Содержание к диссертации
Введение
Глава 1. Теоретико-методологические основы оценки кредитного риска 13
1.1 Понятие кредитного риска, анализ факторов риска 13
1.2 Методы оценки кредитных рисков 17
1.3 Особенности российского рынка и их влияние на возможность применения существующих моделей оценки кредитного риска 46
Выводы по первой главе 48
Глава 2. Двухшаговый метод оценки кредитного риска на основе анализа панельных данных 50
2.1 Оценка вероятности банкротства предприятий-заемщиков на основе анализа панельных данных 50
2.2 Оценка потерь в случае дефолта на основе анализа панельных данных .. 76
Выводы по второй главе 89
Глава 3. Имитационное моделирование кредитного портфеля и анализ качества методов оценки вероятности банкротства и величины ожидаемых потерь в случае дефолта 93
3.1 Моделирование индивидуальных характеристик предприятий-заемщиков ...94
3.2 Результаты использования разработанных моделей и методов 115
3.3 Контроль качества разработанных моделей и методов 125
Выводы по третьей главе 133
Заключение 136
Библиография 142
- Методы оценки кредитных рисков
- Особенности российского рынка и их влияние на возможность применения существующих моделей оценки кредитного риска
- Оценка потерь в случае дефолта на основе анализа панельных данных
- Результаты использования разработанных моделей и методов
Введение к работе
Актуальность темы исследования. Кредитно-инвестиционная политика является важнейшим инструментом управления хозяйствованием во всем мире. В последние годы объемы кредитования резко возросли и в России, и соответственно увеличилась потребность в методах оценки кредитных рисков, учитывающих, с одной стороны, специфику банковской системы России, а с другой стороны, сопоставимых с международными требованиями и стандартами.
На кредитную политику, проводимую современным российским коммерческим банком, влияет большое число факторов, многие из которых определяются особенностями экономической и политической ситуации в нашей стране. Под влиянием этих же факторов складывается и сам механизм кредитования, выстраиваются кредитные отношения банков и заемщиков. Однако все эти принципы работы непостоянны. Они развиваются,, приобретают новые черты, приспосабливаясь тем самым к меняющимся экономическим условиям.
Важной задачей каждого коммерческого банка является формирование собственной клиентуры. От обоснованного подбора клиентов и правильно выстроенных взаимоотношений с ними во многом зависит рентабельность работы банка в целом и прибыльность его кредитных операций в частности, а также поддержание допустимого уровня риска невозврата предоставленных в кредит денежных средств. Поэтому совершенствование методов оценки кредитного риска на этапе предварительного рассмотрения кредитной заявки заемщика является одним из приоритетных направлений развития банковской аналитики и риск - менеджмента.
Необходимость решения этой задачи возрастает тем больше, чем более жесткие ограничения накладываются на деятельность кредитной организации. Существующие на данный момент ограничения обусловлены необходимостью соблюдения нормативов достаточности собственного
капитала1 и предельного размера риска в отношении отдельных заемщиков (что сдерживает в целом возможности увеличения кредитных вложений). Кроме того, растущая конкуренция на рынке банковских услуг сдерживает темпы расширения клиентуры.
В результате усиливающейся конкурентной борьбы количество кредитных организаций, работающих на территории России, сокращается. В начале 2001 года в Российской Федерации было зарегистрировано 2128 кредитных организаций . К началу 2006 года их количество сократилось до 1409, а на первое марта 2006 года составило уже 1399. С другой стороны, количество кредитных организаций со 100-процентным участием иностранного капитала возрастает3. На начало 2006 года количество таких кредитных организаций увеличилось почти вдвое по сравнению с 2001 годом и составило 41 кредитную организацию в 2006 году против 22 в 2001. Таким образом, банки и кредитные организации России конкурируют не только с российскими кредитными организациями, но и с международными организациями, имеющими многолетний опыт работы в сфере кредитования. Оптимизация состава и структуры кредитных портфелей становится необходимым условием выживания коммерческих банков. В связи с этим, разработка методик определения кредитного качества каждого заемщика в отдельности выходит на первый план.
Перспективы развития ныне действующего в нашей стране механизма кредитования целесообразно рассмотреть с точки зрения мирового опыта на основе анализа теоретических основ его функционирования и сопоставления зарубежной и отечественной практики применения этого механизма коммерческими банками.
Однако экономика России имеет ряд существенных особенностей, которые не позволяют применять общепринятые в мировой практике модели оценки кредитного риска, разработанные западными учеными, в
1 Инструкция ЦБ РФ от 16 января 2004 г. N 110-И «Об обязательных нормативах банков» (с изменениями
от 13 августа 2004 г.)
