Содержание к диссертации
Введение
Глава 1. Моделирование кредитного риска банковской системы: макроэкономический аспект 14
1.1. Обзор подходов к эконометрическому моделированию агрегированного кредитного риска банковского сектора в зависимости от факторов макроэкономической среды 14
1.2. Описание методологии эконометрической модели агрегированного кредитного риска банковского сектора и используемых данных 26
1.3. Результаты оценивания динамической модели агрегированного кредитного риска банковского сектора на панельных данных по странам ОЭСР и России 28
1.4. Моделирование агрегированного кредитного риска банковского сектора России: сигнальный подход 35
1.4.1. Выбор частных опережающих индикаторов реализации системных кредитных рисков банковского сектора 36
1.4.2. Составление сводного опережающего индикатора системных кредитных рисков и обзор его предсказательной силы на историческом периоде 42
Глава 2. Разработка опережающих индикаторов поворотных точек бизнесцикла 45
2.1. Основные определения: бизнес-цикл, его фазы, способы их датировки 45
2.2. Обзор методов построения опережающих индикаторов бизнес-цикла 50
2.3. Обзор факторов макроэкономических кризисов и выходов из них на основе теоретического анализа 53
2.4. Обзор факторов макроэкономических кризисов и выходов из них на основе эмпирического анализа 68
2.4.1. Статистический подход 68
2.4.2. Эконометрический подход 71
2.5. Особенности выбранного подхода к количественному анализу бизнес-циклов 75
2.6. Описание результатов построения опережающих индикаторов бизнес-цикла 84
2.6.1. Выбор показателей – предикторов смены фаз бизнес-цикла 84
2.6.2. Результаты оценивания моделей входа и выхода из рецессии 89
2.6.3. Анализ выгод от устранения посткризисного смещения 100
2.6.4. Анализ вневыборочной предсказательной силы моделей: краткосрочные макроэкономические перспективы стран Европы и России 102
Глава 3. Моделирование макро- и микроэкономических факторов кредитного риска российских банков 113
3.1. Анализ и описание факторов макроэкономических условий и рискованности стратегий банков, определяющих индивидуальный уровень кредитного риска финансовых посредников 113
3.2. Описание методологии и данных 121
3.3. Результаты оценивания 125
3.4. Выявление групп банков, обладающих повышенной устойчивостью или уязвимостью к реализации негативных макроэкономических сценариев 127
Глава 4. Анализ устойчивости российского банковского сектора к кредитному риску при помощи моделей агрегированного кредитного риска 129
4.1. Применение сигнальных моделей агрегированного кредитного риска к анализу кризисного потенциала кредитного рынка России и среднесрочной устойчивости российского банковского сектора 129
4.2. Обзор подходов к стресс-тестированию банковского сектора 135
4.2.1. Место макроэкономического стресс-тестирования в системе раннего оповещения о финансовых (банковских) кризисах 135
4.2.2. Этапы и схема макроэкономического стресс-тестирования 141
4.2.3. Виды учитываемых уязвимостей (рисков) и структура модели макроэкономического стресс-тестирования 144
4.2.4. Обзор подходов к разработке стрессовых сценариев 148
4.2.5. Возможные меры выходных параметров стресс-теста 150
4.2.6. Краткие выводы по мировому опыту стресс-тестирования и описание возможного применения методов стресс-тестирования к анализу устойчивости российского банковского сектора 150
4.3. Описание методологии и результатов стресс-тестирования российского банковского сектора при помощи модели агрегированных кредитных рисков и симуляции банковских балансов 151
Заключение 157
Список литературы 161
Приложение 172
- Выбор частных опережающих индикаторов реализации системных кредитных рисков банковского сектора
- Описание результатов построения опережающих индикаторов бизнес-цикла
- Выявление групп банков, обладающих повышенной устойчивостью или уязвимостью к реализации негативных макроэкономических сценариев
- Применение сигнальных моделей агрегированного кредитного риска к анализу кризисного потенциала кредитного рынка России и среднесрочной устойчивости российского банковского сектора
Введение к работе
Актуальность темы исследования. Опыт недавнего финансового и
макроэкономического кризиса конца 2000-х гг., а также рост рисков спада
российской экономики в 2014 г. вкупе с текущими предкризисными
тенденциями в отдельных сегментах российского кредитного рынка
актуализируют необходимость регулярного и качественного стресс-
тестирования российского банковского сектора.
Согласно определению Банка международных расчетов, стресс-тестирование — это способ оценки уязвимости портфелей инструментов, финансовых институтов или финансовой системы в целом к исключительным, но возможным шокам1. Концепция стресс-тестирования состоит в оценке меры рисков при условии реализации неблагоприятного (стрессового) события. При этом стресс-тест не отвечает на вопрос: «какова вероятность неблагоприятного (стрессового) события», он отвечает на вопрос «что будет, если оно случится?». Следуя целям стресс-тестирования, потери, возникающие в результате реализации негативных сценариев, сопоставляются с имеющимся «запасом прочности» системы.
Проведение регулярного стресс-тестирования является важной составной частью внутреннего риск-менеджмента банков, а также через регулирование достаточности капитала в соответствие с подходом Базель II стимулируется Центральными банками2.
В части обеспечения доверия к результатам стресс-тестирования финансовых посредников ключевую роль играет прозрачность методологии, оперативность публикации результатов и независимость оценивающего риски института от оцениваемых игроков. К сожалению, существующие стресс-тесты не всегда удовлетворяют этим требованиям. Поэтому актуальной является
Sorge M. (2004). Stress-testing Financial Systems: An Overview of Current Methodologies. BIS Working Paper № 165. Basel Committee on Banking Supervision (2009). Principles for sound stress testing practices and supervision.
