Семинар НУГ "Формирование системы моделей для управления кредитным риском банка в условиях финансовой нестабильности"

15 октября 2016 г. состоялся семинар НУГ под руководством А.М. Карминского. На семинаре были представлены результаты исследований Кострова А. по оценке вероятности дефолта и статистическим методам классификации для предсказатния банкротства российских банков. В своём докладе Костров А. описал три своих статьи, созданных в рамках НУГ.

Karminsky A., Kostrov A. The back side of banking in Russia: forecasting bank failures with negative capital // Int. J. Computational Economics and Econometrics. Vol. 7. Nos. 1/2.  2017. P. 170–209. http://www.inderscience.com/info/ingeneral/forthcoming.php?jcode=ijcee	принята к печати	английский
Костров А.В. Сравнение статистических методов классификации для предсказания банкротства российских банков // Управление финансовыми рисками. № 3 (4). 2016. C. 162-180.	опубликована	русский
Карминский А. М., Костров А.В. Глава 3 в книге Энциклопедия рейтингов: экономика, общество, спорт. М.: ИД  Форум, Инфра-М, 2016.	опубликована	русский

Александр Костров рассказал краткие выводы каждой из своих вышеприведенных статей и сделал общий вывод из своей работы:

Финансовая стабильность российских банков является серьезной проблемой: начиная с 2013 г. ежегодно 60–80 финансовых учреждений терпят банкротство. Среди действующих российских банков (всего около 700) лишь некоторые имеют рейтинг, присвоенный международными рейтинговыми агентствами.

При этом существуют три крупных участника рынка, заинтересованных в оценке надежности российских банков.

1. Корпоративные вкладчики. В отличие от физических лиц, защищенных системой страхования вкладов, корпоративные вкладчики, но нашей оценке, теряют в среднем около 80% своих средств при закрытии банка с отрицательным капиталом.

2. Контрагенты банков. Данные участники рынка заинтересованы в оценке стабильности банков, чтобы измерять риск сотрудничества с ними.

3. Банковский регулирующий орган. Регулятор нуждается в дистанционной системе обнаружения уязвимых банков, т.к. территория страны достаточно большая, а ресурсы для осуществления надзора ограничены.

Для периода с 2011 г. по первую половину 2015 г. характерен рост количества закрывшихся банков с отрицательным банковским капиталом. Отрицательный капиталозн ачает, что активы банка недостаточны для возврата заемных средств, а, следовательно, кредиторы банка понесут убытки.

Мы применили логистическую регрессию для прогнозирования дефолтов банков с отрицательным капиталом. При моделировании мы применили ряд инновационных методов:

- Использован алгоритм пошагового отбора переменных среди множества возможных факторов.

- Уделено внимание проблеме несбалансированности классов наблюдений в выборке, а также ее последствиям. Было предложено решение данной проблемы.

- Использован инновационный подход к тестированию прогнозной силы моделей.

Также, при помощи кросс-валидации мы подтвердили качество модели. Модель достаточно точно прогнозирует вероятность дефолта и помогает корректно классифицировать банки.

Модель позволяет корректно предсказывать банковские дефолты на большем горизонте планирования. Это важно, поскольку многие банки прекращают публикацию финансовой отчетности перед тем, как допустят дефолт. Кроме того, потенциальный пользователь модели получает информацию о неустойчивости банка заблаговременно.

Мы обнаружили, что набор переменных, оптимальных для прогнозирования вероятности дефолта различен для каждого горизонта планирования. При этом отобранные переменные оказывают стабильный эффект (знак коэффициента) на вероятность дефолта на разных горизонтах прогнозирования.

В рамках исследования были собраны и опубликованы нефинансовые данные по российскому банковскому сектору: списки небанковских кредитных организаций, частники банковских групп, информация о структуре собственности банков за период с 2010 по 2015 гг.

Также, проведено сравнение способности различных статистических методов предсказывать банкротство банка с горизонтом прогнозирования в шесть месяцев. В частности, рассмотрены наивный байесовский классификатор, линейный дискриминантный анализ, логистическая регрессию (в сочетании с алгоритмом пошагового отбора переменных, методом LASSO, PCA и PLS), нейронная сеть и деревья решений.

Было показано, что дублирование наблюдений типа «дефолт» в выборке для обучения модели улучшает эффективность прогнозирования для большинства методов. Наивный байесовский классификатор продемонстрировал лучшие результаты прогнозирования. Второй оказалась логистическая регрессия в сочетании с прямым и обратным алгоритмом отбора переменных. Более продвинутые техники, такие как нейронная сеть и метод деревьев решений, продемонстрировали более слабые результаты.