Решение проблемы несбалансированности данных
|
Скачать 1.02 Mb.
|
|
1.2 Оценка качества моделей бинарного выбора Целью использования моделей, позволяющих оценивать вероятность банкротства, является разделение финансово устойчивых и проблемных банков. Для проверки возможности применения модели для классификации банков необходимо оценить ее качество. Данный раздел посвящен способам оценки качества моделей бинарного выбора. Более подробно остановимся на оценке качества результатов, получаемых с помощью логистической регрессии. Для достижения высокого качества модели необходимо учитывать предпосылки, на которых базируется выбранный метод оценки. Logit-модель относится к классу параметрических методов оценки вероятности, что накладывает ряд ограничений на используемые данные. Прежде чем приступить непосредственно к построению модели логистической регрессии, необходимо провести предварительный анализ данных и выбрать наиболее дескриптивные переменные. Сложность применения параметрических методов заключается в их зависимости от вида распределения используемых переменных. Для получения наиболее качественных оценок желательно, чтобы исходные данные были распределены нормально и выборка была однородна (Айвазян, 2001). Нормальность распределения данных можно проверить с помощью графического анализа гистограммы и критерия Жарка-Бера. Следующим этапом отбора возможных предикторов банкротства служит оценка их дискриминационной способности, для чего используется тест на равенство средних между двумя категориями. Одним из наиболее распространенных тестов на равенство средних служит одномерный дисперсионный анализ (ANOVA). Его основная идея состоит в том, что статистически значимое равенство средних между подгруппами достигается при равенстве вариаций средних между группами и внутри каждой из групп. Для двух априорных категорий может быть применим тест Стьюдента (t-test). В том случае когда дисперсии внутри групп непостоянны, используется Welch тест, который при выделении двух подгрупп переходит в Satterthwaite тест. Одной из проблем, присущих параметрическим методам, является мультиколлинеарность, заключающаяся в сильной корреляционной зависимости между факторами, включенными в модель. Наличие мультиколлинеарности в модели приводит к росту стандартных ошибок, что затрудняет интерпретацию результатов. Для нелинейных моделей, к которым, в частности, относится Logit-модель, проблема мультиколлинеарности не столь существенна, однако не стоит допускать слишком близкой зависимости между факторами. Учет обозначенных ограничений позволяет получить устойчивые и статистически значимые оценки коэффициентов. Значимость каждого коэффициента и модели в целом может быть проверена с помощью теста Вальда. Использование логистической регрессии позволяет давать интерпретацию только знака перед коэффициентом, а не его абсолютного значения. Оценить степень влияния каждого фактора на вероятность банкротства позволяет расчет предельных эффектов приращения, которые показывают, на сколько процентов изменится вероятность при изменении показателя на единицу. Предельный эффект рассчитывается следующим образом:  (1)где Хi – объясняющий фактор, а βi – коэффициент перед ним, L – функция логистической регрессии (Айвазян, 2001). Сложность расчета предельных эффектов заключается в непостоянстве производной на всем диапазоне значений. Значение производной зависит от того, в какой точке она рассчитывается. Наиболее часто в исследованиях находят предельный эффект для среднего банка, используя ожидаемые значения каждого фактора. Однако, средние значения наиболее чувствительны к выбросам, в силу чего имеет смысл рассчитывать предельные эффекты для медианных значений (квантиль уровня 0,5). После разбора сложностей, возникающих на этапе построения модели, можно преходить к описанию способов оценки ее качества. Для оценки качества моделей бинарного выбора удобно использовать классификационную таблицу, в которой отражается сколько наблюдений было верно разнесено по их априорным категориям, а в определении скольких модель допустила ошибку. Под ошибкой понимается признание фактического банкрота финансово устойчивым (I-рода) или определение здорового банка как будущего банкрота (II-рода). Для построения данной таблицы необходимо установить критическое значение вероятности, после которого банк