Модели оченки кредитного риска портфеля

МИНИСТЕРСТВО НАУКИ И ОБРАЗОВАНИЯ, МОЛОДЕЖИ И СПОРТА УКРАИНЫ

ДОНЕЦКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ

ФАКУЛЬТЕТ МАТЕМАТИКИ И ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

КАФЕДРА ТЕОРИИ ВЕРОЯТНОСТИИ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

 

 

 

 

Курсовая  работа

на тему

«Модели оценки кредитного риска портфеля»

 

 

Выполнил:

студент 4 курса

специальность статистика

Герасименко Станислав Михайлович

 

Научный руководитель:

Шурко Ирина Леонидовна

 

 

 

 

 

 

 

 

 

 

 

Донецк-2013

 

Содержание

Введение 3

1.Определение  кредитного портфеля и кредитных  рисков 7

1.1 Классификация  кредитных портфелей 7

1.2 Управление кредитным портфелем банка 8

1.3 Зарубежные  технологии оценки кредитногго риска 11

1.4 Структуризация моделей 13

2.Постановка  проблемы 14

2.1 Расчет  ожидаемых потерь (Expected Loss) 15

2.2 Расчет  неожиданных потерь (Unexpected Loss) 15

3.Реализация  задачи 16

3.1 Расчет  ожидаемых кредитных потерь 16

3.2 Наступление  дефолта по обязательствам отдельного  заемщика 17

3.3 Оценка  неожиданных потерь 22

Заключение 26

Литература 27

 

 

 

Введение

В последние  годы коммерческие банки во всем мире прилагали значительные усилия для разработки внутренних моделей оценки финансовых рисков и определения адекватного уровня капитала для покрытия этих рисков. Эти исследования проводились под контролем и при поддержке банковских регуляторов. В результате совместных усилий коммерческих банков и регулирующих органов значительные успехи в этой области были достигнуты. В последнее время основное внимание стало уделяться моделированию и оценке кредитного риска. Базельский комитет по банковскому регулированию и надзору предложил банкам новую схему управления кредитным риском, согласно которой банкам разрешается определять рассчитывать уровень достаточности капитала на основании собственных (внутренних) методик оценки кредитного риска. В этой связи разработка подобных методик представляет особый интерес.

С 1996 года Центр  по изучению финансовых инноваций (Centre for the Study of Financial Innovation; CSFI), находящийся  в Лондоне, при поддержке PricewaterhouseCoopers (PwC) проводит исследования различных  банковских рисков и дает анализ отношения банков к различным видам риска. Начиная с 2000 года, по мнению CSFI, первое-второе место в рейтинге важнейших банковских рисков занимает кредитный риск.

Кредитный риск можно определить как риск потери активов в результате невыполнения заемщиком взятых на себя договорных обязательств. В современной литературе по банковскому менеджменту и в сложившейся практике в качестве проявления кредитного риска рассматривается дефолт (default) факт неисполнения или ненадлежащего исполнения контрагентом условий кредитного соглашения (контракта) [Кутуев, Пустовалова, 2008].

Особый интерес  для банковского менеджмента  представляет проблема количественной оценки (расчета) кредитного риска. За последние 30 лет были сделаны существенные шаги в области методологии оценки различных аспектов кредитного риска. Анализ ранних этапов развития методик оценки кредитного риска был сделан Альтманом [Altman, 1998]. Альтман проанализировал процесс эволюции методик оценки кредитного риска, начиная с экспертного анализа кредитного риска, систем кредитного скоринга (включая 4 основных методологических подхода: линейные вероятностные модели, логит модели, пробит модели и модели дискриминантного анализа), модели “risk of ruin” (Black-Sholes-Merton model) и нейронные сети [Altman, 1998]. В последующие годы исследования распространились на забалансовые инструменты (свопы, опционы, форварды, фьючерсы и кредитные деривативы, как инструменты страхования дефолта). В 90-е годы исследования кредитного риска переключились с анализа риска индивидуального заемщика на анализ кредитного риска по всему портфелю финансового института. Появилась новая задача — задача оценки концентрации кредитного риска. На ранних этапах анализа риска концентрации, исследования вновь (как и на ранних этапах оценки кредитного риска индивидального заемщика), ограничивались субъективным анализом (экспертной оценкой), установлением лимитов (ограничений) на кредитование отдельных отраслей и регионов, а затем, миграционным анализом (оценивающим вероятность перехода отдельного кредита из одной группы кредитного риска в другую группу в течение заданного временного интервала). Эти методики получили название миграционного анализа. Среди наиболее известных методик миграционного анализа можно назвать методику Credit Metrics[Credit Metrics, 1997].

