стресс-тестирование системообразующих банков России.
advertisement
1 Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет Высшая школа экономики» Факультет экономики Кафедра: банковского дела ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА На тему: стресс-тестирование системообразующих банков России. Студент группы № 09э1 Платунов Кирилл Владимирович Руководитель ВКР старший преподаватель, Сучкова Екатерина Олеговна Нижний Новгород, 2013 2 Оглавление Введение ................................................................................................................... 4 Глава 1. Понятие стресс – тестирования............................................................... 7 1.1. Растущая популярность стресс-тестов ....................................................... 8 1.2. Уровни стресс-тестов ................................................................................. 10 1.3. Выбор оптимальной методологии стресс-теста ...................................... 11 1.4. Бенчмаркинг ................................................................................................ 13 1.5. Стресс-тест, основанный на исторических данных и опыте прошлых лет ........................................................................................................................ 14 1.6. Факторный анализ....................................................................................... 15 1.7. Тип классовой миграции внутри кредитного портфеля ......................... 18 Глава 2. Практика проведения стресс-тестов центральными банками разных стран........................................................................................................................ 19 Глава 3. Регрессионный анализ влияния макрофакторов на показатели банковской деятельности ..................................................................................... 23 3.1. Описание модели и данных ....................................................................... 23 3.2. Модель Н2.................................................................................................... 30 3.3. Модель Н3.................................................................................................... 33 3.4. Модель RVPS .............................................................................................. 35 3.5. Модель ROE ................................................................................................ 39 3.6. Модель PA3 ................................................................................................. 40 3.7. Модель Н1.................................................................................................... 43 3.8. Расчет показателей для стрессовых условий экономики России на 2013 год ........................................................................................................................ 45 Рис. 3.11. Значения норматива достаточности капитала по исследуемым банкам на конец 2012 года ................................................................................... 47 Заключение ............................................................................................................ 47 Список литературы ............................................................................................... 50 3 4 Введение Темой данной работы является проведение собственного стресстестирования части наиболее крупных банков России на 2013 год. Актуальность подобной тематики в первую очередь обуславливается тем, что в последние годы банковская система нашей страны очень активно росла и развивалась, и, естественно, периодически случались различного рода спады. Одним из подобных падений можно охарактеризовать не столь давно минувший финансовый кризис 2008 года. В тот период правительство страны было вынуждено направить на поддержку финансовой системы более 3% ВВП. Данные расходы осуществлялись по двум каналам: предоставление ликвидности в виде субординированных кредитов и вливания в капитал банковской системы. Эти действия были вызваны в первую очередь тем, что в тот период экономической нестабильности банковская система России испытывала большие проблемы с ликвидностью активов, а также она понесла значительные потери в области капитала. Сегодня банки страны уже вполне оправились с тех пор и продолжают активно развиваться. В скором времени в соответствии с официальным сообщением «Об основных направлениях и сроках реализации пакета реформ Базельского комитета по банковскому надзору (Базель III)», опубликованном на сайте Банка России1, будет принята новая стратегия развития банковского сектора, которая в значительной степени отличается от той, что действует на данный момент. Данный пакет реформ направлен на совершенствование регулирования банковской деятельности уже с учетом всех уроков, которые преподнес миру кризис 2008 года. Основным уроком является то, что далеко не все банки мира, а в частности и России были готовы к подобному развитию экономической ситуации в мире, в результате чего были понесены огромные финансовые потери, которых отчасти можно было бы избежать. Возникает вопрос о том, какой инструмент позволил бы банкам менее болезненно переживать подобные негативные экономические шоки. И регулярное 1 http://www.cbr.ru/press/Archive_get_blob.asp?doc_id=110329_120551bazel1.htm 5 проведение стресс-тестирований внутри банковской системы в значительной степени может облегчить жизнь банкам в периоды кризисов, потому что стресс-тесты позволяют заранее определить все недостатки, которые присутствуют в банковской деятельности в текущий момент времени. Более того, на очередном Международном банковском форуме в Сочи заместитель председателя Банка России Михаил Сухов заявил, что при внедрении «Базеля III» Центральный банк РФ обяжет российские банки проводить стресс-тесты в случае снижения ВВП и падения рынка ценных бумаг. Таким образом, можно окончательно определить, что проведение стресс-тестирований банков России на сегодняшний день является одной из приоритетных задач регулятора для обеспечения устойчивости всего сектора. Банк России, в свою очередь, уже опубликовал на своем официальном сайте «Подходы к организации стресс-тестирования в кредитных организациях», а также в этом документе он дает своё определение стресс-тестированию. ЦБ РФ определяет его, как «оценку потенциального воздействия на финансовое состояние кредитной организации ряда заданных изменений в факторах риска, которые соответствуют исключительным, но вероятным событиям»2. В виду важности, которую приобрело проведение стресс-тестирований кредитных организаций внутри страны, целью данной работы является проведение собственного стресс-тестирования пятнадцати крупнейших, в соответствии с величиной их активов, банков России, а также выявление ключевых факторов внешней среды, оказывающих существенное влияние на устойчивое функционирование этих банков. Создание модели, описывающей зависимость показателей банковской деятельности от определенного набора макроэкономических параметров, несет научную и практическую значимость в современных экономических условиях. 2 http://www.cbr.ru/analytics/stress.htm 6 Для достижения данной цели поставлены следующие задачи: определить макроэкономические факторы, влияющие на показатели банковской деятельности; используя эконометрический инструментарий (пакет STATA), построить модель зависимости устойчивости и прибыльности пятнадцати крупнейших российских банков от набора макроэкономических параметров, оценить значимость предложенных факторов; на банковскими основе взаимосвязей показателями изучить, между как макроэкономическими определенные и переменные реагируют на различные источники шоков в экономике; использовать полученные коэффициенты влияния значимых макрофакторов на показатели банковской деятельности для расчета значений последних в условиях негативного сценария развития экономической ситуации в 2013 году. Не смотря на то, что вплоть до недавних лет у центральных банков планеты ещё не было какого-либо окончательного мнения по поводу значимости стресс-тестирований, сегодня можно с уверенностью заявить, что стресс-тест – это неотъемлемый компонент системы оценки риска как внутри каждого банка, так и относительно всей банковской системы в целом. Этот инструмент риск – менеджмента стал крайне популярным в наши дни: регуляторы активно заявляют о необходимости внедрения подобной практики в деятельность каждого банка страны, методики оценки риска, применяемые в стресс-тестах растут в количестве, а главное и в качестве день за днем. Однако если мы сегодня спросим какого-либо банкира о том, что такое стресс-тестирование, как правильно его проводить и как правильно использовать и интерпретировать полученные результаты, то существует большая вероятность, что мы так и не получим четкого ответа на поставленные вопросы. 7 Глава 1. Понятие стресс – тестирования В августе 2012 года в одном из американских журналов вышла серия статей, посвященных стресс-тестированию, в которой автор дает свое определение данному понятию и описывает ряд различных методик проведения стресс-тестов.3 Любой стресс-тест включает в себя, в первую очередь, некоторое условное допущение относительно экономических событий, которые могут произойти в будущем, а также неотъемлемой частью данного типа анализа рисков является расчет влияния подобного возможного сценария развития на показатели деятельности организации (организаций). Также стоит отметить, что стресс-тестирование включает в себя далеко не один сценарий развития экономической ситуации, поскольку оценка происходит для множества возможных будущих условий. По-настоящему хороший стресс-тест комментариями должен относительно характеризоваться как качественными самой так и модели, хорошими количественными вычислениями. С помощью стресс-тестов можно оценить влияние экономических шоков на различные показатели банковской деятельности, например: доход, активы, ликвидность, структуру кредитного портфеля и прочее. Более того это прекрасный инструмент для количественного измерения возможных изменений в балансе банка, структуре его издержек, потенциальных потерь по кредитам и депозитам. Всё это даёт возможность регулятору оценить возможный объем потерь всего сектора и определить уровень резервов, который необходимо создать банкам для наиболее безболезненного преодоления даже самых негативных шоков в экономике. Управленческий состав банковского сектора нуждается в стресс-тестах, в первую очередь, для лучшего понимания того, что является наиболее уязвимым в деятельности банков сегодня, а также для оптимального изменения показателей с целью повышения устойчивости всего сектора в целом. 