Моделирование взаимосвязи между макроэкономическими переменными и показателями кредитного рынка для целей стресс-тестирования российского банковского сектора тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Пестова, Анна Андреевна

• Пестова, Анна Андреевна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Пестова, Анна Андреевна

Оглавление

Введение

Глава 1. Моделирование кредитного риска банковской системы: макроэкономический аспект

1.1. Обзор подходов к эконометрическому моделированию агрегированного кредитного риска банковского сектора в зависимости от факторов макроэкономической среды

1.2. Описание методологии эконометрической модели агрегированного кредитного риска банковского сектора и используемых данных

1.3. Результаты оценивания динамической модели агрегированного кредитного риска банковского сектора на панельных данных по странам ОЭСР и России

1.4. Моделирование агрегированного кредитного риска банковского сектора России: сигнальный подход

1.4.1. Выбор частных опережающих индикаторов реализации системных кредитных рисков банковского сектора

1.4.2. Составление сводного опережающего индикатора системных кредитных рисков и обзор его предсказательной силы на историческом периоде

Глава 2. Разработка опережающих индикаторов поворотных точек бизнес-цикла

2.1. Основные определения: бизнес-цикл, его фазы, способы их датировки

2.2. Обзор методов построения опережающих индикаторов бизнес-цикла

2.3. Обзор факторов макроэкономических кризисов и выходов из них на основе теоретического анализа

2.4. Обзор факторов макроэкономических кризисов и выходов из них на основе эмпирического анализа

2.4.1. Статистический подход

2.4.2. Эконометрический подход

2.5. Особенности выбранного подхода к количественному анализу бизнес-циклов

2.6. Описание результатов построения опережающих индикаторов бизнес-

цикла

2.6.1. Выбор показателей - предикторов смены фаз бизнес-цикла

2.6.2. Результаты оценивания моделей входа и выхода из рецессии

2.6.3. Анализ выгод от устранения посткризисного смещения

2.6.4. Анализ вневыборочной предсказательной силы моделей: краткосрочные макроэкономические перспективы стран Европы и России

Глава 3. Моделирование макро- и микроэкономических факторов кредитного риска российских банков

3.1. Анализ и описание факторов макроэкономических условий и рискованности стратегий банков, определяющих индивидуальный уровень кредитного риска финансовых посредников

3.2. Описание методологии и данных

3.3. Результаты оценивания

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 разработанных моделей кредитного риска

4.1. Применение сигнальных моделей агрегированного кредитного риска к анализу кризисного потенциала кредитного рынка России и среднесрочной устойчивости российского банковского сектора

4.2. Обзор подходов к стресс-тестированию банковского сектора

4.2.1. Место макроэкономического стресс-тестирования в системе раннего оповещения о финансовых (банковских) кризисах

4.2.2. Этапы и схема макроэкономического стресс-тестирования

4.2.3. Виды учитываемых уязвимостей (рисков) и структура модели макроэкономического стресс-тестирования

4.2.4. Обзор подходов к разработке стрессовых сценариев

4.2.5. Возможные меры выходных параметров стресс-теста

4.2.6. Краткие выводы по мировому опыту стресс-тестирования и описание возможного применения методов стресс-тестирования к анализу устойчивости российского банковского сектора

4.3. Описание методологии и результатов стресс-тестирования российского банковского сектора при помощи модели агрегированных кредитных рисков и симуляции банковских балансов

Заключение

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Моделирование взаимосвязи между макроэкономическими переменными и показателями кредитного рынка для целей стресс-тестирования российского банковского сектора»

Введение

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 банками .

В части обеспечения доверия к результатам стресс-тестирования финансовых посредников ключевую роль играет прозрачность методологии и независимость оценивающего риски института от оцениваемых игроков. Кроме того, в условиях быстро меняющейся макроэкономической ситуации проведение стресс-тестирования должно обеспечивать оперативную оценку имеющихся и потенциальных финансовых рисков. К сожалению, в настоящее время проводимые Банком России стресс-тесты банковского сектора не удовлетворяют этим требованиям: регулятор не достаточно полно

1 Sorge М. (2004). Stress-testing Financial Systems: An Overview of Current Methodologies. BIS Working Papers No 165.

2 Basel Committee on Banking Supervision (2009). Principles for sound stress testing practices and supervision.

раскрывает методологию и результаты стресс-тестов, которые также публикуются с существенной задержкой3. Кроме того, мировая практика дает примеры, вызывающие сомнения в незаинтересованности регуляторов в получении адекватных результатов тестирования. Поэтому актуальной является разработка методов дистанционного (удаленного) стресс-тестирования.

Дистанционное стресс-тестирование обладает рядом преимуществ по сравнению с недистанционным, проводимым регулятором. Во-первых, в рамках дистанционного стресс-тестинга обеспечивается прозрачность расчетов, поскольку они осуществляются на открытых данных. Во-вторых, дистанционное тестирование обладает большей оперативностью, так как не требует масштабных организационных и трудовых затрат. В-третьих, обеспечивается независимость оценки и трактовки результатов. Однако, очевидно, что переход к дистанционным методам оценивания рисков банков чреват потерей точности оценивания, поскольку отсутствует взаимодействие с банками, детальное погружение в индивидуальные профили рисков. Поэтому для обеспечения работоспособности дистанционных методов стресс-тестирования важным является их усовершенствование, подразумевающее решение ряда проблем.

