CC BY
244
ЭКОНОМИКА
ПОДХОДЫ К ОЦЕНКЕ РИСКА ФИНАНСОВОГО СЕКТОРА
М.А. Щепелева
Московский государственный институт международных отношений (университет) МИД России. Россия, 119454, Москва, пр. Вернадского, 76.
Статья посвящена рассмотрению количественных методов оценки системного риска финансового сектора и возможностям их практического применения. Системный риск, который проявляется в возникновении срыва предоставления финансовыхуслуг и ухудшением состояния всей финансовой системы, является сложным многоаспектным понятием и может реализовываться в нескольких формах: риск заражения, экзогенный шок, приводящий к одновременному спаду во всех финансовых институтах, и риск «накопления финансовой хрупкости». Основными причинами возникновения дисбалансов в системе являются необоснованное снижение стандартов по оценке рисков в условиях подъёма, синхронное процикличное поведение экономических агентов и асимметричность информации, а распространение риска связано с механизмом финансового акселератора.
Реализация системного риска в финансовом секторе влечёт за собой серьёзные негативные последствия для реального производства и может «заразить» не только всю национальную экономику, но и перекинуться на зарубежные страны. В связи с этим количественная оценка риска, накопленного в системе, представляет собой важную информацию для национальных органов макро-пруденциального надзора, основной задачей которых является поддержание стабильности развития финансового сектора. При этом очень важно, чтобы данные, используемые регулятором, были точны и достоверны. После кризиса 2008 г. появилось большое количество новых подходов, но все они отражают лишь отдельные аспекты риска. В статье в качестве основных рассматриваются стресс-тесты, системы индикаторов раннего обнаружения кризисов, сетевые модели, VaR-методы и специфические индексы. Согласно исследованиям, оценки, получаемые при применении различных моделей, дают разные результаты. Кроме того, из-за недостаточно обширной статистической базы создаваемые эконометрические модели имеют хорошую прогностическую силу применительно к кризисам, которые уже свершились, но не могут идентифицировать наступление стрессовых событий в будущем. На данный момент нет единого универсального инструмента, который мог бы наиболее точно предсказывать начало системных кризисов. Для получения целостной картины относительно агрегированного уровня риска в системе необходимо применять набор разных методов, как количественных, так и качественных, сравнивать их результаты.
Ключевые слова: системный риск, системный кризис, количественные методы оценки риска, риск заражения, финансовая хрупкость.
Понятие системного риска финансового сектора включает в себя разные аспекты и отличается сложностью интерпретации. Согласно определению экспертов Банка международных расчётов, под системным риском понимается возможность возникновения срыва предоставления финансовых услуг, который может быть вызван ухудшением состояния всей финансовой системы или её части и имеет потенциальные серьёзные отрицательные последствия для реальной экономики.
Можно выделить три формы системного риска. Согласно первой из них, системный риск представляет собой «риск заражения» финансового сектора. Основная причина его возникновения - реализация эндогенных специфических рисков отдельного финансового института (или группы), которые по цепочке взаимосвязей последовательно распространяются на других участников («эффект домино»). Примером могут служить банковские набеги вкладчиков. Изъятие депозитов из одного банка по объективным причинам может оказаться «заразным» и перекинуться на других «невиновных» участников, если вкладчики не обладают полной информацией и поддаются общей панике. Введение системы страхования вкладов помогает частично решить эту проблему1.
Следует отметить, что последствия «заражения» зависят от рассматриваемого банка. Иногда проявляется эффект «бегства в качество», то есть повышение доверия вкладчиков к одним финансовым организациям на фоне банкротства других. В результате, некоторые банки могут даже извлекать выгоду из неблагоприятной ситуации, которой подвержены остальные участники. Но чаще всё же в рамках системного кризиса происходит однонаправленное изменение показателей финансовых институтов. Для оценки системного риска в данном случае необходимо применять сетевой анализ. В этом случае на регулирующий орган ложится основная ответственность за предотвращение ситуации, при которой финансовые институты (особенно крупные, так называемые системно значимые игроки, потеря доверия к которым способна быстро распространиться на всю финансовую систему) накапливали чрезмерные риски и своевременно выполняли свои обязательства.
Во второй интерпретации системный риск проявляется в одновременном ухудшении показателей всех финансовых организаций в результате экзогенного шока. Для расчёта вероятности реализации такого риска из «хвостов распределений» используется теория экстремальных значений, которая позволяет определить, насколько глубоким будет спад в отдельном банке при условии экстремальных кризисных ситуаций. Целью пруденциального
надзора в данной ситуации должна быть идентификация потенциальных шоков, которые могут воздействовать на финансовый сектор, и каналов их распространения. Особое внимание уделяется деловому циклу, которому подвержен национальный финансовый сектор, и угрозам со стороны внешнего мира.