3 http://search.proquest.com/docview/1039651748?accountid=45451 8 В большинстве случаев банкиры всегда так или иначе рассуждали на тему «а что, если», как минимум это могло быть небольшое собрание директоров с целью выявления слабых мест в деятельности банка и обсуждения дальнейшей политики банка для стабилизации его состояния. Это можно охарактеризовать, как наиболее простую форму сценарного анализа. Однако стоит отметить, что сегодня существует уже достаточное количество довольно сложных математических моделей для оценки структуры риска внутри сектора и степени чувствительности банков к тем или иным макроэкономическим шокам. 1.1. Растущая популярность стресс-тестов Сценарный анализ и сами стресс-тесты стали по-настоящему одной из главных тем для обсуждения в сфере риск-менеджмента благодаря двум основным причинам. Во-первых, это действительно полезная практика, позволяющая благодаря системе множества вариаций развития событий разработать наиболее эффективную систему управления рисками внутри каждого банка. Во-вторых, в виду недавнего кризиса регуляторы уяснили для себя то, насколько важно стресс-тестирование и сделали его неотъемлемым инструментом по оценке устойчивости банков. Одно из наиболее значительных мировых событий в банковском мире за последнее время произошло весной 2009 года, когда регулятор США запустил специальную программу по надзору за структурой капитала девятнадцати наиболее крупных банков страны. Это навело довольно много шума вокруг стресс-тестирований и вывело их в сферу наиболее обсуждаемых вопросов среди экономистов всего мира. Данная программа получила название SCAP, и о ней будет рассказано чуть позже. Также недавно был принят закон о реформировании Уолл-стрит и защите потребителей, также известный по именам его разработчиков как Закон Додда — Франка — законодательный акт США, принятый 21 июля 9 2010 г. в целях снижения рисков американской финансовой системы.4 Считается, в свою очередь, наиболее масштабным изменением в финансовом регулировании США со времен Великой депрессии. Закон существенно изменил деятельность федеральных органов власти, регулирующих порядок оказания финансовых услуг, а также создал дополнительный орган финансового регулирования — Совет по надзору за финансовой стабильностью (Financial Stability Oversight Council, FSOC). Законопроект Додда — Франка был внесён в Конгресс 2 декабря 2009 года как ответ на начавшийся в 2008 г. финансовый кризис и последующую рецессию. Законодательная инициатива исходила от администрации президента, непосредственными разработчиками и «двигателями» закона были председатель Комитета по финансовым услугам Палаты представителей Конгресса Барни Франк и сенатор Кристофер Додд, председатель Банковского комитета Сената США. Основной целью данного законопроекта стало снижение рисков финансовой системы посредством ужесточения надзора за системообразующими финансовыми институтами. Более 2300 страниц всего текста данного закона содержит в себе три основные направления его действия: во-первых, меры по снижению рисков финансовой системы, во-вторых, финансовых услуг дополнительных и, в-третьих, мер более по защите пристальное потребителей регулирование деятельности системообразующих финансовых институтов. Центральное место в новой системе регулирования отведено Совету по надзору за финансовой стабильностью, который обязан выявлять возрастающие риски финансовой системы в целом и предпринимать меры по их снижению. Совет является федеральным органом власти, обладающим существенными полномочиями по регулированию деятельности всех системообразующих холдинговых компаний и небанковских финансовых организаций. Он вправе требовать увеличения капитала и ликвидности и совершенствования системы управления рисками, а также ограничить рост крупных финансовых 4 http://www.mofo.com/files/Uploads/Images/SummaryDoddFrankAct.pdf 10 институтов, если это создаёт угрозу финансовой системе. Также этот закон обязал банки с активами более 10 миллиардов долларов проводить ежегодные стресс-тесты, что получило название комплексного обзора и анализа капитала этих банков (the Comprehensive Capital Analysis and Review (CCAR)). Не смотря на то, что пока нет законопроекта, который бы обязал банки с меньшим уровнем активов так же проводить регулярные стресстесты, всё равно данный инструмент риск-менеджмента приобретает все большую популярность и среди мелких финансовых организаций, поскольку в любой момент подобная обязанность может пасть и на них. 1.2. Уровни стресс-тестов Некоторые специалисты выделяют три уровня стресс-тестирований, применяемых банками. Первый из них связан с анализом качества и надежности какого-либо отдельно взятого кредита. Подобные стресс-тесты нацелены выявлять слабости групп из нескольких схожих между собой кредитных линий. Основной задачей же является в данном случае лучшее понимание структуры риска самого кредита. Более того подобный уровень стресс-тестов помогает определить настоящий риск, связанный с кредитами, размеры которых превышают средние. Благодаря стресс-тестированию банк может оценить насколько опасно ему выдавать тот или иной кредит, какие издержки он понесет в случае неплатежа по нему и совместимо ли это с устойчивостью банка в целом. Подобного рода информация полезна для банков в том смысле, что позволяет им эффективно устанавливать необходимые ограничения на объемы выдаваемых кредитов. Инструментом для проведения подобных стресс-тестов являются факторные модели, которые измеряют количественное влияние одной или же набора переменных на объемы кредитных поступлений. Асимптотические модели одного фактора риска (ASRF) являются основой методологий стресстестов Базельского комитета. Модели же с большим количеством факторов сложнее применить на практике, однако они способны включать в себя такие 11 значимые переменные, как: чистый доход заемщика, его трудовую историю, имущество, которым он обладает и прочее. Следующий уровень стресс-тестирований рассчитан на анализ целых портфелей активов. Инструментами, используемыми для подобных целей, могут быть мульти факторные модели, VaR и ASRF модели. Этот уровень стресс-тестов наиболее популярен, например, в таких системах, как SCAP и CCAR. И самым высоким уровнем проводимых сегодня стресс-тестов является оценка рисков целых финансовых институтов, банковского сектора в целом. Здесь происходит оценка не только рисков, связанных с кредитами, выдаваемыми каким-либо отдельно взятым банком, а также операционных, рисков относительно ликвидности банков и прочих. Для проведения столь масштабных стресс-тестов наиболее часто используются модели с множеством различных факторов. 1.3. Выбор оптимальной методологии стресс-теста Когда речь идет о банках, часто управленческий состав задается вопросом о том, какой метод лучше использовать при проведении стресстеста, какую систему рекомендует регулятор, стресс-тест какого уровня следует выбрать. Ответ на эти вопросы зависит от того какой тип риска хочет оценить банк. Соответственно, перед тем как начать проведение стресстестирования необходимо ответить на следующий вопрос: «Какой риск нужно оценить и уменьшить?» Более подробно о различных методиках проведения стресс-тестов пишет Nayda и William из журнала «The RMA Journal»5. Все методологии и инструменты, используемые в стресс-тестах имеют специфические для себя цели, и применение тех или иных методов всегда включает в себя соответствие некоторым требованиям, которые необходимо 5 http://search.proquest.com/docview/1039651823?accountid=45451 12 соблюдать. Сам по себе выбор методики и уровня стресс-теста крайне важен для каждого банка и должен осуществляться в зависимости от субъективных целей того или иного стресс-теста. Поэтому для начала всегда необходимо четко знать для чего проводится стресс-тестирование и взаимосвязь каких переменных желает оценить банк. Более того при разработке эффективной для себя методологии стресс-теста банку следует правильно разработать (если он не дан из вне) негативный сценарий развития экономической ситуации, так как негативные шоки в экономике будут оказывать разное влияние на показатели деятельности различных банков6. Вне зависимости от того какой уровень анализа был выбран банком, директор по управлению рисками ответственный за проведение стресс-теста должен соблюдать несколько простых шагов. Во-первых, он должен хорошо подумать на предмет того для чего проводится стресс-тест. Во-вторых, необходимо определить какая информация доступна для проведения стресстеста. Далее руководство должно определить какой объем риска является приемлемым для организации и определить условия негативного сценария развития ситуации, для которых будет осуществляться расчет прогнозных значений показателей банковской деятельности. Заключительным же этапом является применение необходимых действий для нивелирования чересчур высокого уровня риска, если таковой имеется. Вообще существует множество различных типов стресс-тестов в зависимости от используемой методологии: бенчмаркинг, исторический анализ, факторный анализ и прочее. Но практика показывает, что довольно эффективным является одновременное использование сразу нескольких методов проведения стресс-тестов, так как стресс-тестирование никак нельзя назвать точной наукой. Далее же будут рассмотрены основные типы стресстестирований чуть более конкретно. 