признается банкротом. Пороговый уровень вероятности выбирается исследователем так, чтобы ниже него оказалось максимальное число действительно устойчивых банков и минимальное число фактических банкротов, выше выбранного уровня должна складываться обратная ситуация. Более наглядным способом сравнения моделей и оценки их качества является построение ROC-кривой, которая отражает зависимость доли истинно положительных случаев от доли ложно положительных случаев. По оси Y откладывается норма попаданий, которая рассчитывается как отношение числа верно определенных банкротов при различных пороговых значениях вероятности к общему числу банков-банкротов. На оси абсцисс отображается изменение коэффициента ложной тревоги, который представляет собой долю здоровых банков, отнесенных к банкротам, в общем числе банков-небанкротов. Для идеально классифицирующей модели ROC-кривая проходит через левый верхний угол, что характеризуется правильным выделением всех банкротов без причисления к ним финансово устойчивых банков. Исходя из этого, чем выше изгиб прямой, тем выше прогнозная сила модели. В случае, когда графический анализ не позволяет сравнить качество моделей, рассчитывается площадь под ROC-кривой. Качество модели тем лучше, чем большая площадь оказывается под графиком (Lanine, Vennet, 2006). Помимо общего числа допущенных ошибок при выборе критического уровня вероятности необходимо учитывать их вид. Для исследования, посвященного оценке финансовой устойчивости организаций, более важным является недопущение появления ошибок II-рода, то есть классификации ненадежных банков как здоровых. Появление ошибок II-рода приводит к более негативным последствиям и серьезным издержкам как для вкладчиков банка, так и для его кредиторов. Допущение моделью ошибок того или иного рода характеризует ее чувствительность и специфичность. Под чувствительностью понимается доля истинно положительных случаев, то есть банкротов, классифицированных как банкротов. Свойство специфичности модели заключается в определении истинно отрицательных случаев, то есть отнесении финансово здоровых банков к небанкротам (Louzada et al., 2012). Другой характеристикой, учитывающей большую значимость ошибок II-рода, служит взвешенный показатель эффективности (Kolari, Caputo,Wagner, 1996). WE = (FCC/PF)*(FCC/AF)*CC , где FCC — количество верно классифицированных банкротов, PF — количество банков, классифицированных как банкроты, AF — количество фактических банкротов, CC — процент верно классифицированных банков. Особенностью построения логистической регрессии является необходимость обучения модели на банках обеих категорий. В генеральной совокупности число банков-банкротов значительно ниже, чем небанкротов, что усложняет применение логистической регрессии. Недостаточное число банкротов выражается в большом количестве ошибок II-рода, допускаемых моделью (Louzada et al., 2012). Улучшение диаграммы ошибок может быть достигнуто путем регулирования порогового уровня вероятности. При снижении критического уровня точность классификации банкротов повышается, однако это оказывает значительное негативное влияние на точность выявления финансово устойчивых банков и, как следствие, общую точность модели. Другим способом повышения качества классификации банкротов является балансировка используемой в исследовании выборки. Выделяют несколько способов, позволяющих сбалансировать выборку (He et al., 2009):
Важной характеристикой модели является не только возможность классификации банков определенной выборки, но и ее применимость для любого другого набора банков. Недостатком модели, построенной с помощью логистической регрессии, может стать ее переобучаемость, то есть сильная зависимость полученных оценок от обучающей выборки (Карминский и др., 2012). Одним из способов проверки модели на переобучаемость является ее тестирование на большом числе подвыборок, составленных из исходной выборки и включающих в себя всех банкротов и заданное число небанкротов (Hosmer, Lemeshow, 2000). Хорошее качество модели определяется стабильностью знаков и значимости коэффициентов. Другим способом оценки возможности применения модели вне выборки является использование тестирующей выборки. Составление тестирующей выборки в соответствии с хронологическим принципом в большей степени соответствует реальным задачам. Сохранение высокой классификационной точности для тестирующей выборки говорит об устойчивости полученных коэффициентов и возможности использования модели для банков, не рассматриваемых в исследовании. Проведенный обзор литературы показал, что для построения модели высокого качества необходимо принимать во внимание все ограничения, возникающие при использовании логистической регрессии, и проводить предварительный анализ данных. При оценке качества модели помимо общей классификационной точности следует учитывать структуру ошибок, допускаемых моделью. 