Стресс - тестирование кредитного риска российской банковской системы в условиях макроэкономических шоков

Сучкова Е.О.; Мастеровенко К.В.

Стресс - тестирование кредитного риска российской банковской системы в условиях макроэкономических шоков Stress testing credit risk of the Russian banking system in terms of

macroeconomic shocks

Е. О. Сучкова,

старший преподаватель, кафедра банковского дела, Национальный исследовательский университет «Высшая школа экономики»,

Нижний Новгород E-mail: [email protected]

E. O. Suchkova

Senior Lecturer, Banking Department, National Research University «Higher School of Economics», Nizhny Novgorod

E-mail: [email protected]

К. В. Мастеровенко,

магистрант, кафедра банковского дела, Национальный исследовательский университет «Высшая школа экономики»,

Нижний Новгород E-mail: [email protected]

K. V. Masterovenko

Master Student, Banking Department, National Research University «Higher School of Economics», Nizhny Novgorod

E-mail: [email protected]

Аннотация:

В условиях реализации макроэкономических шоков сильно возросли риски банковского сектора (в первую очередь, кредитный риск). На этом фоне все большую популярность набирает такой инструмент прогнозирования

финансовой стабильности банковской системы, как стресс - тестирование. В статье приводятся результаты регрессионного анализа взаимосвязи кредитного риска и макроэкономических факторов, а также результаты макропруденциального стресс - тестирования кредитного риска. Ключевые слова: банковская система, стресс - тестирование, кредитный риск

Abstract:

In the context of the implementation of macroeconomic shocks the risks of the banking sector (primarily credit risk) are greatly increased. As a result such instrument of forecasting the financial stability of the banking system as stress -testing is gaining popularity. The article presents the results of regression analysis of the relationship between credit risk and macroeconomic factors and the results of macroprudential stress - testing of credit risk. Key words: banking system, stress testing, credit risk

Введение

В условиях макроэкономической нестабильности кредитные организации нуждаются в точных количественных инструментах для оценки потенциальных потерь капитала в случае реализации значимого шока. Ключевым из таких инструментов является стресс - тестирование, позволяющее спрогнозировать финансовую устойчивость банка в стрессовых условиях.

В современной научной и методической литературе не существует единой дефиниции термина «стресс - тестирование». Общим для всех определений является то, что стресс - тесты позволяют оценить последствия реализации неблагоприятных, но вероятных событий. При этом стресс -тестирование не дает ответа на вопрос «Какова вероятность реализации неблагоприятных событий?», а лишь прогнозирует объем потерь в случае такого исхода.

Стресс - тестирование - сложный многоступенчатый процесс, который, как отмечают эксперты МВФ, включает в себя шесть этапов [Jones, Hibers, Slack, 2004].

На первом этапе происходит определение конкретных уязвимостей и рисков для тестируемого объекта. При проведении стресс - тестирования в отношении банков или банковской системы выделяют три ключевых категории риска: кредитный риск, рыночный риск и риск ликвидности. При этом зачастую тестируется устойчивость кредитной организации сразу к нескольким категориям риска (табл. 1).

Таблица 1

Факторы и методы оценки риска

Категория риска Факторы риска Методы оценки риска

Кредитный риск - Отраслевые; - Географические; -Макроэкономические; - Политические; - Финансовое положение заемщика - Value - at - risk (VAR) модель; - Методы, основанные на данных о качестве ссуд (просроченные кредиты, РВПС, RWA, уровень потерь) - Методы, основанные на данных о заемщике (PD, LGD)

Рыночный риск, в том числе

- Процентный риск - Процентная ставка (параллельный сдвиг кривой доходности, изменение наклона кривой доходности или же изменение спрэда между различными процентными ставками) - GAP анализ: S Метод разрыва по процентным ставкам; S Метод разрыва по срокам погашения; - Метод дюрации; - ADL модель; - VAR - модель

- Фондовый риск - Цены акций; - Рыночные индексы - Анализ чувствительности отдельных ценных бумаг; - Анализ чувствительности чистой открытой позиции по каждой ценной бумаге; - Сценарный анализ по портфелю ценных бумаг

- Валютный риск - Обменный курс (смена валютного режима); - Цены на драгоценные - Анализ чувствительности чистой открытой валютной позиции;

металлы - Анализ чувствительности агрегированной чистой открытой позиции

Риск ликвидности - «Бегство» вкладчиков; - Потеря деловой репутации; - Снижение стоимости ликвидных активов; - Невозможность привлечения дополнительных ресурсов на финансовом рынке; - Высокая стоимость фондирования - Анализ активов и обязательств по срокам на предмет разрыва ликвидности (GAP анализ); - Анализ коэффициента покрытия обязательств за счет высоколиквидных активов

Источник: составлено авторами на основе Blaschke, Jones, Majnoni, Peria (2001), MAS (2002), Строганова (2005), Андриевская (2007), Cihak (2007), CEBS (2010), Melecky, Podpiera (2012), Jobst, Ong, Schmieder (2013), Henry, Kok (2013), Basarir, Toraman (2014), ECB (2014), EBA (2014).

Кроме того, при выявлении рисков и угроз необходимо уделять внимание масштабу деятельности кредитной организации: для банков, чья деятельность сосредоточена на внутреннем рынке, важными факторами являются кредитный риск, динамика процентных ставок, безработица, стоимость коммерческой недвижимости. Для крупных транснациональных банков ключевую роль играют курсы валют, фондовые индексы, динамика мировых затрат на ресурсы и др. [Zayemyuk et а1., 2015]

Второй этап заключается в построении стрессового сценария. При проведении стресс - тестирования выбор и обоснование сценария зависит от размеров финансовых рынков и взаимосвязей между ними: крупные рынки подвержены макроэкономическим шокам, в то время как более ограниченные рынки - внутренним шокам [Аббинк, 2012]. Процесс построения стрессовых сценариев заключается в следующем:

1. моделирование шоков, вероятность возникновения которых выше, чем утверждают исторические данные;

2. моделирование шоков, которые никогда ранее не происходили;

3. моделирование шоков, которые отражают вероятность того, что статистические закономерности могут быть нарушены при возникновении определенных событий;

4. моделирование шоков, которые отражают некоторые виды структурных сдвигов, которые могут произойти в будущем [Berkowitz, 1999].