разработка методов дистанционного3 (удаленного) стресс-тестирования, которые обладают указанными характеристиками.
В рамках стресс-тестирования анализу подвергается, как правило, вся совокупность рисков банковской деятельности: кредитный риск, риск ликвидности, рыночный риск, риск «заражения» на межбанковском рынке и др. В работе обосновывается, что наиболее существенным риском банковского сектора России является кредитный риск (высокая доля кредитных операций в активах банков, низкое качество выданных ссуд и др.). Все вышесказанное обосновывает актуальность разработки методов дистанционного стресс-тестирования кредитных рисков банковского сектора и их применения к анализу устойчивости российских банков.
Степень научной разработанности проблемы. Методы стресс-тестирования широко применяются регуляторами и отдельными финансовыми институтами с конца 1990-х годов. В последние годы все большее число Центральных банков (более 40, в том числе Австрии, Чехии, Дании, Германии, Великобритании) проводят макроэкономические стресс-тесты и публикуют их результаты в докладах о финансовой стабильности. Обзоры методологии стресс-тестирования в целях анализа макрофинансовой стабильности приведены в работах Blaschke W. Jones M., Majnoni G., Peria S.; Sorge M.; Quagriariello M.; Borio C., Drehmann M., Tsatsaronis K.; Foglia A.; Henry J., Kok C.; Cihak M. и др. Стресс-тестированию устойчивости финансового сектора на данных российской экономики посвящены работы Андриевской И.К., Алескерова Ф.Т., Пеникаса Г.И., Солодкова В.М., Моисеева С.Р., Фунгачевой З. и др.
Ядром стресс-тестирования является модель, связывающая индикаторы риска с макроэкономическими условиями и динамикой финансового сектора. Моделированию кредитных рисков на макро-уровне посвящены работы Hoggarth G., Sorensen S., Zicchino L.; Pesola J.; Nkusu M. и др.
3 При проведении дистанционного стресс-тестирования, в отличие от недистанционного (регулятивного), обеспечивается большая прозрачность расчетов, оперативность и независимость оценки и трактовки результатов.
Использование дистанционных методов оценивания рисков банков,
предлагаемое в работе, чревато потерей точности оценивания, поскольку
отсутствует взаимодействие с банками, детальное погружение в
индивидуальные профили рисков. Поэтому для обеспечения
работоспособности этих методов важным является их усовершенствование, подразумевающее решение ряда проблем. В данной работе предлагаются способы смягчения этих проблем на основе опыта существующих работ, в том числе из смежных областей.
Первая проблема. Процикличность (сильная историческая
обусловленность) закладываемых в стрессовые сценарии шоков. Вслед за Borio C., Drehmann M., Tsatsaronis K. в работе предлагается использовать модели раннего оповещения (опережающие индикаторы) о приближении финансовой и макроэкономической нестабильности при разработке стресс-сценариев с целью снижения процикличности закладываемых шоков и обеспечение более точного их прогнозирования с учетом фактического уровня риска. Методология опережающих индикаторов представляет собой оценку вероятности реализации кризисного события (или отдельного риска) на основе количественного анализа индикаторов, демонстрирующих аномальное поведение до наступления шока, на основе сигнального подхода, используемого в работах Kaminsky G., Reinhart K.; Alessi L., Detken C., или эконометрического – см. работы Demirguc-Kunt A., Detragiache E.; Bussiere M. Fratzscher M.; Lo Duca M., Peltonen T.; Babecky J., Havranek T., Mateju J., Rusnak M., Smidkova K., Vasicek B. В вышеприведенных работах акцент делается на индикаторах финансовой нестабильности. Помимо этого, существует целый ряд работ, анализирующих факторы приближения макроэкономических кризисов (рецессий). Здесь методология включает эконометрические модели c дискретной зависимой переменной – см. работы Stock J., Watson M.; Estrella A., Mishkin F.; Moneta F.; Kauppi H., Saikkonen P.; Ng E.; эконометрические модели с непрерывной зависимой переменной – Stock J., Watson M.; Forni M., Hallin M., Lippi M., Reichlin L.; и немодельный подход к анализу поворотных точек бизнес-цикла – см. OECD. В России работы по опережающим индикаторам макроэкономических рисков представлены
исследованиями Smirnov S., Demidov O., Styrin K,, Potapova V., по финансовым – Трунин П., Улюкаев А., Солнцев О.
В данной работе предлагается модификация моделей опережающих
индикаторов поворотных точек бизнес-цикла c дискретной зависимой
переменной: используются межстрановые данные, более широкий перечень
индикаторов-предикторов, включая контрциклические, выбор порогов
«отсечения» моделей осуществляется на основе оптимизации функции потерь регулятора и др.
Вторая проблема. Недоучет обратных связей между
макроэкономическими переменными и показателями финансового сектора. Существующая литература указывает на необходимость учета обратных связей (feedback effects) – влияния стрессовой ситуации в финансовой системе на макроэкономические переменные4 – в случае если временной горизонт стресс-тестировании достаточно длинный. В ряде работ для учета обратных связей при моделировании показателей рисков банковского сектора спецификация модели была записана в форме векторной авторегрессии (VAR) – см. Hoggarth G., Sorensen S., Zicchino L.; Espinoza R., Prasad A.; Nkusu M.; Klein N. и др. В данной работе предлагается провести анализ необходимости учета обратных связей при помощи теста Грейнджера на панельных данных. Его результаты используются для обоснования модели агрегированного кредитного риска – инструментальной основы макроэкономического стресс-тестирования.