1.3 Факторы, определяющие финансовую устойчивость банков Согласно российскому законодательству банкротство кредитных организаций определяется как «признанная арбитражным судом неспособность удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей» [3]. Кредитная организация принимается неспособной удовлетворить данные требования, если они не исполнены ею в течение четырнадцати дней после наступления даты исполнения и (или) стоимости имущества (активов) кредитной организации для этого недостаточно (Закон «О несостоятельности кредитных организаций», ст2). Зачастую исследователи расширяют круг причин, по которым банк может относиться к классу несостоятельных. Например, в работах группы авторов (Карминский, Пересецкий и др., 2003, 2004) банковский дефолт признается не только по факту отзыва банковской лицензии, но и при попадании банка под управление АРКО. В то же время, если у банка была отозвана лицензия, но его финансовое состояние оценивается как удовлетворительное (было произведено слияние или поглощение), то банк исключался из числа банкротов. В работе С.М. Дробышевского, А.В. Зубарева (Дробышевский, Зубарев, 2011) банк признавался банкротом при выполнении хотя бы одного из условий:
В отдельных исследованиях выделяются особенности моделирования отзыва лицензий российских банков по причинам махинаций (Пересецкий, 2010). Основная идея работы Пересецкого состоит в разделении причин дефолта на неудовлетворительное состояние кредитной организации и на формулировку «отмывание денег». Исследование строится на основе российских банков, потерявших лицензию с 2 квартала 2005 года по 4 квартал 2008 года. Исследование показало, что для прогнозирования каждой из причин дефолта необходимо использование значительно различающихся наборов переменных. Выделение в отдельную группу банков, занимавшихся «отмыванием денег», позволяет повысить точность классификации финансово неустойчивых банков. Важным вопросом, встающим перед каждым исследователем, занимающимся прогнозированием банкротства, является выбор параметров, способных помочь в оценке его вероятности. Несмотря на длинную историю попыток прогнозирования банкротства, однозначный ответ на данный вопрос еще не найден. Наиболее традиционным является использование информации, содержащейся в бухгалтерской отчетности организации, так как она находится в открытом доступе. Согласно положению ЦБ РФ «О публикуемой отчетности кредитных организаций и банковских/консолидированных групп» №1270-У от 14 апреля 2003 года банки обязаны публиковать в открытой печати годовую и квартальную отчетности. При этом годовой отчет обязательно подтверждается аудиторской организацией, в то время как заверение квартальной отчетности производится на усмотрение банка. Достоверность квартальной отчетности подтверждена в меньшей степени, чем годовой, однако она позволяет более оперативно получать сведения о функционировании банка [5]. «В целях расширения состава размещаемой кредитными организациями информации на сайте Банка России в сети Интернет Банк России считает целесообразным рекомендовать кредитным организациям размещать дополнительные сведения об их деятельности ежемесячно» [7]. На данный момент 906 из 911 кредитных организаций согласились на раскрытие информации. Использование ежемесячной бухгалтерской отчетности дает возможность более точного выбора горизонта прогнозирования и проверки финансового состояния банка на даты, наиболее близкие ко времени потенциального банкротства, что учитывает высокую скорость изменения степени его устойчивости. В то же время, месячные данные в большей степени подвержены цикличности, нежели квартальные. Несмотря на открытость бухгалтерской отчетности банков, наиболее часто исследователи используют данные, предоставляемые российскими информационными агентствами, такими как «Мобиле» или «Интерфакс». Данные, публикуемые агентствами, носят квартальный характер. В связи с дискретностью получаемой информации, возникают сложности с выбором оптимального горизонта прогнозирования. Различные горизонты прогнозирования были использованы в работе Ж. Колари (Kolari, 2002). Выборка, используемая в исследовании, содержала 50 банков, обанкротившихся в период с конца 1980-х до середины 1990-х. Величина активов каждого банка превосходила 250 миллионов долларов. Выборка банков-небанкротов формировалась по методу подобия, в основе которого лежал размер банка, а дополнительным критерием выступала схожесть экономических и конкурентных условий регионов, в которых действуют банки. Оценка вероятности банкротства крупных банков США производилась за 1 и 2 года до потенциального наступления события. При прогнозировании вероятности за 1 год до банкротства общая точность модели, проверенная на тестирующей выборке, составила 70%. Модель верно классифицировала 56% банкротов и 84% небанкротов. При увеличении горизонта прогнозирования до 2 лет общая точность модели, проявленная на тестирующей выборке, снизилась до 60%. Модель выявила 44% будущих банкротов и 76% сохраняющих устойчивость банков. Рассмотрим практику выбора горизонта прогнозирования в исследованиях, посвященных российским банкам. В работе коллектива авторов с участием А.М. Карминского, А.А. Пересецкого (Головань, Карминский и др., 2003) длина шага прогнозирования была принята в 2 года, так как по экспертным оценкам этот период является достаточным для завершения процедуры банкротства. Согласно диаграмме распределения числа отзывов банковских лицензий во времени, в выборку вошло 255 случаев банкротства. С учетом специфики составления выборки, в исследовании рассматривалось 2903 случая продолжения функционирования банка в течение следующих 2 лет. Для оценки прогнозной силы построенных моделей авторы находили доли фактических банков-банкротов, попавших в 100 и 500 «самых плохих» эпизодов, и долю банков-банкротов, вошедших в 100 и 500 «самых устойчивых» эпизодов, с точки зрения модели. При выборе порогового значения вероятности на уровне, соответствующем признанию 100 «самых плохих» в качестве банкротов, общая точность базовой модели составила 90%. Однако, модель верно классифицировала лишь 8,2% банков-банкротов. При повышении пороговой вероятности выживания (банкротами признавались 500 «самых плохих» эпизодов) общая точность модели снизилась до 81,7%, а точность выявления банкротов возросла до 34,5%. Более короткие горизонты прогнозирования исследуются в работе Г. Ланина и Р. Веннета (Lanine, Vennet, 2006). Оценка вероятности банкротства производится ежеквартально в течение 1 года. Используемые объясняющие факторы и зависимость их значимости от временного горизонта будут описаны позднее. Вернемся к вопросу отбора факторов, которые могут оказывать влияние на вероятность банкротства банков. Одна из задач банка - максимизация прибыли при заданном уровне риска. При этом особенностью банковской деятельности является работа с высоким уровнем рычага. Кроме того, неликвидные активы, представленные в виде кредитов, финансируются за счет ликвидных обязательств, или депозитов. Таким образом, банк непременно сталкивается с тремя видами рисками: риском ликвидности, риском дефолта и риском недостаточности капитала. Риск ликвидности заключается в необходимости банку иметь достаточно наличных средств для бесперебойного обеспечения изъятия вкладов. Риск дефолта отражает возможность невозврата кредита заемщиком вследствие асимметрии информации о его финансовом состоянии. Большой рычаг является причиной возникновения риска нехватки собственного капитала, то есть необходимости иметь достаточный уровень средств для обслуживания непредвиденных потерь. Основой успешной банковской деятельности является соблюдение баланса между прибыльностью и рискованностью. Владение низко ликвидными активами, выдача высоко рискованных кредитов и работа с большим рычагом увеличивают величину ожидаемой прибыли, но вместе с ней растет и риск, который принимает на себя банк. Данные особенности функционирования банков послужили основой для выбора потенциальных предикторов банкротства в работе Г. Ланина, Р. Веннета. В качестве объясняющих переменных использовались параметры, отражающие прибыльность и возможные виды риска. Кроме