ПРИМЕНЕНИЕ ЛОГИТ-МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ БАНКОВСКИХ КРИЗИСОВ В РОССИИ Текст научной статьи по специальности «Экономика и бизнес»

Применение логит-модели для прогнозирования банковских кризисов в России

Виноградова Ольга Сергеевна

старший преподаватель кафедры финансов и кредита, МГУ имени М.В. Ломоносова, o.s.gluhova@mail.ru

Финансовая нестабильность является опасной и нежелательной для деятельности коммерческих банков, что предопределяет исследовательский интерес автора в отношении методологических основ прогностических моделей. Современный кризис, обусловленный распространением вируса СОУЮ-19, высветлил высокую степень неопределенности, характерную развитию общества и экономики, что требует пересмотра существующих моделей, применяемых для идентификации финансового кризиса, а также горизонта прогнозирования этих моделей. В данной статье автор подтвердил прогностическую способность логит-модели при сокращении горизонта планирования до 6 месяцев. Полугодовой горизонт прогнозирования представляется автором достаточным и целесообразным в современных условиях, которые характеризуются высокой вола-тильностью ключевых макроэкономических показателей. В случае превентивной идентификации кризисных тенденций (с временным лагом в 6 месяцев) у руководства коммерческого банка появляется возможность подготовить структуру баланса для обеспечения приемлемого соотношения доходности и устойчивости кредитного учреждения, которая позволит минимизировать потенциальные потери.

Ключевые слова: прогнозирование банковских кризисов, финансовая нестабильность, логит-модель, коммерческий банк.

Введение

В экономической литературе на сегодняшний день представлено множество работ, в которых рассматриваются механизмы возникновения и развития банковских кризисов, а также описываются различные индикаторы, используемые для выявления докризисных и кризисных тенденций. В частности, вопросы разработки и тестирования систем индикаторов кризисов достаточно полно отражены в работах зарубежных исследователей, таких как: В. Дапичи, А. Демиргюч-Кунт, Е. Детра-гиаши, Г. Камински, Дж. Каприо, Д. Клингебиль, Дж. Пуополо, К. Рейнхарт, А. Роуз, Дж. Фейри, Б. Эй-хенгрин и других исследователей. Проблема заблаговременной идентификации банковских кризисов рассматривается также отечественными исследователями, такими как: О. Демидов, С. Смирнов, О. Солнцев, М. Мамонов, А. Пестова и другими. Все многообразие подходов, используемых для прогнозирования банковских кризисов, можно условно разделить по двум направлениям: методики, предполагающие выявление степени взаимного влияния индикаторов банковского кризиса, -модельный подход; методики, определяющие нехарактерные тенденции в динамике отдельных индикаторов банковского кризиса, - сигнальный подход. Вне зависимости от подхода, который используется для прогнозирования банковского кризиса, основным является отбор информативных индикаторов, что и определило первоочередную задачу данного исследования - отбор релевантных индикаторов-предвестников банковского кризиса для Российской Федерации.

В работе Б. Эйхенгрина и А. Роуза высокоинформативные индикаторы-предикторы кризиса разделены на группы показателей, описывающих макроэкономическую динамику национальной экономики, финансовую структуру страны, режим обменного курса, специфику институтов контроля и регулирования банковской деятельности, а также внешние по отношению к стране макроэкономические тенденции [10].

В работе Дж. Каприо и Д. Клингебиля идентификация банковского кризиса производится на основании анализа динамики объемов операций на внутреннем финансовом рынке и темпов роста ВВП, приростных показателей импорта и экспорта [6]. В более поздней работе Дж. Каприо, В. Дапичи,

х х О го А С.

X

го т

о

2 О

м

сч

0 сч

сч

01

о ш Ш X

<

т о х

X

Дж. Пуополо и Дж. Фейри набор индикаторов был пересмотрен, а их количество увеличено [7].