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 настоящее время наиболее существенным риском банковского сектора России является кредитный риск. Это обусловлено высокой долей кредитных операций в активах банков (в среднем 68% за период 2000-2013 гг.). При этом качество этих кредитов невысокое: в 2000-2012 гг. доля необслуживаемых ссуд (ОТЬ) в кредитном портфеле банковского сектора России была выше в среднем на 70% по сравнению со странами зоны евро. На пике кризиса 2008-2009 гг. доля в кредитном портфеле российских

3 Моисеев С. (2010). Тайны стресс-тестов // Банковское дело, №6

банков составляла почти 10% (без учета реструктурированных ссуд, доля которых, по оценкам, была выше 30%4). В среднесрочной перспективе реализация кредитного риска в наибольшей степени угрожает стабильности банковского сектора России. Это подтверждается результатами стресс-тестирования российского банковского сектора, проводимого Банком России, которые свидетельствуют об определяющей роли кредитных рисков в генерировании возможных потерь российского банковского сектора (вклад в общую величину потерь более 50% 5). Сказанное выше обосновывает актуальность разработки методов 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 М., Majnoni G., Peria S.; Sorge M.; Quagriariello M.; Borio С., Drehmann M., Tsatsaronis К.; Foglia A.; Henry J., Kok С.; 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 3. 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.; Pesóla J.; Nkusu M. и др.

4 Данные по крупным ссудам. Источник: IMF (2011). Russian Federation: Financial System Stability Assessment. IMF Country Report No. 11/291.

5 Банк России (2012). Отчет о развитии банковского сектора и банковского надзора в 2012 году.

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. Проциклычностъ (сильная историческая обусловленность) закладываемых в стрессовые сценарии шоков. Вслед за Borio С., Drehmann М., Tsatsaronis К. 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 К.; Alessi L., Detken С., или эконометрического - см. работы Demirguc-Kunt A., Detragiache Е.; Bussiere М. Fratzscher М.; Lo Duca М., Peltonen Т.; Babecky J., Havranek Т., Mateju J., Rusnak M., Smidkova K., Vasicek В. 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 с дискретной зависимой переменной - см. работы Stock J., Watson М.; Estrella A., Mishkin F.; Moneta F.; Kauppi H., Saikkonen P.; Ng E.; эконометрические модели с непрерывной зависимой переменной -Stock J., Watson М.; Forni М., Hallin М., Lippi М., 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 О., Styrin К„ Potapova V., по финансовым - Трунин П., Улюкаев А., Солнцев О.

В данной работе предлагается модификация моделей опережающих индикаторов поворотных точек бизнес-цикла с 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 переменные6 - 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.

6 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».

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. Действительно, даже находясь в одинаковой макросреде, банки кредитуют заемщиков различного качества в зависимости от их рыночной власти и доступных меню условий кредитования. Кроме того, реализовавшийся уровень кредитного риска банка зависит от темпов роста выдачи кредитов на повышательной фазе бизнес-цикла, которые отражают рискованность бизнес-стратегии, качество скрининга и т.д. Неравномерность качества кредитов банков становится особенно очевидной в периоды кризисов: например, в работе Salas V., Saurina J. показано, что разброс доли проблемных кредитов испанских банков существенно возрастает на понижательной фазе деловой активности. Среди работ, посвященных моделированию кредитных рисков на уровне отдельных банков, отметим 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:

1. Построение моделей агрегированного кредитного риска банковского сектора;

2. Разработка моделей опережающих индикаторов поворотных точек бизнес-цикла;

3. Построение модели кредитного риска отдельных российских банков;

4. 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 20042013 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.

В первой главе диссертации строится межстрановая модель агрегированного кредитного риска с учетом возможности обратных связей между макропеременными и показателями финансового (кредитного) рынка. Тестируется наличие обратных связей и делается вывод об их статистической незначимости на имеющихся данных. Тем самым, при разработке стрессовых сценариев можно абстрагироваться от второй проблемы стресс-тестирования.

Во второй главе диссертационного исследования разрабатываются опережающие индикаторы поворотных точек бизнес-цикла, что дает возможность с опережением предсказывать резкое ухудшение макроэкономической конъюнктуры, а также заблаговременно предвидеть точку окончания спада в экономике. Использование результатов моделей опережающих индикаторов для выработки стрессовых сценариев позволяет решить первую проблему стресс-тестирования: а именно - снизить процикличность (сильную историческую обусловленность) закладываемых шоков, путем более точного их прогнозирования с учетом фактического уровня риска.

В третьей главе строятся модели кредитного риска отдельных банков в зависимости от макроэкономических условий и показателей рискованности бизнес-стратегий игроков. Рассчитывается доля просроченных кредитов банков, объясняемая различными группами факторов: в частности, рассчитывается масштаб групп банков, обладающих повышенной устойчивостью к реализации негативных макроэкономических сценариев, а также обозначается «группа риска»: банки, характеризующиеся высокой

долей вклада микроэкономических факторов в ухудшение качества ссуд во время последнего кризиса 2008-2009 гг.

