Анализ методов оценки кредитного риска заемщиков коммерческих банков

 

Важнейшим элементом на этапе оценки риска является выбор метода оценки. Различают аналитический, экспертный, статистический и комбинированный методы оценки кредитного риска.

Аналитический метод оценки риска непогашения кредита основан на применении нормативного документа - Положения Банка России от 26 марта 2004 г. № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности». Оценка кредитного риска по каждому выданному кредиту должна в соответствии с Положением проводиться кредитной организацией на постоянной основе. Источниками получения информации о рисках заемщика являются правоустанавливающие документы заемщика, его бухгалтерская, налоговая, статистическая и иная отчетность, дополнительно предоставляемые заемщиком сведения, средства массовой информации и другие источники, определяемые кредитной организацией самостоятельно. Однако для оценки финансового состояния заемщика аналитику (специалисту кредитной организации) необходимо использовать информацию управленческого учета, что позволит откорректировать бухгалтерскую отчетность, показатели которой могут не соответствовать реальным данным из-за требований налогового законодательства. Применение этого метода при анализе риска позволяет количественно оценить не только размеры необходимых резервов на покрытие возможного риска, но и их величину в сопоставимых единицах (рублях), что дает возможность суммировать риск по нескольким кредитам (стандартные кредиты, нестандартные, сомнительные, проблемные и безнадежные кредиты) [33, с. 141].

Статистический метод оценки кредитного риска связан с изучением статистики потерь, имевших место при прошлых решениях. Устанавливается их величина, проводится вероятностный анализ, составляется прогноз на будущее. Размер риска определяется в виде среднестатистического показателя на основе кредитной истории банка как отношение суммы невозвращенных кредитов и невыполнения прочих обязательств клиентами к общему объему выданных кредитов. Общий объем потерь от кредитных операций оценивается как совокупная сумма обязательств заемщика (или группы) перед банком, умноженная на вероятность потерь при проведении кредитных операций. В качестве оценки вероятности потерь от проведения кредитных операций используется средняя за предшествующую историю развития банка доля невозврата кредитов и невыполнения прочих обязательств клиентами (или их группами), имеющими похожие характеристики и показатели кредитоспособности [15, с. 121].

Экспертный метод связан с обработкой мнений опытных специалистов. Он применяется по факторам риска, не поддающимся количественному измерению. Как правило, метод предполагает проведение анкетирования и выставление балльных оценок.

Комбинированный метод сочетает экспертную оценку с расчетами показателей, характеризующих финансовое состояние предприятия-заемщика. Он широко используется в кредитной работе на предварительном этапе и в процессе кредитования в форме оценки кредитоспособности предприятий и организаций. [15, с. 122].

Важнейшим элементом управления кредитным риском на этапе идентификации и оценки последствий наступления риска является сценарный анализ. Основные составляющие сценарного анализа: стресс-тестирование, бэк-тестирование, What-if сценарии, декомпозиция рисков, анализ чувствительности.

Сценарный анализ - методика измерения риска, при которой переоцениваются позиция или портфель в отношении нескольких различных значений базовых активов внутри заданного интервала. В отличие от финансового и математического анализа, используя тот же аппарат, сценарный анализ позволяет ответить на вопрос "что если?" и обусловливает возможность применять данный подход к анализу риска на начальных этапах управления банковскими рисками. Наиболее популярным элементом сценарного анализа является стресс-тестирование.

Стресс-тестирование представляет собой анализ влияния экстраординарных (экстремальных) событий на риски субъекта хозяйствования, в том числе и на кредитный. В процессе управления кредитным риском посредством стресс-сценариев изучается воздействие маловероятных событий на кредитный портфель банка. Традиционно к таким событиям относят кризисы, дефолты компаний с высоким кредитным рейтингом, скачки в волатильности и корреляции на рынке. Количество стресс-сценариев в идеале должно приближаться к максимально возможному, отражая полную картину стрессоустойчивости организации. Естественно, создавая такие сценарии, в первую очередь необходимо обеспечить их логическую непротиворечивость. Так, в качестве стресс-сценария может быть принят кризис, произошедший в прошлом, с обязательной адаптацией его к сегодняшним условиям.