6 http://www.bis.org/publ/work165.pdf 13 1.4. Бенчмаркинг Вообще бенчмаркинг - это процесс определения, понимания и адаптации имеющихся примеров эффективного функционирования компании с целью улучшения работы собственной. Он в равной степени включает в себя два процесса: оценивание и сопоставление. При проведении стресстеста согласно данной методике используется общественно-доступная информация, эмпирические правила и разработанные внешними источниками рейтинги для определения степени риска. Поскольку оценка происходит на основе внешней информации, бенчмаркинг может быть определен как один из наиболее простых способов оценки риска. Однако банки не должны быть наивными и им следует максимально приближенно к реалиям адаптировать результаты к своему типу деятельности. Одним из наиболее ярких примеров использования данной методики может послужить стресс-тест проведенный регулятором и министерством финансов США в рамках программы SCAP. Этот стресс-тест имел колоссальное значение для банковского сектора Америки, поскольку он помог определить взгляды регулятора относительно стресс-тестирования. Это проще понять из примера. Допустим, существует банк, который специализируется на кредитовании фермеров, производящих свою продукцию на Среднем Западе в США, более того данный товар имеет хороший спрос и постоянно растущие цены. Конечно, по результатам оценки данного банка можно сказать, что он более устойчив по сравнению, например, с банком, большая часть кредитного портфеля которого направлена на строительство сооружений в районе, недавно пострадавшем от землетрясений. Однако согласно программе SCAP банки должны оценивать риски, опираясь не только на собственные издержки и опыт, но и на потери девятнадцати крупнейших банков страны. Кроме того, банк должен в 14 результате определить насколько устойчиво его положение в соответствии с заданными уровнями стресс-устойчивости в рамках программы SCAP. 1.5. Стресс-тест, основанный на исторических данных и опыте прошлых лет Этот тип стресс-тестирований также является одним из наиболее популярных, но в то же время и наиболее простых типов стресс-тестов. Его суть – это однофакторная модель, где в качестве переменной имеются какиелибо исторические данные, полученные из опыта работы самого банка или же из каких-то публичных источников. При использовании данного типа стресс-теста банки зачастую самостоятельно определяют тот уровень риска, который является для них приемлемым, исходя зачастую из структуры активов прошлых лет. Организации, у которых нет ещё достаточного опыта и статистики, могут использовать данные по работе всего сектора в целом и проанализировать то, как экономические шоки прошлых лет влияли на основные показатели деятельности банков. При использовании данного типа стресс-теста существует несколько простых способов определения порогового уровня риска для банка. Первый метод заключается в том, чтобы просто определить максимальный уровень потерь, который испытал на себе банк на последние годы. Если, допустим, эта цифра окажется ниже той, которую задает нам регулятор (как, например, было в рамках программы SCAP в США), то следует использовать ту из них, которая больше. Ещё одним простым методом определения приемлемого уровня риска является расчет степени отклонения максимального уровня потерь за период от среднего значения. Допустим, что средний уровень потерь банка за период был 0,17%, однако в момент максимального спада эта цифра выросла до 1,7%. Отношение этих двух цифр дает нам десятикратный рост потерь в 15 период стресса, что как раз и можно использовать в качестве основного ориентира для проведения стресс-теста. При использовании стресс-теста, основанного лишь на использовании какой-либо статистической информации, не всем банкам всегда стоит использовать показатели в масштабах всей страны в целом. Существует достаточное количество банков не универсальных, региональных или же специализирующихся на какой-либо специфической деятельности. В данному случае организациям целесообразно брать в расчет данные именно по тем кредитным организациям, которые имеют схожий род деятельности или регион. Необходимо отметить, что главным недостатком данного типа стресстестирования является то, что информация прошлых лет далеко не всегда является хорошим подспорьем для расчета каких-либо индикаторов на будущее. Так, например, наибольший пик потерь банков США был в 90-х годах, который составил 2,57%. Однако эта цифра оказалась слабым «стрессовым» ориентиром на будущее, так как во время последнего кризиса данное значение выросло до 2,87%. Более того в расчет также необходимо брать то, сколько длится период спада и потерь для банков страны, а не только экстремумы потерь. 1.6. Факторный анализ Факторный анализ — это многомерный метод, применяемый для изучения взаимосвязей между значениями переменных. Предполагается, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки. Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие 16 линейных статистических связей корреляций между наблюдаемыми переменными. Таким образом, можно выделить 2 цели факторного анализа: определение взаимосвязей между переменными, (классификация переменных), т. е. «объективная R-классификация»; сокращение числа переменных необходимых для описания данных. Так и в банковском секторе факторный анализ применяется для того, чтобы определить какие факторы в экономике влияют на конкретные показатели банковской деятельности. Стоит признать, что данный тип анализа является мульти факторным, и он более сложный, чем предыдущие, и требует неплохого аналитического инструментария. На практике применение подобного типа стресс-теста выглядит следующим образом: выделяются показатели деятельности банка, специфику динамики которых необходимо выявить, далее обозначаются экономические факторы – независимые переменные, среди которых нужно определить наиболее влиятельные. В конце же наиболее влиятельным факторам задаются конкретные «стрессовые» значения и происходит расчет показателей банковской деятельности. Таким образом, например, если в качестве зависимой переменной у нас выступают потери по кредитам в сфере коммерческой недвижимости, то объясняющими факторами могут быть: стоимость имущества, степень покрытия долга, уровень безработицы, ставка капитализации и прочее. Здесь сразу стоит отметить главный недостаток данного типа стресстестирования. Он заключается в том, что очень часто после того, как уже получены конкретные результаты, бывает крайне тяжело четко понять полученные коэффициенты влияния одних переменных на другие. Зачастую для более детального понимания этих зависимостей требуется построение многих дополнительных регрессий, что требует немалых затрат усилий. И что самое неприятное, даже после этого могут получиться результаты, 17 которые будет действительно сложно обосновать. Поэтому для проведения подобного стресс-теста лучше использовать довольно большой период времени и достаточное количество всевозможных факторов для получения более менее репрезентативных результатов. Одним из неплохих источников информации для банков, желающих провести стресс-тестирование, основанное на факторном анализе, может послужить CCAR (Comprehensive Capital Analysis and Review). Опубликованный в ноябре 2011 года документ содержал прогнозы регуляторов относительно ряда экономических показателей по базовому сценарию и негативному. Также в CCAR был обозначен ряд наиболее общих и значимых экономических факторов, которые рекомендовано использовать в качестве независимых переменных в регрессионных моделях: рост реального и номинального ВВП; рост реального располагаемого дохода; уровень безработицы; индекс потребительских цен или инфляция; трех и десятимесячные облигации федерального займа; процентная ставка по кредитам; какой-либо крупный мировой фондовой индекс ( в зависимости от региона, где находится банк); индекс рыночной волатильности (VIX); индекс цен на жилье; коммерческий индекс цен на недвижимость; индексы валют. Многие из указанных выше макроэкономических показателей будут также использованы в качестве объясняющих переменных в практической части данной работы. 18 1.7. Тип классовой миграции внутри кредитного портфеля Суть данного типа стресс-тестирования заключается в том, что в качестве стрессового сценария выбирается возможность ухудшения качества кредитного портфеля в той или иной степени. Все кредиты у банка делятся на различные классы в зависимости от того насколько надежным является тот или иной заемщик. Таким образом, при проведении стресс-теста согласно данного метода банк допускает возможность падения на один, а то и два – три класса вниз какого-то определенного процента кредитного портфеля. После подобного ухудшения происходит расчет потерь банка и выносится вердикт по поводу того, насколько устойчивым является положение организации. Итак, мы перечислили различные типы стресс-тестирований, которые периодически применяются банками для определения их степени устойчивости и готовности к негативным шокам в экономике. Было установлено, что существуют как простые формы проведения стресс-тестов, так и сложных, требующих эконометрического инструментария и огромного количества статистической информации для анализа. Использование того или иного метода обуславливается в первую очередь ответом на вопрос: «Какой тип риска нужно оценить?» И никогда не стоит забывать о возможности использования сразу нескольких типов стресс-тестов, так как данный способ управления рисками среди банков ещё не столь хорошо изучен, поэтому остается ещё множество безответных вопросов. А в данном случае любые эксперименты, направленные на улучшение методологии проведения стресс-тестирований, могут быть оправданы. В целом стресстесты можно охарактеризовать, как краеугольный камень в современной системе контроля за риском среди коммерческих организаций всех типов. 