DSA Faculty
API
← к списку преподавателей

Карминский Александр Маркович

Факультет экономических наук

Профиль на hse.ru ↗ тел.: +7 (495) 772-95-90 | 27420
Публикаций
172
Языков
3
Наград
15
Конференций
18
Профиль Публикации (172) Курсы (3)

Профессиональные интересы

банковское делорейтинг банковбизнес-аналитика

Должности

  • Профессор-исследователь — Факультет экономических наук, Школа финансов
  • Заведующий лабораторией — Факультет экономических наук, Научно-учебная лаборатория финансовых инноваций и риск-менеджмента

Био

  • · Начал работать в НИУ ВШЭ в 2000 году.
  • · Научно-педагогический стаж: 52 года.

Образование

  • 2009 · Доктор экономических наук: специальность 08.00.05 «Экономика и управление народным хозяйством»
  • 2001 · Академик РАЕН
  • 2001 · Ученое звание: Профессор
  • 2001 · Действительный член РАЕН
  • 1993 · Доктор наук: Московский государственный технический университет им. H.Э. Баумана, специальность 05.13.00 «Информатика, вычислительная техника и управление»
  • 1971 · Специалитет: Московский государственный университет им. М.В. Ломоносова, специальность «Математика», квалификация «Математик»

Награды и поощрения

  • · Благодарственное письмо ректора НИУ ВШЭ (июль 2025)
  • · Благодарность первого проректора НИУ ВШЭ (декабрь 2023)
  • · Медаль "Признание - 10 лет успешной работы" НИУ ВШЭ (декабрь 2022)
  • · Почетная грамота НИУ ВШЭ (апрель 2022)
  • · Почетная грамота факультета экономических наук НИУ ВШЭ (декабрь 2021)
  • · Диплом общенациональной премии "Профессор года" (ноябрь 2020)
  • · Благодарственное письмо ректора НИУ ВШЭ (июнь 2019)
  • · Благодарственное письмо проректора НИУ ВШЭ (июль 2018)
  • · Благодарственное письмо ректора НИУ ВШЭ (июль 2018)
  • · Благодарность Высшей школы экономики (июнь 2018)
  • · Благодарность Факультета экономических наук НИУ ВШЭ (январь 2018)
  • · Надбавка за академические успехи и вклад в репутацию НИУ ВШЭ (2016–2018, 2013–2015)
  • · Надбавка за академическую работу (2015–2016, 2012–2013, 2011–2012)
  • · Надбавка за публикацию в журнале из Списка А (и приравненном к нему научном издании) (2024–2025, 2023–2024)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2022–2023, 2018–2020)

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Конференции (18)