В четвертой главе диссертационного исследования построенные модели кредитного риска применяются к анализу устойчивости российских банков. Проводится дистанционное top-down стресс-тестирование банков с учетом текущих показаний модели опережающих индикаторов и разложения индивидуальной подверженности кредитному риску на факторы макроэкономической среды и рискованности бизнес-стратегий банков.

Глава 1. Моделирование кредитного риска банковской системы: макроэкономический аспект

В данной главе строится эконометрическая модель агрегированного кредитного риска банковской системы. Эта модель позволяет оценивать эффекты реализации макроэкономических сценариев, включая стрессовых, с точки зрения качества кредитных портфелей российских банков и их устойчивости.

1.1. Обзор подходов к эконометрнческому моделированию агрегированного кредитного риска банковского сектора в зависимости от факторов макроэкономической среды

В настоящее время предложено множество подходов к моделированию кредитного риска: обзоры методологий и концепций приведены, например, в работах Sorge (2004), Quagliariello (2009) и Drehmann (2009).

Можно выделить два основных направления моделирования кредитных рисков - модели, основанные на данных о частоте дефолтов заемщиков банков, и модели, основанные на данных банковских балансов.

Первое направление. Модели кредитных рисков на основе данных о частоте дефолтов включают в себя два подхода: частичный и интегрированный в зависимости от степени привязки меры кредитного риска (частоты дефолтов) к макроэкономическим условиям. В рамках частичного подхода постулируется явная зависимость той или иной меры кредитного риска от макроэкономических сценариев. В рамках интегрированного подхода - источником возмущений макроэкономических переменных являются случайные (стохастические) шоки.

Частичный и интегрированный подходы отличаются с точки зрения полноты восстановления функции плотности кредитных потерь7 банков, которые могут возникнуть в результате реализации тех или иных шоков.

7 Под потерями будет пониматься объем кредитов, по которому наступил дефолт, скорректированный на коэффициент потерь в случае дефолта (LGD - Loss Given Default) и коэффициент подверженности дефолту (EAD - Exposure at Default). Тогда функцией плотности кредитных потерь будем называть зависимость вероятности потерь от их величины.

Интегрированный подход подразумевает оценку всей функции плотности кредитных потерь банков. В случае интегрированного подхода мерой кредитного риска Q. является показатель VaR - Value at Risk, либо любой другой процентиль функции плотности в зависимости от толерантности к риску: П = f[PDF(Yt)], где PDF (probability distribution function) - функция плотности кредитных потерь.

Частичный подход предполагает моделирование только математического ожидания меры финансовой устойчивости Yt (для моделей, основанных на данных о частоте дефолтов - это вероятность дефолта фирм / частота внутриотраслевых дефолтов) в зависимости от макроэкономических условий, а также от других факторов (см. Рисунок 1). Здесь мерой риска является условное (по сценарию) математическое ожидание П =

Самыми известными моделями, относящимися к интегрированному подходу, являются CreditMetrics, CreditRisk+, CreditPortfolioView, KMV, подробное описание этих моделей приведено в работе Crouhy et al. (2000). Перечисленные модели разработаны для анализа кредитных портфелей отдельных банков, и для расчетов здесь используются микроэкономические данные по отдельным фирмам - заемщикам. В качестве индикаторов кредитного качества заемщиков используются показатели частоты дефолтов и вероятности изменения кредитного рейтинга для групп компаний. Зная качество каждого отдельного заемщика, кредитная организация может восстановить функцию плотности своих потерь. Как правило, эти модели позволяют строить только безусловную по отношению к макроэкономическим условиям функцию плотности кредитных потерь. Исследуемые шоки в большинстве моделей такого типа имеют стохастическую природу и моделируются при помощи симуляций по методу Монте-Карло (см. Рисунок 1). Преимуществом интегрированного подхода является возможность моделирования нелинейного воздействия шоков на рискованность кредитного портфеля, а его недостатками - краткосрочный

горизонт прогнозирования (как правило, до года) и слабая привязка большинства моделей к фазе бизнес-цикла.

Рисунок 1 - Основные существующие подходы к моделированию кредитного риска и стресс-тестированию банковского сектора

Интегрированный подход

Примечание: NPL - nonperforming loans ratio - доля необслуживаемых кредитов в кредитном портфеле;

LLP - loan loss provisioning - отношение резервов под возможных потери к кредитному портфелю;

WOR - write-off ratio - доля списаний в кредитном портфеле.

Источник: составлено автором.

Кратко опишем одну из моделей, относящуюся к интегрированному подходу. Модель CreditPortfolioView связывает частоту дефолтов в корпоративном секторе или в отдельных отраслях с макроэкономическими переменными. Эта модель применялась в нескольких современных исследованиях для стресс-тестирования кредитного риска банковского сектора: в Австрии - см. Boss (2002), в Финляндии - см. Virolainen (2004) и др. Идея модели заключается в оценивании эмпирической связи между частотой дефолтов (в /-й отрасли или для всего корпоративного сектора в целом) и макроэкономическими факторами. Пусть вероятность дефолта в корпоративном секторе pt зависит от вектора макроэкономических переменных следующим образом (логит-модель бинарного выбора):

р< =Т7^огу о.

