Содержание к диссертации
Введение
ГЛАВА 1. Методы дистанционного анализа банков 21
1.1. Банковская система России. Банковский надзор 21
1.1.1. Банковская система России 21
1.1.2. Банковские рейтинги в России 22
1.1.3. Базельское соглашение 24
1.1.4. Система CAMEL(S) 30
1.2. Эконометрический подход к оценке рисков 33
1.2.1. Эконометрика в России 33
1.2.2. Системы раннего предупреждения (EWS) 34
1.2.3. Эконометрические модели в дистанционных методах анализа состояния банков США 37
1.2.4. Различные направления в дистанционном анализе 39
1.3 Актуальные проблемы дистанционного анализа 45
ГЛАВА 2. Эконометрические модели вероятности дефолта банков 48
2.1. Введение и краткий обзор литературы 48
2.2. Помогает ли кластеризация? 53
2.2.1. Данные 55
2.2.2. Модели и кластеры 59
2.2.3. Экспертный подход 60
2.2.4. Автоматическая классификация 73
2.3. Модели с учетом макроэкономического окружения 78
2.3.1. Данные 79
3.3.1. Модели с макроэкономическими показателями 83
3.3.2. Сравнение моделей: Ошибки I—II рода 86
3.3.3. Сравнение моделей: эвристические критерии 88
2.4. После кризиса 93
2.5. Заключение 97
ГЛАВА 3. Эконометрическое моделирование рейтингов банков 99
3.1. Введение 99
3.1.1. Роль рейтингов 99
3.1.2. Моделирование рейтингов 109
3.2. Рейтинги российских агентств и экспертов 112
3.2.1. Введение 112
3.2.2. Данные и модели 114
3.2:3. Анализ существующих рейтингов 425
3.2.4. Анализ данных опроса экспертов 132
3.2.5. Модельные рейтинги банков 134
3.2.6. Выводы 138
3.3. Рейтинги международного рейтингового агентства Moody's 141
3.3.1. Международные рейтинговые агентства в России 141
3.3.2. Данные 146
3.3.3. Модели РД и РФУБ 151
3.3.4. Модели «факторов внешней поддержки банка» 155
3.3.5. Точность прогноза по моделям рейтингов 158
3.3.6. Метод прогноза некоторых макроэкономических показателей 166
3.4. Заключение 169
ГЛАВА 4. Модели процентных ставок 172
4.1. Введение 172
4.2. Модели с квартальными данными 179
4.2.1. Данные 179
4.2.2. Модели процентных ставок. Рыночная дисциплина 185
4.2.3. Процентные ставки и страхование депозитов 192
4.2.4. Выводы 195
4.3. Модели с ежемесячными данными 196
4.3.1. Данные 196
4.3.2. Модели и результаты 202
4.3.3. Выводы 206
4.4. Заключение 206
ГЛАВА 5. Модели эффективности банков по издержкам ... 208
5.1. Введение 208
5.1.1. Эффективность и надежность 208
5.1.2. Различные подходы к оценке технической эффективности 210
5.2. Российские банки 216
5.2.1. Данные 216
5.2.2. Модели 217
5.2.3. Результаты 218
5.3. Эффективность банков России и Республики Казахстан 219
5.3.1. Банковские системы России и Казахстана 219
5.3.2. Данные 221
5.3.3. Модели эффективности по издержкам 223
5.3.4. Результаты 228
5.4. Выводы 235
Заключение 238
Литература 241
Приложения 264
Приложение А. Графики к главе 2 264
Приложение В. Таблицы к главе 3 268
Приложение С. Таблицы к главе 4 276
- Различные направления в дистанционном анализе
- Модели с макроэкономическими показателями
- Метод прогноза некоторых макроэкономических показателей
- Модели процентных ставок. Рыночная дисциплина
Введение к работе
Актуальность исследования. Банковская система страны имеет важное значение в обеспечении роста экономики. Финансовые и банковские кризисы приводят к снижению экономического роста, стагнации производства. Задача органов банковского надзора — обеспечение стабильного и устойчивого развития банковской системы. Эта задача особенно важна для стран с переходной экономикой, в которых банки и органы банковского надзора имеют небольшой опыт функционирования в условиях рыночной экономики.
В Российской Федерации актуальность стабильного развития банковской системы особенно проявилась во время финансового кризиса 1998 г., «кризиса доверия» лета 2004 г. и мирового кризиса 2008 г. В Российской Федерации число банков до 1998 г. превышало 2 тыс., за 2008 г. количество банков снизилось с 1136 до 1108. Такое количество банков слишком велико для регулярного инспекторского надзора со стороны Центрального банка Российской Федерации (ЦБ РФ) или Агентства по страхованию вкладов (АСВ). Отсюда вытекает необходимость дистанционного мониторинга состояния банков.
Дистанционный мониторинг — текущий онлайн-анализ состояния банков по ежемесячным, ежеквартальным, годовым балансовым отчетам позволяет выделить «группы риска», т.е. те банки, состояние которых может вызывать опасения. Конечно, такие дистанционные методы, включающие «системы раннего предупреждения» (Early Warning Systems, EWS), не могут дать однозначного указания на состояние надежности1 того или иного банка. Однако они могут существенно повысить эффективность деятельности органов надзора, которые станут в первую очередь инспектировать банки, оказавшиеся в группе риска согласно дистанционным методикам. Повышение эффективности банковского надзора укрепляет и стабильность банковской системы в целом, предупреждая возможную несостоятельность отдельных банков.
Под надежностью, устойчивостью, банка здесь и ниже понимается его способность в текущий момент и в среднесрочной перспективе отвечать по своим обязательствам.
Подобные дистанционные методы могут применяться также и банками как реализация TRB-подхода к"оценке риска банков-контраге1їтоХ^амках со^ глашения Базель-И. Крупные предприятия могут применять дистанционные методы для мониторинга финансового состояния банков — потенциальных партнеров по бизнесу.
Для практического применения дистанционного мониторинга необходимы развитие соответствующих методов и моделей, их разработка, тестирование. Большое — по сравнению с другими странами с переходной экономикой — количество банков в Российской Федерации позволяет применять различные методы эконометрического анализа.
Степень разработанности проблемы. Некоторые эконометрические модели анализа банковской деятельности, использующие только публично доступную информацию, в том числе модели, которые могут применяться для мониторинга текущего состояния надежности банков, рассматривались в работах зарубежных ученых, приведенных в библиографии к диссертации.
