Моделирование риска дефолта российских банков, 2015–2020 гг.

Исследование посвящено моделированию вероятности дефолта российских банков на данных за период 2015–2020 гг. Исследований дефолтов российских банков после 2015 г. сравнительно немного. Наша работа призвана восполнить этот пробел. Цель исследования состоит в выявлении переменных, статистически значимо влияющих на риск дефолта российских банков в условиях относительно стабильного развития российской экономики (2015–2020 гг.) без таких внешних шоков, как COVID‑19 или международные санкции. В работе используется комплексный подход к моделированию риска дефолтов банков. Модельный аппарат представлен логит-, пробит-моделями, а также регрессией Кокса. В качестве объясняющих переменных использовались индикаторы, характеризующие различные аспекты функционирования кредитных организаций (в соответствии с методологией CAMELS), а также макроэкономические переменные. Наиболее значимыми предикторами дефолта оказались норматив достаточности капитала Н1, чистые активы банка, отношение кредитного портфеля к активам, обеспеченность кредитного портфеля имуществом, отношение выданного количества межбанковских кредитов к активам, а также инфляция (INF) и цена закрытия индекса Московской биржи (MOEXIN). В целом полученные результаты согласуются с системой показателей устойчивости коммерческих банков CAMELS, при этом влияние общих макроэкономических показателей оказывается незначимым. Результаты исследования представляют интерес для регулятора в целях текущего надзора и предупреждения риска дефолта, самих кредитных организаций с целью построения внутренних систем мониторинга финансовой устойчивости и участников финансового рынка для выбора наиболее устойчивых компаний с точки зрения инвестирования и размещения средств. Дальнейшие направления исследования связаны с включением в анализ кризисного периода и сравнением значимых предикторов в кризис и в стабильный период развития экономики, а также с использованием альтернативных методов, в частности, алгоритмов машинного обучения.

1. Андреасян Г. (2000). Дистанционный анализ финансово-экономического состояния российских банков: Эконометрический подход: дис. ... канд. экон. наук: 08.00.13 М.: ЦЭМИ РАН. 140 с. URL: https://rsl.ru

2. Биджоян Д., Богданова Т. (2017). Концепция моделирования и прогнозирования вероятности отзыва лицензий российских банков // Экономическая наука современной России. № 4 (79). С. 88-103.

3. Бывшев В., Прокопчина С., Мищенко С. (2021). Исследование дискриминационной способности финансовых коэффициентов ROA и ROE выявлять проблемные банки (российский опыт) // Мягкие измерения и вычисления. № 38 (1). С. 60-65.

4. Давыденко И., Козаченко Е. (2021). Возможности и границы использования модели бинарной логистической регрессии для оценки финансовой устойчивости и риска дефолта банка // Экономика устойчивого развития. № 1 (45). С. 141-145.

5. Зубарев А., Бекирова О. (2020). Анализ факторов банковских дефолтов 2013-2019 гг. // Экономическая политика. Т. 15. № 3. С. 106-133.

6. Зубарев А., Шилов К. (2022). Дифференциация факторов банковских дефолтов по причинам отзыва лицензий // Экономический журнал ВШЭ. № 26 (1). С. 69-103.

7. Карминский А. М., Пересецкий А. А., Петров А. Е. (2005). Рейтинги в экономике: методология и практика. М: Финансы и статистика. 470 c.

8. Карминский А. М., Костров А. В. (2013). Моделирование вероятности дефолта российских банков: расширенные возможности // Журнал Новой экономической ассоциации. № 1 (17). С. 64-70.

9. Класс Я., Класс Т. (2018). Идентификация факторов риска банкротства кредитных организаций и их моделирование // Финансы и кредит. № 24(1). С. 19-32.

10. Пересецкий А. А. (2013). Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов // Прикладная эконометрика. № 30 (2). С. 49-64.

11. Радионова М., Приступина Ю. (2017). Моделирование вероятности дефолта российских банков // Финансовая аналитика: теория и практика. № 10 (2). С. 226-240.

12. Синельникова-Мурылева Е., Горшкова Т., Макеева Н. (2018). Прогнозирование дефолтов в российском банковском секторе // Экономическая политика. Т. 13. № 2. С. 8-27.

13. Тотьмянина К. М. (2011). Обзор моделей вероятности дефолта // Управление финансовыми рисками. № 1. С. 12-24.

14. Хасянова С., Цыганова В. (2018). Качество риск-менеджмента в банке: предпосылки возникновения финансовых проблем // Российский журнал менеджмента. № 16 (2). С. 187-204.

15. Широбокова М. А. (2018). Модель оценки риска дефолта на всем протяжении жизни кредита // Вестник Удмуртского университета. Серия «Экономика и право». № 28(2). С. 228-233.

16. Яшина Н., Макарова С., Макаров И. и др. (2017). Прогнозирование дефолта коммерческих банков на основе вероятностной модели // Экономический анализ: теория и практика. № 16 (12 (471)). С. 2376-2391.

17. Albulescu C. (2022). Bank Financial Stability and International Oil Prices: Evidence from Listed Russian Public Banks. Eastern European Economics, vol. 60(3), pp. 217-246.

18. Altman E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, no. 23(4), pp. 589-609.

19. Altman E. I., Marco G., Varetto F. (1994). Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking and Finance, no. 18 (3), pp. 505-529.

