Содержание к диссертации
Введение
Глава 1 Методологические проблемы скоринга
1.1 Сущность скоринга, его достоинства и недостатки
1.2 Применение скоринга в России
1.3 Виды скоринга
1.4 Технология скоринга при кредитовании физических лиц
1.5 Управление портфелем проблемных кредитов
1.6 Методологические проблемы скоринга Выводы к первой главе 49
Глава 2 Симулятивные модели и лексная методика скоринга
2.1 Эволюционно-симулятивные модели скоринга
2.2 Реализация эволюционно-симулятивных моделей скоринга в среде модуля Equilibrium инструментальной системы Decision и методические приемы подготовки исходной информации 2.3 Оценка кредитного риска при потребительском кредитовании на основе модели Маркова и эволюционно-симулятивной модели скоринга Выводы к второй главе 81
Глава 3 Гическая реализация комплексной методики инга
3.1 Вычислительные эксперименты с эволюционно-симулятивными моделями скоринга
3.2 Управление кредитными рисками при высокой волатильности рынков
3.3 Методические принципы определения рейтинга инвестиционной надежности предприятий-заемщиков на основе эволюционно-симулятивного моделирования Выводы к третьей главе 113
Выводы 114
Литература 117
- Применение скоринга в России
- Управление портфелем проблемных кредитов
- Реализация эволюционно-симулятивных моделей скоринга в среде модуля Equilibrium инструментальной системы Decision и методические приемы подготовки исходной информации
- Управление кредитными рисками при высокой волатильности рынков
Введение к работе
Актуальность темы исследования. Деятельность российских банков по кредитованию физических лиц находится в периоде взрывоподобного развития. Одним из наиболее эффективных методов оценки клиентов банка для выдачи им кредитов является'скоринговые методики. Скоринг является методом классификации всех потенциальных клиентов банка на различные группы. Основная цель классификации заключается в том, чтобы разделить всех потенциальных клиентов на «хороших» (т.е. таких, которые с высокой вероятностью вернут кредит и которым кредит следует предоставить) и «плохих» (т.е. которые, скорее всего, не вернут кредит и которым следует отказать). Причем термины «хороший» и «плохой» являются общепринятыми в данной области науки.
Применяемая в скоринге классификация основана на косвенных признаках. Прямые признаки «хороших» и «плохих» клиентов отсутствуют. Поэтому приходится пользоваться косвенными, известными характеристиками, такими, например, как доходы заемщика, уже имеющиеся у него займы, возраст, стаж работы на одном месте" (если речь идет о физическом лице) и др. На основе этих косвенных признаков и строится комплексный критерий классификации клиентов.
В последние годы появилось достаточно большое число публикаций по скори нгу, среди которых следует отметить работы Александрова А.Ю., Андреева Г.В., Заиченко Е.М., Заяц Д., Кармокова ДА, Купленкова М.Ю., Churchill G. A., Forgy Е. W., Henley W. Е, Myers J. Н., Nevin J. R., Watson R. R. и др.
Проблемы использование скоринга для анализа
кредитоспособности и его внедрения подробно описаны в работах Максутова Ю.Г., Манделя А.С., Наумова М.Ф., Строева А.А., и Бекарева А.В., а управление рисками изложено в работах Барановой Е.А. Давыдова Р.А., Ковалева П.П., Коробовой Г.Г., Лепетикова Л.В., Меликьяна Г.Г., Путиловского В.А., Пыхтина СВ., Резвановой Л.М.! Рыковой И.Н., Савинской Н.А., Слуцкого ДА, Солдатовой О.А.,' Сухова М.И., Фисенко Н.В. и других.
Большое количество публикаций в российских и зарубежных средствах массовой информации, освещающих практическую сторону скоринговых методов управления кредитами, являются показателем того, что накоплен большой материал, требующий систематизации и теоретического обобщения.
Таким образом, отмеченная актуальность и недостаточная комплексная проработанность рассматриваемой проблематики определили выбор цели, постановку задач, структуру и содержание исследования.
Цель диссертационного исследования заключается в разработке новой скоринговой методики оптимизации банковской деятельности при
кредитовании физических лиц и выработки методических рекомендаций по её практическому применению.