Третья проблема. Недоучет микро-факторов повышенной устойчивости или уязвимости к макро-стрессам отдельных банков.
В эмпирических работах по моделированию кредитного риска отдельных банков отмечается, что при включении в уравнение общих для всех банков факторов (систематических, или макроэкономических), вариация кредитного риска в значительной степени зависит от рискованности бизнес-стратегий отдельных банков. Моделированию кредитных рисков на уровне отдельных
4 В рамках традиционных методов стресс-тестирования оценивается зависимость уровня риска системы от макроэкономических параметров. В самых простых моделях кризисный импульс следует только в направлении макропеременные финансовый сектор, в результате чего не учитываются эффекты влияния кризиса в финансовой сфере на реальный сектор. Последнее приводит к недоучету последствий развития «кризисной спирали».
банков посвящены исследования Jimenez G., Saurina J.; Espinoza R., Prasad A.; Quagliariello M.; Glogowski А., по данным российских банков - работы Мамонова М. Ни одна из известных работ не ставит целью разделить влияние факторов на группы макро- и микроэкономических. В данной работе показывается, что учет индивидуальных факторов устойчивости или уязвимости к макро-шокам ведет к повышению качества стресс-тестирования, в частности, обеспечивает более точный расчет потерь банковского сектора с учетом гетерогенности игроков.
Объект и предмет исследования. Объект диссертационного исследования — банковский сектор России. Предмет исследования -системные и индивидуальные кредитные риски российских банков, их факторы и последствия реализации.
Цель данного исследования — разработка методов дистанционного стресс-тестирования кредитного риска российского банковского сектора с учетом неопределённости будущей фазы бизнес-цикла и неоднородности риск-стратегий банков.
Для выполнения данной цели поставлены следующие задачи:
Построение моделей агрегированного кредитного риска банковского сектора;
Разработка моделей опережающих индикаторов поворотных точек бизнес-цикла;
Построение модели кредитного риска отдельных российских банков;
Применение моделей кредитного риска к анализу кризисного потенциала кредитного рынка России и стресс-тестированию российского банковского сектора в среднесрочной перспективе.
Методологической основой исследования являются методы стресс-тестирования кредитных рисков банковского сектора и отдельных банков. Данные методы включают анализ уязвимостей банковского сектора, построение макроэкономических сценариев (в основном остается за рамками данного исследования), а также построение эконометрических моделей
системных и индивидуальных кредитных рисков банков в зависимости от факторов макросреды и состояния финансового сектора.
В качестве инструментария в работе используются эконометрические модели с дискретной зависимой переменной, сигнальный подход к анализу кризисных эпизодов, методы оценивания динамических моделей на панельных данных, методы факторной декомпозиции вариации. Количественные расчеты осуществлялись в статистическом пакете Stata и MS Excel.
Информационной базой исследования являются статистические данные МВФ International Financial Statistics и Financial Soundness Indicators, базы данных Мирового Банка - World Development Indicators и Global Financial Development, данные ОЭСР - OECD.Stat, сайты Центральных банков и статистических агентств России и других стран. Также базой исследования являются данные оборотных ведомостей по счетам бухгалтерского учета (форма 101) и отчеты о прибылях и убытках (форма 102) российских банков, публикуемые на сайте Банка России за период 2004-2013 гг.
Научная новизна диссертационного исследования состоит в следующем:
Разработана схема дистанционного стресс-тестирования кредитного риска российского банковского сектора, учитывающего неопределённость будущей фазы бизнес-цикла при разработке сценариев и неоднородность риск-стратегий банков при расчете чувствительности качества портфелей отдельных игроков к общесистемным шокам;
Разработана межстрановая модель агрегированного кредитного риска, учитывающая более широкий спектр переменных по сравнению с имеющейся литературой. В модели решена проблема эндогенности ряда объясняющих переменных, игнорируемая в большинстве работ. Применены методы оценивания динамических моделей на панельных данных, позволяющие моделировать качество ссуд в уровнях, а не приростах (System GMM), тем самым, достигая более высокой объясняющей силы моделей. Модель агрегированного кредитного риска была применена как для ретроспективного анализа кредитного рынка
России, так и для дистанционного тестирования устойчивости российского банковского сектора в среднесрочном периоде;
В работе впервые оценены модели вероятности смены фаз бизнес-цикла на основе панельных данных. Это позволило учесть историю бизнес-циклов по широкому кругу стран, что существенно повышает качество и обоснованность моделей и сделанных выводов. Поведение опережающих индикаторов рецессий, полученное на основе этих моделей, было принято во внимание при разработке стрессовых сценариев для анализа рисков банковского сектора;
При разработке моделей входа в рецессию и выхода из нее была впервые учтена проблема посткризисного смещения, что позволило значимо повысить предсказательную силу модели и при этом снизить уровень «зашумления». Для данных моделей был применен анализ порогов отсечения на основе оптимизации функции потерь регулятора. Этот метод, широко применяемый в исследованиях по финансовым кризисам, был впервые применен для моделей опережающих индикаторов резких изменений макроэкономической конъюнктуры.
