Дипломная (вкр): Теоретические основы оценки финансовой устойчивости коммерческого банка

Х. Эрдал и А. Экинси также подтвердили превосходство в точности прогноза как метода SVM, так и LR, только уже в сравнении с нейронными сетями RBF (RBF-NN - radial basis function neuralnetwork) и MLPs (multi layer perceptrons или многослойный персептрон) [41]. Так же как в рассмотренном ранее исследовании (Canbaset. al, 2005), авторы подвергли анализу деятельность около сорока турецких частных коммерческих банков в период деятельности с 1997 по 2001 год, а в качестве оценки объясняющих переменных использовали метод PCA. Однако Х. Эрдал и соавторы не признали PCA эффективным методом улучшения предсказательной силы модели.

К. Серрано-Синка и И. Фуэртес в своём исследовании проанализировали финансовые симптомы, предшествующие банкротству банков Соединённых штатов в период с 2009 года [53]. В качестве индикаторов кризиса рассматривались такие показатели как низкая рентабельность, низкие показатели платёжеспособности, нулевая или отрицательная прибыль банка. Были также изучены и причины появления неутешительных результатов, среди которых рост рискованных кредитов, специализация банка преимущественно на сфере недвижимости и другие. Исследование проводилось при помощи использования логистической регрессии, а также частичного метода наименьших квадратов (PLS-PM - partial leasts quares path modelling). Результаты показали, что за 5 лет до наступления кризиса обанкротившиеся банки по сравнению с "оставшимися на плаву" имели более высокие темпы роста кредитов (около 20% с последующим резким падением против стабильных 5% в платежеспособных банках) и принимали на себя степень риска выше, чем успешные банки. "Здоровые" КО старались компенсировать увеличившиеся риски укреплением собственного капитала. Кроме того, банкроты характеризовались достаточно большим оборотом банковских операций, однако маржа (процент/прибыль) у них была ниже, чем в хорошо функционирующих банках. Отсюда можно сделать вывод о том, что стратегии организаций существенно различались. Так, уже обанкротившиеся банки увеличивали число выданных кредитов с процентными ставками ниже, чем у конкурентов, в то время как отличные банки уделяли большое внимание степени принимаемого риска.

В большей степени авторы оценивали адекватность банковского менеджмента. Поведение некоторых кредитных организаций ассоциируется с "помещением всех яиц в одну корзину". Под данным выражением исследователи подразумевают выдачу кредитов некредитоспособным заемщикам, что в большинстве случаев и приводит к неплатежеспособности.

Немногие ученые использовали макроэкономические показатели в качестве инструментов для предсказания банкротства банка. Однако Н. Апэргиси Дж. Пейн в своей работе существенное внимание уделили темпу роста ВВП [27]. Помимо низкого темпа роста валового внутреннего продукта ими было отмечено огромное влияние таких показателей как низкий уровень достаточности капитала, процентных доходов, ROA или рентабельность активов, а также низкая доля ликвидных активов в совокупных активах банка.

Значимость показателей капитала в предсказании банкротств подтверждается и в другом исследовании. Так, А. Эстрелла посредством эконометрического анализа выявил два значимых индикатора: доля заемных средств банка и отношение капитала к валовому доходу [43]. Несомненно, показатели капитала должны присутствовать в исследовательской модели, ведь это "основа" банка. Капитал - главный помощник в сохранении устойчивости банка в период кризиса, а также фактор доверия клиентов и акционеров данной кредитной организации.

Карминский А.М. при помощи логистической регрессии бинарного выбора, которая позволяет не только оценить вероятность дефолта банка, но и выявить характер влияния различных факторов на нее, в качестве независимых переменных использовал как показатели рейтинговой системы CAMEL, так и макроэкономические показатели, среди которых темп роста ВВП и уровень инфляции. Ранее им было доказано, что общее улучшение в экономике положительно сказывается на состоянии банка [11]. Данный факт не является удивительным, так как в период экономического подъёма повышается и кредитная активность населения.