2 По данным журнала «Профиль», № 30/21,21 августа 2006, с. 10.
3 Там же. *
чистом виде. Одной из таких особенностей является ограниченность информации о предприятиях-заемщиках. С одной стороны, многие предприятия существуют не более десяти-пятнадцати лет и не имеют длинной кредитной истории. С другой стороны, большинство предприятий не имеют котируемых на бирже ценных бумаг, чтс делает модели оценки кредитного риска с использованием рыночной информации о заемщике неприемлемыми в условиях России. Кроме того, количество малых предприятий, работающих на территории Российской федерации, постоянно растет. Так, по данным официального портала системы поддержки малого предпринимательства Москвы4 на конец первого полугодия 2006 года число малых предприятий Москвы более чем на 10 тысяч единиц превысило уровень, прогнозировавшийся в постановлении Правительства Москвы от 22.06.04 №425-ПП «О прогнозе социально-экономического развития города Москвы и перспективном финансовом плане на 2005-2007 годы». Создание благоприятных условий для развития малого и среднего бизнеса в России является одной из приоритетных задач государства. Один из важнейших этапов при этом - обеспечение малых и средних предприятий доступными заемными средствами. В то же время, при расширении банковского кредитования малого и среднего бизнеса возрастают риски, с которыми сталкиваются коммерческие банки. Важно не только стимулировать кредитование малого бизнеса, но и обеспечивать устойчивость банковской системы в целом. Для достижения этой цели, в первую очередь, необходимо разработать методологический подход к оценке кредитных рисков малых и средних предприятий, который был бы не только адаптирован к использованию в условиях России, но и соответствовал бы достижениям зарубежной научной и практической мысли. Этот подход должен с успехом применяться для оценки кредитных рисков как в России, так и за ее пределами.
Каждый конкретный коммерческий банк, работающий на рынке более пяти лет, имеет в своем распоряжении большой объем панельных данных о предприятиях-заемщиках, их доходности, просроченных платежах и невозвращенных кредитах. На базе этой информации может быть построена надежная модель оценки кредитного риска и прогнозирования банкротств. Для создания эффективной системы оценки и анализа кредитного риска предприятий-заемщиков, необходим комплексный подход, включающий как важнейшие достижения мировой научной мысли, так и специфические разработки, позволяющие моделировать процессы, учитывая особенности экономики нашей страны.
Степень разработанности проблемы. В научной литературе существует достаточно большое количество работ (как зарубежных, так и российских авторов), в которых рассматриваются различные аспекты прогнозирования банкротств и оценки кредитных рисков. Вопросам оценки кредитных рисков посвящены работы С. Волкова, А. Лобанова, М. Рогова, М. Помазаного, Ю. Соловьева, С. Филина, А. Чугунова, Э. Альтмана (Б. Altaian), М. Аммана (М. Ammann), Д. Даффи (D. Duffle), Р. Мертона (R. Merton), П. Нарайанана (P. Narayanan), М. Пека (М. Peck), С. Приотта (С. Pirotte), А. Саундерса (A. Saunders), К. Синглтона (К. Singleton) Р. Соммервиля (R. Sommerville), Р. Дж. Таффлера (R. J. Taffler), Р. Хальдемана (R. Haldeman), Дж. Хартцелла, (J. Hartzell) и других.
Одними из первых методов, использующихся для оценки кредитного риска, были экспертные методы. Оценка кредитного риска формировалась на основе суждений банкиров, непосредственно работавших с данным клиентом. Подробную характеристику этих методов дали Р. А. Соммервиль и Р. Дж. Таффлер. Этими же учеными было показано, что экспертные методы по сути своей неточны: в большинстве случаев в ходе их применения кредитный риск оказывается переоцененным.
Более структурированные модели оценки кредитного риска - кредит-скоринговые модели - были разработаны, в частности, Е. И. Альтманом, Р.
Хальдеманом, П. Нарайаном, Дж. Хартцеллем, М. Пеком. Кредит-скоринговые модели используют балансовые данные заемщика, а также данные о котирующихся на рынке ценных бумагах заемщика для формирования оценки вероятности банкротства. При этом заемщики могут быть разделены на несколько групп в зависимости от степени риска. В основе данного подхода лежит дискриминантный анализ и использование лигит-моделей.
Особый вклад в развитие методов оценки кредитного риска внесли Д. Даффи и К. Синглтон. Они заложили основу развития моделей сокращенной формы для оценки кредитного риска. Основным положением этих моделей является существование некого экзогенного стохастического процесса, отвечающего за банкротство и устойчивость предприятия. Различные эконометрические методы в сочетании с большим объемом статистической информации дают возможность оценить параметры данного случайного процесса. Полученные оценки используются в дальнейшем для расчета вероятности банкротства предприятий в течение определенного временного интервала.