На третьем этапе набор сценариев необходимо привести в форму, которая может использоваться для анализа баланса банка и отчета о прибылях и убытках. Для этого существует два подхода:

• подход «снизу - вверх» ("bottom - up"): проведение индивидуальных стресс - тестов на микроуровне и объединение регулятором полученных результатов в интегральную оценку на макроуровне;

• подход «сверху - вниз» ("top - down"): разработка единого сценария стресс - тестирования на макроуровне и его распространение на микроуровне [Виноградов, Кузнецов, Шимановский, 2011].

Ключевым преимуществом подхода «снизу - вверх» является охват рисков (например, риски, связанные со сложными структурированными продуктами, хеджированием стратегии, риски контрагентов), а также использование внутрибанковских инструментов, направленных на минимизацию рисков. [IMF, 2012]. Однако реализация данного подхода требует затраты большого количества человеческих и технических ресурсов [Cihak, 2007]. Кроме того, полученные результаты могут быть несопоставимы из - за использования банками собственных моделей и допущений [IMF, 2012].

Наибольшую популярность среди регулирующих органов получило стресс - тестирование на основе похода «сверху - вниз». Главным преимуществом данного подхода является единообразие методологии стресс - тестирования, и как следствие, согласованность результатов. При применении данного подхода используются общедоступные данные бухгалтерских балансов и отчетов о прибылях и убытках, что делает процедуру более прозрачной [Kapinos, Mitnik, 2015].

Основной недостаток подхода «сверху - вниз» заключается в применении стресс - тестов на агрегированных данных, что приводит к недоучету концентрации рисков на уровне отдельных финансовых учреждений, а также взаимосвязей между ними. [Cihak, 2007] Другим немаловажным недостатком является неспособность линейных моделей при подходе «сверху - вниз» учесть нелинейный характер потерь банков в период циклических колебаний, в результате чего, плотность распределения прогнозов потерь банка имеет «толстые хвосты» [Drehmann, Patton, Sorensen, 2006].

Для преодоления значимых недостатков обоих подходов эксперты ЕЦБ предлагают использовать их комбинацию, что позволит получить беспристрастную оценку финансовой устойчивости отдельных банков и банковской системы в целом [Henry, Kok, 2013]. Также, используя подход «сверху - вниз», можно контролировать результаты стресс - тестирования, основанного на походе «снизу - вверх» [Basarir , Toraman, 2014].

Четвертый этап предполагает выбор методологии оценки риска, которая зависит от категории риска, доступности данных и целей стресс -тестирования.

На пятом этапе происходит оценка эффектов от реализации конкретного стрессового сценария. Посредством применения выбранного на предыдущем этапе метода получаем оценку взаимосвязи между факторами риска и переменными банковского сектора, на основе которой строится прогноз уровня потерь при реализации стрессового события.

На шестом этапе происходит интерпретация полученных результатов, которые могут быть использованы кредитной организацией при стратегическом планировании и регулирующим органом при проведении регулирования и надзора.

Данную классификацию целесообразно дополнить седьмым этапом, на котором происходит покрытые негативных эффектов от реализации стрессового сценария за счет прибыли и собственных средств банка. Важную

роль на этом этапе играет экономический капитал, который, в отличие от регулятивного капитала, предназначен для покрытия непредвиденных потерь.

Основной раздел

Основа стресс - тестирования кредитного риска заключается в построении модели, связывающей ключевые показатели кредитного риска банковской деятельности и макроэкономические факторы. Поэтому в целях данного исследования рассмотрим ключевые модели оценки кредитного риска.

Первые модели оценки кредитного риска появились в 1997 году -CreditMetrics модель, разработанная JP Morgan; KMV методология; CreditRisk+ и CreditPortfolioView. CreditMetrics подход основан на анализе вероятности перехода кредита от одной категории качества к другой, включая категорию безнадежных ссуд, в течение определенного временного периода (как правило, принимается равным 1 году).

KMV Corporation разработала методологию анализа кредитного риска, а также обширную базу данных для оценки вероятности дефолта и распределения потерь, связанных с дефолтом и изменением категории качества ссуды. Главным отличием данной методологии от CreditMetrics является использование «ожидаемой частоты дефолта» (Expected Default Frequency), а не средней исторической частоты изменения качества ссуды, предоставленной рейтинговыми агентствами. [Kollar, Gondzarova, 2015]

CreditRisk+ подход разработан компанией Credit Suisse Financial Products и сфокусирован только на вероятности дефолта. При этом вероятность дефолта отдельных облигаций или кредитов предлагается исследовать, как экзогенный процесс Пуассона.

Последний подход (CreditPortfolioView) был предложен McKinsey и представляет собой дискретную мультипериодную модель, где вероятность дефолта является функцией макропеременных, таких как уровень

безработицы, процентные ставки, темп экономического роста, темп роста государственных расходов, обменные курсы [Crouhy, Galai, Mark, 2000].

Современные модели оценки кредитного риска можно объединить в две крупные группы: 1) модели, основанные на данных о качестве ссуд; 2) модели, основанные на данных о заемщиках [Foglia, 2008]. Рассмотрим подробнее каждую группу моделей.

В моделях, основанных на данных о качестве ссуд, в качестве зависимой переменной зачастую используются доля необслуживаемых кредитов, резервы на возможные потери по ссудам, уровень дефолта. Модели данной группы предложены в работах Quagliariello (2004), Gerlach, Peng, Shu (2005), Fiori, Foglia, Iannotti (2007), Louzis, Vouldis, Metaxas (2012), Castro (2013), Yurdakul (2014).