Показать все
  • · 2021: 8th International Conference on Information Technology and Quantitative Management (Chengdu). Доклад: The Impact of ESG factors on the performance of Information Technology Companies
  • · 2019: 7th International Conference on Information Technology and Quantitative Management - ITQM 2019 (Гранада). Доклад: An analysis of links between the ownership structure and financial stability: case of Russian companies
  • · 2018: IX Московская международная конференция по Исследованию Операций (ORM-2018 Germeyer-100) (Москва). Доклад: Паттерны кредитных рейтингов промышленных компаний стран БРИКС
  • · 2018: The Sixth International Conference on Information Technology and Quantitative Management (ITQM 2018) (Omaha). Доклад: Credit ratings patterns for BRICS industrial companies
  • · 2017: The 11th Bachelier Colloquium in Stochastic Calculus and Mathematical Finance, Metabief (Metabief). Доклад: Ratings at the financial institutions risk management system: external, internal and their modeling
  • · 2017: Second World Congress of Comparative Economics «1917 –2017: Revolution and Evolution in Economic Development» (St. Petersburg). Доклад: Composing the Financial Stress Index for the Assessment of the Banking Sector Stability
  • · 2016: XVII Апрельская международная конференция (Москва). Доклад: Использование логистической регрессии и альтернативных методов с предварительным отбором переменных при помощи Lasso для улучшения модели вероятности дефолта банков
  • · 2016: Третий Российский экономический конгресс (Москва). Доклад: Рейтинги в системе управлениыя рисками финансовых институтов: снешние, внутренние, моделирование
  • · 2016: VII международный конгресс по контроллингу (Калуга). Доклад: Оценка эффективности инвестиционного проекта по оказанию нефтесервисных услуг
  • · 2014: Perm Winter School on Market Risk and Modeling of Financial Markets (Пермь). Доклад: Modeling bank’s probability of default in IRB framework
  • · 2014: XV Апрельская международная научная конференция «Модернизация экономики и общества» (Москва). Доклад: Оценка кредитного риска при ипотечном жилищном кредитовании
  • · 2014: The Second International Conference on Information Technology and Quantitative Management (ITQM 2014) (Москва). Доклад: Comparison of bank financial stability factors in CIS countries
  • · 2014: 13th EBES Conference - Istanbul (Istanbul). Доклад: Comparison of bank financial stability factors in CIS countries.
  • · 2014: Развитие рынка независимых рейтинговых услуг в России (Москва). Доклад: Надо ли регулировать деятельность рейтинговых агентств?
  • · 2014: 14th EBES Conference - Barcelona (Барселона). Доклад: Probability of default evaluation in the residential mortgage lending
  • · 2013: XIV Апрельская международная научная конференция по проблемам развития экономики и общества НИУ ВШЭ (Москва). Доклад: Совершенствование моделей вероятности дефолта российских банков: использование рейтингов и панельных данных
  • · 2013: III Международный конгресс по контроллингу (Санкт-Петербург). Доклад: Контроллинг кредитных рисков в коммерческом банке
  • · 2013: The 11th EBES Conference - Ekaterinburg (Екатеринбург). Доклад: Рейтинги бизнеса: методология строительного комплекса России

Идентификаторы исследователя

Публикации (172)

Empirical Modeling of International Banks’ Credit Risk: Assessment and Comparison of Credit Ratings

2021 · CHAPTER · en

The work is devoted to credit risk modeling of international banks by constructing ordered logistic models of credit ratings assigned by the agencies: Moody’s, Standard & Poor’s, and Fitch ratings. It was demonstrated that mapping the credit ratings into a base scale helps to decrease the possible subjectivity of CRAs and increases models’ forecasting power. Using a random sample of 478 banks from more than 40 countries for the period of 2007–2019, a credit rating model was obtained that could be effectively used to assess credit risk using public information, which was demonstrated with a help of out-of-sample forecasts of the obtained regression. The quality of the model prediction was significantly improved by including interaction terms and applying the Principal Component Analysis. We observed that the transparent politics of the government can lead to increased credit ratings of international banks. This helps them in credit risk management and in the client’s base extension. Additionally, using marginal effects calculation, the empirical evidence of the importance of maintaining a high level of liquidity by banks in times of crisis was found. At the same time, the highest marginal effects of the whole sample time horizon were reached in factors of asset quality and bank’s size among all financial indicators included in the model.

DOI ↗ PDF ↗

Dynamic modeling of the impact of socio-economic restrictions and behavior on COVID-19 outbreak

2021 · ARTICLE · en

The COVID-19 pandemic had an enormous social and economic impact on societies in 2020. The epidemiological situation is evolving on a daily basis, and the methodology of how to evaluate the impact of the pandemic and the severity of its consequences is lacking. The only available high-frequency data now are the number of people who have contracted the illness, and the restrictive measures that authorities have implemented to contain the outbreak. The most important question now is whether authorities can prevent subsequent waves. The contribution of the paper is a dynamic model of COVID-19 outbreaks, on the basis of which we investigated the possible impact of the socio-economic behavior and restrictions on its waves. To build the model, a large database for different countries with a wide range of economic and social institutions was collected. We give a detailed description of the model and a comparison of the results with trajectories of the outbreaks in the countries under consideration. The proposed model describes the empirical results and can be used for timely and contemporary predictions of the stages of pandemics. Despite this, the model needs future development and verification because the pandemic is not over, and the accumulation of empirical information continues. Yet the model might also be useful as a basis for researching the impacts of other socio-economic and medical actions for containing pandemics.