А. Демиргюч-Кунт и Е. Детрагиаше используют для прогнозирования банковских кризисов следующие показатели: ВВП, дефлятор ВВП, индикатор соотношения потребления и инвестиций населения, объем кредитования реального сектора, значение банковских ставок, курс национальной валюты, профицит/дефицит госбюджета, объем денежной массы и золотовалютных резервов, индикатор соотношения банковских ликвидных активов к совокупным активам банка [8, 9].

Г. Камински и К. Рейнхарт определили, что наилучшими индикаторами для предсказания кризиса в банковской сфере следует считать [11, 12]: объем промышленного производства, величину экспорта, курс национальной валюты, показатель соотношения реальных процентных ставок внешней и внутренней, объемы кредитов и депозитов резидентов страны, индикатор соотношения денежной массы к денежной базе, национальные фондовые индексы.

В России проблемой построения индикаторов, заблаговременно идентифицирующих приближение банковского кризиса, активно занимается «Центр макроэкономического анализа и краткосрочного прогнозирования» (далее ЦМАКП). В основе подхода, используемого специалистами ЦМАКП, лежит подход, предложенный в работе А. Демиргюч-Кунт и Е. Детрагиаше. Методология ЦМАКП предполагает использование показателей рублевых ликвидных активов и совокупных активов банков, объема кредитования, обратной котировки курса рубля к бивалютной корзине, объема ВВП и уровня безработицы, государственного долга и объема золотовалютных резервов.

Выявление возможности смены бизнес-цикла (входа в состояние рецессии) в среднесрочной перспективе посвящена работа А.А. Пестовой, в которой произведен анализ показателей 25 стран. В качестве ключевого индикатора автором использовался темп прироста ВВП [5]. В более поздних работах автор вводит также индикаторы реального и финансового секторов.

Экономика России имеет ряд институциональных и структурных дисбалансов, что, в свою очередь, определяет необходимость дополнительного отбора показателей-предвестников банковских кризисов из тех, что использовались для прогнозирования кризисов на развитых и развивающихся рынках, с целью повышения информативности прогностических моделей, разрабатываемой для российской экономики. Поведение индикаторов рассмотрено в предкризисные периоды (за год до наступления банковского кризиса), что позволило автору определить информативность каждого анализируемого показателя в ретроспективе и интерпретировать полученные результаты

для оценки их потенциальной прогностической способности.

На современном этапе функционирования банковского сектора России можно выделить 3 кризисных периода (финансовый кризис 1998 г. не будет учтен в связи с существенными отличиями экономического состояния страны в тот период времени): Банковский кризис 2004 г.; Мировой финансовый кризис 2008-2009 гг. и Финансовый кризис 2014-2015 гг.

Темп роста ВВП. В соответствии с рассмотренными выше подходами к превентивной идентификации банковских кризисов, динамика ВВП в предкризисном период имеет тенденцию к замедлению темпов роста [7, 9]. Анализ статистических данных выявил, что в кризисы 2004 и 2014 гг. данный индикатор не сигнализировал об усилении негативных тенденций. Темп роста вВп в докризисный 2007 г. демонстрирует замедление. Динамика прироста ВВП сигнализировала о приближении кризиса в одном случае из трех, что определяет низкую информативность данного показателя как предиктора.

Индекс потребительских цен. В предкризисном периоде приростная динамика индекса потребительских цен становится положительная, что является показателем проявления предкризисных волнений в экономике. В 2003 г. ИПЦ не сигнализировал о нарастании негативных тенденций в экономике, что, скорее всего, обусловлено, локальным характером кризиса 2004 г. За год до кризиса 2008 г. ИПЦ продемонстрировал прирост. В докризисном 2013 г. также можно наблюдать рост данного показателя, хоть и незначительный. Информативность ИПЦ подтвердилась в двух случаях из трех, что подтверждает целесообразность применения данного индикатора в прогнозных моделях.