Анализ предшествующих работ показывает необходимость комплексного подхода, включающего решение следующих теоретических и практических проблем.
Построение моделей вероятности дефолта банков. Такая модель прогнозирует вероятность дефолта банка в следующем периоде. Модель может непосредственно применяться для выявления банков, входящих в группу риска.
Построение моделей рейтингов банков, присвоенных им рейтинговыми агентствами или группами независимых экспертов. Подобные модели также могут использоваться для мониторинга банков.
Построение моделей прог\ентных ставок, которые позволяют выделить банки, ведущие излишне рискованную финансовую политику. Также подобные модели могут использоваться для анализа влияния решений регулирующих органов на банковскую систему.
Построение и анализ моделей эффективности банков2. Такие модели позволяют выделить факторы,~влияющие~на эффективность,^ и до^нёкоторой ^сте^ пени могут показать пути повышения эффективности банковской системы в целом. Также такие модели могут применяться и для мониторинга, поскольку неэффективность банка часто свидетельствует о его ненадежности.
Научную проработанность проблемы построения моделей для дистанционного мониторинга банковской системы все еще нельзя признать удовлетворительной. Недостаточно разработаны методы учета макроэкономического окружения в подобных моделях, о чем отдельно указывается в материалах Ба-зельского комитета. Не разработана методика применения предварительной или автоматической классификации банков, повышающей точность прогноза моделей. Нет критериев, сравнивающих различные модели не по их статистическим характеристикам, а по оценкам потенциального экономического эффекта их практического применения. Несмотря на обширный материал для эконо-метрического исследования, практически полностью отсутствуют работы по данной тематике, исследующие российскую банковскую систему. Это и обусловило выбор темы диссертационного исследования, его цели, задач, а также круг рассматриваемых вопросов.
Цель и задачи исследования. Целью работы является создание методологии комплексного эконометрического подхода к дистанционному мониторингу российской банковской системы, для обеспечения ее устойчивого развития. Этот подход включает построение и анализ эконометрических моделей вероятности дефолта, рейтингов, процентных ставок и эффективности банков, исследование возможности их практического использования в дистанционном мониторинге и анализе российской банковской системы. Такие модели используют только открытую, публично доступную информацию.
Для достижения этой цели были поставлены и решены следующие задачи.
2 Здесь и далее под эффективностью понимается техническая эффективность, точнее — эффективность по затратам, или по прибыли.
Разработка и тестирование эконометрических моделей вероятности дефолта, построенных по историческим данным о дефолтах банков. Учет переменного макроокружения в этих моделях.
Построение эконометрических моделей вероятности дефолта с одновременной кластеризацией банков.
Разработка методологических основ сравнения построенных моделей по их потенциальному экономическому эффекту.
Разработка моделей рейтингов банков, присвоенных им экспертами и рейтинговыми агентствами. Анализ на их основе факторов, которые агентства на самом деле принимают во внимание. Исследование вопроса о том, какая часть информации, содержащейся в рейтингах, может быть получена из публично доступной информации.
Построение моделей рейтингов банков международных рейтинговых агентств, включая российские банки, что позволяет более точно подогнать модель к российским данным. Кроме того, такие модели обеспечивают возможность ответа на вопрос, существует ли особый подход международного рейтингового агентства к рейтингованию банков развивающихся стран и, в частности, российских банков.
Разработка методики оценки ненаблюдаемого фактора на примере фактора «внешней поддержки», входящего в методологию составления рейтингов депозитов в иностранной валюте международного рейтингового агентства Moody's.
Построение и анализ эконометрических моделей процентных ставок по депозитам физических лиц. Такие модели позволяют ответить на вопрос, имеется ли в России «рыночная дисциплина». Наличие рыночной дисциплины согласно Новому базельскому соглашению является одной из основ стабильности банковской системы.
Анализ влияния введения системы страхования вкладов в России на рыночную дисциплину.
Построение моделей эффективности банков. Анализ и сравнение различных моделей могут показать! насколько выводы^ббастньГЬтносительно выбора спецификации модели. Разработка моделей для межстранового анализа сравнительной эффективности банков на примере банков России и Республики Казахстан. Анализ того, повысится ли эффективность российской банковской системы с укрупнением банков.
Объектом исследования является как отдельный банк, так и совокупность банков российской банковской системы, российская банковская система в целом.
Предмет исследования — надежность, эффективность банков с учетом макроэкономических условий.
Методологическая база исследования. Теоретической основой работы являются методы и аппарат эконометрики, системные методы исследования, теория банковского дела, методы математической статистики. Эмпирические исследования опираются на теорию эконометрического моделирования, в том числе на линейную регрессионную модель с гетероскедастичными ошибками, модели дискретного выбора, модели множественного выбора, модели панельных данных, модели стохастической границы производственных возможностей. Используются методы статистического и корреляционного анализа. При обработке данных применялись стандартные эконометрические пакеты и оригинальных программные продукты, в том числе созданные на базе эконометриче-ских пакетов.
Значительный вклад в развитие прикладной эконометрики и во внедрение эконометрики в России внесли: С.А. Айвазян, В.Л. Макаров, В.М. Полтерович, И.И. Елисеева, Г.Б. Клейнер, Я.Р. Магнус, В.И. Суслов, М.Ю. Афанасьев, А.Г. Грязнова, Ю.Н. Благовещенский, А.Е. Варшавский, А.И. Гладышевский, СМ. Гуриев, Я.Б. Миркин, B.C. Мхитарян, Л.И. Ниворожкина, А.А. Фридман, М.А. Эскиндаров, Э.Б. Ершов, О.О. Замков, Г.Г. Канторович, П.К. Катышев, С.А. Анатольев, В.А. Балаш, В.В. Давние, И.А. Денисова, Е.В. Журавская,
A.M. Карминский, В.Ф. Лапо, С.А. Мицек, Ю.С. Хохлов, В.М. Четвериков, _ — А.Л. Абрамову - А.В. Аистов,- — ~К;НгБеляев, Е.С. Котырло, СГАТЛанец, Е.С. Лебедева, А.Г. Максимов, Б.А. Путко, Т.А. Ратникова, И.Н. Щепина.