Другой подход к оценке кредитного риска был предложен нобелевским лауреатом Р. Мертоном. Этот ученый основал целое направление в моделировании кредитного риска - структурное моделирование. При работе со структурными моделями предполагается, что предприятие объявляет дефолт, если стоимость его активов оказывается ниже стоимости его обязательств. Данная модель легла в основу таких моделей, как KMV и Credit+. Последняя допускает наступление дефолта компании, если стоимость активов компании, описываемая стохастическим процессом, оказывается ниже некого уровня устойчивости, который, в свою " очередь, также может быть задан стохастическим процессом.
Основным требованием данного подхода является наличие котируемых на рынке ценных бумаг заемщика. Это требование ограничивает возможности применения данных моделей и их модификаций в условиях
российского рынка, когда лишь небольшое число крупных компаний имеют котируемые рыночные инструменты, а большинство заемщиков относятся к группе предприятий среднего и мелкого бизнеса с короткой историей, не имеющих котируемых на рынке ценных бумаг. Поэтому возникает необходимость создания новых методов прогнозирования банкротств предприятий малого и среднего бизнеса и оценки кредитного риска. При этом новые модели должны учитывать специфику российских компаний, их параметры должны быть оценены на основе российской статистической информации, что позволит банкам и кредитным организациям, работающим на территории Российской Федерации, применять результаты данного исследования в практической деятельности.
Целью данного исследования является разработка методологических подходов и методов моделирования банкротств предприятий малого и среднего бизнеса, не обладающих длинной кредитной историей и не имеющих котируемых на бирже ценных бумаг, и оценки кредитных рисков банков, возникающих при кредитовании таких предприятий.
Для достижения поставленной цели и создания комплексной модели оценки кредитного риска в работе были сформулированы и решены
следующие задачи:
систематизированы подходы к анализу и оценке кредитного риска, предложенные ведущими учеными, рейтинговыми агентствами и корпорациями мира, выделены их сильные и слабые стороны и оценены возможности их использования в Российской Федерации;
разработан метод оценки риска при кредитовании предприятий, не имеющих котируемых ценных бумаг, позволяющий оценить как вероятность банкротства предприятия-заемщика, так и соответствующую величину ожидаемых потерь в случае дефолта;
разработана модификация бинарной пробит-модели, позволяющая оценить потенциальную близость банкротства предприятия-заемщика;
разработана модификация метода кернел-сопоставления для оценки величины ожидаемых потерь в случае дефолта;
разработана процедура верификации методов оценки кредитного риска на основе имитационного моделирования;
оценено качество предложенного подхода на основе собранной автором базы данных по более чем пятидесяти предприятиям, работающим на территории России в двенадцати различных отраслях экономики;
выработаны рекомендации по применению предлагаемого метода оценки вероятности банкротства и величины ожидаемых потерь кредитных организаций в случае дефолта, направленные на повышение эффективности их деятельности.
Объектом исследования являются параметры и характеристики предприятий-заемщиков, определяющие устойчивость предприятия и потенциально влияющие на вероятность его банкротства.
Предмет исследования - методы прогнозирования банкротства предприятий-заемщиков, не обладающих длинной кредитной историей и не имеющих котируемых на рынке ценных бумаг, и методы оценки кредитного риска банков, возникающего при работе с такими заемщиками.
Теоретическую и методологическую основу исследования составляют научные разработки современных российских и зарубежных ученых в области микроэкономики, финансов, статистического анализа временных рядов, экономико-математических методов и моделей прогнозирования, а также риск-менеджмента. В ходе работы над диссертацией использовались методические разработки ведущих рейтинговых агентств мира, таких как Moody's и S&P. Особое внимание уделялось законодательным и правовым актам Российской Федерации, регулирующим деятельность банков и других кредитных организаций.
В процессе исследования в качестве инструментария использовались методы системного и сравнительного анализа, методы жесткого и нечеткого
кластерного анализа, эконометрические методы оценки нелинейных
регрессионных моделей, методы теории вероятности и математической*
статистики в части проверки статистических гипотез, а также метод
экспертных оценок. ~
Фактографическая база исследования основывается на данных бухгалтерской отчетности предприятий, работающих на территории Российской Федерации. В диссертационной работе также использована информация, предоставленная рейтинговым агентством Moody's, включающая данные о вероятностях банкротства и потерях в случае дефолта американских компаний и данные ФСГС РФ.