где - линейная комбинация макроэкономических факторов х , записанная следующим образом:

У г = Л) + Рх*и + 02хи + - + Ркхк,г + ^г (2)

Стресс-тестирование кредитного портфеля при помощи модели СгесШРог1:й)1юУ1е\у основывается на предположении о стохастической природе шоков. Исследуемые шоки моделируются посредством симуляций по методу Монте-Карло. Так, динамика каждой макропеременной х задается авторегрессионным процессом второго порядка - АЛ(2):

хи =Го+ 7\*ч-\ + Г2хи-2 + <Л (3)

Е =

ЛЛ

(0,2) , 1 =

2

л

у,е

2 £

V е,у е у

(4),

где Е - вектор инноваций или шоков системы, Е - ковариационная матрица шоков

Затем, из заранее известного распределения шоков множество раз извлекаются наблюдения, которые затем «навешиваются» на авторегрессионную динамику макропеременных. Полученные траектории частоты дефолтов позволяют оценить ожидаемые и неожиданные потери кредитного портфеля в зависимости от толерантности к риску. Несмотря на то, что в модели СгедкРоЛАэНо'Ушлу присутствует связь между макроэкономическими условиями и кредитным риском банков, источником макроэкономических колебаний являются стохастические шоки. Недостатком данного подхода может быть несбалансированность стрессовых сценариев.

Работы по частичному подходу в рамках моделирования кредитных рисков на основе данных о частоте дефолтов, как правило, связывают агрегированный по отраслям или экономике в целом уровень корпоративных банкротств с макроэкономическими переменными. Причем в большинстве работ частота дефолтов на макроуровне моделируется эндогенно по отношению к макроусловиям. В работе Боттаг, БИаИпагапап (2009)

медианное значение EDF (expected default frequency - ожидаемая частота дефолтов, вперёдсмотрящая рыночная мера кредитного качества фирм; может быть рассчитана для компаний, акции которых обращаются на бирже) шведских нефинансовых фирм связывается с макроэкономическими условиями при помощи оценивания модели векторной коррекции ошибками (VECM). В числе макрофакторов - индекс промышленного производства, индекс потребительских цен и краткосрочная процентная ставка. В работе Jacobson et al. (2005) строится модель векторной авторегрессии (VAR), связывающая агрегированную частоту дефолта в корпоративном секторе Швеции и набор макроэкономических переменных (гэп ВВП, темп инфляции, номинальная ставка процента, реальный валютный курс). Преимуществами частичного подхода по сравнению с интегрированным является возможность сценарного анализа, а также меньшая требовательность к объему исходных данных и простота расчетов, недостатком - использование линейных функциональных форм в оценке взаимосвязей.

Для построения межстрановой модели агрегированного кредитного риска банковского сектора применение моделей, основанных на данных о частоте дефолтов затруднительно ввиду отсутствия сопоставимых по странам данных. Поэтому в данной работе рассматривается второе направление моделирования кредитных рисков - на основе данных банковских балансов.

Второе направление. Моделирования кредитных рисков на основе данных банковских балансов предполагает использование только частичного подхода. В качестве меры финансовой устойчивости Yt здесь используются показатели доли необслуживаемых кредитов (NPL), доли резервов под потери (LLP), доли списаний в кредитном портфеле (WOR), частоты корпоративных дефолтов (см. Рисунок 1).

Внутри направления моделирования кредитных рисков на основе балансовых данных можно выделить модели кредитного риска на уровне

банковской системы в целом (макроэкономический подход - см., например, Hoggarth et al., 2005; Pesóla, 2005; Nkusu, 2011), и на уровне отдельных банков (микроэкономический подход - см. Jimenez, Saurina 2005; Espinoza, Prasad 2010; Quagliariello, 2007 и др.).

Модели и методы стресс-тестирования различаются по направлению анализа и агрегирования данных. В частности, выделяют подход «снизу-вверх» («bottom-up approach»), в рамках которого анализ рисков проводится на уровне банков по данным их внутренней отчетности. При этом модели рисков, используемые отдельными игроками, могут различаться. Общими при такой постановке стресс-тестирования будут либо одинаковые макроэкономические сценарии, задаваемые регулятором, либо масштаб отдельных шоков. Анализ устойчивости банков к негативным шокам проводится на микроуровне, а затем результаты сообщаются регулятору для агрегирования. Примерами bottom-up стресс-тестов являются опыт США (SCAP) и Евросоюза (EU-wide stress test) во время недавнего кризиса - см. работы Board of Governors of the Federal Reserve System; Committee of European Banking Supervisors. Существует также другой подход - «сверху-вниз» («top-down approach»), в рамках которого стресс-тестирование проводится регулятором на основе отчетных данных банковских балансов, без прямого участия отдельных финансовых институтов. Здесь возможны как расчеты на микро-уровне с использованием единой методологии моделирования рисков и общих стрессовых сценариев, так и расчеты сразу на уровне консолидированного баланса банковской системы. Примерами top-down стресс-тестов являются Программы оценки устойчивости финансовых систем (Financial Sector Assessment Program) по различным странам, осуществляемые МВФ совместно с национальными регуляторами - обзор см. в работе Moretti et al. (2009). Кроме того, к этому направлению стресс-тестирования можно отнести большинство макропруденциальных стресс-тестов, регулярно проводимых Центральными банками - см. работы Boss (2002), Hoggarth et al. (2005) и др.

Список литературы диссертационного исследования кандидат наук Пестова, Анна Андреевна, 2014 год

Список литературы

1. Банк России (2012). Отчет о развитии банковского сектора и банковского надзора в 2012 году.