Эконометрический анализ в применении к банкам развивался в работах E.I. Altman, J.D. Amato, P.W. Bauer, A.N. Berger, J.P. Bonin, J. Bos, S. Caner, R. Cantor, R.A. Cole, A. Demirguc-Kunt, A. Estrella, G.D. Ferrier, S. Fries, C.H. Furfine, W. Gunther, T. Hannan, G. Hanweek, I. Hasan, H. Huizinga, D.B. Humphrey, J. Kolari, S. Kumbhakar, D. Martin, L. Mester, F. Packer, H.A. Rijken, J.K. Schoors, A. Taci, P. Wachtel, L. Weill и др. Однако лишь несколько работ рассматривают российские банки.
Информационную базу исследования составили официальные данные Росстата, ЦБ РФ, Агентства по страхованию вкладов, российских и зарубежных рейтинговых агентств, сведения, полученные в ходе экспертных обследований, данные с сайтов российских банков, данные международных информационных агентств и Всемирного банка.
\ Научная новизна. Предложен методологический подход к комплексно-
му эконометрическому анализу надежности и эффективности банков на основе разработанных математических и эконометрических моделей. Эти модели позволяют исследовать влияние различных внешних и/или внутренних факторов на устойчивость банка и банковской системы в целом, оценить эффект решений экономической политики на банковскую систему. Они обеспечивают возможность дистанционного анализа — как компоненты систем раннего предупреждения — органами банковского надзора, а также банками при оценке риска партнеров в рамках IRB-подхода при реализации Нового базельского соглашения. Впервые предложены модели надежности банков с учетом макроэкономического окружения, модели, комбинирующие кластер-анализ с построением моделей вероятности дефолта, предложена методика сравнения моделей по их потенциальному экономическому эффекту. Все результаты анализа российской банковской системы являются новыми, так как ранее подобные исследования по отношению к российским банкам не выполнялись.
Впервые построены эконометрические модели вероятности дефолта российских банков^ на основе исторйчёйсйх данных. При этом" учёт макроэкономической среды повышает точность прогноза моделей. Ранее макроэкономические факторы в моделях вероятности дефолта банков не учитывались.
Предложен и реализован подход к моделированию вероятности дефолта российских банков, который комбинирует эконометрическое моделирование с кластер-анализом, ориентированным на построение наилучших моделей бинарного выбора в каждом кластере. Применение такого подхода позволило повысить точность прогноза моделей по сравнению с ранее применявшимися моделями.
Предложены новые методы сравнения построенных моделей вероятности дефолта с точки зрения их потенциального экономического эффекта для потенциального инвестора.
Разработан подход к дистанционной оценке надежности банков путем моделирования рейтингов международных рейтинговых агентств и оценок экспертов. Показано, что значительная часть информации, содержащаяся в рейтингах, может быть получена из публично доступной информации.
Построены эконометрические модели рейтингов банков агентства Moody's, на основе которых показано, что при прочих равных агентство присваивает более низкие рейтинги банкам развивающихся стран и, в частности, российским банкам.
Разработана методика оценки ненаблюдаемых факторов на примере фактора «внешней поддержки», входящего в методологию составления рейтингов депозитов в иностранной валюте международного рейтингового агентства Moody's.
Анализ эконометрических моделей процентных ставок по депозитам физических лиц выявил наличие в России рыночной дисциплины, более выраженной, чем в развитых странах. Показано, что введение страхования депозитов существенно снизило рыночную дисциплину и соответственно ослабило стабильность российской банковской системы.
Разработана методика межстранового анализа сравнительной эффективности банков. В частности, при анализе моделей эффективности банков, не" обнаружено статистически достоверного различия в эффективности банков России и Казахстана, несмотря на то что банковская система Казахстана считается наиболее развитой на постсоветском пространстве. Выявлен эффект, который не учитывается в большинстве работ по анализу эффективности банков: ранжировка банков по эффективности существенно зависит от спецификации модели.
Показано, что укрупнение российских банков приведет к повышению эффективности банковской системы, а, следовательно, и к ее большей стабильности. Этот вывод дает обоснование политики Банка России по сокращению количества мелких банков.
Практическая значимость исследования. Разработанная методология построения эконометрических моделей вероятности дефолта банков, рейтингов банков, анализа процентных ставок и эффективности банков по издержкам по- > зволяет применять эти модели для дистанционного анализа — как часть системы раннего предупреждения — в целях банковского надзора, осуществляемого ЦБ РФ и АСВ.
Практическим достоинством полученных результатов является то, что при расчете оценок надежности банка используется только открытая информация. Это позволяет вычислить оценки, пользуясь приведенными выше моделями и доступной финансовой информацией о банке. Вычисления могут производиться достаточно оперативно и не требуют больших материальных затрат.
Эти модели могут также применяться коммерческими банками в рамках соглашения Базель-П при создании системы IRB-подхода к оценке риска потенциальных партнеров по бизнесу.
Разработанные методы и технологии позволяют существенно повысить оперативность и эффективность аналитической деятельности органов банковского надзора, улучшить качество принимаемых оперативных и стратегических
решений за счет комплексности, оперативности и презентативности анализа,
учета 1кГн^естъе1шы^вз"аим6связей йГфакторов^ ~" ~
Основные выводы и рекомендации работы могут служить теоретической, методологической и методической базой для дальнейших исследований в области анализа банковской деятельности на микроуровне. Они также предлагаются к использованию в учебном процессе при изучении эконометрики и банковского дела в ряде вузов экономического профиля, а также в специализированных курсах в рамках магистратуры, аспирантуры и бизнес-образования.
Апробация и внедрение результатов исследования. Рекомендации, изложенные в диссертационном исследовании, используются в практической работе АСВ. Они также докладывались на семинарах в ЦБ РФ и Сбербанке.