Был впервые поставлен и исследован вопрос об относительной значимости макроэкономических переменных и факторов рискованности бизнес-стратегий банков при объяснении качества их ссуд. Были выявлены группы банков, обладающие повышенной устойчивостью или уязвимостью к макроэкономическим шокам. Результаты данного анализа были использованы при проведении стресс-тестирования, они обеспечили более точный расчет потерь банковского сектора с учетом неодинаковой чувствительности игроков к общим для системы стрессам.
Теоретическая и практическая значимость результатов исследования.
Результаты диссертационного исследования могут быть использованы при разработке макропруденциальной и контрциклической политики в России. Разработанные методы дистанционного стресс-тестирования кредитного риска банковского сектора могут использоваться для взаимной верификации результатов top-down стресс-тестов, проводимых Банком России. Регулярное
проведение дистанционного анализа устойчивости банков к реализации
кредитных рисков может быть инструментом ранней идентификации
уязвимостей при условии одновременного задействования моделей
опережающих индикаторов поворотных точек бизнес-циклов, разработанных в диссертационном исследовании.
Разработанные модели опережающих индикаторов точек входа в макроэкономический кризис и выхода из него могут быть использованы при проведении контрциклической политики, разработки и имплементации мер, предотвращающих или смягчающих последствия кризисов.
Результаты проведенного в диссертационном исследовании анализа вклада макро- и микроэкономических факторов в ухудшение качества кредитных портфелей российских банков позволяют обосновать необходимость контрциклического регулирования российского банковского сектора. Были получены доказательства ключевой роли макроэкономических факторов в объяснении роста доли просроченных кредитов большинства банков в период кризиса 2008-2009 гг.
Результаты диссертации применены в научно-исследовательской работе по гранту Консорциума экономических исследований и образования (EERC) в 2011-2013 гг., а также в отчетах Центра макроэкономического анализа и краткосрочного прогнозирования в 2010-2013 гг.
Структура диссертации. Работа состоит из введения, 4 глав, заключения, приложения, списка литературы из 126 наименований. Общий объем работы — 160 страниц основного текста и 32 страницы приложений и библиографии.
Апробация результатов исследования. Результаты диссертации были апробированы на следующих конференциях и научных семинарах:
-
XII, XIII, XIV, XV Международная научная конференция по проблемам развития экономики и общества. НИУ ВШЭ, Москва, 6 апреля 2011 г.; 4 апреля 2012 г.; 4 апреля 2013 г.; 2 апреля 2014 г.
-
Семинар «Банки и предприятия: модели и рейтинги». РЭШ, Москва, 17 мая 2011 г.
-
Семинар «Макроэкономические исследования». Экономический факультет МГУ им. Ломоносова, Москва, 26 мая 2011 г.
-
Исследовательские семинары №31, 32 и 34 Консорциума экономических исследований и образования (EERC Research workshop). Киев, Украина, 17 декабря 2011 г.; Одесса, Украина, 8 июля 2012 г.; Киев, Украина, 28 июня 2013 г.
-
Совместный научный семинар кафедры математической экономики и эконометрики и лаборатории макроструктурного моделирования экономики России. НИУ ВШЭ, Москва, 19 апреля 2012 г.
-
32nd International Symposium on Forecasting. Бостон, США, 26 июня 2012 г.
-
Second CInSt Banking Workshop «Banking in Emerging Markets: Challenges and Opportunities». НИУ ВШЭ, Москва, 16 ноября 2012 г.
-
Второй Российский экономический конгресс. Суздаль, 19 февраля 2013 г.
-
Международная научная конференция студентов, аспирантов и молодых учёных «Ломоносов-2013». МГУ им. Ломоносова, Москва, 10 апреля 2013 г.
-
10th Eurasia Business and Economic Society Conference. Стамбул, Турция, 24 мая 2013 г.
-
17th International Conference on Macroeconomic Analysis and International Finance. Ретимно, Греция, 1 июня 2013 г.
-
Конференция АНЦЭА «Проблемы российской экономики: политико-экономический взгляд». Москва, 30 сентября 2013 г.
Публикации. Основные результаты диссертационного исследования опубликованы в 11 работах общим объемом 13,5 п.л. (вклад автора 6,2 п.л.). Шесть из них опубликованы в российских рецензируемых журналах, рекомендованных ВАК Министерства образования и науки РФ.
Выбор частных опережающих индикаторов реализации системных кредитных рисков банковского сектора
Механизм связи между предложенными частными опережающими индикаторами и детектируемым кризисным событием следующий:
1-ый показатель: высокий уровень нагрузки потребительских и инвестиционных расходов на доходы (ВВП) является проявлением сложившегося дисбаланса между доходами и расходами экономических агентов, что означает рост кредитных рисков банков как важнейших кредиторов экономики.