DOI ↗

The comparison of empirical methods for modeling credit ratings of industrial companies from BRICS countries

2020 · ARTICLE · en

We compared the ability of various empirical methods to reproduce public credit ratings (PCRs) of industrial companies (ICs) from BRICS countries using publicly available information. This task is important for researchers and practitioners because many of BRICS’ ICs lack PCRs from reputable rating agencies such as Moody’s, Standard and Poor’s, and Fitch. This paper aimed at filling the gap in the existing research as insufficient efforts were focused on prediction of PCRs of ICs from the entire BRICS IC community. The modeled variables are credit ratings (CRs) of 208 BRICS’ ICs assigned by Moody’s at the year-end from 2006 to 2016. The sample included 1217 observations. Financial explanatory variables included companies’ revenue, operating profitability, interest coverage ratio, debt/book capitalization, and cash flow debt coverage. Non-financial explanatory variables included dummies for home region, industry, affiliation with the state, and a set of macroeconomic data of IC’s home countries. The set of statistical methods included linear discriminant analysis (LDA), ordered logit regression (OLR), support vector machine (SVM), artificial neural network (ANN), and random forest (RF). The resulting models were checked for in-sample and out-of-sample predictive fit. Our findings revealed that among considered methods of artificial intelligence models (AI), SVM, ANN, and RF outperformed LDA and OLR by predictive power. On testing sample, AI gave on average 55% of precise results and up to 99% with an error within one rating grade; RF demonstrated the best outcome (58% and 100%). Conversely, LDA and OLR on average gave only 37% of precise results and up to 70% with an error within one grade. LDA and OLR also gave higher share of Type I errors (overestimation of ratings) than that of AI. Therefore, AI should have higher practical application than DA and OLR for predicting the ratings of BRICS ICs

DOI ↗

Chapter 10. Credit rating patterns: a financial approach for industrial companies

2020 · CHAPTER · en

Interpreting and finding patterns in financial data can lead economists to make changes through the process of monitoring and planning. In the context of modern research papers, it often shows results, based on the patterns of financial indicators, which contain some insightful information. In our experience, we obtained results from the distinction of credit rating patterns based on the slow rise of financial indicators among industrial companies, and the noisy signals of the financial market.

PDF ↗

Исследование взаимосвязи кредитных циклов и изменения кредитных рейтингов

2020 в печати · ARTICLE · ru

Цель данного исследования – выявление взаимосвязей между изменениями рейтингов и влияния на них кредитных циклов. Используемая методология – построение пробит-модели множественного выбора, которая включает в себя индикатор кредитного разрыва для оценки влияния кредитного цикла. Проведенный анализ основан также на рассмотрении изменений оценок рейтингов на десятилетнем промежутке времени для развитых и развивающихся стран. Результаты исследования показывают, что кредитные рейтинги не только подвержены циклическим изменениям в рамках кредитного цикла, но и запаздывают по отношению к циклу. С практической точки зрения эти результаты свидетельствуют о необходимости учитывать макроэкономические факторы при оценке влияния кредитных циклов для целей прогнозирования и управления рисками на финансовых рынках.

PDF ↗

Application of a System-synergistic Approach in the Development of the Target Costing Mechanism for a High-tech Industrial Enterprise in Emerging Market

2020 · CHAPTER · en

The goal of this study is the development of the target costing mechanism for a high-tech industrial enterprise based on system-synergistic approach (SSA). The relevance of the study is underpinned by increasing uncertainty of business environment. The “conventional” cost management systems based on functional, process, project or systembased approaches have become inefficient due to their low flexibility and adaptability to the external changes. Application of approach ensures the continuous interaction to the environment, accounting for risks and adaptation of costing system to the external changes. The mechanism is aimed for implementation in the company’s R&D processes. It provides monitoring and assessment of impact of uncertainties on the cost drivers and on the cash flow return on investment (CFROI) during the product lifecycle. The results include the mechanism’s concept, its block diagram, and tools. The mechanism provides holistic approach to SSA applications and ensures integration and coordination of target costing activities.