Комплексную методику скоринга будем связывать с созданием макета программной системы, которая позволяет решать задачи оценки надежности потенциального заемщика и нормативной надежности.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
1. Проведен анализ существующих методов скоринга, применяемых на российском и зарубежных кредитных рынках, выявлены их преимущества и их недостатки, сформулированы актуальные методологические проблемы скоринга.
-
Определены основные проблемы, препятствующие развитию кредитования населения в России, и разработаны рекомендации по их решению;
-
Обоснована система оценки кредитоспособности заемщиков на основе применения модели кредитного скоринга; предложены основные направления расширения целевой аудитории и развития системы кредитования населения.
-
Разработаны экономико-математические модели оценки расчета индивидуальной надежности заемщика и нормативной надежности на базе эволюционно-симулятивной методологии (ЭСМ1). По результатам тестирования моделей на имеющихся данных оценена их работоспособность.
5. Разработана универсальная методика скоринга, которая
включает расчет количественных оценок надежности заемщика и
нормативной надежности и позволяет оценивать кредитоспособность
заемщиков разных категорий, физических лиц, на основе сопоставления
этих надежностей.
6. Проведено экспериментальное исследование эффективности
комплексной методики; определен круг пользователей программных
продуктов реализующих предлагаемую комплексную методику.
Объектом исследования является банковская система кредитования физических лиц.
Предметом исследования являются экономико-математические модели и методы оценки надежности потенциального заемщика и нормативной надежности, закладываемые в скоринг-систему.
Теоретическая и аналитическая база исследования. Исследование проводилось в полном соответствии с ключевыми положениями экономической теории и системного анализа. Его методологическую основу составили труды отечественных и зарубежных ученых в области экономико-математического моделирования, теории вероятностей, математической статистики и других разделов науки. При
1 Аббревиатура ЭСМ используется для обозначения эволюционно - симулятивной методологии и также эволюционно - симулятивной модели. Из контекста ясно о чем идет речь
решении конкретных задач использовались известные методы математического программирования, методики и алгоритмы решения прикладных экономических задач.
Информационной базой работы выступили научные обзоры материалы периодической печати, нормативные документы' официально опубликованные данные российской и ' зарубежной статистики, доклады и материалы международных НТК, а также аналитические обзоры Всемирного банка, Всемирной торговой организации, РА Эксперт и др.
Работа выполнена в рамках специальности 08.00.13 -Математические и инструментальные методы экономики.
Новизна научного исследования заключается в разработке комплексной методики скоринга, модели которой базируются на равновесии кредитных рисков: завышения и занижения. Наиболее существенные научные результаты, полученные в диссертации:
-
Выявлены методологические проблемы скоринга, которые заключаются в возможности: искажения информации вследствие учета не всего множества потенциальных клиентов; изменения внешних и внутренних условий, делающие модели скоринга не адекватными-ошибок скоринга; «обмана» скоринговой системы, невозможность использование существующих западных моделей скоринга.
-
Предложен универсальный подход к разработке скоринговой методики управления кредитными рисками, в основе которой лежат две равновесные эволюционно - симулятивных модели: модель расчета норматива, устанавливающая границу по которой клиент относится к категории «хороший» или «плохой и модель вычисления индивидуальной надежности потенциального заемщика, которая позволяет оценить кредитоспособность клиента.
-
Определены понятия кредитных рисков завышения и занижения:
- применительно к задаче вычисления индивидуальной надежности
потенциального заемщика риск завышения возникает в случае если
конкретный заемщик не вернет в срок и с процентами выданный кредит
а риск занижения возникает в случае отказа выдать кредит
кредитоспособному клиенту.
- применительно к задаче нормативной надежности риск
завышения это риск признать плохого клиента за хорошего, а риск
занижения наоборот - это риск признать хорошего клиента за плохого.
4. Разработаны новые имитационные модели и алгоритмы получения оценки надежности заемщика, обеспечивающие оптимизацию кредитных рисков завышения и рисков занижения, то есть их равновесие.
5. Особенностью данного исследования является выбор такого набора исходных данных, которые позволяют количественно оценивать кредитные риски завышения и занижения, определять условия их
равновесия и соответствующие ему значения показателя надежности заёмщика. Отличительной особенностью методики является то, что в ней оперативно учитываются не только имеющиеся характеристические данные (данные, предоставляемые заёмщиком; данные из бюро кредитных историй и пр.), но и данные о точке зрения лиц, принимающих решение (экспертов банков).
