Оценка потенциального уровня потерь конкретного банка по его кредитному портфелю
Содержание
Введение
Глава 1. Теория и практика
стресс-тестирования финансовых рисков
.1 Ключевые понятия и виды
стресс-тестирования финансовых рисков
.2 Международный опыт применения
стресс-тестирования в банковских секторах различных стран
Глава 2. Существующие модели оценки
кредитного риска и их основные характеристики
.1 Модели, основанные на
макроэкономических данных и внутренних банковских показателях
.2 Модели, основанные на
макроэкономических и агрегированных по банковскому сектору данных
.3 Факторы кредитного риска и
показатели качества кредитного портфеля
Глава 3. Регрессионный анализ
влияния внутренних и внешних факторов на качество кредитного портфеля банка
.1 Анализ показателей качества
кредитного портфеля АО «Альфа-Банк»
.2 Построение модели кредитного
риска и прогноз просроченной задолженности
.2.1 Розничный портфель
.2.2 Корпоративный портфель
.2.3 Прогноз просроченной
задолженности
Заключение
Библиографический список
Приложения
Введение
Деятельность каждого банка тесно связана с
управлением различными видами риска. Среди них рыночный, операционный и
кредитный. Существуют основания полагать, что кредитный риск, под которым
понимается возможность неисполнения контрагентом в лице заемщика своих
обязательств по возврату предоставленных ему денежных средств и процентов по
ним в указанный в кредитном договоре срок, - основной риск банковской
деятельности, потому что кредитный портфель фактически основной актив любого
коммерческого банка. По данным ЦБ РФ [6] на 1 января 2015 года сумма предоставленных
средств нефинансовым организациям и физическим лицам составляет 52,6% от
активов банковской системы. С целью обезопасить себя от данного вида риска,
банки проводят анализ финансового положения заемщика и мониторинг качества
обслуживания долга. Эти меры позволяют нивелировать внутренние кредитные риски.
Наравне с внутренними, существуют и внешние, зависящие от политический,
макроэкономической и законодательной составляющих. На данный момент существует
ряд подходов к оценке совокупного риска кредитного портфеля и вероятности
дефолта заемщика. Среди них методология исторического, параметрического и Monte-Carlo
VaR, z-модель
Альтмана, модели CreditRisk+, KMV, CreditMetrics. Однако эти модели не
учитывают изменение внешних факторов риска. На основании этого факта возникает
естественная потребность в оценке потерь от реализации негативного сценария
развития событий с целью принятия превентивных мер, способствующих сохранению
финансовой устойчивости кредитной организации.
Цель исследования заключается в оценке потенциального
уровня потерь конкретного банка по его кредитному портфелю при наступлении
негативных условий для деятельности кредитной организации.
Объектом исследования является кредитный
портфель коммерческого банка, относящегося к группе крупных частных российских
банков, АО «Альфа-Банк», период исследования - с первого квартала 2001 года по
третий квартал 2015 года. Внимание будет сконцентрировано на анализе структуры
кредитного портфеля и динамике основных показателей качества портфеля.
Задачи исследования:
. Определить характер динамики кредитного
портфеля банка за последние 15 лет.
. Установить взаимосвязи между микро-
макро- показателями и динамикой просроченной задолженности.
. Построить модели, устанавливающие
количественные взаимосвязи между микро- макро- показателями и уровнем
неработающих ссуд по розничному и корпоративному кредитным портфелям.
. Провести многофакторный гипотетический
стресс-тест розничного и корпоративного кредитных портфелей.
. Сделать прогноз просроченной
задолженности по розничному и корпоративному кредитным портфелям исходя из
предпосылки различных возможных сценариев развития динамики факторов кредитного
риска.
В условиях глобализации и высокой зависимости от
мировых цен энергоносителей темпы экономического роста России тесно связаны
темпами роста мировой экономики. Наблюдающаяся нестабильность на мировом
финансовом рынке зеркально отражается на финансовом рынке нашей страны в виде
падающих доходов как населения, так и юридических лиц. Все это не может не
сказаться на качестве кредитного портфеля, определяемого долей неработающих
ссуд в нем. Этими фактами обусловлена актуальность и своевременность настоящего
исследования.
Для анализа данных используется регрессионный
анализ (построение эконометрической модели векторной авторегрессии). Для
построения моделей и тестирования их значимости используется эконометрический
пакет EViews.
Основной источник информации по кредитному
портфелю - месячные данные оборотной ведомости по счетам бухгалтерского учета
(форма 101). Источник макроэкономических показателей - Росстат, статистическая
база данных finam.
Предполагаемые результаты:
. Представлена характеристика кредитной
политики банка и выявлен присущий ему уровень кредитного риска.
. Выявлены факторы кредитного риска и их
влияние во времени на просроченную задолженность.
. Построены модели, на базе которых
проведен стресс-тест уровня просроченной задолженности по розничному и
корпоративному кредитным портфелям.
Глава 1. Теория и практика
стресс-тестирования
1.1 Ключевые понятия и виды
стресс-тестирования финансовых рисков
Все процессы в мире устроены так, что никогда
нельзя быть уверенным в том, что конкретное действие, событие произойдет
наверняка. Мы можем лишь с определенной вероятностью ожидать наступления этого
события. Банковская деятельность, как искусственный процесс организованный
человеком, не есть исключение. Она сопряжена с высокой степенью риска,
вызванного именно фактом неопределенности. Коммерческий банк, будучи основой,
первичной клеткой в банковской системе страны и работая в сфере финансов как
посредник, концентрирует в своей деятельности целый спектр направлений,
отличающихся от процессов вне банка повышенной степенью риска и зависимостью от
внешних макроэкономических факторов, неподвластных ему всецело. Как известно,
риска нельзя избежать, зато им можно управлять посредством его прогнозирования
и создания буфера, запаса прочности на конкретном направлении в зависимости от
вида риска. Стресс-тестирование позволяет на основе накопленных знаний,
предыстории определенного события выявить закономерности, связать их с
ключевыми показателями конкретного вида деятельности в настоящем времени и
экстраполировать эти взаимосвязи с целью снизить уровень риска.
Любой стресс-тест предполагает не только
конкретный сценарий развития одного события, а сразу множества вероятных
условий. Также он характеризуется качественной моделью и количественными
вычислениями. В банковской деятельности он позволяет определить степень влияния
шоков на такие первостепенные показатели для банка, как достаточность капитала,
уровень ликвидности, качество активов, доходность вложений в кредитный портфель
и ценные бумаги и так далее. Один из способов борьбы с риском - создание
резервов на возможные потери. Стресс-тестирование позволяет определить
оптимальный обоснованный размер резерва для успешного преодоления шоков
экономической системы при сохранении своей финансовой устойчивости.
Стресс-тестирование дает ответ на вопрос «что, если», и позволяет выявить
слабые места в деятельности банка.
Формальные определения стресс-тестирования
дается Международным валютным фондом как «методы оценки чувствительности
портфеля к существенным изменениям макроэкономических показателей или к
исключительным, но возможным событиям» и Банком России как «оценка
потенциального воздействия на финансовое состояние кредитной организации ряда
заданных изменений в факторах риска, которые соответствуют исключительным, но
вероятным событиям». Следует отметить, что стресс-тестирование дает возможность
измерить абсолютное изменение показателя при реализации стрессового сценария, и
не предоставляет информации относительно его вероятности.
Глобально выделяют две методологии проведения
стресс-теста, представленных в табл. 1 [34]. Их подробное описание
отражено в работах авторов Sorge,
Quagliariello и Drehmann.
Таблица 1
Систематическая классификация текущих
методологий стресс-тестирования
|
Частичный подход
|
Интегрированный подход
|
|
Главные свойства моделирования
|
· Временные ряды или панельные
данные · Структурные модели
|
· Макро эконометрическая модель
Вильсона(1997) · Микро
структурная модель Мертона (1974)
|
|
Преимущества
|
· Интуитивно понятны с низкой
вычислительной нагрузкой · Шире характеризует
стресс-сценарий
|
· Объединяет анализ рынка и
кредитного риска · Имитирует сдвиг функции плотности
распределения в результате макроэкономических шоков и его влияние на
отдельные компоненты риска · Применяется для описания
влияния нелинейных процессов макроэкономических шоков на кредитный риск
портфеля
|
|
Недостатки
|
· Использование линейных
функциональных форм · Нестабильность параметров модели в
долгосрочном периоде
|
· Большинство моделей оценивают
только кредитный риск в краткосрочном периоде · Имеющиеся
исследования не учитывают нестабильность параметров в долгосрочном периоде
|
Интегрированный подход представляет объединение
множества факторов риска в функцию плотности распределения потерь портфеля.
Мера риска при этом выражена величиной VaR,
то есть максимальным объемом потерь при заданных вероятности дефолта и
временном горизонте. К этому типу моделей относятся CreditMetrics,
CreditRisk+, KMV.
Их описание дано в работе авторов Grouthy M., Galai D., Robert M. Суть этих
моделей заключена в следующем: на основании собранной статистики по каждой
организации (или группе предприятий какой-то отрасли) о частоте дефолтов и
вероятности миграции кредитного рейтинга строится функция плотности потерь, для
которой рассчитывается величина VaR.
Частичный подход основан на прогнозировании
отдельных показателей финансовой устойчивости с использованием эконометрических
методов построения моделей. В рамках данного направления существует несколько
видов стресс-тестов. Выбор наиболее подходящего для исследования зависит от
поставленных целей, доступа к информации и возможностей исследователя применять
специализированные программные инструменты анализа статистических рядов данных,
собранных за определенный период времени с целью построения адекватной
математической модели взаимосвязи регрессантов с регрессорами на основе которой
можно будет сделать качественный прогноз динамики интересующего показателя.
Согласно источнику [11], можно выделить
следующие виды стресс-тестов, которые представлены на рис. 1.
Рис. 1. Виды стресс-тестов
Однофакторный
стресс-тест проводится с целью выявления предельного эффекта влияния на
зависимую переменную независимого фактора. Например, определение степени
влияния на финансовый результат предприятия по тяжелому машиностроению динамики
цены на нефть. Привлекательность в выборе данного метода заключена в его
относительной простоте и легкости реализации и незамысловатости, однозначности
получаемых выводов для принятия управленческих решений. Однако действительно
протекающие процессы зависят отнюдь не только от одного фактора хозяйственной
жизни. Поэтому большой минус этого подхода заключен в серьезном упрощении
системы причинно-следственных связей, что ставит под сомнение получаемые
результаты.
Примером применения данного подхода на практике
является анализ чувствительности внутренней нормы доходности (IRR)
инвестиционного проекта к изменению структуры денежного потока на заданном
горизонте событий, который применяется в источнике [5]. Также в [4] приводится
прогнозирование выручки предприятия в зависимости от выпуска продукции, ее цены
и стоимости сырья, которая идет на изготовление этой продукции. Моделирование
осуществляется по ежемесячным данным в рамках двух лет с 2001 г. по 2002 г.. На
их основе построена эконометрическая модель, где в качестве регрессанта
выступает выручка. Исследование показывает, что при росте стоимости сырья на
один рубль объем выручки снижается на 202 рубля с лагом в три месяца. На основе
взаимосвязи показателей выручки и стоимости сырья предоставляется возможность
прогнозирования первого показателя при различных предполагаемых сценариях
развития события.
Многофакторный
стресс-тест лишен недостатков анализа чувствительности. К данному подходу
относят два типа стресс-тестирования: исторический, основанный на
реальной динамике исследуемых показателей в прошлом, и гипотетический,
суть которого заключена в произвольном определении исследователем факторов
негативного движения рынка, полагаясь на исключительные, но возможные сценарии.
Оба подхода многофакторного стресс-тестирования
широко используются на практике. Однако исторический стресс-тест имеет один большой
недостаток - априорное признание неизменности институтов с течением времени.
Это означает, что даже качественная модель, с высокой точностью описывающая
динамику процесса в прошлом, не гарантирует точности предсказания в настоящем.
В [4] авторы выделяют следующие распространенные исторические сценарии шоков
рынка:
· Крах фондового рынка США в 1987 г.;
· Азиатский кризис 1997 г.;
· Финансовый кризис в России 1998 г.;
· Бразильский кризис 1999 г.;
· Финансовый кризис 2008 г.
Деление многофакторных подходов к
стресс-тестированию на исторический и гипотетический на этом не заканчивается.
В свою очередь гипотетический делится на систематическое и несистематическое
стресс-тестирование. Основанием этому служит вопрос об изменении степени
влияния одних факторов риска на объект стресс-тестирования при изменении
других. Другими словами, изменяется ли характер взаимосвязи показателей при
экстремальных движениях рынка. Несистематический гипотетический многофакторный
стресс-тест основан на идее о сохранении характера связи факторов как в
нормальное время, так и во время нестабильности рынка и делится на наихудший
(стресс-тест, в котором для всех факторов задаются их наихудшие значения,
наблюдаемые за конкретный исторический период времени) и субъективный (мнение
аналитиков, экспертов, топ менеджеров и так далее) в зависимости от типа
сценария. Систематический наоборот, предполагает зависимость характера влияния
факторов на объект стресс-тестирования от внешних условий (тех, которые не
могут быть измерены количественно), таких как кризис, изменение политики в
отношении принятия риска, смена руководителя кредитной организации и т. д и
включает в себя подходы, основанные на анализе корреляции взаимосвязи факторов
и теории экстремальных значений, представленные в работах авторов Longin
и Kupiec соответственно.
Существует также подход, основанный на методе Монте-Карло. Он имеет ряд
преимуществ и недостатков по сравнению с вышеописанными. Преимущества:
· Отсутствие стандартной гипотезы о
законе распределения случайной величины;
· Позволяет снять ограничение модели
на независимость факторов риска.
Наряду с преимуществами есть и недостатки:
· Сложность реализации;
· Близость к параметрическому VaR
и как следствие наследование недостатков этого метода.
Описанные выше виды стресс-тестов применяются на
уровне отдельного банка. Для анализа зависимости группы организаций от факторов
риска применяется агрегированное стресс-тестирование. Здесь возникает ряд
проблем, связанных с агрегированием и в частности с тем, наблюдения по каким именно
организациям включить в выборку, чтобы она оставалась репрезентативной.
Например, исследуя величину достаточности капитала банковской системы на основе
группы банков брать только ли банки с частным капиталом, или с государственным,
или и с тем и другим. Брать ли банки крупные, мелкие, ориентированные на
розничное или на корпоративное кредитование и так далее. Согласно [15],
можно выделить три вида агрегированного стресс-тестирования:
· Анализ чувствительности
(моделирование на основе панельных данных и временных рядов);
· Анализ «эффекта заражения» (перенос
шоков с одного финансового института на другой);
· Сценарный анализ (аналог
многофакторного стресс-тестирования, описанного выше).
В Российской практике существуют два подхода к
агрегированному стресс-тестированию:
· Top-down;
· Bottom-up;
подробнее о них будет рассказано в следующем
параграфе.
1.2 Международный опыт применения
стресс-тестирования в банковских секторах различных стран
Начало проведения стресс-тестов, проводимых
Центральным Банком России, было положено в 2003 году благодаря его участию в
совместной программе МВФ и Всемирного банка по оценке финансового сектора
России. Итогом совместной деятельности стал отчет об оценке финансовой
стабильности РФ [10]. Этим ЦБ не ограничился. С 2004 года Банк России на
регулярной основе проводит агрегированное стресс-тестирование банковской
системы РФ на кредитный риск, рыночный риск и риск ликвидности. Изначально не
все банки включались в рассмотрение, а лишь первые 200 по величине активов.
Охват всех банков в стресс-тестировании датируется 2007 годом.
Что касается периодичности, до 2006 г.
стресс-тестирование проводилось раз в год, начиная с 2006 г. - раз в полгода, с
октября 2008 г. - ежеквартально, а в течение 2009 г. - практически на
ежемесячной основе [3]. После стабилизации экономики страны в 2010 году, ЦБ
вновь установил полугодовой период стресс-тестирования.
Как отмечалось выше, существуют два подхода к
агрегированному стресс-тестированию: «top-down»
(«сверху-вниз») и «bottom-up»
(«снизу-вверх»). Принцип каждого из них отражен на рис. 2. Первый подход
предполагает разработку единой методики стресс-тестирования ЦБ и ее применение
к каждому банку в стране в отдельности без учета его особенностей. Затем
полученные результаты теста по каждому банку в отдельности суммируются и
получаются потери по банковскому сектору от реализации стресс-сценария. Второй
подход работает наоборот. ЦБ спускает на уровень коммерческих банков
стресс-сценарии. После этого, по разработанной каждым банком своей методике стресс-тестирования,
учитывающей специфику деятельности банка на рынке, проводится оценка потерь от
реализации стресс-сценария. Затем результаты тестирования передаются ЦБ и
определяется уровень потерь банковского сектора в целом.
Рис. 2. Принцип агрегированного
стресс-тестирования
Банк России проводит «top-down»
агрегированный стресс-тест не смотря на то, что в практике передовых стран
используется подход «bottom-up».
