Preview

Вопросы статистики

Расширенный поиск

МОДЕЛИРОВАНИЕ УСТОЙЧИВОСТИ РОССИЙСКИХ БАНКОВ В ПЕРИОД РЕФОРМИРОВАНИЯ БАНКОВСКОЙ СИСТЕМЫ

Полный текст:

Аннотация

Авторами статьи излагаются результаты исследования, актуального в условиях реформирования отечественной банковской системы, по математико-статистическому моделированию устойчивости функционирования банков. Концептуальная основа таких построений - понимание устойчивости (или надежности) функционирования предприятия, финансовое состояние которого обеспечивает в нормальных условиях выполнение всех его обязательств перед работниками, другими организациями, государством благодаря достаточным доходам, соответствию доходов и расходов. Некоторые из значимых для анализа устойчивости (надежности) банков индикаторов доступны внешним заинтересованным лицам и организациям за счет раскрытия большинством банков своей ежемесячной финансовой отчетности, которая размещается и регулярно обновляется на сайте Центрального банка Российской Федерации. К числу таких показателей, по мнению авторов, относятся показатели, для которых Банк России определяет нормативные значения. Хотя отслеживание степени соответствия фактических индикаторов нормативам представляется далеко не идеальным инструментом анализа надежности банка (для диагностирования ситуации, не приводящей к отзыву лицензии), значения данных показателей, по мнению авторов, являются достаточными характеристиками финансового здоровья кредитного учреждения.

В публикуемой работе исследовался характер статистической взаимосвязи между трендами количественных значений параметров, характеризующих важнейшие стороны деятельности банков, с вероятностью отзыва у них лицензии. Спецификой построения моделей является автоматический выбор функциональной формы вхождения в них характеристик банков. С этой целью авторы используют аппарат обобщенных полиномов, которые позволяют выбрать спецификацию модели, наиболее адекватную свойствам данных.

Исследование проведено на основании открытой отчетности 887 банков за период с 01.01.2013 по 01.12.2015. Для анализа использовалась отчетность как действующих, в частности начавших работу, так и ликвидированных в этот период банков (некоторые из действующих в этот период банков позже - в 2016 и 2017 гг. также лишились лицензии). Результаты оценивания моделей показали высокую степень согласования формы вхождения в них характеристик банка с их экономическим смыслом и нормативами Центрального банка Российской Федерации. Сравнение качества классической модели бинарного выбора для панельных данных с моделью, основанной на обобщенных полиномах, показывает явное преимущество последней.


Об авторах

Константин Львович Поляков
Национальный исследовательский университет «Высшая школа экономики»
Россия

Поляков Константин Львович - кандидат технических наук, доцент, департамент прикладной экономики факультета экономических наук 

Москва



Марина Васильевна Полякова
Национальный исследовательский университет «Высшая школа экономики»
Россия

Полякова Марина Васильевна - кандидат технических наук, доцент, Школа финансов факультета экономических наук 

Москва



Список литературы

1. Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б. Современный экономический словарь. 6-е изд., перераб. и доп. М.: ИНФРА-М, 2011. 203 с.

2. Тавасиев А.М., Бычков В.П., Москвин В.А. Банковское дело: базовые операции для клиентов. М.: Финансы и статистика, 2005. 304 с.

3. Berk R.A. Statistical Learning from a Regression Perspective. Springer, 2008. 369 p.

4. Sauerbrei W., Royston P., Binder H. Selection of important variables and determination of functionalform for continuous predictors in multivariable model building // Statistics in medicine. 2007. No. 26. P. 5512-5528. Published online in Wiley Inter Science. URL: www. interscience.wiley.com.

5. Sahajwala R., Van den Bergh P. Supervisory Risk Assessment and Early Warning Systems//BCBS Working Paper. 2000. No. 4. Retrieved from. URL: http://www.bis.org/publ/bcbs_wp4.pdf.

