Вы находитесь на странице: 1из 7

Банкаўскi веснiк, ЛЮТЫ 2007

çÄìóçõÖ èìÅãàäÄñàà

Оценка устойчивости банков на основе эконометрических моделей

Ç·‰ËÏË åÄãûÉàç

моделей Ç·‰ËÏË åÄãûÉàç ä‡Ì‰Ë‰‡Ú

ä‡Ì‰Ë‰‡Ú ÙËÁËÍÓ-χÚÂχÚ˘ÂÒÍËı ̇ÛÍ, ‰ÓˆÂÌÚ

Финансовые (банковские и ва- лютные) кризисы часто тесно взаи- мосвязаны и схожи по механизму формирования. Об этом свидетель- ствуют кризисы, имевшие место в 90-е годы на развивающихся рын- ках Азии, России и Бразилии [1, 2,

3]. Это указывает на то, что задачи оценки (мониторинга) устойчивос- ти коммерческих банков, их ран- жирования по степени устойчивос- ти, а также раннее предупрежде- ние кризисных явлений в целом в банковской системе являются важ- нейшими для органов, осуществ- ляющих надзор за банковской сис- темой. Среди известных подходов в организации банковского монито- ринга следует отметить рейтинго- вые системы, основанные на дис- танционном мониторинге и иссле- дованиях на местах (например, си- стема CAMELS [4]), в рамках кото- рых существенно используются эконометрические модели. Наибольшее применение на практике при решении вышепере- численных задач получили такие эконометрические модели и мето- ды, как:

— модели зависимостей с дис-

кретными эндогенными перемен- ными, известные как логит-моде- ли (logit models) и пробит-модели (probit models) бинарного и множе- ственного упорядоченного выбора для пространственных данных

(cross-sectional data) и панельных данных (panel data), измеренных в

номинальных (качественных) би- нарных или порядковых шкалах [5, 6];

— факторные модели регресси-

онного и авторегрессионного типа

[5, 6, 7];

— методы дискриминантного и

кластерного анализа [8]. Примерами использования указанных моделей могут слу- жить: регрессионные модели зави- симости агрегированного “кризис-

ного индекса” от выбранных мак- ропруденциальных индикаторов, включающих макроэкономичес- кие показатели [9] и специальные сигнальные (опережающие) инди- каторы кризиса (leading indica- tors) [10]; логит-модели упорядо- ченного множественного и бинар- ного выбора по пространственным данным, описывающие, соответст- венно, зависимость рейтингов рос- сийских банков от показателей их деятельности [11] и вероятности дефолта от макроэкономических показателей [12]; логит-модель по пространственным данным для раннего обнаружения кризисных явлений (early signals of bank system vulnerabilities) в банков- ских системах стран Центральной и Восточной Европы [13]; много- мерная логит-модель множествен- ного выбора по панельным данным для мониторинга устойчивости банковской системы в странах с развивающимися финансовыми рынками [14]; методы многомер- ного статистического анализа и классификации неоднородных данных, используемые для ранжи- рования банков по степени устой- чивости [8].

ùÍÓÌÓÏÂÚ˘ÂÒÍË ÏÓ‰ÂÎË Ë ÏÂÚÓ‰˚

Устойчивость банка часто ассо- циируется со степенью риска де- фолта (default risk). Правильная его оценка и прогноз имеют перво- степенное значение. В различных задачах анализа риск дефолта мо- жет рассматриваться как функция от таких параметров, как: вероят- ность наступления дефолта (pro- bability of default); стоимость ак- тивов, подверженных кредитному риску при объявлении дефолта; уровень безвозвратных потерь в случае дефолта [15]. Приведем краткое описание моделей с дис-

Ö͇ÚÂË̇ èõíãüä

моделей с дис- Ö͇ÚÂË̇ èõíãüä ùÍÓÌÓÏËÒÚ Óډ· ÛÔ‡‚ÎÂÌËfl

ùÍÓÌÓÏËÒÚ Óډ· ÛÔ‡‚ÎÂÌËfl ͇Á̇˜ÂÈÒÍËÏË Ë ·‡ÌÍÓ‚ÒÍËÏË ËÒ͇ÏË “èËÓ·‡ÌÍ” éÄé

30

 

Банкаўскi веснiк, ЛЮТЫ 2007

 
 

çÄìóçõÖ èìÅãàäÄñàà

кретными зависимыми перемен- ными, а также методов их построе- ния применительно к задачам оценки вероятности дефолта банка (модель бинарного выбора) и ран- жирования банков по степени ус- тойчивости (модель множествен- ного упорядоченного выбора). Бо- лее полное описание статистичес- ких свойств рассматриваемых эко- нометрических моделей и методов можно найти в [5, 6]. Прогнозирование вероятности дефолта на основе моделей бинар- ного выбора. Допустим, система состоит из n банков. Модель би-