Причина тому отчасти кроется в том, что подход «bottom-up»
больше подходит для стран с небольшим числом банков, поскольку анализ и
проверка результатов стресс-теста будут проблематичны, когда количество банков
исчисляется сотнями и даже тысячами. Однако при очень большом количестве банков
непринятие во внимание индивидуальных особенностей каждого из них ведет к
несостоятельности оценки потерь методом «top-down»
и используется методика «bottom-up»
(например США).
Согласно [6], в основу стресс-теста ЦБ ложатся
следующие макропоказатели: падение ВВП, рост ИПЦ, снижение инвестиций в
основной капитал, падение реальных доходов населения, рост ставок по
государственным и корпоративным ценным бумагам и девальвация национальной
валюты. На основе динамики этих показателей формируются два сценария:
пессимистичный и экстремальный. Затем происходит оценка потерь по направлениям
кредитный риск, рыночный риск и риск ликвидности и исчисляется вероятное
снижения уровня достаточности капитала. В дополнение к макро
стресс-тестированию, существует оценка риска заражения на МБК или «эффект
домино» на период времени в один год. Суть заключается в том, что по
результатам базовой модели стресс-тестирования определяются вероятные
банки-банкроты или банки, находящиеся в техническом дефолте. Затем определяются
банки-кредиторы таких кредитных организаций и происходит перерасчет капитала и
уровня ликвидности банков-кредиторов при условии неисполнения перед ними
обязательств банков-заемщиков. Если банки-кредиторы не выдерживают стресс-тест,
то у них ищут кредиторов и проделывают с ними то же самое. Эта цепочка
выстраивается до тех пор, пока не останется ни одного «нездорового» банка.
Также в [6] выделяется методика стресс-теста, основанная на применении анализа
чувствительности. В рамках данного направления проверяется возможность банков
покрывать возможный отток средств клиентов, вызванный ростом нестабильности в
ситуации кризиса. За стрессовый сценарий объемов месячных оттоков принимаются
значения данного показателя в период кризиса 2008 года. Покрытие оттока
осуществляется главным образом денежными средствами и прочими ликвидными
активами с дисконтом от 5 до 30% в зависимости от степени ликвидности актива.
Считается, что банк находится в техническом дефолте, если сценарный отток
средств больше совокупной стоимости ликвидный активов.
Также стоит отметить тот факт, что помимо
стресс-тестирования банковской системы в целом, проводимым ЦБ, коммерческие
банки осуществляют внутреннее стресс-тестирование. Согласно [8], коммерческие
банки «должны самостоятельно разрабатывать модели проведения стресс-тестов»,
которые учитывают индивидуальный профиль риска банка.
Иного подхода к стресс-тестированию
придерживаются страны ЕС и США. Стресс-тестирование в США приобрело глобальный
масштаб начиная с февраля 2009 года с запуском наблюдательной программы оценки
капитала - Security
Capital Assessment
Program - или SCAP
2009. Программа изначально применялась к 19 крупнейшим банкам штатов, среди
которых были JP Morgan Chase & Co., Bank of America Corporation, Morgan
Stanley и другие. Внедрение SCAP
в практику тестирования капитала обусловлено финансовым кризисом 2008 года.
Целью было протестировать способность банков, участвующих в данной программе,
противостоять продолжительному ухудшению экономической обстановки. Программа
включала 2 сценария: базовый и неблагоприятный. Второй предполагал падение ВВП
на протяжении двух лет на фоне роста безработицы в условиях кризиса 2008 года
применительно к торговым портфелям [22].
Успешное применение SCAP
привело к его трансформации в две новые различные надзорные программы, существующие
в штатах поныне. Первая - стресс-тестирование, в основу которого лег закон
Додда-Френка - Dodd-Frank Act Stress Testing или DFAST. Принята в июле 2010
года и устанавливает три сценария: базовый, неблагоприятный и крайне
негативный. Тестирует капитал крупнейших банков из группы SCAP
и других с активами не менее $50 миллиардов. Для этой цели надзорный орган в
лице ФРС очерчивает сценарии динамики финансовых и экономических показателей и
доводит их до уровня отдельных банков, которые оценивают самостоятельно свои
потери. Прогнозируемые потери затем используются в качестве входящего
показателя в следующей программе. Вторая
- комплексный
анализ
капитала
- Comprehensive Capital Analysis and Review или
CCAR. Запущена
в 2011 году. Уделяет большее значение планированию капитала и особенностям
стратегии риск-менеджмента внутри банка. DFAST
и CCAR две параллельно
работающие программы.
Что касается стресс-тестирования в ЕС, оно
проводится ЕЦБ в рамках системы единого надзорного механизма под руководством
совета по надзору [9]. Тип стресс-теста - сценарный анализ. В его основу
ложатся базовый и неблагоприятный сценарии, основывающиеся на
макроэкономическом прогнозе показателей развития экономики: доходность
облигаций и качество кредитного портфеля. Банки самостоятельно на основе
сценариев оценивают стресс-устойчивость в отношении рисков. Затем результаты
направляются в надзорный орган, проверяются на ошибки и соответствие
требованиям ЕЦБ. После процедуры верификации происходит объединение результатов
стресс-тестов по отдельным банкам воедино в централизованном порядке.
Основные различия в подходах к
стресс-тестированию между США, ЕС и РФ по методологии, периодичности, виду и
цели проведения представлены в табл. 2 [7].
Таблица 2
Сравнение стресс-тестирования США, ЕС, РФ
|
США
|
ЕС
|
РФ
|
|
Орган, отвечающий за
стресс-тестирование
|
Федеральная Резервная Система
|
Европейская банковская организация
|
Центральный Банк
|
|
Периодичность
|
Не регламентировано
|
Ежегодно
|
Каждые полгода
|
|
Подход к реализации
|
Банки проводят тестирование сами
по сценариям ФРС «bottom-up»
|
Банки проводят тестирование сами
по сценариям ЕЦБ «bottom-up»
|
ЦБ самостоятельно проводит
тестирование «top-down»
|
|
Вид стресс-тестирования
|
Сценарный анализ
|
Сценарный анализ
|
Анализ чувствительности, сценарный
анализ
|
|
Цели тестирования
|
Создание инструкций для банков,
носящих обязательный характер
|
Создание инструкций для банков,
носящих обязательный характер
|
Создание инструкций для банков,
носящих рекомендательный характер
|
Глава 2. Существующие модели оценки
кредитного риска и их основные характеристики
Модели кредитного риска делятся аналогично
классификации методологий стресс-тестирования на модели вероятности
распределения потерь по кредитному портфелю и модели, устанавливающие
функциональные связи между переменной кредитного риска и объясняющими
переменными.
Второй подход делится в свою очередь на три
направления в зависимости от включаемых модель независимых переменных:
· Модели, объясняющие вероятность
банкротства заемщика.
· Модели, оцененные на
макроэкономических данных и внутренних банковских показателях.
· Модели, оцененные на
макроэкономических и агрегированных по банковскому сектору данных.
Обзор результатов эмпирических исследований
работ из списка выше названных направлений моделирования кредитного риска
позволит с высокой степенью достоверности выбрать переменные, аппроксимирующие
качество кредитного портфеля, а также наиболее эффективный подход из ныне
существующих к построению собственной модели кредитного риска.
Первый тип моделей кредитного риска
устанавливает функциональные связи между вероятностью банкротства по
конкретному выданному банком кредиту и индивидуальными характеристиками
заемщика и займа, такие как объем кредита, срок, обеспечение, регион и
индустрия, к которой принадлежит заемщик. Основной подход к анализу кредитного
риска этого направления - построение Logit
моделей. Зависимой при этом является бинарная переменная, единичное значение
которой соответствует состоянию «дефолт» по кредиту. Подобную методологию
применили Glogowski
et al,
Jamenez et
al и другие. Так,
например, Glоgowski
et al
строят Logit модель
влияния девальвации польского злотого на кредиты, выданные в иностранной
валюте. Помимо курса злотого по отношению к доллару и евро, в модель включены
показатели объема кредитов на руках у заемщика, качества займа (сомнительный,
нестандартный), рост ВВП (рост валовой добавочной стоимости в секторе). В
исследовании девальвация злотого по отношению к евро оказывает значимое влияние
на рост вероятности банкротства, в то время как по отношению к доллару влияние
неоднозначно. Это объясняется большей долей займов, номинированных в евро, в
совокупных валютных кредитах.
Поскольку нас интересуют модели, применительно к
кредитному портфелю в целом, а не к конкретному заемщику, то рассмотрим
подробнее эмпирические исследования второго и третьего направлений.
2.1 Модели, основанные на
макроэкономических данных и внутренних банковских показателях
Одним из наиболее ранних исследований,
связывающих воедино показатели качества кредитного портфеля с одной стороны и
микро- макро- показатели с другой является исследование техасских банков Clair.
Автор устанавливает связь между темпами прироста кредитного портфеля и его
качеством. Последнее аппроксимируется двумя аналитическими показателями:
просроченная задолженность и доля кредитного портфеля, списанная на РВПС.
Модель использует МНК оценки с включением лаговых значений прироста кредитного
портфеля. По мнению автора, стремительный рост кредитного портфеля, не
вызванный ростом спроса на кредиты, вынуждает банк менять требования к
процедуре андеррайтинга: снижать требования по залогу, поручительству и
кредитному ковенанту. Это ведет к росту просроченной задолженности. Однако в
повышательной фазе бизнес цикла рост кредитов и рост качества портфеля могут
положительно коррелировать. Помимо темпа прироста кредитного портфеля, в модели
установлено статистически значимое влияние объема банковских активов и уровня
занятости в качестве прокси переменной ВВП на списанные на РВПС кредиты.
Иной подход в плане метода оценки качества
кредитного портфеля и набора объясняющих переменных представлен в работе Pain.
Он использует регрессионный анализ панельных данных (ОМНК оценки), охватывающих
период с 1978 г. по 2000 г., для построения модели, объясняющей динамику РВПС
британских банков. Для повышения качества исследования банки делятся в
зависимости от целевой аудитории на коммерческие, кредитующие как физических,
так и юридических лиц, и ипотечные, ссужающие денежные средства на приобретение
жилья. Различия в формировании РВПС проявляются в наборе независимых
переменных. Как и в исследовании Clair,
рассматривается влияние прироста выданных ссуд на качество кредитного портфеля,
однако сколь либо значимого влияния она не имеет. Так, для коммерческих банков
значимыми являются рост ВВП (снижение ВВП на 1% ведет к росту РВПС в среднем на
8%), доля кредитов коммерческим организациям в кредитном портфеле банка
(положительная зависимость с лагом в один год), реальная процентная ставка и
инфляция (их рост на 1% ведет к росту РВПС на 10% с задержкой в один год и на
4% соответственно). РВПС ипотечных банков аналогично зависит от роста ВВП и
реальной процентной ставки, а также от процентной маржи (положительная
зависимость с лагом в один год) и отношения операционных расходов к
операционным доходам (отрицательная зависимость).
Работы Clair
и Pain являются примером
наиболее употребимого подхода в практике исследования количественных
взаимосвязей показателей качества кредитного портфеля с набором объясняющих
переменных. Так, например, аналогичные исследования с небольшими вариациями
метода оценок и включаемых переменных проводились авторами Quagliariello,
Jamenez и Saurina,
Bikker и Metzemakers,
Gerlach Peng
и Shu, Gizycki.
В частности, Quagliariello,
исследуя итальянские банки с 1985 г. по 2002 г., анализирует динамику
показателей РВПС, просроченная задолженность и рентабельность активов,
относящихся к конкретным банкам, чтобы понять их связь с показателями
экономического «климата» в целях определения периода реакции банков на
экономические изменения и ответить на вопрос: является ли поведение банков
процикличным. В его работе проводится четкое деление объясняющих показателей на
специфические банковские (отношение операционных расходов к операционным
доходам, чистая процентная маржа, темп прироста кредитов, рентабельность
активов и другие) и макропоказатели (безработица, спред ставок по кредитам и
депозитам, прирост ВВП и другие). На их основе строятся два типа моделей:
статическая и динамическая. Принципиальное различие между ними лежит в
плоскости включаемых в модель регрессоров. В первой не используются лаговые
значения регрессантов, в то время как во второй они включаются. Это позволяет
прежде всего получить более точную спецификацию модели с GMM
оценками коэффициентов. Автором доказана процикличность поведения банков,
которая объясняется сжатием кредитного рынка на понижательной фазе
бизнес-цикла.
Неким симбиозом работ Clair
и Pain является
исследование итальянских банков c
1984 г. по 2002 г. Jamenez
и Saurina, в котором
проверяются гипотеза, что избыточный рост кредитного портфеля во время роста
экономики - источник плохих долгов и причина процикличности политики
банковского менеджмента. Используя GMM
оценки динамической модели просроченной задолженности, авторы подтверждают свою
гипотезу, устанавливая статистически значимую положительную зависимость между
показателями просроченной задолженности и приростом кредитного портфеля с лагом
в 4 года, что согласуется с результатами, полученными в работе Clair.
Иного подхода к анализу показателей качества
кредитного портфеля придерживаются Berger,
DeYoung и Williams.
В частности, в работе первых двух авторов исследуются причинно-следственная
связь между показателями просроченные суды, эффективность затрат и капитал.
Применяя тест Грэнджера на причинность, они проверяют следующие четыре гипотезы
об источниках роста просроченной задолженности:
· Внешние факторы.
События, генерирующие объективную необходимость в проведении дополнительного
мониторинга финансового положения заемщика, реализации залога в случае дефолта,
поддержании финансовой стабильности банка с целью ограничения влияния роста
просроченной задолженности на эффективность затрат. Гипотеза предполагает, что
рост просроченной задолженности причина снижения эффективности затрат.
· Плохой менеджмент.
Когда кредитные эксперты неспособны отличить добросовестного заемщика от
оппортуниста, перестают на должном уровне работать процедуры андеррайтинга и
контроля заемщика. В таком случае происходит рост просроченной задолженности с
задержкой в некоторый период. Гипотеза в том, что низкая эффективность затрат -
причина повышения просроченной задолженности.
· Экономия на андеррайтинге и
мониторинге финансового состояния заемщика.
Качественный анализ заемщика на начальном этапе снижает вероятность проблем,
возникающих во время действия кредитного договора. Это приводит к гипотезе, что
экономия на начальном этапе причина роста просроченной задолженности.
· Моральный риск.
Высокая степень принятия риска, возникающая при низком уровне капитала, ведет к
росту в будущем просроченной задолженности. Гипотеза состоит в том, что низкий
уровень капитала причина роста просроченной задолженности.
Авторам удалось подтвердить первую, вторую и
четвертую гипотезу, строя линейные регрессии по 57655 наблюдениям за период с
1985 г. по 1994 г. для американских банков указанных выше переменных на
показатели риск взвешенных активов и доля капитала в совокупных активах. Третью
гипотезу не удалось подтвердить в силу незначимости лаговых значений показателя
эффективности затрат в регрессии просроченной задолженности.
Логическим продолжением исследования Berger
и DeYoung является работа Williams.
Используя
тест причинности Грэнджера, он проверяет те же четыре гипотезы, только для
европейских банков. Среди них банки Дании, Франции, Германии, Италии, Испании и
Великобритании. Для оценки качества кредитного портфеля использует показатель
РВПС. Автору удалось подтвердить гипотезу плохого менеджмента (банки с высоким
показателем отношения риск взвешенных активов к валюте баланса как прокси
переменной качества риск-менеджмента банка вынуждены создавать больше РВПС).
2.2
.2 Модели, основанные на
макроэкономических и агрегированных по банковскому сектору данных
Характерной особенностью моделей данного
направления исследования является отсутствие переменных, отвечающих за
конкретный банк, среди объясняющих переменных, как следствие - невозможность
оценить влияние идиосинкратических банковских шоков на кредитный риск. Однако
подобное направление представляет особый интерес для пруденциального надзора со
стороны контролирующего банковскую деятельность органа - Центрального Банка
России, поскольку делает возможным провести процедуру бенчмаркинга с одной
стороны и разработать систему раннего оповещения эффективности банковского
сектора в зависимости от макроэкономической среды с другой.
Общеупотребимым подходом в оценке влияния макро
факторов на кредитный риск является построение VAR
модели. Он используется в работах авторов Gambera,
Glogowski et al, Baboucer
и Jancar и другие. Gambera
строит двумерную VAR
с целью прогнозирования просроченной задолженности по кредитам на недвижимость,
коммерческим организациям и сельскому хозяйству в зависимости от дохода
домохозяйств, валового регионального продукта, безработицы и числа
зарегистрированных процедур банкротства. Baboucer
и Jancar оценивают влияние
на долю просроченной задолженности по банковскому сектору Чехии в рамках VAR
модели эндогенных показателей курса евро, денежного агрегата M2,
импорта, экспорта, выданных кредитов, индекса потребительских цен, реальной
трехмесячной процентной ставки, доли просроченной задолженности и безработицы,
а также семи экзогенных переменных: шесть из них бинарные, контролирующие
структурные сдвиги в доле просроченной задолженности, и двухнедельная
номинальная процентная ставка репо. Авторы анализируют функции импульсного
отклика каждой из эндогенных переменных на шоки друг друга на три временных
отрезка вперед: двенадцать, двадцать четыре и тридцать шесть месяцев.