2-й показатель: охлаждение на кредитном рынке, наступившее вслед за достигнутым пиковым значением темпов прироста кредитного портфеля банков. Кредитная экспансия проявляется в ускоренной выдаче кредитов, вовлечении новых групп заемщиков и др. и сопровождается, как правило, снижением стоимости обслуживания кредитов, требований в залоговому обеспечению, к качеству заемщиков и др. В этот период – кредитного бума – и происходит накопление кредитных рисков. Замедление кредитования действует отрезвляющее на банки и на их заемщиков: сокращение возможностей рефинансирования ранее выданных кредитов способно привести к росту неплатежей, что побуждает банки к переоценке рисков, ведет к дальнейшему торможению кредитования и далее по спирали - вплоть до реализации системных кредитных рисков банковского сектора;
3-й показатель: рост доли потребительских расходов в располагаемых доходах за год более, чем на 2 проц. п. Опережающий рост потребительских расходов по сравнению с располагаемыми доходами - признак перегрева рынка потребительского кредитования, что приводит к накоплению кредитных рисков банков. Длительный характер этого процесса зачастую вызывает рост доли проблемных ссуд в банковском секторе;
4-й показатель: снижение сальдо счета текущих операций, отнесенного к ВВП, по сравнению со средним значением за предшествующий год более чем на 2,5 проц. п. означает сокращение доходов экономических агентов от операций с внешним миром, что может ухудшить финансовое положение экономических агентов (в первую очередь, предприятий), а значит обусловить рост неплатежей по кредитам банков;
5-й показатель: падение цены на нефть за квартал более, чем на 15% сигнализирует о существенно ухудшившейся внешнеэкономической конъюнктуре. Последнее подрывает финансовую устойчивость компаний экспортно-ориентированных отраслей, а также обуславливает повышение валютных рисков для должников со значительным объемом задолженности, номинированной в иностранной валюте. Это может негативно сказаться на качестве кредитных портфелей банков.
Пороговые значения частных индикаторов были определены в соответствии с методами, описанными в работе Солнцев и др. (2011). «Сигнальное окно» составляет четыре квартала, «буферная зона» - один квартал, «период релаксации» – два квартала.
Таким образом, максимальный лаг для подачи «хорошего» сигнала частным индикатором составляет четыре кварталов до наступления детектируемого события, минимальный – два квартала.
В таблице 2 приведены индивидуальные пороговые значения и качественные характеристики лучших пяти частных опережающих индикаторов системных кредитных рисков.
Примечание: сумма весов частных индикаторов не равна единице, см. методологию в работе Солнцев и др. (2011). Источник: составлено автором. С точки зрения показателя превышения условной вероятности события над безусловной (см. методологию в работе Солнцев и др., 2011) наибольшим весом обладает показатель кредитного торможения. Этот же показатель демонстрирует наименьшее отношение «шум-сигнал». Наименее информативным является индикатор потребительского перегрева: ему придается наименьший вес при максимальном значении «зашумленности».
В соответствии с формулой расчета сводного опережающего индикатора, приведенной в работе Солнцев и др. (2011), будем суммировать сигналы лучших частных индикаторов, взвешенные в соответствии с их предсказательной силой (см. Таблица 2).
Для полученного сводного индикатора были установлены пороговые значения 0,4 и 0,8, разделяющие низкую, существенную и высокую вероятности реализации события (см. Рисунок 8). Рисунок 8 - Динамика сводного опережающего индикатора системных кредитных рисков
Реализ. кредит. рисков - поворот тренда NPL (правая шкала) ——Сводный опережающий индикатор кредитных рисков (KRS)
Как видно из рис. 8, построенный сводный индикатор помогает предсказывать приближение кризиса «плохих долгов» с лагом в 3-4 квартала: он отрывается от околонулевого значения в предкризисные периоды и выходит либо в зону средней вероятности (эпизод 2001 г.) либо в зону высокой вероятности (эпизоды 1998 и 2008 гг.). Менее уверенные сигналы сводного опережающего индикатора системных кредитных рисков в 2001 г. связаны с незначительным масштабом и продолжительностью произошедшего тогда события. Рост доли проблемных и безнадежных ссуд в совокупном кредитном портфеле банковской системы по отношению к аналогичному кварталу предшествующего года наблюдался в 2001 г. в течение только одного квартала и на 1,1 проц. п. (оценочно, см. Рисунок 8). Все соседние к этому событию кварталы демонстрировали понижательный тренд анализируемого показателя. Для сравнения - в 1998 и 2008 гг. глубина и длительность кризиса на кредитном рынке была существенно больше. Так, в 1998 г. рост доли NPL в кредитах банков продолжался год, максимальный прирост за год составил (оценочно) +7 проц. п. В 2008 г. период роста доли «плохих долгов» составил два года, рост доли NPL за год - 6,3 проц. п.
В конце 1997 г. за три квартала до наступления детектируемого события в 3 кв. 1998 г. тревожные сигналы начали поступать от трех частных опережающих индикаторов: были завышены потребительские и инвестиционные расходы экономических агентов относительно их доходов. Во многом это было связано со слабостью внутреннего производства и экспортного потенциала экономики. Тогда же началось торможение кредитных рынков, правда и так не перегретых ввиду затяжной макроэкономической депрессии 1990-х гг. Кроме того, в конце 1997 г. наблюдалась корректировка мировых цен на нефть, что подорвало и без того слабый счет текущих операций платежного баланса России. Сочетание этих трех сигналов обусловило выход сводного опережающего индикатора в область высокой вероятности
В конце 2000 г. за три квартала до небольшого скачка «плохих кредитов» наблюдалось замедление кредитования после максимальных темпов, достигнутых в 3 кв. 2000 г. на фоне бурного посткризисного восстановления экономики в этом году. Также подавали сигналы цены на нефть, сократившиеся в конце 2000 г. более, чем на 20%. Вероятно, последнее было связано с растущими опасениями инвесторов относительно перспектив пузыря «дот-комов» в США и возможным замедлением американской экономики в результате его «сдувания».