2. Белоусов Д. (2014). О сценариях развития на 2014-2017 гг. // Итоги 2013 года и прогноз экономического развития на среднесрочную перспективу. ЦМАКП. [Электронный ресурс]. - Режим доступа: http://www.forecast.ru/_ARCfflVE/Monitoring/2014/2014Forecast.pdf

3. Демидов О. (2008). Различные индексы прогнозирования экономической активности в России // Квантиль №5 С. 83-102.

4. Мамонов М.Е. (2012). Влияние рыночной власти российских банков на их склонность к кредитному риску: результаты панельного анализа // Прикладная эконометрика. №4 (28). С. 85-112.

5. Мамонов М.Е., Пестова A.A., Солнцев О.Г. (2012). Оценка системных эффектов от ужесточения пруденциального регулирования банковского сектора: результаты стресс-теста // Вопросы экономики, 2012. №8. С. 4— 31.

6. Моисеев С.Р. (2009). Контрциклическое регулирование: динамические резервы и резервный капитал // Банковское дело, №10. С. 12-20.

7. Моисеев С.Р. (2010). Тайны стресс-тестов // Банковское дело, №6.

8. Пеникас Г.И., Алескеров Ф.Т., Солодков В.М., Андриевская И.К. (2010). Анализ математических моделей Базель II. Москва: Физматлит. 288 С.

9. Пестова A.A. Предсказание поворотных точек бизнес-цикла: помогают ли переменные финансового сектора? // Вопросы экономики, 2013. №7. С. 63-81.

10. Смирнов С. (2001). Система опережающих индикаторов для России // Вопросы экономики №3, 2001.

11. Солнцев О.Г., Мамонов М.Е., Пестова A.A. (2010). Стресс-тест: потребуется ли российским банкам новая поддержка государства? // Вопросы экономики, 2010. №4. С. 61-81.

12. Солнцев О.Г., Мамонов М.Е., Пестова А.А., Магомедова З.М., (2011). Опыт разработки системы раннего оповещения о финансовых кризисах и прогноз развития банковского сектора на 2011-2012 гг. // Журнал Новой экономической ассоциации. №12. С. 41-76.

13. Столбов М.И. (2009). Эволюция монетарных теорий деловых циклов // Вопросы экономики, №7, С. 119-131.

14. Стырин К., Потапова В. (2009). Опережающий индикатор ВВП РенКап-РЭШ: лучше и раньше. РЭШ, Ренессанс-Капитал.

15. Улюкаев А.В., Трунин П.В. (2008). Применение сигнального подхода к разработке индикаторов - предвестников финансовой нестабильности в РФ // Проблемы прогнозирования, №5.

16. Abel А. (1990). Asset Prices under Habit Formation and Catching up with the Joneses // American Economic Review, Vol. 80, No. 2. P. 38—42.

17. Aikman D., Alessandri P., Eklund В., Gai P., Kapadia S., Martin E., Mora N., Stern G., Willison M. (2009). Funding liquidity risk in a quantitative model of systemic stability. Bank of England Working Paper No 372.

18. Alessi L., Detken C. (2011). Quasi real time early warning indicators for costly asset price boom/bust cycles: a role for global liquidity // European Journal of Political Economy, Vol. 27, issue I.

19. Altug S. (2009) Business Cycles: Fact, Fallacy and Fantasy. World Scientific Publishing Co. Pte. Ltd.

20. Arellano M., Bond S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations // Review of Economic Studies № 58, P. 277-297.

21. Babecky J., Havranek Т., Mateju J., Rusnak M., Smidkova K., Vasicek B. (2012). Banking, debt and currency crises: early warning indicators for developed countries. ECB Working Paper No 1485, European Central Bank.

22. Babihuga R. (2007). Macroeconomic and financial soundness indicators: an empirical investigation. IMF Working Paper 07/115.

23. Basel Committee on Banking Supervision (2009). Principles for sound stress testing practices and supervision.

24. Berger A., DeYoung R. (1997). Problem loans and cost efficiency in commercial banks // Journal of Banking and Finance 21, P. 849-870.

25. Berger A.N., Hannan T.H. (1998) The efficiency cost of market power in the banking industry: a test of the «quiet life» and related hypotheses // The Review of Economics and Statistics 80(3), P. 454—465.

26. Berger A.N., Klapper L.F., Turk-Ariss R. (2008). Bank competition and financial stability. World Bank Policy Research Working Paper No 4696

27. Bernanke B. (1983). Nonmonetary effects of the financial crisis in the propagation mechanism of the Great Depression // American Economic Review 73 (3). P. 257-276.

28. Bernanke B., Gertler M., Gilchrist S. (1999). The financial accelerator in a quantitative business cycle framework. In: J. B. Taylor & M. Woodford (ed.), Handbook of Macroeconomics, edition 1, volume 1, chapter 21, P. 13411393. Elsevier.

29. Birchenhall C., Jessen H., Osborn D., Simpson P. (1999). Predicting U.S. Business-Cycle Regimes // Journal of Business & Economic Statistics. Vol. 17, No 3. P. 313-323.

30. Blaschke W., Jones M., Majnoni G., Peria S. M. (2001). Stress-testing of financial systems: an overview of issues, methogologies and FSAP experiences. IMF Working Paper No 01/88.