Построенная модель используется как для анализа чувствительности, так и для многофакторного
стресс-тестирования доли просроченной задолженности. В качестве шоков для
анализа чувствительности используется максимальное значение прироста каждой из
переменной с построением 95 и 99% квантилей.
Hoggarth
и другие исследуют кредитный риск банковской системы Британии за период с 1988
г. по 2004 г.. Авторы строят модели как на агрегированных данных списанных
кредитов на РВПС по банковскому сектору в целом, так и на секторальных данных:
корпоративный сектор и сектор домохозяйств. В свою очередь сектор домохозяйств
делится на обеспеченные и необеспеченные кредиты. Деление списанных на РВПС
долгов на группы и на сектора позволяет получить несмещенные оценки
коэффициентов VAR модели. К
подобному приему прибегает также Whitley
и другие. Согласно результатам, полученным Hoggarth,
наиболее значимым фактором, влияющим на формирование «плохих» долгов для
банковского сектора в целом и для корпоративного сектора в частности, является
разрыв между потенциальным и реальным ВВП, который достигает апогея спустя четыре
квартала после шока. Для сектора домохозяйств по обеспеченным кредитам значимой
является процентная нагрузка по задолженности перед банками. В исследовании Whitley
и другие, посвященном домохозяйствам, этот показатель значим также для
необеспеченных кредитов.
В некоторых исследованиях используются данные по
группе стран для выявления зависимости РВПС от макро факторов и банковских
показателей. К таким исследованиям относятся работы авторов Bikker
et al,
Pesola и другие. Pesola
исследует скандинавские страны и пять европейских стран. Среди последних
Бельгия, Германия, Греция Испания и Великобритания. Он выделяет хронологическую
динамику развития банковского кризиса как последовательность максимальных
значений нескольких временных периодов
· Бум кредитования;
· Рост просроченной задолженности;
· Рост числа банкротств компаний;
· Рост потерь банка по кредитам.
Так для Финляндии лаг между первым и четвертым
этапами составляет пять лет, а между вторым и четвертым 3 года. Причиной роста
потерь банков по кредитам являются негативные макроэкономические шоки совместно
с высокой неплатежеспособностью заемщиков. К ним относятся шоки доходов и
процентной ставки, аппроксимируемые разницей номинального и ожидаемого значений
ВВП (процентной ставки).
2.3 Факторы кредитного риска и
показатели качества кредитного портфеля
Рассмотренные выше модели кредитного риска
позволяют выделить как минимум четыре вида переменных, определяющих качество
кредитов банка. Среди них доля просроченной задолженности в кредитном портфеле,
покрытие кредитов резервами на возможные потери по ссудам, доля использованного
РВПС на списание невозможного ко взысканию основного долга и бинарная
переменная, единичное значение которой соответствует состоянию дефолт по
кредиту. Первые три показателя имеются в официальной отчетности российских
банков, чего нельзя сказать про последний. Он является расчетным по
индивидуальным данным заемщика и займа (скоринговая процедура), которые
являются банковской тайной и не подлежат раскрытию кредитными организациями.
Поэтому выбор наиболее подходящей аппроксимирующей кредитный риск переменной
стоит между первыми тремя переменными.
Для меры качества кредитного портфеля в
настоящей работе используется показатель просроченной задолженности (NPL).
Причин этому несколько. Первая - тесная связь между РВПС и просроченной
задолженностью. Рост просроченной задолженности означает ухудшение качества
обслуживания долга заемщиком, переход кредита в более низкую категорию качества
ссуд и, следственно, доначисление РВПС. Нормативной базой является «Положение о
порядке формирования кредитными организациями резервов на возможные потери по
ссудам, по ссудной и приравненной к ней задолженности» № 254 - П. Согласно
этому положению формирование РВПС является обязательным для банка. Размер резерва
определяется качеством ссуды и может как дополнительно создаваться, так и
восстанавливаться на доходы банка в зависимости от качества обслуживания долга
или финансового положения заемщика по корпоративным ссудам раз в месяц и по
розничным - раз в три месяца. Вторая - отсутствие информации об использовании
РВПС на списание нереального ко взысканию основного долга в разрезе по
розничным и корпоративным кредитам.
Определив показатель, отражающий качество
кредитного портфеля, рассмотрим подробнее факторы, влияющие на него. Факторы
кредитного риска можно разделить на две группы: внешние, зависящие от
макроэкономической, политической, законодательной составляющих, от конкурентной
среды и также от мировой экономической обстановки, и внутренние, находящиеся под
контролем банка. Пример первых безработица, курс валюты, инфляция и другие.
Вторых - политика банка в отношении принятия риска, отдача от капитала, темп
роста кредитного портфеля и другие.
Более подробно данные факторы, с учетом
проанализированных выше эмпирических исследований, рассмотрены в табл. 3.
Таблица 3
Факторы, от которых зависит уровень просроченной
задолженности по кредитам
|
Показатель
|
Описание
|
Направление связи при росте
показателя
|
|
Внешние факторы
|
|
Индекс потребительских цен
|
Инфляция влияет двояко на динамику
просроченных кредитов. С одной стороны, она снижает реальную стоимость долга
и заемщикам будет легче его обслуживать. С другой стороны, рост инфляции дает
банкам право повышать ставки по действующим кредитам. Это ведет к увеличению
стоимости долга и, следовательно, росту неплатежей.
|
(+/-)
|
|
Уровень безработицы
|
Рост безработицы ведет с снижению
реальных доходов домохозяйств и снижению их платежеспособности по ссудам.
|
(+)
|
|
Цена нефти
|
По данным Росстата доля
нефтегазового сектора в ВВП России около 20%. Кроме того, на него приходится
порядка 50% доходов федерального бюджета. Значительное падение цены на нефть
(даже если учесть положительный эффект влияния снижения курса рубля на доходы
бюджета) приводит к сокращению числа госпрограмм и, как следствие, падению
объема финансовых потоков, а также сокращению потока денег в страну на счета
в банки.
|
(-)
|
|
Курс рубля к доллару
|
Ослабление рубля ведет к
относительному удорожанию валютного долга компаний. Использование финансового
рычага становится менее эффективным. Это снижает прибыли компаний и ведет
росту задержек по кредитным обязательствам. Однако в тоже время товары данной
страны становятся боле конкурентно способными на мировом рынке в силу их
относительной дешевизны, при этом внутри страны снижается объем импорта из-за
роста его стоимости. Это благополучно сказывается на экспортно-импортных
компаниях и ведет к росту компоненты чистого экспорта. В работе используется
обменный курс.
|
(+/-)
|
|
Темп прироста ВВП
|
Динамика уровня просроченной
задолженности - «зеркало» процессов, протекающих в экономике страны. Снижение
ВВП негативно сказывается на платежеспособности заемщиков.
|
(-)
|
|
Объем банковских активов
|
С ростом активов банковской
системы растут и кредитные портфели банков, что ведет к увеличению просроченной
задолженности.
|
(+)
|
|
Ключевая ставка
|
Ставка семидневного репо является
индикатором стоимости денег в экономике страны. С ее ростом банк может
повысить ставку по текущим кредитам и выдает новые по более высокой ставке.
Следовательно, растет долговая нагрузка на заемщика и растет вероятность его
полной или частичной неплатёжеспособности.
|
(+)
|
|
Уровень реальной заработной платы
|
Заработная плата напрямую влияет
на платежеспособность по розничным кредитам. Чем она выше, тем в теории ниже
должна быть просроченная задолженность. Однако под больший доход клиенты
смогут получить большие займы, просроченная задолженность по которым может
перекрыть выгоды от роста платежеспособности.
|
(+/-)
|
|
Внутренние факторы
|
|
Темпы прироста кредитного портфеля
|
Для каждой кредитной организации
предпочтительнее иметь как можно более надежные ссуды при одном и том же
уровне доходности. Учитывая факт ограниченности наличия такого рода активов,
банки вынуждены прибегать к размещению своих средств в активы с более высоким
уровнем риска. Следовательно, при все возрастающих «аппетитах» банка в
отношении максимизации доходности кредитного портфеля, он вынужден принимать
на себя больший риск.
|
(+)
|
|
Соотношение операционных расходов
и операционных доходов
|
Широко используемый показатель
банковской эффективности. Если показатель растет, то считается, что банк
становится менее эффективен в выборе заемщиков и со временем вынужден
создавать больше РВПС.
|
(+)
|
|
Спред ставок по кредитам и
депозитам
|
Увеличение значения спреда имеет
тенденцию роста в период экономического кризиса (см. приложение 1). Это
связано в первую очередь с ростом процентных доходов от повышения стоимости
кредитов. Поэтому с увеличением спреда растет просроченный основной долг
из-за роста долговой нагрузки по процентам.
|
(+)
|
Перечисленные выше факторы влияют на уровень
просроченной задолженности. Они, безусловно, неотделимы друг от друга и имеют
конкретную тесноту связи между собой. Определение этой связи необходимо для
построения модели динамического влияния одних переменных на другие, что будет
представлено в следующей главе.
Глава 3. Регрессионный анализ
влияния внутренних и внешних факторов на качество кредитного портфеля банка
3.1 Анализ показателей кредитного
портфеля АО «Альфа-Банк»
Из рис. 3 видно, что кредитный портфель банка
«Альфа-Банк» демонстрирует стремительный рост за период времени с 2001 по 2015
год включительно. Объем выданных кредитов вырос с отметки в 31,8 млрд. руб. на
начало января 2001 года до 1,430 трлн. руб. на февраль 2015 года. Прирост
составил 1398 млрд. руб. или 4396%. За указанный период особое внимание стоит
уделить промежутку времени кризиса 2008 года с сентября 2008 года по декабрь
2009 года. Наблюдалось сокращение объемов кредитования. Падение на 199 млрд.
руб. с уровня в 516 млрд. руб. до 317 млрд. руб. Прирост составил -39%.
Аналогичная динамика наблюдается в кризис 2014 года. Прирост кредитного
портфеля с февраля 2015 года по июль 2015 года составил -15,5%. Кризис 2014
года оказал более чем в два раза меньшее влияние как на падение стоимости кредитного
портфеля банка, так и на продолжительность этого процесса.
Рис. 3. Динамика кредитного портфеля АО
«Альфа-Банк» по типам заемщиков за период с 2001 по 2015 год
«Альфа-Банк» специализируется на кредитовании
юридических лиц. Наблюдается рост доли розничного кредитования. Доля
корпоративного кредитования на начало 2006 год составила 98%, в то время как на
сентябрь 2014 года всего 79%. Сокращение объемов кредитования банком в
кризисное время приходится в большей степени на юридических лиц.
Рис. 4. Динамика кредитного портфеля АО
«Альфа-Банк» по срокам за период с 2001 по 2015 год
Относительно сроков кредитования стоит сказать,
что кредитный портфель банка носит краткосрочный характер большую часть времени
до 2009 года и долгосрочный после. Это можно заметить из рис. 4 Данный
переход можно отметить как положительную тенденцию, так как долгосрочные
инструменты генерируют больший доход для финансовой организации, в тоже время
он сопряжен с дополнительным принимаемым риском, поскольку невозможно
качественно определить финансовое состояние заемщика на сколь угодно длинный
период времени в силу все большего множества неучтенных обстоятельств, так или
иначе влияющих на финансовое состояние заемщика. Превалирование долгосрочных
кредитов после кризиса 2008 года связано с пролонгацией плохих долгов, в то
время как стремительный рост в кризис 2014 года вызван ростом спроса на
долгосрочные ресурсы со стороны коммерческих организаций в связи с ограничением
доступа российских организаций к иностранным рынкам капитала.
Рис. 5. Динамика просроченной задолженности по
кредитному портфелю АО «Альфа-Банк» по видам заемщиков за период с 2001 по 2015
год
кредитный портфель финансовый риск
Из рис. 5 Можно сделать вывод, что
просроченная задолженность клиентов перед банком со временем растет. В целом,
ее рост обусловлен наращиванием кредитного портфеля, за исключением периода
кризиса 2008 - 2009 годов, когда сокращение объема предоставляемых ссуд на 39%
сопровождалось ростом просроченной задолженности на 692% с отметки 9,372 млрд.
руб. на сентябрь 2008 года до 74,224 млрд. руб. на декабрь 2009 года. Основной
объем просроченной задолженности приходится на корпоративных клиентов с октября
2008 года - достигнув пика в сентябре 2009 года и резко снизившись к сентябрю
2010 года - по март 2012 года. Данный факт обусловлен чередой неплатежей,
вызванных кризисом. Аналогичная динамика наблюдается и в кризис 2014 года,
когда просроченная задолженность с января по декабрь 2015 года выросла более
чем в два раза.
Рис. 6. Динамика основных показателей кредитного
портфеля АО «Альфа-Банк» за период с 2001 по 2015 год
Из рис. 6 видно, что доля невозвращенного
основного долга, списанного на РВПС из-за невозможности взыскания
задолженности, растет. Значение достигло отметки 7% на конец 2015 года, что в 3
раза выше значения в кризис 2008 года. Кроме того, увеличивается отношение
просроченной задолженности к стоимости кредитного портфеля. Значение данного
показателя до кризиса 2008 года составляло порядка 1-2%, в то время как после
3-5%. В кризис 2008 года значение составило чуть менее 25%, а в кризис 2014
года более 10%. Данная динамика на фоне роста кредитного портфеля
свидетельствует о росте кредитного риска, потому что банк наращивает кредитный
портфель более рисковыми активами. Отношение РВПС к стоимости кредитного
портфеля падает в 2 раза за рассматриваемый период. Формально это говорит о
том, что качество кредитного портфеля растет. Данное противоречие
свидетельствует либо об осознанном повышении банком кредитного риска путем
формирования меньших резервов под менее надежные активы либо увеличением
требований к обеспечению по предоставленным кредитам, которые уменьшают объем
начисляемых резервов.
Рис. 7. Динамика РВПС АО «Альфа-Банк» за период
с 2001 по 2015 год
Из рис. 7 Видно, что уровень РВПС не
демонстрирует значительных изменений вплоть до 2010 года. Наблюдается
стабильный рост с 850 млн. руб. до 40 млрд. руб. на май 2010 года. Отсутствие
соизмеримого с ростом просроченной задолженности роста РВПС в период кризиса
2008-2009 годов объясняется спадом в активности экономических агентов,
приведшим к сокращению кредитного портфеля и, как результат, меньшему уровню
сформированных резервов с одной стороны. С другой - рост уровня просроченной
задолженности и доначисление РВПС. Два эффекта скомпенсировали друг друга.
Выход на новый уровень в среднем 45 млрд. руб. начиная с 2010 года объясняется
ростом кредитного портфеля. Иная динамика характерна кризису 2014 года. Явно
превалирует доначисление РВПС по текущим кредитам над восстановлением по уже
погашенным. Рост более чем в два раза с июля 2014 года по февраль 2015 года.
Исходя из представленного выше объема
проанализированной информации о показателях, характеризующих кредитный портфель
банка, можно сделать вывод, что банк имеет в целом качественный кредитный
портфель, поскольку состоит в большей степени из долгосрочных (более одного
года) корпоративных кредитов, однако налицо факт повышения кредитного риска,
выявляемый из обратной взаимосвязи между коэффициентами покрытия и долей
просроченной задолженности в кредитном портфеле, а также из роста долгосрочных
кредитов после кризиса 2008 года, вызванный главным образом пролонгацией плохих
долгов заемщиков.
3.2 Построение модели кредитного
риска и прогноз просроченной задолженности
В данной работе установлена взаимосвязь между
показателями объема кредитного портфеля по физическим и юридическим лицам,
обменного курса рубля к доллару, инфляцией, стоимостью барреля нефти марки Brent,
безработицей, реальной заработной платой, спредом процентных ставок по активным
и пассивным операциям и объемом просроченной задолженности банка «Альфа-Банк» с
первого квартала 2001 года по третий квартал 2015 года включительно с помощью
модели векторной авторегрессии - Vector
Autoregressive
Model - или VAR.
Оценив объем просроченной задолженности по
розничному и корпоративному кредитным портфелям и нормировав их сумму на
совокупный объем кредитного портфеля, мы оценим долю просроченной задолженности
по предоставленным кредитам и тем самым оценим кредитный риск.
Описание исходных данных представлено в табл.4.