В третьем случае системным риском называют постепенное накопление эндогенных «диспропорций» и нарастание «финансовой хрупкости» системы. Последующее выявление накопленных рисков в результате экзогенного шока оказывает одновременное негативное влияние на всех участников финансового рынка. Отличие данного определения от второго случая состоит в том, что внешний шок является всего лишь «спусковым крючком» для начала кризиса, но никак не его основной причиной.
Накопление системного риска происходит, прежде всего, по причине чрезмерно оптимистического настроения участников рынка. В экономической науке существуют особые термины, характеризующие подобное состояние финансового сектора - «animal spirits» и «irrational exuberance». Первый введён Дж. М. Кейнсом в 1930-х гг., второй - Робертом Шиллером на рубеже 1990 - 2000-х гг. При этом оба термина могут быть переведены как «чрезмерная, необоснованная жизнерадостность».
Как показывают эмпирические исследования, ключевым фактором возникновения рыночной эйфории являются высокие темпы экономического роста, превышающие долговременный тренд развития той или иной национальной экономики [1]. В таких условиях экономические агенты склонны менее тщательно оценивать уровень риска, что приводит к его постепенному и незаметному накоплению во всей системе. В итоге, даже незначительные внешние колебания могут подорвать стабильность системы и вызвать спад.
Другой источник нарастания «хрупкости» финансовой системы - синхронное проциклич-ное поведение экономических агентов, как рациональное, так и иррациональное. Для характеристики такой ситуации часто используют термин «стадное поведение», при котором участники рынка используют подражательные стратегии и принимают решения в результате анализа не фундаментальных показателей, а основываясь на действиях и стратегиях других экономических агентов.
Например, банки, стремящиеся сохранить репутацию в краткосрочном периоде, имеют склонность к сокрытию убытков путём продления договоров с некредитоспособными заёмщиками (если это происходит в течение долгого времени, то финансовая система становится всё более и более хрупкой). Если все участники сле-
1 В некоторых исследованиях показано, что система страхования вкладов не может заменить рыночную дисциплину. В отдельных случаях, стабильность банковской системы может даже снизиться из-за «морального риска» [15].
дуют данной стратегии, то отдельный банк тоже будет её придерживаться: открыто признать убытки в таких условиях означает нанести болезненный удар по репутации кредитной организации. Однако если все признают убытки, то банк тоже последует примеру своих конкурентов, и тогда ухудшение показателей всех участников можно будет списать на общую неблагоприятную макроэкономическую ситуацию.
Отрицательный отбор и асимметричная информация также могут способствовать накоплению системных диспропорций. Так, финансовая либерализация приводит к сокращению банковской процентной маржи и кредитованию менее надёжных заёмщиков по более низкой процентной ставке в связи с растущей банковской конкуренцией. Для отслеживания накопления риска в системе применяются модели векторных авторегрессий (УЛЯ - модели), которые определяют зависимость какого-либо показателя (отражающего уровень риска) от его прошлой истории и лаговых значений показателей других секторов.
Рассмотренные формы риска не являются взаимоисключающими, их можно наблюдать в чистом виде или совместно друг с другом (например, риск заражения может проявляться ярче в условиях общего экономического спада). Вторая и третья формы риска особенно актуальны в условиях цикличного развития финансового сектора.
Большое значение для определения интенсивности распространения системного риска имеет характер взаимосвязей всех участников. В качестве таких взаимосвязей рассматриваются:
1) взаимосвязи финансовых институтов между собой внутри национальной финансовой системы;
2) национальная финансовая система и её связи с реальным сектором экономики;
3) взаимосвязи национальных финансовых систем разных стран.
Важно отметить, что распространение системных рисков на финансовом рынке возможно в пределах не только одной страны, но и различных стран. В этом случае передаточным звеном, осуществляющим перенос системных рисков, являются международные потоки капитала.
История финансовых потрясений свидетельствует о том, что распространение кризиса может осуществляться даже между рынками, которые не имеют каких-либо общих финансовых и торговых связей. Например, спад на фондовом рынке одной из стран может являться сигналом для инвесторов о переоценке аналогичных финансовых инструментов на рынках других стран, что может спровоцировать отток иностранного капитала.
Усиление распространения первоначальных шоков в финансовом секторе возможно за счёт действия финансового акселератора, который приводит к тому, что ухудшение финансового положения инвестора в текущий момент вре-
мени влечёт за собой снижение его финансовой устойчивости в последующие периоды. В принципиальном плане возможны следующие два способа возникновения эффекта финансового акселератора.