19 Глава 2. Практика проведения стресс-тестов центральными банками разных стран Вообще в последние годы всё большее и большее значение придаётся проведению различного рода стресс-тестам. Произошло это благодаря возросшим регулятивным требованиям и ухудшению экономической ситуации в мире в целом. Необходимо отметить, что большинство различных финансовых учреждений проводят стресс-тестирование лишь в виду требований регуляторов, однако существуют и те, которые считают подобную меру оценки устойчивости необходимой, осуществляя её на добровольных началах. Недавно одним из ведущих международных рейтинговых агентств под названием Moody’s было проведено исследование и опубликован доклад «Moody’s Analytics об исследовании практики стресстестирования в банковской отрасли (2011г.)». В нём агентство выявило, что участие регуляторов является крайне необходимым для перевода стресстестирования в общепринятую для банков передовую практику, а вероятность, что банки будут проводить регулярные стресс-тесты в процессе управления рисками выше в тех странах, где подобная мера входит в число регулятивных требований. Россия тоже подошла уже практически вплотную к осознанию необходимости введения требований проведения стресстестирования банками страны. В свою очередь, сами методы стресстестирования интенсивно развиваются год за годом, в их состав включаются макроэкономические показатели, используются различного рода статистические методы анализа, в том числе и эконометрические модели различных уровней сложности. А. В. Виноградов, К. Б. Кузнецов, К. В. Шимановский в своей статье «Комплекс моделей стресс-тестирования российского банковского сектора» пишут, что в соответствии с мнением Базельского комитета по банковскому надзору (БКБН), прошедший кризис выявил, что в предкризисный период 20 стресс-тестированию отводилась роль лишь «механических упражнений» с довольно низким уровнем доверия к ним. Однако, по прошествии последнего кризиса, роль данной методики оценки устойчивости кредитных организаций заметно возросла: Базельским комитетом были изданы специальные «Принципы эффективной практики стресс-тестирования и надзора»7, в которых говорится о необходимости создания банками качественных методик стресс-тестирования. Более того, БКБН порекомендовал надзорным органам применять собственные методики стресс-тестирования. Также первый заместитель Председателя Центрального Банка России, А. Ю. Симановский, в своей статье «Базельские принципы эффективного банковского надзора, издание второе»8 указал, что надзорному органу при стресс-тестировании целесообразно учитывать результаты стресс-тестов отдельных кредитных организаций, что называется подходом «bottom-up». Однако практика показывает, что далеко не все банки в состоянии провести действительно качественный стресс-тест, а неоднородность используемых методологий порождает необходимость построения органами банковского регулирования и надзора собственных моделей – подход «top-down». Очевидно, что довольно напряженная ситуация, которая сложилась сегодня в Европе, несет в себе определенные опасения по поводу возникновения новых внезапных экономических шоков, которые отразятся на многих странах, включая Россию. Однако необходимо отметить, что актуальность стресс-тестирования в первую очередь объясняется тем, что в последнее время это начало перерастать в новые стандарты всей банковской бизнес-культуры. Стресс-тесты помогают банкам заранее определить потенциальные источники их неустойчивости, возможные проблемы с капитализацией, ликвидностью и прочее. Поэтому с каждым годом всё больше и больше банков используют данный инструмент, чтобы определить 7 8 http://www.cbr.ru/publ/MoneyAndCredit/Simanovsky-part-2.pdf http://www.cbr.ru/publ/MoneyAndCredit/Simanovsky-part-2.pdf 21 уровень своей финансовой стабильности. В свою очередь, стресстестирование всей банковской системы помогает центральным банкам определить, выстоит ли в кризисных условиях весь банковский сектор экономики или нет. В соответствии со статьёй О. Солнцева, А. Пестовой и М. Мамонова «Стресс-тест: потребуется ли российским банкам новая поддержка государства?»9 различного рода макроэкономические стресс-тестирования являются довольно важным элементом программы оценки финансовых систем, запущенной МВФ и Всемирным банком ещё в конце 1990-х годов. В сегодняшние дни всё больше и больше центральных банков планеты, точнее более 40, проводят макроэкономические стресс-тесты и публикуют результаты в своих докладах о финансовой стабильности системы. С 2003 года в Банке России периодически проводится стресстестирование российского банковского сектора согласно методу «top-down». Изначально тест осуществлялся по 200 крупнейшим по величине активов кредитным организациям, а с 2007 года расчет стресс-теста осуществляется уже по всем действующим банкам. Результаты же публикуются на официальном сайте Банка России. В основном в настоящее время при проведении стресс-тестирования Центральный Банк России использует унифицированные «шоковые» факторы, применяемые к балансовым показателям каждого действующего банка с последующим суммированием потерь. Последней же ступенью в развитии методики стресс-тестирования в Банке России является оценка взаимосвязи макроэкономических индикаторов национальной экономики и ключевых показателей банковского сектора с последующим применением в качестве исходных параметров стресс-теста различных макросценариев. Обо всём этом нам пишут М. 9 http://publications.hse.ru/articles/70031607 22 Бездудный, Т. Малахова и Ю. Сидельников в своей статье «О стресстестировании банков»10. Далее рассмотрим черты применения стресс-тестирования регуляторами европейских стран. Здесь в первую очередь стоит отметить, что в абсолютном большинстве центральных банков европейских стран стресс-тестирование проводится с использованием макроэкономических факторов, которые либо включены в полноценную макроэкономическую модель страны (например, Италия, Германия, Нидерланды, Швеция, Австрия, Франция), либо представляют собой набор уравнений, связывающих отдельные макропоказатели с количественными характеристиками банковских рисков (Англия, Австрия). В Америке стресс-тестирования также довольно популярный инструмент риск-менеджмента. Так, в начале 2009 года была запущена Supervisory Capital устойчивость Assessment девятнадцати Program крупнейших (SCAP), которая американских оценивала банковских холдингов. Руководящими органами программы были выработаны общие для всех тестируемых организаций ориентиры доли прогнозных потерь по каждой из категорий ссуд. В то же время участвующим в SCAP американским холдингам разрешалось использовать свои оценки, отличные от рекомендуемых, при условии их достаточного обоснования (подход «снизу-вверх», bottom-up approach). Правомерность таких расчетов контролировала команда, состоящая из более, чем 150 аналитиков, экономистов, представителей надзорных органов. Различные же публикации последних лет позволяют сделать вывод, что основное внимание центральные банки во всём мире сдвигают в сторону использования макроэкономических стресс-факторов и построения сложных взаимоувязанных моделей. Однако, несмотря на использование ряда универсальных подходов, в каждой стране стресс-тестирование носит чисто 10 http://www.hse.ru/data/2012/09/28/1244116318/О%20стресс-тестировании%20банков.pdf 23 индивидуальный характер, определяемый в первую очередь историческими, политическими и экономическими предпосылками. Относительно специфики банковской деятельности в России с определенной долей уверенности можно выделить некоторые наиболее важные факторы стресс-тестирования. Например, цены на нефть, динамика курса национальной валюты, состояние отраслей экономики, объём ВВП – определенно будут влиять на изменение качества кредитного портфеля российских банков, на ликвидность, стоимость ценных бумаг и прочие важнейшие показатели банковской деятельности. Исходя из этого, будет логичным использовать вышеуказанные факторы при проведении стресстестирования в банковском секторе России. Однако, к сожалению, вопрос макроэкономического моделирования при стресс-тестах в мировой практике пока что исследован недостаточно хорошо, и определенно требуется больше опыта в проведении подобного рода анализов устойчивости финансовых организаций внутри страны. Глава 3. Регрессионный анализ влияния макрофакторов на показатели банковской деятельности 3.1. Описание модели и данных Обработку панельных данных довольно удобно осуществлять при помощи пакета Stata. Он представляет собой универсальный пакет, предоставляющий возможность решения статистических задач различного рода из многих областей, например: экономики, биологии, социологии и медицины. Основными достоинствами Stata можно назвать: достаточно большой спектр реализованных статистических методов; возможность гибкой обработки данных; простота написания различных программных модулей и наличие серьезного спектра средств программирования; 24 поддержка не только со стороны производителя, но и со стороны других пользователей Stata; возможность максимизации функций правдоподобия, задаваемых пользователем. В список банков, отобранных для проведения стресс-тестирования, попали: Сбербанк, ВТБ, Газпромбанк, Россельхозбанк, ВТБ 24, Банк Москвы, Альфа – банк, Юникредит банк, Промсвязьбанк, Росбанк, Номос-банк, Райффайзен, Транскредитбанк, Уралсиб, Санкт-Петербург. Для построения модели был выбран временной период с первого квартала 2007 года до конца 2012. Таким образом, мы получаем 15 объектов и 24 квартала, что дает нам 360 наблюдений по каждому из показателей. Большинство исследователей зачастую стараются взять большее число объектов и меньшее число периодов для подобных исследований, однако высокая концентрация в Российском банковском секторе позволяет взять первые 15 банков и покрыть ими большую часть системы, тогда как длинные временные данные и данные по небольшим банкам не всегда доступны. Итак, в выборку попали наиболее крупные банки России, данные по которым есть в свободном доступе. Необходимо отметить, что суммарные активы выбранных нами банков составляют более, чем 60% активов всего банковского сектора. Это обуславливает выбор именно этих кредитных организаций для проведения нашего стресс-тестирования, потому что в первую очередь изменения в деятельности этих банков будут наиболее сильно влиять на весь сектор. В соответствии с этим данные банки можно охарактеризовать как системно значимые. Данные будут представлять собой двумерные массивы, одна из размерностей которых имеет временную интерпретацию (в нашем случае это будут кварталы с 2007 по 2012 гг.), а другая – пространственную (15 банков). Данные массивы возникают при проведении исследований большого числа 25 объектов на протяжении некоторого периода времени и образуют панельные данные. Основные преимущества данных подобного рода: Предоставляют большое количество наблюдений, увеличивая число степеней свободы, снижая коллинеарность между объясняющими переменными и улучшая эффективность оценок; Позволяют анализировать множество важных экономических вопросов, которые не могут быть адресованы к временным рядам и cross-sectional данным в отдельности; Позволяют предотвратить смещение агрегированности, неизбежно возникающее как при анализе временных рядов, так и при анализе crosssection данных. Регрессионная модель панельных данных отличается от регрессии обычных временных рядов или пространственной регрессии тем, что её переменные имеют двойной нижний индекс – «ti», где i- номер объекта (банка), t-время (один из 24 кварталов). Как известно оценка экономического положения банков осуществляется по результатам оценок: Капитала; Активов; Доходности; Ликвидности. Таким образом, для построения нашей модели был рассчитан поквартально, начиная с 2007 года, ряд показателей банковской деятельности. Часть из них была взята из инструкции Банка России от 3 декабря 2012 года № 139-И «Об обязательных нормативах банков»11, а часть из указания от 30 апреля 2008 года № 2005-У «Об оценке экономического 11 http://www.cbr.ru/today/payment_system/P-sys/139-I.pdf 26 положения банков». Итак, в список анализируемых банковских показателей были включены: норматив абсолютной ликвидности (Н2). Он регулирует (ограничивает) риск потери банком ликвидности в течение одного операционного дня и определяет минимальное отношение суммы высоколиквидных активов банка к сумме обязательств (пассивов) банка по счетам до востребования. Этот показатель не случайно включен в перечень обязательных нормативов для банков России, так как он отражает один из важнейших аспектов устойчивости всей банковской системы, и от него довольно сильно зависит доверие со стороны населения к банкам. По этим причинам расчет данного показателя необходим в проводимом стресстестировании; норматив текущей ликвидности (Н3). Это чуть более широкий показатель ликвидности, но тоже крайне важный особенно в периоды глобальной экономической неустойчивости. Он регулирует (ограничивает) риск потери банком ликвидности в течение ближайших к дате расчета норматива 30 календарных дней. Как и в случае с нормативом «Н2», соблюдение данного норматива (мин. 50%) необходимо для всех банков страны во избежание риска стать неплатежеспособными. Поэтому данный показатель также был включен в список анализируемых в нашем стресстесте; показатель рентабельности собственного капитала (ROE). Данный показатель отражает эффективность экономической деятельности банка и то, насколько грамотно банки используют свои ресурсы как в кризисное время, так и в периоды экономической стабильности; показатель качества кредитного портфеля (PA3), который рассчитывался как отношение просроченных кредитов к сумме выданных кредитов. Кредитование - это основополагающий вид банковской деятельности, обеспечивающий рост и развитие банковского бизнеса и приносящий основную прибыль. Однако, стоит признать, что в условиях 27 кризиса рискованность таких операций значительно увеличивается. Степень рискованности, в свою очередь, напрямую зависит от структуры кредитного портфеля банка, от состояния его заемщиков. Поэтому данный показатель неизбежно был включен в список анализируемых, ведь он характеризует, то насколько сильно бы увеличилась доля просроченных ссуд в кредитном портфеле, что непосредственно влияет на устойчивость банковской системы и экономики страны в целом; показатель резервирования по просроченным ссудам (rvps), рассчитанный как отношение совокупности сформированных резервов на возможные потери по ссудам к кредитному портфелю банка. Это также один из важнейших показателей стабильности деятельности банков, показывающий насколько банки готовы к возможным неплатежам по выданным ими ссудам. Данный показатель качества кредитного портфеля, как правило, начинает расти в преддверии назревающих проблем в экономике и банковском секторе, в частности, поэтому довольно важно проследить его динамику в стрессовых для экономики и кредитных организаций условиях; показатель достаточности капитала (Н1). На данный момент это, пожалуй, основной показатель обеспеченности банка собственными средствами, поэтому для характеристики устойчивости банковского сектора в отношении капитала на данный норматив тоже будет построена отдельная эконометрическая модель. Итак, было отобрано семь показателей, призванных отразить состояние пятнадцати системно значимых банков в критических для экономики условиях. В совокупности они характеризуют устойчивость системы по всем четырём параметрам банковской стабильности: капиталу, качеству активов, доходности и ликвидности. Перечисленные выше показатели будут рассматриваться в качестве зависимых макроэкономических переменных: переменных от следующих 28 gdp – показатель ВВП России в текущих ценах. Снижение темпов экономического роста негативно сказывается на всей экономике страны и платежеспособности заёмщиков и банков, в частности; indexes – значение фондового индекса ММВБ. Это также один из важнейших ныне показателей стабильности экономики нашей страны, так как данный индекс рассчитывается с учетом показателей эффективности деятельности множества предприятий России и не только. Его значение характеризует жизнеспособность всей экономики страны; bival – значение бивалютной корзины РФ. Переоцененность национальной валюты, как правило, приводит к сокращению чистого экспорта, в результате чего формируются девальвационные ожидания, что, в свою очередь, может спровоцировать массовые изъятия депозитов банков; oil – цена нефти марки Urals. В виду сильной зависимости экономики России от цен на нефть, снижение спроса на энергоресурсы в мире влияет и на весь банковский сектор России. Снижение цен на нефть влияет на всю экономику нашей страны, сказываясь на темпах роста ВВП, обменном курсе, торговом балансе, ценах на активы и т.д.; gko – среднесрочная ставка по ГКО-ОФЗ. Учитывая тот факт, что в последнее время ведущие банки страны всё больше и больше вкладывают средства в бумаги федерального займа, этот показатель необходимо включить в модель, потому что он будет характеризовать состояние дел и на уровне всей страны в целом, и на уровне банковского сектора, в частности; balance – торговый баланс РФ. Стандартный показатель отношения стоимостей экспортированных и импортированных товаров. Характеризует конкурентоспособность экономики страны на международной арене; gold – золотовалютные резервы страны. Поскольку ЗВР – это высоколиквидные активы страны, правительство может с их помощью 29 эффективно регулировать экономику государства. Поэтому наличие данного ресурса является важным для общей устойчивости России; inflation – темпы инфляции внутри страны. Инфляция влияет как на курс национальной валюты, так и на всю экономику страны в целом. Это один из основных макроэкономических показателей, поэтому его необходимо включать в нашу модель; retail – оборот розничной торговли. Оборот розничной торговли стоимость товаров, проданных населению за наличный расчет для личного потребления или использования в домашнем хозяйстве. Он отражает фактическую выручку торгующих организаций от продажи товаров населению, включая товары частично или полностью оплаченные органами социальной защиты. Таким образом, данный показатель характеризует степень экономической активности внутри страны; prom – объём промышленного производства внутри страны. Он показывает развитие экономики страны и её жизнеспособность. Чем выше объёмы производства, тем выше экономическая активность, уровень кредитования. Итак, мы обосновали вышеперечисленных целесообразность показателей при использования построении наших всех семи эконометрических моделей. Перед тем, как непосредственно перейти к самому процессу построения эконометрических моделей, мы должны определить какой тип модели лучше использовать. В нашем случае с выборкой из пятнадцати банков мы будем использовать модель со случайными эффектами. Данный тип модели может быть рассмотрен в качестве компромисса между сквозной регрессией, которая налагает довольно сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, а также регрессией с фиксированными эффектами (FE), которая даёт возможность для каждого объекта выборки ввести свою константу и, таким образом, учесть существующую в реальности, однако не наблюдаемую гетерогенность. 