Таблица 4
Описание исходных данных
|
Название переменной
|
Описание
|
Размерность
|
|
CPC
|
Стоимость кредитного портфеля ОАО
«Альфа-Банк» по юридическим лицам
|
Тыс. руб.
|
|
CPI
|
Стоимость кредитного портфеля ОАО
«Альфа-Банк» по физическим лицам
|
Тыс. руб.
|
|
EXCH
|
Обменный курс рубля к
американскому доллару
|
Руб.
|
|
GDP
|
ВВП
|
Млрд. руб. (в ценах 2008 года)
|
|
INV
|
Инвестиции в основной капитал
|
Индекс (база 1993 год)
|
|
IPC
|
Прирост ИПЦ
|
%
|
|
NPLC
|
Просроченная задолженность
юридических лиц
|
Тыс. руб.
|
|
NPLI
|
Просроченная задолженность
физических лиц
|
Тыс. руб.
|
|
OIL
|
Стоимость барреля нефти марки Brent
|
Доллары
|
|
SPRD
|
Дифференциал ставок по размещенным
кредитам и привлеченным депозитам. Рассчитывается как отношение процентных
доходов к выданным кредитам за вычетом отношения процентных расходов по
привлеченным депозитам
|
В долях
|
|
UNPL
|
Уровень безработицы
|
%
|
|
WAGE
|
Уровень заработной платы
|
Индекс (база 1993 год)
|
|
CRISIS08
|
Dummy
переменная периода с III
квартала 2008 по IV
квартал 2009 года
|
-
|
|
CRISIS14
|
Dummy
переменная периода с IV
квартала 2014 по III
квартал 2015 года
|
-
|
Данные по объемам кредитного портфеля,
просроченной задолженности и спреду собраны из 101 и 102 форм, размещенных на
сайте ЦБ. Информация и стоимости нефти и обменном курсе получены из
статистических баз данных finam.
Остальные данные предоставлены Росстатом. Информация на месячной основе
преобразуется в квартальные расчетом средней хронологической.
Данные по кредитному портфелю и по просроченной
задолженности разделены на две части: по физическим и по юридическим лицам. Это
позволит провести отдельно друг от друга анализ факторов, влияющих на кредитный
риск по каждому из направлений кредитования.
Общий алгоритм построения VAR
модели:
. Тестирование каждого временного ряда на
единичные корни (проверка стационарности). Для этой цели применяется
расширенный тест Дики-Фуллера - Augmented
Dickey-Fuller
test - или ADF-тест.
В случае, если ряды I(1), к ним
применяются такие преобразования, как взятие логарифма или первых разностей с
целью приведения их к виду I(0).
Однако конечный вариант включения переменной в модель будет зависеть от статистических
свойств модели на этапе диагностики.
. Оценка стандартной VAR
модели (1) порядка 
без ограничений:
(1)
где 
есть
n x 1 вектор эндогенных переменных, где n
число этих переменных; p
- порядок VAR модели или
количество лагов; Ai
есть
n
x
n матрица
коэффициентов эндогенных переменных; B
матрица n
x
d коэффициентов
экзогенных переменных; xi
вектор
d
x
1
экзогенных переменных, где d
их количество; et вектор ошибок, представляющий процесс белого шума.
. Определение лаговой структуры, для чего
применяются процедуры Lag
Order Selection
и Lag Exclusion
Test. Если на этапе
выбора оптимального количества лагов в модели критерий LR, а также информационные
критерии AIC (Akaike information criterion), SC (Schwarz information criterion)
и HQ (Hannan-Quinn information criterion) показывают различные результаты,
строится каждая из выбранных ими спецификаций модели и выбирается лучшая на
этапе диагностики.
4. Диагностика VAR
модели, состоящая из двух шагов. Первый -проверка модели на стабильность
(стационарность). Модель стабильна, если обратные корни характеристического
уравнения матрицы оцененных коэффициентов по модулю меньше единицы, то есть
лежат внутри единичной окружности. Второй - тестирование остатков et на
белый шум, для чего применяются тесты на проверку отсутствия автокорреляции
остатков Residual
Serial Correlation
LM Test
и проверка нормальности их распределения Residual
Normality
Test.
. Тестирование причинности Грэнджера - Granger
causality / block
exogeneity
Wald test
- или GCBEW
test. GCBEW
тест говорит о том, способствует ли динамика лаговых значений одной переменной
в объяснении динамики другой и не предоставляет информации о направлении и
степени связи переменных. Например, на просроченную задолженность влияет
динамика инфляции, но способствует ли она ее падению или росту остается
неизвестным.
6. Построение функции импульсного отклика
уровня просроченной задолженности на шоки эндогенных переменных модели и оценка
декомпозиции ошибок прогноза. Функции импульсного отклика позволят определить
направление влияния шоков на просроченную задолженность со временем, а
декомпозиция ошибок прогноза оценить вклад каждой из переменных модели в динамику
просроченной задолженности. Иными словами, ответить на вопрос: под влиянием
какого фактора в большей степени происходит динамика просроченной задолженности
и как вклад этих факторов меняется со временем. Важным при построении функции
импульсного отклика и декомпозиции ошибок прогноза является порядок вхождения
эндогенных переменных в модель. Согласно [18,
с. 276], переменные следует расположить в следующем порядке:
· Сначала идут переменные, которые не
объясняются другими переменными
· Затем следуют остальные в порядке
увеличения корреляции между ними
· Последнее место занимает целевая
переменная.
3.2.1
3.2.1 Розничный портфель
VAR модель по
розничному портфелю оценена по 59 квартальным наблюдениям пяти переменных: трех
внутренних (просроченная задолженность (NPL)
физических лиц, объем розничного кредитного портфеля «Альфа-Банк», спред ставок
по активным и пассивным операциям банка) и двух внешних (уровень безработицы,
уровень заработной платы). Выбор переменных основан на проанализированных выше
эмпирических исследованиях. Важным условием при этом стало объединить вместе
показатели, характеризующие как заемщика, так и политику банка в отношении
риска. Так, уровень зарплаты и безработицы отражают платежеспособность
заемщика, а спред и объем кредитного портфеля - кредитную политику банка.
Также в модель включены две бинарные переменные,
контролирующие изменение динамики вышеназванных временных рядов в кризисы 2008
и 2014 годов. Динамика показателей за период с 2001 по 2015 год в приложении
1. Из-за значительной сезонной зависимости ряды по уровню заработной платы
взяты сезонно сглаженными (данные Росстата), по значению спреда и безработицы
сглажены применением процедуры census
X-13. С целью
повышения статистических свойств модели и улучшения ее прогнозной силы ряды
взяты в логарифмах. Для исключения явно наличествующего тренда в данных, ряды
взяты в первых разностях.
В табл. 5 показаны результаты теста на
стационарность пяти временных рядов в первых и вторых разностях логарифмов.
Таблица 5
ADF-тест
|
Показатель
|
Значения t-статистики
ADF-теста
|
|
Первая разность логарифмов
|
Вторая разность логарифмов
|
|
NPLI
|
-2,07
(tr,
c)
|
-6,74 (tr,
c)
|
|
CPI
|
-6,47 (tr,
c)
|
-
|
|
UNPL
|
-2,50
(tr,
c)
|
-4,69
(c)
|
|
WAGE
|
-2,35(tr,
c)
|
-8,53 (tr,
c)
|
|
SPRD
|
-5,73
(tr,
c)
|
-
|
В таблице наличие (tr, c) говорит о том,
что в ряде есть тренд и константа, критические значения t-статистики ADF-теста
-4,13; -3,50; -3,18 для 1, 5 и10 % уровней значимости соответственно; (c)
- только константа, критические значения -3,55; -2,91; -2,59 соответственно
[29]. Жирным выделен стационарный вид ряда.
Согласно результатам ADF
теста, переменные объем кредитного портфеля и спред должны включаться в модель
в первых разностях логарифмов, а остальные - во вторых разностях. Однако
остатки 
в
таком случае не удовлетворяют требованию белого шума. Поэтому оценена модель с
объемом кредитного портфеля во вторых разностях логарифмов, а заработная плата
и спред - в первых.
Выбор оптимального количества лагов показан в табл.
6.
Таблица 6
Lag
Order Selection
|
Lag
|
LR
|
AIC
|
SC
|
HQ
|
|
|
|
|
|
|
0
|
NA
|
-12.06
|
-11.50
|
-11.85
|
|
1
|
90.06
|
-13.18
|
-11.66
|
-12.60
|
|
2
|
103.68
|
-14.93
|
-12.46
|
-13.99
|
|
3
|
51.93
|
-15.52
|
-12.11
|
-14.22
|
|
4
|
27.43
|
-15.52
|
-11.16
|
-13.86
|
|
5
|
47.24
|
-16.59
|
-11.29
|
|
6
|
70.54*
|
-19.53*
|
-13.28*
|
-17.14*
|
В табл.6 звездочкой отмечена оптимальная
длина лага равная шести кварталам всеми критериями. Поэтому оцененная VAR
модель включает в себя запаздывающие значения эндогенных переменных на шесть
периодов. Спецификация модели представлена в приложении 2.
Таблица 7
Lag
Exclusion
Test
|
Chi-squared test
statistics for lag exclusion:
|
|
|
Numbers in [ ]
are p-values
|
|
|
NPLI
|
WAGE
|
CPI
|
SPRD
|
UNPL
|
Joint
|
|
|
|
|
|
|
|
|
Lag 1
|
10.58
|
68.49
|
12.02
|
27.86
|
72.99
|
439.95
|
|
[ 0.06]
|
[ 0.00]
|
[ 0.03]
|
[ 0.00]
|
[ 0.00]
|
[ 0.00]
|
|
Lag 2
|
7.88
|
38.17
|
13.78
|
17.82
|
52.07
|
329.37
|
|
[ 0.16]
|
[ 0.00]
|
[ 0.01]
|
[ 0.00]
|
[ 0.00]
|
[ 0.00]
|
|
Lag 3
|
8.86
|
7.28
|
22.56
|
15.07
|
30.38
|
268.06
|
|
[ 0.11]
|
[ 0.20]
|
[ 0.00]
|
[ 0.01]
|
[ 0.00]
|
[ 0.00]
|
|
Lag 4
|
13.34
|
4.14
|
11.37
|
19.41
|
23.74
|
236.06
|
|
[ 0.02]
|
[ 0.52]
|
[ 0.04]
|
[ 0.00]
|
[ 0.00]
|
[ 0.00]
|
|
Lag 5
|
10.67
|
8.45
|
9.99
|
25.64
|
14.23
|
179.69
|
|
[ 0.05]
|
[ 0.13]
|
[ 0.07]
|
[ 0.00]
|
[ 0.01]
|
[ 0.00]
|
|
|
|
|
|
|
|
|
Lag 6
|
12.44
|
8.38
|
6.96
|
20.44
|
8.52
|
163.16
|
|
[ 0.02]
|
[ 0.13]
|
[ 0.22]
|
[ 0.00]
|
[ 0.12]
|
[ 0.00]
|
|
|
|
|
|
|
|
|
В табл. 7 представлены результаты теста
Вальда на совместную незначимость коэффициентов для специфицированной модели.
Гипотеза совместной незначимости включенных в модель лагов отвергается на 5%
уровне значимости.
Результаты
Residual Normality Test и
Residual Serial Correlation LM Test представлены
в
табл.
8
и
табл. 9 соответственно. Согласно данным из табл. 8, мы не можем
отклонить гипотезу нормальности распределения остатков на 5% уровне значимости,
поскольку P-value
равно 0,66; 0,21 и 0,41 для коэффициента асимметрии, эксцесса и Jarque-Bera Test
соответственно. Данные табл. 9 констатируют, что на 5% уровне значимости
нет оснований отклонить нулевую гипотезу отсутствия автокорреляции до лага 7
включительно, поскольку P-value
больше 0,05 для каждого из лагов. Эти тесты позволяют сделать вывод о том, что
остатки в данной модели есть белый шум.
Таблица 8
Residual
Normality
Test
|
Component
|
Skewness
|
Chi-sq
|
Prob.
|
|
1
|
-0.48
|
1.95
|
0.16
|
|
2
|
-0.06
|
0.03
|
0.84
|
|
3
|
-0.19
|
0.32
|
0.57
|
|
4
|
-0.19
|
0.32
|
0.56
|
|
5
|
0.27
|
0.64
|
0.42
|
|
Joint
|
|
3.28
|
0.65
|
|
Component
|
Kurtosis
|
Chi-sq
|
Prob.
|
|
1
|
2.93
|
0.00
|
0.92
|
|
2
|
4.64
|
5.74
|
0.01
|
|
3
|
2.32
|
0.97
|
0.32
|
|
4
|
2.77
|
0.11
|
0.73
|
|
5
|
2.69
|
0.20
|
0.65
|
|
Joint
|
|
7.04
|
0.21
|
|
Component
|
Jarque-Bera
|
Prob.
|
|
|
1
|
1.96
|
0.37
|
|
|
2
|
5.78
|
0.05
|
|
|
3
|
1.29
|
0.52
|
|
|
4
|
0.43
|
0.80
|
|
|
5
|
0.84
|
0.65
|
|
|
Joint
|
10.33
|
0.41
|
|
Таблица 9
Residual Serial Correlation LM Test
|
Lags
|
LM-Stat
|
Prob
|
|
1
|
29.31
|
0.25
|
|
2
|
22.20
|
0.62
|
|
3
|
16.42
|
0.90
|
|
4
|
22.07
|
0.63
|
|
5
|
20.15
|
0.73
|
|
6
|
16.97
|
0.88
|
|
7
|
19.52
|
0.77
|
Рис. 8. Обратные корни
На рис. 8 показаны обратные корни
характеристического уравнения матрицы оцененных коэффициентов перед эндогенными
переменными. Все корни лежат внутри единичной окружности. Модель стационарна.
GCBEW тест
представлен в табл. 10. Переменные объем просроченной задолженности,
спред и уровень заработной платы объясняются динамикой других переменных
модели, потому что P-value
обобщённого теста каждого уравнения этих переменных составляет 0,00; 0,00 и 0,03
соответственно, в то время как объем кредитного портфеля и уровень безработицы
не объясняются, потому что нет оснований для отклонения нулевой гипотезы
исключения совместной незначимости остальных переменных в объяснении их
динамики.
Таблица 10
GCBEW тест
|
Dependent
variable: NPLI
|
Dependent
variable: WAGE
|
|
Excluded
|
Chi-sq
|
Prob.
|
Excluded
|
Chi-sq
|
Prob.
|
|
WAGE
|
23.19
|
0.00
|
NPLI
|
4.56
|
0.60
|
|
CPI
|
12.10
|
0.05
|
CPI
|
8.15
|
0.22
|
|
SPRD
|
31.16
|
0.00
|
SPRD
|
20.91
|
0.00
|
|
UNPL
|
8.14
|
0.22
|
UNPL
|
7.75
|
0.25
|
|
All
|
60.79
|
0.00
|
All
|
38.48
|
0.03
|
|
Dependent
variable: CPI
|
Dependent
variable: SPRD
|
|
Excluded
|
Chi-sq
|
Prob.
|
Excluded
|
Chi-sq
|
Prob.
|
|
NPLI
|
12.20
|
0.05
|
NPLI
|
7.38
|
0.28
|
|
WAGE
|
7.13
|
0.30
|
WAGE
|
5.97
|
0.42
|
|
SPRD
|
8.66
|
0.19
|
CPI
|
24.78
|
0.00
|
|
UNPL
|
7.68
|
0.26
|
UNPL
|
29.39
|
0.00
|
|
All
|
25.91
|
0.35
|
All
|
73.84
|
0.00
|
|
Dependent
variable: UNPL
|
|
|
Excluded
|
Chi-sq
|
Prob.
|
|
|
|
|
NPLI
|
14.15
|
0.02
|
|
|
|
|
WAGE
|
5.71
|
0.45
|
|
|
|
|
CPI
|
6.07
|
0.41
|
|
|
|
|
SPRD
|
4.15
|
0.65
|
|
|
|
|
All
|
27.24
|
0.29
|
|
|
|
Для оценки функций импульсного отклика и
декомпозиции ошибок прогноза устанавливается следующий порядок переменных в VAR
модели: уровень безработицы Þ объем кредитного
портфеля Þ спред Þ
уровень заработной платы Þ объем просроченной
задолженности.
На рис. 9.
представлена функция импульсного отклика целевой переменной объема просроченной
задолженности на собственные шоки и шоки остальных переменных. Под шоком
понимается неучтенная в VAR
модели динамика включенного в нее ряда размером одной стандартной ошибки
остатков .
Горизонтальная ось каждого графика показывает шесть последовательных периодов
после шока. Вертикальная - меру ежеквартального влияния шока на каждую
эндогенную переменную.
Из рис. 9 видно, что статистически
значимое влияние на динамику просроченной задолженности оказывают шоки
кредитного портфеля, спреда, безработицы.
· Шок кредитного портфеля снижает
уровень просроченной задолженности в первом квартале после шока. Поскольку мы
анализируем приросты показателей и в данном случае их динамика
разнонаправленная, то это означает превалирование прироста кредитного портфеля
над приростом просроченной задолженности. Иными словами, банку выгодно
наращивать розничный кредитный портфель (мы видели, что это происходит в
периоды роста экономики), поскольку на этапе роста не повышается доля плохих
долгов в совокупной задолженности физических лиц перед банком. Это подтверждает
гипотезу Clair, что в
повышательной фазе бизнес цикла рост объема кредитов и рост качества кредитного
портфеля могут положительно коррелировать.
