Содержание к диссертации
Введение
1. Современые подходы к управлению операционным риском 16
1.1. Предпосылки развития операционного риск-менеджмента 16
1.2. Классификация событий операционного риска и направлений деятельности 19
1.3. Управление операционным риском в России 23
1.4. Моделирование и оценка операционного риска 26
1.4.1. Подход на основе базового индикатора 26
1.4.2. Стандартизированный подход 29
1.4.3. Усовершенствованные подходы к оценке операционных рисков 31
1.4.4. Подходы, основанные на вероятностном распределении потерь 36
2. Актуарный подход к количественной оценке операционного риска 40
2.1. Выбор рискового события и направления деятельности 40
2.1.1. Внешнее мошенничество в розничном кредитовании 41
2.1.2. Внутреннее мошенничество в розничном кредитовании 43
2.2. Общее описание модели 44
2.3. Формирование выборки 46
2.3.1. Однородные группы 46
2.3.2. Масштабирование 47
2.4. Моделирование размера и частоты потерь 48
2.4.1. Моделирование размера потерь (severity) 48
2.4.1.1. Традиционный подход к выбору закона распределения и оценке параметров 49
2.4.1.2. Моделирование экстремальных потерь 50
2.4.2. Внешние, внутренние данные и сценарный анализ 54
2.4.2.1. Байесовский подход 55
2.4.2.2. Априорные и апостериорные распределения 57
2.4.3. Моделирование частоты событий {frequency) 61
2.5. Моделирование зависимостей 63
2.5.1. Копулы как инструмент моделирования зависимостей 66
2.5.2. Виды копул 69
2.6. Имитационный эксперимент 70
2.6.1. Операционный VAR (Value-at-Risk) 74
2.6.2. Необходимое количество испытаний для расчета VAR 75
2.6.3. Оценка катастрофических потерь Shortfall 76
2.6.4. Учет страховой программы банка 77
2.7. Исследование модели 80
2.7.1. Анализ чувствительности 80
2.7.2. Стресс-тестирование 81
2.8. Программное обеспечение 82
3. Апробация модели 83
3.1. Сбор данных о реализации операционного риска 83
3.2. Моделирование риска внешнего мошенничества 88
3.2.1. Исходные предположения и допущения. Формирование выборки 88
3.2.2. Моделирование размера потерь в результате внешнего мошенничества 94
3.2.2.1. Экспресс-кредитование 95
3.2.2.2. Автокредитование 100
3.2.2.3. Ипотека : 104
3.2.2.4. Кредитование на неотложные нужды 107
3.2.2.5. Проверка целесообразности разделения выборок 111
3.2.3. Моделирование частоты событий внешнего мошенничества 112
3.2.3.1. Подбор распределения как результат анализа бизнес-процесса 113
3.2.3.2. Нахождение параметров распределения частоты потерь 118
3.3. Моделирование риска внутреннего мошенничества 122
3.3.1. Формирование выборки 122
3.3.2. Моделирование размера потерь в результате внутреннего мошенничества 125
3.3.2.1. Потери ниже порогового значения 129
3.3.2.2. Экстремальные потери 131
3.3.2.3. Корректировка параметров экстремального распределения 134
3.3.3. Моделирование частоты событий внутреннего мошенничества 140
3.4. Моделирование совокупных потерь 142
3.4.1. Схема генерации случайных значений 144
3.4.1.1. Внешнее мошенничество 144
3.4.1.2. Внутреннее мошенничество 145
3.4.2. Проведение имитационного эксперимента. Расчет VAR 148
3.4.3. Анализ результатов эксперимента, проведенного без учета
зависимостей и страхования 151
3.4.4. Моделирование зависимостей 155
3.4.4.1. Особенности генерации зависимых случайных величин 158
3.4.4.2. Анализ результатов эксперимента, проведенного с учетом
зависимостей 158
3.4.5. Учет страховой программы 163
3.4.6. Расчет Expected Shortfall 166
3.5. Исследование модели 170
3.5.1. Стресс-тестирование 170
3.5.2. Анализ чувствительности 173
3.5.3. Изменение программы кредитования 179
Заключение 181
Список литературы 184
- Классификация событий операционного риска и направлений деятельности
- Усовершенствованные подходы к оценке операционных рисков
- Копулы как инструмент моделирования зависимостей
- Моделирование размера потерь в результате внутреннего мошенничества
Введение к работе
Актуальность темы исследования. Управление операционным риском является сравнительно новым направлением для банковского сообщества. В документах Базельского комитета по банковскому надзору оно впервые было выделено как самостоятельное направление в конце 90-х гг. В настоящее время, по данным компании Deloitte, управление операционными рисками является частью корпоративных программ риск-менеджмента в абсолютном большинстве банков (97%) и предусматривает четыре этапа: идентификацию, оценку, мониторинг, контроль и/или минимизацию. Тем не менее, многие методологические вопросы, в частности, связанные с количественной оценкой операционного риска, остаются открытыми.
В рамках усовершенствованных подходов (AMA) Базель II предоставляет банкам право самостоятельно разрабатывать экономико-математические модели для количественной оценки операционного риска и, соответственно, для расчета размера капитала, достаточного для покрытия потенциальных потерь. В отличие от более простых подходов (BIA и TSA), также предлагаемых в Базель II, такие модели способны давать более обоснованные оценки операционного риска.