Основные теоретические и методологические положения диссертации, разработанные автором, докладывались и обсуждались на:
международных научных конференциях:
«Модернизация экономики России: социальный эффект» (Москва, ГУ ВШЭ, 2003); «Конкурентоспособность и модернизация экономики» (Москва, ГУ ВШЭ, 2004); «Модернизация экономики и государство» (Москва, ГУ ВШЭ, 2006); «9-я международная конференция по теории вероятностей и математической статистике» (Вильнюс 2006); «8-я Международная конференция «Применение многомерного статистического анализа в экономике и оценке качества» (Москва, 2006); «Модернизация экономики и общественное развитие» (Москва, ГУ ВШЭ, 2007); «Модернизация экономики и глобализация» (Москва, ГУ ВШЭ, 2008); «Международная конференция по проблемам развития экономики и общества» (Москва, ГУ ВШЭ, 2009); «The Third Bachelier Colloquium on Mathematical Finance and Stochastic Calculus» (Metabief, France, January, 2008); «Second International Credit Risk & Rating Conference, 8-10 may 2008» (Ankara, Turkey, 2008); VII Международная школа-семинар «Многомерный статистический анализ и эконометрика» (Цахкадзор, Армения, сентябрь 2008); «The XVII International Tor Vergata Conference on Banking and Finance: Emerging Markets, Currencies, and Financial Stability» (Rome, Italy, December 2008); «INFINITI Con-
ference on International Finance, 8-9 June 2009» (Trinity College, Dublin, Ireland, 2009)r «EWEPA^-2009; XI European Workshop"6n~Efficiericy ahd^Productivity Analysis» (Pisa, Italy, June 2009);
приглашенных докладах на научных семинарах:
семинар «Многомерный статистический анализ и вероятностное моделирование реальных процессов», ЦЭМИ РАН, 2003, 2006, 2009; ГУ ВШЭ, 2003; Tilburg University, 2004, 2005; Bank of Finland Institute for Transition Economies 2004 (2), 2006, 2008, 2009; Bilkent University (Turkey), 2006; ЦЭФИР, 2006; ЦЭМИ РАН, Российско-швейцарский семинар по эконометрике и статистике, 2007; МГУ, 2008; международная юбилейная сессия научного семинара «Многомерный статистический анализ и вероятностное моделирование реальных процессов», Москва, Звенигород, 21-25 июня 2009;
научных конференциях Российской экономической школы (Москва, 2002-2009 гг.);
научно-практических конференциях и семинарах:
Клуб банковских аналитиков (2002); «Риск-менеджмент в финансовых институтах в России и СНГ» (Цюрих, 2005); 13-й международный форум «Российский банковский сектор. Инвестиционный потенциал и стратегия роста» (Лондон, 2006); «Управление финансовыми рисками в России и странах СНГ» (Вена, 2006); «Управление рисками: решения для России» (Москва, 2005).
Материалы диссертации использованы: в программах для повышения квалификации специалистов в Москве (июнь 2005, март 2007); Алма-Ате (2005); Ташкенте (январь 2004); Тбилиси (январь 2005).
Материалы диссертации были использованы при подготовке учебника по эконометрике (8 изданий), рекомендованного Министерством общего и профессионального образования Российской Федерации, и задачника по курсу эконометрики (4 издания), одобренного Министерством общего и профессионального образования Российской Федерации.
Материалы диссертации используются в курсах эконометрики для магистров РЭШ, МИЭФ ГУ ВШЭ, для бакалавров МГИМО, ГУГН, МИЭФ ГУ
ВШЭ, а так же в курсе «Банки, банковская система России и банковские рей-
Тинга»~дшҐ магистров РЭШ. " ~
Материалы диссертации были включены в курсы для преподавателей университетов по методике преподавания эконометрических дисциплин по панельным данным, моделям дискретного выбора, эконометрике финансовых рынков: Санкт-Петербург, июнь 2000; Екатеринбург, сентябрь 2000; Кисловодск, апрель 2001; Москва, май 2001; Санкт-Петербург, сентябрь 2001; Москва, апрель 2002; Великий Новгород, июль 2002; Саратов, апрель 2003; Владивосток, июль 2003; Кисловодск, май 2004; Вильнюс, июль 2004.
Работа по анализу рейтингов российских банков была поддержана грантом РФФИ (2008).
Публикации. Печатные труды, опубликованные по тематике диссертации, насчитывают 49 работ общим объемом примерно 93 п.л., из них лично автора — более 52 п.л. Они включают три монографии, а также статьи в периодических изданиях и сборниках научных трудов (в том числе 8 из списка ВАК), препринты и материалы конференций.
Структура и объем. Диссертация состоит из введения, пяти глав, заключения и списка литературы из 261 наименований. Она изложена на 276 страницах печатного текста, содержит 80 таблиц, 29 рисунков.
В главе 1 «Методы дистанционного анализа банков» автором предложена методология эконометрического подхода к дистанционному мониторингу российских банков, содержатся обзор практики, задачи и возможные методы дистанционного мониторинга банков по их балансовым отчетам.
Новое базельское соглашение [171, 250] (Basel-II, 2003-2004 гг.) предполагает, что банки могут использовать собственные системы оценки риска (Internal Ratings Based Approach, IRB) для оценки потенциальных партнеров, а органы банковского надзора — использовать системы раннего предупреждения (Early Warning Systems, EWS) для мониторинга банковской системы.
Такие международные рейтинговые агентства, как Standard and Poor's, Moody's и Fitch, публикуют рейтинги надёжности многих банков. Эти рейтинги, конечно, могут использоваться для IRB или EWS. Однако их применение в России весьма ограничено. Во-первых, эти агентства составляют рейтинги лишь для небольшого количества российских банков. Кроме того, эти рейтинги довольно низкие, и их разброс невелик. Во-вторых, рейтинги, присваиваемые рейтинговыми агентствами, довольно консервативны и редко изменяются.
В диссертации предлагается методология и комплексный подход на основе применения эконометрических методов для составления таких индикаторов надежности банка, которые выводятся на основе публично доступной информации. При этом не делается никаких априорных ограничивающих предположений. По мнению автора, существует 5 источников информации о надежности банков и, соответственно, 5 подходов к построению индикаторов надежности банков: 1) исторические данные по дефолтам банков; 2) рейтинги, присвоенные банкам рейтинговыми агентствами (вариант — рейтинги, присвоенные банкам группой независимых экспертов); 3) данные по процентным ставкам банков по депозитам физических лиц; 4) оценки технической эффективности (известно, что эффективные в этом смысле банки также более надежны); 5) оценка банков фондовым рынком (цена акций банков).
Комплексная методология, разработанная в диссертационной работе, а также построенные методы и модели, ориентированные, в частности, на российскую банковскую систему, основаны на первых 4 подходах и составляют содержание глав 2-5 диссертации. Они позволяют построить индикаторы надежности банков с точки зрения соответственно истории фактических дефолтов; мнения экспертов международного рейтингового агентства или группы независимых экспертов; частных вкладчиков; эффективности использования банками ресурсов.