· Шок спреда ставок влияет на
просроченную задолженность во втором периоде и способствует ее росту. В
дальнейшем влияние становится незначимым. Это объясняется тем фактом, что банк
в одностороннем порядке может изменить процентную ставку по ранее выданным
кредитам. Из этого следует, что растет долговая нагрузка на заемщика и платежи
идут в большей степени на погашение процентов, поскольку они гасятся в первую
очередь (спред растет). Следовательно, все меньшая часть каждого платежа будет
относится на погашение основного долга, что приведет к росту просроченной
задолженности. Если спред растет в отношении новых кредитов, то опережающий
рост ставок по кредитам ведет к повышению нагрузки и на новых заемщиков.
· Шок уровня безработицы влечет рост
просроченной задолженности в первом квартале. Связь безработицы и просроченной
задолженности осуществляется опосредованно через доходы населения. С ростом
безработицы снижаются реальные располагаемые доходы населения, что ведет к
падению платежеспособности заемщиков. Кроме того, с повышением
безработицы спрос на новые кредиты падает и растет удельный вес просроченной
задолженности в кредитном портфеле.
· Что касается шоков уровня заработной
платы, то в данном случае не выявлено сколь либо значимого непосредственного
влияния этого показателя на объем просроченной задолженности. Это
сигнализирует, что снижение платежеспособности заемщиков, не вызванное полной
потерей их платежеспособности как в случае безработицы, не ведет к росту
просроченной задолженности.
Рис. 9. Impulse
Response
Function
Таблица 11
Variance Decomposition
|
Period
|
S.E.
|
NPLI
|
WAGE
|
CPI
|
SPRD
|
UNPL
|
|
1
|
0.03
|
47.50
|
1.95
|
35.46
|
2.49
|
12.58
|
|
2
|
0.04
|
43.03
|
1.81
|
32.05
|
11.64
|
11.44
|
|
3
|
0.04
|
32.98
|
9.16
|
26.18
|
9.16
|
22.49
|
|
4
|
0.05
|
24.34
|
7.03
|
26.12
|
11.21
|
31.29
|
|
5
|
0.05
|
21.92
|
6.76
|
10.15
|
33.68
|
|
6
|
0.06
|
21.64
|
6.73
|
26.55
|
9.36
|
35.70
|
Из табл. 11 видно, что в первом периоде
изменение NPL на 47,5% объясняется динамикой просроченной задолженности и на
35,47% динамикой кредитного портфеля. Со временем доля просроченной
задолженности и объема кредитного портфеля в динамике NPL снижается до отметки
21,65% и 26,55% соответственно, в то время как остальных факторов растет. Так,
доля безработицы в дисперсии прогноза начиная с 4 квартала выходит на первое
место и составляет 31,30%. Влияние безработицы с большим лагом сигнализирует о
постепенной утрате платежеспособности заемщиком. Доля спреда в том же периоде
составляет примерно 10% и колеблется вдоль данной отметки в остальные периоды.
Что касается уровня заработной платы, то наибольшего значения показатель
достигает в 3 квартале 9,17% и к 6 периоду падает до 6,7%. Таким образом,
наиболее важными показателями, определяющими вариацию объема просроченной
задолженности являются уровень безработицы, объем розничного кредитного
портфеля и спред.
3.2.2 Корпоративный портфель
VAR модель по
корпоративному портфелю оценена также по 59 квартальным наблюдениям семи
переменных: трех внутренних (NPL юридических лиц, объем корпоративного кредитного
портфеля «Альфа-Банк», спред) и четырех внешних (обменный курс рубля к доллару,
ВВП, инфляция, цена барреля нефти марки Brent).
Выбор переменных происходит аналогично, как в модели по розничному кредитному
портфелю с учетом современных тенденций на финансовом и товарном рынках.
Как и в модели для физических лиц, в модель
включены две бинарные переменные, контролирующие изменение динамики
вышеназванных временных рядов в кризисы 2008 и 2014 годов. Динамика показателей
за период с 2001 по 2015 год в приложении 3. Из-за значительной сезонной
зависимости ряд по объему инвестиций в основной капитал взят сезонно сглаженным
(данные Росстата), данные по значению ВВП, инфляции и спреда сглажены
применением процедуры census
X-13. Аналогично
модели для физических лиц, все рады взяты в логарифмах первых разностей.
В табл.12 показаны результаты теста на
стационарность семи временных рядов в первых и вторых разностях логарифмов.
Таблица 12
ADF-тест
|
Показатель
|
Значения t-статистики
ADF-теста
|
|
Первая разность логарифмов
|
Вторая разность логарифмов
|
|
NPLC
|
-5,37 (tr, c)
|
-
|
|
EXCH
|
-6,39 (tr, c)
|
-
|
|
GDP
|
-3,65 (tr, c)
|
-
|
|
IPC
|
-5,73 (tr, c)
|
-
|
|
OIL
|
-6,59 (tr, c)
|
-
|
|
CPC
|
-6,27 (tr, c)
|
-
|
|
SPRD
|
-5,73
(tr,
c)
|
-
|
В таблице наличие (tr, c) говорит о том,
что в ряде есть тренд и константа, критические значения t-статистики ADF-теста
-4,13; -3,50; -3,18 для 1, 5 и10 % уровней значимости соответственно; (c)
- только константа, критические значения -3,55; -2,91; -2,59
соответственно[29]. Жирным выделен стационарный вид ряда.
Согласно результатам ADFтеста,
все переменные должны включаться в модель в первых разностях логарифмов.
Выбор оптимального количества лагов показан в табл.
13.
Таблица 13
Lag
Order Selection
|
Lag
|
LR
|
AIC
|
SC
|
HQ
|
|
0
|
NA
|
-21.83
|
-21.06*
|
-21.54
|
|
1
|
136.39
|
-23.12
|
-20.54
|
-22.13
|
|
2
|
135.62*
|
-24.97
|
-20.59
|
-23.28*
|
|
3
|
54.18
|
-24.96
|
-18.77
|
-22.58
|
|
4
|
63.80
|
-25.92*
|
-17.93
|
-22.84
|
В табл.13 звездочкой отмечена оптимальная
длина лага равная нулю, двум и четырем кварталам различными критериями. Остатки
модели
с лагом в два периода не удовлетворяют процессу белого шума. Модель с лагом в
ноль периодов означает, что в модель не будут включены лаговые значения
эндогенных переменных и как следствие, будет невозможно построить функции
импульсного отклика просроченной задолженности на шоки эндогенных переменных.
Поэтому данная спецификация модели не рассматривается в настоящем исследовании.
Остается оценить VAR
модель, включающую запаздывающие значения эндогенных переменных на четыре
квартала. Спецификация модели представлена в приложении 4.
Таблица14
Lag
Exclusion
Test
|
Chi-squared test
statistics for lag exclusion:
|
|
|
Numbers in [ ]
are p-values
|
|
|
CPC
|
EXCH
|
GDP
|
IPC
|
NPLC
|
OIL
|
SPRD
|
Joint
|
|
Lag 1
|
6.04
|
16.57
|
82.34
|
22.42
|
2.60
|
20.30
|
14.96
|
215.89
|
|
[ 0.53]
|
[ 0.02]
|
[ 0.00]
|
[ 0.00]
|
[ 0.91]
|
[ 0.00]
|
[ 0.03]
|
[ 0.00]
|
|
Lag 2
|
12.79
|
32.91
|
28.36
|
22.48
|
2.32
|
17.52
|
6.48
|
167.10
|
|
[ 0.07]
|
[ 0.00]
|
[ 0.00]
|
[ 0.00]
|
[ 0.93]
|
[ 0.01]
|
[ 0.48]
|
[ 0.00]
|
|
Lag 3
|
3.32
|
5.14
|
6.16
|
3.72
|
11.29
|
7.81
|
1.99
|
81.91
|
|
[ 0.85]
|
[ 0.64]
|
[ 0.52]
|
[ 0.81]
|
[ 0.12]
|
[ 0.34]
|
[ 0.96]
|
[ 0.00]
|
|
Lag 4
|
9.22
|
2.70
|
4.95
|
9.83
|
16.33
|
3.80
|
4.97
|
103.47
|
|
[ 0.23]
|
[ 0.91]
|
[ 0.66]
|
[ 0.19]
|
[ 0.02]
|
[ 0.80]
|
[ 0.66]
|
[ 0.00]
|
|
|
|
|
|
|
|
|
|
|
В табл.14 представлены результаты теста
Вальда на совместную незначимость коэффициентов для специфицированной модели.
Гипотеза совместной незначимости включенных в модель лагов отвергается на 5%
уровне значимости.
Результаты
Residual Normality Test и
Residual Serial Correlation LM Test представлены
в
табл.
15
и
табл. 16 соответственно. Согласно данным из табл. 15, мы не можем
отклонить гипотезу нормальности распределения остатков на 5% уровне значимости,
поскольку P-value
равно 0,65; 0,80 и 0,83 для коэффициента асимметрии, эксцесса и Jarque-Bera Test
соответственно. Данные табл. 16 констатируют, что на 5% уровне
значимости нет оснований отклонить нулевую гипотезу отсутствия автокорреляции
до лага 7 включительно, поскольку P-value
больше 0,05 для каждого из лагов. Эти тесты позволяют сделать вывод о том, что
остатки в данной модели есть белый шум.
Таблица 15
Residual
Normality
Test
|
Component
|
Skewness
|
Chi-sq
|
Prob.
|
|
1
|
-0.32
|
0.92
|
0.33
|
|
2
|
0.35
|
1.10
|
0.29
|
|
3
|
-0.28
|
0.74
|
0.38
|
|
4
|
0.27
|
0.67
|
0.41
|
|
5
|
-0.27
|
0.67
|
0.41
|
|
6
|
0.31
|
0.87
|
0.35
|
|
7
|
-0.11
|
0.11
|
0.73
|
|
Joint
|
|
5.11
|
0.64
|
|
Component
|
Kurtosis
|
Chi-sq
|
Prob.
|
|
1
|
2.71
|
0.17
|
0.67
|
|
2
|
2.62
|
0.31
|
0.57
|
|
3
|
2.50
|
0.55
|
0.45
|
|
4
|
3.29
|
0.19
|
0.66
|
|
5
|
3.97
|
2.13
|
0.14
|
|
6
|
3.18
|
0.07
|
0.78
|
|
7
|
3.40
|
0.37
|
0.54
|
|
Joint
|
|
3.83
|
0.79
|
|
Component
|
Jarque-Bera
|
Prob.
|
|
|
1
|
1.09
|
0.57
|
|
|
2
|
1.42
|
0.49
|
|
|
3
|
1.30
|
0.51
|
|
|
4
|
0.86
|
0.64
|
|
|
5
|
2.80
|
0.24
|
|
|
6
|
0.94
|
0.62
|
|
|
7
|
0.48
|
0.78
|
|
|
Joint
|
8.94
|
0.83
|
|
Таблица16Serial
Correlation LM Test
|
Lags
|
LM-Stat
|
Prob
|
|
1
|
39.71
|
0.82
|
|
2
|
49.65
|
0.44
|
|
3
|
46.45
|
0.57
|
|
4
|
46.52
|
0.57
|
|
5
|
39.65
|
0.82
|
|
6
|
56.90
|
0.20
|
|
7
|
46.58
|
0.57
|
На рис. 10 показаны обратные корни
характеристического уравнения матрицы оцененных коэффициентов перед эндогенными
переменными. Все корни лежат внутри единичной окружности. Модель стационарна.
GCBEW тест представлен
в табл. 17. Переменные ВВП, спред и инфляция не объясняются динамикой
других переменных модели, потому что P-value
обобщённого теста каждого уравнения этих переменных составляет 0,81; 0,91 и
0,54 соответственно, поэтому эти переменные будут идти впереди переменных
нефти, объема кредитного портфеля, обменного курса и просроченной задолженности
при построении функции импульсного отклика и декомпозиции дисперсии прогноза.
Рис. 10. Обратные корни
Таблица 17
GCBEW тест
|
Dependentvariable:
CPC
|
Dependentvariable:
EXCH
|
|
Excluded
|
Chi-sq
|
Prob.
|
Excluded
|
Chi-sq
|
Prob.
|
|
EXCH
|
16.93
|
0.00
|
CPC
|
1.96
|
0.74
|
|
GDP
|
2.63
|
0.61
|
GDP
|
6.94
|
0.13
|
|
IPC
|
3.35
|
0.50
|
IPC
|
9.65
|
0.04
|
|
NPLC
|
3.95
|
0.41
|
NPLC
|
2.12
|
0.71
|
|
OIL
|
5.03
|
0.28
|
OIL
|
6.23
|
0.18
|
|
SPRD
|
6.97
|
0.13
|
SPRD
|
5.77
|
0.21
|
|
All
|
50.70
|
0.00
|
All
|
40.63815
|
0.01
|
|
Dependent
variable: GDP
|
Dependent
variable: IPC
|
|
Excluded
|
Chi-sq
|
Prob.
|
Excluded
|
Chi-sq
|
Prob.
|
|
CPC
|
0.28
|
0.99
|
3.00
|
0.55
|
|
EXCH
|
0.42
|
0.98
|
EXCH
|
5.78
|
0.21
|
|
IPC
|
4.20
|
0.37
|
GDP
|
2.28
|
0.68
|
|
NPLC
|
1.76
|
0.77
|
NPLC
|
1.74
|
0.78
|
|
OIL
|
7.07
|
0.13
|
OIL
|
2.82
|
0.58
|
|
SPRD
|
4.64
|
0.32
|
SPRD
|
1.41
|
0.84
|
|
All
|
17.77
|
0.81
|
All
|
22.51
|
0.54
|
|
Dependent
variable: NPLC
|
Dependent
variable: OIL
|
|
Excluded
|
Chi-sq
|
Prob.
|
Excluded
|
Chi-sq
|
Prob.
|
|
CPC
|
10.29
|
0.03
|
CPC
|
5.81
|
0.21
|
|
EXCH
|
5.66
|
0.22
|
EXCH
|
0.66
|
0.95
|
|
GDP
|
6.54
|
0.16
|
GDP
|
9.47
|
0.05
|
|
IPC
|
5.28
|
0.25
|
IPC
|
9.87
|
0.04
|
|
OIL
|
10.18
|
0.03
|
NPLC
|
4.21
|
0.37
|
|
SPRD
|
0.64
|
0.95
|
SPRD
|
7.16
|
0.12
|
|
All
|
37.75
|
0.03
|
All
|
51.51
|
0.00
|
|
Dependent
variable: SPRD
|
|
|
Excluded
|
Chi-sq
|
Prob.
|
|
|
|
|
CPC
|
2.62
|
0.62
|
|
|
|
|
EXCH
|
0.68
|
0.95
|
|
|
|
|
GDP
|
3.30
|
0.50
|
|
|
|
|
IPC
|
2.62
|
0.62
|
|
|
|
|
NPLC
|
1.71
|
0.78
|
|
|
|
|
OIL
|
0.75
|
0.94
|
|
|
|
|
All
|
15.47
|
0.90
|
|
|
|
Для оценки функций импульсного отклика и
декомпозиции ошибок прогноза устанавливается следующий порядок переменных в VAR
модели: уровень ВВП Þ инфляцияÞ
спред Þ
обменный курс рубля Þ объем кредитного портфеля Þ
нефть Þ
просроченная задолженность.
На рис. 11.
представлена функция импульсного отклика целевой переменной объема просроченной
задолженности на собственные шоки и шоки остальных переменных размером одной
стандартной ошибки остатков 
VAR
модели.
Рис. 11. Impulse
Response
Function
Из рис. 11 видно, что статистически
значимое влияние на динамику просроченной задолженности оказывают шоки
кредитного портфеля, обменного курса и нефти.
· Шок кредитного портфеля снижает
уровень просроченной задолженности в первом квартале после шока. Аналогично как
в модели по физическим лицам, это означает превалирование прироста кредитного
портфеля над приростом просроченной задолженности. Банку выгодно наращивать
корпоративный кредитный портфель (мы видели, что это происходит в периоды роста
экономики), поскольку на этапе роста не повышается доля плохих долгов в
совокупной задолженности юридических лиц перед банком. Это очередной раз
подтверждает гипотезу Clairо
возможности положительной корреляции объема кредитов и качества кредитного
портфеля.
· Шок обменного курса влечет рост
просроченной задолженности в первом квартале после шока. Это объясняется
ростом долговой нагрузки на заемщика в рублевом эквиваленте. В дальнейшем
влияние становится незначимым, потому что компании приспосабливаются к новым
экономическим условиям, перестраивая свои производственные процессы и хеджируя
риски.
· Шок стоимости нефти способствует
сокращению просроченной задолженности в четвертом квартале после шока. Связь
стоимости нефти и просроченной задолженности осуществляется через активность
экономических агентов. С ее ростом увеличиваются доходы энергетических
корпораций, доходы бюджета и поток денежных средств на расчетные счета
организаций в банке. Следовательно, растет платежеспособность заемщиков и
сокращается просроченная задолженность.
· Что касается шоков остальных
переменных, то в данном случае не выявлено сколь либо значимого их
непосредственного влияния на объем просроченной задолженности.