30 Поиски подобного рода компромисса в первую очередь могут быть вызваны некоторыми причинами: Оценки, которые даёт модель с фиксированными эффектами, могут и быть состоятельными для статистических моделей в отсутствии эндогенности, однако зачастую они не очень эффективны. Модель «FE» не даёт возможности оценить коэффициенты при инвариантных по времени регрессорах, поскольку они, в свою очередь, элиминируются из модели после преобразования «within». Сквозная же модель может и лишена подобного рода недостатков, однако она зачастую даёт несостоятельные оценки, потому что в ней не учитывается индивидуальная гетерогенность. В модели же со случайными эффектами индивидуальная гетерогенность учитывается не в самом уравнении, а в матрице ковариаций, которая имеет блочно-диагональный вид, поскольку внутри каждой группы случайные эффекты коррелируют между собой. Для оценивания подобной регрессии лучше использовать обобщенный метод наименьших квадратов (GLS). Общий вид модели следующий: yit = a + X’itB + ui + eit, где i – номер банка, t – время, a – свободный член, B – вектор коэффициентов размерности, X’it – вектор-строка матрицы объясняющих переменных, ui – ненаблюдаемые индивидуальные эффекты, eit – остаточное возмущение. 3.2. Модель Н2 Итак, оценим регрессионную модель с показателем абсолютной ликвидности в качестве зависимой переменной. Результаты после исключения представлены в таблицах 3.1 и 3.2 ниже. всех незначимых переменных 31 Таблица 3.1 Данные по регрессии относительно переменной «H2» Random-effects GLS regression Group variable: bank R-sq: within = 0.4249 between = 0.2083 overall = 0.2826 Number of obs Number of groups Obs per group: min avg max = = = = = 338 15 22 22,5 23 Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed) Wald chi2(10) Prob > chi2 = = 229.76 0.0000 Таблица 3.2 Значимые объясняющие переменные в модели «H2» h2 Coef. indexes -.0257974 gko -4.657179 oil -.1741928 inflation 9.870101 prom -2.31709 _cons 353.4544 Std.Err. .0073482 1.867359 .066955 3.929737 .4231213 50.00078 z -3.51 -2.49 -2.60 2,51 -5.48 7,07 P>z 0 0,013 0,009 0,012 0 0 Необходимо отметить, что при интерпретации модели данного типа не стоит основное внимание уделять показателю «R-sq», потому что в регрессии, оцененной с помощью GLS, он уже не является адекватной мерой качества подгонки. В свою очередь, выражение corr(u_i,x)=0 (assumed), находящееся в верхней части таблицы, отражает существенную гипотезу, лежащую в основе всей модели. Регрессоры должны быть некоррелированными с ненаблюдаемыми случайными эффектами, так как иначе оценки будут несостоятельными. Итак, из таблицы 3.2 мы видим, что на 1% уровне значимости у нас остались значимы следующие переменные: indexes, oil, prom, cons. В свою очередь, на 5% уровне значимости – «gko», «inflation». Взглянув на коэффициенты, можно сделать ряд следующих выводов. Отрицательная зависимость между показателем «indexes» и «h2» говорит нам в первую очередь о том, что в периоды экономической неустойчивости нашей страны, когда котировки акций крупнейших предприятий России 32 падают, а с ними вместе и индекс ММВБ, банковская система, в свою очередь, старается максимально нарастить ликвидность, чтобы обеспечить максимальное доверие вкладчиков и уберечь всю систему от краха. Этот процесс можно довольно четко было проследить в период последнего кризиса. Цены на нефть также имеют отрицательный коэффициент, потому что в периоды экономических спадов цены на углеводороды, как правило, снижаются, а показатели банковской ликвидности напротив растут. Показатель среднесрочной доходности ГКО-ОФЗ так же имеет отрицательный коэффициент, это можно объяснить тем, что между началом падения ликвидности и процентов по ОФЗ был некоторый временной лаг, в результате чего, когда доходность облигациям уже начала падать, некоторый банки всё ещё наращивали ликвидность. Инфляция получила положительный коэффициент, и в первую очередь это видно из рисунков 3.1 и 3.2. В период экономического спада сокращался темп экономического роста страны, а соответственно и инфляция. Показатель мгновенной ликвидности, в свою очередь, также начал активно сокращаться, начиная уже с первого квартала 2009 года. В целом движения 0 .5 inflation 1 1.5 графиков в последние годы тоже довольно схожи. 0 5 10 15 20 25 time Рис. 3.1. Динамика инфляции в России за исследуемый период 0 100 h2 200 300 33 0 5 10 15 20 25 time Рис. 3.2. Динамика переменной «H2» по исследуемым банкам Коэффициент перед показателем объёма промышленного производства на территории России имеет отрицательный знак, так как в периоды экономического спада объёмы производства сокращаются, поскольку происходит замедление всей экономики. Однако в то же время банки, как правило, наращивают ликвидность, как это уже было указано выше. 3.3. Модель Н3 Следующая регрессия включала в себя в качестве зависимой переменной показатель текущей ликвидности среди выбранных нами банков. Результаты представлены в таблицах 3.3 и 3.4. Таблица 3.3 Данные по регрессии относительно переменной «H3» Random-effects GLS regression Group variable: bank R-sq: within = 0.3371 between = 0.1915 overall = 0.2188 Random effects u_i ~ Gaussian corr(u_i, X) =0 (assumed) Number of obs Number of groups Obs per group: min avg max = 338 = 15 = 22 = = 22,50 23 Wald chi2(11) = 157.37 Prob > chi2 = 0.0000 34 Таблица 3.4 Значимые объясняющие переменные в модели «H3» H3 indexes bival prom _cons Coef. -0,0375675 -3,130796 -2,116159 460,5877 Std.Err. z 0,0086103 -4,36 0,7515206 -4,17 0,3750725 -5,64 47,28 9,74 P>z 0 0 0 0 Итак, после исключения всех незначимых переменных осталось всего несколько показателей, каждый из которых является значимым на 1% уровне значимости. Как и в случае с показателем мгновенной ликвидности у нас значимыми являются переменные «indexes» и «prom». Они так же имеют отрицательные знаки перед своими коэффициентами, причины чего были изложены ранее. Также у нас появилась новая значимая переменная – «bival». Она имеет отрицательный коэффициент, что связано в первую очередь с политикой проводимой нашим правительством в период последнего экономического спада. Тогда во избежание ещё более негативных последствий для российской экономики курс рубля был опущен по отношению к иностранной валюте посредством политики «плавной девальвации рубля». Таким образом, когда значение бивалютной корзины росло, то и значение показателя текущей ликвидности банков росло. Однако, когда ситуация начала выравниваться, норматив «Н3» у банков начал очень активно сокращаться, а значение бивалютной корзины, в свою очередь, упал не так сильно, а чуть позже начал показывать вообще восходящий тренд. 30 32 34 bival 36 38 40 35 0 5 10 15 20 25 time Рис. 3.3. Динамика значения бивалютной корзины Также для данной переменной была построена отдельная модель с лагом в 6 месяцев. И было установлено, что действительно банки реагируют на изменения в экономике в рамках норматива текущей ликвидности с некоторым запозданием. Лаггированная модель показала, что у нас добавляется две значимые на 1%-ом уровне переменные «gold» и «inflation», имеющие положительные коэффициенты, что в свою очередь видно из таблицы 3.5. Таблица 3.5 Значимые объясняющие переменные в модели «H3» с лагом в 6 месяцев H3 indexes bival prom gold inflation _cons Coef. -0,0375675 -3,130796 -2,116159 0,2183353 15,28628 460,5877 Std.Err. 0,0086103 0,7515206 0,3750725 0,0353232 5,143811 47,28 z -4,36 -4,17 -5,64 1,43 8,12 9,74 P>z 0 0 0 0 0,03 0 3.4. Модель RVPS Далее будет построена регрессия с зависимой переменной «RVPS», которая отражает объёмы резервов по возможным потерям по ссудам банков. Результаты отображены в таблицах 3.6 и 3.7. 36 Таблица 3.6 Данные по регрессии относительно переменной «RVPS» Random-effects GLS regression Group variable: bank R-sq: within = 0.2331 between = 0.2317 overall = 0.0816 Random effects u_i ~ Gaussian corr(u_i, X) =0 (assumed) Number of obs Number of groups Obs per group: min avg max Wald chi2(10) Prob > chi2 = 338 = 15 = 22 = = 22,50 23 = 93.56 = 0.0000 Таблица 3.7 Значимые объясняющие переменные в модели «RVPS» rvps gdp indexes gko bival inflation _cons Coef. -0,000093 0,0007396 -0,2593689 0,2717591 -0,5624374 -4,197346 Std. Err. 0,0000284 0,0003213 0,0640204 0,037 0,2034513 1,483191 z -3,28 2,3 -4,05 7,34 -2,76 -2,83 P>z 0,001 0,021 0 0 0,006 0,005 В данном случае у нас осталось довольно немалое количество значимых переменных на 1% уровне значимости: «gdp», «gko», «bival», «inflation», а также константа. На 5% уровне значимости осталась переменная «indexes». Итак, рассмотрим полученные коэффициенты. Показатель ВВП имеет отрицательный знак, что довольно просто объяснить тем, что в периоды экономического спада темпы роста ВВП сокращаются, когда, в свою очередь, заемщики в кризисных условиях становятся менее платежеспособными, а банки обязаны страховаться и повышать уровень своей устойчивости, наращивая резервы на возможные потери по просроченным ссудам. Положительный коэффициент перед переменной «indexes» можно объяснить отчасти спецификой собранных данных по нашим пятнадцати банкам и графически. 500 1000 indexes 1500 2000 37 0 5 10 15 20 25 time 0 5 rvps 10 15 Рис. 3.4. Динамика индекса ММВБ 0 5 10 15 20 25 time Рис. 3.5. Динамика переменной «rvps» по исследуемым банкам По представленным выше рисункам видно, что, начиная с конца 2008 года, распределение точек показателей «indexes» и «rvps» были примерно схожи. Так после мощнейшего спада в экономике России началась коррекция и постепенный рост индекса ММВБ, а резервы по возможным потерям по ссудам наращивались банками довольно продолжительное время, начиная с начала 2009 года, потому что столь негативный шок в экономике России дал довольно сильный отпечаток на качестве кредитного портфеля банков. 