Операционному риску в той или иной мере подвержены все направления деятельности банка, причины его реализации могут быть различными, и, следовательно, моделирование неоднородных событий должно осуществляться по отдельности. Основным препятствием для практического использования внутренних систем оценки является дефицит статистических данных. Кроме того, сведения об операционных потерях носят закрытый характер, поскольку их разглашение критично для деловой репутации банка. Однако по мере того как банки накапливают собственную статистику и анализируют сведения о потерях других организаций, возможности применения экономико-математических моделей расширяются. Одновременно возникает необходимость разработки способов решения ряда задач, обозначенных в Базель II: моделирования экстремальных потерь («тяжелых хвостов»), комбинирования информации из различных источников в условиях дефицита данных и учета зависимостей при агрегировании совокупных потерь в нескольких однородных группах. Помимо этих факторов, для более точной оценки операционного риска необходимо принимать во внимание особенности работы конкретного банка, и, в том числе, страновые различия.
В отечественных коммерческих банках операционному риску в наибольшей степени подвержено направление кредитования физических лиц, что связано с бурным развитием розничного сегмента в России и странах СНГ в 2005-2010 гг. Стремление банков любой ценой нарастить портфель, появление ускоренных и упрощенных схем кредитования, отсутствие опыта разработки розничных продуктов и управления риском – всё это создало возможности для злоупотреблений и получения кредита мошенническим путем как со стороны клиентов, так и сотрудников банков.
Внедрение Базель II в России намечено на 2011-2018 гг., однако для принятия взвешенных решений кредитным организациям уже сейчас необходим гибкий инструмент – модель, позволяющая анализировать возможные варианты событий и прогнозировать величину потенциальных потерь, в частности, в результате мошенничества в розничном кредитовании.
Степень разработанности темы. Вопросы управления операционным риском как составляющей процесса риск-менеджмента коммерческого банка представлены в работах Д.Г. Хоффмана, К. Маршалла, Ф. Джориона, Ф. Фабоцци, М. Левин и др. и систематизированы Базельским комитетом по банковскому надзору. В России вопросы управления операционными рисками нашли отражение в работах В.Б. Сазыкина, В.М. Золотарева, М. Натуриной, О. Громенко и др., а также в документах Банка России.
С учетом лучшей мировой практики Базельским комитетом были сформулированы основные требования к банкам, применяющим AMA, и, следовательно, к разрабатываемым ими внутренним системам оценки. В настоящее время большинство используемых моделей заимствованы из страховой отрасли и основываются на исследовании вероятностного распределения потерь. Теоретический анализ актуарных моделей проведен в работах М. Круза, К. Александр, А.С. Чернобай, С.Т. Рачева. Имеется также ряд прикладных исследований, посвященных той же тематике, например, работы Г. Миньолы, Р.Угочьони, Ф. Ауе, М.Калкбренера, А.Фрашо, Т. Ронкалли, П.Джорждеса, Н. Боуда и др.
Несмотря на заметный прогресс в последние 2-3 года, единого мнения относительно оптимального способа построения модели оценки операционного риска банковским сообществом пока не выработано.
Значительные сложности связаны с оценкой экстремальных потерь – так называемых «тяжелых хвостов». Проблема «тяжелых хвостов» при моделировании операционного риска исследовалась в работах К. Дуты, Дж. Пэрри, Дж. Неслеховой, Е. Медовой, М.Н. Куриаку и др. Одним из предлагаемых способов ее решения является использование теории экстремальных значений, основы которой были заложены учеными Р. Фишером, Д. Типпетом, Б.В. Гнеденко, Р.фон Мизесом и впоследствии развивались, в том числе, применительно к финансовой сфере, Дж. Пикандсом, Р.Л. Смитом, П. Эмбрехтсом, К. Клюпперберг, Т. Микошем, Л. Де Хааном, А.Мак-Нейлом, С.Т. Рачевым, С. Менном, С. Коулзом, А. Дэвисоном, А.С.Себрианом, М.Денуитом, Ф. Ламбертом и др.
Существенные трудности вызывает также комбинирование в модели информации о подверженности операционному риску, полученной из различных источников, в том числе экспертных оценок. В ряде исследований для преодоления этих трудностей использовался байесовский подход (работы Е.А. Медовой, М.Н. Куриаку, Р.Л. Смита, Дж. Голдмана, Дж. Петерса, С. Сиссона, П.Шевченко, М.Вютриха, И. Журавлева и др.). Особенности применения байесовского подхода в финансовой сфере раскрыты в работах С. Рачева, Дж. Хсу, Л.В. Уткина и др. Решения сопутствующих байесовскому анализу проблем вычислительного характера предложены в работах в Н. Метрополиса, К. Гастингса, Дж. Гиббса, А.Ф. М. Смита, А.Е. Гелфанда, Д. Финка и др.
Между тем, отечественные исследования, посвященные решению указанных вопросов при моделировании операционного риска в коммерческом банке, практически отсутствуют.
Важной задачей является моделирование зависимостей при агрегировании совокупных потерь в нескольких однородных группах, в том числе при расчете требований к капиталу. Одним из инструментов, применяемых для решения этой задачи, является теория копул, основы которой были заложены А.Скляром, М.Фреше и В. Хоффдингом. Математический аппарат теории копул и его применение в риск-менеджменте обсуждались в работах П. Эмбрехтса, Р. Б. Нельсона, А. МакНейла, К. Дженеста, Дж. Неслеховой, Дж. Пучетти, Д. Штрауманна, Л. де Хаана, А. Новоселова, Д. Карлиса и др.