Вторая категория моделей основана на данных о заемщике. В основе моделей данной категории лежат CreditMetrics, KMV, CreditRisk+, CreditPortfolioView подходы. В таких моделях в качестве зависимых переменных зачастую выступает вероятность дефолта заемщика (PD). Пример данных моделей можно найти в работах Eklund, Larsen, Berhardsen (2001), Wang (2010), Takada, Sumita (2011).

Таблица 2

Обзор эмпирических исследований, посвященных оценке кредитного риска

№ Авторы Зависимая переменная Объясняющие переменные Выборка Методология Результаты

Модели, основанные на данных о качестве ссуд

1 Quagliariello (2004) ■ РВПС; ■ Отношение «плохих» кредитов в текущем году к обслуживаемым ссудам в прошлом году; ■ Рентабельность активов Микроэкономические переменные: ■ отношение расходов банка к доходам; ■ доля процентного дохода; ■ отношение капитала к активам; ■ логарифм совокупных активов; ■ темп прирост кредитования; ■ отношение процентной маржи банка к активам. Макроэкономические переменные: ■ фондовый индекс; ■ доходность государственных ценных бумаг; ■ уровень безработицы; ■ спрэд между ставками по кредитам и депозитам; ■ темп роста ВВП; ■ темп прироста инвестиций; ■ финансовый леверидж компаний; ■ отношение долговой нагрузки домохозяйств к ВВП. 1985-2002 гг., банковский сектор Италии Статическая модель с фиксированными эффектами оцениваются при помощи метода наименьших квадратов (least square dummy variable, LSDV). Динамическая модель оценивается при помощи обобщенного метода моментов(подход Arellano, Bond, 1991). РВПС и доля «плохих» ссуд являются процикличными переменными: в период ухудшения экономической ситуации происходит рост этих показателей. Темп роста ВВП оказывает влияние с лагом от 1 года до 2 лет. При реализации стрессового сценария РВПС увеличится с 0,82% до 1,35%, доля «плохих» ссуд - с 1,28% до 3,4%, снижения рентабельности активов не произойдет.

2 Gerlach, Peng, Shu (2005) ■ Доля необслуживаемых кредитов; ■ Чистая процентная маржа к активами Макроэкономические переменные: ■ темп роста ВВП; ■ ИПЦ. Переменные банковского сектора: ■ логарифм активов банка; ■ отношение капитала к активам; ■ отношение РВПС к активам; ■ отношение непроцентных доходов к активам; ■ отношение непроцентных расходов к активам; 1994-2002 гг., банковский сектор Гонконга На основе панельных данных строятся две модели: общая динамическая модель и динамическая модель с фиксированными эффектами. В качестве метода оценки выступает обобщенный метод моментов. Увеличение темпов роста ВВП, инфляции, цен на недвижимость приводят к снижению доли необслуживаемых кредитов. Рост краткосрочной ставки денежного рынка, наоборот, приводит к росту доли необслуживаемых кредитов. Влияние макроэкономических

■ доля ипотечных кредитов; ■ доля потребительских кредитов. Переменные финансового сектора: ■ изменение цен на недвижимость; ■ краткосрочная ставка денежного рынка. изменений на отношение чистой процентной маржи к активам зависит от размера банка: мелкие банки более подвержены влиянию.

3 Louzis, Vouldis, Metaxas (2012) Доля необслуживаемых кредитов в целом по сектору и отдельно по трем категориям: потребительские кредиты, ипотека, корпоративные кредиты Макроэкономические переменные: ■ темп роста ВВП; ■ уровень безработицы; ■ процентные ставки; ■ государственный долг. Переменные банковского сектора: ■ рентабельность капитала; ■ отношение капитала к активам; ■ отношение операционных расходов к операционным доходам; ■ доля непроцентных доходов; ■ леверидж; ■ качество менеджмента. 3 кв. 2003 - 3 кв. 2009 гг., банковский сектор Греции На основе панельных данных строится динамическая модель, которая оценивается при помощи обобщенного метода моментов (подход Arellano, Bond, 1991). Наибольшее влияние на уровень просроченной задолженности оказывают такие макроэкономические переменные, как темп роста ВВП, уровень безработицы, ставки кредитования, уровень государственного долга. При этом степень влияния зависит от категории кредитов: потребительские кредиты наиболее чувствительны к изменению ставок по кредитам, корпоративные - к темпам роста ВВП, ипотечные кредиты наименее подвержены влиянию макроэкономических факторов.

4 Castro (2013) Доля необслуживаемых кредитов Макроэкономические переменные: ■ темп роста ВВП; ■ уровень безработицы; ■ темп роста кредитования; ■ долгосрочная ставка процента; ■ реальная ставка процента; ■ спрэд между долгосрочной и краткосрочной ставкой процента; ■ темп роста кредитования; ■ отношение кредитов к ВВП; ■ отношение государственного долга к ВВП; 1 кв. 1997 - 3 кв. 2013 гг., банковский сектор Греции, Ирландии, Португалии, Испании, Италии Для оценки модели на основе панельных данных используются как традиционные методы: метод наименьших квадратов, модель с фиксированными эффектами, модель с рандомными эффектами, так и обобщенный метод моментов(подход Arellano, Bond, 1991). Кредитный риск банков сильно зависит от макроэкономических условий: снижение темпов роста ВВП, индекса цен на жилье, фондовых индексов, повышение уровня безработицы, процентных ставок, темпов роста кредитования, увеличение реального обменного курса приводит к росту доли необслуживаемых кредитов.

■ темп роста фондовых индексов, ■ индекс цен на жилье; ■ реальный обменный курс; ■ уровень инфляции; ■ отношение цены экспорта к цене импорта.

5 Yurdakul (2014) Доля необслуживаемых кредитов Макроэкономические переменные: ■ темп роста ВВП; ■ уровень инфляции; ■ уровень безработицы; ■ фондовый индекс (18Б-100); ■ обменный курс; ■ номинальная процентная ставка по депозитам; ■ темп роста агрегата М2. Январь 1998 -июль 2012 гг., банковский сектор Турции В качестве спецификации модели выступает авторегрессионная модель с распределенными лагами (ARDL model), которая оценивается при помощи метода наименьших квадратов. Рост фондового индекса, увеличение темпов роста ВВП приводит к снижению кредитного риска. В свою очередь, рост денежной массы, уровня безработицы, уровня инфляции, повышение обменного курса и процентных ставок способствует росту доли необслуживаемых кредитов.