Темп роста потребления и инвестиций населения. В рамках теоретических представлений о предкризисной динамике рассматриваемых индикаторов информативным сигналом считается одновременное снижение темпов роста обоих показателей, т. е. и потребления, и инвестиций [9]. Поэтому автором рассмотрен качественный критерий изменения приростной динамики потребления и инвестиций. Анализируя статистические данные, выявлено, что в предкризисные 2003 и 2007 гг. темпы роста инвестиций демонстрировали увеличение. Динамика темпов роста потребления в докризисные годы имела тенденцию к замедлению. Одновременный прирост объемов потребления и инвестиций наблюдался только в 2013 г. Следовательно, данный индикатор имеет низкую информативность, что определяет нецелесообразность его применения в прогнозной модели.

Отношение объема кредитов к реальному ВВП. Предвестником приближения негативных кризисных тенденций можно считать увеличение

темпов роста кредитования частного сектора по отношению к ВВП. Данная ситуация выявляет разрыв (гэп) в инвестиционной и производственной активностях, и, следовательно, может сигнализировать о дестабилизирующих тенденциях, накапливающихся в реальном секторе, т. е. выявлять неустойчивость финансового состояния экономических агентов реального сектора к потенциальному негативному внешнему воздействию. В теории возникновение экономических кризисов сопряжено с двумя основными факторами: во-первых, внешнего дестабилизирующего воздействия, и, во-вторых, способностью системы к абсорбции этого негативного влияния [2]. Рассмотрев статистические данные по динамике кредитования частного сектора в России, выявлено в докризисных периодах (2003, 2007 и в 2013 гг.) происходило ускорение прироста данного показателя по отношению к ВВП, что было связано как с замедлением приростной динамики реального ВВП, так и с увеличением объемов кредитования частного сектора. Ретроспективный анализ подтвердил целесообразность применения индикатора отношения объемов кредитования частного сектора к реальному ВВП в его приростной динамике.

Реальные процентные ставки. Динамика реальных процентных ставок способна превентивно выявлять усиление негативных тенденций в экономике [9]. Информативность данного показателя как предиктора кризиса обоснована ростом в предкризисный период спроса на заемные средства со стороны реального сектора (что было обозначено ранее), что в теории стимулирует рост процентных ставок, также информативность может быть обусловлена сдерживающей государственной кредитно-денежной политикой, когда регулятор поднимает ключевую ставку с целью сдерживания кредитной активности. Анализируя динамику средневзвешенных ставок по кредитам, предоставленным нефинансовым организациям, отметим, что данный индикатор демонстрировал в докризисные периоды тенденцию к росту, тем самым подтверждается информативность данного показателя для России и целесообразность его использования в прогностических моделях.

Курс национальной валюты. Динамические изменения реального эффективного валютного курса национальной валюты могут выявлять предкризисные тенденции [7]. Предвестником ухудшения экономического состояния является отрицательный темп роста рассматриваемого индикатора. Для российской экономики динамика курса национальной валюты коррелирована с динамикой цен на нефть, хоть и степень взаимосвязи постепенно за счет более рациональной внутренней экономической и финансовой политик была снижена к настоящему времени. Реальный курс рубля является значимым индикатором экономической

ситуации в России, на его динамику ориентируются экономические агенты. Анализируя ретроспективный статистический блок по стоимости би-валютной корзины и коэффициенты корреляции ежегодной динамики курса рубля к корзине инвалют с динамикой цен на нефть, выявлена, во-первых, высокая волатильность данного индикатора (что определило пороговый уровень шума, превышение которого, выявляет значимые сигналы индикатора для целей прогнозирования), а, во-вторых, высокие положительные коэффициенты ежегодной корреляции (более 0,3) на всем анализируемом горизонте. Ориентируясь на пороговый уровень шума и коэффициенты кросс-корреляции курсы рубля и стоимости нефти марки Brent, определено, что в 2003 г. информативность данного индикатора подтверждается, но в кризисы 2008-2009 и 2014-2015 гг. за год до их наступления пороговый уровень шума для рассматриваемого индикатора не был превышен, что не выявляет предикативной способности курса рубля, поэтому его применения в прогностических моделях нецелесообразно.