Убытки банка, обусловленные, например, обесценением некоторых видов финансовых активов, могут спровоцировать отзыв ранее открытых кредитных линий со стороны других кредитных организаций на МБК и возникновение дефицита ликвидности у банка. Продажа активов банка по заниженным ценам для покрытия недостатка ликвидности приведёт к ещё большим убыткам.
Другой способ возникновения финансового акселератора основан на том, что рисковая премия, заложенная кредиторами в процентную ставку, зависит от финансового положения заёмщика: снижение финансовой устойчивости приводит к росту рисковой премии. В свою очередь, рост процентной ставки вызывает увеличение убытков банка-заёмщика. Возникает спираль взаимно усиливающихся последствий, способных привести к банкротству экономического агента.
С 1985 г. общее число внешних финансовых потрясений, пережитых мировыми банковскими центрами, выросло в 14 раз, а взаимосвязи между ними увеличились в шесть раз. Финансовые продукты сами по себе стали намного сложнее. Чтобы основательно разобраться в составляющих ценной бумаги, известной как обеспеченное долговое обязательство в квадрате или CDO2, инвестору нужно было бы прочитать 1,125 млрд страниц [2].
Степень взаимозависимости участников также возросла, в частности, благодаря такому новому механизму организации сделок и управления рисками, как секьюритизация. В итоге, по мере появления новых финансовых инструментов и усложнения организации финансового сектора, выявлять макрофинансовые взаимосвязи и определять механизмы распространения системного риска становится всё труднее.
Однако, принимая во внимание тот факт, что реализация системного риска связана с негативными эффектами для реального сектора и потенциальными серьёзными последствиями для мировой экономики, важно разработать модели, которые позволяли бы количественно оценить уровень риска в системе и спрогнозировать последующее ухудшение макроэкономических условий.
Обзор современных подходов к оценке системного риска
После кризиса 2008 г. проблема идентификации и оценки системных рисков вышла на первый план. Это повлекло за собой стремительное развитие статистических методов и появление новых количественных моделей. В работе «А Survey of Systemic Risk Analytics» [3] авторами Dimitrios Bisias, Mark Flood, Andrew W. Lo,
81ауго8 Уа1ауаш8 представлен обзор 31 методики количественной оценки, которые рассматривают разные стороны феномена системного риска. В статье рассмотрены лишь 5 основных групп, которые могут использовать органы надзора для мониторинга системного риска.
1) Методы стресс-тестов
Стресс-тесты призваны оценить уязвимость отдельных финансовых институтов или всей системы по отношению к макроэкономическим или финансовым шокам. Банк имитирует своё поведение в условиях заданного сценария, в результате чего может лучше оценить свои слабые места. Стресс-тесты, в отличие от других методов, определяют не вероятность того, что системный риск реализуется, а дают ответ на вопрос «каковы будут последствия, если шок произойдет?»
При проведении стресс-тестирования обычно используется один или несколько сценариев (например, позитивный, негативный, умеренный), различающихся своими параметрами: величиной начального шока, горизонтом прогнозирования, степенью распространения негативного влияния факторов риска на стабильность объектов стресс-тестирования [4].
Выделяют следующие направления стресс-тестирования:
- «снизу-вверх», когда банки самостоятельно определяют уровень своих потерь по каждому сценарию и передают их для агрегирования в мегарегулятор;
- «сверху-вниз», предполагающий тестирование всей системы Центральным банком по единой методологии.
Тестирование «снизу-вверх» помогает определить индивидуальный риск-профиль банков, но не учитывает сетевые эффекты, так как каждый рассчитывает свои собственные потери, не принимая во внимание их влияние на контрагентов.
Недостатки стресс-тестов заключаются в следующем:
неопределённость выбора сценария (возможна недооценка силы шока);
погрешности в сборе статистической информации;
непредсказуемость поведения коммерческих банков в стрессовых условиях - каждый банк индивидуален и переживает кризис по-своему, кроме того, в шоковой ситуации могут появляться нелинейные связи, которые не учитываются при разработке сценария;
существование косвенных каналов влияния макрошока на финансовый сектор.
Несмотря на перечисленные недостатки, модели, основанные на анализе стресс-тестов, снабжают орган надзора ориентировочной информацией об уровне накопления и концентрации риска в финансовых институтах, что может в дальнейшем использоваться для построения более сложных системных моделей.
2) Индикаторы раннего обнаружения системного кризиса
Суть данного метода заключается в том, чтобы выявить периоды превышения экономическими индикаторами, которые аппроксимируют уровень риска в системе, рассчитанных пороговых значений, что служит сигналом начала кризиса. Одним из примеров построения системы раннего оповещения кризисов может служить комплекс показателей финансовой устойчивости, используемый МВФ [5].