Применение стресс-тестирования, несмотря на относительную субъективность сценариев, позволяет с минимальными затратами оценить стрессоустойчивость компании, определить наихудшие сценарии развития ситуации, выделить наиболее значимые для ликвидности компании факторы, выработать ряд превентивных мер.

Суть подхода декомпозиции рисков заключается в разложении кредитного риска (одной сделки или портфеля) на составляющие и выявлении наиболее весомых факторов. Так, кредитный риск одной сделки можно декомпонировать на следующие составляющие:

вероятность возврата кредитных средств (синтетический коэффициент);

база расчета кредитного риска;

коэффициент восстановления стоимости.

За базу расчета кредитного риска, на наш взгляд, наиболее уместно принять стоимость активов при наступлении оптимальной действительности, на которую банк, безусловно, рассчитывает.

Коэффициент восстановления стоимости представляет собой часть стоимости активов, которую банк может вернуть посредством реализации залогового имущества, получения страховки, процедуры банкротства заемщика и т.п.

В итоге кредитный портфель интерпретируется как совокупность портфелей его составляющих, что позволяет более точно воздействовать на кредитный риск.

Применение подходов сценарного анализа при управлении банковскими рисками для большинства западных банков является обычной практикой, а для таких методологий, как VaR, речь о которых пойдет ниже, обязательной. Для российских банков сценарный анализ имеет особую ценность, так как в большинстве случаев не требует большого количества статистических данных.

Одним из важнейших вопросов управления кредитным риском конкретной рисковой позиции является определение вероятности дефолта или вероятности дефолта конкретного контрагента. Под термином "дефолт" (от английского default - неплатеж, невыполнение) как в западной, так и в отечественной научной литературе понимается неисполнение контрагентом в силу неспособности или нежелания условий кредитного соглашения или рыночной сделки [92].

При определении вероятности дефолта контрагента, как правило, применяются несколько методов, образующих модели, в которых, с одной стороны, метод финансовых коэффициентов регламентирует порядок подбора и расчета финансовых коэффициентов, а с другой стороны - методы, использующие математический аппарат, определяют механизм действия.

В силу того, что современные реалии российских и западных банков существенно отличаются по таким важнейшим параметрам, как правовое поле и исторически сформировавшиеся экономические отношения, по нашему мнению, справедливо разделить существующую практику определения вероятности дефолта на российскую и западную.

Проведя анализ западной практики определения вероятности дефолта (компании, заемщика, контрагента), можно прийти к выводу о параллельном существовании нескольких видов моделей [51]:

модели, основанные исключительно на данных финансовой отчетности;

модели, использующие как финансовую отчетность, так и другие данные;

актуарные модели;

модели, основанные на определении рыночной стоимости.

Проанализируем приведенные модели более подробно.

В течение прошлого века в финансовом мире прослеживались следующие тенденции: волнообразное действие глобальных и национальных финансовых кризисов, увеличение волатильности финансовых рынков, стремительно растущая конкуренция, глобализация финансовых рынков. Одновременно с этим характер экономических отношений в развитом капиталистическом мире ХХ века позволял ученым проводить свои исследования, опираясь на достоверные статистические данные и финансовую отчетность. Все это сформировало необходимые предпосылки для создания модели, использующей сравнительно небольшое количество показателей и направленной на определение вероятности банкротства предприятия. Такую модель впервые в 1968 г. разработал профессор финансов Нью-Йоркского университета Э. Альтман.

Для создания модели первоначально Альтманом использовались 22 финансовых показателя и финансовая отчетность 66 компаний, половина которых успешно функционировала, а другая потерпела банкротство. С помощью метода множественного дискриминантного анализа производилась пошаговая статистическая оценка значимости финансовых коэффициентов, где менее значимые отсеивались, и эксперимент повторялся снова. В результате была получена модель, состоящая из пяти финансовых показателей:

кредитный риск банковский заемщик

Z = 1,2x1 + 1,4 x 2 + 3,3 x 3 + 0,6 x 4 + 0,999 x 5 (1)

 