Отношение профицита/дефицита госбюджета к ВВП. Динамика темпов роста соотношения сальдо государственного бюджета к ВВП отражает нарастание экономической нестабильности или, наоборот, выявляет степень устойчивости экономической системы по отношению к внешнему дестабилизирующему воздействию [1]. В России, где государственный сектор представлен достаточно широко в экономике данный индикатор способен выявлять внутреннюю экономическую нестабильность, что при проникновении внешних шоков способно инициировать кризис системы. Анализируя отношение профицита/дефицита госбюджета к реальному ВВП в предкризисные 2003, 2007 и 2014 гг., выявлено, что (даже с учетом поквартальной частоты публикации данных по госбюджету) данный индикатор заблаговременно сигнализировал о наступающих кризисных тенденциях снижением (или увеличением отрицательных значений) своего относительного значения к ВВП.

Показатель денежной массы М2. Прирост показателя денежной массы для России сопряжен с двумя основными процессами, происходящими в экономике: во-первых, с переоценкой стоимости валютных активов на фоне ослабления курса рубля, а, во-вторых, с необходимостью использования средств из Резервного фонда для финансирования государственного бюджета. Ускорение темпов роста денежной массы определяет перспективу возникновения инфляционных рисков, что дестабилизирует экономическое состояние и способствует проникновению внешних рисков. Предиктивным сигналом по показателю денежной массы автором считалось превышение среднегодовых темпов прироста, рассчитанных как скользящее среднее за предшествующие 12 месяцев для каждого значения показателя с ежемесячной

х

X

о

го А с.

X

го m

о

2 О

м

сч

0 сч

сч

01

о ш Ш X

<

т о х

X

частотой наблюдения. В предкризисных периодах не выявлено стойкой прогностической способности данного индикатора, поэтому его применение для дальнейшего исследования нецелесообразно.

Отношение банковских ликвидных активов к совокупным активам банка. Общая ликвидность банка идентифицирует проникновения негативных тенденций в банковский сектор, что может быть предиктором общеэкономической нестабильности, поэтому в академической литературе показатель соотношения банковских ликвидных активов к совокупным активам банков рассматривается как потенциальный предвестник кризиса [7]. Анализ динамических изменений данного индикатора в преддверии кризисов 2004, 2008-2009 и 2014-2015 гг., показал, что в докризисные 2007 и 2013-2014 гг. показатель сигнализировал об уменьшении величины избыточной ликвидности за год до разразившихся кризисов, а в 2003 г. за полгода до наступления банковского кризиса. Следовательно, целесообразность применения показателя соотношения банковских ликвидных активов к совокупным активам банков эмпирически обоснована.

Анализ потенциальных предикторов банковских кризисов позволил определить показатели, которые целесообразно использовать для построения прогностической модели, в частности: дефлятор ВВП, объем кредитования частного сектора, реальные процентные ставки, индикатор дефицита/профицита госбюджета, показатель соотношения банковских ликвидных активов к совокупным активам банка.

Спецификация модели прогнозирования кризиса предполагает введение бинарной переменной, идентифицирующей факт наступления кризиса в ближайшие 12 месяцев, поэтому автор выбрал многомерную логит-модель, которая позволяет использовать в качестве зависимой переменной бинарную переменную, итоговое значение которой определяется коэффициентами при объясняющих переменных и их значениями в конкретный момент времени. Подход с использованием 1одй-моделей заключается в оценивании множественной регрессии, где в качестве зависимой переменной выступает вероятность кризиса (диапазон изменений от 0 до 1), а в качестве объясняющих переменных выступают все отобранные на основании ретроспективного анализа индикаторы -предвестники банковского кризиса. Преимущество данного подхода заключается в том, что, во-первых, он учитывает поведение всех индикаторов одновременно, и, соответственно, исключает ситуации, при которых только часть индикаторов предсказывает наступление кризиса, а во-вторых, позволяет оценить вероятность возникновения кризиса в будущем [3]. Оценки кризисных тенденций реализуется на основании полученного значения бинарной переменной, которая может изменяться