Горелая Н.В. в своем исследовании также использовала макроэкономические переменные для улучшения точности прогноза, однако набор переменных был чуть шире: были включены значения ставок по межбанковскому кредитованию (МБК), индексов фондового рынка, курса национальной валюты, темпов инфляции и др. [7]. Другие показатели были отобраны на основе широко распространенной рейтинговой системы CAMEL (показатели достаточности капитала, ликвидности, качества активов и чувствительности к рыночным рискам). Весь набор переменных данной системы не используется, он сокращается до количества, которое будет статистически значимым в эконометрической модели.

Плещицер М.В. предложил комплексную методику прогнозирования банкротства банка на основе современных методов эконометрического моделирования [21]. Разработанная им пятифакторная модель включает в себя следующие показатели: ставка рефинансирования Банка России за год до предполагаемого банкротства, собственный капитал, активы банка, а также их рентабельность за два года до предполагаемого банкротства, возраст руководства банка и его местоположение на территории РФ. Созданная им модель имеет высокую точность прогноза - 95%. Имеет смысл подумать об исследовании перечисленных выше финансовых показателей в качестве ранних индикаторов неплатежеспособности банка.

Свою работу, непосредственно посвященную той же тематике, представили Г.Г. Ловкова, Ю.В. Малыгина и С.Ю. Хасянова. При помощи анализа динамики финансовых показателей в период с 2005 по 2009 года ими было сделано заключение о том, что наиболее значимыми коэффициентами, которые могут стать индикаторами, являются рентабельность капитала, отношение прибыли к доходам, отношение доходных активов к рисковым активам, чистый спред от кредитных операций, а также доля административно-управленческих расходов в чистом операционном доходе [14]. Было бы интересно выяснить даст ли такой же результат эконометрическая модель, подтвердит ли то, что они действительно могут служить индикаторами банкротства КО, безусловно в случае решения об использовании тех же показателей в нашей модели.

В завершении Главы 1 необходимо подчеркнуть, что подробный анализ работ других авторов, посвященных прогнозированию дефолтов, был произведен с целью определения наилучшего метода для проведения нашего исследования. Тщательно разобравшись в базовых понятиях и изучив методы, используемые в данной исследовательской области, а также финансовые показатели, тестируемые при помощи различных моделей, нами был сделан вывод о целесообразности использования модели бинарного выбора (Logit или Probit). Она может обеспечить как высокую точность прогноза, так и не является сложной в инструментальном построении регрессии, в отличие, например от нейросетевого моделирования.

Глава 2. Методика выявления ранних индикаторов финансовой несостоятельности банков

2.1 Статистическая выборка

Первым этапом осуществления практической части исследования является отбор коммерческих банков РФ, 30 из которых являются наиболее известными действующими кредитными организациями, и 15 банкротов. Доля банков - банкротов, которая составляет 50% от размера подвыборки функционирующих банков, признана оптимальной по сравнению с долями в 15 и 25 процентов. А.М. Карминский показал, что такая балансировка выборки обеспечивает наиболее высокую значимость регрессоров, а также устойчивость коэффициентов и точность полученных оценок [10].

В Таблице 1 представлены кредитные организации, показатели деятельности которых будут тестироваться при помощи метода эконометрического моделирования.

Таблица 1

Коммерческие банки, участвующие в исследовании

Стоит отметить, что в выборке присутствуют как абсолютные лидеры, например, Сбербанк и ВТБ, так и банки, являющиеся менее значимыми игроками рынка банковских услуг - Хоум Кредит, ОТП Банк.

Региональные банки, такие как Саровбизнесбанк и НБД Банк также являются участниками исследования.

Банки банкроты, единственным критерием отбора которых было лишь максимально приближенная дата отзыва лицензии к моменту проведения исследования, были выбраны случайным образом.

Таким образом, распределение действующих банков и банков с отозванными лицензиями в выборке указано в Таблице 2.

Таблица 2. Распределение банков по выборке

Все коммерческие банки, включенные в категорию банкротов, являлись нарушителями законодательства РФ, часть из них способствовала отмыванию денежных средств, например Банк Церих, Внешпромбанк и Мираф-Банк. Что же касается нарушения нормативов, то было отмечено как несоблюдение нормативов достаточности капитала, так и потеря банком ликвидности. Более подробно результаты анализа причин применения мер со стороны Банка России продемонстрированы в Таблице 3.

Таблица 3