Наличие известных математических и инструментальных методов, тем не менее, не гарантирует автоматического решения задачи моделирования операционного риска. Основная сложность связана именно с адаптацией указанных методов для анализа конкретных направлений деятельности банка и рисковых событий, что требует, как минимум, целенаправленного сбора и обработки данных об операционных потерях и апробации моделей в реальных условиях. Эта работа в основном концентрируется в крупных иностранных кредитных организациях (Deutsche Bank, LCL, Intesa, Mizuho, BBVA и др.), использующих собственные данные, однако они являются конфиденциальными. Информационной базой остальных прикладных исследований, также преимущественно зарубежных, служат «суррогатные» данные (например, данные страховых компаний, статистика убытков по операциям на финансовом рынке и т.п.) или же статистика консорциумов по операционному риску, которые в России пока отсутствуют. Ни в одной из проанализированных работ не рассматривались практическая реализация всех этапов актуарного подхода, не исследовалась задача моделирования операционного риска мошенничества в розничном кредитовании коммерческого банка и не использовалась статистика, применимая для анализа этих рисковых событий в отечественных кредитных организациях.
Из приведенного рассмотрения следует, что тема моделирования операционного риска в коммерческом банке еще недостаточно разработана даже на мировом уровне, а в России это направление находится лишь на начальном этапе.
Цель исследования состоит в разработке экономико-математической модели, позволяющей получить оценки потенциальных потерь в результате реализации операционного риска мошенничества в розничном кредитовании.
Для достижения указанной цели в работе поставлены следующие задачи:
-
Формирование информационной базы исследования на основе реальных сведений о потерях, статистическая обработка данных и выделение однородных групп событий, относящихся к реализации риска мошенничества в розничном кредитовании;
-
Разработка способа математического моделирования частоты и размера потерь в однородных группах событий, обеспечивающего, в частности:
учет экстремальных потерь («тяжелых хвостов»);
восполнение дефицита данных за счет комбинирования информации из нескольких источников;
-
Разработка способа математического моделирования зависимостей между однородными группами событий при агрегации оценок совокупных потерь;
-
Разработка способа моделирования ожидаемых и непредвиденных потерь в результате реализации риска мошенничества в розничном кредитовании с учетом ограничений, следующих из экономического смысла задачи, и возможностей применения инструментов минимизации риска (страхования);
-
Анализ результатов применения разработанной методики для оценки потенциальных потерь абстрактного среднестатистического коммерческого банка и исследование экономико-математической модели.
Объектом исследования является направление розничного кредитования в коммерческом банке, включающее в себя экспресс-кредитование, автокредитование, ипотеку и кредитование на неотложные нужды.
Предметом исследования является математическое моделирование операционного риска внешнего (совершенного третьими лицами) и внутреннего (совершенного при участии сотрудников банка) мошенничества.
Теоретической и методологической основой исследования послужили положения, содержащиеся в трудах российских и зарубежных авторов в таких областях науки как теория вероятностей и математическая статистика, теория экстремальных значений, байесовский анализ, теория копул и имитационное моделирование. В исследования использовались научные положения в области банковского дела, анализа бизнес-процеcсов и управления операционными рисками.
В процессе написания работы были применены следующие методы исследования: методы теории вероятностей, математической статистики и объектно-ориентированного программирования. Сбор и обработка данных осуществлялись в MS Access, EasyFit 5.2 Professional, Simtools и MS Excel.
Информационной базой исследования послужили:
база данных, содержащая сведения о реализации операционного риска, в частности, риска мошенничества в розничном кредитовании, собранная в результате мониторинга открытых источников информации в течение 2005-2010 гг. Большая часть событий относится к потерям организаций в России и странах СНГ и отражает специфику этой бизнес-среды;
результаты исследований Базельского комитета по банковскому надзору и консорциума ORX; аналитические обзоры и рэнкинги информационного агентства Росбизнесконсалтинг; данные официальной отчетности российских кредитных организаций, предоставляемой Банку России; данные Росстата, аналитические материалы компаний PricewaterhouseCoopers, Ernst&Young, Deloitte, ASFE и рейтинговых агентств Fitch, Standard & Poors, Moody's.
Область исследования. Содержание диссертационного исследования соответствует специальности 08.00.13 – Математические и инструментальные методы экономики.
Научная новизна исследования заключается в построении актуарной модели количественной оценки операционного риска в условиях дефицита статистических данных, предусматривающей анализ экстремальных потерь, комбинирование информации из нескольких источников и учет зависимостей; обосновании ее применимости для анализа подверженности отечественного коммерческого банка операционному риску мошенничества в розничном кредитовании.
Новыми являются следующие научные результаты:
Проведена классификация однородных рисковых событий в зависимости от вида операционного риска (внешнее или внутреннее мошенничество) и типа кредитного продукта.
По статистическим данным найдены вероятностные распределения, описывающие размер потерь в результате одного события в каждой из однородных групп;
На основе анализа бизнес-процесса розничного кредитования сделан вывод о применимости распределения Пуассона для моделирования частот событий в однородных группах; предложен способ определения его параметра в условиях дефицита статистических данных.
Повышено качество аппроксимации модели за счет применения метода POТ для описания экстремальных (т.е. превышающих определенный порог отсечения) потерь в результате внутреннего мошенничества; разработан способ уточнения характеристик экстремального распределения GPD, основанный на применении байесовского подхода для комбинирования статистических данных и экспертного мнения;
Уточнена агрегированная оценка совокупных потерь за счет включения в модель зависимостей между распределениями частот событий в разных однородных группах; с помощью аппарата копул показано преимущество самостоятельного моделирования банком зависимостей при агрегации оценок совокупных потерь;
Разработан способ расчета мер риска Value-at-Risk и Shortfall с заданной точностью, учитывающий ограничения на сумму кредита, лимиты кредитования по видам продуктов и подразделениям, применение банком страхования с различными вариантами франшизы и лимитов ответственности, а также предусматривающий возможность стресс-тестирования;
На основе результатов расчета и анализа чувствительности модели разработаны рекомендации для банков, направленные на снижение потерь в результате мошенничества при кредитовании физических лиц.