31. Blundell R., Bond S. (1998). Initial conditions and moment restrictions in dynamic panel data models, Journal of Econometrics 87, P. 115 - 143.

32. Board of Governors of the Federal Reserve System (2009). The Supervisory Capital Assessment Program: Design and Implementation. White paper. Washington DC: Board of Governors, April 2009.

33. Bofondi M., Ropele T. (2011) Macroeconomic determinants of bad loans: evidence from Italian banks. Questioni di Economia e Finanza (Occasional papers) No 89. March 2011.

34. Borio C., Drehmann M., Tsatsaronis K. (2012). Stress-testing macro stress testing: does it live up to expectations? BIS Working Paper No 369.

35. Boss M. (2002). A Macroeconomic Credit Risk Model for Stress Testing the Austrian Credit Portfolio. Financial Stability Report. № 4. Oesterreichische Nationalbank.

36. Boudriga, A., Boulila N., Jellouli, S. (2009). Bank specific, business and institutional environment determinants of nonperforming loans: Evidence from MENA countries. Paper for ERF conference on «Shocks, Vulnerability and Therapy», Cairo, Egypt, November 7-9, 2009.

37. Boyd J., de Nicolo G. (2005). The Theory of Bank Risk Taking and Competition Revisited // The Journal of Finance. Vol. 60, No. 3 (Jun., 2005), P. 1329-134.

38. Brunnermeier M., Eisenbach T., Sannikov Y. (2012). Macroeconomics with financial frictions: a Survey. NBER Working Paper No 18102.

39. Bussiere M., Fratzscher M. (2006). Towards a New Early Warning System of Financial Crises // Journal of International Money and Finance. Vol. 25. P. 953-973.

40. Cardarelli R., Elekdag S., Lall S. (2011). Financial Stress and Economic Contractions // Journal of Financial Stability. № 7. P. 78-97.

41. Castro V. (2010). The Duration of Economic Expansions and Recessions: More than Duration Dependence // Journal of Macroeconomics, 32, P. 347365

42. Chin D., Geweke J., Miller P. (2000). Predicting Turning Points. Federal Reserve Bank of Minneapolis. Staff Report No. 267.

43. Cihak M. (2005). Stress Testing of Banking Systems // Czech Journal of Economics and Finance (Finance a uver). Charles University Prague, Faculty of Social Sciences, vol. 55(9-10), P. 418-440.

44. Committee of European Banking Supervisors (2009). Aggregate Outcome of the 2010 EU-Wide Stress Test Exercise Coordinated by CEBS in Cooperation with the ECB, summary report.

45. Conference Board (2000). Business Cycle Indicators Handbook.

46. Crouhy M., Galai D., Robert M. (2000). A comparative analysis of current credit risk models // Journal of Banking & Finance. No 24. P. 59-117.

47. Dash M., Kabra G. (2010). The determinants of non-performing assets in Indian commercial bank: an econometric study // Middle Eastern Finance and Economics No 7.

48. Delis M., Kouretas G. (2011). Interest rates and bank risk-taking // Journal of Banking & Finance No 35. P. 840-855

49. Demirguc-Kunt A., Detragiache E. (1998). The Determinants of Banking Crises in Developing and Developed Countries // IMF Staff Papers. Vol. 45, No 1 (March).

50. Diebolt C. (2009) Business Cycle Theory before Keynes. Working Papers 0911, Association Française de Cliométrie (AFC).

51. Drehmann M. (2009). Macroeconomic stress-testing banks: a survey of methodologies. In Stress-testing the Banking System: Methodologies and Applications / edited by Quagliariello M. Cambridge University Press. 354 P.

52. Elsinger H., Lehar A., Summer M. (2006). Risk assessment for banking systems // Management Science, Vol. 52(9), September, P. 1301—41.

53. Espinoza R., Prasad A. (2010) Nonperforming loans in the GCC banking system and their macroeconomic effects. IMF Working Paper 10/224.

54. Estrella A., Mishkin F. S. (1998). Predicting US Recessions: Financial Variables as Leading Indicators // The Review of Economics and Statistics. Vol. 80, No l.P. 45-61.

55. Fiordelisi F., Marques-Ibanez D., Molyneux P. (2011) Efficiency and risk in European banking // Journal of Banking and Finance 35, P. 1315-1326

56. Fofack H. (2005). Non-performing loans in sub-Saharan Africa: Causal Analysis and Macroeconomic Implications. World Bank Policy Research Working Paper No. 3769.

57. Foglia A. (2008). Stress testing credit risk: a survey of authorities' approaches. Bank of Italy Occasional paper No 37. December 2008

58. Forni M., Hallin M., Lippi M., Reichlin L. (2001). Coincident and Leading Indicators for the Euro Area, Economic Journal, Royal Economic Society, vol. 111(471), P. 62-85.

59. Friedman, M. Schwartz A. (1963). A Monetary History of the United States, 1867-1960. Princeton: Princeton University Press.

60. Fungacova Z., Jakubik, P. (2012). Bank stress tests as an information device for emerging markets: The case of Russia. BOFIT Discussion Papers 3/2012, Bank of Finland, Institute for Economies in Transition.