того, в анализ включалась переменная, отвечающая за размер банка (Lanine, Vennet, 2006). В качестве показателя, характеризующего прибыльность банка, была выбрана рентабельность активов (ROA). Высокий уровень рентабельности характерен для сильных банков с низкой вероятностью банкротства. Для оценки подверженности банка риску ликвидности авторы используют два показателя: доля ликвидных активов и доля государственных ценных бумаг в общей стоимости активов. Анализ используемой выборки показал, что среднее значение первого из показателей значительно снижается в классе банков-банкротов по сравнению с банками-небанкротами. Второй показатель был включен в модель прогнозирования, так как государственные ценные бумаги могут быть легко проданы в случае недостатка ликвидности, но при этом они не учитываются в составе первого показателя. В рассматриваемом исследовании выборка была составлена из российских банков за период с 1991 по 2004 года. Таким образом, дополнительной причиной включения в модель показателя доли государственных ценных бумаг было объявление по ним в 1998 году дефолта, что стало причиной ухудшения финансового положения многих банков. Кредитный риск также был представлен двумя переменными: долей просроченных кредитов и векселей в общем объеме кредитов, что характеризует качество портфеля, и долей кредитов в общей стоимости активов. Для обоих показателей наблюдалась положительная зависимость с оценкой вероятности банкротства. Достаточность капитала выражается в доле капитала в общей стоимости активов. Данный параметр отражает, на сколько может сократиться общая величина активов прежде, чем интересы вкладчиков и других кредиторов будут ущемлены. Чем выше доля капитала, тем в меньшей степени банк подвержен риску данного вида, а значит тем ниже вероятность его банкротства. Для оценки вероятности банкротства была выбрана логит-модель. Статистическую значимость на коротком временном горизонте проявил показатель рентабельности активов. Кроме того, была обнаружена значимость показателя, проверяющего достаточность капитала. Показатели, отвечающие за кредитный риск, обладают меньшими прогнозными возможностями. Доля кредитов в общей стоимости активов не является статистически значимой ни на одном из временных горизонтов, а значимость доли просроченных кредитов и векселей в общем объеме кредитов проявилась только за 3 и за 12 месяцев до банкротства. Также незначимой переменной оказался размер банка, то есть нельзя однозначно утверждать, что банки-банкроты мельче или крупней, чем банки-небанкроты. Результатом построения модели стало выявление особой роли ликвидности в определении финансового состояния банка. Оба показателя, характеризующие ликвидность, оказались статистически значимы на уровне 1% на всех временных горизонтах (3, 6, 9, 12 месяцев до банкротства). Данный результат соотносится с тем фактом, что Центральный Банк Российской Федерации выделяет нормы ликвидности как центральный элемент регулирования банковской деятельности. Инструкция №110-И Центрального Банка «Об обязательных нормативах банков» устанавливает три норматива, контролирующих уровень ликвидности и определяющихся как отношение между активами и пассивами с учетом сроков, сумм и типов активов и пассивов. Норматив Н2 представляет собой норматив мгновенной ликвидности банка, который регулирует риск потери ликвидности банком в течение одного операционного дня. Норматив Н3 определяет показатель текущей ликвидности, ограничивающий риск банка по потере ликвидности в течение ближайших к дате расчета норматива 30 календарных дней. Норматив долгосрочной ликвидности контролирует риск потери банком ликвидности в результате размещения средств в долгосрочные активы (норматив Н4) (6). Помимо ликвидности Центральный Банк уделяет особое внимание показателям достаточности капитала и максимальному размеру кредита, выдаваемому одному заемщику. Согласно Главе 9 Инструкции банки обязаны соблюдать установленные нормативы ежедневно и ежемесячно по состоянию на первое число каждого месяца представлять сведения о расчете обязательных нормативов и их значения в территориальные учреждения Банка России, осуществляющие надзор за их деятельностью (6, гл.9). Значимость показателей прибыльности, достаточности капитала и ликвидности подтвердилась также в исследовании К. Кана и Н. Папаниколау (Kahn, Papanikolaou, 