Таблица 18
Variance Decomposition
|
Period
|
S.E.
|
CPC
|
EXCH
|
GDP
|
IPC
|
NPLC
|
OIL
|
SPRD
|
|
1
|
0.05
|
6.39
|
15.66
|
1.95
|
3.22
|
71.94
|
0.08
|
0.72
|
|
2
|
0.05
|
6.03
|
15.27
|
5.23
|
4.06
|
66.90
|
1.71
|
0.76
|
|
3
|
0.06
|
6.83
|
14.51
|
5.05
|
7.24
|
63.57
|
1.96
|
0.80
|
|
4
|
0.07
|
6.57
|
12.87
|
5.39
|
6.49
|
55.69
|
12.22
|
0.72
|
|
5
|
0.08
|
7.21
|
12.06
|
7.25
|
5.65
|
50.41
|
11.83
|
5.56
|
|
6
|
0.09
|
6.99
|
12.54
|
8.31
|
6.49
|
48.65
|
11.62
|
5.36
|
Из табл. 18 видно, что в первом периоде
изменение NPL на 71,95% объясняется динамикой просроченной задолженности и на
15,67% динамикой курса рубля. Со временем доля просроченной задолженности и
обменного курса в динамике NPL снижается до отметки 48,66% и 12,55%
соответственно, в то время как остальных факторов растет. Так, сильнее всего
растет доля нефти в дисперсии прогноза и начиная с 4 квартала выходит на третье
место и составляет 12,23%. Доли остальных переменных в том же периоде
составляют примерно 6% и колеблется вдоль данной отметки в остальные периоды.
Таким образом, наиболее важными показателями, определяющими вариацию объема
просроченной задолженности являются нефть, валютный курс и непосредственно сама
просроченная задолженность.
3.2.3 Прогноз просроченной
задолженности
На основе вышеназванных VAR
моделей построены back-test
NPL с первого по
четвертый квартал 2015 года и ее прогноз на период с четвертого квартала 2015
года по третий квартал 2016 года включительно по трем гипотетическим сценариям:
пессимистичный, базовый и оптимистичный. В табл. 19 приведены
количественные значения факторов NPL,
шоки которых статистически значимо влияют на NPL
согласно построенным функциям импульсного отклика оцененных VAR
по розничному и корпоративному портфелям, по базовому сценарию.
Таблица 19
Значения основных факторов просроченной
задолженности при базовом сценарии по физическим и юридическим лицам
|
Физические лица
|
Фактор
|
Базовый прогноз
|
|
|
2015Q4
|
2016Q1
|
2016Q2
|
2016Q3
|
|
Безработица, %
|
5,37
|
5,05
|
4,82
|
4,83
|
|
Спред, %
|
0,61
|
0,49
|
0,35
|
0,30
|
|
Юридические лица
|
Курс,
USD/RUB
|
60,35
|
56,28
|
61,12
|
58,51
|
|
Нефть, руб./баррель
|
53,48
|
49,49
|
48,50
|
53,01
|
Базовый сценарий табл. 19 формируется как
безусловный прогноз исходя из оцененных VAR.
Пессимистичный (оптимистичный) сценарий по физическим лицам строится как
отклонение безработицы и спреда от их базовых значений в большую (меньшую)
сторону соответственно на 14,5% (6,4%) и 41% (31%). По юридическим - пессимистичный
(оптимистичный) как рост (снижение) курса и снижение (рост) цены нефти
соответственно на 43% (10%) и 50% (37%). Эти значения являются абсолютными
максимумами изменений показателей за анализируемый период.
Таблица 20
Прогноз просроченной задолженности банка в
зависимости от сценария, млрд. руб.
|
Заемщики
|
Сценарий
|
Период
|
|
|
2015Q4
|
2016Q1
|
2016Q2
|
2016Q3
|
|
Физические лица
|
Пессимистичный
|
69,582
|
66,741
|
78,370
|
86,780
|
|
Базовый
|
55,813
|
58,067
|
66,116
|
81,727
|
|
Оптимистичный
|
47,191
|
50,680
|
58,243
|
79,836
|
|
Юридические лица
|
Пессимистичный
|
111,951
|
43,260
|
31,884
|
139,928
|
|
Базовый
|
82,921
|
29,279
|
12,465
|
22,980
|
|
Оптимистичный
|
76,194
|
24,011
|
7,937
|
10,960
|
Согласно результатам прогноза просроченной
задолженности, представленном в табл. 20, ожидается продолжение роста
показателя по розничному кредитному портфелю и снижение по корпоративному по
всем трем сценариям прогноза. Так, просроченная задолженность физических лиц
достигнет максимума в третьем квартале 2016 года. Ее объем составит от 80 до 87
млрд. руб. соответственно оптимистичному и пессимистичному сценариям. Что
касается просроченной задолженности по корпоративному портфелю, то ожидается
смена трендов в четвертом квартале 2015 года, когда с максимального значения в
112 млрд. руб. по пессимистичному сценарию данный показатель упадет до 32 млрд.
руб. во втором квартале 2016 года. В дальнейшем, ожидается рост показателя до
уровня в 139 млрд. руб.
Для целей определения точности прогноза,
проводится back-test
объема просроченной задолженности. Базовые прогнозные значения показателя NPL,
а также их сравнение с фактическими уровнями данного показателя за промежуток
времени с первого по четвертый квартал 2015 года приведены в табл. 21.
Таблица 21
Back-test
просроченной задолженности банка
|
Заемщики
|
Дата
|
Фактическое значение NPL,
млрд. руб.
|
Прогноз NPL,
млрд. руб.
|
Ошибка прогноза, %
|
|
Физические лица
|
2015Q1
|
44,375
|
44,349
|
0,06
|
|
2015Q2
|
50,329
|
51,274
|
1,88
|
|
2015Q3
|
56,407
|
55,826
|
1,03
|
|
2015Q4
|
59,441
|
55,813
|
6,10
|
|
Юридические лица
|
2015Q1
|
53,272
|
62,590
|
17,49
|
|
2015Q2
|
72,182
|
83,967
|
16,33
|
|
2015Q3
|
83,911
|
96,264
|
14,72
|
|
2015Q4
|
91,119
|
82,921
|
9,00
|
По данным табл. 21 можно сказать, что в
целом точность прогноза получилась высокой для физических лиц. Ошибка прогноза
не более 6,1%. Более низкую точность по юридическим лицам можно объяснить
появлением неучтенных в модели новых факторов, влияющих на степень кредитного
риска. В роли такового может быть новая кредитная политика банка.
В роли меры качества совокупного кредитного
портфеля и уровня кредитного риска рассчитываются аналитический показатель доли
просроченной задолженности в совокупном кредитном портфеле банка
Таблица 22
Показатель качества кредитного портфеля и
кредитного риска
|
Дата
|
Отношение просроченной
задолженности к совокупной стоимости кредитного портфеля, %
|
|
Пессимистичный
|
Базовый
|
Оптимистичный
|
|
2015Q4
|
10,85
|
8,30
|
7,38
|
|
2016Q1
|
5,60
|
4,45
|
3,80
|
|
2016Q2
|
5,49
|
3,91
|
3,30
|
|
2016Q3
|
10,83
|
5,01
|
4,34
|
По данным табл. 22 ожидается рост
качества кредитного портфеля, обусловленный снижением удельного веса
просроченной задолженности в нем. Доля неработающих ссуд по базовому сценарию
снизится вдвое с 8% до 4% с четвертого квартала 2015 года по 2 квартал 2016
года во многом из-за улучшения качества корпоративного кредитного портфеля.
Однако затем ожидается рост более чем на 1%, вызванный продолжающимся ростом
плохих долгов по розничному кредитному портфелю. Динамика по пессимистичному
сценарию показывает максимальное значение доли просроченной задолженности
10,85% на четвертый квартал 2015 года и минимальное 5,49% на второй квартал
2016 года. По оптимистичному аналогично 7,38% и 3,30%.
Полученная оценка просроченной задолженности
может быть использована для целей: (1) планирования РВПС и финансового
результата; (2) корректировки кредитной политики; (3) оценки возможного
давления на капитал непокрытой РВПС просроченной задолженности. Применение
скорректированной величины капитала для стресс-тестирования обязательных
нормативов Н1, Н6, Н7, Н9, Н10; (4) обоснования уровня просроченной
задолженности в кредитном портфеле как кредитное событие при заключении договора
кредитного дефолт-свопа;
Для дальнейшего снижения и предупреждения роста
просроченной задолженности банку следует:
o с целью предупреждения риска:
(1) проводить более консервативную политику в отношении розничного
кредитования; (2) передавать права требования по плохим долгам через цессию,
восстановленный РВПС можно направить на доначисление РВПС по плохим долгам;
o для снижения риска при
сохранении возможности получить доход в случае полного погашения кредита
заемщиком: (1) повысить требования к мониторингу финансового состояния заемщика
и качеству обслуживания долга; (2) воспользоваться синтетической
секьюритизацией с передачей пула кредитных активов в залог; (3) заключить
договор кредитного дефолт-свопа.
Заключение
На начальном этапе работы проведен анализ
качества кредитного портфеля АО «Альфа-Банк» на основе данных счетов формы 101
за период с первого квартала 2001 года по третий квартал 2015 года по
заемщикам, по срокам, по динамике просроченной задолженности и ее доле в
кредитном портфеле, по доле РВПС использованного на списание невозможного ко
взысканию основного долга, по коэффициенту покрытия и абсолютному значению
РВПС. Выявлено, что качество кредитного портфеля в целом хорошее, поскольку
резервы покрывают просроченную задолженность вне периода кризиса 2008 и 2014
гг.. Однако установлена негативная тенденция формирования меньшего РВПС под
более рисковые активы.
Вторая часть исследования кредитного риска банка
представляет модельный подход к изучению влияния показателей объема кредитного портфеля
по физическим и юридическим лицам, обменного курса рубля к доллару, инфляции,
стоимости барреля нефти марки Brent,
безработицы, реальной заработной платы, спреда процентных ставок по активным и
пассивным операциям на абсолютную величину просроченной задолженности по
розничному и корпоративному кредитному портфелям. В рамках данного направления
построены две модели векторной авторегрессии. Их целью стало выявление факторов
кредитного риска, шоки которых значимо влияют на динамику просроченной задолженности,
и построение прогноза просроченной задолженности при различных сценариях
динамики вышеназванных объясняющих переменных. Прогноз позволяет определить
возможное снижение качества кредитного портфеля и объем просроченной
задолженности на горизонте до третьего квартала 2016 года включительно. Данное
направление исследования актуально для любого банка, потому что позволяет,
основываясь на предыстории динамики переменных модели, контролировать свой
кредитный риск. К тому же оно имеет важное прикладное значение для
прогнозирования динамики взаимосвязанных рядов с течением времени.
По полученным результатам анализа VAR
моделей получен вывод, что основными факторами, шоки которых влияют на уровень
просроченной задолженности, для физических лиц являются спред, безработица и
объем розничного кредитного портфеля, для юридических - цена нефти, курс рубля
и объем корпоративного кредитного портфеля. Выявлено, что шоки темпов роста
кредитного портфеля способствуют снижению удельного веса просроченной
задолженности как по розничному, так и по корпоративному портфелям. Шоки спреда
увеличивают просроченную задолженность по кредитам физическим лицам с лагом в
три месяца, а шоки безработицы - в первом квартале после шока. Влияние этих
показателей в остальных месяцах на горизонте в шесть последовательных периодах
после шока статистически незначимо. Что касается факторов, влияющих на
просроченную задолженность по корпоративному кредитному портфелю, то шоки курса
рубля увеличивают без лага во времени просроченную задолженность, в то время
как шоки нефти - снижают с лагом в четыре квартала. Относительно качества
кредитного портфеля в целом ожидается его рост, обусловленный в большей степени
снижением просроченной задолженности по кредитам юридическим лицам.
Полученная оценка просроченной задолженности
имеет прикладное значение: объективная оценка РВПС; оценка возможного давления
на капитал непокрытой РВПС просроченной задолженности для стресс-тестирования
обязательных нормативов Н1, Н6, Н7, Н9, Н10; обоснованный уровень просроченной
задолженности в кредитном портфеле как кредитное событие при заключении
договора кредитного дефолт-свопа.
В качестве дальнейшего развития исследования
вижу целесообразным рассматривать кредитный риск сразу нескольких банков из
групп с частным, государственным и иностранным капиталом.
Список литературы
1. Алескеров Ф.Т., Андриевская
И.К., Пеникас Г.И., Солодков В.М. Анализ Математических моделей Базель III:
Физматлит. 2010. - 285 с.
. Алескеров Ф.Т., Андриевская
И.К., Пеникас Г.И., Солодков В.М. Стресс-тестирование: обзор методологий,
ГУ-ВШЭ (НИУ ВШЭ), 2007.
. Бездудный М.А., Малахова
Т.А., Сидельников Ю.В. О стресс-тестировании банков: Экономические стратегии.
2010 (№11). - с. 80-87.
. Козинова А.Т.
Прогнозирование выручки предприятия: Вестник нижегородского университета им.
Н.И. Лобачевского: серия экономика и финансы. Издатель ННГУ, Н.Н., 2004 (№1). -
с. 15-21.
. Коростелева М.В.
Имитационный подход к анализу чувствительности внутренней нормы доходности
инвестиционного проекта: Вестник Санкт-Петербургского университета: серия 5:
экономика: СПБГУ, 2011 (№2). - с. 96-104.
. Отчет о развитии
банковского сектора и банковского надзора в 2014 году; Центральный банк
Российской Федерации, 2015.
. Пашков Е.К. Мировой опыт
стресс-тестирования в банковской сфере: Московское научное обозрение:
Государственный аэрокосмический университет им. Академика М.Ф. Решетнева, 2013
№1(29). - с. 76-77.
. Подходы к организации
стресс-тестирования в кредитных организациях (на основе обзора международной
финансовой практики); Центральный банк Российской Федерации, 2003.
10. Russian Federation:
Financial System Stability Assessment, IMF Country Report № 01/147, 2003.
. Consultative Paper
“Credit Stress-Testing”, Monetary Authority of Singapore, 2002.
12. Babouček, I.,
Jančar. M. (2005).Vector autoregression analysis of the effects
of macroeconomic shocks to the quality of the aggregate loan portfolio of the
Czech banking sector. Czech National Bank Working Paper, 1.
. Berger, A., DeYoung,
R. (1997). Problem loans and cost efficiency in commercial banks. Journal of
Banking & Finance, 21(6).
. Bikker, J.,
Metzemakers, P. (2003). Bank provisioning behaviour and procyclicality.
DeNederlandsche Bank Staff Report, 111.
15. Çağatay,
B., Cengiz, T. (2014). Financial Stability Analysis in Banking Sector: A Stress
Test Method. The Journal of Accounting and Finance.
. Clair, R. (1992). Loan
growth and loan quality: some preliminary evidence from Texas banks. Federal
Reserve Bank of Dallas Economic and Financial Policy Review, Q III.
. Drehmann, M. (2009).
Macro stress tests and crises: what can we learn? BIS Quarterly Review.
. Enders, W. 2003.
Applied Econometric Time Series. Hoboken, NJ: Wiley.
. Gambera, M. (2000).
Simple forecasts of bank loan quality in the business cycle. Emerging Issues
Series, Federal Reserve Bank of Chicago.
. Gerlach, S., Peng,
W.,Shu, C. (2004). Macroeconomic conditions and banking performance in Hong
Kong: a panel data study. Hong Kong Monetary Authority Research Paper.
. Gizycki. M. (2001).
The effect of macroeconomic conditions on banks’ risk and profitability.
Reserve Bank of Australia Research Discussion Paper, 6.
. Glasserman, P. (2015).
Are the Federal Reserve’s Stress Test Results Predictable? Columbia University
Press.
23. Głogowski, A.,
Zochowski, D. (2004). Modeling the impact of the zloty depreciation
on the quality of foreign currency assets of banks. Financial Stability Report
2003, National Bank of Poland.
. Grouthy, M., Galai,
D., Robert, M., (2000). A comparative analysis of current credit risk models.
Journal of Banking & Finance. №24. Р.
59-117.
. Hoggarth, G.,
Sorensen, S., Zicchino, L. (2005). Stress tests of UK banks using VAR approach.
Bank of England Working Paper, 282.
26. Jiménez, G., Saurina,
J. (2006). Credit cycles, credit risk and prudential regulation. International
Journal of Central Banking, 2.
. Kupiec, P. (1999).
Stress-testing in a value at risk framework. Journal of Derivatives,v.24.
. Longin, F. (2000).
From value at risk to stress testing: the extreme value approach. Journal of
Money Banking and Finance 24: 1097-1130.
. MacKinnon, J.G.
(1990). Critical values for cointegration tests. UC San Diego Discussion Paper,
90-94.
. Pain, D. (2003). The
provisioning experience of the major UK banks: a small panel investigation.
Bank of England Working Paper, 177.
. Pesola, J. (2005).
Banking fragility and distress: An econometric study of macroeconomic
determinants. Bank of Finland Discussion Paper, 13.
. Quagliariello, M.
(2004). Banks’ performance over the business cycle: A panel analysis on Italian
intermediaries. Department of Economics, University of York Discussion Paper,
17, 5-12.
. Quagriariello, M.
(2009).Stress-testing the banking system: methodologies and applications.
Cambridge University Press.
. Sorge, M. (2004).