20. Avery R. B., Hanweck G. A. (1984). A dynamic analysis of bank failures. Board of Governors of the Federal Reserve System, no. 74.

21. Barajas A., Krakovich V., Lopez-Iturriaga F. (2023). Survival of Russian Banks: How Efficient are the Control Measures? European Journal of Management and Business Economics, vol. 32, no. 3, pp. 320-341.

22. Bigus J. P. (1996). Data mining With Neural Networks: Solving Business Problems from Application Development to Decision Support. Hightstown: McGraw-Hill, Inc.

23. Bondarenko M., Semenova M. (2018). Do High Deposit Interest Rates Signal Bank Default? Evidence from the Russian Retail Deposit Market. National Research University “Higher School of Economics”. HSE Working Paper, no. BRP 65/FE/2018.

24. Bräuning M., Malikkidou D., Scalone S., et al. (2019). A New Approach to Early Warning Systems for Small European Banks. ECB Working Paper, no. 2348.

25. Carree M. (2003). A Hazard Rate Analysis of Russian Commercial Banks in the Period 1994-1997. Economic Systems, no. 27(3), pp. 255-269.

26. Chan-Lau J.A. (2006). Fundamentals-based estimation of default probabilities: a survey. IMF Working Paper, no. 149.

27. Chernykh L., Kotomin V. (2022). Risk-based Deposit Insurance, Deposit Rates and Bank Failures: Evidence from Russia. Journal of Banking and Finance, vol. 138, article 106438.

28. Chernykh L., Mityakov S. (2022). Behaviour of Corporate Depositors during a Bank Panic. Management Science, vol. 68 (12), pp. 9129-9159.

29. Erdogan B. (2013). Prediction of Bankruptcy Using Support Vector Machines: An Application to Bank Bankruptcy. Journal of Statistical Computation and Simulation, vol. 83 (8), pp. 1543-1555.

30. Fungáčová Z., Solanko L. (2009). Risk-Taking by Russian Banks: Do Location, Ownership and Size Matter? Bank of Finland. Institute for Economies in Transition. BOFIT Discussion Papers 21.

31. Fungáčová Z., Turk R., Weill L. (2021). High Liquidity Creation and Bank Failures. Journal of Financial Stability, vol. 57, 100937.

32. Fungáčová Z., Weill L. (2013). Does Competition Influence Bank Failures? Evidence from Russia. Economics of Transition and Institutional Change, vol. 21, no. 2, pp. 301-322.

33. Jing Z., Fang Y. (2018). Predicting US Bank Failures: A Comparison of Logit and Data Mining Models. Journal of Forecasting, vol. 37 (2), pp. 235-256.

34. Karminsky A., Kostrov A. (2016). The Back Side of Banking in Russia: Forecasting Bank Failures with Negative Capital. International Journal of Computational Economics and Econometrics, vol. 7, no. 1-2, pp. 170-209.

35. Kočenda E., Iwasaki I. (2022). Bank Survival around the World: A Meta-analytic Review. Journal of Economic Surveys, vol. 36 (1), pp. 108-156.

36. Lanine G., Vennet R. (2006). Failure Prediction in the Russian Bank Sector with Logit and Trait Recognition Models. Expert Systems with Applications, vol. 30 (3), pp. 463-478.

37. Makinen, M., Solanko L. (2018). Determinants of Bank Closures: Do Levels or Changes of CAMEL Variables Matter? Russian Journal of Money and Finance, vol. 77(2), pp. 3-21.

38. Martin D. (1977). Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking & Finance, vol. 1, pp. 249-276.

39. Orbe J., Núñez-Antón V. (2011) Analysis of the Determinants of Survival for the Russian Commercial Banking Industry: A New Approach. Applied Stochastic Models in Business and Industry, vol. 27 (3), pp. 301-314.

40. Peresetsky A. A., Karminsky A. M., Golovan S. V. (2011) Probability of Default Models of Russian Banks. Economic Change and Restructuring, vol. 44, no. 4.

41. Philippon, T., Wang O. (2023). Let the Worst One Fail: A Credible Solution to the Too-Big-To-Fail Conundrum. Quarterly Journal of Economics, vol. 138 (2), pp. 1233-1271.

42. Ploeg S. (2010). Bank Default Prediction Models: A Comparison and an Application to Credit Rating Transitions. Ernst & Young - ​Financial Services Risk Management. Rotterdam: Erasmus University.

43. Shibitov D., Mamedli M. (2019). The Finer Points of Model Comparison in Machine Learning: Forecasting Based on Russian Banks’ Data. Bank of Russia Working Paper, no. 43. August.

44. Tamari M. (1966). Financial ratios as a means of forecasting bankruptcy. Management International Review, no. 4, pp.15-21.

45. Tankoeva V., Bazzana F., Gabriele R. (2018). The Stability of the Financial System: An Analysis of Russian Bank Failures. In: Research Handbook of Investing in the Triple Bottom Line: Finance, Society and Environment. Ed. by S. Boubaker, D. Cumming, D. K. Nguyen. Cheltenham (UK), Northampton (USA): Edward Elgar.

46. Wilson T. (1997). Portfolio Credit Risk: Part I. Risk Magazine, September.