По мере выполнения банковских операций возникают самые различные риски. Многие из них связаны с предоставлением кредитов. Кредитный риск можно рассматривать как самый крупный риск операционной деятельности банка. Оценка и прогнозирование кредитного риска становятся возможными при наличии значений определенной системы показателей, характеризующих его состав, условия и причины возникновения. К таким показателям можно отнести:
- суммы непогашенных кредитов;
- просроченные платежи, связанные с задержкой возврата кредита и несвоевременной выплатой процентов;
- структура собственного капитала банка и др.
Отличительной особенностью кредитного риска является то, что он имеет индивидуальный, изолированный характер. Это обстоятельство в значительной мере определяет своеобразие методологии управления кредитными рисками. Поэтому, принимая решение о выдаче кредита, банк должен ориентироваться не на оценку отдельных видов рисков, а на определение общего риска заемщика путем комбинирования таких показателей, используемых при управлении кредитным портфелем, как: чистая прибыль заемщика, выручка, сумма его активов, соотношение собственного и заемного капитала, банковская процентная ставка и т. п.
Для оценки затрат на ту или иную банковскую услуг Бенстон, Белл и Мерфи предложили использовать функциональную зависимость типа Кобба-Дугласа:
(3.10)
которая может быть легко «линеаризована» за счёт логарифмирования:
, (3.11)
где i- индекс вида деятельности (депозиты до востребования, срочные депозиты и т.п.);
Сi – полные затраты на i-ый вид деятельности;
ωi – объём затрат на оплату труда, приходящийся на i-й вид деятельности (т.н. «первый выходной параметр»);
ri – объём капитальных затрат приходящийся на i-й вид деятельности (т.н. «второй выходной параметр»);
const- постоянный коэффициент, согласовывающий системы измерения входных и выходных параметров.
Оценки для значений эластичности εi и параметра ai получались с помощью метода наименьших квадратов. Исходные статистические ряды приведены в таблице 2.13, в которых отражена зона ввода исходных данных по доходностям видов активов и стоимостям видов пассивов.
Таблица 2.13. Зона ввода исходных данных по доходностям и стоимостям ОАО «Запсибкомбанк»
№ Активы Доходность, % в месяц в 2007 году
январь апрель июль октябрь
1 Ссуды населения 1,39 1,35 1,39 1,42
2 Ссуды организациям 2,33 2,42 2,28 2,18
3 МБК 3,23 3,15 3,08 3,12
4 Государственные ценные бумаги 2,19 2,07 1,93 1,86
5 Размещение в Банке России 1,13 1,13 1,13 1,14
6 Вклады населения 2,20 2,14 2,08 2,04
7 Депозитные сертификаты 1,49 1,50 1,50 1,50
8 Счета организаций 0,28 0,28 0,28 0,28
9 Депозиты юридических лиц 1,27 1,27 1,24 1,20
10 Кредитные ресурсы 0,87 0,88 0,86 0,82
Величины доходностей активов, стоимостей пассивов и их долей в суммарных активах (пассивах) в анализируемом интервале, являющиеся основными входными данными внутренней модели банка для управления ресурсами банка вычисляются по публикуемым формам отчетности . Зависимость доходности вида актива от стоимости пассива имеет квазилинейный характер, если дневной оборот средств по ним Q значительно меньше общей задолженности С. С этой точки зрения представляет интерес подход к решению задач классификации, предлагаемый в работе Д. Хэнкок. В ней вводится термин издержек использования финансового ресурса, под которым понимаются чистые издержки от владения единицы данного ресурса (услуги) в течение всего периода времени.