Эта система разделена на две группы индикаторов:
- CAMELS (аббревиатура по начальным буквам рассматриваемых индикаторов), характеризующая микроэкономическую компоненту финансового кризиса. Она включает следующие показатели: уровень основного капитала, качество активов, надёжность управления, прибыльность, ликвидность, чувствительность к рыночному риску;
- к макроэкономическим индикаторам относятся такие группы, как темпы экономического роста, состояние платёжного баланса, уровень инфляции, ставка процента и валютный курс.
В исследованиях российских учёных для оценки уровня системных рисков банковского сектора используется сводный опережающий индикатор (СОИ) системных банковских кризисов. Этот индикатор строится на основе оценок отдельных видов рисков: кредитных, ликвидности и валютных.
В качестве порогового уровня кризиса для России принимаются значения СОИ в интервале от 0,19 до 0,25. Этот интервал выбран, поскольку за год до кризиса 1995 г. СОИ принял значение 0,19, а перед более тяжёлым кризисом 1998 г. — 0,25. Если пороговый интервал превышен (больше 0,25), значит, в следующем году вероятность кризиса превышает вероятность стабильного развития [6].
Критика метода «индикаторов раннего обнаружения» заключается в том, что подобные модели не учитывают эффекта посткризисного смещения - изменение поведения показателей после начала кризиса [7]. Нет никакой гарантии, что установленные в прошлом закономерности будут иметь ту же силу в будущем.
3) Сетевые методы
Сетевые модели рассматривают финансовый сектор как набор игроков, которые связаны между собой заключаемыми договорами. Например, межбанковский рынок представляет собой сеть банков, которые предоставляют друг другу краткосрочные займы, часто на период до начала следующего рабочего дня. В каждый момент времени банки в сети имеют открытые позиции по отношению друг к другу, которые представлены совокупными требованиями или обязательствами, накопленными вследствие кредитования и заимствования [8].
Методическую основу сетевого похода составляет теория графов. При такого рода анализе структура сети имеет большое значение. Если система является полной, то есть все институты имеют связи друг с другом, то риск легко передаётся от одного участника к другому. В этом случае, очевидно, частота возникновения шока для отдельного участника будет выше, однако системный характер шока будет ниже, так как потери равномерно распределятся между всеми финансовыми институтами (институты оказываются «слишком взаимосвязанными, чтобы рухнуть»). Напротив, если система неполная, то есть выделяются группы партнёров, то риск может приобретать системный характер.
4) Метрики, основанные на VAR (CoVaR, MES, SRISK)
Показатели данной группы призваны оценить вклад каждого участника в системный риск.
Модель условной стоимости под риском CoVaR
Данная величина была предложена в 2011 г. американскими экономистами Маркусом Бран-нермейером и Тобиасом Адриани [9]. CoVaR, рассчитанная для некоторого института относительно системы в целом, определяется как значение VaR всего финансового сектора при условии спада в данном институте.
Пусть Rî - мера риска финансового института I (например, ежедневная прибыль фирмы). Аналогично, Rs - мера риска всей финансовой системы, тогда:
CoVaR = pr [Rs <Qs\Ri <Qt] = p
Также используется показатель ACoVaR, который обозначает разницу между величиной VaR, подсчитанной для финансовой системы при условии спада соответствующего финансового института I, и среднестатистическим «нормальным» состоянием упомянутого института [10].
ACoVar^p) =Ps\iWaRu(p)- VaRw(50%)]
ACoVaR отражает предельный вклад рассматриваемого института в генерирование системного риска, который зависит от многих факторов, например, размера банка, его подверженности различным шокам, характеристики «спилловеров» в отношении других банков.
SES
Это математическое ожидание убытков отдельного финансового института в условиях спада в системе. Данная величина не учитывает природу шока. SES для отдельного института увеличивается по мере возрастания уровня заемных средств (левереджа), волатильности акций, корреляции стоимости акций с рыночными индексами и хвостовой зависимости. Последние три фактора учитываются также при расчёте MES, который определяется как предельная ожидаемая величина убытков института
при условии, что агрегированные доходы всей системы меньше порогового значения. В работе Acharya, L.H. Pederson, M. Richardson «Measuring Systemic Risk» продемонстрировано, что уровень левереджа и MES достаточно точно отражают появление «нездоровых» тенденций в экономике (например, справедливо отражают увеличение уровня риска системы для 2007-2009 гг.).
