Оценка вероятности банкротства

Полученные результаты могут быть полезны как исследователям, занимающимся вопросами банкротства, так и менеджменту банков. С использованием всего 5 показателей, содержащихся в бухгалтерской отчетности, менеджеры могут оценить финансовое состояние своего банка и контрагентов. Построенная модель позволяет получать приемлемые результаты за 5 месяцев до наступления потенциального банкротства, что является достаточным периодом для проявления менеджментом гибкости в осуществлении управления и проведения мероприятий по оздоровлению. Простота модели и доступность входных параметров делают возможным анализ банка также и со стороны вкладчиков.

 Для повышения точности модели можно включить в нее помимо бухгалтерских показателей некоторые макроэкономических факторы (индекс потребительских цен, индекс реального ВВП, уровень безработицы) или данные с фондовых рынков. Повышению точности оценок может способствовать раскрытие эндогенности, заключающейся во внешних качественных характеристиках банка, не отражающих его финансовое положение. Так в финансовых показателях напрямую не учитываются уровень менеджмента, взаимоотношения с партнерами и клиентами, связи с правительственными организациями. Другим направлением улучшения результатов данного исследования может стать использование непараметрических методов оценки вероятности, которые в меньшей степени зависят от вида распределения данных.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список литературы

Нормативные правовые акты:

1. Федеральный закон Российской Федерации №395-1 «О банках и банковской деятельности» от 02.12.1990
2. Федеральный закон Российской Федерации №173-ФЗ «О дополнительных мерах по поддержке финансовой системы Российской Федерации» от 13.10.2008

3. Федеральный закон Российской  Федерации №40-ФЗ «О несостоятельности  кредитных организаций» от 25.02.1999

4. Федеральный закон Российской Федерации №115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» от 07.08.2001

5. Положение №1270-У «О публикуемой  отчетности кредитных организаций  и банковских/консолидированных групп» / Принято Центральным Банком Российской Федерации от 14.04.2003

6.  Инструкция № 110-И «Об обязательных  нормативах банков»/ Принята Центральным  Банком Российской Федерации 16.01.2004

7. Письмо №72-Т «О раскрытии информации кредитными организациями по формам 0409134 и 0409135»/ Принято Банком России от 25.05.2010

Специальная литература:

8. Айвазян С.А., Мхитарян В.С. Прикладная  статистика и основы эконометрики. – М.: ЮНИТИ, 2001

9. Головань С.А., Евдокимов А.М., Карминский А.М., Пересецкий А.А. Модели вероятности дефолта российских банков. Влияние макроэкономических факторов на устойчивость банков. - М.: РЭШ, 2004

10. Головань С.А., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели  вероятности дефолта российских  банков. Предварительное разбиение банков на кластеры. - М.: РЭШ, 2003

11. Дробышевский С.М., Зубарев А.В. Факторы устойчивости российских  банков 2007-2009. – М.: Ин-т Гайдара, 2011

12.  Игнатьев С. М. Выступление  Председателя Банка России С. М. Игнатьева в Государственной думе 16 сентября 2009 г. // Деньги и кредит. 10 (2009).

13. Журов В.А. Процесс разработки  моделей для прогнозирования  банкротства предприятий (на примере  японских публичных компаний). // Финансовый менеджмент. 1(2007).

14. Карминский А.М., Костров А.В., Мурзенков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов. - М., 2012

15. Пересецкий А.А. Методы оценки  вероятности дефолта банка. //Экономика  и математические методы. 3 (2007). с. 37-62

16. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Препринт WP/2010/085. М.: Российская экономическая школа, 2010.

17. Тотьмянина К.М. Оценка вероятности  дефолта промышленных компаний  на основе финансовых показателей. // Финансовый менеджмент. 11 (2011). С. 59-68.

18. Altman, E. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.// The Journal of Finance. 4(1968). P. 589-610.

19.  Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units.// European Journal of Operation Research. 2(1978). P. 429–444.

20. Clare, A., & Priestley, R. Calculating the probability of failure of the Norwegian banking sector.// Journal of Multinational Financial Management. 12(2002).

21. DeYoung, R., Roland, K.P. Product mix and earnings volatility at commercial banks: evidence from a degree of total leverage model.// Journal of Financial Intermediation. 10(2001). P. 54-84.

22. He, H. Edwardo, A. Learning from imbalanced data, IEEE Transactions on Knowledge and Data Engineering. 9 (2009). P. 1263-1284.