В 4 кв. 2007 г. за год до начала роста доли проблемных ссуд в портфелях российских банков на приближение кризиса указывали необеспеченность потребительских и инвестиционных расходов экономических агентов их доходами, бум на потребительском рынке, а также постепенное охлаждение на кредитном рынке. В сочетании эти факторы свидетельствовали о снижающихся возможностях рефинансировать долг заемщикам, которые перед этим активно брали кредиты в надежде на продолжение роста доходов.
Описание результатов построения опережающих индикаторов бизнес-цикла
Большинство упомянутых выше работ строится на основе помесячных данных по экономике США, что позволило авторам использовать такие тонкие показатели экономической активности как оперативные данные о движении рабочей силы (показатели занятости), показатели продаж, запасов и заказов, индикаторы рынка недвижимости и др. Заметим, что сопоставимых данных по этим показателям по сколько-нибудь широкому кругу стран не существует. Аналогичная проблема обнаруживается с таким важным предиктором рецессий в США как показатель наклона кривой доходности государственных облигаций. Данный индикатор не может быть использован в данной главе, поскольку сопоставимые данные по широкому набору стран включают только среднюю ставку по государственным ценным бумагам по всем срокам погашения.
Периодичность анализируемых нами данных (погодовые) не позволяет использовать лагированные значения прошлой фазы бизнес-цикла (как это делается в динамических и авторегрессионных бинарных моделях) в качестве объясняющих переменных. В рамках погодовых наблюдений, которыми имеются в распоряжении, инертность фаз бизнес-цикла существенно ниже, чем на основе помесячных данных, для которых эти модели были разработаны. К примеру, в соответствие с датировками NBER фаз бизнес-цикла американской экономики, длительность рецессий в период 1970-2010 гг. составляла от 6 до 18 месяцев, в то время как на наших погодовых данных за период 1980-2010 гг. только 40% рецессий длились более 1 года.
Принимая во внимание, что данная работа строится на основе низкочастотных (погодовых) данных по широкому набору стран, набор возможных индикаторов - предикторов смены фаз бизнес-цикла сужается до следующих групп факторов:
Показатели внутренней макроэкономической динамики:
Опережающий индикатор экономической активности в методологии ОЭСР; о Индексы уверенности экономических агентов в методологии ОЭСР; о Прочие макроэкономические переменные (динамика инвестиций, инфляция, темп прироста ВВП).
Переменные внутреннего финансового сектора:
Динамика фондовых индексов; о Процентные ставки и спрэды между ними; о Динамика банковского кредитования; о Уровень ликвидности банков; о Общий уровень системного риска в финансовом секторе в методологии ЦМАКП23.
Показатели внешнеэкономической конъюнктуры и сбалансированности внешнеэкономических операций: о Фаза бизнес-цикла США; о Отношение счета текущих операций к ВВП; о Индекс реального эффективного валютного курса. Далее дополнительно обосновывается включение показателей в качестве опережающих индикаторов с упором на опыт анализа теоретической и эмпирической литературы, описанный выше.
Уверенность экономических агентов. В рамках динамических моделей макроэкономических колебаний на основе общего экономического равновесия с рациональными ожиданиями агентов при определенных предпосылках возможно достижение нескольких равновесных траекторий (Mankiw, 2006; Zarnowitz, 1996). При этом переключение между «благоприятным» и «неблагоприятным» исходом происходит в результате резкого изменения ожиданий (уверенности в будущей положительной макроэкономической динамике). Данные ожидания в модели легко становятся самореализующимися. Один из возможных механизмов -корректировка отдачи от инвестиций, рассчитываемая исходя из ожиданий будущих прибылей. Если агенты предвидят ухудшение конъюнктуры, они сокращают свои текущие расходы (включая инвестиционные), в результате чего выпуск действительно падает. На немодельном уровне данную логику впервые описал Кейнс - Keynes (1936), в работах которого одним из факторов инвестиций являются спекулятивные ожидания прибыли инвесторами.
Инвестиции. Роль инвестиций в продуцировании колебаний совокупного выпуска отмечается как в большинстве ранних теорий бизнес-циклов (первой половины прошлого века - см. обзор в Zarnowitz, 1996), так и в современных теориях реального делового цикла (технологические шоки,
Кейнсианская теория, главенствовавшая в умах экономистов, в середине 20 в., отводила значительную роль в объяснении кризисов инвестициям, движимым скачками предельной эффективности капитала - Keynes (1936). Отметим здесь также известную модель мультипликатора-акселератора инвестиций, предложенную в работах Samuelson (1939) и Hicks (1950), где в результате взаимодействия инвестиций и выпуска наблюдаются повторяющиеся колебания производства. Инфляция Динамика инфляции в рамках бизнес-циклов активно изучалась в довоенных теориях: см. например инфляционно-дефляционный цикл в теории Хоутри. Нарастание инфляционного давления в рамках распространения колебаний отмечается также в ранних динамических моделях общего равновесия - Lucas (1976), где случайные (неожиданные) шоки монетарной политики вызывали вначале изменения относительных цен, а затем и колебания общего уровня цен.
Темпы прироста ВВП. Замедление экономики (сокращение темпов прироста ВВП) перед рецессиями можно скорее отнести к эмпирическому факту и апеллировать к интуиции читателя. Действительно, если пик экономической активности предшествует рецессии, то при движении к нему темпы роста экономики сокращаются
Влияние глобального фактора. В последние десятилетия накопился значительный эмпирический опыт, подтверждающий рост синхронности бизнес-циклов ключевых стран мировой экономики – (Stock, Watson, 1999; Zarnowitz, 1996). Среди причин – рост интегрированности стран в мировую экономику, ведущий к повышенной зависимости экономик друг от друга, а также к росту влияния общих шоков. Это объясняет необходимость учета глобального фактора в моделях бизнес-цикла отдельных стран.