DIP (Distress Insurance Premium)
Это величина абстрактной «страховки» от риска системного кризиса, уровень которого количественно выражается в потерях капитала, превышающих определённый размер, например, 15% от совокупных обязательств. Вклад каждого банка в совокупный системный риск определяется как функция от его размера, вероятности дефолта и корреляции активов. Последние два параметра оцениваются по рыночным данным. Показатель DIP тесно связан с MES, отличие состоит лишь в некоторых технических моментах расчёта и использовании спредов по CDO вместо equity returns. Доходы по CDO во многом зависят от риск-аппетита инвесторов и премии за ликвидность. В связи с этим увеличение показателя может происходить не за счёт роста риска как такового, а из-за снижения риск-аппетита.
Индекс SRISK
Модель, представленная Acharya, Viral V., Lasse H. Pedersen, Thomas Philippon, and Matthew Richardson «Measuring Systemic Risk» оценивает ожидаемые убытки и потери капитала отдельных банков в случае системного кризиса, под которым понимается снижение капитала банковского сектора ниже показателя агрегированной стоимости определённой группы активов.
SRISK представляет собой вклад фирмы i в системный риск и рассчитывается по формуле:
SRISKit = max[ 0; kDit -(l-k)Wit(l-LRMESit)], где:
k - пруденциальный показатель отношения активов к капиталу;
Dit - совокупный размер обязательств (уровень задолженности);
wit - стоимость чистых активов.
С точки зрения надзора, целесообразно устанавливать требования к финансовым институтам так, чтобы SRISK равнялся нулю.
VaR-методы (SES, MES, CoVaR) рассчитываются на основе рыночных данных и дают точные оценки при условии совершенной информиро-ваннности рыночных агентов, их способности верно оценивать риски, отсутствия склонности к «стадному поведению». Кроме того, все метрики не учитывают специфической для каждого института структуры капитала.
5) Специфические индексы Расстояние Махаланобиса
В 1927 г. математическая модель, разработанная индийским статистиком Чандра Маха-ланобисом, применялась для идентификации сходства черепов. Критцман и Ли использовали
этот же метод для измерения нестабильности на финансовых рынках.
«Индекс нестабильности» & определяется
как
= (yt -ß) ^ (yt -ß)1
где yt - вектор доходности активов в период времени t,
у - вектор среднеисторической доходности,
2 - ковариационная матрица исторических доходностей. Индекс имеет следующую интерпретацию: он отражает склонность доходности активов отклоняться от исторического среднего значения.
Согласно исследованиям, изменения dt совпадают с теми явлениями, которые способствовали дестабилизации финансового рынка.
Коэффициент поглощения
В 2010 г. Критцман и Ли опубликовали работу, в которой был предложен ещё один статистический инструмент для измерения системного риска. В основе данного подхода лежит метод главных компонентов (Principal Components Analysis, РСА), который представляет собой один из способов сокращения размерности данных с сохранением максимального количества информации. PCA базируется на разложении ковариационной матрицы исходных показателей (главных компонентов) M по собственным значениям, которые представляют собой долю от общей вариации собственных векторов.
Критцман и Ли предлагают использовать коэффициент поглощения в качестве меры взаимосвязи временных рядов. AR - доля общей вариации, которая объясняется («поглощается») группой собственных векторов:
yN/5 ¿2
лр - ^=1 O лр yw 5? '
Lj = ! Oj
где 8^,82 - собственные векторыко-вариационной матрицы в порядке убывающей воличвны,ЛЮ -рднг ыдтрицы.
Увеличение показателя AR предупреждает об опасности и надувании пузыря на рынке недвижимости.
В модели далее рассматривается стандартное изменение коэффициента поглощения:
S '
где AR(15days) и ARlyear - средние значения AR за 15 дней и 1 год соответственно, а 8 -стандартное отклонение AR за прошлый год. Опережающее падение фондового рынка США почти всегда предваряется отклонением показателя AR в одну сигму месяцем ранее.
Проблемы количественной оценки рисков и их практическая применимость
Уровень риска, рассчитываемый с использованием различных количественных
методов, служит ориентиром для разработки мер макропруденциальной политики. В связи с многообразием подходов к оценке риска, главной задачей надзора становится выделение приоритетных методик, создание целостной системы оценки и мониторинга системного риска. При этом очень важно, чтобы результатам моделирования можно было доверять, так как стоимость ошибок может оказаться высокой. Однако на практике получается, что многие модели дают точный прогноз кризиса a posteriori, когда он уже произошёл (качество моделей проверяется с помощью бэктестинга), но являются несостоятельными для прогнозов на будущее [10].
Кроме того, все модели оценивают системный риск не полностью, а учитывают отдельные его аспекты. Так, все рассмотренные выше модели можно разделить на 2 группы в зависимости от аспекта системного риска (временного или межсекторального), которому уделяется больше внимания [11].