Научная новизна исследования состоит в разработке адаптированных к условиям российского рынка методологических подходов и методов оценки кредитных рисков, базирующихся на выделении* однородных групп предприятий-заемщиков на основе алгоритмов нечеткой классификации и моделей бинарного выбора, учитывающих ограниченность исходной информации, а также в разработке процедур верификации этих методов на основе имитационного моделирования с использованием реальных данных российской экономики.
Следующие результаты исследования, полученные лично автором и выносимые на защиту, являются наиболее существенными:
предложена классификация существующих подходов к оценке кредитного риска, в основу которой положены особенности исходной информации о предприятиях-заемщиках и методов ее обработки, рассмотрены возможности применения их модификаций в условиях* России;
предложен методологический подход к оценке кредитного риска на основе последовательной (двухшаговой) процедуры расчета его основных характеристик с учетом особенностей экономического состояния, определяемого такими параметрами, как сфера деятельности, величина активов и собственного капитала, структура капитала,
выручка и ее динамика, операционная маржа и другие параметры предприятий-заемщиков;
предложен метод оценки функции распределения времени наступления банкротства предприятий-заемщиков различных групп, формируемых по принципу максимума энтропии с использованием информации, характеризующей интенсивность банкротств по группам в прошлом и отражающей текущее состояние рассматриваемых предприятий;
разработан метод оценки потерь банка по выданным ссудам в случае дефолта предприятия-заемщика на основе кернел-сопоставления с учетом его потенциальной близости к банкротству, оцениваемой по бинарной пробит-модели;
разработаны критерии качества двухшагового метода оценки кредитного риска, отражающие его способность идентифицировать ч устойчивые предприятия и предприятия-банкроты и достоверно оценивать величину потерь в случае дефолта;
предложена процедура имитационного моделирования кредитного портфеля коммерческого банка, позволяющая верифицировать модели банкротств и методы оценки кредитного риска;
разработаны рекомендации по практическому использованию предложенной методологии оценки кредитного риска в условиях неполной информации, связанные с использованием информации о заемщиках-банкротах для прогнозирования состояния устойчивых предприятий-заемщиков.
Теоретическая и практическая значимость исследования состоит в том, что предложенные модели и полученные результаты вносят существенный вклад в совершенствование и развитие подходов и методов моделирования банкротства предприятий-заемщиков, не имеющих кредитной истории и котируемых ценных бумаг и оценки кредитных рисков. Разработанный метод универсален, что позволяет использовать его как на российском рынке, так и на мировом.
Использование предложенных в диссертационной работе моделей позволит получать более достоверные и аккуратные оценки вероятности банкротства и ожидаемых потерь в случае дефолта, на базе которых может быть улучшено качество управления кредитным портфелем и оптимизирован процесс формирования резервов на возможные потери по ссудам, что повысит надежность и эффективность работы кредитных организаций, а также обеспечит устойчивое развитие банковской системы России в целом.
Апробация н внедрение результатов исследования. Основные результаты, полученные в диссертационной работе, обсуждены и одобрены на заседаниях кафедры математических методов в экономике РЭА им. Г. В. Плеханова, докладывались на тринадцатых Международных Плехановских чтениях (Москва, 2000), на внутреннем коллоквиуме экономического факультета университета города Констанц (Konstanz, Германия), на межкафедральном докторантском семинаре «Эмпирические финансы» в университете города Констанц (Германия), на исследовательском семинаре, проводимом совместно университетами городов Констанц (Германия) и Санкт-Галлен (St.-Gallen, Швейцария), в рамках международной летней школы «Empirical Asset Pricing» г. Эльтвилле (Eltville, Германия), организованной центром финансовых исследований (Center for Financial Studies) при поддержке Центрального Банка Германии (Deutsche Bundesbank), представлялись на II международной научной конференции «Современные наукоемкие технологии» (Доминиканская Республика). Предложенный в диссертации двухшаговый метод оценки вероятности банкротства и величины ожидаемых потерь в случае дефолта был внедрен в рамках системы управления рисками (СУР) «ПРОГНОЗ. Управление риском» (разработчик - компания «ПРОГНОЗ»). Процедура имитационного моделирования кредитного портфеля коммерческого банка, разработанная автором, позволяющая верифицировать модели банкротств и методы оценки* кредитного риска, и методика оценки вероятности банкротства
предприятий-заемщиков, включающая концепцию нечеткого кластерного анализа с последующей оценкой частоты банкротств, используются в аналитической работе с клиентами ЗАО «Банк КРЕДИТ СВИСС» (МОСКВА).