Исследование взаимосвязи кредитных циклов с изменениями кредитных рейтингов

2020 · ARTICLE · ru

Цель данного исследования — выявление взаимосвязи кре- дитных циклов с изменениями кредитных рейтингов. Используемая методоло- гия — построение пробит-модели множественного выбора, которая включает показатель кредитного разрыва для оценки влияния кредитного цикла. Анализ основан на рассмотрении изменений оценок рейтингов на десятилетнем про- межутке времени для развитых и развивающихся стран. Результаты исследова- ния показывают, что кредитные рейтинги не только подвержены циклическим изменениям в рамках кредитного цикла, но и их динамика запаздывает по отно- шению к изменению циклов. С практической точки зрения эти результаты сви- детельствуют о необходимости учитывать макроэкономические факторы при оценке влияния кредитных циклов для прогнозирования и управления рисками на финансовых рынках. Во время смены этапов кредитного цикла рейтинговые агентства учитывают изменение макроструктуры и параметров и соответственно меняют распределение рейтингов и пропорцию рейтинговых оценок для различ- ных классов. На уровень кредитных рейтингов, как и на уровень кредитного раз- рыва, сильно влияют два макроэкономических фактора: темпы роста ВВП и кре- дитный спред, являющийся универсальным механизмом денежно-кредитной политики (узкий канал кредитования). Конец кредитного цикла и этап рецессии (спада) отмечается как большим числом кредитных рейтингов спекулятивного класса, так и относительной долей высоких рейтинговых оценок; кредитный канал начинает постепенно сужаться, кредитный спред резко увеличивается, доходность резко возрастает, что приводит к развитию негативных последствий для финансового рынка.

PDF ↗

An analysis of links between the ownership structure and financial stability: case of Russian companies

2019 · ARTICLE · en

The paper identifies and analyses key factors in the sectoral ownership structure, the influence of the CEO and competition among owners at the industry level and business size. We show the positive impact on the financial sustainability of the company of the CEO’s equity participation (compared to the average industry share). We also show that if the property is distributed more evenly among owners, there is a positive effect on the stability of the company. Thus, companies with a group of owners-founders are the most advantageous structure for the formation of a system of corporate governance in Russia.

DOI ↗

2019 IEEE 21st Conference on Business Informatics (CBI)

2019 · BOOK · en

In our research, we examine what macroeconomic factors determine and influence the credit cycle. In addition, our study contains four sections with theoretical and empirical parts, in which we describe how to measure credit cycles for developed and developing countries, and then introduce an important measure of the credit gap. Our results show a comparative analysis of credit cycles between different countries with different economic growth, and we have created an econometric model, which shows us the impact of macroeconomic factors according to the credit cycles for developing and developed economies.

Сравнительный анализ методов прогнозирования банкротств российских строительных компаний

2019 в печати · ARTICLE · ru

Работа посвящена сравнению способности различных моделей предсказывать банкротство компаний строительной отрасли на горизонте в один год. Рассмотрены такие алгоритмы, как логит- и пробит- модели, деревья классификации, случайные леса, искусственные нейронные сети. Особое внимание уделено особенностям построения моделей машинного обучения, влиянию несбалансированности данных на предиктивную способность моделей, анализу способов борьбы с несбалансированностью данных, анализу влияния нефинансовых факторов на предиктивную способность моделей. В работе использованы нефинансовые и финансовые показатели, рассчитанные на основе публичной финансовой отчетности строительных компаний за период с 2011 по 2017 годы. Сделан вывод, что рассмотренные алгоритмы показывают приемлемое качество для использования в задачах прогнозирования банкротств. В качестве метрики качества моделей использовался коэффициент Джини или AUC (площадь под ROC-кривой). Выявлено, что искусственные нейронные сети превосходят другие методы, в то время как модели логистической регрессии в сочетании с дискретизацией вплотную следуют за ними. Обнаружено, что эффективность способа преодоления несбалансированности данных зависит от типа используемых моделей. В то же время значимого влияния несбалансированности обучающего множества на предиктивную способность модели не выявлено. Существенное влияние нефинансовых показателей на вероятность банкротства также не подтвердилось.

DOI ↗ PDF ↗

Курсы (3)