Сравнительный анализ методик стресс- тестирования собственного капитала кредитных организаций
Автор: Косорукова И.В., Братанов Александр Александрович
Журнал: Имущественные отношения в Российской Федерации @iovrf
Рубрика: Финансы, денежное обращение и кредит
Статья в выпуске: 7 (226), 2020 года.
Бесплатный доступ
В статье приведена сравнительная характеристика базовых методик стресс-тестирования. Построена регрессионная эконометрическая модель для оценки рисков банка, основанная на учете специфических для отечественной экономики факторов (в частности, цена нефти марки Brent, валютный курс рубля, индекс потребительских цен). В ходе применения этой модели для стресс-тестирования собственного капитала конкретной кредитной организации (ЮниКредит банка) по трем выбранным авторами методикам были определены проблемные вопросы их применения и предложены направления работы по совершенствованию методологии стресс-тестов.
Стресс-тестирование собственного капитала, уровень собственного капитала юникредит банка, теория экстремальных значений, индекс потребительской уверенности, корреляционное стресс-тестирование
Короткий адрес: https://sciup.org/170173155
IDR: 170173155 | DOI: 10.24411/2072-4098-2020-10701
Текст научной статьи Сравнительный анализ методик стресс- тестирования собственного капитала кредитных организаций
Далее, применяя средства пакета статистического анализа данных MS Excel «Регрессия» и используя данные таблицы 1, рассчитываем коэффициенты регрессии (1) за период с 2007 по 2019 год. Результаты представлены в таблице 2.
Таблица 2
Расчетные значения коэффициентов регрессии
|
Параметр регрессии |
Значение |
|
a |
716 104 352 |
|
b 1 |
-4 381 120,066 |
|
b 2 |
1 364 928,801 |
|
b 3 |
-459 590,795 |
|
b 4 |
-5 748 595,847 |
|
b 5 |
1 208 900,565 |
|
b 6 |
0,071548168 |
После подстановки найденных коэффициентов в уравнение (1) оно приобретает следующий вид:
Y = 716104352 - 4381120,07 x X 1 + 1364928,8 x x 2 - 459590,8 x x 3 - 5748595,9 x x 4 +
+ 1208900,6 x X 5 + 0,071548168 x X 6 . (2)
Валидация регрессионной эконометрической модели
Для определения функциональной связи факторов с результирующим показателем Y используем анализ корреляционных зависимостей этих параметров, рассчитанных с применением пакета анализа данных MS Excel «Корреляция» (см. табл. 3).
Данные таблицы 3 показывают, что факторы курс доллара ( X 2) и активы, взвешенные с учетом риска ( X 6), находятся в существенной корреляции с результирующим показателем Y . При этом факторы X 2 и X 3 имеют довольно сильную связь между собой, что говорит о наличии мультиколлениарности между объясняющими переменными (факторами) регрессионной модели.
Для определения объясняющей способности модели, достоверности аппроксимации
Таблица 3
Расчетные значения коэффициентов корреляции уравнения регрессии эконометрической модели
Для оценки надежности модели в целом воспользуемся критерием Фишера. Его расчет, осуществленный с помощью пакета статистического анализа данных MS Excel «Регрессия», в нашем случае дает значение 79,33. Оценка же критического значения с использованием встроенной функции MS Excel FРАСПОБР (при уровне значимости α = 0,01) – 4,44. Сопоставление этих величин позволяет утверждать, что уравнение линейной регрессии эконометрической модели статистически значимо и адекватно описывает наблюдения.
Согласно положению Банка России от 6 августа 2015 года № 483-П «О порядке расчета кредитного риска на основе внутренних рейтингов» в современной банковской практике для проверки качества эконометрической модели используется коэффициент (метрика) Gini . В случае качественной модели этот показатель должен превышать значение 0,4. Метрика Gini рассчитывается по следующей формуле:
Gini = 2 x AUC — 1, (3)
где AUC (Area Under Curve – площадь под кривой) – площадь под так называемой ROC -кривой 3 в интервале изменения аргумента от 0 до 1, размер которой коррелирует с качеством исследуемой модели – чем ближе значение к 1, тем более качественна модель.
