gg., Zhurnal novoy ekonomicheskoy assotsiatsii, 4 (2017) 49—80.
[10] A. Karas, W. Pyle, K. Schoors, Sophisticated discipline in a nascent deposit market: Evidence from post-communist Russia, Bank of Finland, BOFIT discussion paper, 13 (2006).
отзыва лицензии российских банков // Экономическая наука современной России. 2017. № 4 (79). С. 88—103.
[20] Биджоян Д.С. Модель оценки вероятности отзыва лицензии у российского банка // Финансы: теория и практика. 2018. № 2(22). С. 26—37.
поступила в редакцию: 05.06.2018
[11] E. Ungan, S. Caner, S. Ozyildirim,
Depositor's assessment of bank riskiness in Russian Federation, Journal of Financial Services Research, 33 (2) (2008) 77—110.
[12] H. Uchida, M. Satake, Market discipline and bank efficiency, Journal of International Financial Market, Institutions and money, 19 (5) (2009) 792—902.
[13] F. Pasiouras, S. Tanna, C. Zopounidis, The impact of banking regulations on bank's cost and efficiency: Cross-country evidence, International review of financial analysis, 18 (2009) 294—302.
[14] W. Blaschke, M. Jones, G. Majnoni, S. Peria, Stress-testing of Financial Systems: An overview of Issues, Methodologies and FSAP Experiences. 2001, IMF Working paper WP, 88 (2001).
[15] Melecky, Martin & Podpiera, Anca Maria, Macroprudential stress-testing practices of central banks in central and south eastern Europe : an overview and challenges ahead, Policy Research Working Paper Series 5434, The World Bank. 2010.
[16] D. Simons, F. Rowles, Macroeconomic default modelling and stress testing, (2008) 31.
[17] Z. Fungasova, P. Jacubik, Bank stress test as an information device for emerging market: the case of Russia. 2012. BOFIT discussion paper 3.
[18] M.Ye. Mamonov, «Dyry» v kapitale obankrotivshikhsya rossiyskikh bankov: staryye faktory i novyye gipotezy, Ekonomicheskaya politika, 1 (12) (2017) 166—199.
[19] D.S. Bidzhoyan, T.K. Bogdanova, Kontseptsiya modelirovaniya i prognozirovaniya veroyatnosti otzyva litsenzii rossiyskikh bankov, Ekonomicheskaya nauka sovremennoy Rossii, 4 (79) (2017) 88—103.
[20] D.S. Bidzhoyan, Model otsenki veroyatnosti otzyva litsenzii u rossiyskogo banka, Finansy: teoriya i praktika, 2 (22) (2018) 26—37.
БИДЖОЯН Давит Саакович. E-mail: [email protected] БОГДАНОВА Татьяна Кирилловна. E-mail: [email protected] НЕКЛЮДОВ Дмитрий Юрьевич. E-mail: [email protected]
Статья
REFERENCES
BIDZHOYAN Davit S. E-mail: [email protected] BOGDANOVA Tatyana K. E-mail: [email protected] NEKLUDOV Dmitri Yu. E-mail: [email protected]
© Санкт-Петербургский политехнический университет Петра Великого, 2018