Теоретическая и практическая значимость исследования. Теоретическая значимость исследования состоит в адаптации известных математических и инструментальных методов для решения задачи моделирования операционного риска в коммерческом банке. Предложенная методика реализации актуарного подхода может быть использована для любых направлений деятельности и видов событий операционного риска, а также для агрегирования капитала под операционный риск для всего банка. С практической точки зрения, разработанная модель представляет собой готовый инструмент, который предусматривает гибкую настройку в зависимости от исходных данных или целей расчета и позволяет коммерческому банку самостоятельно производить анализ и количественную оценку операционного риска. Полученные в ходе имитационного эксперимента оценки потенциальных потерь и разработанные на основе исследования рекомендации могут быть использованы при внедрении программ розничного кредитования, расчете тарифов и процентных ставок, а также позволят сформировать адекватную «подушку безопасности» на случай реализации риска (капитал под операционный риск). Варьируя параметры частоты событий, зависящие от конкретной организации, банк может спрогнозировать возможные потери, обусловленные изменением масштабов бизнеса и/или процедур внутреннего контроля. Найденные на основе выборки законы распределения могут использоваться организацией как дополнение собственных исторических данных о потерях и/или экспертных оценок.
Апробация и внедрение результатов исследования. Достоверность полученных результатов основывается на сочетании применения статистических методов и анализа бизнес-процессов розничного кредитования в коммерческом банке и подтверждается сопоставлением с реальными данными. Основные результаты исследования прошли апробацию в экспертном сообществе в рамках следующих научных и практических мероприятий:
Международные конференции «Международный опыт риск-менеджмента и особенности развивающихся рынков», г. Москва, 2007 и 2008 гг.;
«круглые столы» по темам «Российский финансовый рынок: проблемы повышения конкурентоспособности и роли в инновационном развитии экономики», "Роль финансовой, банковской и валютной систем в инновационном развитии экономики", "Мировой финансово-экономический кризис и перспективы инновационного развития экономики России: финансовый, кредитный, валютный аспекты", проведенные под научным руководством д.э.н., проф. Л.Н. Красавиной, Финакадемия, 2008, 2009, 2010 гг.;
Международная конференция «Борьба с мошенничеством в финансовых институтах СНГ», г. Москва, 2008 г.;
Вторая и четвертая ежегодные конференции "Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе", г. Санкт-Петербург, 2008 и 2010 гг.;
Seminar on Actual Methods of Financial Risk Management – Российско-австрийский Семинар по актуальным методам финансового риск-менеджмента, Финакадемия, 2009 г.;
I–ая Международная научно-практическая Интернет-конференция "Анализ, моделирование и прогнозирование экономических процессов", г. Воронеж, 2009-2010 гг.;
II Международная заочная научно-практическая конференция «Инновационные процессы и корпоративное управление», г. Минск, 2010 г.
VII Международная научная конференция молодых ученых, аспирантов и студентов «Молодежь и экономика», г. Ярославль, 2010 г.;
XVII Всероссийская школа-коллоквиум по стохастическим методам, XI Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия), г. Кисловодск, 2010 г.
Работа выполнена в рамках направления исследования НИР кафедры «Математика» ФГОБУВПО «Финансовый университет при Правительстве Российской Федерации» по теме «Развитие математических инструментов исследования финансово-экономических процессов» в соответствии с Комплексной темой «Пути развития финансово-экономического сектора России».
Результаты научного исследования используются в практической деятельности Департамента рыночных и операционных рисков ОАО «Банк Москвы». Построенная в ходе исследования модель количественной оценки операционного риска и разработанные на ее основе рекомендации используются при оценке подверженности направлений деятельности банка (в частности – розничного кредитования) операционному риску, а также для повышения эффективности способов его контроля и минимизации. Результаты исследования служат методологической основой и способствуют совершенствованию системы управления операционным риском ОАО «Банк Москвы».
Материалы исследования используются кафедрой «Математика» ФГОБУВПО «Финансовый университет при Правительстве Российской Федерации» в преподавании учебной дисциплины «Количественные методы инвестиционного анализа».
Публикации. По теме диссертации опубликовано 10 печатных работ общим объемом 7,05 п.л. (авторский объем – 7,05 п.л.), в том числе 3 работы опубликованы в изданиях, определенных ВАК.
Структура диссертации обусловлена целью, задачами и логикой исследования. Работа состоит из введения, трех глав, списка использованной литературы, содержащего 152 источника, заключения и 11 приложений. Диссертация включает 47 рисунков, 41 таблицу и 45 формул. Общий объем составляет 197 страниц.
Классификация событий операционного риска и направлений деятельности
В апреле 2005 года Центральный Банк Российской Федерации совместно с Правительством Российской Федерации опубликовали «Заявление о Стратегии развития банковского сектора Российской Федерации на период до 2008 года» [98], в котором было указано, что «кредитным организациям следует уделять больше внимания управлению операционными ... рисками, а так е рисками несоблюдения требований информационной безопасности». Чуть поз е, в июне 2005 года Банк России распространил Письмо от 24 мая 2005 г. 76-Т «Об организации управления операционным риском в кредитных организациях» (далее - Письмо 76-Т) [132], в котором учтен ме дународный опыт работы в этом направлении.
В Письме 76-Т отмечается, что управление операционным риском входит в систему управления рисками кредитной организации. Необходимость такого шага определяется «значительным размером возмо ных операционных убытков, которые могут создавать угрозу финансовой устойчивости банка» [132, с.2]. Определение операционного риска , классификация видов событий и направлений деятельности, в документе максимально прибли ены к терминам Базель И, а обозначенные организационные и практические принципы управления операционным риском и контроля за его эффективностью согласуются с ме дународными подходами в этой области.
