Кризисная коммуникация – что вы им скажете…

Менеджмент непрерывности бизнеса

Неожидаемые потери – достаточно ли традиционного подхода к их измерению?

Различие между функциями риск-менеджмента и внутреннего аудита

Структура торговых контрактов для снижения рисков спроса

Какие риски в условиях нынешнего кризиса наиболее значимы для Вашей организации?
Риск падения спроса.
Ценовые риски.
Риск ликвидности.
Кредитный риск.
Риск потери деловой репутации.
 Главная >  Последние новости > Оценка финансовых рисков



Измерение рисков секторной концентрации в кредитном портфеле

 

Риски концентрации кредитного портфеля банка по отраслям экономики являются одним из самых существенных факторов, оказывающим влияние на финансовую устойчивость кредитной организации. Иллюстрацией этого влияния является период стагнации немецкой экономики, начавшийся в 2001 г. и повлекший за собой лавинообразный рост проблемных кредитов и банкротство нескольких «нишевых» региональных банков (известные примеры - Schmidt Bank и Gontard&Metallbank). Однако, несмотря на наличие столь красноречивого примера, банковские надзорные органы многих стран (и Россия – не исключение) продолжают ограничивать лишь риски концентрации на одного заемщика или группу связанных заемщиков, и никак не регулируют объем принимаемых банками рисков секторной концентрации (отраслевой и/или региональной), хотя и признают их исключительную важность как для устойчивости отдельных банков, так и для стабильности всей банковской системы (см., например, материалы Базельского комитета). Безусловно, на разработку соответствующих регуляторных стандартов требуется значительное время. Однако их отсутствие приводит к тому, что банки, особенно средние и мелкие, не имеют должной мотивации и осведомленности для управления своими концентрационными рисками, что может, во время очередного экономического спада, привести к возникновению у них существенных проблем.

В портфеле кредитов, каждый из которых подвержен кредитному риску, риски секторной концентрации возникают в случае, если структура портфеля несбалансированна в плане распределения кредитных ресурсов по отраслям экономики (далее мы будем говорить только о рисках отраслевой концентрации, однако, излагаемые подходы применимы и к рискам концентрации по регионам). Наибольшие потери от этих рисков возникают в ситуациях значительного ухудшения финансового состояния отраслей (реализации отраслевых рисков) или общего спада экономики в рамках экономического цикла, когда системные эффекты и взаимосвязи в экономике начинают играть определяющую роль в финансовом положении предприятий. Риски концентрации составляют существенную долю совокупного кредитного риска ссудного портфеля банка, их неучет приводит к значительному занижению величины совокупного кредитного риска, принятого банком, и, как следствие, к неадекватной оценке требуемого уровня экономического капитала.

Наиболее эффективным способом снижения рисков отраслевой концентрации является изменение структуры кредитного портфеля с тем, чтобы повысить уровень его диверсифицированности. Чтобы ответить на вопрос, к какому соотношению отраслей в портфеле нужно стремиться, необходимо иметь такой инструмент оценки кредитного риска портфеля, который позволяет учитывать эффекты концентрации и корреляции между отдельными отраслевыми субпортфелями. При наличии такого инструмента, можно, с помощью математических методов оптимизации (например, нелинейное программирование), вычислить такую структуру кредитного портфеля, для которой риски концентрации минимальны, и, что важно для целей управления портфелем, оценить чувствительность величины рисков концентрации к изменениям объемов составляющих портфель отраслевых субпортфелей.

Существует несколько методов оценки кредитного риска портфеля, позволяющие учитывать эффекты концентрации и корреляции между субпортфелями: многофакторная модель, разработанная компанией Moodys BET-модель, и infection-модель. Рассмотрим кратко, насколько они подходят для решения задачи оптимизации структуры кредитного портфеля.

Многофакторная модель основана на симуляции случайных исходов по каждому кредиту (дефолт/не дефолт) с помощью метода Монте-Карло, и формировании большого набора «состояний» портфеля, сгенерированных случайным образом с учетом параметров кредитов и заемщиков (кредитный рейтинг или класс риска, покрытие обеспечением и др.). По сути, данная модель представляет собой слегка оптимизированный перебор всех возможных состояний кредитного портфеля. Этот метод является эталонным по точности получаемого результата, однако, у него есть ряд существенных недостатков. Так, он предъявляет строгие требования к набору параметров, вычисляемых из статистики кредитного портфеля – для каждого кредита необходимо задать статистически значимую вероятность дефолта, процент восстановления в случае дефолта, и величину корреляции с остальными кредитами портфеля. По нашему опыту консультационной работы, вычислить такой набор параметров на кредитной статистике российских банков практически невозможно, поскольку достаточный для моделирования объем статистики большинством из них еще не набран. Но наиболее существенное ограничение этой модели заключается в том, что один ее запуск занимает существенное время даже на современных высокопроизводительных компьютерах. Это делает ее использование для целей оптимизации структуры кредитного портфеля практически невозможным, поскольку в процессе оптимизации она должна быть запущена, с различными значениями входных параметров, сотни и тысячи раз.