23.  Hosmer, D., Lemeshow, S. Applied logistic regression.// John Wiley and Sons. 2000

24. Kahn, C., Papanikolaou N. What problem banks reveal about future financial distress: Evidence from the late 2000s financial crisis. 2011

25. Kolari, J., Caputo, M., & Wagner, D. Trait recognition: An alternative approach to early warning systems in commercial banking.// Journal of Business Finance and Accounting. 23(1996). P. 1415-1434.

26. Kolari J., Glennon D., Hwan Shin, Caputo M. Predicting large US commercial bank failures // Journal of Economics and Business. 54(2002). P. 361–387.

27. Lanine, G., Vennet, R. Failure prediction in the Russian bank sector with logit and trait recognition models.// Expert Systems with Applications. 30(2006). P. 463-478.

28. Louzada, F., Ferreira-Silva, P.H., Diniz, C.A.R. On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data.// Expert Systems with Application. 39 (2012). P. 8071-8078

29. Meyer, P., Pifer, H. Prediction of bank failures.// The Journal of Finance. 4(1970). P. 853-868.

30. Paola, B., Laeven, L., & Majnoni, G.// How good is the market at assessing bank fragility? A horse race between different indicators.// Journal of Banking and Finance. 26(2002). P. 1011-1028.

31.  Premachandra, I.M., Bhabra, G.S., Sueyoshi, T.// DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique.// European Journal of Operational Research. 193 (2009). P. 412-424.

32.  Zhao, H., Sinha, A., Ge, W.// Effects of feature construction on classification performance: An empirical study in bank failure prediction.// Expert Systems with Applications 36 (2009). P. 2633–2644

Электронные ресурсы:

33. Синельников С., Энтов Р., и др. Анализ макроэкономических и институциональных проблем финансового кризиса в России, разработка программы мер, направленных на его преодоление и осуществление финансовой стабилизации. Взаимодействие финансовых показателей и некоторых характеристик реального сектора. Институт экономики переходного периода, 2000. [Электр. ресурс]. Режим доступа: www.iet.ru.

34. Официальный сайт Центрального Банка РФ. [Электр. ресурс]. Режим доступа: www.cbr.ru

35. Информационный портал banki.ru [Электр. ресурс]. Режим доступа:

www.banki.ru

 

 

 

 

 

 

 

Приложение 1

Характеристики банков-банкротов, вошедших в выборку (тыс. руб.)

Банк-банкрот	Номер лицензии	Город регистрации	Дата отзыва лицензии	Вложение в государственные цб	Кредиты нефинансовым организациям	Собственный капитал	Сумма активов	Сумма ликвидных активов
Арвеста	2926	Армавир	04.02.2010	0	12 174	45 864	76 493	5 176
Борский	1303	Бор	30.09.2010	0	883 273	191 320	1 582 044	239 257
ВостокКредитБанк	922	Благовещенск	24.11.2010	0	2 113 550	275 771	4 152 042	217 959
Галабанк	3090	Адыгея	03.10.2011	0	348 678	51 415	709 486	279 676
Донской инвестиционный банк	2984	Ростовская обл.	21.12.2010	70 838	576 606	180 310	1 524 439	111 091
Еврорасчет	3498	Москва	27.12.2011	0	123 200	222 417	444 617	172 373
Кодекс	2746	Москва	30.09.2011	0	280 817	113 876	638 343	233 668
Международный Торгово-Промышленный Банк	1203	Тверь	05.05.2011	0	240 184	167 109	533 785	25 138
Международные финансовые технологии	3356	Москва	18.01.2011	133 412	318 721	320 947	1 099 963	310 310
Межпромбанк Плюс	3282	Москва	21.10.2010	0	169 972	1 942 862	6 881 627	895 652
Микомс-Банк	2653	Москва	18.02.2010	0	49 946	57 455	169 407	51 205
Монетный дом	419	Челябинск	20.12.2010	359 834	2 493 876	1 085 963	12 370 014	881 927
Мультибанк	2235	Москва	10.03.2011	202 455	728 516	-129 385	2 710 460	896 601
Нацпромбанк	2360	Москва	28.11.2011	286 512	1 464 743	389 119	3 105 223	440 287
Наш Банк	1340	Москва	17.02.2011	0	195 816	77 272	769 635	233 739
Неополис-Банк	2809	Москва	24.03.2011	0	372 749	202 062	1 038 743	27 898
Первый капитал	3201	Москва	13.08.2010	69 143	239 293	193 624	1 347 525	221 756
Петрофф-Банк	2466	Москва	01.11.2010	0	6 776 005	3 208 663	25 335 466	735 531
ПриватХолдингБанк	3372	Москва	14.12.2010	0	212 393	101 369	573 215	105 730
Ратибор Банк	2174	Москва	14.07.2011	0	439 151	110 502	1 162 378	156 409
Русич центр банк	2793	Москва	14.07.2011	15	2 113 774	739 467	11 072 651	834 888
С-Банк	1857	Ижевск	26.02.2010	10 160	70 070	61 049	279 609	53 558
Славянский банк	383	Москва	03.12.2010	1 593 910	3 709 648	1 162 888	16 421 883	2 339 557
СоцГорБанк	1827	Москва	18.04.2011	0	9 691 941	2 053 437	26 971 354	3 842 828
Соцэкономбанк	2917	Москва	24.11.2010	0	328 822	288 546	1 547 382	431 358
ТНГИБанк	2560	Томск	11.02.2010	0	23 883	65 792	113 684	13 701
Традо-Банк	1065	Москва	03.12.2010	0	626 657	318 019	5 915 597	2 310 127
Тройка	2051	Москва	21.10.2010	0	86 044	78 042	309 144	135 445
Удмуртский инвест-строительный банк	2447	Ижевск	15.11.2011	0	163 673	43 913	458 818	92 496
Уралинкомбанк	1300	Челябинск	01.11.2011	0	877 155	76 155	1 797 793	313 618
Уральский фин-пром банк	3119	Екатеринбург	20.12.2010	78 828	3 828 433	695 679	5 754 245	666 001