2011), проводимом на американских банках, обанкротившихся в период с 2007 по 2010 года. Кроме того, авторы опровергли гипотезу о том, что банки, предоставляющие более современные услуги, являются менее финансово устойчивыми, чем ориентированные только на традиционные виды деятельности. В работе Р. Де Янга и К. Роланда отмечалось, что непроцентные доходы являются менее стабильными, чем процентные, что повышает риски участия в нетрадиционных видах деятельности (DeYoung, Roland, 2001). Несмотря на это, полученные К. Кана и Н. Папаниколау эмпирические результаты показали, что положительные эффекты от диверсификации видов деятельности превышают более высокие риски, связанные с проведением нетрадиционных операций. П. Мейер и Х. Пайфер предлагают разделить факторы, объясняющие банкротство, на четыре группы: местные экономические условия, общие экономические условия, качество управления и честность работников. Большинство банков являются локальными организациями (Meyer, Pifer, 1960). Рынок кредитов и банковских услуг ограничивается районами, в которых расположены офисы банков, и несколькими соседними. Таким образом, процветание отдельных районов в большей степени, чем всей страны, определяет спрос на банковские услуги, а значит и возможность банка успешно функционировать. Банки, расположенные в регионах с высокими уровнем дохода и темпом роста экономики, менее склонны к банкротству. Однако, включение в набор объясняющих переменных местных факторов приводит к сложностям при формировании выборки. Каждому банку-банкроту следует ставить в соответствие банк-небанкрот, расположенный в том же экономическом районе, схожий по размеру и возрасту и подчиняющийся тем же нормам регулирования. Включение в рассмотрение общих экономических условий имеет смысл при анализе банкротств банков из разных стран и за разные временные периоды. Рассмотренные категории факторов в большей степени экзогенны по отношению к отдельным банкам, в то время как качество управления и честность сотрудников являются внутренними переменными. Качество управления и затраты отражаются в бухгалтерском балансе и в отчете о прибылях и убытках. Схожая предпосылка о разделении факторов наблюдается в исследовании С. Синельникова, Р. Энтова. Авторы выделяли три группы факторов, определяющих вероятность ухудшения финансового состояния банка: микрофакторы (балансовые показатели отдельного банка), мезофакторы (характеристики сводного баланса банковской системы) и макрофакторы (изменение макроэкономических переменных) (Синельников, Энтов, 2000). Не вся информация, характеризующая финансовое состояние банков, отражается в бухгалтерских показателях. Возникает необходимость поиска альтернативных источников информации. Как было отмечено ранее, в качестве объясняющих переменных могут быть использованы некоторые макроэкономические показатели, например, такие как темп прироста ВВП, сальдо торгового баланса и темп прироста индекса потребительских цен. Использование макроэкономических показателей основано на предположении, что надежность банка зависит от циклически изменяющихся внешних условий. Особое внимание вопросу о возможности включения макропеременных в модели было уделено в исследовании, проведенном группой авторов (Головань, Карминский и др., 2003). С помощью эконометрических моделей бинарного выбора оценивалась вероятность дефолта российских банков в период с 1996 по 2002 года. Анализируемая выборка содержала данные о 3158 событий, что существенно превосходит общее число банков, задействованных в исследовании. Согласно результатам исследования, введение в модель макропоказателя улучшает статистические показатели качества модели, а также структуру допускаемых ошибок. Наиболее удачным стало включение в модель валютного курса или соотношения экспорт-импорт. Введение двух макропоказателей также улучшает характеристики модели, однако наблюдаемый эффект уже гораздо менее значителен. Таким образом, введение в базовую модель уже одного макропоказателя достаточно полно учитывает изменение макроокружения. Помимо макропоказателей в модель были включены доли в валюте баланса балансовой прибыли, кредитов экономике, негосударственных долговых обязательств, прочих неработающих активов. Размер банка был представлен валютой баланса, скорректированной по времени, и вошел в модель нелинейно. Финансовая сфера российской экономики значительно пострадала в период кризиса 2008-2009 годов. Определению факторов, влияющих на вероятность банкротства банков в кризисный период, посвящена работа С.