Последние 10 лет прошли под знаком взаимодействия финансовых институтов и финансовых регуляторов в области разработки адекватных методик оценки кредитного риска. Усилия финансовых институтов нашли поддержку и встретили одобрение органов банковского регулирования. Особое значение для развития методологии оценки кредитного риска имели принятые Базельским комитетом по банковскому регулированию и надзору новые стандарты оценки риска [Базель 2]. Это в первую очередь связано с тем, что Базель 2 предложил регулирующим органам разрешить банкам при расчете минимального уровня достаточности капитала использовать (с определенными ограничениями) собственные методики оценки кредитного риска индивидуального заемщика. Это дало толчок дальнейшим исследованиям в области оценки кредитного риска. Появились новые разработки в области применения нейронных сетей для оценки кредитного риска [Agelina, 2008], структурных моделей кредитного риска [Liao, Chen, 2009]. Авторы статьи [Agelina, 2008] в своем исследовании попытались изучить возможность использования нейронных сетей для оценки вероятности невыполнения заемщиком своих обязательств. В качестве возможных экзогенных переменных модели, авторы статьи выбрали различные финансовые коэффициенты, характеризующие деятельность компаний (в основном из бухгалтерских балансов): денежный поток/общая сумма долга; оборачиваемость товарных запасов/товарооборот; краткосрочные обязательства/ товарооборот; собственный капитал/суммарные активы; процентные расходы/суммарный долг; чистые оборотные активы/суммарные активы; дебетовое сальдо расчетов с покупателями/товарооборот; добавленная стоимость/суммарные активы; использованный кредит/максимально возможный кредит; использованный краткосрочный кредит/максимально возможный краткосрочный кредит; использованный среднесрочный кредит/максимально возможный среднесрочный кредит и другие. В свою очередь в качестве эндогенной переменной (информация на выходе в нейронной сети), была использована рейтинговая оценка компаний.

Для своего исследования авторы статьи использовали данные по 76 небольшим итальянским  компаниям-клиентам одного из банков Италии. Данные компании относятся к разным отраслям промышленности и хорошо характеризуют итальянскую экономику. Период времени, за который анализировались данные, составил три года (2001–2003). В результате многочисленных исследований и тестов, авторы пришли к выводу, что значение зависимой переменной y (которое варьируется в отрезке [0,1]) можно интерпретировать следующим образом:

если y<0,5, тогда компанию можно квалифицировать  как «плохую»;

в противном  случае компанию можно квалифицировать как «хорошую».

Эмпирическое  исследование авторов статьи доказывает, с одной стороны, эффективность  применения нейронных сетей для  оценки кредитного риска. С другой стороны, исследование также еще раз показывает, что главными проблемами развития подобных систем является получение и обработка информации.

Интересны исследования последних лет, касающиеся учета не только количественных, но и качественных характеристик кредита. Действительно учет факторов нефинансового  характера связан с трудностями  выбора измерителей нефинансовых параметров. В статье Psillaki [Psillaki, 2009] авторы предлагают рассмотреть такой фактор как «производственная эффективность». Под производственной эффективностью в статье подразумевается, прежде всего, наиболее продуктивное, эффективное использование технологий предприятия и управленческого потенциала её сотрудников. Для учета данных факторов и учета их влияния на оценку кредитоспособности предприятия, авторы построили регрессионную модели, включив в неё факторы как финансового, так нефинансового характера. В статье авторы анализируют предприятия 3-х отраслей французской промышленности текстильной промышленности (1519 фирм), деревообрабатывающей отрасли (1595 фирм), компьютерных технологий(2637 фирм). Авторами была построена расширенная логит-модель, в которую были включены факторы как финансового, так и нефинансового плана (производственная эффективность). Для анализа были выбраны следующие факторы:

•   Рентабельность

•    Ликвидность

•    Уровень левериджа (соотношение заемного и акционерного капитала)

•    Товарооборот (соотношение продаж к активам)

•    Залог

• Нематериальные активы (рассматриваются в качестве будущих возможностей роста в соотношении ко всем активам компании, чем ниже возможности роста, тем выше кредитный риск)

•    Производительная эффективность (полученная по DEA-модели).

В последние годы коммерческие банки во всем мире прилагали значительные усилия для разработки внутренних моделей оценки финансовых рисков и определения адекватного уровня капитала для покрытия этих рисков. Эти исследования проводились под контролем и при поддержке банковских регуляторов. В результате совместных усилий коммерческих банков и регулирующих органов значительные успехи в этой области были достигнуты. В последнее время основное внимание стало уделяться моделированию и оценке кредитного риска. Базельский комитет по банковскому регулированию и надзору предложил банкам новую схему управления кредитным риском, согласно которой банкам разрешается определять рассчитывать уровень достаточности капитала на основании собственных (внутренних) методик оценки кредитного риска. В этой связи разработка подобных методик представляет особый интерес.