Пятый подход представляется весьма перспективным, так как рынок аккумулирует в цене акций всю имеющуюся информацию. Однако в России этот подход в настоящее время не реализуем, так как акции только 6 российских
банков торгуются на бирже. В настоящее время исследования в этом направлении ведутся в ФРС США. ""
Для практического применения комплексного дистанционного мониторинга необходимы развитие соответствующих методов и моделей, их разработка и верификация. Большое — по сравнению с другими странами с переходной экономикой — количество банков в Российской Федерации, позволяет применять различные методы эконометрического анализа, разработанные в диссертации. Отметим, что при практическом применении такие модели следует регулярно переоценивать, использую новые данные. Подобные модели не настроены для прогнозов во время системного кризиса, поэтому в диссертации рассматривается ситуация до мирового кризиса 2008 г.
Эконометрические модели, подобные моделям, рассматриваемым в диссертации, могут служить составной частью IRB и EWS. Применение таких моделей позволит повысить эффективность банковского надзора. Используя предложенные подходы, Банк России и Агентство по страхованию вкладов смогут оптимизировать усилия, осуществляя дистанционный мониторинг банковской системы с помощью предложенных эконометрических моделей для идентификации потенциально проблемных банков, и затем концентрировать усилия в первую очередь на этих банках для более детального анализа их состояния.
Во второй главе «Эконометрические модели вероятности дефолта банков» строятся эконометрические модели вероятности дефолта банков на основе исторических данных по дефолтам российских банков.
Рассмотрен вопрос о повышении точности прогноза при построении моделей дефолта отдельно для различных групп (кластеров) банков. При этом рассматриваются несколько вариантов предварительной экспертной кластеризации. Кроме того, предложена модель с автоматической классификацией, комбинирующая кластер-анализ с построением моделей вероятности дефолта в отдельных кластерах.
Предложены модели моделей вероятности дефолта банков с учетом макроэкономического окружения. Необходимость учета макроэкономического ок-
ружения неоднократно отмечалась в документах Базельского комитета [100,
Т207І7172407244]: —— _ — _
Предложен вычислительно-интенсивный метод оценки точности прогноза по моделям вероятности дефолта на контрольном наборе данных, многократно случайным образом выделяемом из исходной выборки.
Предложены эвристические критерии сравнения качества моделей вероятности дефолта на основе оценки потенциального экономического эффекта от их применения.
Показаны возможные методы использования подобных моделей для анализа трендов развития российской банковской системы.
В главе 3 «Эконометрическое моделирование рейтингов банков» построены модели рейтингов банков, присвоенные рейтинговыми агентствами или экспертами. Поскольку такие модели позволяют построить прогнозные значения рейтингов надежности банков на основе открытой информации, они, как и модели вероятности дефолта, могут применяться для дистанционного мониторинга банков органами банковского надзора, а также в рамках IRB-подхода предлагаемого Новым базельским соглашением.
Разработана методология составления моделей рейтингов на основе опроса независимых экспертов. Такой подход позволяет избежать проблемы связанной с возможной заинтересованностью экспертов рейтинговых агентств в выставлении рейтинга.
Построены эконометрические модели рейтингов банков российских рейтинговых агентств. С помощью построенных моделей показано различие подходов экспертов этих агентств к оценке надежности банков.
Построены модели рейтинга депозитов и рейтинга финансовой устойчивости банка международного агентства Moody's. Модели построены на международных данных и позволяют проанализировать влияние финансовых показателей банка, страновых показателей на мнение экспертов агентства.
На примере «фактора внешней поддержки», используемого в методологии агентства Moody's разработана эконометрическая" методикаГ оценки ненаблюдаемых факторов.
Предложены методы анализа точности прогноза по моделям рейтингов. Показано, что в значительной мере рейтинги могут быть прогнозированы на основе публично доступной информации.
В четвертой главе «Модели процентных ставок» проведен экономет-рический анализ процентных ставок по депозитам физических лиц и наличия рыночной дисциплины в российской банковской системе. При наличии рыночной дисциплины высокие процентные ставки могут служить индикатором излишне рискованной финансовой политики банка.
Показано, что рыночная дисциплина в России существует, хотя и ослабла после введения страхования вкладов. Процентные ставки зависят от индикаторов риска банка, таких как доля просроченной задолженности в кредитах, размера банка, его показателей ликвидности и др. Таким образом, процентные ставки по депозитам отражают оценку надежности банка вкладчиками.
Построенные модели процентных ставок являются еще одной мерой надежности банка, отражающей мнение частных вкладчиков.
В главе 5 «Модели эффективности банков по издержкам» строятся оценки эффективности российских банков по издержкам. Многие авторы отмечают связь технической эффективности и надежности фирмы, банка (см., например, [150]).
Наличие технической неэффективности (неэффективности по издержкам) свидетельствует о плохом качестве менеджмента, излишнем персонале, который неэффективно работает, неправильно используемых активах компании, неоправданно высоких затратах. Оценки технической эффективности, могут, таким образом, использоваться для дистанционного мониторинга банковской системы. Банки, оценки эффективности которых низки, в первую очередь должны являться объектом внимания органов банковского надзора.
Разработана методика межстранового сравнения эффективности банковских систем на примере сравнения банков России и Казахстана —"двух крупнейших банковских систем на постсоветском пространстве, имеющих общие начальные условия развития. Показано, что отсутствует статистически значимое различие в эффективности банковских систем двух стран. Также продемонстрировано, что обе банковские системы могут повысить эффективность при укрупнении малых и средних банков.
Различные направления в дистанционном анализе
В этом подразделе рассматриваются направления работ по дистанционному анализу состояния фирм, банков, которые используют интенсивные компьютерные методы, современные методы многомерного статистического анализа, эконометрические и др. методы. Существует несколько подходов к статистическому моделированию надежности банков на основе публично доступной информации.
Во-первых, составление эконометрической модели надежности банка на основе исторических данных по банковским дефолтам. Естественным инструментом здесь являются модели бинарного выбора (1оіт-/ргоЬіі-модель). Этот подход рассматривался для банкротств банков США в 1990-х г., например, в работах Airman, Kolari и др.
Во-вторых, для построения эконометрической модели можно использовать рейтинги, присвоенные банкам рейтинговым агентством. Такая модель будет отражать ту часть информации, содержащейся в рейтинге, которая может быть получена из публично доступной информации. Представляется естественным применение моделей множественного выбора (ordered logit/probit). Когда такая модель построена, ее можно использовать для расчета прогнозных рейтингов любых банков. Прогнозные рейтинги будут отражать мнение экспертов рейтингового агентства. Такой подход был реализован для нефинансовых фирм в США в работе Airman, Rijken [96].