Модели, основанные на данных о заемщике

6 Eklund, Larsen, Berhardsen (2001) Вероятность дефолта заемщика ■ Возраст фирмы; ■ Размеры фирмы; ■ Отрасль (среднеотраслевое значение отношение капитала к активам; среднеотраслевое значение отношения кредиторской задолженности к активам; отраслевое стандартное отклонение отношения прибыли к активам); ■ Показатели прибыльности (отношение прибыли к активам); ■ Показатели ликвидности (ликвидные активы за вычетом краткосрочных обязательств по отношению к активам; отношение неоплаченных косвенных налогов к активам; отношение кредиторской задолженности к активам); 1990-1996 гг., общества с ограниченной ответственностью Норвегии В модели проекции макроэкономических переменных используются для оценки статей бухгалтерского баланса и отчета о прибылях и убытках каждой компании, на основе которых рассчитывается индивидуальная вероятность дефолта. Затем данные о вероятности дефолта агрегируются для получения оценки общих потерь банковского сектора. Тестирование модели показало, что она обладает высокой прогнозной точностью: около 83% как для предприятий-банкротов, так и для действующих предприятий.

■ Показатели финансовой устойчивости (отношение капитала к активам; бинарная переменная, отражающая наличие/отсутствие выплаты дивидендов за последний год).

7 Fiori, Foglia, Iannotti (2007) Отраслевой уровень дефолта (для шести кластеров) Показатели бизнес - цикла: ■ темп роста реального ВВП; ■ разрыв ВВП; ■ индекс промышленного производства; ■ индекс прогноза заказов; ■ индекс деловой уверенности; ■ накопленный основной капитал к ВВП. Индекс внешней конкурентоспособности: ■ реальный эффективный обменный курс; ■ цены на экспорт и импорт. Переменные стоимости долга: ■ ставка денежного рынка; ■ ставка по кредитам предприятиям. Показатели мировой экономики: ■ индекс 8&Р 500; ■ цена на нефть. Переменные ценовой стабильности: ■ ИПЦ. 1990-2004 гг., предприятия Италии Модель из шести уравнений оценивается с использованием системы явно не связанных уравнений (Seemingly unrelated regressions). Макроэкономические переменные оказывают значимое влияние на устойчивость предприятия, однако степень влияния во многом зависит от специфики каждого кластера. В частности, отрасль энергетики наиболее уязвима к систематическому риску, в то время как отрасль сельского хозяйства является наименее «цикличной».

8 Wang (2010) Вероятность дефолта по ипотечным кредитам; Доступность кредита; Стоимость кредита ■ Возраст заемщика; ■ Пол заемщика; ■ Годовой доход; ■ Уровень образования; ■ Род занятий; ■ Семейное положение; ■ Регион проживания; ■ Отношения заемщика с банком; ■ Срок кредита; 2004-2009 гг., филиал Строительного Банка Китая Логит-модель оценивается при помощи метода максимального правдоподобия. Возраст заемщика, уровень образования, род занятий, регион проживания оказывают положительное влияние на сумму кредита. Пол, возраст, семейное положение, годовой доход, род занятий, регион проживания, отношения заемщика с банком, срок

■ Статус кредита. кредита оказывают отрицательное влияние на стоимость кредита.

9 ТакМа, 8ишИа (2011) Вероятность дефолта предприятия; Размер премия кредитно-дефолтных облигаций Макроэкономические условия; Исторические данные о случаях дефолта Два промышленных сектора Японии Модель представляет собой Марковский процесс с двумя состояниями, в котором макроэкономические условия описываются как процесс «рождения -смерти», в то время как вторая цепь Маркова представляет собой стохастические характеристики вероятности и интенсивности дефолтов, зависящие от состояния первого процесса. Вероятность дефолта и, соответственно, размер премии кредитно-дефолтных облигаций возрастает в случае, если взаимодействие между действующими предприятиями и предприятиями-банкротами в рамках одного промышленного сектора оказывает влияние на производительность предприятий в другом промышленном секторе.

Таким образом, в существующей литературе можно выделить две группы факторов: факторы, влияющие на систематический кредитный риск, и факторы, влияющие на несистематический кредитный риск. К первой категории относятся макроэкономические факторы (уровень занятости, темп роста ВВП, уровень инфляции, фондовые индексы), изменения в экономической политике (изменения денежно - кредитной и бюджетно -налоговой политики, изменения налогового законодательства, ограничения на импорт и стимулирование экспорта), политические изменения. Данные факторы могут оказывать значимое влияние на способность заемщиков осуществлять выплаты по своим долговым обязательствам.

Факторы, влияющие на несистематический кредитный риск, являются специфическими: для розничных клиентов - уровень доходов, страхование по кредиту, для компаний - менеджмент, финансовое положение, источники фондирования и финансовой отчетности, способность выплачивать кредит и специфические отраслевые факторы.1

Стресс-тестирование кредитного риска: регрессионный анализ

В целях данного исследования для проведения стресс - тестирования построим модель, отражающую зависимость между мерой кредитного риска и макроэкономическими факторами. Аналогичные исследования проводились следующими отечественными и зарубежными учеными: QuagHariello (2004), Gerlach, Peng, Shu (2005), Kattai (2010), Мамонов, Пестова, Солнцев (2012), Louzis, Vouldis, Metaxas (2012), Schechtman, Gaglianone (2012), Buncic, Melecky (2013), Castro (2013), Jiang, Wu, Philp, Coleman (2014), Yurdakul (2014).