нарного выбора для i-го банка (i =

Интерпретация моделей бинар- ного и множественного выбора ос- нована на использовании так на- зываемой латентной (скрытой, ненаблюдаемой) переменной y * i , которая связана с вектором факто- ров x i моделью множественной ли- нейной регрессии:

где p(•) — плотность распределе- ния, соответствующая функции F(•). Из выражения (6) следует, что

влияние j-го фактора x ij на вероят- ность дефолта определяется не только коэффициентом β j , но за- висит также от значений всех ос- тальных факторов через плотность

 

y

* i =

x i T β +ξ i , i =1,2,

,

n,

(3)

p(•). В то же время направление изменения вероятности дефолта при изменении фактора x ij опреде- ляется знаком β j . Модель бинарного выбора поз- воляет по имеющимся эмпиричес-

n) вы-

, числить оценку (прогноз) pˆ i веро- ятности дефолта для заданного значения вектора показателей x i в соответствии с соотношением:

ким данным {y i , x i } (i =1,2,

ˆ

где β = (β 0 ,β 1 ,

,β

k ) T - (k+1)-мер-

ный вектор неизвестных парамет- ров, ξ i — случайная ошибка наблю- дения в i-м эксперименте. Традиционно предполагается,

, ременных: зависимую бинарную

переменную y i {0,1} и независи- мые (объясняющие) переменные, или факторы, образующие вектор

= 1, 2,

n) включает два типа пе-

, ются независимыми в совокупнос- ти и одинаково распределенными случайными величинами с нуле- вым средним и постоянной диспер- сией. В модели (1), (2) бинарная пе- ременная y i связана с ненаблюдае- мой переменной y * i следующими соотношениями:

что ошибки {ξ i } (i = 1,2,

n) явля-

 

pˆ i = F(x i T β ),

(7)

x

i = (x i0 , x i1 ,

,x

ik ) T . Значения зави-

ˆ

ˆ

ˆ

симой переменной y i имеют следу- ющую интерпретацию:

1, если в исследуемом пери-

где β = (β 1 ,

,β

k ) — оценка макси-

мального правдоподобия парамет- ров модели (1), которая находится с помощью численных методов оп- тимизации логарифмической

функции правдоподобия l(β) для

модели (1).

Отклонения d i = y i - pˆ i (i =1, прогнозных значений от извест-

,n)

y

i =

оде банк признается банк- ротом;

0 — в противном случае

 

y

i =

1,

0,

c;

если y * i ≤ с,

если y * i >

(4)

В

число компонент вектора

где c — некоторое пороговое зна- чение. Обычно рассматриваются моде- ли (3) со свободным членом, т.е.

факторов x i = (x i0 , x i1 ,

включаться как количественные, так и качественные переменные (финансовые показатели состоя- ния банков). Таким образом, веро-

,x

ik ) T могут

ных значений зависимой перемен- ной называются остатками постро- енной модели. Оценка адекватнос-

полагается,

что x i0 1(i =1,

,n).

В

ти модели (7) основывается на ана- лизе тестовых статистик и статис- тической проверке гипотез:

этом случае

β 0 — свободный член,

ятность дефолта i-го банка p i равна

β

1 ,

,β

k — коэффициенты регрес-

вероятности того, что

y i = 1 .

сии. При этом модель (3) включает k факторов, а пороговое значение в соотношении (4) полагается рав- ным нулю (c = 0). Тогда, если модель (3) включа- ет свободный член, то с учетом симметричности функции распре-

о значимости оценок парамет-

ˆ

ˆ

ˆ

Модель бинарного выбора для рассматриваемой задачи описыва-

ет зависимость вероятности дефол- та банка p i от включенных в мо- дель факторов, задаваемых векто-

ров модели β = (β 1 ,

,β

k

);

об адекватности модели в це- лом;

о нормальном распределении нормированных “остатков”, вычисляемых по формуле:

ром x i = (x i0 , x i1 ,

,x

ik ) T , и опреде-

ляется соотношением:

деления F(•) [7] на основании мо- дели (3), соотношения (4) получа-

 
 

d i = (y i - pˆ i )/ pˆ i (1 - pˆ i )(i =1,

,n).

p i = P(y i = 1) = F(x i T β).

(1)

ем соотношение (1):

Для проверки статистической

При этом вероятность того, что банк не является проблемным, равна:

p i = P(y * i > 0) =P(x i T β+ξ i > 0) = = 1- P(ξ i ≤ –x i T β) = F(x i T β).