Другой вариант этого подхода основан на опросе независимых экспертов [19]. Экспертам предлагается присвоить рейтинги некоторому набору реальных или виртуальных банков по выборке финансовых показателей балансовых отчетов [76]. Далее строится эконометрическая модель, отражающая мнения экспертов. Возможное преимущество этого метода состоит в том, что модель строится на основе мнений экспертов, представляющих различные независимые финансовые структуры. Поскольку банки платят агентству за рейтинг, это потенциально может приводить к тому, что рейтинговое агентство не склонно понижать рейтинг. Однако эксперты агентства при составлении рейтинга имеют доступ к исчерпывающей информации о банке. Анализ такого подхода проведен в работе автора [245].
Третий подход, построен на основе анализа процентных ставок, например, процентных ставок по депозитам физических лиц. При наличии рыночной дисциплины, являющейся одним из основных основ Базель-П, вкладчики требуют от банков с рискованной финансовой политикой более высокие процентные ставки. При наличии в стране рыночной дисциплины, высокие процентные ставки служат сигналом об избыточном риске финансовой политики банка.
Четвертый подход основан на оценках технической эффективности банков. Ряд работ связывает техническую эффективность (или точнее — эффективность по издержкам) банка с его надежностью. Таким образом, модели позволяющие оценивать эффективность банка, также дают информацию и о его надежности. Методы оценки эффективности производственных единиц — сравнительно новая, бурно развивающаяся область на стыке экономики фирм, эконометрики, анализа данных. Проблемой тут является то, насколько различные оценки эффективности согласованы, поскольку если они дают существенно различные результаты, то под вопросом находится надежность рекомендаций экономической политики, полученной на их основе.
Пятый подход основан на анализе оценок банков фондовым рынком. Этот подход представляется весьма перспективным, так как рынок аккумулирует в цене акций всю имеющуюся информацию [62]. Однако в России этот подход в настоящее время не реализуем, так как акции только 6 российских банков торгуются на бирже. Поэтому в диссертации этот подход не рассматривается. В настоящее время исследования в этом направлении ведутся в ФРС США.
Модели прогноза дефолта банков, предприятий, облигаций и т.п. Попытки прогноза дефолта фирмы по данным балансового отчета, точнее — по одному из финансовых индикаторов (financial ratio), рассчитанного по данным балансового отчета предпринимались в 1960-х годах [106]. Однако значительный прогресс был сделан конце 1960-х, когда начали разрабатываться статистические методы для прогноза дефолта фирм, банков на основе данных балансовых отчетов. Первой такой работой была работа Альтмана в 1968 г. [93], использующая линейный дискриминантный анализ для классификации фирм на устойчивые и обанкротившиеся по финансовым показателям фирмы в предыдущий период времени. Был предложен показатель «Z Альтмана» (Z-score), линейная комбинация 5 индикаторов, который был усовершенствован позднее [98] до модели ZETA. В дальнейшем дискриминантный анализ применялся для прогноза дефолтов в [173, 243].
Десять лет спустя в 1977 г. Мартин [208] впервые применил экономет-рическую модель бинарного выбора, logit-модель, для прогноза дефолтов банков за период 1975-1976 гг. Эта модель имеет некоторое преимущество перед моделью линейного дискриминантного анализа: 1) она не предполагает нормального распределения финансовых индикаторов, используемых в модели, и 2) результатом прогноза является не бинарный ответ (дефолт — не дефолт), а оценка вероятности дефолта. Кроме того в этой модели можно оценить значимость финансовых индикаторов, включенных в модель. Модели бинарного выбора (logit, probit) используются в ряде работ [96, 123, 137, 138, 153, 159, 183,198,222,258,261]. В работе [168] показано, что значимость текущего CAMEL рейтинга в модели дефолта резко убывает после горизонта прогноза в 6 месяцев.
Два подхода, дискриминантный анализ (ДА) и модели бинарного выбора (logit) сравниваются по точности прогноза в нескольких работах. В работах [198, 201] авторы приходят к выводу о превосходстве logit-моделей над дис-криминантным анализом, а в работах [95, 175] авторы не находят существенного различия в прогнозной силе двух подходов.
Модели с макроэкономическими показателями
В этом разделе используются финансовые показатели квартальных отчетов российских банков за период 1996-2002 гг.8 Переменная LIVE сконструирована на основании определения дефолта банка, сформулированного в подразделе 2.2.1.
Исходная выборка сокращена, чтобы избежать возможных эконометриче-ских проблем: коррелированность наблюдений за банком в соседние моменты времени (отличающиеся на 1 квартал), и малая пропорция дефолтов в выборке. Цель прореживания выборки состоит в том, чтобы сохранить всю информацию о дефолтах, и чтобы наблюдения для каждого банка отстояли по времени друг от друга на два года. Для каждого обанкротившегося банка фиксируем момент банкротства t (время измеряется в кварталах) и полагаем переменную LIVE = 0. Это наблюдение привязывается к значениям финансовых показателей банка (таблица 2.1)
Для выживших банков процедура несколько иная. Произвольно с помощью датчика случайных чисел выбираем квартал t из 8 кварталов за период 2001-2002 гг., полагаем LIVE = 1 и связываем с этим наблюдением финансовые показатели банков и макроэкономические показатели на момент t - 8. Движение назад по времени с шагом 2 года продолжается так же, как и для обанкротившихся банков.
Подобная процедура прореживания выборки приводит, вообще говоря, к смещенным оценкам параметров в logit-модели [242]. Однако смещенной оказывается оценка только константы, оценки коэффициентов при переменных несмещенные, поэтому это не меняет экономической интерпретации результатов регрессии. К тому же смещение оценки свободного члена не влияет на оценку точности прогноза модели, поскольку при сравнении моделей рассматриваются все возможные значения порога с.
В результате описанной выше процедуры прореживания получается вы-борка, состоящая из 3158 наблюдений, среди которых есть 255 дефолтов (8.07%). Распределение дефолтов в полученной выборке приведено на рисунке 2.7. Это распределение не совпадает с общим распределением дефолтов российских банков (рисунок 2.8), поскольку в выборку включены только те банки, у которых имеются данные об их финансовых показателях за два года дзателей В таблице 2.14 представлены описательные статистики некоторых финансовых индикаторов банков. Все финансовые показатели измеряются в тысячах рублей. Среднее значение общих активов банка, измеренное в долларах США по историческому курсу, составляет всего около 100 млн. долл. Эта величина весьма мала не только по сравнению с иностранными банками, но и по сравнению с крупными российскими банками. Это является еще одной причиной того, чтобы взять в качестве размера банка логарифм его активов, что позволит уменьшить разброс этого параметра в выборке. Кроме того, поскольку данные в выборке распределены во времени, представляется разумным взять в качестве размера банка дефлированое значение активов, т.е. ln(VB/Defl).