38 Отрицательный знак перед коэффициентом, отражающим зависимость между «rvps» и «gko», объясняется с использованием графиков этих переменных (рис. 3.5 и 3.6). Очевидно, что когда с конца 2008 года объём государственного внутреннего долга начал сокращаться, а вместе с ним и среднесрочная доходность по ОФЗ, банки всё ещё наращивали свои резервы по неблагонадёжным ссудам вплоть до середины 2010 года, таким образом, и 4 6 gko 8 10 образовалась положительная зависимость между данными переменными. 0 5 10 15 20 25 time Рис. 3.6. Динамика ГКО-ОФЗ России Положительный знак перед коэффициентом «bival» может быть обусловлен тем, что в период кризиса, когда курс рубля активно падал по отношению к евро и доллару, банки наращивали свои резервы, в результате чего на лицо положительная зависимость. Коэффициент перед инфляцией получил отрицательный знак, поскольку в период спада темпы инфляции замедляются, а резервы банков растут, что отчетливо видно из рисунков 3.1 и 3.4. Однако поскольку заемщики банков в период экономического спада начинали испытывать экономические трудности не сразу (в зависимости от бизнеса), соответственно просроченные кредиты и резервы по ним, формировались в банках с некоторым временным лагом. По причине этого предположения была построена отдельная модель с тем же лагом, что и относительно норматива «Н3», в 6 месяцев. И получилось меньшее 39 количество значимых переменных, представленных в таблице 3.8, однако показатели самой регрессии чуть улучшились. Таблица 3.8 Значимые объясняющие переменные в модели «RVPS» с временным лагом rvps indexes gko retail _cons В данном случае Coef. -0,0008569 -0,2193707 -0,0830367 14,53921 Std. Err. 0,0003213 0,0569111 0,0098218 1,288469 переменная «gko» P>z 0,001 0 0 0 имеет, как и прежде, отрицательный коэффициент, объяснения чему давались ранее. Появился новый значимый регрессор «retail», который так же имеет отрицательное влияние на значение нашей зависимой переменной, что объясняется тем, что а период спада объёмы розничной торговли в экономике сокращаются, а банка, в свою очередь, напротив наращивают резервы по растущим просроченным ссудам. Поменялся знак коэффициента у объясняющей переменной «indexes»: он стал отрицательным, что является более логичным, так как значение индекса ММВБ в период кризиса падало в отличие опять же от объемов сформированных резервов банков в то время. 3.5. Модель ROE Следующей регрессией, которая будет построена, является регрессия относительно показателя «ROE». Результаты можно увидеть в таблицах 3.9 и 3.10 ниже. Таблица 3.9 Данные по регрессии относительно переменной «ROE» Random-effects GLS regression Group variable: bank R-sq: within = 0.1505 between = 0.2229 overall = 0.1370 Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed) Number of obs Number of groups Obs per group: min avg max Wald chi2(3) Prob > chi2 = = = = = = = 338 15 22 22,50 23 56.82 0.0000 40 Таблица 3.10 Значимые объясняющие переменные в модели «ROE» roe oil inflation retail _cons Coef. 0,2698106 9,06273 -0,03204027 18,05732 Std. Err. 0,0366664 2,748465 0,1463945 14,33231 z 7,36 3,3 -2,19 1,26 P>z 0 0,001 0,029 0,208 К сожалению, если мы посмотрим на значение строчки «Wald chi2(3)», то увидим, что оно довольно маленькое и равно 56,82. Это говорит о плохом качестве подгонки и о том, что по результатам используемой выборки мы не можем получить адекватных результатов по данному показателю рентабельности. 3.6. Модель PA3 Одним из последних показателей, относительно которого будет построена очередная регрессия, является показатель, отражающий долю просроченных ссуд в общем кредитном портфеле банков. Результаты изложены в таблицах 3.11 и 3.12. Таблица 3.11 Данные по регрессии относительно переменной «PA3» Random-effects GLS regression Group variable: bank R-sq: within = 0.2893 between = 0.1656 overall = 0.2328 Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed) Number of obs Number of groups Obs per group: min avg max Wald chi2(10) Prob > chi2 = 338 = 15 = 22 = 22,50 = 23 = 127.36 = 0.0000 Таблица 3.12 Значимые объясняющие переменные в модели «PA3» PA3 gko bival balance retail _cons Coef. -0,4744653 0,5530112 0,0582683 -0,1068447 -2,884426 Std. Err. z P>z 0,1538142 -3,08 0,002 0,105952 5,22 0 0,0174833 3,33 0,001 0,0420993 -2,54 0,011 7,337788 -0,39 0,694 41 Итак, мы получили три переменные, которые значимы на 1% уровне значимости, это: «gko», «bival», «balance». Также на 5% уровне значимости осталась переменная retail. Для более наглядного объяснения знаков перед коэффициентами целесообразно использовать график распределения значений показателя 20 0 10 pa3 30 40 «PA3» по нашим банкам. 0 5 10 15 20 25 time Рис. 3.7. Динамика переменной «PA3»по исследуемым банкам Из графика довольно четко видно, как объёмы просроченных кредитов постепенно росли, начиная с конца 2008 года, вместе с ухудшением экономической ситуации в стране. Сокращаться показатель «PA3» начал со второй половины 2010 года. Это происходило по причине того, что замедлялся экономический рост страны, благосостояние населения ухудшалось, а вместе с тем и их платежеспособность. Когда-то хорошие заемщики превращались в несостоятельных, из-за чего и начал расти объём просроченных ссуд в банковском секторе. Далее перейдём непосредственно к объяснению знаков перед полученными коэффициентами и природы зависимости «PA3» от них. Итак, если взглянуть на рисунок 3.5, то сразу просматривается отчетливая отрицательная зависимость между «gko» и «PA3», экономическая природа этих явлений была изложена ранее, когда шло разъяснение коэффициентов других переменных. 42 Если вспомнить то, как вела себя переменная «bival» на оси времени, то здесь тоже не возникает вопросов о положительной зависимости между этой переменной и показателем «RA3». Далее пойдёт рассуждение по поводу положительного знака перед 40 20 30 balance 50 60 коэффициентом «balance». Для упрощения задачи используем графики. 0 5 10 15 20 25 time Рис. 3.8. Динамика торгового баланса РФ Из графиков видно, что оба показателя, начиная, примерно, с начала 2009 года, вели себя практически одинаково. Торговый баланс РФ упал в основном буквально за вторую половину 2008 года, и с начала следующего начал постепенно расти, как, к сожалению, и объёмы просроченных ссуд в кредитных портфелях наших пятнадцати банков. 90 100 retail 110 120 График переменной «retail» выглядит следующим образом: 0 5 10 15 20 25 time Рис. 3.9. Динамика объема розничной торговли на территории России Объёмы розничной торговли активно сокращались в кризисный период, что вполне логичное явление, просроченные ссуды, в свою очередь, 43 росли по изложенным ранее причинам, отсюда и отрицательная зависимость между этими двумя показателями. 3.7. Модель Н1 Последней регрессией, которая будет построена в рамках данной работы, содержит в качестве зависимой переменной норматив достаточности капитала банков «Н1». Таблица 3.13 Данные по регрессии относительно переменной «H1» Random-effects GLS regression Group variable: bank Number of obs Number of groups = = 203 12 R-sq: within = 0.3376 between = 0.0370 overall = 0.2225 Obs per group: min avg max = = = 16 16,90 17 Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed) Wald chi2(10) Prob > chi2 = 94.43 = 0.0000 Таблица 3.14 Значимые объясняющие переменные в модели «H1» Н1 indexes oil inflation _cons Coef. 0,0060349 -0,1062993 -1,410182 16,67055 Std. Err. z P>z 0,000907 6,65 0 0,0117089 -9,08 0 0,4494264 -3,14 0,002 0,9333075 17,86 0 По причине недоступности данных по некоторым банкам в различные периоды времени данная регрессия строилась относительно временного отрезка с 2008 по 2012 год по двенадцати банкам вместо прежних пятнадцати. Из таблицы 3.14 видно, что все переменные, включенные в неё, значимы на 1% уровне значимости, включая константу. График зависимой переменной представлен ниже. 10 15 n1 20 25 44 0 5 10 time 15 20 Рис. 3.10. Динамика переменной «H1» по исследуемым банкам Из рисунка видно, что в периоды экономической неустойчивости банки в основном стараются наращивать значение данного норматива для обеспечения большей устойчивости. Таким образом, «Н1» в среднем рос с середины 2008 до середины 2010 года, далее он постепенно начал сокращаться вплоть до конца 2011. Итак, мы получили положительную зависимость между «Н1» и «indexes». Если мы вернемся к рисунку 3.4, то заметим, что индекс ММВБ активно «падал» лишь до конца 2008 года, а далее начался восходящий тренд вплоть до конца 2010 года. Практически аналогичную ситуацию мы можем заметить и на рисунке «Н1». Отрицательные коэффициенты «oil» и «inflation» довольно просто объяснить с экономической точки зрения: если падают цены на нефть, замедляются темпы экономического роста и инфляции внутри страны – всё это говорит об ухудшении общей ситуации в финансовом секторе страны. А, как мы выяснили, в подобное время банки стараются обезопасить себя и наращивают «Н1», отсюда и отрицательная зависимость между достаточностью капитала и ценами на нефть с темпами инфляции. Итого, было построено шесть различных регрессий с различными показателями банковской деятельности в качестве зависимых переменных. К сожалению, одна из регрессий, а именно, относительно показателя 45 рентабельности «ROE», оказалась несостоятельной, поэтому он не будет рассчитан для стрессовых условий, которые будут заданы на 2013 год. 3.8. Расчет показателей для стрессовых условий экономики России на 2013 год Перед тем, как непосредственно рассчитать значения показателей банковской деятельности, используя «стрессовые» значения макроэкономических переменных, нам нужно определить какими именно будут эти самые значения. Министерство экономического развития России на своем официальном сайте публиковало различные сценарные условия экономической ситуации страны на 2013 год12. Также Центральный Банк РФ в своем письме от 29 декабря 2012 г. N 193-Т «О методических рекомендациях по разработке кредитными организациями устойчивости» опубликовал планов часть восстановления «стрессовых» финансовой макроэкономических показателей с соответствующими значениями на 2013 год13. Итак, используя значения макроэкономических показателей, которые рассчитали ЦБР и Министерство экономического развития России для негативного сценария развития на 2013 год, была сформирована следующая таблица данных: Таблица 3.15 Условные значения макрофакторов для негативного сценария Показатель Gdp (млрд.