Счет текущих операций. Значимость показателей внешнеэкономического баланса в объяснении бизнес-циклов отмечал в своих работах Хоутри. В его монетарной по своей природе теории, разработанной в том числе для открытых экономик, сокращение торгового баланса (основной компоненты счета текущих операций) ведет к оттоку золотовалютных резервов, и, при прочих равных, к сокращению денежного предложения и рецессии. Altug (2009), перечисляя эмпирические закономерности, наблюдаемые в рамках бизнес-циклов, отмечает, что торговый баланс ведет себя контрциклично, поскольку импорт более подвержен циклическим колебаниям, чем экспорт. Это обосновывает необходимость учета сальдо счета текущих операций как показателя внешнеэкономических дисбалансов при разработке опережающих индикаторов смены фаз бизнес-цикла.
Динамика реального эффективного курса национальной валюты в рамках бизнес-цикла может быть соотнесена с колебаниями в темпах инфляции. При прочих равных, ускорение инфляции в рамках повышательной фазы бизнес-цикла ведет к укреплению реального курса, что подрывает торговый баланс страны и, тем самым, сокращает ее доход (выпуск).
Выявление групп банков, обладающих повышенной устойчивостью или уязвимостью к реализации негативных макроэкономических сценариев
Для каждого типа спецификации: статической и динамической - в
Приложении (см. табл. П7-П10) приводится несколько моделей кредитного риска российских банков с несколько различающимся набором факторов. В оцененные модели значимо вошли от 2 до 5 макропеременных и от 2 до 3 микроуровневых показателей. Большинство коэффициентов регрессий оказались высоко значимыми и устойчивыми к изменению набора контрольных переменных и изменению выборки банков.
Было обнаружено значимое влияние факторов макроэкономических условий (состояния рынка труда, показателей долговой устойчивости корпоративного сектора, инфляционного давления, платежного баланса, рынков активов) и показателей рискованности стратегий банков, таких как их эффективность, рыночная власть, структура кредитного портфеля и др., на качество выданных кредитов.
Было выявлено эмпирическое подтверждение гипотезы «плохого менеджмента» (см. описание в разделе 1.1) на данных российских банков. Коэффициент перед индексом эффективности оказался отрицательным и статистически значимым. Выявленная связь свидетельствует о том, что эффективность менеджмента в управлении затратами, как правило, сопровождается более компетентной и взвешенной политикой по управлению рисками банка.
Было выявлено, что у банков со значительной долей розничных ссуд наблюдается более высокая доля просроченных кредитов. Это может объясняться высокой долей необеспеченных кредитов населению в розничных кредитах (около 75%) вследствие недостаточно развитого рынка ипотеки. Эти неипотечные ссуды оказываются более рискованные, чем корпоративные кредиты.
Анализ результатов оценивания показал наличие отрицательного эффекта рыночной власти банка на качество его ссуд - «market power-stability» view – см. Keeley (1990); Mamonov (2012), Fungacova , Weill, (2013). Банк с сильными позициями на кредитном рынке может повышать ставку по кредитам выше своих предельных издержек, тем самым зарабатывая дополнительную прибыль и, соответственно, воздерживаясь от принятия излишних кредитных рисков.
Была обнаружена значимая отрицательная связь между качеством ссуд и показателем кредитной нагрузки на активы. Видимо, данная связь отражает реализацию эффекта масштаба (снижение средней стоимости операции) при проведении мониторинга и скрининга заемщиков банками.
Устойчивость результатов, полученная при оценивании статической спецификации методом с фиксированными эффектами, проверялась несколькими способами (добавление дополнительных контрольных переменных, изменение выборки банков – см. табл. П8-9 в Приложении). В большинстве оцененных дополнительных моделей переменные сохранили знак влияния и значимость оценок.
Оценивание динамической спецификации с таким же набором макроэкономических и банк-специфичных факторов, как в «лучшей» статической модели FE-4 (по критерию наибольшего R2 по методу LSDV) приводит к неудовлетворительным результатам, поскольку большинство показателей на уровне отдельных банков становятся незначимыми (см. табл. П10, столбец GMM-0). Поэтому в динамической спецификации используется несколько иной список показателей по сравнению со статической.
Во всех спецификациях динамической модели было найдено строгое подтверждение гипотезы об инертности зависимой переменой.
В динамических моделях в уравнение качества ссуд отдельных банков значимо входит показатель диверсификации источников доходов банков (знак влияния – минус). Отрицательное влияние индекса Лернера, выявленное при оценивании статистической спецификации, сохраняется в динамической.
Для статической спецификации качество объяснения моделью данных составило 50-70% (R2 по методу LSDV), для динамической - еще выше: 70-80% (по показателю квадрата коэффициента корреляции между фактическими и модельными значениями зависимой переменной). Такие высокие показатели подгонки дают возможность провести факторную декомпозицию объясненной дисперсии.
Далее была проведена декомпозиция подогнанных значений качества ссуд отдельных банков по различным спецификациям и процентилям распределения выборки банков. Выделены две группы факторов: макро- и микроэкономические. Произведено разложение прироста доли просроченных кредитов за период 2 кв. 2008 г. - 2 кв. 2010 г. (минимальное и максимальное значение в рамках кризиса 2008-2009 гг.) по этим группам факторов. В качестве базовой спецификации использовалась статическая модель, поскольку в динамической спецификации значительная доля объясняющей силы приходится на лагированную зависимую переменную. Формулы расчета долей групп факторов следующие: Здесь изменение доли просроченных кредитов за счет макрофакторов определяется приростом суммы произведений макропоказателей и их коэффициентов. Расчет вклада микропеременных аналогичен макро, но с поправкой на прирост необъясненной части вариации зависимой переменной.