Stress-testing Financial Systems: An Overview of Current Methodologies. BIS
Working Papers № 165.
. Williams, J. (2004).
Determining management behavior in European banking. Journal of Banking &
Finance, 28(10).
. Whitley, J., Windram,
R. (2004). Prudence Cox. An empirical model of household arrears. Bank of
England Working Paper, 214.
Приложение 1
Индекс sm в названии
графика означает, что ряд сезонно сглажен.
Приложение 2
|
Vector Autoregression Estimates
|
|
|
|
|
Date: 03/01/16 Time: 10:25
|
|
|
|
|
Sample (adjusted): 2003Q1 2015Q3
|
|
|
|
|
Included observations: 51 after
adjustments
|
|
|
|
Standard errors
in ( ) & t-statistics in [ ]
|
|
|
|
D(D(LOG(NPLI)))
|
D(LOG(WAGE_SM))
|
D(D(LOG(CPI)))
|
D(LOG(SPRD_SM))
|
D(LOG(UNPL_SM))
|
|
D(D(LOG(NPLI(-1))))
|
-0.057465
|
4.38E-05
|
0.916302
|
-0.041354
|
-0.082130
|
|
(0.18277)
|
(0.02412)
|
(2.36636)
|
(0.26131)
|
(0.05461)
|
|
[-0.31442]
|
[ 0.00182]
|
[ 0.38722]
|
[-0.15825]
|
[-1.50388]
|
|
D(D(LOG(NPLI(-2))))
|
0.006082
|
0.001070
|
-0.615985
|
-0.064936
|
-0.072806
|
|
(0.16544)
|
(0.02184)
|
(2.14207)
|
(0.23655)
|
(0.04944)
|
|
[ 0.03676]
|
[ 0.04899]
|
[-0.28757]
|
[-0.27452]
|
[-1.47273]
|
|
D(D(LOG(NPLI(-3))))
|
0.195016
|
0.028768
|
6.659884
|
-0.260489
|
-0.127838
|
|
(0.17086)
|
(0.02255)
|
(2.21219)
|
(0.24429)
|
(0.05105)
|
|
[ 1.14138]
|
[ 1.27575]
|
[ 3.01054]
|
[-1.06631]
|
[-2.50395]
|
|
D(D(LOG(NPLI(-4))))
|
0.411998
|
-0.014607
|
1.038778
|
-0.177264
|
0.017396
|
|
(0.20830)
|
(0.02749)
|
(2.69691)
|
(0.29782)
|
(0.06224)
|
|
[ 1.97794]
|
[-0.53134]
|
[ 0.38517]
|
[-0.59521]
|
[ 0.27950]
|
|
D(D(LOG(NPLI(-5))))
|
-0.203976
|
-0.013460
|
5.369367
|
0.397299
|
-0.021809
|
|
(0.19439)
|
(0.02566)
|
(2.51691)
|
(0.27794)
|
(0.05809)
|
|
[-1.04929]
|
[-0.52465]
|
[ 2.13332]
|
[ 1.42944]
|
[-0.37545]
|
|
D(D(LOG(NPLI(-6))))
|
-0.497710
|
-0.020479
|
0.943597
|
-0.099778
|
0.044863
|
|
(0.16903)
|
(0.02231)
|
(2.18846)
|
(0.24167)
|
(0.05051)
|
|
[-2.94456]
|
[-0.91802]
|
[ 0.43117]
|
[-0.41287]
|
[ 0.88826]
|
|
D(LOG(WAGE_SM(-1)))
|
0.321942
|
1.406763
|
-5.096412
|
-2.061686
|
-0.371068
|
|
(1.55570)
|
(0.20532)
|
(20.1424)
|
(2.22430)
|
(0.46486)
|
|
[ 0.20694]
|
[ 6.85155]
|
[-0.25302]
|
[-0.92689]
|
[-0.79823]
|
|
D(LOG(WAGE_SM(-2)))
|
4.170707
|
-1.084376
|
-9.849914
|
4.387716
|
0.910331
|
|
(3.26081)
|
(0.43036)
|
(42.2191)
|
(4.66222)
|
(0.97436)
|
|
[ 1.27904]
|
[-2.51970]
|
[-0.23330]
|
[ 0.94112]
|
[ 0.93428]
|
|
D(LOG(WAGE_SM(-3)))
|
-7.481455
|
0.197388
|
-5.054355
|
-1.119328
|
-0.542028
|
|
(4.20849)
|
(0.55543)
|
(54.4891)
|
(6.01719)
|
(1.25754)
|
|
[-1.77771]
|
[ 0.35538]
|
[-0.09276]
|
[-0.18602]
|
[-0.43102]
|
|
D(LOG(WAGE_SM(-4)))
|
6.636338
|
0.517137
|
14.79685
|
-3.716865
|
-0.161605
|
|
(4.07412)
|
(0.53770)
|
(52.7494)
|
(5.82507)
|
(1.21739)
|
|
[ 1.62890]
|
[ 0.96176]
|
[ 0.28051]
|
[-0.63808]
|
[-0.13275]
|
|
|
|
|
|
|
|
D(LOG(WAGE_SM(-5)))
|
-1.333077
|
-0.529467
|
-30.23269
|
6.090740
|
0.789584
|
|
(3.09318)
|
(0.40823)
|
(40.0487)
|
(4.42254)
|
(0.92427)
|
|
[-0.43097]
|
[-1.29697]
|
[-0.75490]
|
[ 1.37720]
|
[ 0.85428]
|
|
D(LOG(WAGE_SM(-6)))
|
-2.906685
|
0.474379
|
8.031745
|
-3.834795
|
-0.274960
|
|
(1.83674)
|
(0.24241)
|
(23.7811)
|
(2.62612)
|
(0.54884)
|
|
[-1.58252]
|
[ 1.95691]
|
[ 0.33774]
|
[-1.46025]
|
[-0.50099]
|
|
D(D(LOG(CPI(-1))))
|
-0.012845
|
0.002713
|
-0.586025
|
0.023757
|
0.002406
|
|
(0.01538)
|
(0.00203)
|
(0.19912)
|
(0.02199)
|
(0.00460)
|
|
[-0.83526]
|
[ 1.33643]
|
[-2.94312]
|
[ 1.08042]
|
[ 0.52349]
|
|
D(D(LOG(CPI(-2))))
|
-0.006579
|
0.003232
|
-0.632755
|
-0.046563
|
0.001613
|
|
(0.01843)
|
(0.00243)
|
(0.23858)
|
(0.02635)
|
(0.00551)
|
|
[-0.35704]
|
[ 1.32908]
|
[-2.65221]
|
[-1.76739]
|
[ 0.29294]
|
|
D(D(LOG(CPI(-3))))
|
0.019081
|
0.004167
|
-0.563508
|
-0.047771
|
-0.006400
|
|
(0.01999)
|
(0.00264)
|
(0.25886)
|
(0.02859)
|
(0.00597)
|
|
[ 0.95436]
|
[ 1.57906]
|
[-2.17685]
|
[-1.67113]
|
[-1.07132]
|
|
D(D(LOG(CPI(-4))))
|
0.032449
|
0.002895
|
-0.223579
|
-0.033958
|
-0.001183
|
|
(0.01824)
|
(0.00241)
|
(0.23619)
|
(0.02608)
|
(0.00545)
|
|
[ 1.77883]
|
[ 1.20244]
|
[-0.94662]
|
[-1.30197]
|
[-0.21705]
|
|
D(D(LOG(CPI(-5))))
|
0.048152
|
0.004489
|
-0.069466
|
-0.092772
|
-0.004301
|
|
(0.01614)
|
(0.00213)
|
(0.20892)
|
(0.02307)
|
(0.00482)
|
|
[ 2.98412]
|
[ 2.10797]
|
[-0.33250]
|
[-4.02117]
|
[-0.89197]
|
|
D(D(LOG(CPI(-6))))
|
0.022464
|
0.003337
|
-0.083747
|
-0.040400
|
-0.000270
|
|
(0.01722)
|
(0.00227)
|
(0.22292)
|
(0.02462)
|
(0.00514)
|
|
[ 1.30473]
|
[ 1.46866]
|
[-0.37569]
|
[-1.64117]
|
[-0.05248]
|
|
D(LOG(SPRD_SM(-1)))
|
0.280848
|
-0.009497
|
0.820436
|
0.842237
|
0.031502
|
|
(0.13961)
|
(0.01843)
|
(1.80754)
|
(0.19961)
|
(0.04172)
|
|
[ 2.01171]
|
[-0.51546]
|
[ 0.45390]
|
[ 4.21951]
|
[ 0.75515]
|
|
D(LOG(SPRD_SM(-2)))
|
-0.482702
|
-0.052980
|
-3.053048
|
-0.702856
|
|
(0.19658)
|
(0.02594)
|
(2.54516)
|
(0.28106)
|
(0.05874)
|
|
[-2.45555]
|
[-2.04211]
|
[-1.19955]
|
[-2.50074]
|
[ 0.02627]
|
|
D(LOG(SPRD_SM(-3)))
|
0.654240
|
0.043095
|
4.360078
|
-0.131481
|
-0.025074
|
|
(0.22682)
|
(0.02994)
|
(2.93671)
|
(0.32430)
|
(0.06778)
|
|
[ 2.88443]
|
[ 1.43961]
|
[ 1.48468]
|
[-0.40543]
|
[-0.36996]
|
|
D(LOG(SPRD_SM(-4)))
|
-0.053787
|
-0.034764
|
-5.738624
|
0.196266
|
0.096017
|
|
(0.20721)
|
(0.02735)
|
(2.68287)
|
(0.29627)
|
(0.06192)
|
|
[-0.25957]
|
[-1.27117]
|
[-2.13899]
|
[ 0.66246]
|
[ 1.55073]
|
|
D(LOG(SPRD_SM(-5)))
|
-0.254253
|
0.004673
|
2.496386
|
0.026293
|
-0.054629
|
|
(0.17243)
|
(0.02276)
|
(2.23259)
|
(0.24654)
|
(0.05153)
|
|
[-1.47448]
|
[ 0.20533]
|
[ 1.11816]
|
[ 0.10665]
|
[-1.06024]
|
|
D(LOG(SPRD_SM(-6)))
|
-0.161082
|
0.005603
|
-3.324360
|
0.189930
|
0.014467
|
|
(0.12971)
|
(0.01712)
|
(1.67943)
|
(0.18546)
|
(0.03876)
|
|
[-1.24185]
|
[ 0.32729]
|
[-1.97945]
|
[ 1.02411]
|
[ 0.37325]
|
|
D(LOG(UNPL_SM(-1)))
|
1.245487
|
-0.074065
|
0.121433
|
2.209740
|
1.591299
|
|
(0.70966)
|
(0.09366)
|
(9.18823)
|
(1.01465)
|
(0.21205)
|
|
[ 1.75506]
|
[-0.79079]
|
[ 0.01322]
|
[ 2.17784]
|
[ 7.50426]
|
|
D(LOG(UNPL_SM(-2)))
|
-0.789925
|
0.114476
|
17.63653
|
-4.423581
|
-1.835359
|
|
(1.02913)
|
(0.13582)
|
(13.3246)
|
(1.47142)
|
(0.30751)
|
|
[-0.76757]
|
[ 0.84283]
|
[ 1.32361]
|
[-3.00633]
|
[-5.96836]
|
|
D(LOG(UNPL_SM(-3)))
|
0.546986
|
-0.024081
|
-25.22467
|
5.782682
|
1.686762
|
|
(1.21676)
|
(0.16059)
|
(15.7540)
|
(1.73970)
|
(0.36358)
|
|
[ 0.44954]
|
[-0.14996]
|
[-1.60116]
|
[ 3.32396]
|
[ 4.63929]
|
|
D(LOG(UNPL_SM(-4)))
|
-0.178497
|
-0.168938
|
22.96041
|
-5.607886
|
-1.514524
|
|
(1.21809)
|
(0.16076)
|
(15.7712)
|
(1.74160)
|
(0.36398)
|
|
[-0.14654]
|
[-1.05085]
|
[ 1.45584]
|
[-3.21996]
|
[-4.16101]
|
|
D(LOG(UNPL_SM(-5)))
|
0.731543
|
0.200928
|
-16.85457
|
3.309666
|
0.983251
|
|
(1.02140)
|
(0.13480)
|
(13.2245)
|
(1.46037)
|
(0.30520)
|
|
[ 0.71622]
|
[ 1.49052]
|
[-1.27449]
|
[ 2.26632]
|
[ 3.22161]
|
|
D(LOG(UNPL_SM(-6)))
|
0.080637
|
-0.079751
|
12.23085
|
-2.262683
|
-0.391061
|
|
(0.47175)
|
(0.06226)
|
(6.10798)
|
(0.67450)
|
(0.14096)
|
|
[ 0.17093]
|
[-1.28090]
|
[ 2.00244]
|
[-3.35461]
|
[-2.77418]
|
|
C
|
0.047607
|
-0.001524
|
0.580502
|
-0.024750
|
-0.011567
|
|
(0.02551)
|
(0.00337)
|
(0.33026)
|
(0.03647)
|
(0.00762)
|
|
[ 1.86638]
|
[-0.45264]
|
[ 1.75774]
|
[-0.67865]
|
[-1.51765]
|
|
CRISIS08
|
-0.088263
|
-0.000776
|
0.305252
|
0.107123
|
0.000408
|
|
(0.04299)
|
(0.00567)
|
(0.55661)
|
(0.06147)
|
(0.01285)
|
|
[-2.05311]
|
[-0.13670]
|
[ 0.54842]
|
[ 1.74281]
|
[ 0.03172]
|
|
CRISIS14
|
0.032485
|
-0.016495
|
-1.208040
|
-0.073430
|
0.021329
|
|
(0.04712)
|
(0.00622)
|
(0.61005)
|
(0.06737)
|
(0.01408)
|
|
[ 0.68944]
|
[-2.65247]
|
[-1.98022]
|
[-1.08999]
|
[ 1.51490]
|
|
R-squared
|
0.811516
|
0.978141
|
0.757206
|
0.934368
|
0.970158
|
|
Adj. R-squared
|
0.476432
|
0.939282
|
0.325573
|
0.817690
|
0.917106
|
|
Sum sq. resids
|
0.028003
|
0.000488
|
4.694272
|
0.057245
|
0.002500
|
|
S.E. equation
|
0.039442
|
0.005206
|
0.510679
|
0.056394
|
0.011786
|
|
F-statistic
|
2.421833
|
25.17113
|
1.754281
|
8.008050
|
18.28676
|
|
Log likelihood
|
119.0697
|
222.3504
|
-11.53606
|
100.8364
|
180.6750
|
|
Akaike AIC
|
-3.375284
|
-7.425506
|
1.746512
|
-2.660251
|
-5.791176
|
|
Schwarz SC
|
-2.125279
|
-6.175502
|
2.996517
|
-1.410246
|
-4.541171
|
|
Mean dependent
|
0.001994
|
0.015855
|
0.008393
|
-0.024575
|
-0.007788
|
|
S.D. dependent
|
0.054510
|
0.021126
|
0.621842
|
0.132077
|
0.040935
|
|
Determinant
resid covariance (dof adj.)
|
6.37E-16
|
|
|
|
|
Determinant resid covariance
|
3.49E-18
|
|
|
|
|
Log likelihood
|
663.2049
|
|
|
|
|
Akaike information criterion
|
-19.53745
|
|
|
|
|
Schwarz criterion
|
-13.28742
|
|
|
|
Приложение 3
Индекс sm
в названии графика означает, что ряд сезонно сглажен.