руб.в кварт.) Indexes (базисный пункт) Gko (%) Bival (руб.) Oil (долл.) Balance (млрд.руб.) Inflation (% в кварт.) Retail (%) Prom (%) 12 13 Значение 15300 550 12 47 82 96 0,7 102,4 95 http://www.economy.gov.ru/minec/activity/sections/macro/prognoz http://www.consultant.ru/law/hotdocs/23305.html#.UR6I1Z8x-C4 46 Далее при заданных значениях макроэкономических параметров, используя значения коэффициентов, которые были получены в результате построения регрессий, будут рассчитаны значения показателей банковской деятельности на 2013 год в «стрессовых» экономических условиях. Все значения будут представлены в процентах. Таблица 3.16 Расчетные средние значения показателей банковской деятельности для негативного сценария Н2 Н3 RVPS RA3 Н1 55,88 91,19 4,053 14,95 10,27 Для осуществления сравнительного анализа также были рассчитаны среднеарифметические значения этих же показателей по нашей выборке за последний квартал 2012 года. Таблица 3.17 Расчетные средние значения показателей банковской деятельности на конец 2012 года Н2 Н3 RVPS RA3 Н1 44,19 85,81 2,71 5,23 12,83 Итак, анализируя данные из последних двух таблиц, видно, что в случае развития негативного сценария развития экономики нашей страны, банки сразу начнут наращивание ликвидности, что является довольно стандартным действием. Также, необходимо отметить, что в случае осуществления условий, заложенных в проводимом стресс-тесте, объём просроченных ссуд в кредитном портфеле банков увеличится практически в три раза. Это является довольно серьёзным негативным фактом для банковского сектора и его устойчивости. Ухудшение качества кредитного портфеля вызовет в свою очередь значительный рост резервов на возможные потери по ссудам. 47 Наиболее интересными и важными для нас цифрами являются значения, которые принимал показатель достаточности капитала «Н1» непосредственно в конце 2012 года и по результатам проведенного стресстеста. По результатам расчетов данный показатель сократился бы в среднем по исследуемым банкам на 2,56%, что составляет 701,302 млрд. руб. потерь собственных средств для них. Далее на рисунке 3.11 четко видно, что у около половины банков значение данного норматива упало бы ниже установленной нормы. Норматив достаточности капитала 16 14 12 10 8 6 4 2 0 Н1 Рис. 3.11. Значения норматива достаточности капитала по исследуемым банкам на конец 2012 года Заключение В данной научной работе было проведено стресс-тестирование пятнадцати наиболее крупных по величине активов банков России. После изучения ряда статей по стресс-тестам в качестве объясняющих переменных было выбрано несколько макроэкономических переменных, которые наиболее сильно влияют на банковскую деятельность в нашей стране. Для построения эконометрических моделей были отобраны поквартальные данные, начиная с 2007 года, по крупнейшим банкам России, 48 в итоге было регрессионного получено анализа 360 было наблюдений. выяснено, После что все осуществления отобранные макроэкономические переменные в той или иной степени оказывают влияние на различные показатели банковской деятельности. К сожалению, регрессия, построенная относительно показателя рентабельности собственных средств (ROE) оказалась несостоятельной, что можно объяснить специфическим характером выборки и выбранных объясняющих переменных. Также здесь стоит отметить, что показатель «ROE» довольно субъективный, так как он всецело зависит от эффективности деятельности конкретного банка. Таким образом, некоторые банки даже в период кризиса работали с прибылью, тогда как определённые кредитные организации получали убытки уже в период, когда банковская система полностью оправилась от последствий негативного экономического шока в 2008 году. Остальные построенные модели дали довольно состоятельные оценки коэффициентов влияния макрофакторов на объясняемые переменные. По результатам расчетов относительно «стрессовых» значений параметров было установлено, что в периоды экономической банки нарастят ликвидность в среднем на 6-11%. В свою очередь, произойдёт значительное ухудшение качества кредитного портфеля, в результате которого уровень сформированных резервов по ссудам увеличится на 48% относительно среднего значения на конец 2012 года. Количество просроченных ссуд должно будет увеличиться приблизительно на целых 10%. Основной норматив банковской деятельности, «Н1», по исследуемым 15 банкам в «стрессовых» условиях сократился бы до значения в 10,27%, что составило бы 701,302 млрд.руб. потерь для данных банков. Итак, в данной работе были достигнуты все поставленные в её начале задачи и наиболее важными выводами являются: крупнейшие банки России в случае осуществления негативного сценария понесут довольно крупные финансовые потери, а в частности 49 только по показателю «Н1» - около 700 млрд.руб. А также рост просроченных ссуд в кредитных портфелях отобранных банков составит в среднем 10%; одними из наиболее влиятельных макроэкономических показателей стоит выделить переменные «oil», «indexes» и «bival». Как не странно, именно цены на нефть, динамика индекса ММВБ и значение бивалютной корзины России оказывают деятельность банков внутри страны. наибольшее влияние на 50 Список литературы Нормативные правовые акты: 1. Указание Банка России от 30.04.2008 №2005-У (ред. 06.04.2012) «Об оценке экономического положения банков» 2. Письмо от 29 декабря 2012г. № 193-Т «О методических рекомендациях по разработке кредитными организациями планов восстановления финансовой устойчивости» 3. Прогноз Минэкономразвития РФ «Прогноз социально-экономического развития Российской Федерации на 2013 год и плановый период 2014-2015 годов. 4. Инструкция Банка России от 3 декабря 2012 года № 139-И «Об обязательных нормативах банков». 5. Федеральный Закон от 02.12.90 N 395-I (ред. от 14.03.2013 с изменениями, вступившими в силу с 26.03.2013) "О банках и банковской деятельности". 6. Федеральный закон от 10 июля 2002 года № 86-ФЗ «О Центральном банке Российской Федерации (Банке России)» Статистические сборники, статьи из журналов и газет на английском языке: 7. A global regulatory framework for more resilient banks and banking systems - revised version June 2011, BCBS, May 2011. 8. ECB. December 2006 Financial Stability Review. 9. FSB. Intensity and Effectiveness of SIFI Supervision. Recommendations for enhanced supervision. 2010. 10. Global systemically important banks: assessment methodology and the additional loss absorbency requirement.–BIS, Basel Committee on Banking Supervision, November, 2011. 11. The Dodd-Frank act: a cheat sheet // Morrison and Foerster, 2010. 12. Nayda, William. Taking the Mystery Out of Stress Testing // The RMA Journal, 2012. – 20 – 25 p. - ISSN – 15310558 51 13. Nayda, William. Stress Testing: Methodologies and Tools // The RMA Journal, 2012. – 34 – 41 p. - ISSN – 15310558 14. Clarke, Jim. Stress Testing is a Critical Tool in Risk Management // The RMA Journal, 2012 . – 60 – 63 p. – ISSN – 15310558 М. Канамеро, С. Приу, Н. Кангихьян, Ч. Стюарт, К. Тун, У. Ксоуэл. 15. Доклад Moody’s Analytics об исследовании практики стресс-тестирования в банковской отрасли // Управление финансовыми рисками, 29.01.2012. 16. Monetary and Economic department. Stress-testing financial systems: an overview of current methodologies // BIS working pages, 2004. Статистические сборники, статьи из журналов и газет на русском языке: 17. Внутренняя модель определения экономического капитала // Банковское дело, 14.12.2010. №12. 18. О. Солнцев, А. Пестова, М. Мамонов. Стресс-тест: потребуется ли российским банкам новая поддержка государства? // Вопросы экономики, 2010. 19. К. Михайловна. Обзор моделей вероятности дефолта // Управления финансовыми рисками, 25.01.2011. 20. О. Солнцев, А. Пестова, М. Мамонов. Оценка системных эффектов от ужесточения пруденциального регулирования банковского сектора: результаты стресс-теста, 01.12.2012. №8. С. 4-31. 21. Комплекс моделей стресс-тестирования российского банковского сектора // Деньги и кредит, 16.03.2011. №3. 22. Т. Ратникова. Анализ панельных данных в пакете «STATA», 2004. 23. Т. Осипенко. Место стресс-тестирования в системе риск-менеджмента, 2010. 24. Стресс-тестирование деятельности банка: международная практика и применение в России // Банковское дело, 18.12.2009. №12. 25. М. Бездудный, Т. Малахова, Ю. Сидельников. О стресс-тестировании банков // Банк идей, 2010. №11. 52 Интернет-ресурсы: 26. Официальный сайт Центра макроэкономического анализа и краткосрочного прогнозирования. URL: www.forecast.ru 27. Интернет ресурс. URL: www.bankir.ru 28. Официальный сайт Банка России. URL: www.cbr.ru 29. Федеральная служба государственной статистики. URL: www.gks.ru 30. Официальный сайт Минэкономразвития РФ. URL: http://www.economy.gov.ru/minec/main 31. Официальный сайт Финам. URL: finam.ru 32. Официальный сайт Базельского комитета по банковскому надзору. URL: http://www.bis.org/ 33. Данные каталога кредитных организаций Центрального Банка России – [Электронный ресурс] Режим доступа: www.cbr.ru/credit/