В качестве меры кредитного риска предлагается использовать долю необслуживаемых кредитов в портфеле (NPL). Выбор данного показателя обусловлен тем, что изменение макроэкономических условий сказывается на

денежном рынке, что, в свою очередь, влияет на условия рынка заимствований для корпоративных клиентов и домохозяйств. Ухудшение макроэкономической ситуации приводит к ужесточению условий рынка заимствований, что приводит к росту просроченной задолженности.

Теперь определимся с перечнем макроэкономических переменных. В первую очередь, начнем с переменных, характеризующих экономическую ситуациию: темп прироста ВВП (GDPgr) и уровень безработицы (Unemp). Данные показатели оказывают основополагающее влияние на динамику кредитного риска: в период экономического роста и максимальной занятости доля необслуживаемых кредитов снижается, так как предприятия и домохозяйства имеют достаточно средств для обслуживания долга. В то время как в период экономического спада происходит рост «плохих» кредитов из-за сокращения реальный располагаемых доходов населения и выручки предприятий. Иными словами, снижение темпов роста ВВП и рост уровня безработицы сопряжены с повышением кредитного риска.

Уровень инфляции (Infi) также включается в число объясняющих переменных, однако, как отмечает Castro (2013), влияние данного показателя

Л

на кредитный риск не является чистым. Рост инфляции приводит к снижению покупательной способности национальной валюты, и соответственно, снижению реальных располагаемых доходов населения, что, в конечном счете, негативно влияет на кредитный риск.

Включение темпов прироста фондовых индексов (MMVB, RTS), рассчитываемых на основе 50 наиболее ликвидных акций крупнейших российских эмитентов, обусловлено тем, что положительные темпы роста свидетельствуют об улучшении условий деятельности данных компаний, и соответственно, о снижении кредитного риска.

Другим немаловажным фактором является ключевая процентная ставка (KeyRate), которая отражает политику регулирующего органа. Повышение

ключевой процентной ставки приводит к росту ставок денежного рынка, а именно, рынка межбанковского кредитования. Рост ставок на рынке МБК приводит к росту ставок по привлеченным и размещенным средствам. Процентная ставка по кредитам влияет на уровень долговой нагрузки: ее рост приводит к росту необслуживаемых кредитов.

Следующий фактор - темп роста кредитного портфеля (CredGr). Данный показатель передает информацию об общих условиях рынка кредитования, отражает доступность кредитов, а также возможность пролонгации ранее заключенных договоров. Кроме того, темп роста кредитного портфеля отражает степень закредитованности населения и предприятий. Высокие темпы роста кредитования могут привести к росту просроченной задолженности в будущем из-за изначально низкого качества ссуд.

Для контроля внешних факторов предлагается включить в модель цену на нефть (Brent) и обменный курс национальной валюты в сегменте руб./долл. (ExRate). В виду того, что экономика России сильно зависит от цен на энергоресурсы, изменение цены на нефть оказывает существенное влияние на курс национальной валюты (корреляция между этими показателями составляет порядка 70%), а также на благосостояние нефтедобывающих компаний. Снижение цен на нефть приводит к девальвации рубля, росту инфляции (так как импортные товары становятся дороже из-за разницы в курсе) и увеличению кредитного риска.

Таким образом, в качестве объясняющих переменных выступают макроэкономические переменные: темп прироста ВВП, уровень инфляции, цена на нефть, обменный курс национальной валюты в сегменте руб./долл., ключевая процентная ставка, уровень безработицы, темп прироста фондовых индексов (табл. 3).

Таблица 3

Описание переменных, используемых в модели

Обозначение Описание Ожидаемый знак3

NPL Доля необслуживаемых кредитов в портфеле4 +

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

GDPgr Темп прироста ВВП -

Unemp Уровень безработицы +

Infl Уровень инфляции +/-

MMVB Темп прироста индекса ММВБ +

RTS Темп прироста индекса РТС +

Ставка рефинансирования /

KeyRate ключевая процентная ставка +

CredGr Темп прироста кредитного портфеля +

Brent Цена на нефть марки Brent -

ExRate Курс валюты, руб/долл +

Получаем, что в общем виде статическая модель имеет следующий вид:

NPLt = р1 + P2GDPgrt + (l3Unempt + p4Inflt + p5MMVBt + (S6RTSt + /37KeyRatet + /38CredGrt + /39Brentt + /310ExRatet + st

Так как мы имеем дело с временными рядами, то необходимо определиться со спецификацией модели и методом оценки. Существует три основные спецификации моделей временных рядов: модели авторегрессионной условной гетероскедастичности (ARCH, GARCH), авторегрессия скользящего среднего (ARMA, ARMA), модель векторной авторегрессии (VAR).

Модель авторегрессионной условной гетероскедастичности (ARCH), в основном, применяется для моделирования волатильности доходностей

3 Получено авторами на основе аналогичных исследований, проведенных в работах Quagliariello (2004), Gerlach, Peng, Shu (2005), Louzis, Vouldis, Metaxas (2012), Buncic, Melecky (2013), Castro (2013), Yurdakul (2014), Мамонов, Пестова, Солнцев (2012).

4 Без учета значительного объема реструктуризированных кредитов.

финансовых инструментов. GARCH представляет собой обобщенную модель авторегрессионной условной гетероскедастичности.

Авторегрессия скользящего среднего (ARMA) предназначена для анализа и прогнозирования временных рядом. Важную роль при построении такой модели играет стационарность временных рядов, которую можно проверить при помощи расширенного теста на единичные корни Дики -Фуллера (ADF - test), теста Филипса - Перрона (PP - test), теста Элиота -Ротенберга (ERSP-test). Применение нескольких тестов обусловлено тем, что каждый из них обладает своими недостатками, и для получения достоверных результатов имеет смысл использовать эти тесты в совокупности. ARIMA -авторегрессия проинтегрированного скользящего среднего применяется для нестационарных временных рядов, которые можно преобразовать в стационарные взятием разности n-го порядка.

Модель векторной авторегрессии представляет собой систему одновременных уравнений, которая состоит из одномерных ARMA моделей.