Этих недостатков лишена разработанная компанией Moodys BET-модель (Binomial Expansion Technique), которая позволяет просто и быстро вычислять совокупный риск портфеля с учетом корреляций между отдельными субпортфелями, и предъявляет менее жесткие требования к исходным данным. Основная идея, положенная разработчиками в основу этой модели, заключается в сопоставлении реальному (гетерогенному) портфелю модельного гомогенного портфеля (в котором все ссуды имеют одинаковый размер и вероятность дефолта, исходы по всем ссудам статистически независимы), таким образом, чтобы итоговая оценка совокупного риска портфеля (VaR) были у них одинаковы, что требует предварительной калибровки модели. Число дефолтов в каждом состоянии модельного гомогенного портфеля распределено по биномиальному закону, что позволяет быстро вычислить VaR портфеля по известной формуле. Однако, исследования качества работы BET-модели показывают, что она не способна давать оценки VaR с приемлемой точностью в случае, если корреляции между кредитами в портфеле имеют существенное значение (что особенно характерно для России, где экономика диверсифицирована слабо и корреляции в экономическом положении отраслей очень существенны). Так, уже при корреляциях на уровне 0.2 ошибка BET-модели в сравнении с эталонным значением многофакторной модели составляет около 50%. Такая низкая точность модели ограничивает ее применение в России, в том числе для целей поиска оптимальной отраслевой структуры кредитного портфеля.

Именно низкая точность BET-модели служила мотивацией для разработки ее новой модификации - модели инфицирования (infection-модели), которая дает приемлемую по точности оценку VaR портфеля и при этом наследует все преимущества BET-модели в виде скромных требований к входным параметрам и высокой скорости работы. Основная идея infection-модели заключается во введении нового типа зависимости между дефолтами в модельном гомогенном портфеле, задаваемой с помощью «параметра инфицирования», значение которого подбирается автоматически в ходе предварительной калибровки модели. Оценка точности работы infection-модели по сравнению с эталонной многофакторной моделью показала, что средняя ошибка определения VaR с ее помощью составляет не более 10% при реалистичном уровне корреляций в диапазоне от 0 до 0.4, что существенно ниже ошибки BET-модели (см.рис.).

 

Иллюстрация: Дюлманн К., 2006

 

Таким образом, infection-модель на текущий момент является, по нашему мнению, лучшим инструментом оценки рисков отраслевой концентрации кредитного портфеля, подходящим для целей определения его оптимальной отраслевой структуры. Она может быть полезна риск-менеджерам в банках, особенно средних и небольших, которые не имеют репрезентативной кредитной статистики, поскольку модель не предъявляет строгих требований к данным, что облегчает ее применение в России. Модель может использоваться риск-менеджерами как инструмент оценки кредитного риска портфеля, а результаты ее работы - как ориентир при разработке более специализированных внутренних моделей кредитного портфеля банка.

 

При подготовке статьи использованы материалы:

Дюлманн К. Измерение отраслевой концентрации с помощью модели инфицирования, 2006

Пайхтин М. Калибровка многфакторной модели, 2004

Витт Г. Биномиальное распределение дефолтов с учетом корреляций, 2004

Материалы Базельского комитета по банковскому надзору, 2004-2005

 






    Начало

e-mail : info@franklin-grant.ru
Задать вопрос OnLine

Site design by MIRRON.com (C) 2002 www.mirron.com  
Rambler's Top100 Рейтинг@Mail.ru
«Франклин&Грант» 2002-2016 All rights reserved (C) 2002-2016 Franklin Grant

Любое использование материалов Интернет ресурса www.franklin-grant.ru допускается только с разрешения
правообладателя - ООО «Франклин&Грант. Риск Консалтинг».


Замечания и пожелания присылайте по адресу
Все права защищены© 2002 – 2016 ООО «Франклин&Грант. Риск Консалтинг»

 

EduNow.su Образовательный портал