Если обозначить
Yi,t – объём i-го ресурса в t-ом периоде, где i=1:N1 – индексы. Соответствующие активам, а i=N1+1:N1+N2 –индексы, соответствующие обязательствам;
Hi,t –нормы доходов для активов (i=1:N1) и нормы затрат для обязательств (i=N1+1:N1+N2);
bi знаковый коэффициент: bi=1 для активов (i= 1:N1) и
bi =1 для обязательств (i=N1+1:N1+N2);
Pt – общий индекс цен для t-го периода,
От общая прибыль банка от обладания в t-м периоде некоторым набором финансовых ресурсов может быть выражена как
(3.12)
Тогда, если Rs – коэффициент дисконтирования для s-го периода, то коэффициент приведения затрат (доходов) t-го периода на начальный момент времени может быть выражен как
, (3.13)
где Rs=0 при s=t, а общий объём капитализированной прибыли, приведённый к начальному моменту, за периоды t=2,…,T примет вид
(3.14)
где Y=||yi,t||N1+N2,T
Выражение (3.14) можно переписать, сгруппировав коэффициенты при переменных yi,t
(3 .15)
Но так как
(3.16)
то, представив ∏(Y) как линейную функцию от Y с некоторыми коэффициентами ui,t , имеющими смысл стоимостей использования i-го актива (обязательства) в t-й период, а именно
(3.17)
можно в явном виде получить выражение для них (с учётом знакового коэффициента bi):
(3.18)
или
(3.19)
(3.20)
Исходя из того, что при ui,t 0 происходит уменьшение прибыли, ui,t 0 – ее увеличение, предлагаем рассматривать i-й ресурс как вход, а во втором – как выход.
Оценка точности внутренних моделей для каждого варианта, отличающихся как типом моделей, так и базовым периодом, проводится путем расчета среднего по всем видам активов и пассивов отклонения модельных значений доходностей и стоимостей . Учитывая полученные результаты по ОАО «Запсибкомбанк» (табл. 2.14), наиболее точной оказалась реализация на основе квадратичных стохастических моделей.
Таблица 2.14. Показатели точности моделей доходностей и стоимостей ОАО «Запсибкомбанк» в 2007 году
Тип модели доходности/ стоимости Точность модели, %
3 мес. 6 мес. 9 мес.
Линейная 1,36 1,45 4,69
Параболическая 1,89 2,04 6,02
Квадратичная 0,66 0,84 3,20
Длина базового периода в пределах года выбиралась на основе максимального уровня значимости коэффициентов модели по критерию Стъюдента (t-критерий) . Так как изменение доходностей и стоимостей во времени может происходить в двух направлениях, как в сторону увеличения, так и в сторону уменьшения, то был выбран вариант двусторонней проверки.
К вопросам настройки подсистемы следует отнести выявление минимального значимого коэффициента корреляции доходностей и стоимостей корреляционной матрице, приведённой на рис. 3.3. С уровнем значимости около 95% можно записать неравенство
|rij0|/σr>2 (3.21)
В таблице 2.14 приведены отношения средних значений коэффициентов моделей доходностей и стоимостей к их среднеквадратичным отклонениям при различной длине базисного периода.
Таблица 2.14. Отношения средних значений коэффициентов моделей к их среднеквадратичным отклонениям
Вид активов и пассивов Длина базового периода, мес.
3 6 9
d/ σ(d) α/ σ(α) β/ σ(β) d/σ(d) α/ σ(α) β/ σ(β) d/ σ(d) α/ σ(α) β/ σ(β)
Ссуды населения 74,45 7,17 1,60Е+07 50,19 3,13 5,12 75,92 3,25 5,75
Ссуды организациям 45,87 6,83 1,07Е+07 33,05 3,77 7,20 35,33 2,04 4,21
МБК 190,25 19,05 2,60Е+07 160,39 7,81 3,77 33,79 3,15 2,58
Государственные ценные бумаги 130,85 19,77 7,79 Е+06 103,20 9,95 3,18 8,09 2,98 4,04
Размещение в Банке России 698,43 5,50 6,38 Е+06 156,87 2,41 1,05 58,04 4,50 5,54
Вклады населения 703,59 44,50 4,25 Е+06 618,41 12,33 3,43 145,54 5,78 15,11
Депозитные сертификаты 762,98 15,50 5,23 Е+06 178,26 0,60 1,05 299,23 2,06 5,33
Счета организаций 147,60 3,83 3,14 Е+06 116,21 5,55 6,11 49,39 0,90 0,07
Депозиты юридических лиц 773,31 35,50 4,77 Е+07 271,98 13,73 25,56 118,44 0,02 3,58
Кредитные ресурсы 3,22Е+14 3,39Е+13 6,42 Е+013 342,15 39,09 58,05 62,64 1,94 3,62
Среднеквадратичная погрешность коэффициента корреляции σr для длины статистического ряда (длина базового периода) примет вид:
σr=(1-|rij0|)/2 (3.22)
подставляя выражение (3.22) в (3.21), получим неравенство
(3.23)
решая которое относительно rij0 , получим |rij0|>0,5. Таким образом, значимыми для базового периода длиной в четыре месяца являются коэффициенты корреляции, превышающие по модулю 0,5. Меньшие величины заменяются нулевыми значениями. В базовый период последовательно включались данные из таблицы, для которых рассчитывались линейные коэффициенты моделей доходностей и стоимостей αi.