Так как в данной работе проводится анализ зависимости доли «плохих» ссуд от макрофакторов, то в качестве подходящей спецификации выступает авторегрессия скользящего среднего, оценка которой проводится при помощи метода наименьших квадратов.

Кроме того, как отмечается во многих зарубежных и отечественных исследованиях, значение доли необслуживаемых кредитов зависит от своего прошлого значения, то есть возникает необходимость построения динамической модели на основе временных рядов, которая в общем виде имеет вид:

NPLt = р1 + p2NPLt-i + P3GDPgrt + P4Unempt + psInflt + fi6MMVBt + p7RTSt + p8KeyRatet + p9CredGrt + p10Brentt + p1±ExRatet + st

Однако когда мы включаем в перечень объясняющих переменных лагированную зависимую переменную, то оценки, получаемые по методу

наименьших квадратов, становятся смещенными и несостоятельными (не являются BLUE-оценками), так как нарушается предпосылка о некоррелированности шума с регрессорами, то есть возникает проблема эндогенности. Проблему эндогенности можно решить при помощи инструментальных переменных, которые должны удовлетворять двум условиям: 1) релевантность: инструментальная переменная коррелирует с эндогенным регрессором; 2) валидность: инструментальная переменная не коррелирует с шумом в модели.

В ряде работ (Quagliariello, 2004; Louzis, Vouldis, Metaxas, 2012; Buncic, Melecky, 2013; Castro, 2013) при выборе инструментальных переменных применяется метод, предложенный Arellano, Bond (1991). Данный метод заключается в том, что первые разности строго экзогенных регрессоров выступают инструментальными переменными для самих себя, а в качестве инструментов для зависимой и предопределенных / эндогенных переменных берутся их лагированные значения. Для предопределенных переменных лаг равен одному периоду и более, для зависимой и эндогенных - два и более периодов.5 В данном случае оценку модели необходимо проводить при помощи обобщенного метода моментов (GMM).

Для проведения исследования будем использовать ежеквартальные данные с 1 кв. 2004 по 3 кв. 2016 гг., которые взяты с официального сайта Банка России, Федеральной Службы Государственной Статистики и сайта Финам.

Для оценки статической модели используется метод наименьших квадратов, динамической модели - обобщенный метод моментов, в качестве спецификации модели выступает авторегрессия проинтегрированного скользящего среднего (ARIMA). Для определения порядка AR и MA используем графики автокорреляционной функции (ACF) и частной автокорреляционной функции (PACF). Выбор лучшей спецификации модели

5 Arellano M., Bond S. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations // The review of economic studies, 1991, vol. 58, № 2 - p. 277 - 297.

осуществляется на основе критериев Шварца и Акаике. Кроме того, случайные ошибки оцененной модели тестируются на наличие автокорреляции (тест Бреуш - Годфри) и гетероскедастичности (тест Бреуш

- Паган - Годфри). Исследование проводится при помощи программного обеспечения Eviews8.

Прежде чем приступить к регрессионному анализу, протестируем временные ряды на стационарность при помощи расширенного теста на единичные корни Дики - Фуллера (ADF - test), теста Филипса - Перрона (PP

- test), теста Элиота - Ротенберга (ERSP-test).

Таблица 4

Результаты тестирования временных рядов на стационарность6

Переменная ADF-статистика PP- статистика ERSP-статистика Результат

NPL -1.75 -2.84 4.44 I(1)

GDPgr -3.55 -1.69 1.49 I(0)

Unemp -1.60 -2.47 19.32 I(1)

Infi -5.45 -5.34 1.40 I(0)

MMVB -5.32 -5.36 1.04 I(0)

RTS -6.38 -6.40 2.66 I(0)

KeyRate -2.46 -2.56 11.47 I(1)

CredGr -3.7 -3.6 2.25 I(0)

Brent -2.42 -2.11 5.73 I(1)

ExRate 0.15 0.38 18.51 I(1)

Как видно из таблицы 4, временные ряды GDPgr, Infi, MMVB, RTS, CredGr являются стационарными. Остальные временные ряды являются интегрируемыми 1-го порядка, то есть являются стационарными в первых разностях.

После того как был проведен анализ данных на стационарность, построим оценку статической и динамической моделей при помощи методов, обозначенных ранее.

6 Критическое значение на 5-процентном уровне значимости: для ЛОБ-теста = -2.92, для РР-1е$1= -2.92, для ЕЯ8Р4е81=2,97.

Таблица 5

Результаты регрессионного анализа

Переменная Статическая модель Динамическая модель

C 0,048 -0,128

NPLt-i - 0,6090* (0,0359)

Brentt-3 -0,0063** -0,0037**

(0,0030) (0,0019)

CredGrt-i -0,0438* -0,0701*

(0,0104) (0,0058)

ExRatet-1 н/з 0,0237* (0,0086)

GDPgrt-з -0,0661* (0,0115) -0,0741* (0,0091)

KeyRatet-3 н/з 0,0565** (0,0301)

Inflt-4 н/з н/з

Unempt-1 0,3668* 0,2939*

(0,0832) (0,0772)

MMVBt-1 н/з н/з

RTSt-1 н/з н/з

R-squared=0,82 R-squared=0,83

Характеристики модели: F-statistic=20,59 Prob(F-st)=0,00 J-statistic=7,49 Prob(J-st)=0,75

N. of obs. = 44 N. of obs. = 45

Примечание: при построении статической и динамической модели учеты результаты тестирования временных рядов на стационарность: для интегрируемых временных рядов 1-го порядка взяты первые разности. Оценка динамической модели получена при помощи метода, предложенного в статье Arellano, Bond (1991), максимальный лаг эндогенной переменной в качестве инструмента равен двум периодам. Результаты теста Бреуш-Годфри и Бреуш-Паган-Годфри показали отсутствие гетероскедастичности и автокорреляции случайных ошибок, как в статической, так и в динамической модели. Сокращение (*, **, ***) означает соответствующий уровень значимости: 1%, 5% или 10%. Индекс (t-1, t-2, t-3, t-4) в наименовании переменной отражает временной лаг от 1 до 4 кварталов соответственно.