Следует иметь в виду, что если в ме дународной банковской среде проблема управления была осознана более десяти лет назад, то в России и странах СНГ многие организации подходят к управлению операционного риска формально: в большинстве банков ведется аналитическая база потерь и есть специальные структурные подразделения, однако понимание оправданности внедрения операционного риск-менед мента зачастую есть только крупных банках [11]. В значительной степени это обусловлено тем, что Письмо 76-Т носит рекомендательный характер, а многие организации, в силу сравнительно небольшого объема операций или относительно короткой истории, ни разу не сталкивались с по-настоящему крупными потерями в результате реализации операционного риска. Необходимо отметить, однако, что Письмо 76-Т не является единственным документом, в котором отра ена необходимость управления операционным риском. Так, в марте 2008 года было выпущено Письмо 36-Т от 31 марта 2008г. «О рекомендациях по организации управления рисками, возникающими при осуществлении кредитными организациями операций с применением систем интернет-банкинга» [130], основными из которых являются операционные. Существует так е Поло ение 242-П от 16 декабря 2003г. «Об организации внутреннего контроля» [131], получившее в марте 2009г. дополнение относительно разработки плана действий, направленных на обеспечение непрерывности деятельности и (или) восстановление деятельности кредитной организации в случае возникновения непредвиденных обстоятельств. Соблюдение требований этого документа является для банков обязательным. Есть так е основания полагать, что многие европейские и американские банки, пришедшие на российский рынок, вероятно, будут использовать западные стандарты управления риском.
Было бы неправильным утвер дать, что в стремлении создать наде ную систему операционного риск-менед мента кредитные организации руководствуются лишь требованиями надзорных органов и размерами потенциальных потерь. Качественное управление риском, в первую очередь, поло ительно сказывается на функционировании самого банка, что приводит к росту доверия к нему со стороны клиентов, повышению конкурентоспособности и, следовательно, к увеличению спроса на предоставляемые услуги. Эта сторона вопроса учитывается внешними аудиторами и рейтинговыми агентствами, положительное заключение которых имеет большое значение для организации при совершении крупных сделок (например, привлечении финансирования), выходе на новые рынки и в любых других ситуациях, где требуется оценка кредитоспособности делового партнера. Всемирно известные агентства Standard&Poors [88,8], Moody s [67,52] и Fitch [52Д22Д21] при присвоении рейтинга финансовым организациям уделяют внимание имеющимся в банке системам по управлению различными видами рисков. При этом рассматриваются не только разработанные и утвержденные документы по управлению рисками, они и то, насколько они действительно применяются на практике на всех уровнях организации. При анализе операционных рисков рассматриваются внедренные банком системы (инструменты) оценки потерь, контрольные механизмы, а также объем капитала, который руководство банка считает необходимым для покрытия этих рисков.
Таким образом, сегодня существуют объективные предпосылки к развитию процедур по управлению операционным риском в финансовых организациях, хотя полноценное внедрение в России Базель II, первоначально намеченное на 2009 год, пока откладывается. Это обусловлено, прежде всего, необходимостью решения менее масштабных, но более срочных задач, связанных с преодолением кризисных явлений в экономике [94]. Вместе с тем, полностью отказываться от реализации Базель II Банк России не намерен. Так, осенью 2010 г. представителем Банка России всё же были озвучены сроки внедрения новой схемы достаточности капитала - 2013-2018 гг. (2011-2015гг. по отдельным вопросам) [152,151]. В соответствии с Положением № 346-П от 03 ноября 2009 г. «О порядке расчета размера операционного риска»[129], уже с 1 июля 2010 г. российские кредитные организации обязаны включать операционный риск в расчет норматива достаточности капитала. Более того, в конце апреля 2009 г. в российских банковских кругах получило распространение Письмо Банка России № 15-2-1-9/2644 от 28.04.2009 «О подходе к расчету регулятивного капитала, минимально необходимого для покрытия операционного риска, основанном на внутренних оценках кредитных организаций» [100], описывающее требования к моделированию операционного риска. В начале ноября 2010 г. Банк России также представил на открытое обсуждение проект документа «Методические рекомендации по организации кредитными организациями внутренних процедур оценки достаточности капитала», где закрепляется возможность использования российскими организациями всех трех базельских подходов к оценке операционного риска[138]. Важной составляющей процесса управления операционным риском является его оценка, и, как следствие, определение размера капитала, достаточного для покрытия возможных операционных потерь. Для расчета капитала под операционный риск Базельский комитет по банковскому надзору [41] определяет три подхода: подход на основе базового индикатора (BIA), стандартизированный (TSA) и усовершенствованные подходы к оценке риска (AMA).
Усовершенствованные подходы к оценке операционных рисков
Невозможность добросовестного заемщика погасить долг вовремя вследствие сложных финансовых обстоятельств является реализацией кредитного риска. Однако случаи незаконного получения и намеренного невозврата кредита попадают под определение операционного риска, к которому, в частности, относится риск мошенничества. Эксперты кредитного рынка отмечают, что доля намеренных невозвратов в общем объеме просроченной задолженности не превышает 10-15% [110,111,86], однако в некоторых банках, как правило, являющихся лидерами потребительского кредитования, этот показатель может доходить до 25%. При этом зачастую вернуть деньги бывает невозможно [145,97,113]. Основные схемы внешнего мошенничества при кредитовании заключаются в предоставлении сфальсифицированных документов (поддельных/утерянных паспортов и иных документов, удостоверяющих личность, трудовых книжек, справок о доходах, документов, подтверждающих регистрацию и т. п.). Также распространены случаи получения потребительских кредитов на подставных лиц (по большей части малообеспеченных или недееспособных), которые за небольшое вознаграждение или по доверчивости соглашаются оформить договор на себя или стать поручителем недобросовестного заемщика. Сюда же относятся случаи мошенничества с залогом, когда имущество, служащее обеспечением по кредиту, незаконно используется заемщиком - например, продается или повторно закладывается.