6. Guidance on the application of the Core Principles for Effective Banking Supervision to the regulation and supervision of institutions relevant to financial inclusion. BCBS, 2016.

7. Помазанов М.В. Управление кредитным риском в банке: подход внутренних рейтингов: практическое пособие для магистратуры. Под науч. ред. Г.И. Пеникаса. М.: Юрайт, 2017. 265 с.

8. Тотьмянина К. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. № 1 (25).

9. Bluhm C., Overbeck L., Wagner C. An introduction to credit risk modeling // Chapman & Hall/CRC, Baco Raton, 2003. 285 p.

10. Martin D. Early warning of bank failure: A logit regression approach // Journal of Banking and Finance. 1977. Vol. 1 (3). P. 249-276.

11. Головко Е.Л., Сидоров В.Г., Пересецкий А.А., Карминский А.М., ван Суст А.Г.О. Анализ рейтингов российских банков // Препринт #2002/033. М.: Российская экономическая школа, 2002. 37 с.

12. Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. Препринт #2003/039. М.: Российская экономическая школа, 2003.

13. Sharma S., Shebalkov M., Yukhanaev A. Evaluating banks performanceusing key financial indicators - aquantitative modeling of Russianbanks // The Journal of Developing Areas. 2016. Vol. 50. No. 1. Р. 425-453.

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

15. Карминский А.М., Костров А.В. Моделирование вероятности дефолта российских банков: расширенные возможности // Журнал Новой экономической ассоциации. 2013. № 1 (17). С. 64-86.

16. Аптон Г. Анализ таблиц сопряженности. М.: Финансы и статистика, 1982. 143 с.

17. Snedecor G.W., Cochran W.G. Statistical Methods. 8th ed. // Ames, IA: Iowa State University Press,1989.

18. Смирнов А.В. Анализ финансового состояния коммерческих банков. М., 2007. 225 с. URL: https://www.biznesbooks.com/components/com_jshopping/files/demo_products/smirnov-a-v-analiz-finansovogo-sostoyaniya-kommercheskikh-bankov.pdf.

19. Steinbacher M., Steinbacher M. How banks’ capital ratio and size affect the stability of the banking system: asimulation-based study // Journal of Credit Risk. 2014. No. 11 (1). P. 59-92.

20. Жарковская Е. П. Финансовый анализ деятельности коммерческого банка. М.: ОМЕГА-Л, 2011.

21. Hosmer D.W., Lemeshow S., Sturdivant R.X. Applied Logistic Regression. 3rd ed. John Wiley & Sons. 2013.

22. He H., Edwardo A. Learning from Imbalanced Data // IEEE Transactions on Knowledge and Data Engineering. 2002. Vol. 21. No. 9. P. 1263-1284.

23. Royston P., Altman D.G. Regression Using Fractional Polynomials of Continuous Covariates: Parsimonious Parametric Modelling // Journal of the Royal Statistical Society. Series C (Applied Statistics). 1994. Vol. 43. No. 3. P. 429-467.

24. Royston P., Sauerbrei W. Multivariable model-building : a pragmatic approach to regression analysis based on fractional polynomials for continuous variables // John Wiley & Sons. 2008.


Для цитирования:


Поляков К.Л., Полякова М.В. МОДЕЛИРОВАНИЕ УСТОЙЧИВОСТИ РОССИЙСКИХ БАНКОВ В ПЕРИОД РЕФОРМИРОВАНИЯ БАНКОВСКОЙ СИСТЕМЫ. Вопросы статистики. 2017;1(12):25-39.

For citation:


Polyakov K.L., Polyakova M.V. MODELING SUSTAINABILITY OF THE RUSSIAN BANKS AMID BANKING SYSTEM REFORM. Voprosy statistiki. 2017;1(12):25-39. (In Russ.)

Просмотров: 185


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


ISSN 2313-6383 (Print)
ISSN 2658-5499 (Online)