Материал: Сборника М. Н. Ахметова, Ю. В. Иванова, А. В. Каленский, В

менными ликвидные активы (LACA2), кредиты другим банкам (MBKCA2), негосударственные ценные бумаги (NCBCA2). Данные результаты соответствуют нашим ожиданиям, низкие и высокие значения данных пока- зателей увеличивают вероятность дефолта. Перед ква- дратом логарифма чистых активов (LnCA2) имеем отрица- тельный знак, то есть чем крупнее банк, тем он считается более устойчивым, может входить в список системно-зна- чимых банков и, как уже говорилось, может рассчитывать на поддержку со стороны государства. Данный фактор значим ля всех моделей. Направления влияния и значи- мость остальных факторов в целом совпадает с преды- дущей моделью.

Таким образом, построение моделей с линейной и ква- дратичной зависимостью на всей выборке с разными ла- гами зависимых переменных позволили проверить гипо- тезы о влиянии тех или иных факторов, большая часть из которых подтвердились. По полученным результатам можем сказать, что построение моделей с зависимой пе- ременной, отражающей факт отзыва только по причине отмывания денег нецелесообразен на используемых в ра-

боте данных, так как зависимая переменная имеет очень мало значений, равных единице. В дальнейшем исследо- вании не будем строить данные модели. Однако, разное направление влияния некоторых факторов говорят о том, что необходимо разделять причины отзывов при модели- ровании. Модели с лагом в 2 квартала имеют несколько лучшие критерии качества моделей. Также подтвердилась гипотеза из предыдущих исследований о необходимости включать макропеременные в модели.

Для оценки прогнозной силы моделей, а также для определения периода, на основании которого лучше осу- ществлять прогнозирование, для каждой из моделей было осуществлено три разных способа прогнозирования:

Прогнозирование на основании двух предыдущих лет.

При данном способе прогноз вероятностей отзыва ли- цензии у банков в период t+2 (2016 г.) основан на модели, построенной с использованием данных за периоды t и t+1 (2014 г. и 2015 г.). Таким образом на основании имею- щихся данных можно получить прогнозы на период с 2000 г. по 2016 г.

Прогнозирование на основании четырех преды- дущих лет.

Данный способ аналогичен предыдущему, с разницей в

периоде построения модели — в данном случае период об- учения равен четырем лет. В данном случае имеется про- гноз для периода с 2002 г. по 2016 г.

Прогноз на основании всех имеющихся данных за прошедшие периоды. При данном способе минимальным периодом обучения является период, равным двум годам, то есть на основании данных за 1998 г. и 1999 г. стро-

ятся прогнозы на 2000 г. далее обучающая выборка уве- личивается на год и строятся прогнозы на следующий год. В данном случае имеется прогноз для каждого периода с 2000 по 2016 г.

После получения прогнозов для оценки их качества строятся ошибки первого и второго рода.

На основании прогнозных вероятностей отзывов ли- цензий, определим переменную прогноза отзыва следу- ющим образом: данная переменная принимает значение 1, если прогнозируемая вероятность дефолта выше поро- гового значения, и значение 0, если прогнозируемая ве- роятность ниже данного значения. Пороговое значение равно такой вероятности, при которой половина отзывов за исследуемый период предсказана верно. Далее, после определения порогового значения, рассчитывается доля, которую составляют все неверные прогнозы во всех на-

блюдениях статусов баков. Прогнозная сила моделей сравнивается по следующему показателю:

где доля верно предсказанных отзывов 0,5 ( 0,5, если количество отзывов в исследуемом периоде нечетно). Таким образом, чем больше данная величина, тем лучше прогнозная сила модели. Далее на рисунках приведены динамики показателя

для линейных и квадратичных мо- делей с разными зависимыми переменными, с лагом в 2 и 4 квартала.

Рис. 1. Динамика показателя K, для квадратичной модели с зависимой переменной default, и лагом 4 квартала

Рис. 2. Динамика показателя K, для квадратичной модели с зависимой переменной default, и лагом 2 квартала

Стоит отметить неплохую прогнозную силу в целом для моделей, значение показателя K, преимущественно больше

Для модели с лагом 4 квартала наиболее стабильную дина-

мику демонстрирует способ прогнозирования на основании 4 лет обучения, для модели с лагом в 2 квартала лучшие по- казатели для прогнозирования накопленным итогом.