В наибольшей степени риску подвержено экспресс-кредитование. Кредит предоставляется в течение получаса-часа, обычно при приобретении относительно недорогого товара в торговой точке, и сотрудники банков за короткий период времени, отведенный на принятие решения, физически не имеют возможности провести качественную проверку платежеспособности клиента. Даже если залогом выступает приобретенный товар, он может быть легко реализован мошенниками, в результате чего кредит де-факто остается без обеспечения [135,145]. Существуют, конечно, и автоматизированные процедуры проверки заемщиков - например, специализированное ПО, которое сравнивает указанную заемщиком информацию с данными бюро кредитных историй, анализирует заявки на предмет наличия логических несоответствий, сходства с ранее раскрытыми мошенническими схемами или выявляет связи с лицами/организациями, находящимися в «черных списках». Однако такое ПО имеется в распоряжении далеко не всех банков и, кроме того, требует достаточно высокого уровня информационного обмена между кредитными организациями.
Большую опасность для банка представляют и так называемые кредиты на неотложные нужды - кредиты, не имеющие целевого характера, размер которых, однако, может достигать нескольких сотен тысяч рублей.
В начале 2008 года участились случаи мошенничества с автокредитами. Потери, по данным Ассоциации региональных банков России, составили более 5 млрд. руб. [85]. До кризиса, когда финансовые учреждения активно выдавали кредиты, а спрос на авторынке был довольно высоким, мошенническим образом продавалось до 15% купленных в кредит автомобилей, в 2009 году эта цифра снизилась 3-5% [134]. Одна из наиболее распространенных схем предполагает, что недобросовестный заемщик обращается в ГИБДД с просьбой заменить якобы утерянный паспорт технического средства (ПТС), после чего продажа заложенного автотранспортного средства осуществляется с использованием дубликата ПТС [124]. Реализации этой схемы способствует отсутствие в России единой базы залогового имущества [87].
Менее подверженными риску внешнего мошенничества представляется ипотечное кредитование - проверка заемщика и недвижимости, передаваемой в залог, производится более тщательно - однако здесь относительно низкая частота мошенничества «компенсируется» большими размерами потерь. Основные проблемы связаны с незаконными действиями при или после оформления залога: неверная оценка недвижимости (обман оценщиком кредитора), незаконный перевод жилого помещения в нежилое, сокрытие информации о прописанных лицах, выселение которых невозможно, и т.п.[125,119]. Всё это может стать серьезным препятствием при обращении взыскания на залог и в конечном итоге приводит к невозможности полного возмещения ущерба в случае дефолта.
Операционный риск мошенничества персонала традиционно является источником значительных потерь. В среднем ущерб от мошенничества персонала составляет около 5% годового оборота компании, а при ухудшении экономической обстановки доходит до 7% [2,3]. Анализ случаев недобросовестного поведения сотрудников банков при кредитовании физических лиц показывает, что зачастую мошенничество совершается с ведома или по инициативе руководства обособленного подразделения банка (отделения, филиала) и, хотя и происходит реже, сопряжено со значительно большим размером потерь по сравнению случаями внешнего мошенничества. Это обусловлено тем, что в результате незаконных действий/злоупотреблений сотрудников, непосредственно участвующих в процессе кредитования со стороны банка, невозвратным может оказаться не отдельный кредит, а целый пул кредитов. Массовые дефолты возможны также при недобросовестном поведении партнеров кредитной организации (торговых точек, автосалонов, ипотечных брокеров, кредитных посредников и т.п.), которым делегируется часть фронт- офисных функций по работе с клиентами, обычно выполняемых сотрудниками банков. Характер подобных случаев позволяет рассматривать их в рамках модели как события внутреннего мошенничества.
В связи с ростом популярности розничного кредитования и увеличением количества случаев мошенничества перед банками возникает необходимость количественной оценки ожидаемых и непредвиденных потерь в результате подобных событий. Информация о потенциальных потерях может быть использована при разработке процедур розничного кредитования, расчете тарифов и процентных ставок, а также позволит сформировать адекватную «подушку безопасности» на случай реализации риска.
Настоящее исследование предполагает оценку операционного риска в разрезе двух видов рисковых событий (внешнее и внутреннее мошенничество) и нескольких направлений розничного кредитования. Ни В1А, ни ТБА не позволяют получить количественную оценку риска по отдельным типам событий. В1А также не позволяет провести анализ для различных направлений деятельности банка, а TSA, хотя и допускает такую возможность, не предусматривает выделения направления кредитования из базельской бизнес-линии «услуги розничного банка». Таким образом, единственным подходом, отвечающим поставленной задаче, является AMA и его наиболее распространенный вариант - актуарный подход (LDA). Предлагаемая схема реализации LDA для моделирования совокупных потерь и расчета VAR представлена на диаграмме (Рис. 2.2).