Для того чтобы решить, какие макроэкономические показатели могут быть одновременно включены в модель, рассмотрим их корреляции (таблица 2.15). Большинство макроэкономических показателей сильно коррелирова-ны, поэтому включение в модель двух или более макроэкономических показателей может привести к мультиколл и неарности. В таблице 2.15 выделены пары макроэкономических показателей с наименьшей корреляцией, которые потенциально могут быть включены в модель одновременно.
В данном пункте описано построение моделей дефолта банков, с учетом влияния макроэкономического окружения. Анализируется вопрос о том, насколько макроэкономические показатели могут улучшить прогнозную силу моделей вероятности дефолта банков. Базовая модель, где макроэкономические показатели не используются, выбрана, как и в разделе 2.2, на основе статистических критериев: z -статистики коэффициентов, МакФадден R2, критерий Акаике и, конечно, с учетом экономической интерпретируемости. Базовая модель представлена во втором столбце таблице 2.16. Знаки коэффициентов соответствуют предварительным ожиданиям.
При оценивании моделей используется объединенная (pooled) probit-модель, которая здесь дает несколько лучшие результаты, чем объединенная logit-модель. Logit-модель с фиксированным эффектом и probit-модель со случайным эффектом дают практически тот же результат. Тесты показывают приемлемость объединенной модели.
Лучшие две модели, отличающиеся от базовой модели добавлением макроэкономических показателей (таблица 2.13), представлены в столбцах 3 и 4 таблицы 2.16. Макромодель 1 включает отношения экспорта к импорту, а макромодель 2 включает обменный курс рубль/доллар. По всем статистическим критериям (логарифм правдоподобия, Акаике, МакФадден R2) обе макромодели превосходят базисную модель. Некоторое дальнейшее улучшение может быть достигнуто путем включения в модель двух макроэкономических показателей. Однако не очевидно, что эти дальнейшие улучшения экономически значимы. Следующие два подраздела посвящены изучению этого вопроса.
Метод прогноза некоторых макроэкономических показателей
Особенно велика роль международных рейтинговых агентств в развивающихся странах, поскольку в этих странах отсутствует длительная история рыночной экономики, и экономических агентов в этих странах нет достаточного опыта оценки рисков. Однако именно в этих странах все еще лишь небольшое количество фирм имеют рейтинги международных рейтинговых агентств. Например, в конце 2007 г. только 120 из 1135 российских банков имели рейтинг хотя бы одного из трех рейтинговых агентств.
В данном разделе работы построены модели банковских рейтингов агентства Moody s, которое занимает ведущее положение в рейтинговании российских банков. Модели строятся на основе публично доступной информации, что позволяет выяснить какую часть информации, содержащейся в рейтингах можно получить на основе публично доступной информации, и какая доля информации получена экспертами агентства при анализе конфиденциальной информации банка.
Поскольку для моделирования рейтингов российских банков количество наблюдений по ним невелико и не велик разброс рейтингов, для построения моделей рейтингов используются международным данным (включая и российские банки). Идея состоит в том что, выбрав функциональную форму модели по международным данным, можно настроить ее на сравнительно небольшом наборе данных по российским банкам. Включение в выборку стран с самыми различными макроэкономическими показателями позволяет учесть в моделях влияние макроэкономического окружения, что является особенностью данной работы.
Согласно новой методологии агентства Moody s введенной в 2007 году (см. [102, 103, 170, 41]), рейтинг долгосрочных депозитов в иностранной валюте (РД) присваивается банку на основе рейтинга финансовой устойчивости банка (РФУБ, Bank Financial Strength Rating) с учетом размера и вероятности внешней поддержки (например, со стороны государства, промышленной или финансовой группы), а так же риска обменного курса (рисунок 3.4). Эта методология, сравнительно недавно введенная Moody s (для того, чтобы сделать процесс присвоения рейтинга более прозрачным) называется JDA (Joint Default Analysis) — анализ совместных дефолтов.
В работе построены эконометрические модели обоих рейтингов. Какова цель построения моделей по публичным данным? Подобные модели могут быть использованы для ответов на следующие вопросы: Насколько точно могут быть рейтинги приближены моделями, использующими только публично доступную информацию. Какова точность прогноза рейтингов по этим моделям? Существует ли тенденция к ужесточению («деградация») рейтинговых оценок Moody s на самом деле? Верно ли что Moody s использует особый подход к присвоению рейтингов банкам в развивающихся странах (в частности, в России)? Возможно ли построить модель ненаблюдаемого «фактора внешней поддержки», который Moody s принимает во внимание, присваивая РД? Какие финансовые индикаторы банков и макроэкономические факторы важны для фактора поддержки?
На практике подобные модели могут использоваться банками в рамках внедрения предложенного соглашением Базель-2 внутреннего подхода к оценке риска (IRB approach). Также эконометрические дистанционные модели рейтингов могут использоваться органами банковского надзора (В России — ЦБ РФ), как часть систем раннего предупреждения (Early Warning System, EWS), особенно в развивающихся странах, в которых органы надзора еще не имеют достаточного опыта, а большинство банков не имеет рейтингов.
Существует обширная литература по эконометрическому моделированию рейтингов, большая часть которых посвящена рейтингам выпусков облигаций. Приведем наиболее значимые работы. Работа [97] содержит обзор подходов к моделированию кредитных рисков. В фундаментальной работе [96] (Altman, Ri-jken, 2004) модели рейтингов используются для прояснения наблюдаемой стабильности рейтингов, которую рейтинговые агентства декларируют как методологию, ориентированную на среднесрочную (5-7 лет) перспективу (through the cycle methodology). Blume и др.. [116] используя модели рейтингов приходят к выводу о «деградации» рейтингов, т.е. в их работе в рамках построенной модели показано, что рейтинговые стандарты становятся более строгими. Однако, в работе [100] была предложена другая интерпретация полученных результатов, состоящая в том, что происходят системные изменения в мерах риска, связанные с развитием экономики и банковской системы.