К моделям, делающим акцент на пространственном аспекте, то есть на самом процессе распространения риска между различными институтами и секторами, их прямых и косвенных взаимосвязях, следует отнести сетевые методы, метрики, оценивающие вклад каждого института, стресс-тесты. Временной аспект отражает динамику развития накопленного риска финансового сектора за определённый интервал времени, изменение его уровня в течение макроэкономического цикла. Временной аспект учитывают системы индикаторов раннего обнаружения, специфические индексы, экономет-рические VAR-модели.
Стоит заметить, что многие результаты, получаемые с помощью количественных моделей, оцениваются, как противоречивые. Например, различные методики выделяют разные системно значимые институты. Согласно исследованию Sylvain Benoit, Gilbert Colletaz.Christophe Hurlin, Christophe Perignon «A Theoretical & Empirical homoirison of Systemic Risk Measures» (2012) в списках ТОП-10 системно значимых институтов, определяемых по величине MES, SRISK и CoVaR, нет ни одного совпадения.
Для определения согласованности результатов, получаемых с помощью разных моделей, Jon Danielsson в работе «Model Risk of Risk Models» предлагает использовать Risk Ratio - коэффициент, который будет указывать, насколько используемые методы количественной оценки согласуются между собой, и можно ли доверять полученным результатам [12]. Risk Ratio оценивается по следующему алгоритму:
Рассчитывается уровень риска для определенного актива с использованием традиционных количественных методов (скользящая средняя, GARCH, экспоненциально взвешенная скользящая средняя и др.)
Определяется отношение наибольшей из полученных оценок уровня риска к наименьшей.
Коэффициент, превышающий 1, отражает, в какой степени модели отличаются, насколько разным будет предсказанное значение риска. Согласно выводам, полученным в исследовании, модели дают одинаковый прогноз риска в условиях стабильно развивающейся экономики, но их показатели сильно разнятся для кризисного периода.
К основным причинам недостаточно хорошего качества моделей относят:
Низкая частота финансовых кризисов (кризисы происходят не так часто, поэтому представительную выборку собрать сложно). Подсчитано, что для стран ОЭСР вероятность финансового кризиса составляет 2,3% в год, то есть в «средней» стране кризис случается раз в 43 года. Исследователям приходится использовать статистику за стабильные годы, которая не может свидетельствовать о динамике показателей в периоды спадов. По таким данным сложно сделать качественный прогноз будущего финансового кризиса или хотя бы диагностировать «накопление дисбалансов». И наоборот, модель, построенная на основе только кризисных данных, будет экстраполировать больший системный риск для стабильных периодов. Из-за недостаточности статистической базы получаемая оценка системного риска оказывается смещённой [13].
Предположение об экзогенной природе риска. Риск является эндогенным с той точки зрения, что участники рынка имеют сильные стимулы для обхода установленных нормативных требований в отношении принимаемых рисков, в результате чего они берут на себя чрезмерные риски, но скрывают это. Получается, что регулятор не может отследить накопление риска, и кризис реализуется самым неожиданным образом.
Для улучшения качества прогнозов необходимо:
помимо точечных оценок использовать доверительные интервалы, чувствительные к спецификации модели;
модели должны строиться с учётом не только имеющейся на данный момент рыночной информации, но также учитывать предкризисное накопление диспропорций;
вероятности, используемые в моделях, должны согласовываться с реальной вероятностью возникновения кризиса.
В итоге, применять результаты прогнозирования уровня риска с помощью количественных моделей надо с определённой долей осторожности и сочетать их с эвристическими методами.
Реализация системного риска в финансовом секторе влечёт за собой серьёзные негативные последствия для реального производства и может «заразить» не только всю национальную экономику, но и зарубежные страны. Ввиду масштабности последствий, которые связаны с этим явлением, исследование системного риска представляет большую значимость.
Многочисленные модели количественной оценки системного риска снабжают орган надзора ценной информацией, которая может помочь в раннем выявлении негативных тенденций и принятии своевременных мер для исправления положения. Однако надо понимать, что все модели являются своего рода «снимками», фиксирующими реальный мир и никогда не учитывающими всех возможных реальных факторов (риск модели), не говоря уже о том, что возможны чисто технические ошибки измерения. Большинство методик учитывают только один или несколько аспектов системного риска. Методы количественного анализа надо сочетать с качественными подходами, суждением экспертов, анализом косвенной информации из других секторов и т.д.
В заключение стоит отметить, что пока нет единого универсального инструмента, который мог бы наиболее точно предсказывать начало системных кризисов. Система мониторинга рисков финансовой системы должна строиться с учётом специфических условий в конкретной стране и различных аспектов системного риска.