Основные результаты исследования использованы в учебном процессе РЭА им. Г.В. Плеханова, отдельные результаты диссертации - при проведении семинарских занятий по дисциплине «Инвестиции и Финансы» («Investments and Finance») на экономическом факультете университета города Констанц (Германия).
Публикации. Основные положения диссертационной работы отражены в 10-и авторских публикациях общим объемом 7,2 п.л., в том числе в 2 работах опубликованных в изданиях, рекомендованных ВАК.
Методы оценки кредитных рисков
Последние двадцать лет методы оценки кредитного риска развивались v особенно динамично. Это связано со многими факторами, среди которых наиболее существенными являются следующие : 1. Повсеместное увеличение числа банкротств предприятий-заемщиков. 2. Переход крупных заемщиков с высоким кредитным рейтингом на неорганизованный рынок ссудного капитала, и, как следствие, увеличение количества мелких заемщиков с худшим кредитным рейтингом. 3. Усиление межбанковской конкуренции. 4. Снижение стоимости реальных активов предприятий-заемщиков и соответственное ухудшение качества залогов. 5. Расширение использования внебалансовых инструментов, например кредитных деривативов, подверженных кредитному риску.
Эти и другие факторы привели к возникновению большого числа методов оценки кредитного риска, каждый из которых обладает рядом как положительных, так и отрицательных особенностей.
Одними из первых методов оценки кредитного риска заемщиков были экспертные методы. Они основывались на суждении о качестве заемщика, выносимом экспертами - банкирами, непосредственно работающими в сфере кредитования предприятий в течение долгого времени. Эксперты используют информацию о различных характеристиках заемщика, на основе которой выносится решение (зачастую субъективное) о кредитном риске. В основном эксперты опираются на так называемые «4С» кредита9: характер заемщика, его репутация (character), капитал (capital), потенциал, характеризуемый, в том числе, размерами и волатильностью его доходов (capacity) и предоставляемый заемщиком залог (collateral). Однако оценки кредитного риска, полученные на базе мнения экспертов, оказывались неточными. Как показали Соммервиль и Таффлер (Sommerville, Taffler), эксперты зачастую переоценивают кредитный риск заемщиков.10 В условиях растущей межбанковской конкуренции и усложнения кредитных отношений экспертные методы могут быть использованы либо на начальном этапе оценки риска банкротства заемщика, либо как дополнительная проверка и/или корректировка формальных методов оценки риска в исключительных случаях.
Одними из первых формальных методов оценки кредитного риска были кредит-скоринговые модели, основанные на анализе финансового состояния заемщика. Существует несколько основных типов кредит-скоринговых моделей: линейные модели оценки вероятности банкротства, логит и пробит модели оценки вероятности банкротства и модели, основанные на дискриминантном анализе. Все эти модели строятся на базе одного и того же принципа: коэффициенты, характеризующие ликвидность, финансовую устойчивость, рентабельность, деловую активность и другие параметры, рассчитываются с использованием данных бухгалтерского учета и отчетности. На основе значений этих коэффициентов и показателей делается вывод о степени кредитного риска и вероятности банкротства компании. Для формирования единой меры риска информация о финансовом состоянии заемщика может быть агрегирована различными способами.
Одним из подходов к оценке кредитного риска, основанных на показателях бухгалтерской отчетности предприятий-заемщиков, является матричный подход, цель которого - разбиение предприятий на группы риска. При данном подходе для каждого рассчитанного показателя устанавливаются предельные значения отнесения компании к одной из нескольких групп риска. В соответствии с присвоенной группой риска каждому показателю присваивается определенный балл. Сумма присвоенных баллов (или их среднее/средневзвешенное значение в зависимости от методики) характеризует группу риска заемщика.