Результаты оценки статической и динамической модели показали, что такие переменные как уровень инфляции и динамика фондовых индексов не влияют на уровень просроченной задолженности. Данный факт обусловлен тем, что в состав фондовых индексов входят акции крупнейших российских компаний, цена акций которых не отражает напрямую финансовое состояние компании и подвержена влиянию со стороны внешней конъюнктуры.

Как и ожидалось, знак перед ценой на нефть оказался отрицательным, то есть снижение цены на нефть приводит к росту доли необслуживаемых кредитов, что, в очередной раз, подтверждает уязвимость российской экономики, и в частности банковского сектора, к шокам цены на нефть. При этом стоит отметить, что колебания цены на нефть влияют на качество кредитного портфеля не сразу, а с запаздыванием в 3 квартала, что связано с тем, что эффект снижения цены на нефть заемщики ощущают опосредовано.

Также ожидаемый знак мы получили перед курсом национальной валюты в сегменте руб./долл.: девальвация рубля способствует снижению покупательной способности курса национальной валюты, что, в конечном итоге, приводит к росту просроченной задолженности. Особенно остро изменения курса национальной валюты ощущают валютные заемщики (в частности, валютная ипотека), для которых с ростом курса возрастает стоимость долга.

Знак коэффициента при переменной, отражающей темп прироста кредитного портфеля, не совпал с ожидаемым. Тем не менее, отрицательный знак уже получали в своем исследовании Schechtman, Gaglianone (2012), когда проводили стресс - тестирование кредитного риска банковского сектора Бразилии. Для России данный факт можно интерпретировать следующим образом: в период экономического спада кредитные организации придерживаются более сдержанной политики кредитования и предъявляют к заемщикам более жесткие требования, которые они зачастую не могут соблюдать, что в конце концов, приводит к отрицательным темпам прироста кредитования (что можно наблюдать и сейчас: темп прироста кредитного портфеля за 9 месяцев 2016 года составил -4,1%). При этом в условиях нестабильности способность заемщиков обслуживать уже выданные ссуды снижается, что приводит к росту просроченной задолженности и разнонаправленной динамике показателей просроченной задолженности и темпа прироста кредитного портфеля. Можно предположить, что такая тенденция является особенностью развивающихся рынков.

Коэффициент перед темпом роста ВВП, как и ожидалось, имеет отрицательный знак. В условиях макроэкономических шоков происходит сокращение производства, что негативным образом сказывается на выручке предприятий, которая является основным источником выплат по кредитам со стороны корпоративных заемщиков. Кроме того, уменьшение выручки ведет с необходимости сокращения затрат на производстве, что приводит к сокращению заработных плат сотрудников, то есть происходит снижение реальных располагаемых доходов населения. Данные тенденции негативно отражаются на способности заемщиков расплачиваться по своим обязательствам перед банком, и как следствие, происходит рост просроченной задолженности.

Существенное влияние на динамику просроченной задолженности оказывает уровень безработицы, рост которой приводит к снижению платежеспособности заемщиков, и соответственно, к росту доли необслуживаемых кредитов. Кроме того, рост безработицы может свидетельствовать о сокращении производства вследствие снижения спроса покупателей, что, в конечном счете, может привести к уменьшению выручки предприятий.

Отличие динамической модели от статической, прежде всего, заключается в том, что в нее включена лагированная зависимая переменная. Результаты оценки показали, что доля просроченных кредитов во многом обусловлена своим предыдущим значением, так как погашение просроченной задолженности не происходит одномоментно, наоборот, она накапливается от квартала к кварталу, в особенности в период нестабильности.

Теперь на основе динамической модели построим прогноз доли необслуживаемых кредитов в зависимости от различных макроэкономических сценариев, параметры которых базируются на прогнозах Центрального банка Российской Федерации и Министерства экономического развития.

Таблица 6

Параметры стрессовых сценариев на конец 2017 г.

Сценарий ВВП, % Цена на нефть, долл./барр.

Базовый 1,5 46

Умеренно - пессимистичный 0,5 40

Экстремальный -1,0 25

Источник: разработаны авторами на основе документов: «Сценарные условия, основные параметры прогноза социально- экономического развития российской федерации и предельные уровни цен (тарифов) на услуги компаний инфраструктурного сектора на 2017 год и на плановый период 2018 и 2019 годов» и «Основные направления единой государственной денежно - кредитной политики на 2016 год и период 2017 и 2018 годов».

Стрессовые сценарии основаны на сочетании двух параметров: темп роста ВВП и цена на нефть. Базовый сценарий характеризуется ростом цены на нефть до 46 долларов за баррель, что приведет к повышению темпов роста ВВП до 1,5%.

При умеренно - пессимистичном сценарии котировки цены на нефть марки Brent установятся на уровне 40 долларов за баррель. При такой цене на нефть наблюдается положительный темп экономического роста, равный 0,5%.

Экстремальный сценарий характеризуется серьезным падением цены на нефть до 25 долларов за баррель: столь низкого значения не было ни в кризис 2008-2009 годов, ни в начале 2016 года. Это, в свою очередь, приведет к существенному ухудшению экономической ситуации: темп роста ВВП = -

1%.

Таблица 7

Результаты стресс - тестирования кредитного риска

Переменная Базовый сценарий Умеренно -пессимистичный сценарий Экстремальный сценарий

NPL 7,51 8,55 9,59

Как видно из таблицы 7, даже при реализации экстремального сценария доля просроченной задолженности составит 9,59%, что ниже, чем в 3

квартале 2016 года (9,8%). Данный факт обусловлен тем, что пик макроэкономической нестабильности проходится на конец 2015 года -начало 2016 года. Падение ВВП за 2015 год составило 3,7%. Многие эксперты сходятся в том, что к концу 2016 года экономическая ситуация стабилизируется, однако выхода из рецессии следует ожидать только в конце 2017 года.