Результаты факторной декомпозиции свидетельствуют об определяющем влиянии макроусловий на ухудшение качества ссуд медианного банка в период 2 кв. 2008 г. – 2 кв. 2010 г. (данный вывод устойчив к изменению спецификации модели – см. Рисунок 17-а). по различным процентилям Макро Микро
Сравнение факторной декомпозиции выборки банков показало, что около 20% банков столкнулись с ростом доли просроченных кредитов в последний кризис во многом вследствие адаптации более рискованных бизнес-стратегий (вклад микрофакторов превышает вклад макро – см. Рисунок 17-б). При этом около 10% банков обладают повышенной устойчивостью к макрошокам (способностью им противостоять, по критерию отрицательного вклада микрофакторов, сопоставимого по модулю с макро – см. Рисунок 17-б). Проведенный анализ факторной декомпозиции позволил выявить группы банков, обладающие повышенной устойчивостью или уязвимостью к макроэкономическим шокам.
Применение сигнальных моделей агрегированного кредитного риска к анализу кризисного потенциала кредитного рынка России и среднесрочной устойчивости российского банковского сектора
На основе построенных моделей кредитных рисков в данной главе проводится анализ текущей и прогнозной устойчивости российского банковского сектора. Во-первых, с использованием сигнальной модели агрегированного кредитного риска оценивается текущий уровень уязвимости российского банковского сектора к реализации кредитного риска. При помощи этой модели выявляются факторы сложившейся кризисной ситуации на российском кредитном рынке. Во-вторых, с использованием эконометрической модели агрегированного кредитного риска строится сценарный прогноз качества ссуд совокупного кредитного портфеля российского банковского сектора. По двум наихудшим сценариям проводится стресс-тестирование банковского сектора России – анализируется его устойчивость к масштабным, но возможным шокам. При помощи стресс-тестов оценивается масштаб возможных проблем и необходимый объем поддержки банков со стороны государства в случае реализации негативных сценариев.
Применение сигнальных моделей агрегированного кредитного риска к анализу кризисного потенциала кредитного рынка России и среднесрочной устойчивости российского банковского сектора
Анализ динамики сигнального опережающего индикатора агрегированного кредитного риска российского банковского сектора свидетельствует о высокой вероятности реализации детектируемого риска в 2013 – начале 2014 г. Сводный опережающий сигнальный индикатор во 2-3 кв. 2012 г. находился в области высокой вероятности реализации кредитных рисков (роста доли проблемных и безнадежных ссуд за год) – см. Рисунок 18. Это было сигналом приостановки снижения доли «плохих» долгов в совокупном кредитном портфеле российского банковского сектора, а в худшем случае – «скачка» этой доли вверх. Исходя из длины лага опережения сигнального индикатора (4 квартала), тайминг реализации риска оценивался в период вплоть до 4 кв. 2013 г.
Однако, согласно официальным данным о доле NPL (ссуд 4 и 5 категорий качества) в кредитном портфеле российских банков по состоянию на 01.01.2014, идентифицируемое событие не реализовалось. При этом нельзя сказать, что модель полностью ошиблась: в 2013 г. на кредитном рынке наблюдался ряд негативных явлений, таких как рост неплатежей по кредитам (в основном, в розничном сегменте), приведший к росту доли проблемных и безнадёжных ссуд на 0.5 проц. п. за год (данные скорректированы на объем списаний и продаж «плохих» кредитов банков коллекторам; согласно официальной статистике, рост доли NPL за 2013 г. оказался нулевым).
Реализ. кредит. рисков - поворот тренда NPL (правая шкала) --Сводный опережающий индикатор кредитных рисков (KRS)
Анализ поведения компонент сводного индикатора - частных индикаторов - позволяет сделать вывод о том, что основным источником кредитных рисков банков является несбалансированность доходов и расходов экономических агентов. Во-первых, с начала кризиса 2008 г. наблюдается «фоновый» уровень риска в виде превышения потребительских и инвестиционных расходов над совокупным выпуском - ВВП. Во-вторых, в 2011 г. произошел переход домашних хозяйств от «сберегательно ориентированного» поведения к «потребительски-ориентированному». Этот переход привел к опережающему росту расходов населения по сравнению с доходами (в 2011-2012 гг. доля потребительских расходов в доходах росла более, чем на 2 проц. п. в год – см. Рисунок 20). Данный дисбаланс покрывался за счет быстрого расширения потребительского кредитования: темпы прироста розничных кредитов «разогнались» в 2012 г. до 50% в год (см. Рисунок 19) при макроэкономически безопасном темпе прироста в 10 20% (интервал динамики номинальных доходов населения). Особенно быстро рос сегмент высокорискованного необеспеченного нецелевого кредитования (POS-кредиты, кредиты наличными без определения целей, кредитные карты): темп прироста рынка в данном сегменте превысил 60% см. Рисунок 19, «иные потребительские ссуды». Это порождало дополнительные кредитные риски для банков – лидеров данных рынков, поскольку основной прирост закредитованности пришелся на высокорискованных заемщиков (проблема неблагоприятного отбора).
