МОДЕЛЬ ОЦЕНКИ ВЕРОЯТНОСТИ ОТЗЫВА ЛИЦЕНЗИИ У РОССИЙСКОГО БАНКА


https://doi.org/10.26794/2587-5671-2018-22-2-26-37

Полный текст:


Аннотация

В статье рассматривается проблема моделирования и прогнозирования отзыва лицензии банка в зависимости от показателей волатильности макроэкономических переменных. Актуальность этой проблемы обусловлена следующими причинами. Во-первых, Центральный Банк Российской Федерации на сегодняшний день проводит политику очистки банковского сектора от недобросовестных участников рынка предоставления банковских услуг и от банков со слабыми экономическими позициями. Во-вторых, сильные колебания в значениях макроэкономических переменных в течение предыдущих нескольких лет непременно сказываются на финансовом состоянии банка, что является основой для решения об отзыве лицензии.

Цель статьи — разработка модели оценки вероятности отзыва лицензии у российского банка на основе его публичной финансовой отчетности с учетом волатильности макроэкономических переменных.

Автором разработана логистическая регрессионная модель оценки вероятности отзыва лицензии у российского банка с учетом волатильности макроэкономических переменных. Для нивелирования эффекта мультиколлинеарности в данных используется RIDGE модификация логистической регрессионной модели с определенным алгоритмом задания штрафного коэффициента. Модель строится на данных официальной публичной банковской отчетности, о макроэкономических переменных, а также об отзывах лицензий Банком России. Для агрегирования информации и приведения ее в единый формат разработана информационно-логическая модель формирования информационной базы исследования.

Полученная модель оценки вероятности отзыва лицензии у российского банка обладает высокой прогностической способностью. Гипотеза о статистическом отличии от нуля коэффициентов при показателях волатильности макроэкономических переменных принимается на уровнях значимости от 0.01 и выше.

В статье делается вывод о том, что волатильность макроэкономических переменных оказывает существенное влияние на финансовое состояние банка. Банк России учитывает это при принятии решения об отзыве лицензии, так как финансовое состояние является одним из ключевых аспектов. Данный подход может быть использован контрагентами банка при оценивании его надежности.


Об авторе

Д. С. Биджоян
Национальный исследовательский университет «Высшая школа экономики»
Россия

Давит Саакович Биджоян — аспирант 

Москва



Список литературы

1. Егорова О.Ю. Классификация подходов, моделей и методов диагностики банкротства банков. Глобальные рынки и финансовый инжиниринг. 2015;2(3):229–244. DOI: 10.18334/grfi.2.3.1916

2. Fungasova Z., Turk R., Weill L. High liquidity creation and bank failures. IMF Working Paper. 2015;(103). URL: https://www.imf.org/external/pubs/ft/wp/2015/wp15103.pdf (дата обращения: 11.04.2018).

3. Gurny P., Gurny M. Comparison of credit scoring models on probability of default estimation of US banks. Prague Economic Papers. 2013;22(2):163–181. DOI: https://doi.org/10.18267/j.pep.446

4. Babajide A.A., Olokoyo F.O., Adegboye F.B. Predicting bank failure in Nigeria using survival analysis approach. Journal of South African Business Research. 2015; Article ID 965940. DOI: 10.5171/2015.965940 URL: http://eprints.covenantuniversity.edu.ng/5427/1/Dr%20Adegboye%20F.%20B%202.pdf (дата обращения: 11.04.2018).

5. Karminsky A., Kostrov A. The back side of banking in Russia: Forecasting bank failures with negative capital. International Journal of Computational Economics and Econometrics. 2017;7(1/2):170–209. DOI: 10.1504/ijcee.2017.10000658

6. Calabrese R., Giudici P. Estimating bank default with generalised extreme value models. DEM Working Paper Series. 2013;(35). URL: ftp://ftp.repec.org/opt/ReDIF/RePEc/pav/demwpp/DEMWP0035.pdf (дата обращения: 11.04.2018).

