Методология диагностики финансовой неустойчивости банков
https://doi.org/10.34023/2313-6383-2014-0-12-47-61
Аннотация
Данная публикация посвящена вопросам своевременного выявления отрицательных тенденций в деятельности банка на основании данных его официальной отчетности. Авторами было установлено, что обнаружение некоторых последовательностей событий в жизни кредитной организации (негативных сценариев развития) позволяет снизить риск ошибочного прогнозирования отзыва лицензии. Ряд наиболее распространенных негативных сценариев был выявлен и описан авторами. Обнаружение подобных сценариев на основании данных отчетности позволяет всем заинтересованным сторонам заранее принять необходимые меры либо для предотвращения закрытия кредитной организации по инициативе Банка России, либо для защиты от негативных последствий этого события. Выводы были подтверждены результатами математического моделирования с использованием деревьев классификации из методологии CART, ранее для прогнозирования отзыва лицензии не применявшихся.
Ключевые слова
банк,
отзыв лицензии,
дерево классификации,
CART,
bank,
revocation of a license,
classification tree,
CART
Об авторах
Константин Львович Поляков
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Марина Васильевна Полякова
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Мария Борисовна Малиновская
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Список литературы
1. Какое количество банков останется в России к 2015 году? Опрос Ассоциации российских банков (2012). URL: http://arb.ru/b2b/duty/kakoe_kolichestvo_ bankov_ostanetsya_v_rossii_k_2015_godu-1166655/.
2. Информация по кредитным организациям. Банк России. 2014. URL: http://www.cbr.ru/credit/main.asp.
3. Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance. 1968. Vol. 23 (4). Р. 589-609.
4. Altman E.I., Haldemail R., Narayanan P. Zeta analysis: a new model to identify bankruptcy risk of corporations // Journal of Banking and Finance. 1977. Vol. 1 (1). Р. 29-54.
5. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Препринт WP/2010/085. М.: Российская экономическая школа, 2010.
6. Карминский А.М., Костров А.В., Мурзенков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов. Препринт WP7/2012/04. Серия WP7 Математические методы анализа решений в экономике, бизнесе и политике. НИУ ВШЭ. - М.: Издательский дом Высшей школы экономики, 2012. - 64 с.
7. Тотьмянина К. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. № 1 (25).
8. Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. Препринт РЭШ. #WP/2003/039, 2003.
9. Головань С.В., Евдокимов М.А., Карминский А.М., Пересецкий А.А. Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков. Препринт РЭШ. #WP/2004/043, 2004.
10. Карминский А.М., Пересецкий А.А., Головань С.В. Модели дефолта российских банков. Конкурентоспособность и модернизация экономики. Сб. статей / Под ред. Е.Г. Ясина. Т. 1. - М.: ГУ-ВШЭ, 2004. С. 407-417.
11. Пересецкий А.А. Методы оценки вероятности дефолта банков // Экономика и математические методы. 2007. Т. 43 (3). С. 37-62.
12. Поляков К.Л., Полякова М.В. Специфика оценки устойчивости коммерческих банков в российских условиях // Вопросы статистики. 2013. № 12. С. 35-44.
13. Friedman М. Essays in positive economics // University of Chicago Press (1953). 1970. Р. 3-43.
14. Malyutina М., Parilova S. The determinants of excessive risk-taking by banks in transition // Economics Education and Research Consortium-Russia and CIS. 2001.
15. Breiman L., Friedman J.H., Olshen R.A., Stone C.T. Classification and regression trees. Wadsworth, Belmont, California, 1984.
16. Berk R.A. Statistical learning from a regression perspective. Springer, 2008.
17. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. 2-d edition. Springer, Stanford, California, 2001.
18. Ripley B.D. Pattern recognition and neural networks. Cambridge: Cambridge University Press, 1996.
19. Venables W.N., Ripley B.D. Modern applied statistics with S. 4-th edition, Springer, 2002.
20. Указание Банка России от 30 апреля 2008 г. № 2005-У «Об оценке экономического положения банков». URL: http://base.garant.ru/12160685/ #ixzz3Chvpdn99.
21. Путиловский В., Шарапов Р. Кто сидит в кассе? // Banki.ru, 2012. URL: http://www.banki.ru/news/ daytheme/?id=4346102.
22. Власова Н., Бархатова Н. Красиво выжить не запретишь // Коммерсант.га, 2013. URL: http://www. kommersant.ru/doc/2263170.
23. Тегин М., Путиловский В. Санкция против «Западного» // Banki.ru, 2014. URL: http://www.banki. ru/news/daytheme/?id=6491498.
24. Путиловский В. Картина маслом: как распознать «нарисованную» отчетность // Banki.ru, 2014. URL: http://www.banki.ru/news/daytheme/?id=6609791.
25. Федеральный закон «О банках и банковской деятельности» от 02.12.1990 № 395-I. URL: http://base. garant.ru/10105800/.
26. Паклин Н., Орешков В. Бизнес-аналитика: от данных к знаниям. С-Пб.: Питер, 2013.
27. Therneau T.M, Atkinson E.J. An Introduction to Recursive Partitioning. Using the RPART Routines, Mayo Foundation, September 3, 1997. URL: http://cran.r-project.org/web/packages/rpart/vignettes/longintro.pdf.
28. Feldman D., Gross S. Mortgage Default: Classification Trees Analysis // The Journal of Real Estate Finance and Economics. 2005. Vol. 30:4. Р. 369-396.
29. Espahbodi H., Espahbodi P. Binary choice models and corporate takeover // Journal of Banking & Finance. 2003. Vol. 27. Р. 549-574.
30. Shih Y.-S. Families of splitting criteria for classification trees // Statistics and Computing. 1999. Vol. 9. Р. 309-315. URL: http://www.math.ccu.edu.tw/~yshih/ papers/goodness.pdf
31. Breiman L. Technical Note: Some Properties of Splitting Criteria // Machine Learning. 1996. Vol. 24. Р. 41-47. URL: http://link.springer.com/article/ 10.1023%2FA%3A1018094028462#page-1
32. Do splitting rules really matter? Salford Systems, Whitepapers. URL: https://www.salford-systems.com/ resources/whitepapers/114-do-splitting-rules-really-matter.
33. Efron B., Tibshirani R. Improvements on crossvalidation: The 632 + Bootstrap Method // Journal of the American Statistical Association. 1997. Vol. 92 (438). Р. 548-560. URL: http://www.stat.washington.edu/ courses/stat527/s14/readings/EfronTibshirani_JASA_ 1997.pdf.
34. Mosteller F. A k-sample slippage test for an extreme population // Annals of Mathematical Statistics. 1948. Vol. 19 (1). Р. 58-65.
35. Picard R., Cook D. Cross-Validation of Regression Models // Journal of the American Statistical Association. 1984. Vol. 79 (387). Р. 575-583.
Рецензия
Для цитирования:
Поляков К.Л., Полякова М.В., Малиновская М.Б. Методология диагностики финансовой неустойчивости банков. Вопросы статистики. 2014;(12):47-61. https://doi.org/10.34023/2313-6383-2014-0-12-47-61
For citation:
Polyakov K., Polyakova M., Malinovskaya M. Diagnostic Methodology of Bank’s Financial instability. Voprosy statistiki. 2014;(12):47-61. (In Russ.) https://doi.org/10.34023/2313-6383-2014-0-12-47-61
Просмотров:
373
Послать статью по эл. почте 