Таблица 2.4 - Модель Альтмана

Показатели	Коэффициенты
x 1 - чистые оборотные фонды / общие активы x 2 - резервы / общие активы x 3 - валовая прибыль / общие активы x 4 - собственный капитал / общая задолженность x 5 - обороты / общие активы	+ 1,2 + 1,4 + 3,3 + 0,6 + 0,9
zнорм - постоянный показатель z - интегральный (расчетный) показатель вероятности банкротства	2,675 < 2,675 > 2,675

 

В зависимости от значений показателя вероятности банкротства Z дается оценка вероятности банкротства предприятия по следующей шкале:

 

Таблица 2.5 - Шкала вероятности банкротства по модели Альтмана

Значение	Вероятность банкротства
Z 1,8 и меньше	Очень высокая
От 1,81 до 2,7	Высокая
От 2,71 до 2,9	Возможная
От 3 и выше	Очень низкая

 

На основе статистических данных о фирмах-банкротах и успешно развивающихся компаниях были рассчитаны весовые коэффициенты относительно каждой переменной в уравнении.

Изучение статистики банкротств позволило Э. Альтману вывести следующую закономерность: если значение показателя Z < 2,675, фирму следует отнести к группе потенциальных банкротов; если значение показателя Z > 2,675, фирма развивается успешно. Данную количественную модель целесообразно использовать в качестве дополнительного инструмента определения кредитоспособности заемщика. Поскольку, коэффициенты Z -оценки содержат элемент ожидания, т.е. компания, попавшая в категорию банкротов, станет таковой при условии продолжающегося ухудшения ситуации или избежит краха при принятии определенных мер, то Z-оценка, скорее, является сигналом раннего предупреждения.

Для таких моделей характерны два вида ошибок:

) модель предсказала банкротство, а компания успешно функционирует;

) модель предсказала успешное функционирование, а компания обанкротилась.

Значимость этих двух ошибок неоднозначна, так как предсказать банкротство компании для банка гораздо важнее и сложнее.

Модель Альтмана допустила ошибки-погрешности первого вида в двух случаях из 33, что составило 6%, и второго вида - в одном случае из 33 (3%). Общая точность составила 95%, что является довольно точным прогнозом во временном диапазоне один год [106].

В процессе оценки возможностей клиента погасить ссуду важной задачей становится определение вероятности невыполнения условий кредитного договора заемщиком. При этом под «невыполнением условий» необходимо понимать не только непогашение ссуды, но и любые другие отклонения, способные повлиять на выгодность сделки для кредитора. Эту задачу позволяет решить разработанная американским ученым Р. Чессером модель надзора за ссудами, прогнозирующая вероятность невыполнения контрагентом договорных обязательств по ссуде:

= -2,0343 - 5,24x 1 + 0,0053x 2 - 6,6507x 3 + 4,4009x 4 - 0,0791x 5 - 0,122x 6 (2)

 

Таблица 2.6 - Модель Чессера

Показатели	Коэффициенты
x 1 - наиболее ликвидные активы / общие активы x 2 - выручка от реализации / ликвидные активы x 3 - совокупный доход / общие активы x 4 - общая задолженность / общие активы x 5 - основной капитал / оборотные активы x 6 - оборотные активы / выручка от реализации у - интегральный показатель P - итоговый показатель (вероятность невыполнения условий кредитного договора)	-5,24 0,005 6,65 4,4 0,07 0,1 - >0,5 <0,5

 

Переменная Y, представляющая собой линейную комбинацию независимых переменных Xn, в свою очередь, используется в формуле определения вероятности невыполнения договорных обязательств:

= 1 / 1 + eу, (3)

 

где P - вероятность невыполнения контрагентом договорных обязательств;- число Эйлера, равное 2,71828.

Модель Чессера определяется следующими критериями:>= 0,50 (контрагент не выполнит своих обязательств);<= 0,50 (контрагент выполнит свои обязательства).

Критерием модели Чессера считается значение вероятности Р = 0,50. Если Р > 0,50, то заемщика следует отнести к группе клиентов, которая не выполнит условий кредитного договора. Если Р < 0,50, то заемщик относится к группе надежных клиентов.

Так же, как и Альтман, Чессер анализировал отчетность компаний, 37 из которых выполнили условия кредитного договора, и такое же количество компаний, не выполнивших эти условия. Модель Чессера правильно определяла три из каждых четырех исследуемых случаев.