Данный раздел основан на работах автора [42, 68, 230, 228, 53, 39, 38-42, 7] были построены эконометрические модели рейтинга долгосрочных депозитов, РД, в отличие от предыдущих работ использующие как финансовые индикаторы банков, так и макроэкономические переменные. В [68] построены модели (также с учетом макроэкономических показателей) рейтинга финансовой устойчивости банка (РФУБ), который выражает мнение агентства Moody s о надежности банка, взятого отдельно, без учета внешних факторов. По мнению М.Ю. Матовникова РФУБ должен лучше поддаваться эконометрическо-му моделированию, чем РД, поскольку содержит меньше неформализуемых факторов.
Присвоение банку РФУБ является первым шагов в рейтинговом процессе. РФУБ не принимает во внимание вероятность того, что банк в случае кризиса может получить внешнюю поддержку. Также не принимаются во внимание внешние риски, связанные с действиями правительства, которые могут повлиять на способность банка выполнять свои обязательства перед внутренними или внешними кредиторами. РД является мнением агентства о кредитном риске и включает в себя как РФУБ, так и мнение экспертов Moody s о различных возможностях внешней поддержки.
Модели процентных ставок. Рыночная дисциплина
Напомним, что набор данных 1 покрывает период с 1 квартала 2004 г. по 4 квартал 2004 г. Для того чтобы результаты были сопоставимыми, модели для второго набора данных оценивались на периоде с 1 квартала 2003 г. по 2 квартал 2004 г. В последней строке таблицы приведено отношение коэффициента детерминации в модели без финансовых показателей банка (R2 ) к коэффициенту детерминации в регрессии, включающей финансовые показатели банка (R2), Это отношение показывает, в какой степени включение финансовых показателей банка в регрессию значимо для объяснения разброса процентных ставок.
Фиктивные переменные D3, D6, D9 и D12 являются индикаторами депозитов со сроками 3, 6, 9 и 12 месяцев. Переменная D3 опущена, чтобы избежать точной коллинеарности; переменная D9 присутствует только в первом наборе данных. В уравнения добавлены также фиктивные переменные - индикаторы 3-х месячных депозитов в 2004 г. Внешторгбанка и Райффайзенбанка, что суще-ственно увеличило значения R . В 2004 г. эти банки предлагали аномально низкие ставки по таким депозитам, очевидно не интересуясь короткими деньгами.
Коэффициент детерминации несколько выше в уравнениях для первого набора данных, поскольку он состоит из более однородного набора банков и охватывает более короткий период времени.
Из данных таблицы 4.1 видно, что финансовые показатели банков являются значимыми переменными. Это свидетельствует о наличии рыночной дисциплины в российском банковском секторе. Число значимых показателей больше, чем в большинстве аналогичных регрессий по банкам в развитых странах (см., например [157, 162]). Это может означать, что в стране с менее развитой системой контроля над банками со стороны органов банковского надзора, депозиторы вынуждены сами контролировать рыночную дисциплину банков.
Доля просроченных кредитов значима в трех моделях из четырех. Положительный знак коэффициента при PZS/KE означает, что чем больше доля просроченной задолженности, тем выше процентные ставки по депозитам. Вкладчики рассматривают банк с большой долей просроченных кредитов как рискованный и требуют высокие процентные ставки. Кредиты фирмам в рассматриваемый период были в основном номинированы в иностранной валюте (доллары, евро), поэтому доля просроченных кредитов значима в обоих уравнениях для валютных депозитов.
Размер банка (собственный капитал, SK) также значим, крупные банки предлагают более низкие процентные ставки. Во многих работах в аналогичных регрессиях для развитых стран этот регрессор незначимый. Размер банка оказался важнее для российских вкладчиков, чем для западных. Другими словами, в России надежность банка связана с размером, а в развитых странах эта связь менее выражена, возможно, в силу того, что в этих странах меньше разброс в надежности банков.
Коэффициент при капитализации банка SK/CA положительный для рублевых депозитов и имеет разные знаки для валютных депозитов. Отрицательный коэффициент соответствует первоначальному предположению, что вкладчики требуют более высокие процентные ставки от менее надежных банков. Возможно, вкладчики валютных депозитов более информированы, чем вкладчики рублевых депозитов, и поэтому в отношении валютных депозитов проявляется вторая тенденция: более рациональные банки с коэффициентом достаточности капитала, близким к нормативу ЦБ, предлагают низкие проценты по депозитам. Кроме того, рынок валютных депозитов более конкурентный, а на рынке рублевых депозитов доминирует Сбербанк (который хотя и исключен из выборки, но, безусловно, оказывает влияние на формирование процентных ставок). Также, возможно и наличие противоположной тенденции (преобладающей для депозитов в рублях): высоко капитализированные банки имеют хороший менеджмент, они более прибыльные и могут предложить более высокие проценты по депозитам. Коэффициент 0.202 означает, что при изменении капитализации на одно стандартное отклонение (0.05), процентная ставка увеличится на 0,01 (1%), а коэффициент -0.0086 означает, что при изменении капитализации на одно стандартное отклонение (0.107 — по второй выборке), процентная ставка уменьшится на 0.0009 (-0.1%), т.е. отрицательное влияние оказывается экономически не значимым.
Коэффициент при доле кредитов нефинансовым организациям в чистых активах КЕ/СА — положительный во всех моделях. Таким образом, подтверждается преобладание первой тенденции из двух предложенных изначально: вкладчики рассматривают кредиты предприятиям как рискованные и требуют премию за риск.
Коэффициент при доле негосударственных ценных бумаг в чистых активах NCB/CA — также положительный во всех моделях. Вкладчики рассматривают негосударственные ценные бумаги как рискованные активы и требуют премию за риск. Однако здесь наблюдается Сообразный эффект. Имеется точка насыщения, после которой дальнейшее увеличение NCB/CA не приводит к увеличению процентных ставок. Поскольку на выборке точка насыщения не достигается, влияние параметра (всегда положительное) убывает с его ростом.
Прибыльность (балансовая прибыль на единицу собственного капитала) BP/SK значима, и ее эффект — также нелинейный. Точки возврата получаются значительно больше максимальных значений параметра. Таким образом, эффект отрицательный. Получается, что доминирует вторая из возможных тенденций: прибыльный банк имеет другие источники дохода и, соответственно, может предлагать невысокие проценты по депозитам.
Показатель ликвидности LA/VDFL значим (и имеет отрицательный коэффициент) в трех первых моделях и не значим — в четвертой. Таким образом, банк с низкой ликвидностью нуждается в деньгах и повышает ставки по привлечению депозитов.