6. Разработаны программная реализация предложенных ЭСМ в среде стандартного программного обеспечения Decision. Предложены методические приемы сбора, предварительной подготовки исходной информации и получении результатов расчета как норматива надёжности, так и индивидуальной надежности клиентов. Разработаны диалоговые процедуры исследования ситуации при планировании кредитования.
Апробация и внедрение результатов исследования. Основные положения диссертационного исследования докладывались и получили одобрительную оценку на Международной летней школе молодых ученых "Мировой финансовый кризис и его влияние на развитие финансовых систем" (Москва, 2009), Vll-й Международной научной конференции «Устойчивое развитие горных территорий в условиях глобальных изменений» (Владикавказ, 2010), а также на семинарах кафедр: "Менеджмента" МГУТУ, "Прикладной информатики" ВЗФЭИ и секции "Информационные технологии управления социально-экономическими системами" при НТС ВНИИПВТИ.
Результаты диссертационной.. работы используются ООО КБ «Алтайэнергобанк» для оптимизации деятельности банка по кредитованию физических лиц и выработки предложений по снижению его финансовых рисков. Отдельные положения диссертации будут использоваться в рамках дисциплины "Исследование операций", а также в преподавании специального курса "Информационные технологии в банковской деятельности".
Результаты внедрения подтверждены соответствующими документами.
Публикации. Основные положения по материалам диссертации нашли отражение в 5 научных публикациях, авторским объём 3,45 п.л., все они размещены в журналах, рекомендованных ВАК.
Применение скоринга в России
Скоринг является методом классификации всей интересующей нас популяции потенциальных клиентов банка на различные группы. Причем применяемая в скоринге классификация основана на косвенных признаках. Основная цель классификации - разделить всех потенциальных клиентов на «хороших», то есть тех которые с высокой вероятностью вернут кредит, и «плохих», которые, скорее всего, кредит не вернут. Причем термины «хороший» и «плохой» являются общепринятыми в данной области науки. Прямые признаки «хороших» и «плохих» клиентов отсутствуют - нам неизвестна характеристика, которая непосредственно разделяет всех потенциальных клиентов на эти группы. Поэтому приходится пользоваться косвенными, известными нам характеристиками, такими, например, как доходы, уже имеющиеся у клиента займы, возраст, стаж работы на одном месте и др. На их основе необходимо построить комплексный критерий классификации.
В математике идеи классификации известны давно. По существу всякое взаимно-однозначное отображение на любом множестве выделяет в этом множестве подмножества, которые уже являются классами. В математической статистике идеи классификации популяций на группы были разработаны Фишером в 1936 г. на примере растений. Затем, в 1941 г. Дэвид Дюран впервые применил данную методику к классификации кредитов на «плохие» и «хорошие».
По времени это совпало со Второй мировой войной, когда почти все кредитные аналитики были призваны на фронт, и банки столкнулись с необходимостью срочной замены этих специалистов. Банки заставили своих аналитиков перед уходом написать свод правил, которыми следовало руководствоваться при принятии решения о выдаче кредита, чтобы анализ мог проводиться неспециалистами. Это и был как бы прообраз будущих экспертных систем скоринга.
В начале 50-х годов в Сан-Франциско образовалась первая консалтинговая фирма в области скоринга - Fair Issac, которая до сих пор является лидером среди разработчиков скоринговых систем.
Широкое применение скоринга началось с распространением кредитных карточек. При том количестве людей, которые ежедневно обращались за кредитными карточками, банкам ничего другого не оставалось, как автоматизировать процесс принятия решений по выдаче кредита. Однако очень скоро они оценили не только быстроту обработки заявлений на выдачу кредита, но и качество оценки риска. По данным некоторых исследований, после внедрения скоринг-систем уровень безнадежного долга сокращался до 50% [6; 7].
В 1974 г. в США был принят Закон о предоставлении равных возможностей на получение кредита, который запрещал отказывать в выдаче кредита на основании следующих характеристик: раса, цвет кожи, национальное происхождение, возраст, пол, семейное положение, религия, получение социальных пособий, отстаивание прав потребителей. В Великобритании законодательство допускает использование информации о возрасте и семейном положении, но зато запрещает принимать во внимание какие-либо физические увечья и недостатки (инвалидность). Для кредитных организаций использование скоринговых систем стало доказательством исполнения этих антидискриминационных законов. Очевидно, что у компьютера нет предубеждений.