в диапазоне от 0 до 1, причем степень приближения к критическим значениям определяет вероятностный исход: Z(f(x)) = 0 - вероятность возникновения кризиса минимальная; Z(f(x)) = 1 - вероятность возникновения кризиса максимальная. Для построения логит-модели статистическая база сформирована из данных открытых источников. Сбор данных для построения регрессионной модели осуществлялся по пяти высокоинформативным индикаторам, выявленным выше.

Кризисная ситуация в банковском секторе определяется возникновением хотя бы одно из следующих условий: отношение проблемных активов к общим активам банковской системы больше 10%; наблюдаются эпизоды «паники» у клиентов или массового «замораживания» клиентских средств; осуществляется реорганизация/национализация более 10% банков; происходит масштабная рекапитализация банков в объеме более 2% ВВП государством и/или компаниями.

В соответствии с представленной выше классификацией были определены временные рамки этапов развития и значения зависимой переменной (Таблица 1).

Таблица 1

Значение зависимой переменной в исследуемом временном

Значение переменной Внекризис-ный этап Предкризисный этап Кризис Посткризисный этап

0 январь 1996 г. -декабрь 1997 г.

1 январь-июнь. 1998 г. июль 1998 г. - март 1999 г. апрель 1999 г. - сентябрь 1999 г.

0 октябрь 1999 г. - декабрь 2003 г.

1 январь-март. 2004 г. апрель - август 2004 г. сентябрь -декабрь 2004 г.

0 январь 2005 г. - сентябрь 2007 г.

1 октябрь 2007 г. -июнь 2008 г. июль 2008 г. - март 2009 г. апрель 2009г. - июнь 2009г.

0 апрель 2009 г. -июнь 2014 г.

1 июль - сентябрь 2014 г. октябрь 2014 г. -март 2015 г. апрель -июнь 2015 г.

Источник: составлено автором

Выявление этапов стабильного, предкризисного, кризисного и посткризисного функционирования банковского сектора экономики дает возможность построения двух регрессионных моделей, из

которых произведен отбор (критерием отбора являлось количество «корректно предсказанных» случаев):

1. Модель 1 включает периоды стабильного, предкризисного и посткризисного этапов развития;

2. Модель 2 включает периоды стабильного и предкризисного этапов развития.

Многомерные линейные модели регрессии, построенные с учетом обозначенных выше предпосылок, без учета фиксированных эффектов с использованием показателей, информативных для России, имеют следующий вид (Таблица 2):

Таблица 2

Таблица 3

Значимость регрессоров в рассчитанных уравнениях линей-

х0 | х1 | х2 | х3 | х4 | х5

Модель 1 Z = 0.36 + 3.37X1 + 2.24X2 + 1.06Хз + 0.0117X4-0.0039X5

Значение коэффициентов 0,36 3,37 2,24 1,06 0,0117 -0,0039

Модель 2 Z = 0.27 + 1.21X1 + 1.78X2 + 1.17X3-0.0381X4-1.74X5

Значение коэффициентов 0,27 1,21 1,78 1,17 0,0381 -1,74

Источник: составлено автором

Значимость моделей логистической регрессии проверена на основании F-критерия Фишера на уровне 0,05 для 5 степеней свободы (по количеству объясняющих переменных).

Для Модели 1: F=5,63> Fkp=2.37 - уравнение статистически значимо.

Для Модели 2: F=4,97> Fkp=2.45 - уравнение статистически значимо.

Также произведем оценку значимости моделей на основании критерия R2 Макфаденна: для Модели 1 значение R2 Макфаденна=0,47, а для Модели 2 значение R2 Макфаденна=0,54, что также подтверждает значимость уравнений регрессии.