Большой известностью пользуется аналогичная моделям Альтмана и Чессера модель оценки риска банкротства фирмы, разработанная Банком Франции в 1982 г. Данная модель включает восемь показателей, обладающих определенным знаком и корректирующим коэффициентом.

 

Таблица 2.7 - Модель Банка Франции

Показатели	Коэффициенты
L1 - стоимость кредита/валовая прибыль L2 - степень покрытия инвестиций собственными средствами L3 - долгосрочная задолженность/чистые активы	-1,225 +2,003 -0,824
L4 - норма валовой прибыли L5 - продолжительность кредита поставщиков L6 - добавленная стоимость/обороты L7 - продолжительность кредитов клиентам L8 - производственные инвестиции /общие инвестиции Q - итоговый показатель риска банкротства	+5,221 -0,689 -1,164 +0,706 +1,408 > 0,125 < -0,25

 

Итоговый показатель Q, характеризующий степень риска банкротства, рассчитывается как сумма произведений каждого показателя на соответствующий коэффициент. Если Q > 0,125, положение предприятия считается достаточно устойчивым. Если Q < - 0,25, предприятие находится на пороге серьезных финансовых трудностей и в скором будущем может стать банкротом. При значениях итогового показателя, находящихся в интервале между -0,25 и 0,125, положение предприятия считается неопределенным, т.е. как риск банкротства, так и успешное развитие предприятия равновероятны.

Существует и другая модель финансовой оценки предприятия, предложенная американским ученым У. Бивером. На основе продолжительных статистических наблюдений за изменением финансового состояния предприятий ученый разработал систему показателей, позволяющих определить финансовое благополучие предприятий и спрогнозировать наступление банкротства через определенный период (табл.2.8).

 

Таблица 2.8 - Система показателей диагностики банкротства предприятия по У. Биверу

Показатель	Расчетная формула	Значение показателей
		Благополучного предприятия	За 5 лет до банкротства	За 1 год до банкротства
Коэффициент Бивера	(Чистая прибыль - Амортизация) / Долгосрочные+Краткосрочные обязательства	0,4 - 0,45	0,17	-0,15
Рентабельность активов	Чистая прибыль / Активы * 100%	6-8	4	-22
Финансовый леверидж	(Долгосрочные + Краткосрочные обязательства) / Активы	> 0,37	>0,5	>0,8
Коэффициент покрытия активов	(Собственный капитал - Внеоборотные активы) / Активы	0,4	>0,3	0,06
Коэффициент покрытия	Оборотные активы / Краткосрочные обязательства	> 3,2	>2	>1

 

У данных методик есть неоспоримые преимущества:

простота использования;

в большинстве случаев исходными данными являются данные отчетности заемщика;

возможность полной автоматизации процесса присвоения кредитного рейтинга.

Однако эти методы имеет и свои недостатки:

показатели официальной отчетности представлены итоговыми значениями по группам счетов бухгалтерского учета без расшифровок составляющих;

суммы, отраженные по остаткам на счетах бухгалтерского учета не всегда совпадают с рыночной стоимостью. Например, балансовая стоимость объектов основных средств может отличаться от справедливой стоимости в большую или меньшую сторону;

часть показателей определяется субъективно, возможны интерпретации.

Например:

часто встречается показатель "уровень конкуренции в отрасли", для которого используются единые критерии: низкие баллы при высоком уровне конкуренции и высокие - при низком. Объяснением является то, что для конкурентного рынка высоки риски, но именно на нем могут присутствовать более эффективные заемщики, чем на неконкурентном рынке;

невозможно написание единой методики;

присваиваемые баллы и весовые коэффициенты определяются банком самостоятельно - как правило, без предварительного расчета обоснованности критериев.

Такие методики имеет большие допущения. Из-за неточности расчета присутствует риск ошибочного определения категории качества ссуды заемщика.

Применение таких моделей, особенно в российской действительности, сталкивается с определенными трудностями. Так, анализ исключительно финансовой отчетности не может нам дать полную характеристику заемщика, а в условиях, когда финансовая отчетность, мягко говоря, не всегда отвечает действительности, и подавно. Необходимо учитывать отраслевую и межотраслевую специфику компаний, что делает такие модели довольно громоздкими.