Заключение

Результаты регрессионного анализа показали значимое влияние уровня безработицы, темпов экономического роста и темпов роста кредитования на динамику доли необслуживаемых кредитов. Тем не менее, не все переменные в модели продемонстрировали ожидаемые знаки, что, в первую очередь, обусловлено особенностями развивающихся рынков. Результаты макропруденциального стресс - тестирования показали, что в случае реализации неблагоприятных сценариев кредитные организации не столкнутся с чрезмерным ростом просроченной задолженности. Иными словами, российская банковская система адаптировалась к макроэкономическим шокам. Тем не менее, банки сейчас переживают кризис «плохих» долгов, выход из которого будет происходить по мере стабилизации макроэкономической ситуации

Библиографический список

1. Аббинк Дж. Б. Создание сценариев стресс - тестов // Управление финансовыми рисками, 2012, № 03(31) - с. 226 - 242.

2. Андриевская И. К. Стресс - тестирование: обзор методологий // VIII Международная научная конференция. Модернизация экономики и общественное развитие: В 3 кн., 2007, с. 34-43.

3. Виноградов А. В., Кузнецов К. Б., Шимановский К. В. Комплекс моделей стресс - тестирования российского банковского сектора // Деньги и Кредит, 2011, № 3 - с. 29 - 33.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

4. Мамонов М., Пестова А., Солнцев О. Оценка системных эффектов от ужесточения пруденциального регулирования банковского сектора: результаты стресс - теста // Вопросы экономики, 2012, № 8 - с. 4 - 31.

5. Basarir C., Toraman C. Financial stability analysis in banking sector: a stress test method // The Journal of Accounting and Finance, 2014, p. 129 - 144.

6. Castro V. Macroeconomic determinants of the credit risk in the banking system: the case of the GIPSI // Economic Modelling, 2013, № 31 - p. 672 -683.

7. Cihak M. Introduction to applied stress testing // IMF Working Paper, 2007, № 59 - p. 76.

8. Crouhy M., Galai D., Mark R. A comparative analysis of current credit risk models // Journal of Banking & Finance, 2000, № 24 - p. 59 - 117.

9. Drehmann M., Patton A. J., Sorensen St. Non - linearities and stress testing // London School of Economics, 2006, p. 26.

10. Eklund T., Larsen K., Berhardsen E. Model for analyzing credit risk in the enterprise sector // Economic Bulletin, 2001, № 3 - p. 99 - 106.

11. Fiori R., Foglia A., Iannotti S. Estimating macroeconomic credit risk and sectoral default rate correlations for the Italian economy // 2nd Expert Forum on Advanced Techniques on Stress Testing: Applications for Supervisors, 2007, p. 120 - 142.

12. Foglia A. Stress testing credit risk: a survey of authorities' approaches / Questioni di Economia e Finanza (Occasional papers), 2008, № 37, p. 24.

13. Gerlach S., Peng W., Shu C. Macroeconomic conditions and banking performance in Hong Kong SAR: a panel data study // BIS Papers, 2005, № 22 - p. 481 - 497.

14. Henry J., Kok Chr. A macro stress testing framework for assessing systemic risks in the banking sector // Occasional paper series, 2013, № 152 - p. 82.

15. International Monetary Fund Macrofinancial stress testing - principles and practices, 2012, p. 66.

16. Jones M. T., Hibers P., Slack Gr. Stress testing financial systems: what to do when the governor calls // IMF Working Paper, 2004, № 127 - p. 37.

17. Kapinos P., Mitnik O. A top - down approach to stress - testing banks // FDIC CFR Working Paper Series, 2015, № 2 - p. 54.

18. Kollar B., Gondzarova B. Comparison of current credit risk models // Procedia Economics and Finance, 2015, № 23 - p. 341 - 347.

19. Louzis D. P., Vouldis A. T., Metaxas V. L. Macroeconomic and bank -specific determinants of non - performing loans in Greece: a comparative study of mortgage, business and consumer loan portfolios // Journal of Banking & Finance, 2012, № 36 - p. 1012 - 1027.

20. Quagliariello Banks' performance over the business cycle: a panel analysis on Italian intermediaries // Discussion Papers in Economics, 2004, № 17 - p. 56.

21. Takada H., Sumita U. Credit risk model with contagious default dependencies affected by macro - economic condition // European Journal of Operational Research, 2011, № 214, - p. 365 - 379.

22. Wang W. The probability of Chinese mortgage loan default and credit scoring // A thesis submitted in partial fulfilment of the requirements for the Degree of Master of Commerce and Management at Lincoln University, 2010, p. 70.

23. Yurdakul F. Macroeconomic modelling of credit risk for banks // Procedia -Social and Behavioral Sciences, 2014, № 104 - p. 784 - 793.

24. Zayernyuk V. M., Chernikova L. I., Leonova V. P., Mukhomorova I. V., Belokhvostova N. V. Stress testing as a tool for assessing systemic risk of organizations of the Russian banking system, Berkowitz J. A coherent framework for stress testing // Federal Reserve Board, 1999, p. 12.

The List of References

1. Abbink Dzh. B. Sozdanie scenariev stress - testov // Upravlenie

finansovymi riskami, 2012, № 03(31) - s. 226 - 242.

2. Andrievskaja I. K. Stress - testirovanie: obzor metodologij // VIII Mezhdunarodnaja nauchnaja konferencija. Modernizacija jekonomiki i obshhestvennoe razvitie: V 3 kn., 2007, s. 34-43.

3. Vinogradov A. V., Kuznecov K. B., Shimanovskij K. V. Kompleks modelej stress - testirovanija rossijskogo bankovskogo sektora // Den'gi i Kredit, 2011, № 3 - c. 29 - 33.

4. Mamonov M., Pestova A., Solncev O. Ocenka sistemnyh jeffektov ot uzhestochenija prudencial'nogo regulirovanija bankovskogo sektora: rezul'taty stress - testa // Voprosy jekonomiki, 2012, № 8 - s. 4 - 31.