М. Дробышевского, А.В. Зубарева (Дробышевский, Зубарев, 2011). Исследование проводилось на основе квартальных данных о банках, ставших банкротами в течение кризиса 2008-2009 годов, всего в выборку вошло 1331 событие. Авторы предполагают, что снижение устойчивости банков во многом определяется изменением макроэкономических условий и мировым финансовым кризисом. В связи с этим факторы, определяющие особенности управления и качество финансовой политики каждого конкретного банка, дополняются макропоказателями. В модель, оценивающую вероятность банкротства за 1 год до его наступления, вошли такие показатели, как отношение к активам банка кредитов домохозяйствам и иностранных обязательств, отношение резервов под возможные потери к кредитам небанковскому сектору, отношение рыночного долга к обязательствам банка, доля просроченных кредитов небанковской системе в портфеле кредитов банка и размер банка. Результаты показали, что вовлеченность банка в кредитование физических лиц снижает вероятность банкротства. Данный вид деятельности в большей степени свойственен крупным банкам с развитой филиальной сетью, которые достаточно успешно пережили кризис, несмотря на сложности с возвратом кредитов домохозяйствами. Интересные результаты были получены авторами относительно влияния на вероятность банкротства доли просроченных кредитов. С точки зрения экономического смысла, рост данного показателя должен приводить к снижению устойчивости банка, однако авторы обнаружили обратную ситуацию. Полученные результаты могут быть объяснены тем, что реальную величину просроченных кредитов не скрывают только крупные и успешные банки, а мелкие игроки, выживание которых находится под угрозой, предпочитают не отражать ее в своей отчетности. Слабое влияние величины ликвидных активов авторы объясняют политикой Центрального Банка, направленной на поддержание ликвидности в банковском секторе через выдачу коммерческим банкам дополнительных кредитов. Значимыми показателями, описывающими макроэкономическое окружение, стали отношение экспорта из Российской Федерации к импорту, ставка по депозитам (средневзвешенная ставка по рублевым депозитам физических лиц в кредитных организациях сроком до 1 года) и изменение курса рубля относительно доллара. Качество модели при включении макроэкономических показателей возросло, что подтверждает гипотезу авторов о значительном влиянии на банковские дефолты изменения макроэкономического окружения. Отказываются от использования информации, содержащейся в бухгалтерской отчетности, и авторы статьи «Расчет вероятности банкротства банковского сектора Норвегии» А. Клэр и Р. Пристли, заменяя ее данными с фондовых рынков. Исследование строится на предположениях, что в среднем рынок справедливо оценивает банк и что модифицированная модель САРМ может выразить реальное соотношения риск-доходность. Таким образом, используя модель, можно получить меру изменчивости реальной рыночной цены акции относительно ее ожидаемой величины, что отражает изменчивость стоимости активов и обязательств банка. Найденное значение лежит в основе расчета вероятности банкротства банка в следующем периоде (Clare, Priestley, 2002). Б. Паола, Л. Лавин, Г. Маджони провели сравнение трех наборов показателей, находящихся в свободном доступе, по их способности определения финансового состояния банка: бухгалтерской отчетности, информации с фондового рынка и кредитных рейтингов. Исследование проводилось на азиатских банках за период 1996-1998 годов. В результате исследования было выявлено, что факт регистрации на фондовой бирже и присвоения рейтинга не обладает дополнительной прогнозной силой, то есть ни те, ни другие банки не являются в среднем ни более, ни менее надежными. Вторая часть исследования была посвящена способности каждого вида показателей отличать банки-банкроты от небанкротов. Построение логит-модели показало, что ни один из трех наборов не обладает значительной прогнозной силой. Однако, относительное превосходство в результатах принадлежит показателям бухгалтерской отчетности. Также следует отметить, что показатели с фондового рынка в среднем быстрее отражают новую информацию. Таким образом, в развивающихся финансовых системах имеет смысл использовать комплекс показателей различных видов (Paola, Laeven, Majnoni, 2002). Одно из последних эмпирических исследований, проведенное коллективом авторов под руководством А.