В российской практике наиболее приемлемой сферой применения дискриминантных моделей представляется межбанковский рынок в силу его отраслевой однородности и более высокой отчетной дисциплины [52].

Несмотря на всю точность своих прогнозов, дискриминантные модели не могли предоставить банкам полную картину о состоянии контрагента. Поэтому для учета таких характеристик, как кредитная история, репутация, качество менеджмента и т.п., коммерческие банки пришли к необходимости создания качественно иной модели, получившей обобщенное название "рейтинговая модель оценки заемщика".

Анализ заемщика на основе интегрального показателя.

В отечественных банках определение кредитоспособности заемщика условно можно разделить на несколько блоков:

анализ финансовой отчетности;

анализ основных параметров деятельности компании;

анализ залогового имущества и юридических документов.

Как показывает практика, при определении кредитоспособности заемщика используются метод финансовых коэффициентов и информация о выполнении заемщиком ранее принятых на себя обязательств перед банком, проводящим анализ. Варианты коэффициентного анализа формируются на базе инструкций ЦБ РФ и рекомендаций ведущих отечественных ученых в области финансов [11].

Результат таких методик зависит от того, насколько финансовые показатели заемщика отвечают оптимальным, в зависимости от этого заемщику присваивается класс и определяется сумма резервирования под возможные потери. Однако присвоенный класс, качественно характеризуя сделку с заемщиком, не определяет вероятность возможного дефолта. Учитывая нежелание многих коммерческих банков, в особенности средних и мелких, замораживать средства, создавая резервы под возможные потери по кредитным сделкам, ценность таких результатов представляется весьма спорной.

Также для многих банков свойственен недостаточно глубокий анализ рентабельности и деловой активности заемщика, что, безусловно, может очень негативно влиять на кредитный портфель банка, особенно в долгосрочной перспективе. Кроме этого, практически полностью отсутствует аналитическая оценка нефинансовых аспектов хозяйственной деятельности заемщика.

Действительно, большинство банков, положительно оценив платежеспособность, ликвидность и финансовую устойчивость заемщика согласно собственным методикам, получат синтетический коэффициент, близкий к единице, что, в свою очередь, приведет к неизменности базового лимита или его незначительной коррекции. Но при этом в современных рыночных условиях легко представить ситуацию, когда заемщик, являясь предприятием ликвидным и финансово устойчивым, может обладать невысокой деловой репутацией или плохой кредитной историей, претерпевать кадровый кризис. В результате складывается абсурдная ситуация, когда система коэффициентов, являясь вероятностной категорией, не выполняет своих функций, если заемщик является ликвидным и финансово устойчивым предприятием и в то же время с точки зрения аналитической оценки нефинансовых аспектов хозяйственной деятельности заемщика характеризуется как предприятие, потенциально проблемное.

Таким образом, при расчете коэффициентов необходимо учитывать аналитическую оценку нефинансовых аспектов хозяйственной деятельности заемщика в равном или соизмеримом размере с качественным анализом, использующим весь комплекс финансовых коэффициентов, традиционный для финансового анализа производственно-хозяйственной деятельности заемщика.

Рассмотрим несколько подходов западных финансовых институтов к оценке кредитного риска кредитного портфеля.

Наличие богатого статистического материала, доступность исторических данных, охватывающих большую часть участников экономических отношений, обусловливает широкое применение в западной практике моделей оценки риска в кредитном портфеле, базирующихся на использовании серьезного математического аппарата.

Модели оценки кредитного риска можно классифицировать по применяемому математическому аппарату [106].

Эконометрические модели, в основе которых лежит многомерный статистический анализ (регрессионный анализ, кластерный и дискриминантный анализы).

Нейронные сети - компьютерные алгоритмы, имитирующие работу человеческого мозга посредством взаимодействия взаимосвязанных "нейронов". В нейросетях используются те же входные данные, что и в эконометрических моделях. Но модели оценки кредитного риска строятся с помощью определенных процедур обучения распознаванию образов (классов, ситуаций, процессов и т.д.).