Для построения ROC -кривой вычисляем случайные ошибки модели (см. табл. 4, ст. 3 = ст. 2 – ст. 1) и коэффициенты вариации ошибки (ст. 4 = ст. 3 / ст. 1) и ранжируем данные в столбцах по величине коэффициента вариации от его максимального значения к минимальному. Далее определяем долю каждого отдельного годового расчетного значения величины собственного капитала и годового значения ошибки в суммах значений этих параметров за весь период наблюдения (табл. 4, ст. 5 и 6). После этого вычисляем значения вариаций долевых значений расчетных величин собственного капитала и случайной ошибки нарастающим итогом за весь период наблюдений (табл. 4, столбцы 7 и 8).
Таблица 4
Расчетные значения чувствительности эмпирических значений собственного капитала и ошибок модели
|
5 1 У * * 2 ^ Soo о S S g g « e S xo |
s * « Ego o “ л о ь 0. о C |
5 8 Q. о x О Чой |
S Г- «■1 be <3 |
’ 1 I I S ой* £ § Р 5 ® о 5 $ 2 ь щ is ° Ч Q.O |
5 о 81 1^ |
Данные для построения ROC-кривой |
|
|
С 2 Ф 2 Е е * ^Ss %|8 § 1$ П ^5 ? S X У X О Щ с Щ I Ф О щ ф щ I |
8 1 м О- 5 § X 5 m со о |
||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
|
88 308 144 |
101 327 290 |
13 019 146,87 |
14,74 |
0,0615835 |
0,185213 |
0,0615835 |
0,185213 |
|
59 786 792 |
66 788 460 |
7 001 668,396 |
11,71 |
0,0405919 |
0,099607 |
0,1021754 |
0,28482 |
|
50 330 625 |
45 923 099 |
4 407 525,311 |
8,76 |
0,0279106 |
0,062702 |
0,130086 |
0,347523 |
|
132 044 699 |
121 242 398 |
10 802 300,97 |
8,18 |
0,0736873 |
0,153676 |
0,2037733 |
0,501199 |
|
181 674 905 |
170 484 901 |
11 190 003,55 |
6,16 |
0,1036153 |
0,159191 |
0,3073886 |
0,66039 |
|
34 390 990 |
32 567 531 |
1 823 458,81 |
5,30 |
0,0197935 |
0,025941 |
0,3271821 |
0,686331 |
|
113 253 131 |
108 090 055 |
5 163 075,326 |
4,56 |
0,0656937 |
0,073451 |
0,3928758 |
0,759782 |
|
69 757 303 |
72 728 481 |
2 971 178,924 |
4,26 |
0,0442021 |
0,042269 |
0,4370778 |
0,802051 |
|
164 527 263 |
169 734 921 |
5 207 658,907 |
3,17 |
0,1031595 |
0,074085 |
0,5402373 |
0,876136 |
|
213 228 615 |
217 691 516 |
4 462 901,397 |
2,09 |
0,132306 |
0,06349 |
0,6725433 |
0,939626 |
|
200 233 409 |
202 717 243 |
2 483 834,618 |
1,24 |
0,1232051 |
0,035336 |
0,7957484 |
0,974962 |
|
195 762 304 |
194 333 793 |
1 428 510,365 |
0,73 |
0,1181099 |
0,020322 |
0,9138583 |
0,995284 |
|
142 066 024 |
141 734 509 |
331 514,7733 |
0,23 |
0,0861417 |
0,004716 |
1 |
1 |
Список литературы Сравнительный анализ методик стресс- тестирования собственного капитала кредитных организаций
- Соколов А. А. Сценарии реализации банковских операций в условиях кризисных явлений: дис. … канд. эконом. наук: 08.00.10. М., 2014. URL: https://dlib.rsl.ru
- Кудрин А. Л. Влияние доходов от экспорта нефтегазовых ресурсов на денежно-кредитную политику России // Вопросы экономики. 2013. № 3. С. 4-19.
- Информационный портал "banki.ru". URL: https://www.banki.ru/news/bankpress/?id=735647
- Информационный портал "ГАЗЕТА.RU". URL: https://www.gazeta.ru/business/2020/03/11/12999109.shtml?updated
- Корпоративные финансы: учебник / под ред. И. В. Косоруковой. М.: Университет "Синергия", 2020. 432 с.