Особенности российского рынка и их влияние на возможность применения существующих моделей оценки кредитного риска
За последние тридцать лет исследователями и учеными был разработан обширный методологический аппарат для оценки кредитного риска предприятий-заемщиков. Существующие в мировой практике модели . различаются как по своей сложности, так и по необходимой для их применения информации. Разные классы моделей используют данные бухгалтерской отчетности предприятий, информацию рейтинговых агентств, макроэкономические показатели. Методологически модели оценки кредитного риска могут строиться на базе дискриминантного анализа, на основе анализа макроэкономических показателей. В основу моделей может быть положен какой-либо стохастический процесс, отвечающий за частоту банкротств, тогда можно говорить о моделях сокращенной формы. В основе модели может лежать структура капитала компании-заемщика, в этом случае речь ведется о структурных моделях. Все эти модели широко применяются на практике в Западной Европе и Америке, однако их применение в чистом виде на территории России ограничено. Экономика России имеет ряд особенностей, заставляющих аналитиков и исследователей модифицировать уже существующие и создавать новые методы оценки кредитного риска. Во-первых, в нашей стране отсутствует реально безрисковый актив, на основе доходности которого можно было бы построить кривую безрисковых процентных ставок. Однако многие существующие модели привязаны к такой ставке, поэтому для определения ее эквивалента в России необходимо разрабатывать и использовать дополнительные методы. Во-вторых, многие потребители кредитных ресурсов - молодые компании-заемщики, не имеющие ни кредитной истории, ни многолетней статистики результатов своей деятельности. В-третьих, рынок капитала в нашей стране находится еще в состоянии своего становления. Акции лишь небольшого числа крупных компаний котируются на бирже, рынок срочных контрактов неликвиден. В связи с этим биржевой рынок приобретает черты более спекулятивного, чем инвестиционного рынка, и поэтому не является точным индикатором изменения кредитного качества заемщика. В-четвертых, на деятельность финансовых и нефинансовых организаций России огромное влияние оказывает экономическая ситуация, сложившаяся в стране и положение на мировых рынках. Поэтому модели оценки кредитного риска, не учитывающие влияние макроэкономических факторов, не всегда отвечают потребностям инвесторов.
Кроме того, частая смена налогового законодательства и правил ведения бухгалтерского учета и отчетности создают дополнительные трудности при анализе деятельности заемщика за длительный период. Наконец, нельзя не сказать и о влиянии политических факторов на работу каждого конкретного предприятия и на развитие экономики в целом. Однако включение политических факторов в модель сильно затруднено тем, что они трудно представимы в количественном виде, трудно прогнозируемы и практически не управляемы. Таким образом, можно сделать вывод, что для получения объективных оценок кредитного риска предприятий, работающих на территории Российской Федерации, необходимо применять комплексный подход, сочетающий как формальные, так и экспертные методы, учитывая накопленный мировой опыт в области оценки и анализа кредитных рисков, видоизменяя и модифицируя существующие модели с учетом специфики российского рынка. В первой главе диссертации проведена классификация существующих моделей и методов оценки кредитного риска, рассмотрены их преимущества и недостатки, а также проанализирована возможность применения этих», методов в условиях российского рынка. Первыми появились и нашли применение в кредитных организациях экспертные методы оценки кредитного риска. Основной их недостаток состоит в отсутствии формализации метода принятия решений и полной зависимости качества получаемых оценок от компетенции банковских экспертов. Первыми формальными методами оценки кредитного риска стали кредит-скоринговые модели. В классе этих моделей наиболее часто применяется индекс кредитоспособности Альтмана. Вывод о степени кредитного риска заемщика делается в этих моделях на основе анализа показателей бухгалтерской отчетности. Данные модели имеют ряді. недостатков. В первую очередь, это невозможность достаточно часто корректировать оценки кредитного риска, так как бухгалтерская отчетность - основной источник информации - предоставляется не чаще, чем один раз в месяц. Кроме того, оценки кредитного риска напрямую зависят от качества предоставляемой отчетности. Некорректные балансовые отчеты не позволяют определить истинный уровень кредитного риска предприятия-заемщика.
Модели сокращенной формы позволяют абстрагироваться от многих факторов, влияющих на вероятность банкротства предприятия. В данных моделях вероятность дефолта есть экзогенная величина, определяемая «сокращенным» набором наиболее существенных факторов. Одним из важнейших недостатков этих моделей является использование рыночной стоимости долговых обязательств, которая недоступна для большинства российских компаний. Кроме того, в моделях не учитывается риск ликвидности и внутренняя структура кредитного договора.
Структурные модели оценки кредитного риска основываются на положении о том, что стоимость акций компании есть стоимость опциона колл на покупку этой компании по цене-страйк, равной размеру долгов компании. Основным недостатком данных моделей является использование рыночных котировок акций, облигаций и других ценных бумаг предприятия, что делает невозможным применение данных методов для оценки кредитного риска предприятий малого и среднего бизнеса.
Другие методы, как, например, основанные на матрице переходных вероятностей, требуют обязательного присвоения кредитного рейтинга исследуемой компании одним из ведущих рейтинговых агентств. Это условие не выполняется даже для большинства крупных предприятий, работающих на территории России.