М. Карминского, рассматривает банковский сектор России с точки зрения задач, стоящих перед риск-менеджерами кредитных организаций и регулятором. Помимо ожидаемого, по результатам регрессионного анализа по панели данных российских коммерческих банков с 1998 по 2011 гг., влияния финансовых показателей на вероятность дефолта, авторы получили нетривиальные и интересные выводы. Во-первых, была эмпирически подтверждена гипотеза о нелинейности взаимосвязей (квадратичная зависимость) между анализируемыми факторами. Во-вторых, авторам удалось существенно улучшить качество итоговой модели за счет включения в рассмотрение макроэкономических характеристик и индикаторов состояния институциональной среды (таких как, например, время, сезонность, сила монопольной власти, норма безработицы и т.д.) (Карминский и др., 2012). Обобщая изложенный в разделе материал, стоит отметить, что исследование, направленное на оценку вероятности банкротства, следует начинать с определения самого понятия «банкротство». Необходимо выделять четкие критерии, по которым относить банк к категории банкротов, так как в работах разных авторов они различаются. В предшествующих исследованиях наиболее часто использовалась информация, содержащаяся в бухгалтерской отчетности банков. Было выявлено, что относительные бухгалтерские показатели позволяют достаточно точно оценивать финансовую устойчивость банков. Использование исследователями квартальной отчетности привело к тому, что в основном вероятность банкротства прогнозировалась на временной горизонт, превышающий 6 месяцев. Данное исследование стоит посвятить анализу более коротких горизонтов прогнозирования. |
Похожие:
 |
1. Политика как общественное явление Политика это такая область деятельности... Решение этих проблем осуществляется при помощи политических институтов, в совокупности представляющих собой определенное государственное... |
|
Решение проблемы возврата торговыми организациями хлеба и хлебобулочных... Решение проблемы возврата торговыми организациями хлеба и хлебобулочных изделий поставщикам имеет важнейшее государственное и народнохозяйственное... |
 |
Диссертация На тему «Формы визуализации данных на сайтах российских... На тему «Формы визуализации данных на сайтах российских информационных агентств: проблемы и перспективы» |
|
3. решение проблемы Комплект переходников и шлангов для жидкостного способа очистки |
|
3. решение проблемы Комплект переходников и шлангов для жидкостного способа очистки |
|
Рекомендации по действиям заказчиков, направленным на решение проблемы,... Рекомендации по действиям заказчиков, направленным на решение проблемы, связанной с неправильной публикацией в планах-графиках сведений... |
|
Решение проблемы альтернативного школьного питания для детей-аллергиков... |
|
Решение проблемы Калининградской области 12 Государственная поддержка регионов в предупреждении и ликвидации чрезвычайных ситуаций 44 |
|
Рекомендации по действиям заказчиков, направленным на решение проблемы,... |
|
Решение задачи поиска данных Обозначения и сокращения |
|
Решение проблемы Из всех систем современных автомобилей наиболее чувствительной к разного рода загрязнениям является топливная система автомобиля |
|
2 декабря 2015 05: 31 риа новости Москва Тасс интервью: Сергей Аксенов: за эффективное решение энергетической проблемы готов уступить свое кресло |
|
Инструкция к программному обеспечению NewlyDraw Компания «юсто» +7 (812) Если в устройстве найдены неисправности, пожалуйста, свяжитесь с уполномоченным представителем за оперативным решение проблемы |
|
I. Научно-методическое и практическое решение задач проблемы школы 2016/17 учебного года Публичный отчет директора мбоу «Школа коррекции и развития VIII вида №37» г. Брянска |
|
2. Решение Судебной Палаты по информационным спорам РФ о равноправии женщин. 209 Консорциум женских неправительственных объединений. Проблемы правовой защиты женщин от дискриминации в сфере труда и занятости |
|
Решение продовольственной проблемы в Российской Федерации, в частности... «Надзор в области обеспечения качества и безопасности зерна и продуктов его переработки» |