(5)

ˆ

β

значимости оценок параметров

, данным {y i , x i } на заданном уровне значимости ε применяется “t-тест” [6, 7] (или его обобщение — z-тест, основанный на использовании z-статистики [5]). Анализ адекватности модели в целом предполагает проверку ги- потезы H 0 о том, что коэффициен- ты при всех включенных в модель

= (β

ˆ

ˆ

0 ,β

1

ˆ

,β

k ) по эмпирическим

p

i = P(y i = 0) =1- p i = 1 -F(x i T β). (2)

Модель (1) является нели- нейной по параметрам

β

= (β 0 ,β 1 ,

,β

k ) T , и поэтому компо-

В

зависимости от вида функции

ненты вектора β имеют более сложную интерпретацию, чем ко- эффициенты регрессии в модели множественной линейной регрес- сии типа (3) [7]. Нетрудно пока- зать, что для модели (1):

F(•) различают два основных типа модели бинарного выбора [5, 6]:

1) пробит-модель (probit mo- del), если F(•) — функция стан- дартного нормального распределе- ния; 2) логит-модель (logit model), если F(•) — функция логистичес- кого распределения вероятностей.

факторах одновременно равны ну- лю:

 

P(y i

=1) = p(x i T β)β j ,

(6)

     

x ij

H 0 :β 1 = β 2 =

=

β k = 0, H 1 :H 0 .

(8)

 

31

 

Банкаўскi веснiк, ЛЮТЫ 2007

 
 

çÄìóçõÖ èìÅãàäÄñàà

Очевидно, если гипотеза H 0 не отклоняется, то модель в целом является неадекватной, поскольку ни один из факторов не оказывает статистически значимого влияния на эндогенную (латентную) пере- менную. Если гипотеза H 0 откло- няется, то в модели есть факторы, оказывающие статистически зна- чимое влияние на эндогенную пе- ременную. Для проверки гипотезы H 0 ис- пользуется статистический крите- рий отношения правдоподобия (Likelihood Ratio test — LR-test) [5], статистика которого вычисля- ется по формуле:

 

не отклоняется,

порогового значения, второй — на вычислении ожидаемых значений зависимой переменной. В первом случае при помощи бинарной модели оценивается ве- роятность наступления дефолта для каждого банка pˆ i = F(x i T β ). Ес- ли она выше некоторого порогово- го значения с, задаваемого иссле- дователем, то банк относится к классу “проблемных”, иначе — к классу “непроблемных”. Таким об- разом осуществляется перекласси- фикация объектов (банков) на ос- нове бинарной модели. В случае совпадения для некоторого объек- та результатов первоначальной (априорной) классификации и пе- реклассификации на основе бинар- ной модели принимается решение о “правильной” классификации объекта, в противном случае она считается “ошибочной”. Очевидно, чем больше правильных класси- фикаций, тем выше прогностичес- кие способности построенной мо- дели.

ˆ

гипотеза H 0

 

если P >ε; отклоняется,

если P ≤ε; Для проверки гипотезы о нор- мальном распределении нормиро- ванных “остатков” могут исполь- зоваться различные статистичес- кие тесты. Например, тест Жака- Бера (Jarque-Bera’s test), тест хи- квадрат Пирсона, тест Колмогоро- ва — Смирнова (и его частный слу- чай — тест Лилифорса (Lillie-fors test)) и др. [7]. Помимо проверки гипотез при анализе адекватности моделей ис-

 

˜

ˆ

пользуется стандартный набор тес-

LR n = -2(l(β ) - l(β )),

(9)

товых статистик. Для моделей с

 

ˆ

дискретной зависимой переменной не существует строгого аналога ко- эффициента детерминации регрес- сионных моделей R 2 . Однако при-

меняется так называемая “псевдо

R 2 -статистика”, или статистика Макфаддена R 2 MF (McFadden R 2 statistics) вида [5]:

ˆ

где l(β ) — максимальное значе- ние логарифмической функции правдоподобия l(β) на множестве всех возможных значений β, а l(β ) — максимальное значение ло- гарифмической функции правдо- подобия l(β) в предположении, что верна гипотеза H 0 . Известно, что статистика LR n (при условии, что гипотеза H 0 верна) имеет асимптотическое при n→∞ хи-ква- драт распределение с k степенями свободы (где k — количество фак- торов, включаемых в модель со свободным членом) [5]. Основан- ный на LR-статистике статистиче- ский критерий имеет традицион- ный вид:

˜

не отклоняется, если LR n <;

отклоняется,

гипотеза H 0

если LR n ; где = (ε) — квантиль хи- квадрат распределения уровня 1- ε с k числом степеней свободы. В статистических пакетах при- кладных программ (Statistica, EViews, СЭМП [7]) обычно пред- полагается использование эквива- лентной формы статистических критериев, которая основывается на сравнении величины “P-значе- ния” (p-value) P, соответствую- щего рассчитанному значению статистики используемого крите-

R 2 MF = 1 -

l(β )

˜

 

(10)