Оценка потерь в случае дефолта на основе анализа панельных данных
Вероятность банкротства предприятия является только одной из характеристик, необходимых для всесторонней оценки кредитного риска. Второй характеристикой, также требующеіі анализа, являются потери в случае дефолта. Если заемщик предоставляет залог, оценка потерь в случае дефолта во многом зависит от стоимости и ликвидности залога. Оценка качества залога может служить темой отдельного исследования. Однако во многих случаях стоимость залога оказывается или ниже суммы кредита, или залог по кредиту вообще не предоставляется. Такой сценарий наиболее вероятен при кредитовании предприятий малого бизнеса, венчурных предприятий и физических лиц.
Остатки по счетам заемщиков отражают объем непогашенного долга и невыплаченных процентов на определенную дату. Эта балансовая информация может служить оценкой максимальных потерь по кредиту, если заемщик объявит дефолт в самое ближайшее время. Однако, во-первых, заемщик может погасить определенную часть кредита, прежде чем объявит банкротство (в случае, если заемщик не будет в состоянии погасить всю сумму кредита и остаться устойчивым), а во-вторых, в случае банкротства существует возможность погашения кредита (в том числе частичного), например, за счет продажи активов заемщика. Таким образом, имеющаяся в распоряжении кредитных организаций информация о счетах заемщика не является достаточной для определения объема ожидаемых потерь в случае дефолта. Оценка величины ожидаемых потерь в случае дефолта требует самостоятельного анализа.
В данной диссертационной работе автором предложен подход к оценке потерь в случае дефолта (loss given default, LGD) на базе панельной информации о заемщиках. Основная идея метода заключается в том, что каждому заемщику, сохранившему на дату проведения анализа устойчивость, для которого необходимо найти оценку LGD, ставится в соответствие некий «искусственный» заемщик, наиболее близкий по своим характеристикам, но объявивший банкротство. Профиль «искусственного» заемщика формируется на базе доступной информации обо всех заемщиках-банкротах. Чем ближе заемщик-банкрот по своим характеристикам к анализируемому предприятию, тем с большим весом его фактические потери войдут в оценку LGD «искусственного» заемщика. LGD «искусственного» заемщика есть искомая оценка ожидаемых потерь исследуемого заемщика. Таким образом, автором предлагается проводить оценку потерь в случае дефолта в два этапа. На первом этапе на основе доступной информации обо всех заемщиках конструируется и оценивается бинарная пробит модель, позволяющая рассчитать потенциальную близость к банкротству каждого предприятия-заемщика. Термин «потенциальная близость к банкротству» введен автором для структурирования и формализации разработанного метода. На втором этапе на основе оценки степени близости к дефолту находится профиль «искусственного» заемщика, соответствующего исследуемому предприятию, и оценивается LGD.
По своей природе потенциальная близость к банкротству (здесь и далее ПББ) соответствует вероятности банкротства. Однако ПББ следует рассматривать лишь как «квази-вероятность дефолта», так как данная характеристика не зависит от времени, тогда как вероятность банкротства характеризует возможность объявления предприятием дефолта в течение определенного промежутка времени. ПББ выступает некой обобщенной характеристикой заемщика, включающей влияние всевозможных факторов, и определяет принципиальную возможность заемщика объявить дефолт.
Потенциальная близость к банкротству рассчитывается на базе(. бинарной пробит-модели, параметры которой оцениваются на основе полной базы данных заемщиков, включающей как заемщиков-банкротов, так и заемщиков, сохранивших устойчивость на дату проведения анализа.
Пусть Yj является бинарной случайной величиной, принимающей значение единица, если /-и заемщик объявил дефолт, и ноль в противном случае. Факт банкротства предприятия зависит от непрерывной ненаблюдаемой величины Yt следующим образом: если величина Y больше или равна нулю, то принимает значение единица, если Y( меньше нуля, то Нравна нулю.
Множество факторов может включать как качественные, так и количественные характеристики предприятий-заемщиков, позволяющие определить степень схожести и различия между заемщиками38. К таким факторам могут относиться отрасль экономики, в которой работает предприятие, наличие дочерних/материнских компаний, наличие непогашенных ссуд или просроченных процентных платежей.
Следующие факторы также являются важными при проведении оценки и анализа риска банкротства: (1) объем собственных средств предприятия; (2) операционная маржа, равная отношению операционной прибыли предприятия к его выручке; (3) доходность активов, равная отношению операционной прибыли предприятия к" величине активов; (4) покрытие процентов, равное отношению операционной прибыли предприятия к процентам, выплачиваемым по ссудам; (5) структура капитала, рассчитываемая как отношение собственного капитала предприятия к активам; (6) покрытие обязательств, выраженное как отношение свободных денежных средств к общей сумме обязательств; (7) ликвидность, оцениваемая как отношение оборотных активов предприятия к его краткосрочным обязательствам.