Копулы как инструмент моделирования зависимостей
Подбор закона распределения по выборке осуществляется аналогично распределению severity, традиционно с помощью различных критериев согласия проверяется обоснованность гипотез о том или ином виде распределения. Также проверка осуществляется путем сравнения выборочного матожидания и дисперсии [7]: равенство значений говорит в пользу гипотезы о распределении Пуассона, более высокое матожидание — о биномальном распределении, более высокая дисперсия - об отрицательном биномальном распределении. Между тем, в случае, когда накопленных данных недостаточно для того, чтобы сделать адекватный вывод о законе распределении frequency, его вид может быть найден на основе логических выводов при изучении бизнес-процесса. Это продемонстрировано в практической части работы.
Параметры распределения frequency, как правило, оцениваются по внутренним данным или на основе сценарного анализа. Это связано с тем, что частота реализации событий операционного риска во многом обусловлена именно внутренними особенностями кредитной организации - например, масштабами бизнеса и/или эффективностью процедур внутреннего контроля.
Согласно требованиям Базельского комитета [41], при построении моделей для расчета капитала под операционный риск следует учитывать наличие корреляции между различными категориями событий. По умолчанию предлагается суммировать оценки требований к капиталу, рассчитанные для каждой из однородных групп — этот подход неявно предполагает существование полной линейной корреляции между случайными величинами, характеризующими совокупные потери в результате реализации событий той или иной категории. Как было отмечено выше [пп.1.4.3], в рамках АМА банкам также предоставляется возможность самостоятельно определить корреляцию между различными элементами модели. Понятие корреляции при этом следует рассматривать в более широкой трактовке - не только как меру линейной зависимости, показателем которой является коэффициент корреляции, но и как оценку взаимосвязей любого типа, для моделирования которых могут быть использованы более сложные инструменты - копулы [68,54]. Следуют отметить, однако, что сама идея моделирования зависимостей еще относительно нова и прижилась пока лишь в Европе и Америке - там доля АМА-банков, самостоятельно оценивающих зависимости составляет 90%, в Японии и Австралии этот показатель значительно ниже [54]. Между тем, как показывают результаты базельского исследования, за счет эффекта диверсификации и более точного моделирования зависимостей достигается примерно 22%-ое снижение требований к капиталу относительно его оценок, полученных при суммировании требований к капиталу для каждой из однородных групп. По результатам других исследований этот эффект может достигать и 30-40% [13].
Рассмотрим подробнее возможные виды зависимостей между элементами стандартной модели, построенной в рамках актуарного подхода. Напомним, что случайная величина, описывающая совокупные потери Т за период для каждой из групп однородных событий, определяются следующим образом: где величины представляют собой случайную выборку из распределения характеризующего размер потерь в результате одного события, а случайная величина Т7 описывает частоту событий за период.
Для такой модели можно предположить следующие варианты зависимостей (Таблица 2.1). В случае наличия зависимости между наступлением событий внутри одной группы, распределение частоты потерь не подчиняется пуассоновскому закону. Для моделирования положительной корреляции вместо него следует использовать отрицательное биномиальное распределение. Что касается остальных ситуаций, то здесь следует обратиться к исходным предпосылкам применения актуарного подхода [17,43], согласно которым: частота потерь и размер потерь внутри группы являются независимыми; случайные величины являются независимыми и одинаково распределенными. Таким образом, если сформированные однородные группы изначально соответствуют указанным условиям, подобные взаимосвязи внутри однородных групп следует исключить из рассмотрения. Зависимость между однородными группами Основное внимание Базельского комитета концентрируется на оценке зависимостей между совокупными потерями Т1,... Т" за период (т-количество однородных групп). Согласно материалам исследований [54], банков, которые моделируют взаимосвязи именно такого рода, в настоящее время большинство (33%). Между тем, следует иметь в виду, что в основе зависимостей между распределениями Т1,... Т" все же лежит взаимосвязь их компонентов - случайных величин frequency и severity. Наиболее реалистичным предположением представляется наличие зависимостей на уровне случайных величин F1,... F"\ характеризующих частоту возникновение рисковых событий в различных группах. Так, взаимосвязь между событиями, как правило, проявляется в совпадении времени их реализации, что приводит к наличию корреляции (не обязательно линейной) между распределениями frequency в различных группах. Указанное предположение подтверждается статистикой, собранной крупнейшими международными банками - Deutsche bank и Credit Lyonnais (ныне -LCL), которые выявили наличие положительных взаимосвязей между распределениями frequency для некоторых направлений деятельности и видов событий [7,31]. Отдельные исследования также показывают, что наличие зависимостей между совокупными потерями Т1,... Тх является скорее результатом взаимосвязей между распределениями частоты возникновения событий, нежели между распределениями размера потерь (см. [13]). Так, статистический анализ, проведенный Deutsche bank по выборочным данным для размера потерь, не выявил наличия корреляции (линейной или ранговой) между случайными величинами severity, относящимися к различным группам событий - за исключением тех потерь, которые были обусловлены наступлением одного и того же события [7]. Для таких случаев следует использовать так называемые common shock models, предполагающие наличие взаимосвязи только между одной случайной величиной в одной группе и одной случайной величиной Si - в другой. Принятие более общего предположения о наличие положительной корреляции между всеми случайными величинами S{ в группах i и j, приводит к нарушению предпосылок применения LDA. В настоящей работе мы ограничиваемся моделированием только взаимосвязи между случайными величинами frequency в различных группах однородных событий (так поступает примерно 21% АМА-банков [54]). Позже будет показано, что это допущение вполне приемлемо для решения поставленной задачи. Преимуществом такого подхода является также относительная простота проведения имитационного эксперимента.
Моделирование размера потерь в результате внутреннего мошенничества
Рисковым событием внешнего мошенничества в розничном кредитовании является факт незаконного получения и/или намеренного невозврата кредита физическим лицом. Под термином «незаконное получения и/или намеренный невозврат» подразумеваются описанные в п. 2.1.1 схемы внешнего мошенничества: получение кредита с использованием сфальсифицированных документов, на подставных лиц, а также случаи мошенничества с залогом и нецелевого использования средств банка.
