Карминский Александр Маркович

Система моделей рейтингов для российских банков в рамках IRB-подхода

2012 · CHAPTER · ru

Рейтинги являются особым инструментом оценки рисков уже на протяжении более столетия. При этом их роль не уменьшается даже в периоды кризисов, когда возможно возникновение дисбаланса в рейтинговых оценках в силу специфики методологий. Использование рейтингов, как внешних, так и внутренних, в системах риск-менеджмента за последние годы увеличилось. Однако ограниченность количества банков и компаний, имеющих рейтинги, требуют развития инструментов, обеспечивающих расширение возможностей использование рейтинговых методологий, в том числе сопоставимость рейтингов различных агентств. Предыдущие исследования определили потенциальные ниши использования рейтингов, среди которых регуляторные новации (Базель II и Базель III), регулирование рисков, капитала и управление портфелями на уровне коммерческих банков и компаний, использование рейтингов для допуска компаний к тендерам и аукционам. Развитие подходов на основе внутренних рейтингов усиливает интерес к внешним рейтингам и их моделям с использованием только публичной информации и соответствующим системам моделей, чему и посвящена представленная работа (базовые результаты презентованы в препринте НИУ ВШЭ WP07/2011/07). Дополнительное внимание к рейтингам обусловлено финансовым кризисом и предстоящим внедрением Базель III, а также началом активного использования Базель II для крупнейших российских банков. Целевой направленностью работы является также сравнение рейтингов банков в различных направлениях: между рейтинговыми агентствами (РА), в региональном разрезе, с позиций собственности и размеров банков. Особое внимание уделяется динамической компоненте как с точки зрения устойчивости рейтинговых критериев, так и динамики рейтингов. Систематизированы принципы и исследованы особенности формирования моделей рейтингов как для банков-резидентов (на основе российской отчетности), так и для банков-нерезидентов (на основе отчетности по международным стандартам). С этой целью сформирована база данных за 1995-2010 годы по рейтингам, финансовым индикаторам и макроэкономическим показателям по банкам 86 стран. Для более детального сравнения также сформирована база данных по российским банкам (более 150 банков за 2006-2010 годы). Сформирована базовая эконометрическая модель (на основе модели упорядоченного выбора) с унифицированным набором объясняющих переменных одновременно для трех крупнейших рейтинговых агентств Moody's Investors Service, Standard & Poor’s и Fitch Ratings. Показана сопоставимость рейтинговых оценок различных агентств, в том числе в части набора объясняющих переменных. Оценено качество базовых моделей и показано, что они могут быть использованы как в сравнительных исследованиях, так и для практических целей. Проведены сравнительные исследования рейтингов ведущих международных агентств, определены факторы отличия в рейтингах банков. Сравнения проведены также в разрезе регионов и групп развивающихся стран, где расположен головной офис банка, по влиянию макроэкономических показателей на рейтинги. Проанализирована динамика уровней рейтингов за счет их сравнительного анализа во временном разрезе. Рассмотрены особенности рейтинговой практики в России. Проведен сравнительный анализ рейтингов российских банков, достаточно быстро развивающихся в последние годы и охватывающие существенную часть рейтинговых усилий агентств. Сравнительный анализ рейтингов российских банков на основе российской отчетности включает сравнение по типам собственности, по типу рейтингов (международные и российские шкалы), особенностей рейтингов в условиях кризиса 2007-2008 годов, ряд других сравнений. Результаты данного анализа помогают сформировать основу для практического использования такого рода моделей в задачах риск-менеджмента за счет того, что модели могут быть использованы для дистанционного предсказания кредитных рейтингов на основе открытой информации. Потенциальными пользователями предложенного подхода могут быть банки и компании, для которых актуален вопрос проведения аукционных и конкурсных мероприятий, а также представители регулирующих органов, включая финансовых и банковских регуляторов и биржи при котировке ценных бумаг. Государственные и коммерческие компании могут использовать полученные методы для мультиплицирования оценок по внешним и внутренним рейтингам при решении задач риск-менеджмента в рамках подхода на основе IRB- подхода.

Применение информационных систем в экономике

2012 · BOOK · ru

Рассмотрены вопросы внедрения и использования финансово-экономических информационных систем, проблемы информатизации производственной и дистрибьюторской деятельности, темы адаптации типовых систем в бизнес-структурах. Для студентов, экономистов, юристов, предпринимателей и финансистов, а также специалистов и менеджеров широкого профиля.

Вероятность дефолта банка и ее моделирование

2012 · ARTICLE · ru

В соответствии с Базельскими соглашениями одной из перспективных задач риск-менеджмента является совершенствование моделей вероятности дефолта. Авторы исследуют влияние на вероятность дефолта российских банков финансовых факторов, уделяя особое внимание расширению горизонта исследования и нелинейностям по объясняющим переменным. Проведен анализ адекватности модели. Отмечено, что учет нелинейностей по относительным финансовым переменным существенно улучшает качество модели. Выделены объясняющие переменные, по которым это дает наибольший эффект.