Приложение 4
|
Vector Autoregression Estimates
|
|
|
|
|
|
|
Date: 03/06/16 Time: 11:47
|
|
|
|
|
|
|
Sample (adjusted): 2002Q2 2015Q3
|
|
|
|
|
|
|
Included observations: 54 after
adjustments
|
|
|
|
|
|
Standard errors
in ( ) & t-statistics in [ ]
|
|
|
|
|
|
D(LOG(CPC))
|
D(LOG(EXCH))
|
D(LOG(GDP_SM))
|
D(LOG(IPC_SM))
|
D(LOG(NPLC))
|
D(LOG(OIL))
|
D(LOG(SPRD_SM))
|
|
D(LOG(CPC(-1)))
|
0.306221
|
0.039090
|
0.001426
|
-5.08E-05
|
-1.210606
|
-0.254121
|
0.217628
|
|
(0.21543)
|
(0.20190)
|
(0.01856)
|
(0.01505)
|
(1.63528)
|
(0.43215)
|
(0.37354)
|
|
[ 1.42147]
|
[ 0.19361]
|
[ 0.07683]
|
[-0.00338]
|
[-0.74030]
|
[-0.58805]
|
[ 0.58262]
|
|
D(LOG(CPC(-2)))
|
-0.147051
|
0.182377
|
-0.000471
|
-0.015911
|
-0.831044
|
-0.166228
|
0.001089
|
|
(0.17820)
|
(0.16702)
|
(0.01535)
|
(0.01245)
|
(1.35274)
|
(0.35748)
|
(0.30900)
|
|
[-0.82518]
|
[ 1.09198]
|
[-0.03065]
|
[-1.27840]
|
[-0.61434]
|
[-0.46500]
|
[ 0.00352]
|
|
D(LOG(CPC(-3)))
|
-0.078083
|
0.001515
|
0.010989
|
1.733305
|
0.578468
|
-0.063288
|
|
(0.16350)
|
(0.15324)
|
(0.01408)
|
(0.01142)
|
(1.24115)
|
(0.32799)
|
(0.28351)
|
|
[-0.47756]
|
[-0.47919]
|
[ 0.10758]
|
[ 0.96229]
|
[ 1.39654]
|
[ 1.76368]
|
[-0.22323]
|
|
D(LOG(CPC(-4)))
|
0.132551
|
0.008219
|
0.003956
|
-0.014040
|
-2.745021
|
-0.115805
|
0.278615
|
|
(0.13032)
|
(0.12214)
|
(0.01123)
|
(0.00910)
|
(0.98927)
|
(0.26143)
|
(0.22597)
|
|
[ 1.01711]
|
[ 0.06729]
|
[ 0.35245]
|
[-1.54252]
|
[-2.77480]
|
[-0.44297]
|
[ 1.23297]
|
|
D(LOG(EXCH(-1)))
|
-0.369391
|
-0.535942
|
-0.006639
|
-0.005422
|
0.366893
|
0.212023
|
-0.137099
|
|
(0.26841)
|
(0.25156)
|
(0.02312)
|
(0.01875)
|
(2.03750)
|
(0.53844)
|
(0.46541)
|
|
[-1.37621]
|
[-2.13047]
|
[-0.28715]
|
[-0.28924]
|
[ 0.18007]
|
[ 0.39377]
|
[-0.29458]
|
|
D(LOG(EXCH(-2)))
|
-0.740742
|
-0.643713
|
-0.011013
|
-0.010055
|
0.013211
|
-0.070552
|
0.203698
|
|
(0.25614)
|
(0.24006)
|
(0.02206)
|
(0.01789)
|
(1.94437)
|
(0.51383)
|
(0.44414)
|
|
[-2.89190]
|
[-2.68144]
|
[-0.49915]
|
[-0.56205]
|
[ 0.00679]
|
[-0.13731]
|
[ 0.45864]
|
|
D(LOG(EXCH(-3)))
|
0.175942
|
-0.021453
|
0.000186
|
0.013796
|
-4.063347
|
-0.125763
|
0.336885
|
|
(0.34150)
|
(0.32006)
|
(0.02942)
|
(0.02385)
|
(2.59231)
|
(0.68505)
|
(0.59214)
|
|
[ 0.51520]
|
[-0.06703]
|
[ 0.00631]
|
[ 0.57842]
|
[-1.56746]
|
[-0.18358]
|
[ 0.56893]
|
|
D(LOG(EXCH(-4)))
|
0.604618
|
0.136797
|
-0.007608
|
-0.041650
|
2.213435
|
-0.472182
|
0.148356
|
|
(0.32646)
|
(0.30596)
|
(0.02812)
|
(0.02280)
|
(2.47811)
|
(0.65487)
|
(0.56606)
|
|
[ 1.85207]
|
[ 0.44711]
|
[-0.27054]
|
[-1.82670]
|
[ 0.89320]
|
[-0.72103]
|
[ 0.26209]
|
|
D(LOG(GDP_SM(-1)))
|
-1.878127
|
-5.205738
|
1.719937
|
-0.135533
|
-24.43560
|
10.77813
|
-2.824522
|
|
(2.75287)
|
(2.58004)
|
(0.23713)
|
(0.19227)
|
(20.8969)
|
(5.52230)
|
(4.77332)
|
|
[-0.68224]
|
[-2.01770]
|
[ 7.25326]
|
[-0.70492]
|
[-1.16934]
|
[ 1.95175]
|
[-0.59173]
|
|
D(LOG(GDP_SM(-2)))
|
5.469647
|
3.259639
|
-1.604165
|
0.216583
|
24.76536
|
-4.694546
|
-1.336316
|
|
(4.50870)
|
(4.22563)
|
(0.38837)
|
(0.31490)
|
(34.2253)
|
(9.04453)
|
(7.81784)
|
|
[ 1.21313]
|
[ 0.77140]
|
[-4.13051]
|
[ 0.68778]
|
[ 0.72360]
|
[-0.51905]
|
[-0.17093]
|
|
D(LOG(GDP_SM(-3)))
|
-5.171345
|
-4.153457
|
0.755526
|
-0.015276
|
11.48330
|
-2.685955
|
7.244743
|
|
(4.70765)
|
(4.41208)
|
(0.40551)
|
(0.32880)
|
(35.7355)
|
(9.44361)
|
(8.16279)
|
|
[-1.09850]
|
[-0.94138]
|
[ 1.86317]
|
[-0.04646]
|
[ 0.32134]
|
[-0.28442]
|
[ 0.88753]
|
|
D(LOG(GDP_SM(-4)))
|
0.608236
|
2.146681
|
-0.116779
|
0.052865
|
5.826779
|
-2.134662
|
-3.681060
|
|
(2.44678)
|
(2.29316)
|
(0.21076)
|
(0.17089)
|
(18.5734)
|
(4.90828)
|
(4.24258)
|
|
[ 0.24859]
|
[ 0.93612]
|
[-0.55408]
|
[ 0.30935]
|
[ 0.31372]
|
[-0.43491]
|
[-0.86765]
|
|
D(LOG(IPC_SM(-1)))
|
0.026642
|
2.854737
|
-0.372222
|
0.856116
|
-10.28411
|
4.122599
|
0.428091
|
|
(2.84852)
|
(2.66968)
|
(0.24537)
|
(0.19895)
|
(21.6230)
|
(5.71418)
|
(4.93918)
|
|
[ 0.00935]
|
[ 1.06932]
|
[-1.51701]
|
[ 4.30320]
|
[-0.47561]
|
[ 0.72147]
|
[ 0.08667]
|
|
D(LOG(IPC_SM(-2)))
|
3.563684
|
-1.609862
|
0.114628
|
-0.857581
|
21.73060
|
5.040044
|
5.932618
|
|
(3.71776)
|
(3.48435)
|
(0.32024)
|
(0.25966)
|
(28.2214)
|
(7.45789)
|
(6.44639)
|
|
[ 0.95856]
|
[-0.46203]
|
[ 0.35794]
|
[-3.30272]
|
[ 0.77001]
|
[ 0.67580]
|
[ 0.92030]
|
|
D(LOG(IPC_SM(-3)))
|
-3.431064
|
-3.656225
|
0.099092
|
0.201575
|
-27.45390
|
12.44399
|
-5.769450
|
|
(3.70892)
|
(3.47606)
|
(0.31948)
|
(0.25904)
|
(28.1542)
|
(7.44015)
|
(6.43106)
|
|
[-0.92508]
|
[-1.05183]
|
[ 0.31017]
|
[ 0.77816]
|
[-0.97512]
|
[ 1.67254]
|
[-0.89712]
|
|
D(LOG(IPC_SM(-4)))
|
-0.846263
|
-2.560590
|
-0.212089
|
-0.114501
|
47.77791
|
1.251282
|
7.169185
|
|
(2.81193)
|
(2.63539)
|
(0.24221)
|
(0.19639)
|
(21.3452)
|
(5.64078)
|
(4.87573)
|
|
[-0.30095]
|
[-0.97162]
|
[-0.87563]
|
[-0.58302]
|
[ 2.23834]
|
[ 0.22183]
|
[ 1.47038]
|
|
D(LOG(NPLC(-1)))
|
0.035423
|
0.025751
|
-0.001322
|
0.000727
|
-0.191048
|
-0.023709
|
0.005397
|
|
(0.02361)
|
(0.02212)
|
(0.00203)
|
(0.00165)
|
(0.17919)
|
(0.04735)
|
(0.04093)
|
|
[ 1.50057]
|
[ 1.16393]
|
[-0.65008]
|
[ 0.44091]
|
[-1.06615]
|
[-0.50067]
|
[ 0.13185]
|
|
D(LOG(NPLC(-2)))
|
0.001019
|
0.013310
|
0.000876
|
0.000650
|
-0.006568
|
0.065183
|
0.007805
|
|
(0.02205)
|
(0.02066)
|
(0.00190)
|
(0.00154)
|
(0.16737)
|
(0.04423)
|
(0.03823)
|
|
[ 0.04620]
|
[ 0.64407]
|
[ 0.46128]
|
[ 0.42237]
|
[-0.03924]
|
[ 1.47368]
|
[ 0.20416]
|
|
D(LOG(NPLC(-3)))
|
-0.004782
|
0.001252
|
0.001598
|
0.072158
|
0.049004
|
-0.029491
|
|
(0.02169)
|
(0.02032)
|
(0.00187)
|
(0.00151)
|
(0.16461)
|
(0.04350)
|
(0.03760)
|
|
[-0.40811]
|
[-0.23528]
|
[ 0.67001]
|
[ 1.05488]
|
[ 0.43835]
|
[ 1.12649]
|
[-0.78431]
|
|
D(LOG(NPLC(-4)))
|
-0.028089
|
-0.015526
|
0.001442
|
0.000991
|
-0.214772
|
0.010830
|
0.037260
|
|
(0.02186)
|
(0.02049)
|
(0.00188)
|
(0.00153)
|
(0.16596)
|
(0.04386)
|
(0.03791)
|
|
[-1.28476]
|
[-0.75771]
|
[ 0.76548]
|
[ 0.64924]
|
[-1.29409]
|
[ 0.24692]
|
[ 0.98286]
|
|
D(LOG(OIL(-1)))
|
-0.130377
|
0.043372
|
-0.008083
|
-0.000597
|
0.694771
|
-0.352397
|
-0.014155
|
|
(0.11155)
|
(0.10454)
|
(0.00961)
|
(0.00779)
|
(0.84675)
|
(0.22376)
|
(0.19342)
|
|
[-1.16881]
|
[ 0.41487]
|
[-0.84123]
|
[-0.07659]
|
[ 0.82052]
|
[-1.57486]
|
[-0.07319]
|
|
D(LOG(OIL(-2)))
|
-0.143491
|
0.232484
|
-0.017938
|
0.003059
|
0.338530
|
-0.599122
|
0.002355
|
|
(0.10772)
|
(0.10096)
|
(0.00928)
|
(0.00752)
|
(0.81770)
|
(0.21609)
|
(0.18678)
|
|
[-1.33207]
|
[ 2.30280]
|
[-1.93324]
|
[ 0.40654]
|
[ 0.41400]
|
[-2.77258]
|
[ 0.01261]
|
|
D(LOG(OIL(-3)))
|
0.083925
|
0.138303
|
0.005547
|
-0.003759
|
-2.257575
|
-0.135636
|
-0.009670
|
|
(0.12159)
|
(0.11396)
|
(0.01047)
|
(0.00849)
|
(0.92300)
|
(0.24392)
|
(0.21083)
|
|
[ 0.69021]
|
[ 1.21362]
|
[ 0.52960]
|
[-0.44258]
|
[-2.44590]
|
[-0.55608]
|
[-0.04586]
|
|
D(LOG(OIL(-4)))
|
0.125671
|
0.145255
|
-0.009356
|
-0.011875
|
0.088033
|
0.166418
|
-0.161786
|
|
(0.11656)
|
(0.10924)
|
(0.01004)
|
(0.00814)
|
(0.88482)
|
(0.23383)
|
(0.20211)
|
|
[ 1.07815]
|
[ 1.32964]
|
[-0.93181]
|
[-1.45871]
|
[ 0.09949]
|
[ 0.71172]
|
[-0.80048]
|
|
D(LOG(SPRD_SM(-1)))
|
-0.133904
|
0.108195
|
-0.009929
|
0.003948
|
0.220273
|
-0.614411
|
0.685110
|
|
(0.12849)
|
(0.12042)
|
(0.01107)
|
(0.00897)
|
(0.97534)
|
(0.25775)
|
(0.22279)
|
|
[-1.04216]
|
[ 0.89848]
|
[-0.89716]
|
[ 0.43992]
|
[ 0.22584]
|
[-2.38377]
|
[ 3.07514]
|
|
D(LOG(SPRD_SM(-2)))
|
0.078523
|
0.111809
|
-0.008781
|
0.006260
|
0.100389
|
0.208394
|
-0.604351
|
|
(0.16047)
|
(0.15040)
|
(0.01382)
|
(0.01121)
|
(1.21812)
|
(0.32191)
|
(0.27825)
|
|
[ 0.48933]
|
[ 0.74344]
|
[-0.63525]
|
[ 0.55853]
|
[ 0.08241]
|
[ 0.64738]
|
[-2.17200]
|
|
D(LOG(SPRD_SM(-3)))
|
-0.153942
|
0.090627
|
-0.003334
|
-0.001562
|
-0.149005
|
-0.395569
|
-0.023274
|
|
(0.16850)
|
(0.15792)
|
(0.01451)
|
(0.01177)
|
(1.27910)
|
(0.33802)
|
(0.29218)
|
|
[-0.91358]
|
[ 0.57386]
|
[-0.22972]
|
[-0.13268]
|
[-0.11649]
|
[-1.17025]
|
[-0.07966]
|
|
|
|
|
|
|
|
|
|
D(LOG(SPRD_SM(-4)))
|
-0.209276
|
0.006267
|
0.002838
|
0.007367
|
0.758229
|
0.022628
|
-0.078243
|
|
(0.14287)
|
(0.13390)
|
(0.01231)
|
(0.00998)
|
(1.08454)
|
(0.28661)
|
(0.24773)
|
|
[-1.46477]
|
[ 0.04680]
|
[ 0.23064]
|
[ 0.73831]
|
[ 0.69912]
|
[ 0.07895]
|
[-0.31584]
|
|
C
|
0.048848
|
0.025622
|
0.003256
|
0.001119
|
0.058080
|
0.038214
|
-0.042980
|
|
(0.02447)
|
(0.02293)
|
(0.00211)
|
(0.00171)
|
(0.18573)
|
(0.04908)
|
(0.04243)
|
|
[ 1.99642]
|
[ 1.11730]
|
[ 1.54512]
|
[ 0.65452]
|
[ 0.31270]
|
[ 0.77855]
|
[-1.01308]
|
|
CRISIS08
|
-0.008116
|
-0.041165
|
-0.006341
|
-0.007343
|
0.797962
|
-0.001812
|
0.136479
|
|
(0.05551)
|
(0.05203)
|
(0.00478)
|
(0.00388)
|
(0.42137)
|
(0.11135)
|
(0.09625)
|
|
[-0.14620]
|
[-0.79125]
|
[-1.32622]
|
[-1.89405]
|
[ 1.89371]
|
[-0.01628]
|
[ 1.41794]
|
|
CRISIS14
|
0.044771
|
0.319338
|
-0.009923
|
0.003565
|
0.514905
|
-0.508795
|
-0.209107
|
|
(0.07322)
|
(0.06862)
|
(0.00631)
|
(0.00511)
|
(0.55579)
|
(0.14688)
|
(0.12695)
|
|
[ 0.61148]
|
[ 4.65369]
|
[-1.57342]
|
[ 0.69715]
|
[ 0.92644]
|
[-3.46413]
|
[-1.64710]
|
|
R-squared
|
0.806722
|
0.814919
|
0.960842
|
0.789468
|
0.765220
|
0.816055
|
0.804169
|
|
Adj. R-squared
|
0.554620
|
0.573510
|
0.909767
|
0.514862
|
0.458986
|
0.576126
|
0.548738
|
|
Sum sq. resids
|
0.059373
|
0.052152
|
0.000441
|
0.000290
|
3.421247
|
0.238924
|
0.178510
|
|
S.E. equation
|
0.050808
|
0.047618
|
0.004376
|
0.003549
|
0.385681
|
0.101922
|
0.088098
|
|
F-statistic
|
3.199985
|
3.375671
|
18.81224
|
2.874906
|
2.498806
|
3.401242
|
3.148279
|
|
Log likelihood
|
107.3254
|
110.8268
|
239.7230
|
251.0469
|
-2.130247
|
69.73331
|
77.60390
|
|
Akaike AIC
|
-2.826867
|
-2.956550
|
-7.730482
|
-8.149884
|
1.227046
|
-1.434567
|
-1.726070
|
|
Schwarz SC
|
-1.685043
|
-1.814725
|
-6.588658
|
-7.008060
|
2.368870
|
-0.292743
|
-0.584246
|
|
Mean dependent
|
0.052240
|
0.008453
|
-0.000121
|
0.079313
|
0.014419
|
-0.018248
|
|
S.D. dependent
|
0.076132
|
0.072915
|
0.014569
|
0.005095
|
0.524353
|
0.156548
|
0.131145
|
|
Determinant
resid covariance (dof adj.)
|
1.65E-21
|
|
|
|
|
|
|
Determinant resid covariance
|
4.19E-24
|
|
|
|
|
|
|
Log likelihood
|
917.0013
|
|
|
|
|
|
|
Akaike information criterion
|
-25.92597
|
|
|
|
|
|
|
Schwarz criterion
|
-17.93321
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|