Помимо установления принципов равноправия в области кредитования, кредитное законодательство США, как и Закон о потребительском кредите, принятый в Великобритании в том же 1974 г., имели важное значение для формирования службы кредитных и бюро. В таких бюро записывается кредитная история всех людей, когда-либо обращавшихся за ссудой в любую кредитную организацию страны. В кредитных бюро содержатся следующие виды данных: - социально-демографические характеристики; - судебные решения (в случае передачи дел о востребовании задолженности по кредиту в суд); - информация о банкротствах; - данные об индивидуальных заемщиках, получаемые от кредитных организаций по принципу «ты - мне, я - тебе», т. е. банк может получать информацию о клиентах других банков, только если сам поставляет аналогичную информацию.
Объем и характер информации, хранящейся в бюро, строго регулируется законодательством каждой страны. В «Банковских технологиях» уже была публикация о кредитных бюро в сентябре 1999 г. - «Вопросы учреждения кредитного бюро в России». Хотелось бы добавить, что помимо рассмотренных моделей бюро существуют и транснациональные коммерческие компании, такие как Ехреп ап, Equifax, TransUnion, Scorex. Эти компании сами используют скоринговые системы, и во многих случаях продают клиентам не «сырую» информацию, а уже готовый интегральный показатель, который вводится в автоматизированную систему кредитной организации.
Значение кредитных бюро чрезвычайно велико, их существование позволяет кредитным организациям выдавать ссуды клиентам, которые ранее в этой организации не обслуживались. Кроме того, общепризнанной является ценность предыдущей кредитной истории для прогнозирования вероятности дефолта.
Управление портфелем проблемных кредитов
В параграфе 2.1 нами была высказана идея применения эволюционно-симулятивного метода для скоринга. Практическая реализация этой идеи предполагает программную реализацию предложенных эволюционно-симулятивных моделей (ЭСМ) в среде модуля Equilibrium инструментальной системы Decision. При этом возникает ряд нетривиальных методических вопросов, которые мы пытаемся разрешить в данном параграфе. К числу этих вопросов относится, прежде всего, разработка имитационных моделей в составе ЭСМ и соответствующие способы подготовки исходных данных.
Пусть x-i, х2, ... , хп - характеристики потенциального клиента, претендующего на получение кредита, w0, w1t ... wn - коэффициенты линейной регрессии, р - вероятность дефолта. В 2.1 мы рассматривали регрессионную зависимость: р = w0 + w-ix-, + w2x2 + ... + wnxn , (2.1) При этом, проблема заключается в том, что для построения регрессионной зависимости (2.1), например, с помощью метода наименьших квадратов, предварительно необходимо сопоставить каждому набору характеристик х , і = 1,...,п в правой части уравнения, некоторую вероятность р. Причем важно, чтобы эта переменная принимала не только два значения: 0 - когда клиенту отказано в кредите и 1 - когда кредит выдан, но и любые промежуточные значения в интервале [0; 1]. Иначе говоря, нас интересует не только факт выдачи или не выдачи кредита, но и вероятность того, что клиент с данным набором характеристик получит кредит.
Для решения данной проблемы, говоря формально, можно было бы выполнить следующую предварительную подготовку информации: - составить группы клиентов (кластеры) с одинаковым или близким сочетанием характеристик; - подсчитать, сколько в каждом кластере имеется тех клиентов, которым кредит фактически был выдан («хороших клиентов»); - оценить вероятность выдачи кредита клиенту из данного кластера как отношение числа хороших клиентов к общему числу клиентов.