Рассмотрим, каким образом на погрешность показателя эффективности П%/АΣ влияет количество сгруппированных по видам активов и пассивов. Для ОАО «Запсибкомбанк» при линейной модели средний риск равен δ = 0,046273 % за месяц, а для варианта квадратичных моделей δ = 0,019733 % за месяц, что приводит соответственно к погрешности показателя эффективности 0,0293 и 0,0125 % за месяц.
При δ=0,046273 и δдоп=0,01 получим n=86, то есть при варианте линейных моделей группировка активов и пассивов должна включать 86 их видов. При δ=0,019733 и δдоп=0,005 получим n=62 для варианта квадратичных моделей. Такое большое число активов и пассивов получается из-за того. Что нами принято допущение о неизменности величин среднего риска δ по видам активов и пассивов с ростом их общего числа n. Однако сростом n величина δ, как будет показано ниже, снижается, уменьшая тем самым требуемое для обеспечения заданной точности количество используемых при группировке видов активов и пассивов, т.е величина δ- некоторая функция от n: δ=f(n) или δ=d(n).
В таблице 3.11 приведем значения абсолютных значений рисков о каждому из десяти принятых видов активов и пассивов, полученных на основе использования линейных и квадратичных моделей, соответственно. Из таблицы видно, что самым высокорисковым активом являются ссуды организациям. Максимальное абсолютное значение риска снижения доходности составляет для ОАО «Запсибкомбанк» около 0,16 % за месяц (σ = 0,053684).
Исключение из рассмотрения этого самого высокорискового актива снижает средний абсолютный риск по активами и пассивам с 0,046273 до 0,026851 % в месяц, т.е. почти в два раза. Таким образом, зависимость δ (n) носит степенной характер и для банка определить ξ можно из условия:
0,046273 = (1/ξ) • 0,743, откуда ξ = 1,74.
Таблица 2.15. Отклонения модельных значений доходностей активов и стоимостей привлечения пассивов от фактических значений в базовом интервале (линейные модели)
Активы Среднее отклонение Максимальный
риск
t 1 2 3 4
Ссуды населения 0,000469 0,001003 0,000003 0,000136 0,020069 0,20
Ссуды организациям 0,003403 0,006944 0,000069 0,001111 0,053684
МБК 0,000506 0,000178 0,001667 0,001003 0,028958
Государственные ценные бумаги 0,000090 0,000000 0,000793 0,000355 0,017595
Размещение в Банке России 0,000006 0,000011 0,000001 0,000003 0,002282
Вклады населения 0,000011 0,000003 0,000044 0,000025 0,004564 0,05
Депозитные сертификаты 0,000009 0,000016 0,000001 0,000004 0,002739
Счета организаций 0,000002 0,000005 0,000000 0,000000 0,001394
Депозиты юридических лиц 0,000117 0,000136 0,000100 0,000100 0,010458
Кредитные ресурсы 0,000156 0,000156 0,000156 0,000156 0,012500
Окончательно зависимость для банка примет вид:
δ (n) = 0,5740 n • 0,743.
Экономическая эффективность от внедрения данной модели выражается в годовой прибыльности в размере 6,03 % годовых, таким образом прирост прибыльности от использования методики управления активами и пассивами на основе стохастических моделей составил 6,18 % - 6,03 % = 0,15 % годовых. При средней величине работающих активов экономический эффект составил: 66 514 • 0,0015 = 99,021 млн. руб.
По результатам можно сделать вывод:
1. Оптимальной длиной базового интервала для построения квадратичной стохастической модели доходностей активов и стоимостей пассивов, обеспечивающей максимальный уровень значимости коэффициентов моделей, является четырехквартальный интервал времени.
2. Средние значения положительных коэффициентов корреляции доходностей видов активов и стоимостей привлечения видов пассивов
между собой близки к средним значениям их отрицательных коэффициентов корреляции. Системная составляющая показателей суммарного финансового риска (дисперсии и среднеквадратичного отклонения отношения экономической прибыли к активам или к собственному капиталу банка), обусловленная корреляцией доходностей видов активов и стоимостей видов пассивов, близка к нулю и может быть исключена из рассмотрения.