Список литературы
1. Прикладная макроэкономика: базовые модели для экономической политики. Учебное пособие // Под общей редакцией М.В. Сафрончук. - М.: Издательский дом «НАУЧНАЯ БИБЛИОТЕКА», 2014. - 156 с.
2. Органическая механика финансовой системы (по материалам «The Financial Times»). Источник: Forexpf. Ru, режим доступа: http://www.forexpf.ru/forum/index.php?showtopic=454896
3. Nicolas Blancher, Srobona Mitra, Hanan Morsy, Akira Otani, Tiago Severo, and Laura Valderrama. Systemic Risk Monitoring (SysMo) Toolkit— A User Guide. IMF Working paper, July 2013.
4. Методические комментарии и разъяснения к Обзору денежного рынка. Режим доступа: http://www. cbr.ru/analytics/fin_stab/MMR_comments.pdf
5. Показатели финансовой устойчивости. Руководство по составлению. — Вашингтон, округ Колумбия, США: Международный Валютный Фонд, 2007 г.
6. Солнцев О., Шатковская Т. «Чем рискуем?» // Банки и деловой мир, сентябрь 2008, режим доступа: http://www.forecast.ru/_ARCHIVE/Analitics/Crisis08/Forecast/july_2008_BDM.pdf
7. Солнцев О.Г., Пестова А.А., Мамонов М.Е., Магомедова З.М. Опыт разработки системы раннего оповещения о финансовых кризисах и прогноз развития банковского сектора России на 2012 год // Журнал
Новой экономической ассоциации. 2011. № 12. Режим доступа: http://www.forecast.ru/_ARCHIVE/ Analitics/EcoAs/CMASF12-2011.pdf
8. Миною К. Сеть, из которой не вырваться. // Финансы и развитие, сентябрь 2012, режим доступа: http:// www.imf.org/external/russian/pubs/ft/fandd/2012/09/pdf/minoiu.pdf
9. Adrian T., Brunnermeier M. CoVaR. Staff Report №348. - Federal Reserve Bank of New York. 2008. -September. URL: https://www.princeton.edu/~markus/research/papers/CoVaR
10. Барабаш В.А., Сидоров С.П. Анализ взаимного влияния экономических субъектов с использованием меры риска CoVaR на примере российских компаний. Электронный журнал «Корпоративные финансы». Выпуск № 1 (29), 2014, с. 72 - 82.
11. Gunter Loffler, Peter Raupach. Robustness and Informativeness of Systemic Risk Measures. Discussion Paper, Deutsche Bundesbank, № 04/2013.
12. Lukas Scheffknecht (2013). «Contextualizing Systemic Risk». Discussion Paper Series ISSN 1865-7052.
13. Jon Danielsson, Kevin James, Marcela Valenzuela, Ilknur Zer. «Model Risk of Risk Models». April 2014.
14. Lars Peter Hansen. Challenges in Identifying and Measuring Systemic Risk. Working Paper, February 11, 2013.
15. Michail Stolbov (2013). Anatomy of International Banking Crises at the Onset of the Great Recession. MPRA Paper № 51236.
Об авторе
Щепелева Мария Александровна - аспирант кафедры прикладной экономики МГИМО(У) МИД России. E-mail: mschepeleva@yandex.ru
MEASURING SYSTEMIC RISK IN THE FINANCIAL SECTOR
M. Shchepeleva
Moscow State Institute of International Relations (University), 76 Prospect Vernadskogo, Moscow, 119454, Russia
Abstract: The article discusses quantitative methods of assessing systemic risk of the financial sector and the possibilities of their practical application.
Systemic risk, which is manifested in the failure of financial services provision and deterioration of the financial system, is a complex concept that can be realized in several forms: the risk of infection, exogenous shock, leading to a simultaneous decline in all financial institutions, and the risk of «financial fragility accumulation". The main causes of the imbalances in the system are unjustified loose standards of risk assessment during economic booms, procyclical behavior of economic agents and asymmetric information. The spread of the risk is associated with the financial accelerator mechanism.
Realization of systemic risk in the financial sector leads to serious negative consequences for the real sector not only in the national economy, but also abroad. Quantitative methods of risk assessment provide national authorities with useful information for macroprudential supervision aimed at maintaining financial stability. At the same time it is very important that the data used by the regulator is accurate and reliable. After 2008 crisis, a large number of qualitative approaches appeared, but they all reflect only certain aspects of the risk. The article focuses on stress tests, early-warning indicators, network models, VaR- methods and specific indices. According to research, different assessment methods produce different results. In addition, due to insufficient statistical database existing models are good at predicting crises with hindsight, but cannot identify stressful episodes ex-ante. Thus model results should be treated with caution and require further scrutiny. To get a holistic understanding of the systemic risk regulating authorities should apply different quantitative methods together with qualitative approaches and expert judgement.