Поскольку число характеристик п достаточно велико (около 20) то деление интервала возможных значений каждой характеристики скажем на 10 равных частей приведет к возникновению 10п кластеров (например, 1020), что, очевидно, слишком велико и поэтому практически не реализуемо. В связи с этим необходимо избежать указанного способа формирования кластеров или использования кластеров вообще. В частности, можно предложить имитационную модель получения реализаций вероятности р выдачи кредита в зависимости от реализации значений характеристик х(, і = 1,...,п основанную на следующих алгоритмах: - поскольку для каждой характеристики имеются достаточные статистические данные, мы можем рассматривать их как реализации xf,i = 1,...,n характеристик, где е - номер статистического испытания (либо можно, исходя из имеющейся статистики, построить имитатор, с помощью которого получать реализации х, і = 1,..., п); - выбираем стандартную, например, 10%-ую окрестность Л вокруг точки {xj\i = 1,...,nj, иначе говоря А = x±x? 0,1J,i = 1,...,nJi где в квадратных скобках указан интервал стороны в пространстве Еп; - из имеющегося массива фактических данных об обращениях за кредитами находим совокупность Q таких обращений, характеристики которых попадают в окрестность Д; - в качестве реализации вероятности р выдачи кредита примем отношение количества выданных из Q к общему числу обращений в Q.
Данный алгоритм может быть формализован. Мы приведем формализацию этого алгоритма на языке VBA. Пусть имеется массив запросов за кредитами, и: к - номер элемента, і номер характеристики, К - количество элементов массива, I - количество характеристик. Тогда массив исходных статистических данных о запросах на кредиты и о выданных кредитах имеет вид: х(і,к), і = 1,...,l, к = 1,...,К. Объем массива достаточно велик, в частности, К может достигать десятков тысяч. Пусть: xv(i) - верхняя граница характеристики k, xn(i) - нижняя граница; х(0,к) принимает значение 1 - если кредит выдан и 0 - если нет: xe(i) - реализация характеристики і в интервале [xn(i); xv(i)], р(е) -реализация вероятности выдачи кредита, полученная в статистическом испытании е, Е - общее число статистических испытаний. Тогда алгоритм статистических испытаний имеет вид (2.10). Данный алгоритм требует достаточно больших вычислительных мощностей, но, тем не менее, он практически реализуем. При этом, однако, данный подход не лишен еще одного существенного недостатка, присущего всякой статистической информации. Он отражает фактическое положение. В частности, статистические данные о выданных и не выданных кредитах отражают сложившуюся практику и политику кредитного учреждения, которая совершенно не обязательно является хорошей или хотя бы удовлетворительной. Поэтому данный алгоритм применим в случае, если имеется некоторое эталонное кредитное учреждение, которое хорошо, в каком-то смысле почти идеально, выдает кредиты. For е = 1 to Е \ For і = 1 to I xe(i) = xn(i) + (xv(i) - xn(i)) rnd Next і V = 0: W = 0 For k = 1 to К D = 0 For і = 1 to I If x(i,k) xe(i) 0,9 and x(i,k) xe(i) 1,1 then D = D + 1V (2.10) Next і If D = I then V = V+ 1: W = W + x(0,k) End if Nextk p(e) = W / V Next e J
В этой связи возникает необходимость получать реализации не столько фактических условий выдачи кредитов, сколько желаемых с точки зрения достаточно квалифицированных экспертов. Поскольку характеристик много, то по указанным выше причинам выделить кластеры и экспертно их оценить невозможно. Очевидно, что экспертам нельзя предложить 1020 вариантов кластеров для сопоставления.
Вместе с тем, можно экспертно оценить желаемые значения каждой характеристики и оценить предпочтения характеристик. Чтобы сделать поставленную таким образом задачу практически осуществимой, следует выделить не более 5 интервалов в области значений каждой характеристики и оценить в 6-й бальной шкале (оценки 0, 1, 2,...,5) достаточность каждого значения для выдачи кредита. Мы ограничимся случаем, когда имеется 3 интервала, что можно считать практически приемлемым. Пример оценок для 3-х характеристик и 3-х интервалов представлен в таблице 4. Из этой таблицы однозначно понятны основные технические особенности формирования оцениваемых величин и сами экспертные оценки.
Реализация эволюционно-симулятивных моделей скоринга в среде модуля Equilibrium инструментальной системы Decision и методические приемы подготовки исходной информации
Для каждого кластера клиентов составляется уравнение логистической регрессии, по которому определяется вероятность востребования задолженности с учётом фактических значений рассмотренных в таблице 5 факторов оплаты.