Второй способ основан на вы-

числении ожидаемого значения “дефолтов” для банков, первона- чально классифицированных как “непроблемные” и как “проблем- ные”. Аналогичным образом вы- числяется ожидаемое количество “надежных” банков. Математичес- кая интерпретация этого подхода выглядит следующим образом. Пусть рассматривается n коммер- ческих банков, для i-го банка

(i = 1,

, висимой переменной y i и вектора

i факторов, влияющих на устой-

x

чивость (надежность) банка. Веро- ятность дефолта для i-го банка равна:

n) известны значения за-

.

l(β ) Статистика R 2 MF , как и коэф- фициент детерминации R 2 , прини- мает значения от нуля до едини- цы. Считается, чем ближе значе- ния R 2 MF статистики к единице, тем адекватнее модель. Для выбора наиболее точной и “экономичной” модели традици- онно используются информацион- ные статистики Акаике (AIC) и Шварца (SIC) [7]: модели с мень- шими значениями этих статистик считаются более предпочтитель- ными. Проблемы, возникающие при построении логит- и пробит- моделей в случаях, когда имеют место различные типы ошибок спецификации и нарушений мо- дельных предположений, обсуж- даются в [5]. Оценка прогностической спо- собности моделей на основе клас- сификационных таблиц. Для ис- следования прогностической спо- собности моделей могут использо- ваться классификационные табли-

p

i = P(y i = 1) = E{ y i } = 1•P(y i =1) +

+ 0•P(y i = 0) = F(x i T β) 1 .

(11)

Тогда ожидаемое количество “дефолтов” для анализируемой выборки из n банков равно мате- матическому ожиданию количест- ва всех дефолтов и определяется на основании следующего соотно- шения:

   

n

E y

i=1

i

n

n

= E{y i } = P(y i =1) =

i=1

i=1

рия (t-статистики, z-статистики или LR-статистики), с задавае- мым пользователем уровнем зна- чимости ε (0 < ε <0,5). При этом

цы, которые представляют собой таблицы “правильных” и “оши- бочных” классификаций исполь- зуемой выборки объектов. Извест- ны два способа их построения:

n

 

=F(x i T β) .

(12)

первый основан на использовании

i=1

1 Запись E{y i } означает математическое ожидание случайной величины y i .

 
 

32

 
 

Банкаўскi веснiк, ЛЮТЫ 2007

 
 

çÄìóçõÖ èìÅãàäÄñàà

Учитывая предположение о симметричности F(•), ожидаемое количество “надежных” банков определяется, как:

рейтинг у = 4 соответствует проблемным банкам, близким к банкротству. В качестве функции F(•), как и

Модель вероятности дефолта. Для построения этой модели ис- пользуются пространственные данные за второй квартал 1995 го-

 

n

n

в модели бинарного выбора, ис- пользуются функции распределе- ния стандартного нормального или логистического закона распре- деления вероятностей. Им соответ- ствуют пробит- и логит-модели упорядоченного множественного выбора. В рассматриваемом случае в со- ответствии с моделью упорядочен- ного множественного выбора веро- ятности присвоения банку рейтин- га от 1 до 4 для некоторых порого- вых значений с 1 , с 2 , с 3 , с 4 вычисля- ются по формулам [5, 6]:

да по 38 банкам, 12 из которых по итогам года были признаны про- блемными. Выбор факторов для включения в модель был ограни- чен объемом доступной для анали- за информацией. Итоговая модель бинарного вы- бора для прогнозирования вероят- ности дефолта включает следую-

P(y i = 0) = 1 -F(x i T β).

(13)

i=1

i=1

После построения классифика- ционной таблицы можно эмпири- чески оценить вероятности оши- бок первого и второго рода в пред- положении: нулевая гипотеза оз- начает, что банк является про- блемным, т.е.:

H 0 : y i = 1, H 1 : y i = 0.

В этом случае вероятности ошибок первого рода P 1 и второго рода P 2 определяются следующим образом:

щие переменные: генеральный ко- эффициент надежности x 1 (отно-

шение капитала банка к работаю- щим активам) 1 , коэффициент мгновенной ликвидности x 2 (отно- шение ликвидных активов банка к его обязательствам “до востребова- ния”), значение собственного ка- питала x 3 . Набор этих характерис- тик можно представить вектором x = (x 1 ,x 2 ,x 3 ) T . Согласно формулам (1) и (2), вероятность дефолта оп- ределяется соотношением (1), в ко- тором F(•) — функция стандартно- го нормального распределения. Для оценки параметров модели используются известные значения

P 1 = P(H 1 |H 0 ) — вероятность

P(y i = 1) = F(c 1 - x i T β), P(y i = 2) = F(c 2 - x i T β) - F(c 1 - x i T β), P(y i = 3) = F(c 3 - x i T β) - F(c 2 - x i T β),

ошибочного признания “про-

блемного” банка “непроблем- ным”;

P(y i = 4) = 1 - F(c 3 - x i T β).