3. Системные составляющие показателей суммарного финансового риска, обусловленные корреляцией линейных коэффициентов изменения доходностей видов активов и стоимостей привлечения видов пассивов, пренебрежимо малы по сравнению с другими составляющими и могут не включаться в модель.
4. В реальных условиях, характеризующихся высокой разницей в финансовых рисках составляющих видов активов и пассивов и их
долях, для достижения предельно допустимого абсолютного процентного риска показателя эффективности работы банка необходимое число видов активов и пассивов увеличивается в два-три раза.
Для оценки максимально возможных убытков с заданной доверительной вероятностью (кредитного риска) необходимо оценить распределение случайной величины LP. Это можно сделать на основе Монте-Карло моделирования большого количества сценариев дефолтов по кредитам.
Портфель ОАО «Запсибкомбанк» по состоянию на 01 октября 2008 года состоит из кредитов на общую сумму 3990 тыс. рублей со следующими характеристиками (табл. 3.9).
Таблица 3.9. Модель кредитного портфеля ОАО «Запсибкомбанк»
Кредит j 1 2 3 4 5 6 7 8 9 10
Сумма, тыс. руб. Sj 100 500 60 900 200 550 420 180 720 360
Ставка, % годовых Rj 15 11 16 12 14 9 12 19 12 11
Срок до погашения, дней Hj 320 452 113 212 118 590 41 692 357 412
Вероятность дефолта за год, % Pj 2 1 5 1 3 3 5 10 3 4
Необходимо оценить ожидаемые кредитные потери за полгода и уровень экономического капитала, необходимого для покрытия кредитного риска. Математическое ожидание и стандартное отклонение убытков портфеля за горизонт, рассчитанные на основе соотношения, равны:
M [ LP ] = 48.9 тыс.рублей
σLP = 152.1 тыс.рублей
Ожидаемые потери (среднее по выборке LPk ):
ELP = 46.3 тыс.рублей
ELP / S = 1.16%
Неожиданные потери (95% квантиль эмпирической функции распределения):
QLP 95% = 360 тыс.рублей
QLP 95% / S = 9.02%
Величина необходимого экономического капитала:
QLP 95% - ELP = 313.7 тыс.рублей
(QLP 95% - ELP) / S = 7.86%
Стандартное отклонение по выборке:
SLP = 146.1 тыс.рублей
SLP / S = 3.66%
Относительная величина неожиданных потерь, выраженная в стандартных отклонениях:
QLP 95% / SLP = 2.53
С увеличением числа испытаний может быть получена более гладкая, а, следовательно, более точная, эмпирическая функция распределения убытков. Предлагаемая методика расчета коэффициента миграции рекомендована банковским надзорным органом США - Контролером денежного обращения (The Office of the Comptroller of the Currency) в качестве средства прогнозирования потерь по потребительским ссудам.
Принципиальным методологическим подходом при расчете коэффициента миграции является последовательный его расчет с учетом срока просроченной задолженности:
- до 30 дней;
- от 30 до 60 дней;
- от 60 до 90 дней;
- от 90 до 120 дней.
Коэффициент миграции рассчитывается как отношение суммы просроченной задолженности до 30 дней за июнь к сумме текущей ссудной задолженности за июнь (678,90 / 18 560,78) x 100% = 3,7%.
Для расчета коэффициента потерь для каждой группы необходимо перемножить среднее квартальное значение коэффициента миграции каждой последующей группы. В нашем примере (табл. 6) по результатам четвертого квартала получаем коэффициент потенциальных потерь для группы "До 30 дней" - 9,7% (29,5% x 49,78% x 65,76%). Аналогичные вычисления производим для всех групп, за исключением группы ссуд "Текущие", поскольку в соответствии с заложенным подходом по текущим ссудам осуществляется своевременное исполнение обязательств заемщиком, а следовательно, риск невозврата отсутствует.