Рис. 3. Динамика показателя K, для квадратичной модели с зависимой переменной economic, и лагом 4 квартала

Рис. 4. Динамика показателя K, для квадратичной модели с зависимой переменной economic, и лагом 2 квартала

Учет, анализ и аудит

Таблица 3

Результаты оценивания моделей с линейной зависимостью

Переменные	lag = 2 квартала			lag = 4 квартала
Переменные	default	economic	laundry	default	economic	laundry
BPCA	–2,317**	–2,201**	–2,109*	–1,680	–1,693	–1,224
GDOCA	–2,972***	–2,524***	–9,369**	–1,585	–1,389	–5,171*
LACA	0,188	–0,395	0,886**	–0,455	–1,112***	0,340
MBKCA	–1,171*	–0,153	–3,716**	–1,141**	–0,219	–3,062***
NCBCA	0,366	0,538	1,320**	0,748**	0,850**	1,838***
LnOKSCA	–0,432***	–0,528***	–0,312***	–0,262***	–0,343***	–0,118
RESKE	1,584***	1,469***	1,424***	0,934***	0,793***	0,664*
SKCA	0,003	–0,717**	0,698**	–0,207	–0,776***	0,183
VDFLCA	0,884***	1,232***	–0,615	0,806***	1,039***	–0,997*
LnCA	–0,020	–0,002	–0,032	–0,0710***	–0,028	–0,134***
KE_FCA	–2,500***	–2,809***	–1,839***	–2,125***	–2,359***	–1,633**
d4_ipc	1,906***	1,614***	0,374	0,945***	0,736***	2,505***
d4_gdp	–4,255***	–4,228***	9,147***	–5,952***	–4,694***	4,847***
curs	0,00841**	0,0119***	0,0404***	–0,004	–0,0140***	0,0186**
trade	0,712***	0,490**	1,274***	–0,051	–0,395*	1,265***
unempl	–0,402***	–0,305***	–0,379***	–0,351***	–0,257***	–0,487***
Constant	–0,585	–0,948	–16,19***	4,808***	3,446***	–10,93***
Количество наблюдений	74,641	74,641	74,641	72,742	72,742	72,742
Pseudo R² Log-likelihood	0,090 –4014,62	0,107 –3245,80	0,083 –1665,53	0,051 –4321,02	0,053 –3365,14	0,050 –1681,37
Информационный критерий Акаике	8065,24	6527,61	3367,05	8678,04	6766,28	3398,74

*, **, *** — значимость на 10, 5, 1% уровне соответственно

Проблемы современной экономики

76

Таблица 4

Результаты оценивания моделей с квадратичной зависимостью

Переменные	lag = 2 квартала			lag = 4 квартала
Переменные	default	economic	laundry	default	economic	laundry
BPCA	–2,175**	–2,084*	–1,787	–1,595	–1,656	–1,037
GDOCA	–2,285***	–2,128**	–7,268**	–1,303	–1,254	–4,557*
LACA	–4,533***	–4,275***	–4,625***	–4,549***	–4,129***	–5,657***
LACA2	5,047***	4,485***	5,171***	4,603***	3,600***	6,532***
MBKCA	–4,020***	–3,099***	–6,904***	–2,164**	–1,343	–2,545
MBKCA2	5,857***	5,432***	8,703***	2,548	2,308	–0,313
NCBCA	–0,589	–0,047	0,548	–0,079	–0,069	2,484**
NCBCA2	1,797**	1,112	1,195	1,551*	1,545*	–0,856
LnOKSCA	–0,339***	–0,446***	–0,262***	–0,193***	–0,280***	–0,084
RESKE	1,442***	1,394***	0,934**	0,843***	0,787***	0,402
SKCA	–1,921**	–2,633***	1,180	–0,961	–1,845**	2,437**
SKCA2	1,256	1,530	–2,043	0,283	0,853	–3,261**
VDFLCA	0,615**	1,019***	–0,805	0,721***	0,970***	–0,846
LnCA	0,320***	0,259***	0,617***	0,171***	0,155**	0,273*
LnCA2	–0,0149***	–0,0113***	–0,0309***	–0,0100***	–0,00748**	–0,0181***
KE_FCA	–2,457***	–2,739***	–2,025***	–2,108***	–2,364***	–1,594**
d4_ipc	1,909***	1,616***	0,332	0,977***	0,763***	2,720***
d4_gdp	–4,731***	–4,578***	8,465***	–6,421***	–4,981***	4,547***
curs	0,0124***	0,0149***	0,0507***	–0,004	–0,0137***	0,0196***
trade	0,706***	0,489**	1,265***	0,000	–0,362*	1,337***
unempl	–0,456***	–0,346***	–0,492***	–0,396***	–0,288***	–0,570***
Constant	–0,317	–0,757	–16,39***	4,974***	3,508***	–11,88***
Количество наблюдений	74,641	74,641	74,641	72,742	72,742	72,742
Pseudo R2 Log-likelihood	0,102 –3961,90	0,115 –3215,98	0,103 –1629,01	0,057 –4291,34	0,057 –3351,32	0,063 –1657,73
Информационный критерий Акаике	7969,80	6477,95	3304,02	8628,67	6748,64	3361,46

Источник: https://tut-files.ru/previewfile/13368

Смотрите также:

_3 тема - Диффузия
01. Концепция БД
02_ЛР
05. Частная патология ССС - Инфаркт миокарда
0501 Конунников ЛР10-3
06-20-DatabasesGenomEvolution
07
07-20-FunctionGenomApplic-Metagenom
07. ПА_Лекция 7_Патология энд.жел
09_ЛР