(14)

P 2 = P(H 0 |H 1 ) — вероятность ошибочного признания “непро- блемного” банка “проблем- ным”. Очевидно, чем меньше значе- ния оценок вероятностей ошибок, тем лучше прогностические спо- собности построенной модели. Модели упорядоченного мно- жественного выбора. Данные мо- дели возникают в том случае, ког- да дискретная зависимая перемен- ная принимает более двух значе- ний, т.е. можно выделить более двух классов объектов (альтерна- тив). Если эти классы могут быть некоторым образом упорядочены, то можно построить обобщение мо- дели бинарного выбора (1), (2) в виде модели упорядоченного мно- жественного выбора (ordered probit или logit model). Предположим, что значение за- висимой дискретной переменной y i соответствует рейтингу i-го банка по степени надежности. Предполо- жим, что определены четыре клас- са банков, различающихся степе- нью надежности, и y i {1, 2, 3, 4}, причем:

рейтинг у = 1 соответствует высокой степени надежно- сти;

Из условия максимума лога- рифмической функции правдопо- добия l(β, с) для рассматриваемой модели находятся оценки параме- тров модели, а также пороговых значений [5]. Анализ адекватности моделей упорядоченного множест- венного выбора осуществляется по ранее описанной схеме для моде- лей бинарного выбора.

éˆÂÌ͇ ÛÒÚÓȘ˂ÓÒÚË ·ÂÎÓÛÒÒÍËı ·‡ÌÍÓ‚

{y i }, {x i } (i =1,

,38)

соответствую-

щих показателей для рассматрива- емых банков. Полученные с помо- щью метода максимального прав- доподобия оценки параметров β = (β 0 ,β 1 ,β 2 ,β 3 ) T (свободного чле- на β 0 и коэффициентов регрессии β 1 , β 2 , β 3 ) имеют содержательную экономическую интерпретацию. В частности, отрицательный знак при коэффициентах регрессии го- ворит об уменьшении вероятности наступления дефолта при увеличе- нии соответствующих переменных (таблица 1). Анализ Р-значений для теста о значимости коэффициентов рег- рессии свидетельствует о том, что все коэффициенты статистически значимы как минимум на уровне 0,09, что в силу малого объема данных можно считать приемле- мым. Гипотеза об адекватности модели в целом не отклоняется на основании критерия отношения правдоподобия, поскольку P-зна- чение для LR-статистики равно 0,69•10 -5 . Значение статистики R 2 MF равно 0,562692, что также свидетельствует в пользу постро- енной модели. Согласно тесту Жа- ка-Бера, гипотеза о нормальном

 

Рассмотрим результаты экспе-

риментального исследования, ил- люстрирующие возможность при- менения описанных выше моделей

и

методов для оценки вероятности

дефолта, а также ранжирования по степени устойчивости (надеж- ности) белорусских банков. В опи-

сываемых численных эксперимен- тах применяются исторические данные, ранее опубликованные в

[16].

 
 

Для оценки вероятности дефол-

та используется пробит-модель, в которой вектор объясняющих пе- ременных сформирован из финан- совых показателей деятельности банков. В работе рассматриваются две задачи: построение модели ве- роятности дефолта при помощи пробит-модели бинарного выбора

и

построение рейтинга надежности

рейтинг у = 2 соответствует средней степени надежности;

рейтинг у = 3 соответствует низкой степени надежности;

банков при помощи пробит-модели

множественного выбора.

 

1 В 1995 году не применялся норматив достаточности капитала.

 
 

33

퇷Îˈ‡ 1 èÂÂÏÂÌ̇fl éˆÂÌ͇ ββ i x -2,196359 1 x -0,976056 2 x -0,000158 3
퇷Îˈ‡ 1 èÂÂÏÂÌ̇fl éˆÂÌ͇ ββ i x -2,196359 1 x -0,976056 2 x -0,000158 3
퇷Îˈ‡ 1 èÂÂÏÂÌ̇fl éˆÂÌ͇ ββ i x -2,196359 1 x -0,976056 2 x -0,000158 3
퇷Îˈ‡ 1
èÂÂÏÂÌ̇fl
éˆÂÌ͇ ββ i
x
-2,196359
1
x
-0,976056
2
x
-0,000158
3
Константа
2,930398

распределении остатков не откло- няется на уровне значимости 0,05. Согласно классификационной таб- лице, построенной с использовани- ем порогового значения (с = 0,5) (таблица 2), вероятность ошибки первого рода составляет 7,69 про- цента, а вероятность ошибки вто- рого рода — 25 процентов. Соглас- но классификационной таблице, основанной на вычислении ожида- емых значений (таблица 3), веро- ятность ошибки первого рода со- ставляет 13,34 процента, вероят- ность ошибки второго рода — 28,16 процента. Таким образом, в