Key words: systemic risk, systemic crisis, quantitative methods of risk assessment, contagion risk, financial fragility.
References
1. Prikladnaya makroekonomika bazovye modeli dlya ekonomicheskoi politiki. Uchebnoe posobie [Applied Macroeconomics Basic Models for Economic Policy. Textbook] // Pod obshchei redakciei M.V. Safronchuk. -
M.: Izdatel'skiy dom «NAUCHNAYA BIBLIOTEKA», 2014. - 156 s. [Edited by M. Safronchuk. - M.: Publishing House "SCIENTIFIC LIBRARY". 2014. 156 p.]
2. Organicheskaya mekhanika finansovoi sistemy (po materialam «The Financial Times»). [Organic Mechanics of the Financial System (according to «The Financial Times»). URL: http://www.forexpf.ru/forum/index. php?showtopic=454896
3. Nicolas Blancher, Srobona Mitra, Hanan Morsy, Akira Otani, Tiago Severo, and Laura Valderrama. Systemic Risk Monitoring (SysMo) Toolkit— A User Guide. IMF Working paper, July 2013
4. Metodicheskie kommentarii i razyasneniya k Obzoru denezhnogo rynka. [Methodological Comments and Clarifications to the Review of the Money Market.]
5. Pokazateli finansovoi ustoichivosti. Rukovodstvo po sostavleniyu — Vashington, okrug Kolumbiya, SShA: Mezhdunarodnyi Valyutnyi Fond, 2007 g. [Indicators of financial stability. Compilation Guide - Washington, DC, USA: International Monetary Fund, 2007]
6. Solntsev O., Shatkovskaya T. Chem riskuem? [What Is at Risk?] // «Banki i delovoi mir», sentyabr' 2008, [Banks and Business World. September 2008], URL:http://www.forecast.ru/_ARCHIVE/Analitics/Crisis08/ Forecast/july_2008_BDM.pdf
7. Solntsev O.G., Pestova A.A., Mamonov M.E., Magomedova Z.M. Opyt razrabotki sistemy rannego opoveshcheniya o finansovyh krizisah i prognoz razvitiya bankovskogo sektora Rossii na 2012 god [Experience in Developing Early Warning System for Financial Crisis and the Outlook for the Banking Sector in Russia in 2012]. // Zhurnal Novoi ekonomicheskoi associacii. 2011. № 12. [Journal of the New Economic Association, № 12, 2011], URL: http://www.forecast.ru/_ARCHIVE/Analitics/EcoAs/CMASF12-2011.pdf
8. Minoyu K. Set', iz kotoroi ne vyrvatsa. [Network with No Escape]. // «Finansy i razvitie», sentyabr' 2012 [Finance & Development, September 2012], URL: http://www.imf.org/external/russian/pubs/ft/fandd/2012/09/pdf/ minoiu.pdf
9. Adrian T., Brunnermeier M. CoVaR. Staff Report №348. - Federal Reserve Bank of New York. 2008. - September. URL: https://www.princeton.edu/~markus/research/papers/CoVaR
10. Barabash V.A., Sidorov S.P. Analiz vzaimnogo vliyaniya ekonomicheskih sub'ektov s ispol'zovaniem mery riska CoVaR na primere rossiyskih kompaniy [Analysis of the Mutual Influence of Economic Actors Using Risk Measures CoVaR: the Example of Russian Companies]. Elektronnyi zhurnal «Korporativnye finansy». Vypusk № 1 (29), 2014, s. 72 - 82. [Electronic Journal "Corporate Finance". Issue number 1 (29), 2014, p. 72- 82.]
11. Gunter Loffler, Peter Raupach. Robustness and Informativeness of Systemic Risk Measures. Discussion Paper, Deutsche Bundesbank, № 04/2013.
12. Lukas Scheffknecht (2013). «Contextualizing Systemic Risk» Discussion Paper Series ISSN 1865-7052.
13. Jon Danielsson, Kevin James, Marcela Valenzuela, Ilknur Zer. «Model Risk of Risk Models». April 2014.
14. Lars Peter Hansen. Challenges in Identifying and Measuring Systemic Risk. Working Paper, February 11, 2013.
15. Michail Stolbov (2013). «Anatomy of International Banking Crises at the Onset of the Great Recession». MPRA. Paper № 51236.
About the author
M. Shchepeleva - Post-graduate student, Department of Applied Economics, Moscow State Institute of
International Relations (University), 76 Vernadskogo prospect, Moscow, 119454, Russia, mschepeleva@yandex.ru