Таблица 6. Коэффициент миграции (F ) для портфеля с однородными
характеристиками "Потребительские кредиты с двумя поручителями
────────────┬─────────┬──────┬─────┬─────┬─────┬──────┬─────┬─────┬──────
Месяц │ Текущий │ До 30│КМ, %│от 30│КМ, %│ от 60│КМ, %│от 90│КМ, %
│ остаток,│ дней │ │до 60│ │ до 90│ │ до │
│тыс. руб.│ │ │ │ │ │ │ 120 │
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Июнь │18 560,78│560,78│ │200,9│ │104,5 │ │66,5 │
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Июль │21 443,90│678,90│ 3,7 │205,4│36,6 │104,6 │52,1 │67,3 │64,4
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Август │23 500,63│711,67│ 3,3 │209,8│30,9 │107,1 │52,1 │68,9 │65,9
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Сентябрь │23 760,89│756,90│ 3,2 │212,4│29,8 │109,7 │52,3 │69,7 │65,1
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Квартальная│ │ │ 3,4 │ │32,46│ │52,17│ │65,12
средняя │ │ │ │ │ │ │ │ │
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Октябрь │23 998,12│789,60│ 3,3 │220,9│29,2 │109,45│51,5 │70,1 │63,90
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Ноябрь │24 500,00│871,43│ 3,6 │234,6│29,7 │110,67│50,1 │72,3 │66,06
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Декабрь │20 087,84│886,80│ 3,6 │257,9│29,6 │111,9 │47,7 │74,5 │67,32
────────────┼─────────┼──────┼─────┼─────┼─────┼──────┼─────┼─────┼──────
Среднее │ │ │ 3,5 │ │29,50│ │49,78│ │65,76
квартальное│ │ │ │ │ │ │ │ │
значение │ │ │ │ │ │ │ │ │
────────────┴─────────┴──────┴─────┴─────┴─────┴──────┴─────┴─────┴──────
Таблица 7
Коэффициент потерь (%) для портфеля
с однородными характеристиками
────────────────────┬──────────────────────┬──────────────────────
Группа однородных │Ссудная задолженность,│Коэффициент потерь, %
ссуд │ тыс. руб. │
────────────────────┼──────────────────────┼──────────────────────
Текущие │ 20 087,84 │ 0,0
────────────────────┼──────────────────────┼──────────────────────
До 30 дней │ 886,8 │ 9,7
────────────────────┼──────────────────────┼──────────────────────
До 60 дней │ 257,9 │ 32,7
────────────────────┼──────────────────────┼──────────────────────
До 90 дней │ 111,9 │ 65,8
────────────────────┼──────────────────────┼──────────────────────
До 120 дней │ 74,5 │ 100,0
────────────────────┼──────────────────────┼──────────────────────
Всего │ 21 418,94 │
────────────────────┴──────────────────────┴──────────────────────
Основным недостатком данной методики является ограничение по горизонту прогнозирования (не более девяти месяцев). За этим периодом точность прогноза существенно падает. Причина в том, что данная методика не учитывает изменений основных характеристик индивидуального портфеля после модификации основных факторов, влияющих на качество портфеля: требований к заемщику, макроэкономических условий. Иными словами, прогноз не включает в себя существенные изменения в кредитных процедурах, которые значительно расширяют круг потенциальных заемщиков и неплательщиков, введенных накануне даты создания резерва.
Разработанная методика расчета размера резерва под обесценение кредитного портфеля в соответствии с требованиями международных стандартов предусматривает при определении размера резерва под обесценение кредитного портфеля корректировку на макроэкономические и иные экономические условия, опосредующие процесс потребительского кредитования, посредством расчета кредитного рейтинга портфеля с однородными характеристиками.
Похожие рефераты:
- РЕКОМЕНДАЦИИ (ПРЕДЛОЖЕНИЯ) ПО СОВЕРШЕНСТВОВАНИЮ УПРАВЛЕНИЯ КРЕДИТНЫМ ПОРТФЕЛЕМ БАНКА
По мере выполнения банковских операций возникают самые различные риски. Многие из них связаны с предоставлением кредитов. Кредитный риск можно рассматривать как самый крупный риск операционной деят...- Управление кредитным портфелем коммерческого банка
Стратегическое управление кредитным портфелем финансового института направлено на поддержание соответствия между целями финансового института в области структуры, доходности, рисковости и ликвиднос...- Предложения по совершенствованию деятельности банка
Одним из двух наиболее распространенных методов управления активами и пассивами кредитной организации, «направленным на то, чтобы стабилизировать или улучшить прибыль», является...- Предложения по совершенствованию разработки и управления бюджета
Бюджетные организации, получающие финансирование из бюджетов всех уровней на осуществление деятельности по смете доходов и расходов в сфере государственного управления, образования, культуры и иску...- Предложения по совершенствованию управления денежными потоками
Способность предприятия генерировать денежные потоки характеризуется показателем ликвидного денежного потока. Показатели ликвидности, как уже упоминалось выше, дают далек...
|
Дипломные работы 