퇷Îˈ‡ 2

P(y = 0) ≤ с

P(y = 1) > с

Всего

Правильные классификации

퇷Îˈ‡ 3

Ожидаемое количество “дефолтов”

Всего

Правильные классификации

34

Банкаўскi веснiк, ЛЮТЫ 2007

34 Банкаўскi веснiк, ЛЮТЫ 2007 z -ÒÚ‡ÚËÒÚË͇ P -Á̇˜ÂÌË -1,733760

z-ÒÚ‡ÚËÒÚË͇

P-Á̇˜ÂÌËÂ

-1,733760

0,0830

-1,896220

0,0579

-2,243956

0,0248

2,602061

0,0093

Результаты оценки модели бинарного выбора

Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора
Результаты оценки модели бинарного выбора

целом вероятность пропустить “проблемный” банк значительно ниже вероятности отнесения “не- проблемного” банка к классу “про- блемных”. Модель рейтинга надежности банка. Для ранжирования банков по степени надежности использу- ется модель упорядоченного мно- жественного выбора по простран- ственным данным за второй квар- тал 1995 года по 35 банкам. В ка- честве зависимой переменной ис- пользуется дискретная перемен- ная y i {1, 2, 3, 4}, интерпретация значений которой была дана ранее

y = 0

y = 1

ÇÒ„Ó

24

3

27

2

9

11

26

12

38

24

9

33

92,31

75,00

86,84

7,69

25,00

13,16

Классификационная таблица (с = 0,5)

процент правильных классификаций процент неправильных
процент правильных классификаций
процент неправильных классификаций

y = 0

y = 1

ÇÒ„Ó

22,53

3,38

25,91

3,47

8,62

12,09

26,00

12,00

38,00

22,53

8,62

31,15

86,66

71,84

81,98

13,34

28,16

18,02

Классификационная таблица, основанная на вычислении ожидаемых значений

Ожидаемое количество “недефолтов” процент правильных
Ожидаемое количество “недефолтов”
процент правильных классификаций
процент неправильных классификаций
неправильных классификаций çÄìóçõÖ èìÅãàäÄñàà при описании
неправильных классификаций çÄìóçõÖ èìÅãàäÄñàà при описании

çÄìóçõÖ èìÅãàäÄñàà

при описании модели упорядочен- ного множественного выбора. В окончательную модель были включены только две объясняю- щие переменные: генеральный ко- эффициент надежности x 1 (отно- шение капитала банка к работаю- щим активам) и значение собст-

венного капитала x 2 . Оценки пара- метров, полученные с помощью метода максимального правдопо- добия, для модели множественно- го выбора (модель 1) приведены в таблице 4. Все коэффициенты статистиче- ски значимы на уровне 0,11. Гипо- теза об адекватности модели в целом не отклоняется на основа- нии критерия отношения правдо- подобия (P-значение для LR-ста-

тистики

равно 2,83•10 -9 ),

R 2 MF = 0,409843. Информацион- ные статистики Акаике и Шварца равны: AIC = 1,905389, SIC = = 2,127581. Согласно тесту Жака- Бера, гипотеза о нормальном рас- пределении остатков не отклоня- ется на уровне значимости 0,05. Для проверки прогностической способности построенной модели осуществляется переклассифика- ция исходной выборки объектов в соответствии с оцененным распре- делением вероятностей. В резуль- тате каждый банк относится к той группе надежности, оценка веро-

ятности попадания в которую в со-

ответствии с моделью максималь-

на. Из классификационной табли- цы (таблица 5), построенной по данному правилу, видно, что 5 из 35 банков были “ошибочно” пере- классифицированы с помощью по- строенной модели. Использование алгоритмов кластерного анализа. Для повыше- ния качества моделей бинарного и множественного выбора могут при- меняться алгоритмы кластерного анализа [8]. В данном случае цель состоит в построении или уточне- нии начальной разбивки выборки на классы (кластеры), соответству- ющие различной степени надежно- сти банков. На первом этапе выби- рается пространство признаков из числа макропруденциальных ин- дикаторов (в проведенном исследо- вании — финансовых показателей состояния банков). Затем при по- мощи одного из алгоритмов клас- терного анализа осуществляется разбивка используемой выборки банков на однородные подвыборки (группы). Полученные результаты

банков на однородные подвыборки (группы). Полученные результаты
банков на однородные подвыборки (группы). Полученные результаты

Банкаўскi веснiк, ЛЮТЫ 2007

çÄìóçõÖ èìÅãàäÄñàà

퇷Îˈ‡ 4

Результаты оценки множественного выбора (модель 1)

èÂÂÏÂÌ̇fl

éˆÂÌ͇ ββ i

z-ÒÚ‡ÚËÒÚË͇

P-Á̇˜ÂÌËÂ

x

1

-0,301794

-1,605711

0,1083

x

2

-8,17E-05

-3,828242

0,0001

 