Оптимизационные модели, основанные на методах математического прогнозирования, позволяющих минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. С помощью методов математического программирования, в частности, определяют оптимальные доли клиентов в портфеле ссуд и(или) оптимальные параметры кредитных продуктов.

Экспертные системы используются для имитации оценки риска опытным кредитным инспектором при принятии решения о предоставлении кредитов. Составляющими экспертной системы являются: набор логических правил вывода, база знаний, содержащая количественные и качественные данные об объекте принятия решений, а также модуль для ввода ответов пользователя на вопросы системы.

Гибридные системы используют статистическое оценивание и имитационное моделирование и могут быть основаны на причинно-следственных соотношениях (модель EDF оценки вероятности дефолта заемщика, разработанная компанией KMV).

Одним из самых распространенных в международной практике подходов к оценке рисков является методология определения показателя стоимости под риском (принятый международный термин VaR - value-at-risk). Внедрение VaR было инициировано Базельским комитетом по банковскому надзору для оценки рисков потенциальных убытков в результате неблагоприятных изменений конъюнктуры финансовых рынков [9]. Главная задача данной методологии на основании статистических методов (метод Монте-Карло, метод исторического моделирования, корреляционно-ковариационный метод и т.д.) спрогнозировать наибольший ожидаемый убыток, обусловленный волатильностью финансовых рынков в заданном промежутке времени с заданным доверительным интервалом.

Проецируя данное определение из сферы рыночных рисков в сферу кредитного риска и используя выработанную в данной работе терминологию, показатель VaR можно представить как максимально возможное абсолютное значение рискового события по кредитному портфелю с заданной вероятностью (доверительный интервал) в заданном историческом интервале.

На сегодняшний день для оценки и измерения кредитного риска крупнейшими банками мира используется достаточное количество моделей, основанных в той или иной степени на методологии VaR: CreditMetrics, CreditRisk+, Portfolio Manager, CreditPortfolioView, Jarrow-Turnbull Model [14, 10, 96, 8], причем наступление кредитного риска в данных моделях трактуется как снижение кредитного рейтинга или дефолт заемщика.

В отечественной практике такие модели при управлении кредитным риском в силу понятных причин применяются в единичных случаях. Все попытки использовать упомянутые выше технологии предпринимались, как правило, крупными системными банками совместно с IT-компаниями (отечественными или представителями западных крупных компаний). Так, риск-менеджмент АКБ "МДМ" совместно с компанией EGAR Technology в 2004 г. [87] и сотрудники департамента риск-менеджмента Альфа-Банка в 2005 г. [96] провели успешную апробацию методологии VaR. Однако адаптация таких систем под российские условия сталкивается с принципиальным препятствием - главной предпосылкой успешного функционирования подобных моделей является наличие в стране развитой рыночной экономики. Кроме того, в силу большой значимости исторической составляющей не рекомендуется использовать методологию VaR на кризисных или неустойчивых рынках.

Учитывая распространение данной методики, признание ее обоснованности и применимости большинством финансовых институтов развитых стран и международных регулирующих органов, можно констатировать становление показателя VaR в качестве промышленного стандарта для современного риск-менеджмента.

Сопутствующей и дополняющей методологию VaR является методология Shortfall.

Суть данной методологии заключается в более консервативном (осторожном) подходе к анализу рисков, нежели при VaR-оценке. Рассмотрим простой пример, иллюстрирующий соотношение VaR и Shortfall.

В странах с развитой рыночной экономикой непреходящую роль в процессе управления кредитным риском играет процесс миграции кредитных рейтингов, представляющий собой изменение кредитных рейтингов на определенном промежутке времени. На финансовом рынке кредитный рейтинг во многом определяет стоимость различных инструментов, особенно облигаций и акций, и даже незначительное его колебание может привести к серьезным последствиям, начиная от переоценки финансовых инструментов эмитента в сторону удешевления вплоть до дефолта. Анализ этих изменений является неотъемлемой частью управления кредитным риском для западного банка. В то же время, учитывая тенденции глобализации и интеграции отечественных банков в мировую финансовую систему, для российских банков в целях внедрения Базель II и совершенствования системы управлениякредитным риском кредитный рейтинг становится необходимым инструментом.