Каждая кредитная организация может добавить в список факторов и другие показатели, соответствующие особенностям кредитуемых предприятий, а также убрать излишние или несущественные факторы. Например, если кредитная организация специализируется на кредитовании предприятий, занимающихся научно-техническими разработками, то отрасль экономики перестает быть существенным фактором анализа, так как все предприятия принадлежат к одной и той же отрасли. При этом такой показатель, как количество действующих патентов предприятия, может оказаться значимым для исследования.
Результаты использования разработанных моделей и методов
В данном параграфе приводятся результаты использования разработанных методологических подходов и методов оценки вероятности банкротств предприятий-заемщиков и ожидаемой величины потерь в случае дефолта, полученные на основе моделируемых кредитных портфелей. Анализ проводится для каждого из ста моделируемых портфелей отдельно. В нижеследующих параграфах детально описываются результаты анализа для одного из портфелей.
Оптимальное число кластеров находится на максимуме среднего силуэта предприятий-заемщиков43. По результатам моделирования оптимальное число кластеров равно восьми44. При этом средний силуэт предприятия есть 0.34. Заметим, что если средний силуэт близок к единице, объекты исследования хорошо поддаются классификации, если средний силуэт примерно равен нулю, объекты исследования плохо классифицируемы. Если же средний силуэт отрицателен, то объекты исследования отнесены к неверным кластерам. В данном случае средний силуэт равен 0.34. Следовательно, можно сделать вывод о том, что исследуемые предприятия-заемщики в целом подаются кластеризации, однако разбиение на жесткие кластеры не может полностью охватить все разнообразие качеств предприятий-заемщиков, и необходимо использовать методы нечеткого кластерного анализа.
На основе полученных оценок интенсивности банкротств, опираясь на предложенную автором формулу вероятности банкротства 2.26, для каждого предприятия-заемщика рассчитывается вероятность банкротства в течение одного месяца, а также вероятность банкротства в течение всего срока кредитования.
Для расчета потенциальной близости к банкротству автором оценивается бинарная пробит-модель. В качестве зависимой переменной выступает индикатор, принимающий значение «единица», если предприятие объявило банкротство, и «ноль» в противном случае. Независимыми переменными выступают (1) отрасль экономики, (2) активы предприятия, (3) структура капитала, (4) операционная маржа, (5) средняя выручка за квартал, (6) оценка интенсивности банкротств предприятия. Заметим, что шестая независимая переменная есть оценка параметра лямбда, а не его истинное значение. В условиях реальной кредитной организации истинное значение интенсивности банкротств неизвестно, и при анализе возможно использовать только лишь его оценку. Результаты оценки пробит-модели приведены в табл. 3.10.
Псевдо R1 0.130 Для проверки гипотез о статистической значимости параметров пробит-модели необходимо рассчитать z-статистики (значения z-статистик приведены во втором столбце таблицы 3.10) z-статистика рассчитывается как отношение значения оценки параметра модели к среднеквадратичному отклонению этой оценки.
Нулевая гипотеза в данном случае - равенство истинного значения параметра а нулю. Тогда, если нулевая гипотеза истинная, z-статистика подчиняется стандартному нормальному распределению. Значение z-статистики сравнивается с критическим значением нормального распределения. В случае если статистика оказывается больше критического уровня, гипотеза о нулевом истинном значении параметра а отвергается. В противном случае данная гипотеза не может быть отвергнута.
Таким образом, чем ближе значение R к единице, тем лучше данная линейная регрессионная модель объясняет изменчивость зависимой, переменной. Если, например, R равен 0.80, то данная модель способна объяснить 80% вариаций зависимой переменной.
При работе с пробит-моделью такое построение и интерпретация R невозможны. Для оценки качества пробит-модели были предложены другие характеристики, аналогичные коэффициенту детерминации для линейной модели46. В таблице 3.10 приведено значение псевдо R2 (или индекс отношения правдоподобия) МакФаддена (McFadden s likelihood ratio index). Данный индекс рассчитывается как разность между единицей и отношением натурального1 логарифма значения функции правдоподобия, соответствующего используемой пробит-модели, к натуральному логарифму значения функции правдоподобия, если одна независимая переменная -константа.
Натуральный логарифм значений функций правдоподобия отрицателен. При этом, по абсолютному значению lnl не превосходит \nL0. Таким образом, значение псевдо R лежит в интервале [0,1] по определению и равно нулю, если все коэффициенты исследуемой модели статистически незначимы, и значения функций правдоподобия L и Lo совпадают. Чем ближе значение псевдо R к единице, тем больший объем информации о зависимой переменной содержат независимые переменные. Однако псевдоv R не характеризует долю объясненной изменчивости.