Пороговые значения

 

c

1

-3,403185

-4,610008

0,0000

c

2

-1,636045

-3,696105

0,0002

c

3

-0,657560

-1,857092

0,0633

퇷Îˈ‡ 5

Классификационная таблица для модели множественного выбора 1

ÉÛÔÔ‡

èÂ‚Ó̇˜‡Î¸Ì‡fl Í·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

é¯Ë·ÍË

ÔÂÂÍ·ÒÒËÙË͇ˆËË

 

18

8

0

 

29

7

2

 

37

4

3

4

11

16

-5

Дендрограмма алгоритма иерархического кластерного анализа

1 „ÛÔÔ‡ 1 2 3 4 5 6 7 „ÛÔÔ‡ 4 8 9 10 11
1
„ÛÔÔ‡ 1
2
3
4
5
6
7
„ÛÔÔ‡ 4
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
„ÛÔÔ‡
3
32
33
„ÛÔÔ‡ 2
34
35

0

1

2

3

4

5

6

êËÒÛÌÓÍ

классификации могут корректиро- ваться на основании экспертного анализа. На рисунке приводится графическая иллюстрация в виде дендрограммы результатов алго- ритма иерархического кластерного анализа (по оси абсцисс откладыва- ются расстояния между кластера- ми, по оси ординат — названия од- ноэлементных кластеров, т.е. бан- ков) 1 . В соответствии с данным ал- горитмом первоначально все банки рассматриваются как совокупность одноэлементных кластеров. Далее с помощью метода одиночной связи выбираются два банка, наиболее близкие друг к другу в смысле евк- лидового расстояния. Новая сово- купность кластеров содержит на один кластер меньше. Процедура продолжается до получения коли- чества кластеров, допускающего содержательную интерпретацию в контексте рассматриваемой зада- чи. Анализ дендрограммы позволя- ет выделить четыре класса надеж-

ности банков:

1) группа 1 характеризуется высокой степенью надежности банков; 2) группа 2 характеризуется средней степенью надежности бан- ков; 3) группа 3 характеризуется низкой степенью надежности бан- ков; 4) к группе 4 отнесены про- блемные банки. После корректировки данной классификации с использованием экспертной информации снова строится пробит-модель множест- венного выбора (модель 2), резуль- таты оценки и тестирования кото- рой приводятся в таблице 6. В ре- зультате сравнения построенных моделей (таблицы 4, 6) наблюда- ется значительное улучшение “ка- чества модели”. Все коэффициен- ты статистически значимы на уровне 0,01, P-значение для LR-

статистики равно 4•10 -13 , значение

R 2 MF увеличилось до 0,604641. Информационные статистики равны AIC = 1,352332, SIC = 1,574524, т.е. принимают меньшие значения, чем у альтер- нативного варианта модели (мо- дель 1). Согласно тесту Жака-Бе- ра, гипотеза о нормальном распре-

делении остатков не отклоняется на уровне значимости 0,05. Со-

1 На рисунке вместо названий банков используются их условные порядковые номера.

35

퇷Îˈ‡ 6 èÂÂÏÂÌ̇fl éˆÂÌ͇ β β i x 1 -8,04E-05 x 2 -1,966288
퇷Îˈ‡ 6 èÂÂÏÂÌ̇fl éˆÂÌ͇ β β i x 1 -8,04E-05 x 2 -1,966288

퇷Îˈ‡ 6

èÂÂÏÂÌ̇fl

éˆÂÌ͇ ββ i

x

1

-8,04E-05

x

2

-1,966288

c

1

-10,46519

c

2

-3,194605

c

3

-1,350782

퇷Îˈ‡ 7

ÉÛÔÔ‡

èÂ‚Ó̇˜‡Î¸Ì‡fl Í·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

15

2

39

4

10

11

гласно классификационной табли- це (таблица 7), количество “оши- бок” сократилось до двух. Таким образом, в целом построенная мо- дель предпочтительнее ранее по- строенной модели множественного выбора (модель 1).

Источники:

1. Demirguc-Kunt A., Detragiache E. The

determinants of banking crisis evidence from

developing and developed countries. IMF Working Paper 97/106. International money Fund, 1997.

2. Михайлов Л., Сычева Л., Тимофеев Е. Бан-

ковский кризис 1998 года в России и его по- следствия. М.: ИЭПП, 2000. — С. 40.

3. Gonzalez-Hermosillo B., Determinants of ex-

ante banking system distress: A macro-micro empirical exploration of some recent episodes. IMF Working Paper 99/33. International money Fund, 1999.

4. Sahajwala R., Van der Bergh P. Supervisory

risk assessment and early warning systems. Basel committee on banking supervision Working Paper. No. 4, December, 2000. — 53 p.

5. Greene W. Econometric Analysis. New York:

Macmillan Publishing Company, 1993.