Анализ качества логистической модели также производится на основании количества правильно угаданных исходов:

• Для Уравнения 1 количество «корректно предсказанных» случаев = 87,3%

• Для Уравнения 2 количество «корректно предсказанных» случаев = 90,7%

Также оценим значимость каждого отдельного регрессора на основании р-статистики (Таблица 3):

Таким образом, можно сделать вывод, что рассчитанные модели имеют высокую прогностическую точность и применимы для прогнозирования банковских кризисов. Апробация и отбор одной из двух моделей будет произведена на данных внут-ривыборочных и вневыборочных по предкризисным периодам 2013-2014 гг. и 2020 г.. Для оценки моделей рассматривался более короткий временной интервал, что соответствует сигнальному горизонту в 6 месяцев, выявленному автором для российской экономики [4].

Регрессор Р-значение Значи- Р-значе- Значи-

мость ние мость

Уравнение 1 Уравнение 2

Дефлятор ВВП 0.0007 3начим на 1% уровне значимости 0.07 3начим на 10% уровне значимости

Величина кре- 0.05164 3начим на 0.018 3начим на

дитов част- 10% 5% уровне

ному сектору уровне зна- значимости

по отношению чимости

к ВВП

Значение ре- 0.02818 3начим на 0.019 3начим на

альной про- 5% уровне 5% уровне

центной ставки значимости значимости

Отношение 0.08768 3начим на 0.05 3начим на

профицита/де- 10% 5% уровне

фицита гос- уровне зна- значимости

бюджета к ВВП чимости

Отношение 0.0194 3начим на 0.08 3начим на

банковских 5% уровне 10%

ликвидных ак- значимости уровне зна-

тивов к сово- чимости

купным активам банка

Источник: составлено автором

Кризис 2014-2015 годов: Превентивное оповещение о потенциальной возможности возникновения кризиса происходит, когда предсказанная моделью вероятность больше 0,5, в противном случае модель не указывает на возможность возникновения кризиса на горизонте в 6 месяцев (Таблица 4).

Таблица 4

Дефля- Долг/ВВ Ставка Профи- Ликвид-

тор П цит ность

Х1 Х2 Х3 Х4 Х5

201 I кв. 108,3 34,0 7 0,9 1 270,0

4 II кв. 109,9 36,0 8 2,0 1 050,0

Прирост 0,0146 0,05556 0,12500 0,55000 -0,20952

показа-

теля

Источник: Статистические данные Банка России, МИНФИНа РФ и Федеральной службы государственной статистики

Таблица 5

е Ь1 Ь2 Ь3 Ь4 Ь5

Модель 1 0,36 3,37 2,24 1,06 0,0117 -0,0039

0,36 0,0491 0,1244 0,1325 0,0064 0,0008

Модель 2 0,27 1,21 1,78 1,17 -0,0381 -1,74

0,27 0,0176 0,0989 0,1463 -0,0210 0,3646

Источник: составлено автором.

Используя результат полученный из Модели 1, значение результирующей переменной равно 0,6622, т.е. модель прогнозирует приближение кризиса. При подстановке значения, полученного из Модели 2, зависимая переменная принимает

х

X

о

го А с.

X

го т

о

2 О

м

сч

0 сч

сч

01

о ш Ш X

<

m о х

X

значение 0,7061, что определяет высокую вероятность наступления кризиса на 6-месячном горизонте планирования.

Кризис 2020 года: оценка прогнозной точности произведена также как и в предыдущем примере на горизонте планирования в 6 месяцев до кризиса (третий и четвертый квартал 2019 года). По аналогии с предыдущим случаем, если предсказанная моделью вероятность превышала 0,5, то модель предсказывала появление кризиса, в противном случае модель не указывала на возможность его возникновения кризиса на горизонте прогнозирования в 6 месяцев (Таблица 6).

Таблица 6.

Показатели экономического развития России III- IV кв. 2019 г.