Альтернативным и более надежным способом расчета PG может служить решение задачи (2.17), (2.13"), (2.14м), (2.16) в предположении, что PG = PL. Следовательно, модель (2.17), (2.13"), (2.14"), (2.16) заменяет уравнение (2.27).
Обратимся теперь к рассмотрению возможностей усовершенствования организационной системы кредитного риск-менеджмента при потребительском кредитовании.
Концептуально систему кредитного риск-менеджмента можно определить как специально внедренную в систему кредитования структуру, главное предназначение которой - планирование, организация, реализация и контроль принимаемого кредитной организацией риска.
В соответствии с требованиями Банка России, участниками процесса управления кредитным риском являются: Совет директоров, Правление, Кредитный комитет, структурные подразделения, ответственные за управление рисками, Служба внутреннего контроля.
В связи со спецификой потребительского кредитования, данный состав участников в [10,11] предлагается откорректировать.
Во-первых, управление кредитным риском предполагает наличие этапа планирования, который является основой для дальнейшего управления. Для принятия стратегии необходим анализ возможных альтернатив, пространства решений, что в свою очередь требует создания соответствующих моделей оценки, анализа факторов. Поэтому данный этап предполагает наличие отдельной организационной единицы как участника процесса стратегического планирования кредитной организации. В связи с этим, предлагается включить подразделение по планированию в организационную структуру управления кредитным риском. В обязанности этого подразделения следует вменить расчет норматива для скоринговых расчетов, то есть сбор информации и решение задачи (2.10), (2.13 ), (2.14 ), (2.15) для расчета No.
Во-вторых, кредитный процесс включает в себя такие этапы как предоставление кредитов и мониторинг обслуживания ссуд. Поскольку специализация подразделений является одним из способов повышения эффективности их работы, представляется верным организационно отделить подразделения по кредитованию и подразделения по мониторингу обслуживания ссуд.
В-третьих, потребительское кредитование ввиду массовости и низкой стоимости отдельных требований имеет специфику. Она заключается в том, что принятие решений по каждой сделке осуществляется на уровне исполнителей и не требует непосредственного участия руководства кредитной организации. При этом вся ответственность распределяется между рядовыми сотрудниками, а руководство различных уровней только определяет правила их работы и контролирует их соблюдение. Поэтому в потребительском кредитовании принятие решений стандартизовано и происходит на нижнем уровне управления, а на верхнем уровне сосредотачивается планирование, организация (определение участников, правил) и контроль. Данная особенность приводит к изменению функционала подразделений-участников. На нижнем уровне управления для каждого потенциального кредитора в режиме диалога должна решаться задача (2.17), (2.13"), (2.14"), (2.16) и рассчитываться PL. При этом на нижнем уровне управления рекомендацией для выдачи кредита является, как уже отмечалось, выполнение условия PL No.
Кроме этого, в потребительском кредитовании принятие решений о предоставлении кредитов может осуществляться как при помощи кредитных комитетов, так и при помощи иных структур, функционирующих, возможно, даже без участия человека. Поэтому термин кредитные комитеты не в полной мере отражает специфику данного вида кредитования, и его предлагается изменить на термин «подразделения кредитования». Хотя полное отсутствие человека вряд-ли является возможным и целесообразным. С одной стороны, именно человек и только человек может нести юридическую и материальную ответственность за принимаемые решения, с другой стороны, поскольку в функции подразделения вменяется решение задачи (2.17), (2.13"), (2.14"), (2.16), то участие человека необходимо для ведения диалога с ЭВМ.
В-четвёртых, при потребительском кредитовании ввиду массовости и некоторых упрощений в процедурах оценки заявителей, важным является спрос, а именно, кредитоспособность заявителей и их уровень кредитного риска. Предполагается, что особенное значение должно уделяться вопросам управления качеством спроса с точки зрения кредитного риска. Поэтому перечень участников системы кредитного риск-менеджмента предлагается дополнить подразделениями по продвижению услуг, которые посредством управления каналами продаж, рекламой и иными инструментами, воздействуют на спрос с целью обеспечить желаемое качество.
Управление кредитными рисками при высокой волатильности рынков
В качестве дополнительных, вспомогательных, методов оценки рейтинга инвестиционной надежности могут быть использованы экспертные оценки, которые получили широкое распространение в настоящее время. Данный подход опирается на знания и профессиональную интуицию компетентных специалистов и применяется в тех случаях, когда формальные методы современной математики не способны принести необходимый результат. Ограниченность методов экспертных оценок в том, что в них присутствует субъективный элемент и возможность ошибочного суждения.