Авторы других исследований анализируют, как положительные  стороны, так проблемы, возникающие  при использовании этих слабо  формализованных параметров. Появились  исследования, в которых ставилась  проблема возможной манипуляции количественными характеристиками, например, со стороны кредитных специалистов и оценки возможных способов управления этим процессом путем внедрения особой системы вознаграждения с фиксированной и переменной, зависящей от достоверности проведенного анализа и факта возврата кредита, частями позволяет снизить кредитный риск банка) [Godbillon-Camus, 2005].

Банк Международных  Расчетов (Bank for International Settlements (BIS)) в своих рабочих документах опубликовал рекоменда-ции по оценки кредитного риска, в частности, для определения вероятности дефолта (Probability of Default (PD)) [BIS Working Paper n179]. Особое место в современной научной литературе по кредитным рискам по прежнему занимают работы, посвященные использованию кредитных деривативов [Broll,2004]. В основе кредитных деривативов — кредитное событие или реализация кредитного риска: дефолт (отказ от выполнения обязательств), снижение рыночной или базисной стоимости актива, понижение кредитного рейтинга проектной компании, возрастание кредитного спрэда. Согласно условиям сделки при наступлении события происходит выплата денежных средств, но не обязательно полное погашение обязательств заемщика.[Fabozzi F.J., 2004], [Kimber A., 2004]. Среди монографий по проблемам оценки и управления банковскими рисками, которые были переведены на русский, следует отметить монографию С.Фроста [Фрост, 2006] и Х. ван Грюндинга и С. Брайович Братанович [Грюндинг Х.ван, 2007].

В российской научной литературе проблеме управления кредитными рисками посвящено достаточно много публикаций. Среди них следует отметить первое в России учебно-энциклопедическое издание по вопросам финансового риска [Лобанов, 2003], где значительный раздел посвящен проблеме оценки кредитного риска. Среди других наиболее интересных работ следует отметить исследования, связанные с анализом возможностей использования отечественными банками новых Базельских стандартов. В своих работах российские авторы проводят оценку развития методов управления кредитным риском в российских банках и перспектив перехода на новые стандарты [Сытин Ф.М.,2008] и оценивают возможности применения новых инструментов таких, как кредитные деривативы в России [Темишев,2007].

Следует особо  отметить статьи исследователей ГУ-ВШЭ, в которых проводится анализ результатов  применения к тестовому портфелю стандартизированного подхода и  подхода IRB [Дзигоева и др., 2008].

 

 

1. Определение кредитного портфеля и кредитных  рисков

Кредитный портфель — это совокупность остатков задолженности по основному долгу по активным кредитным операциям на определенную дату.

Клиентский кредитный портфель является его составной частью и  представляет собой остаток задолженности  по кредитным операциям банка с физическими и юридическими лицами на определенную дату.[1]

Кредитный риск  — риск неисполнения дебитором своих обязательств перед поставщиком товаров или провайдером услуг, т.е. риск возникновения дефолта дебитора. В рамках данного определения носителями кредитного риска являются в первую очередь сделки прямого и непрямого кредитования (прямой риск) и сделки купли-продажи активов без предоплаты со стороны покупателя.

Более широкое представление о  кредитном риске определяет его  как риск потерь, связанных с ухудшением состояния дебитора, контрагента  по сделке, эмитента ценных бумаг. Под  ухудшением состояния (рейтинга) понимается как ухудшение финансового состояния  дебитора, так и ухудшение деловой  репутации, положения среди конкурентов  в регионе, отрасли, снижение способности  успешно завершить некий конкретный проект и т.д., т.е. все факторы, способные  повлиять на платежеспособность дебитора. Потери в данном случае могут быть также как прямые - невозврат кредита, непоставка средств, так и косвенные - снижение стоимости ценных бумаг  эмитента (например, векселей), необходимость  увеличить объем резервов под  кредит и т.д.[2]

1.1 Классификация кредитных портфелей

Среди традиционных видов  банковской деятельности предоставление кредитов – основная операция, обеспечивающая их доходность и стабильность существования. Выдавая кредиты физическим и юридическим лицам, банк формирует свой кредитный портфель.

Существуют различные  классификации кредитного портфеля, среди которых можно встретить  деление портфеля на валовой (совокупный объем выданных банком кредитов на определенный момент времени) и чистый (валовой портфель за вычетом суммы резервов на возможные потери по ссудам).

Риск–нейтральный кредитный  портфель характеризуется относительно низкими показателями рискованности, но, в то же время, и низкими показателями доходности, а рискованный кредитный  портфель имеет повышенный уровень  доходности, но и значительный уровень  риска.