7. Тотьмянина К.М. Моделирование вероятности дефолта корпоративных заемщиков с учетом макроэкономической конъюнктуры. Корпоративные финансы. 2014;(1):18–30.

8. Пересецкий А. Модели причин отзыва лицензий российских банков. Российская экономическая школа. Препринт. 2010;(085). URL: https://www.nes.ru/dataupload/files/programs/econ/preprints/2010/Peresetsky_2010.pdf (дата обращения: 11.04.2018).

9. Карминский А.М., Костров А.В., Мурзенков Т.Н. Вероятность дефолта банка и ее моделирование. Финансовая аналитика: проблемы и решения. 2012;5(41):2–13.

10. Karminsky A., Kostrov A. The probability of default in Russian banking. Eurasian Economic Review. 2014;4(1):81–98. DOI: 10.1007/s40822–014–0005–2

11. Карминский А.М. Надо ли регулировать деятельность рейтинговых агентств? Глобальные рынки и финансовый инжиниринг. 2014;1(1):25–34. DOI: 10.18334/grfi.1.1.6

12. Пересецкий А.А. Эконометрические методы в дистанционном анализе деятельности российских банков. М.: Изд. дом Высшей школы экономики; 2012. 235 с.

13. Карминский А.М., Сосюрко В.В. Сопоставление банковских рейтингов различных агентств. Журнал новой экономической ассоциации. 2011;(12):102–123.

14. Livingston M., Wei J., Zhou L. Moody’s and S&P ratings: Are they equivalent? Conservative ratings and split rated bond yields. Journal of Money, Credit and Banking. 2010;42(7):1267–1293. DOI: 10.1111/j.1538–4616.2010.00341.x

15. Живайкина А.Д., Пересецкий А.А. Кредитные рейтинги российских банков и отзывы банковских лицензий 2012–2016 гг. Журнал новой экономической ассоциации. 2017;(4):49–80.

16. Биджоян Д.С. Подход к прогнозированию финансового состояния предприятия с учетом изменения макроэкономических показателей. Аудит и финансовый анализ. 2016;(4):195–200.

17. Bidzhoyan D. S., Bogdanova T. K. Modelling the financial stability of an enterprise taking into account macroeconomic indicators. Business Informatics. 2016;(3):30–37. DOI: 10.17323/1998–0663.2016.3.30.37

18. Aguilera A.M., Escabias M., Valderrama M.J. Using principal components for estimating logistic regression with high-dimensional multicollinear data. Computational Statistics & Data Analysis. 2006;50(8):1905–1924. DOI: 10.1016/j.csda.2005.03.011

19. Cule E., Vineis P., De Iorio M. Significance testing in ridge regression for genetic data. BMC Bioinformatics. 2011;12(1):372. DOI: 10.1186/1471–2105–12–372

20. Calabrese R. Optimal cut-off for rare events and unbalanced misclassification costs. Journal of Applied Statistics. 2014;41(8):1678–1693. DOI: 10.1080/02664763.2014.888542


Дополнительные файлы

Для цитирования: Биджоян Д.С. МОДЕЛЬ ОЦЕНКИ ВЕРОЯТНОСТИ ОТЗЫВА ЛИЦЕНЗИИ У РОССИЙСКОГО БАНКА. Финансы: теория и практика/Finance: Theory and Practice. 2018;22(2):26-37. https://doi.org/10.26794/2587-5671-2018-22-2-26-37

For citation: Bidzhoyan D.S. MODEL FOR ASSESSING THE PROBABILITY OF REVOCATION OF A LICENSE FROM THE RUSSIAN BANK. Finance: Theory and Practice. 2018;22(2):26-37. (In Russ.) https://doi.org/10.26794/2587-5671-2018-22-2-26-37

Просмотров: 148

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2587-5671 (Print)
ISSN 2587-7089 (Online)