6. Магнус Я.Р., Катышев П.К., Пересец-

кий А.А. Эконометрика. Начальный курс. Дело, 2004.

36

Банкаўскi веснiк, ЛЮТЫ 2007

2004. 36 Банкаўскi веснiк, ЛЮТЫ 2007 z -ÒÚ‡ÚËÒÚË͇ P -Á̇˜ÂÌË -4,013516

z-ÒÚ‡ÚËÒÚË͇

P-Á̇˜ÂÌËÂ

-4,013516

0,0001

-3,114852

0,0018

-3,671608

0,0002

-3,844550

0,0001

-2,835319

0,0046

Результаты оценки модели множественного выбора (модель 2)

множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения

Пороговые значения

множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения
множественного выбора ( м о д е л ь 2 ) Пороговые значения

é¯Ë·ÍË

ÔÂÂÍ·ÒÒËÙË͇ˆËË

5

0

11

-1

7

2

12

-1

Классификационная таблица для модели множественного выбора 2

èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ
èÂÂÍ·ÒÒËÙË͇ˆËfl, ˜ËÒÎÓ ·‡ÌÍÓ‚ ‚ „ÛÔÔÂ

Описанные выше результаты исследований демонстрируют воз- можность использования экономе- трических моделей с дискретными зависимыми переменными для оценки устойчивости и ранжиро- вания белорусских коммерческих

7. Харин Ю.С., Малюгин В.И., Харин А.Ю.

Эконометрическое моделирование. Минск,

БГУ, 2003.

8. Айвазян С.А., Бухштабер В.М., Енюков И.С.,

Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.:

Финансы и статистика, 1989.

9. Tornell A. Lending boom and currency

crisis: Empirical Links. NBER Working Paper No. 7340. National Bureau of Economic Research, 1999.

10. Kaminsky G., LizondoS., Reinhart C.M.

The leading indicators of currency crises. IMF Staf Paper 6390. National Bureau of Economic research, 2000.

11. Пересецкий А.А., Карминский А.М.,

А.Г.О. Ван Суст. Моделирование рейтингов российских банков. Экономика и матема- тические методы, 40(4), 2004. — С. 10—25.

12. Головань С.В., Евдокимов М.А., Кармин-

ский А.М., Пересецкий А.А. Модели вероят- ности дефолта российских банков. Влияние

российских банков. Влияние çÄìóçõÖ èìÅãàäÄñàà банков. Для
российских банков. Влияние çÄìóçõÖ èìÅãàäÄñàà банков. Для

çÄìóçõÖ èìÅãàäÄñàà

Влияние çÄìóçõÖ èìÅãàäÄñàà банков. Для построения моделей,

банков. Для построения моделей, пригодных для практического применения, очевидно, следует ис- пользовать более широкое множе- ство объясняющих переменных, а также значительно больший объем данных. Эконометрические моде- ли являются также необходимым компонентом систем раннего пре- дупреждения кризисных явлений в банковской системе, которые предполагают использование мак- ропруденциальных индикаторов, включая агрегированные показа- тели банковской системы, макро- экономические показатели и пока- затели участия государства в дея- тельности банковской системы. Разработка подобной системы яв- ляется, несомненно, актуальной задачей для контролирующих ор- ганов страны. Эффективность сис- тем раннего предупреждения зави- сит от объема и качества использу- емой статистической информации, а также от корректности выбора и

применения эконометрических моделей. Международный опыт свидетельствует, что при разработ-

ке таких систем, как правило, ис- пользуются модели и методы ана- лиза панельных данных [14]. Опи- санные, а также другие экономет- рические модели и методы могут использоваться самими коммерче- скими банками при разработке внутренних моделей (internal models) количественной оценки рисков в соответствии с методикой Базельского комитета [17].

Базельского комитета [17]. макроэкономических факторов на

макроэкономических факторов на устойчи- вость банков. Препринт #2004/043 — Рос- сийская экономическая школа, 2004.

13. Ma¨ nnasoo K.,

the Early Signals of Banking Sector Vulnerabilities in Central and Eastern European Emerging Markets, August, 2005.

14. Demirgu¨c ¸ -Kunt A., Detragiache E.,

Mayes D.G. Investigating

Monitoring Banking Sector Fragility: A Multivariate Logit Approach with an Application to the 1996—1997 Banking Crises. World Bank Policy Research — Working Paper 2085, 1999.

15. Энциклопедия финансового риск-менедж-

мента / Под ред. А.А. Лобанова, А.В. Чугуно- ва. — 2-е изд. М.: Альпина Бизнес Букс, 2006.

16. Белорусская деловая газета, № 45 (206)

за 12.06.1995.

17. An internal model-based approach to

market risk capital requirements. Basle Committee on Banking Supervision, 1995, April.

internal model-based approach to market risk capital requirements. Basle Committee on Banking Supervision, 1995, April.