Дефля- Долг/ВВ Ставка Профи- Ликвид-

тор П цит ность

Х1 Х2 Х3 Х4 Х5

201 III кв. 108,8 3,2 7,535 0,66 -3103,7

9 IV кв. 103,5 4,44 6,823 1,7 -2632,1

Прирост -0,049 0,386 -0,094 1,576 -0,1519

показа-

теля

Источник: Статистические данные Банка России, МИНФИНа РФ и Федеральной службы государственной статистики.

Таблица 7

e b1 b2 b3 b4 b5

Модель 1 0,36 3,37 2,24 1,06 0,0117 -0,0039

0,36 -0,1642 0,8646 -0,1002 0,01843 0,006

Модель 2 0,27 1,21 1,78 1,17 -0,0381 -1,74

0,27 -0,0589 0,687 -0,1106 -0,06 0,264

Источник: составлено автором.

При подстановке значения из Модели 1 результирующая переменная равна 0,728, что выявляет приближение кризиса. Используя результат, полученный из Модели 2, получено значение 0,7294, что также интерпретируется как модель прогнозирует приближение кризиса.

Рассчитанные на основе высокоинформативных для России показателей модели сигнализировали о приближавшемся кризисе в обоих рассматриваемых случаях. Стоит отметить, при апробации моделей в преддверии кризисов 2014-2015 и 2020 годов большей прогностической точностью обладала Модель 2, что определяет ее приоритетность при дальнейшем применении с целью превентивного выявления кризисных тенденций в банковском секторе.

Заключение

В рамках исследования построена логит-мо-дель прогнозирования банковского кризиса с использованием наиболее информативных показателей, таких как: динамика обменного курса рубля, динамика реальной процентной ставки, показатели изменения совокупной величины кредитов и

депозитов резидентов страны, динамика промышленного производства, - с целью повышения точности прогнозов при заблаговременной идентификации банковского кризиса. Данная модель подтвердила значимость при ее ретроспективной апробации. Особенно, значимо, что на горизонте 6 месяцев до кризиса 2020 г., предложенная автором модель, определяла потенциальную возможность ухудшения макроэкономической ситуации.

Литература

1. Антонов В. А. Международные валютно-кре-дитные и финансовые отношения. Учебник и практикум: учебник для бакалавров - М.: Издательство Юрайт, 2014. - 548 с. - с. 505-531.

2. Бардовский В.П., Рудакова О.В., Саморо-дова Е.М. Экономическая теория. Форум - Инфра-М - 2011г. - с. 380-392.

3. Боткин И.О., Виноградова О.С., Ишманова М.С. Особенности проявления индикаторов-предвестников банковского кризиса в Российской Федерации, Вестник Удмуртского Университета, Т. 25, вып. 5, 2015, с. 15-23.

4. Виноградова О.С., Крупкина А.С., Пирпоинт К.А., Кокосинский Д.В. Выявление циклических закономерностей в динамике макроэкономических показателей Российской Федерации на основе спектрального анализа. Вестник Московского университета, серия 6 «Экономика», - 2021 г., - № 5.

5. Пестова А. А. Предсказание поворотных точек бизнес-цикла: помогают ли переменные финансового сектора? «Вопросы экономики», № 7, 2013.

6. Caprio G., Klingebiel D. Bank insolvencies: cross-country experience. World Bank, Policy Research Working Paper Series, No 1620, 1996.

7. Caprio G., D'Apice V., Ferri G., Puopolo, G. Macro-financial determinants of the great financial crisis: Implications for financial regulation. Journal of Banking & Finance 44, 114-129, 2014.

8. Demirguc-Kunt A., Detragiache E. The Determinants of Banking Crises in Developed and Developing Countries. IMF Staff Paper, vol.45, no. 1. International Monetary Fund, Washington, 1998.

9. Demirguc-Kunt A., Huizinga Н. Bank activity and funding strategies: The impact on risk and returns. Journal of Financial Economics, Elsevier. December -vol. 98(3) - pages 626-650, 2010.

