Методы оценки уровня потерь при дефолте корпоративных заемщиков банков
Введение
Развитие методов оценки кредитного риска является одной из важнейших задач эффективного функционирования банковской системы и экономики, поскольку является ключевым инструментом снижения возможных потерь экономических агентов и потенциальному увеличению устойчивости финансовой системы. Сложность поставленной задачи заключается в том, что предполагается множественный анализ факторов, влияющих или способных повлиять на возникновение дефолта заемщика, а также определение их взаимосвязей и степени взаимозависимости.
Одним из наиболее популярных методов оценки кредитного риска является инструмент оценки уровня потерь при дефолте (LGD - Loss Given Default), который позволяет дать оценку ожидаемым потерям банка в случае возникновения дефолта заемщика. Оценка LGD зачастую используется в качестве одного из показателей, с помощью которого банк определяет необходимый уровень капитала и залога для покрытия рисков по выданным кредитам.
I. Введение
- Актуальность темы
- Цель и задачи работы
- Обзор литературы
- Методы исследования
II. Глава 1. СИСТЕМАТИЗАЦИЯ МЕТОДОВ И МОДЕЛЕЙ ОЦЕНКИ КРЕДИТНОГО РИСКА КОРПОРАТИВНЫХ ЗАЕМЩИКОВ…10
- Понятие кредитного риска
- Методы оценки кредитного риска
- Обзор существующих моделей оценки кредитного риска
- Особенности оценки кредитного риска корпоративных заемщиков
III. Глава 2. ПОСТРОЕНИЕ МОДЕЛЕЙ
- 2.1 Сбор данных и определение выборки
- Источники данных
- Критерии выборки
- 2.2 Обработка данных
- Оценка качества данных
- Преобразование данных
- 2.3 Построение моделей
- 2.3.1 Модель оценки вероятности сценария Банкротства/Восстановления
- Описание модели
- Выбор метода оценки вероятности
- 2.3.2 Модель расчета уровня потерь при дефолте - LGD
- Описание модели
- Выбор метода расчета LGD
- 2.4 Инструмент по расчету Pбанкрот и LGD в MS Excel
- Описание инструмента
- Пример использования
IV. Глава 3. ПРИМЕРНАЯ ОЦЕНКА УРОВНЯ ПОТЕРЬ ПРИ ДЕФОЛТЕ КОРПОРАТИВНЫХ ЗАЕМЩИКОВ
- Расчет показателей Pбанкрот и LGD на основе разработанных моделей
- Оценка уровня потерь при дефолте для конкретных корпоративных заемщиков.
V. ЗАКЛЮЧЕНИЕ
- Основные выводы работы
- Новизна и практическая значимость работы
- Недостатки и перспективы дальнейших исследований
VI. Список литературы
VII. Приложения (если имеются)
Список литературы:
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589-609.
Moody's Analytics. (2008). KMV Model Methodology. Retrieved from https://www.moodysanalytics.com/-/media/whitepaper/2008/2008-kmv-model-methodology.pdf
Баканов, М. И. (2010). Кредитный риск и его оценка. Москва: Издательство Юрайт.
Демченко, Н. М. (2012). Методы оценки кредитного риска коммерческого банка. Москва: Издательство Финансы и статистика.
Семенов, Ю. С., Ларионова, Л. В., & Мельникова, А. В. (2017). Методы оценки кредитного риска и их применение в коммерческих банках. Научный вестник МГУЭиМ, (3), 160-165.
Кузнецов, М. В. (2011). Кредитный риск: оценка и управление. Москва: Издательство Юрайт.
Credit Suisse. (2007). CreditRisk+ Modeling Guide. Retrieved from https://www.credit-suisse.com/pwp/ws/cre/en/_docs/modelguide.pdfMerton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. The Journal of Finance, 29(2), 449-470.
Standard & Poor's. (2014). Corporate Ratings Criteria. Retrieved from https://www.standardandpoors.com/en_EU/web/guest/article/-/view/sourceId/504352
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Vasicek, O. A. (2002). Loan portfolio value. Risk, 15(11), 160-162.
Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 160(3), 523-541.
Федеральный закон от 02.12.1990 г. № 395-1 "О банках и банковской деятельности".
Федеральный закон от 29.06.2015 г. № 151-ФЗ "О персональных данных".
Также существенным является тот факт, что рейтинговые агентства обновляют свои рейтинги с определенной задержкой, из-за чего появляется вероятность временного искажения информации о кредитном риске компании. Это может стать катализатором роста рисков для инвесторов и кредиторов, особенно в условиях быстро меняющейся экономической среды. Следующим важным замечанием является субъективность рейтинговых метрик, поскольку разные агентства могут дать разные рейтинги одной и той же компании, что может создаёт неопределенность и разногласия в оценке кредитного риска.
Отдельно хотелось бы остановиться на моделях машинного обучения, частично описанные ранее, в частности модели случайного леса и нейронных сетей, которые могут использоваться для оценки кредитного риска, используя данные о финансовых показателях компаний.