61. Fungacova Z., Weill L. (2013) Does competition influence bank failures? Evidence from Russia, Economics of Transition 21 (2), P. 301-322

62. Gali J. (2008). Monetary Policy, Inflation, and the Business Cycle. Princeton: Princeton University Press.

63. Gertler M., Karadi P. (2011). A model of unconventional monetary policy // Journal of Monetary Economics, Volume 58, Issue 1. P. 17-34.

64. Gertler M., Kyotaki N. (2011). Financial Intermediation and Credit Policy in Business Cycle Analysis In: Benjamin M. Friedman & Michael Woodford (ed.), Handbook of Monetary Economics, edition 1, volume 3, chapter 11, P. 547-599. Elsevier

65. Glogowski A. (2008) Macroeconomic determinants of Polish banks' loan losses - results of a panel data study. National Bank of Poland working paper No. 53. November 2008.

66. Hicks J. (1950). A Contribution to the Theory of the Trade Cycle. Oxford University Press, Oxford.

67. Henry J., Kok C. (2013). A macro stress-testing framework for assessing systemic risks in the banking sector. ECB Occasional paper No 152. October 2013.

68. Hoggarth G., Sorensen S., Zicchino L. (2005) Stress tests of UK banks using a VAR approach. Bank of England. Working Paper No. 282

69. Hu J.L., Li Y., Chiu Y.H. (2004) Ownership and nonperforming loans: Evidence from Taiwan's banks// The Developing Economies 42(3), P. 405420.

70. IMF (2011). Russian Federation: Financial System Stability Assessment. IMF Country Report No. 11/291.

71. Jacobson T., Linde J., Roszbach K. (2005). Exploring Interactions Between Real Activity and the Financial Stance //Journal of Financial Stability. No 1. P. 308-341.

72. Jimenez G., Lopez J., Saurina J. (2007). How does competition affect bank risk taking? Federal Reserve Bank of San-Francisco, Working Papers Series 2007-23.

73. Jimenez G., Saurina J. (2006). Credit cycles, credit risk, and prudential regulation // International Journal of Central Banking. № 2(2), P. 65-98.

74. Kaminsky G., Reinhart C. The Twin Crises: The Causes of Banking and Balance-of-Payments Problems // American Economic Review, Vol. 89 (June), P. 473 -500. 1999.

75. Karas A., Schoors K., Weill L. (2008) Are private banks more efficient than public banks? Evidence from Russia. BOFIT Discussion Papers 3/2008.

76. Kauppi H., Saikkonen P. (2008). Predicting U.S. Recessions with Dynamic Binary Response Models // Review of Economics and Statistics. Vol. 90, No 4. P. 777-791.

77. Keeley M. (1990) Deposit insurance, risk and market power in banking, American Economic Review 80, P. 1183-1200.

78. Keynes J. (1936). The general theory of employment, interest, and money. London: Macmillan.

79. Klein N. (2013). Non-performing loans in CESEE: determinants and impact on macroeconomic performance. WP/13/72

80. Koopmans T. (1947). Measurement Without Theory // The Review of Economics and Statistics, Vol. 29, No. 3 (Aug., 1947), P. 161-172.

81. Kiyotaki N., Moore J. (1997). Credit cycles // Journal of Political Economy, vol. 105 (2). P. 211-48.

82. Kydland F., Prescott E. (1982). Time to Build and Aggregate Fluctuations. Econometrica, Vol. 50, No. 6. P. 1345-1370.

83. Laeven L., Valencia F. (2010) Resolution of banking crises: the Good, the Bad, and the Ugly. IMF Working Paper 10/146.

84. Lo Duca M., Peltonen A. (2011). Macro-Financial Vulnerabilities and Future Financial Stress: Assessing Sys-temic Risks and Predicting Systemic Events. European Central Bank. Working Paper Series No. 1311.

85. Louzis D., Vouldis A., Metaxas V. (2012) .Macroeconomic and bank-specific determinants of non-performing loans in Greece: A comparative study of mortgage, business and consumer loan portfolios, Journal of Banking & Finance 36 (4), P. 1012-1027

86. Lucas R. (1977). Understanding business cycles // Carnegie-Rochester Conference Series on Public Policy. Volume 5, 1977, P. 7-29

87. Mankiw G. (2006). The Macroeconomist as Scientist and Engineer // Journal of Economic Perspectives, 20(4): 29-46.

88. Marcellino M. (2006): Chapter 16 Leading Indicators, In: G. Elliott, C.W.J. Granger and A. Timmermann, Editor(s), Handbook of Economic Forecasting, Elsevier, 2006, Volume 1, Pages 879-960

89. Martinez-Miera D., Repullo R. (2010) Does competition reduce the risk of bank failure?, Review of Financial Studies 23, 10, P. 3638-3664

90. Micco A., Panizza U., Yanez M. (2004) Bank ownership and performance, Inter-American Development Bank, Working paper, No. 518.

91. Mitchell W. C., Burns A. F. (1946). Measuring Business Cycles. NBER Studies in Business Cycles. No 2.

92. Moneta F. (2005). Does the Yield Spread Predict Recessions in the Euro Area? II International Finance. Vol. 8, No 2. P. 264-301.

93. Moretti M., Stolz S., Swinburne M. (2009). Stress-testing at the IMF. In Stress-testing the Banking System: Methodologies and Applications / edited by Quagliariello M. Cambridge University Press. 354 P.