10. Eichengreen B., Rose A. External factors and emerging-market banking crises, 1998 г., URL: http://www.nber.org/papers/w6370.pdf

11. Kaminsky G., Reinhart C. The Twin Crises: The Causes of Banking and Balance-of Payments Problems. American Economic Review. Vol. 89 (June) - P. 473-500, 1999.

12. Reinhart С., Goldstein М., Kaminsky G. Early Warning System: Empirical Results from The Signals Approach. MPRA Paper 24577, University Library of Munich, Germany, 2000.

Application of the Logit Model to Forecasting Banking Crises in Russia

Vinogradova O.S.

MSU

JEL classification: G20, G24, G28, H25, H30, H60, H72, H81, K22, K34

Financial instability is dangerous and undesirable for the activities of commercial banks. The paper analyzes the methodological foundations of predictive models. The current crisis caused by the COVID-19 shows an increased degree of uncertainty for the development of society and the economy. It requires a revision of the models used to identify the financial crisis and forecast horizon of these models. In this article, the author has confirmed the predictive ability of the logit model when the planning horizon is reduced to 6 months. The half-year forecasting horizon is sufficient and expedient in modern conditions. In the case of early identification of crisis (with a time lag of 6 months), a commercial bank can form a strategy for managing the balance sheet structure that will keep the bank in changing conditions and minimize potential losses.

Keywords/ forecasting banking crises, financial instability, logit-model, commercial bank.

References

1. Antonov V. A. International monetary and credit and financial relations.

Textbook and workshop: textbook for bachelors - M .: Yurayt Publishing House, 2014. - 548 p. - With. 505-531.

2. Bardovsky V.P., Rudakova O.V., Samorodova E.M. Economic theory.

Forum - Infra-M - 2011 - With. 380-392.

3. Botkin I.O., Vinogradova O.S., Ishmanova M.S. Features of the

manifestation of indicators-precursors of a banking crisis in the Russian Federation, Bulletin of the Udmurt University, T. 25, no. 5, 2015, p. 1523.

4. Vinogradova O.S., Krupkina A.S., Pierpoint K.A., Kokosinsky D.V.

Identification of cyclical patterns in the dynamics of macroeconomic indicators of the Russian Federation based on spectral analysis. Moscow University Bulletin, Series 6 "Economics", - 2021, - No. 5.

5. Pestova A. A. Predicting the turning points of the business cycle: do the

variables of the financial sector help? "Issues of Economics", No. 7, 2013.

6. Caprio G., Klingebiel D. Bank insolvencies: cross-country experience.

World Bank, Policy Research Working Paper Series, # 1620, 1996.

7. Caprio G., D'Apice V., Ferri G., Puopolo, G. Macro-financial determinants

of the great financial crisis: Implications for financial regulation. Journal of Banking & Finance 44, 114-129, 2014.

8. Demirguc-Kunt A., Detragiache E. The Determinants of Banking Crises in

Developed and Developing Countries. IMF Staff Paper, vol. 45, no. 1. International Monetary Fund, Washington, 1998.

9. Demirguc-Kunt A., Huizinga H. Bank activity and funding strategies: The

impact on risk and returns. Journal of Financial Economics, Elsevier. December -vol. 98 (3) - pages 626-650, 2010.

10. Eichengreen B., Rose A. External factors and emerging-market banking crises, 1998, URL: http://www.nber.org/papers/w6370.pdf

11. Kaminsky G., Reinhart C. The Twin Crises: The Causes of Banking and Balance-of Payments Problems. American Economic Review. Vol. 89 (June) - P. 473-500, 1999.

12. Reinhart C, Goldstein M, Kaminsky G. Early Warning System: Empirical Results from The Signals Approach. MPRA Paper 24577, University Library of Munich, Germany, 2000.

X X

о

го А с.

X

го m

о

2 О

м