Анализ информационной среды российского рынка долговых инструментов позволил сделать вывод, что использование каждого метода в отдельности не представляется возможным в виду многочисленного числа ограничивающих факторов.
Исходя из проведенного исследования, было принято решение использовать комбинированный подход для определения рейтинга инвестиционной надежности предприятия-заемщика, включающего в себя статистические и стохастические методы. Так как, в российской практике отсутствует довольно полная база данных по дефолтам предприятий-заемщиков, или таковой не имеется в свободном доступе, в работах [18; 19; 20] была поставлена задача создать скоринговую модель без использования набора заемщиков, потерпевших дефолт. Было принято решение использовать вероятности дефолтов, полученные на основе модели качественных спрэдов доходности.
Под вертикальным спрэдом или опционным спрэдом понимается одновременная покупка и продажа одинакового числа опционов одного класса с разными ценами и одинаковой датой исполнения. Вертикальный спрэд применяется в расчете на получение прибыли на разнице в премиях. К вертикальным спрэдам относятся: бычий дебетовый колл спрэд, медвежий дебетовый пут спрэд и их разновидности.
Под спрэдом доходности корпоративных облигаций имеют в виду разницу между доходностью к погашению для них и для каких-нибудь еще облигации (часто государственных ценных бумаг), имеющих сходные сроки погашения и купонные ставки. Чем больше риск неплатежа, тем больше должен быть этот спрэд. Более того, облигации, имеющие большую ликвидность, возможно, содержат дополнительную "надбавку" в своей цене и, следовательно, предлагают более низкую доходность к погашению с соответственно более низким спрэдом. Если взять достаточно большую выборку облигаций, то можно увидеть, существует ли на самом деле эта взаимосвязь.
Для определения вероятности невыполнения платежных обязательств использовались четыре показателя:
1. Величина колебаний чистого дохода фирмы за последние 9 лет (измеренная через коэффициент изменения дохода, т.е. отношение стандартного отклонения доходов к средним доходам).
2. Время, в течение которого фирма осуществляла свою деятельность без ощутимых потерь для собственных кредиторов.
3. Отношение рыночной стоимости собственного капитала фирмы к номинальному размеру ее долга.
4. Рыночная стоимость обращающихся долговых обязательств фирмы (показатель ликвидности).
Можно построить корреляционную зависимость спрэда доходности от названных показателей. Для этого наряду со спрэдами доходности рассчитываются названные показатели для каждой из облигации из достаточно большого набора (расчет был выполнен для 366 облигаций). Далее вычислялся логарифм каждого спрэда доходности и каждого показателя. Затем для анализа взаимоотношения между спрэдом доходности облигаций и этими показателями используются статистические методы. При этом может быть получена линейная зависимость следующего вида: 0,987 + 0,307 (колебания доходов) - 0,253 (время Спрэд _без неуплат) - 0,537 (собственный капитал / доходности номинальная величина долга) - 0,275 (рыночная стоимость долга). Посредством этого уравнения было объяснено примерно 75% различий между разбросами процентных ставок облигаций. Преимущество уравнения такого типа в том, что можно легко интерпретировать его коэффициенты. Поскольку все спрэды процентных ставок и цены были прологарифмированы, эффект получился похожим на тот, который получился бы при использовании относительных шкал по всем осям диаграммы. Это означает, что при увеличении доходов по облигации на 1% можно ожидать увеличения спрэда доходности примерно на 0,307% при прочих равных условиях. Точно так же можно ожидать, что увеличение на 1% времени, в течение которого все выплаты производились регулярно, вызовет понижение спрэда доходности приблизительно на 0,253% и т.п. Каждый коэффициент является коэффициентом эластичности, отражающим процентное изменение спрэда доходности облигации, соответствующее изменению связанных с этим спрэдом параметров на 1%. Так как каждый показатель оказался связанным соответствующим образом со спрэдом доходности, то их изучение в значительной мере подтвердило то положение, что облигации с большим риском неплатежа и меньшей ликвидностью имеют более высокий спрэд доходности.
