Diagnostic Methodology of Bank’s Financial instability
https://doi.org/10.34023/2313-6383-2014-0-12-47-61
Abstract
This article is devoted to the issues of timely detection of negative trends in bank’s operation on the basis of data from financial statements. The authors determined that revealing certain sequences of events in credit institutions activities (negative development scenarios) permits to reduce the risk of license withdrawal prediction error. A set of the most common negative scenarios was discovered and described by the authors. Discovering such scenarios based on the financial statement data allows all interested parties to be proactive in preventing closing down of a credit institution at the initiative of the Bank of Russia or in protecting themselves from negative consequences of this event. The conclusions were confirmed by the mathematical modeling results using classification trees from CART methodology, which have never been applied before to predict license withdrawal.
Keywords
банк,
отзыв лицензии,
дерево классификации,
CART,
bank,
revocation of a license,
classification tree,
CART
About the Authors
Konstantin Polyakov
National Research University - Higher School of Economics
Russian Federation
Russian Federation
Marina Polyakova
National Research University - Higher School of Economics
Russian Federation
Russian Federation
Maria Malinovskaya
National Research University - Higher School of Economics
Russian Federation
Russian Federation
References
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.
Review
For citations:
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
Views:
408
Email this article 