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Приложение 2

Гистограммы распределений

 

Доля кредитов нефинансовым организациям:

Доля собственного капитала:

 

Доля вложения в государственные ценные бумаги:

 

 

 

Логарифм валюты баланса:

Доля ликвидных активов:

 

 

 

 

 

 

 

 

 

 

 

 

Приложение 3

Диаграммы изменения доли банкротов

 

Доля собственного капитала:

 

 

 

 

 

 

 

Доля кредитов нефинансовым орагнизациям:

 

 

 

 

 

 

 

 

 

Доля ликвидных активов:

 

 

 

 

 

 

 

 

 

 

 

 

 

Логарифм валюты баланса:

 

 

 

 

 

 

 

 

 

 

 

 

Приложение 4

Основные этапы используемой программы (для R)

 

subsample_bank1=m8[1:30,]

subsample_non_bank1=m8[30:210,]

index=1:180

subsample_non_bank1[sample(index,60,TRUE),]

 

for(i in 1:150){

# генерирование выборки

current_sample1=rbind(subsample_bank1,subsample_non_bank1[sample(index,60,TRUE),])

models=glm(as.vector(current_sample1[,1])~as.vector(current_sample1[,2])+

                                        as.vector(current_sample1[,5])+

                                        as.vector(current_sample1[,6])+

                                        as.vector(current_sample1[,7])+

                                        as.vector(current_sample1[,9]))

yhat1=models$fitted.values

for (j in 1:100){

c[j]=0.01*j

y_pred1=as.vector(yhat1)>c[j]

bankr_hat1 = sum(y_pred1[1:30])

non_bank_hat1 = sum(y_pred1[30:90])

 

#итоги

error11[j]=non_bank_hat1/60*100

error22[j]=(29-bankr_hat1)/30*100

right1[j]=100-(60*error11[j]+30*error22[j])/90

r=as.vector(right1)

WE[j]=bankr_hat1*bankr_hat1*right1[j]/((bankr_hat1+non_bank_hat1)*30)

r_WE=as.vector(WE)

plot(density(rights1))

min(rights1)                 median(rights1)                median (errors22)         median (errors11)

 

# Оптимальная пороговая вероятность

s[i]=which.max(r)/100

s_WE[i]=which.max(r_WE)/100}

k=as.vector(s)                    median(k)

k_WE=as.vector(s_WE)                median(k_WE)

 

# ROC-анализ

hr[j]=bankr_hat1/30

far[j]=non_bank_hat1/60}

lines(far, hr, col="blue")

 

#Оценка коэффициентов, проверка на значимость, графики распределения

prob1_cap=as.vector(summary(models)$coefficients[2,4])

signif_cap=as.vector(prob1_cap)<0.15

left1=median(coeff_1)-(qnorm(0.95)*sd(coeff_1)/sqrt(150))

right1=median(coeff_1)+(qnorm(0.95)*sd(coeff_1)/sqrt(150))

median(coeff_1)      mean(coeff_1)

Приложение 5

График плотности распределения коэффициента общей точности итоговой модели

Приложение 6

Графики распределения коэффициентов итоговой модели

 

 

 

 

 

 

 

 

 

Приложение 7

Значения предельных эффектов параметров на различных горизонтах прогнозирования (2, 5 и 8 месяцев)