94. Ng E. (2012). Forecasting US Recessions with Various Risk Factors and Dynamic Probit Models // Journal of Macroeconomics. Vol. 34, No 1. P. 11125.

95. Nkusu M. (2011). Nonperforming loans and macrofinancial vulnerabilities in advanced economies. IMF Working Paper /11/161.

96. OECD (2008). OECD System of Composite Leading Indicators.

97. OECD (2012). Transition of the OECD CLI system to a GDP-based business cycle target. OECD Composite Leading Indicators Background note. March 2012.

98. Paries M., Sorensen C., Rodriguez-Palenzuela D. (2011). Macroeconomic Propagation under Different Regulatory Regimes: Evidence from an Estimated DSGE Model for the Euro Area // International Journal of Central Banking, Vol. 7(4), P. 49-113.

99. Pesola J. (2007). Financial fragility, macroeconomic shocks and banks loan losses evidence from Europe. Bank of Finland Research Discussion Papers 15 / 2007.

100. Pestova A., Mamonov M. Macroeconomic and bank-specific determinants of credit risk: evidence from Russia. EERC Working paper № 13/10E, 2013.

101. Podpiera J., Weill L. (2008) Bad luck or bad management? Emerging banking market experience II Journal of Financial Stability 4, 135-148

102. Prescott E. (1986). Theory ahead of business cycle measurement // Quarterly Review, Federal Reserve Bank of Minneapolis, Issue Fall, P. 9-22.

103. Quagliariello M. (2007). Banks' riskiness over the business cycle: a panel analysis on Italian intermediaries // Applied Financial Economics № 17: 2, 119-138

104. Quagriariello M. (2009). Stress-testing the banking system: methodologies and applications. Cambridge University Press.

105.Rebelo S. (2005). Real Business Cycle Models: Past, Present, and Future NBER Working Paper No 11401

106. Roodman D. (2006) How to Do xtabond2: An Introduction to "Difference" and "System" GMM in Stata. Center for Global Development WP № 103. P. 42

107. Roy A.D. (1952). Safety first and the holding of assets, Econometrica 20 (3), 431^49

108. Salas V., Saurina J. (2002). Credit risk in two institutional regimes: Spanish commercial and savings banks 11 Journal of Financial Services Research 22 (3), 203-24

109. Samuelson (1939). A Synthesis of the Principle of Acceleration and the Multiplier // Journal of Political Economy, University of Chicago Press, vol. 47, pp. 786.

110. Schaeck K., Cihak M. (2008). How does competition affect efficiency and soundness in banking? New empirical evidence. ECB Working Papers No 932.

111. Smets F. Wouters R. (2007). Shocks and frictions in US business cycles a Bayesian DSGE approach ECB Working paper No 722

112. Sommar P. A., Shahnazarian H. (2009). Interdependencies between Expected Default Frequency and the Macro Economy // International Journal of Central Banking. Vol. 5, No. 3. P. 83-110.

113.Sorge M. (2004). Stress-testing financial systems: an overview of current methodologies. BIS Working Papers No 165.

114. Stock J., Watson M. (1989). New Indexes of Coincident and Leading 1 Economic Indicators, NBER Chapters, in: NBER Macroeconomics Annual

1989, Volume 4, pages 351-409 National Bureau of Economic Research, Inc.

115. Stock J., Watson M. (1992). A Procedure for Predicting Recessions with Leading Indicators: Econometric Issues and Recent Experience // NBER Working Paper Series. No 4014.

116. Stock, J., Watson M. (1999). Business cycle fluctuations in US macroeconomic time series. In: J. B. Taylor & M. Woodford (ed.), Handbook of Macroeconomics, edition 1, volume 1, chapter 1, pp. 3-64 Elsevier.

117. Schwaiger M. (2011). Stress Testing the Banking System: Comparing the EU and US Experience. Tagung "Reform der Finanzmarktregulierung" September, 2011.

118. Turk-Ariss R. (2010). On the implications of market power in banking: Evidence from developing countries // Journal of Banking and Finance, 34 (4), 765-775

119. Villa S. (2013). Financial Frictions in the Euro Area: a Bayesian assessment ECB Working Paper No 1521

120. Virolainen K. (2004). Macro Stress Testing with a Macroeconomic Credit Risk Model for Finland. Bank of Finland Discussion paper No 18.

121. Von Peter G. (2004). Asset prices and banking distress: a macroeconomic approach. Bank for International Settlements. Working Papers No. 167.

122. Weber S. (1997). The End of the Business Cycle? // Foreign Affairs. Vol. 76, No 4. P. 65-82.

123. Woodford M. (2009). Convergence in Macroeconomics: Elements of the New Synthesis // American Economic Journal: Macroeconomics. 2009. Vol. 1, No l.P. 267-279.

124. Worrell D. (2004). Quantitative assessment of the financial sector: an integrated approach. IMF Working paper № 04/153.

125. Zarnowitz V. (1996). Business Cycles: Theory, History, Indicators and Forecasting. Chicago, London: The University of Chicago Press.

126. Zarnowitz V., Ozyildirim A. (2006). Time series decomposition and measurement of business cycles, trends and growth cycles // Journal of Monetary Economics, Elsevier, vol. 53(7), P. 1717-1739.