Моделирование вероятности дефолта российских банков с использованием эконометрических методов

2012 · PREPRINT · ru

Совершенствование моделей вероятности дефолта банков является одним из перспектив¬ных направлений риск-менеджмента, предусмотренных новым Базельским соглашением в рам¬ках IRB-подхода. В данном исследовании особое внимание уделяется: • расширению горизонта эмпирического исследования за счетиспользования российской банковской статистики за период с 1998 r. по 2011 г.; • оценке влияния макроэкономических и институциональных факторов на вероятность дефолта банка; • тестированию качества построенной модели. Кроме того, в работе учитывается влияние рыночной структуры банковского сектора РФ и нелинейностей по объясняющим переменным на вероятность дефолта банка, а также уделено внимание тестированию достоверности моделей. Проведен сравнительный анализ эконометрических моделей вероятности дефолта с альтернативными. В качестве базовой была использована логистическая регрессия с квазипанельной структурой данных. В результате мы пришли к следующим выводам: • присутствует квадратичная зависимость между достаточностью капитала банка и вероятностью его дефолта; • существует отрицательная зависимость между уровнем конкуренции, характеризуемым индексом Лернера, и вероятностью дефолта банка; • учет макроэкономических и институциональных переменных, как и фактора времени, существенно улучшает качество модели. Результаты моделирования представляют потенциальный интерес не только для регулятора, но и для коммерческих банков в рамках задач риск-менеджмента.

Comparison of Default Probability Models: Russian Experience

2012 · PREPRINT · en

В соответствии со вторым Базельским соглашением, улучшение моделей вероятности дефолта – перспективное направление риск-менеджмента. В данном исследовании предложена классификация причин дефолта банков; использованы данные за период с 1998 по 2011 гг., исследовано влияние макроэкономических и институциональных характеристик операционной среды банка на вероятность его дефолта, уделено значительное вниманием тестированию качества построенных моделей. При построении моделей рассматривались допускалась нелинейная связь вероятности дефолта банка и его характеристик, использовалась автоматическая классификация независимых финансовых переменных, принимались во внимание особенности российского банковского сектора. Мы провели сравнение альтернативных моделей вероятности дефолта и наиболее перспективной признали логистическую модель бинарного выбора с использованием квази-панельных данных. В соответствии с нашими результатами: • Существует квадратическая зависимость между достаточностью капитала банка и вероятностью его дефолта. • Гипотеза "too big to fail" опровергается для российского банковского сектора. • Существует отрицательная зависимость между индексом Лернера и вероятностью дефолта банка. Включение в модель макроэкономических и институциональных переменных, а также учет фактора времени существенно улучшают качество модели. По нашему мнению, полученные результаты представляют интерес как для российских регуляторов финансового сектора, так и для коммерческих банков. Также, наш опыт может быть использован исследователями и практиками в развивающихся странах для решения вопросов риск-менеджмента.

Arm's Length Method for Comparing Rating Scales

2012 · CHAPTER · en

EBES 2012 Warsaw Conference Program and Abstract Book

2012 · BOOK · en

Modeling bank’s probability of default: Russian experience

2012 · CHAPTER · en

Under Basel accord, improving models of probability of default (PD) is one of the key risk-management priorities. There are three main features of this research: -Suggesting the bank default classification; -Using wider time horizon (from 1998 to 2012, quarterly Russian banking statistics); -Exploring the relationship between bank type of ownership and its probability of default. We have employed nonlinearity in our models and automatic classification of the variables, paid attention to the banking market structure as well as to reliability of the developed models. We have compared several models for estimating probability of default. Under the results of this comparison, we have chosen the binary logit - regression with quasi panel data structure. Our key results are: -There is a quadratic relationship between the value of bank capital and its PD; -The higher proportion of non-government securities to total assets increases the bank's PD; -The increase of bank size leads to decreasing of its PD; -There is a non-negative relationship between Lerner index and bank's PD; -The government participation in the bank capital structure decreases its PD. We argue that using macroeconomic variables (such as GDP growth, inflation, and exchange rate) improves the precision of these models. Due to the sample properties, we have developed two algorithms. The first has been developed to check whether the missed values have the statistical impact on our results. The second one has been developed to control the over fitting of our models. Also, we have considered the simultaneous use of these. We believe that these results will be useful for the Central Bank of Russia for the regulatory purpose as well as for commercial banks in risk-management field. Moreover, we think that these models will be useful for others emerging economies.

Контроллинг

2012 · BOOK · ru

Рассмотрены методологические и практические основы разработки и внедре¬ния системы контроллинга в организациях. Изложены основные функции и задачи оперативного и стратегического контроллинга. Раскрываются функции, задачи и инструменты контроллинга функциональных областей деятельности предприятия. Особое внимание уделено информационной поддержке контроллинга. Впервые изложен опыт постановки системы контроллинга на отечественных предприятиях различных отраслей народного хозяйства.

The multiplication of the credit rating agencies efforts under IRB approach

2012 · ARTICLE · en

В статье проводится исследование мультиплицирования усилий кредитных рейтинговых агентств. В связи с внедрением подхода, основанного на внутренних рейтингах, такие методы представляются практически значимыми. Автор рассматривает российские коммерческие банки как один из важных примеров использования предлагаемых методов. Поэтому в дополнение к обзору литературы в статью включен краткий обзор российской банковской системы и деятельности рейтинговых агентств. В начале автор рассматривает отображения рейтинговых шкал для сопоставления рейтинговых оценок различных агентств Он предлагает дистанционный метод, основанный на решении оптимизационной задачи для нахождения функционалов, устанавливающих соответствие рейтинговых шкал. Далее в статье рассматриваются возможности формирования системы рейтинговых моделей для финансовых институтов. Рассматриваются модели упорядоченного выбора для банков одновременно для банков-резидентов и нерезидентов. Также представлены эконометрические модели и их качество для трех крупнейших международных рейтинговых агентств для банков, компаний и суверенов. Полученные результаты будут полезны в практическом использовании рейтингов как основных инструментов риск-менеджмента, основанных на публично доступной информации и дистанционном оценивании рейтингов. Потенциальными пользователями предложенных методов являются коммерческие банки и финансовые регуляторы.