Круг рассматриваемых видов розничного кредитования включает в себя: - экспресс-кредиты - все типы «быстрых» (решение принимается в присутствии клиента) беззалоговых кредитов на относительно небольшие суммы, включая POS-кредиты и кредитные карты. Отметим, что при предоставлении POS-кредитов, т.е. кредитов, решение по которым принимается в точке продаж (point of sale), приобретенный товар может оформляться некоторыми банками как залог. Однако де-факто, в силу невозможности/высокой ресурсоемкости реализации такого залога (холодильника, стиральной машины, сотового телефона и- т.п.), обеспечением по кредиту он не является, что позволяет относить данный категорию продуктов к беззалоговым. Как правило, размер экспресс-кредита не превышает 300 тыс. рублей. - автокредиты - кредиты на покупку автотранспортного средства с последующим оформлением приобретенного имущества в виде залога. В рамках настоящего исследования в эту же категорию были также отнесены кредиты, обеспечением по которым просто выступает автомобиль. Размеры автокредитов в большинстве банков колеблются между 90 тыс. и 3 млн. рублей. - ипотеку - кредиты на покупку комнаты, квартиры, дома, земельного участка и т.п., залогом по которым выступает приобретенная в кредит недвижимость. Как и в случае с автокредитами, для целей моделирования в настоящей работе к категории ипотечных были отнесены также любые кредиты, обеспечением по которым выступает недвижимое имущество заемщика. Размер таких кредитов может достигать порядка 30-35 млн. рублей. - кредиты на неотложные нужды - нецелевые, то есть не привязанные к покупке какого-либо имущества, займы, как обеспеченные залогом и/или поручительством, так и нет. Критерием для отнесения кредита к данной категории в рамках настоящего исследования выступала сумма (более 300 тыс. руб.) и отсутствие информации, позволяющей классифицировать его как автокредит или ипотеку. Потери банка в результате реализации одного рискового события (severity) представляют собой размер одного кредита, выданного мошеннику. За исключением тех случаев, когда прямые и косвенные потери невозможно разделить за неимением точных сведений, упущенная выгода банка из-за недополучения процентного дохода не учитывается. Величина потерь учитывается без восстановления. Это, в. частности, связано с тем, что при реализации мошеннических схем получения кредита заложенное имущество перепродается или заемщик оказывается неплатежеспособным. Тем не менее, часть потерь все же может быть восстановлена с помощью страхования залога или в результате судебных решений. Однако такой исход является неопределенным и представляет собой отдельную модель, которая в рамках данной работы не рассматривалась. Датой события является дата оформления мошеннического кредита или, если она неизвестна, дата обнаружения потерь или попадания информации в СМИ. В тех случаях, когда в информационном сообщении не указана точная дата события, но известен временной интервал, в котором оно произошло (месяц, квартал и т.п.), в качестве даты события принимается конец указанного периода. Для нахождения распределения severity использовалась информация из собранной базы данных о реализации операционного риска в коммерческих банках. Сначала с помощью фильтров формировался массив записей с соответствующим направлением деятельности и видом события (внешнее мошенничество в розничном кредитовании). Затем из них отбирались только те, по которым была указана сумма потерь - то есть она была известна из сообщения или ее можно было с уверенностью предположить исходя из стоимости приобретаемого в кредит товара (определенной марки автомобиля, мобильного телефона и т.п.). Для обеспечения качества выборки все указанные записей перед началом моделирования были повторно проверены на предмет корректности классификации событий, отсутствия ошибок при заполнении полей или дублирования. Записи, которым соответствовало единственное событие, автоматически попали в выборку для нахождения распределения severity (446 событий). Для удобства обозначения будем называть такие записи «уникальными». Это сообщения следующего типа: «20.03.2006 г. женщина мошенническим путем заключила в магазине кредитный договор с ЗАО Банк "Русский Стандарт" на сумму 12.899 руб.». Остальные 269 записей были проанализированы дополнительно и попали в одну из описанных ниже категорий: Категория 1. Отсутствует информация об общем количестве событий, хотя известно, что их несколько, уточнений по суммам отдельных событий нет (58 записей). Пример: «За последние два года женщина незаконно получила в коммерческих банках кредиты на общую сумму 1,16 млн. грн.» Категория 2. Есть информация об общем количестве событий, однако какие-либо уточнения по суммам отдельных событий отсутствуют (125 записей). Пример: «Обвиняемые с использованием поддельных паспортов оформили 44 кредита в банке на общую сумму около 594 тыс. рублей» Категория 3. Информация об общем количестве событий имеется или отсутствует, однако: а) есть уточнения по суммам отдельных событий. Пример: «Ущерб, причиненный мошенниками, оценивается примерно в 80 тысяч долларов. Последний автокредит был взят на сумму около 150 тысяч рублей на приобретение автомобиля Chevrolet Lanos» или «С помощью найденного паспорта другой человек приобрел в кредит два плазменных телевизора стоимостью 38000 и 40490 рублей». или б) указаны границы для сумм отдельных кредитов. Пример: «Мошенник купил в кредит пять сотовых телефонов стоимостью от 25 до 45 тысяч рублей. Кредиты он взял в пяти разных банках» Всего категориям За) и б) соответствует 86 записей. Записи из категории 1 были полностью исключены из рассмотрения, поскольку на их основе невозможно установить размер потерь в результате одного события, и, следовательно, они не пригодны для моделирования severity. Информация в этих записях является справочной.
