» » » СИСТЕМА РАННЕГО ПРЕДУПРЕЖДЕНИЯ КРИЗИСОВ ЛИКВИДНОСТИ В БАНКОВСКОЙ СИСТЕМЕ

СИСТЕМА РАННЕГО ПРЕДУПРЕЖДЕНИЯ КРИЗИСОВ ЛИКВИДНОСТИ В БАНКОВСКОЙ СИСТЕМЕ


АЛЕНА СТАРКОВА
ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ МГУ ИМ. М.В. ЛОМОНОСОВА

 

Аннотация: В данной статье рассматриваются два самых распространенных подхода к построению модели системы раннего предупреждения банковских кризисов: эконометрический и сигнальный. На основе эконометрического подхода, автор строит собственную модель системы раннего предупреждения кризисов ликвидности в банковской системе, которая способна, на основе анализа динамики выбранных индикаторов, предупреждать о кризисе ликвидности за год до его вероятного возникновения.

Ключевые слова: банки, кризис ликвидности, индикаторы, финансовая нестабильность, система раннего предупреждения

Коды классификации JEL: G01, G21

STARKOVA, ALENA (2015) "EARLY WARNING SYSTEM FOR BANKING LIQUIDITY CRISES". Journal of Russian Review (ISSN 2313-1578), VOL. 2(3), 29-35


1. Введение

Довольно часто как в развитых, так и в развивающихся странах наблюдается нестабильность в банковском секторе, которые могут быть обусловлены и потерей вкладчиков, и существенным снижением объемов кредитования, и банкротствами банков и многими другими факторами. В свою очередь, проблемы банковской системы могут в скором времени вылиться в финансовый кризис. Поэтому предотвращение банковских кризисов играет основополагающую роль в обеспечении финансовой стабильности в стране и в мире.

Применение системы раннего предупреждения (СРП) кризисов, обеспечивающие сигналы, отражающие вероятность того, что экономика столкнется с кризисной ситуацией в течение определенного временного горизонта, являются одной из превентивных мер по предотвращению кризисов. В данной статье мы попробуем построить систему раннего предупреждения кризисов ликвидности на основе эконометрической модели, которая могла бы сигнализировать о кризисе за год до его возникновения.

 

2. Обзор литературы

В девяностых годах прошлого века начинают появляться исследования, связанные с созданием систем индикаторов раннего предупреждения кризисов (СРП). Все модели, построенные исследователями, можно разделить на две большие группы, по подходу к их построению: это эконометрические и сигнальные модели.

Эконометрические модели систем раннего предупреждения кризисов, как правило, предполагают построение многофакторной регрессионной модели, которая оценивает взаимосвязь заданных показателей (макроэкономических, финансовых, монетарных и так далее) с вероятность возникновения кризиса. Чаще всего для этого применяются logit-модели и probit-модели бинарного или множественного выбора. При этом по статистике probit-модели чаще всего используют для предсказания возникновения валютных кризисов, а logit-модели – для банковских кризисов, кризисов платежного баланса и других.

Одними из первых о создании СРП с использование эконометрических методов задумались экономисты Международного валютного фонда (МВФ) Демиргук-Кунт (Demirguc-Kunt) и Детрагиаше (Detragiache). В 1998 году в своей работе «Детерминанты банковских кризисов: признаки в развитых и развивающихся странах» они попытались сфокусироваться на особенностях в экономической среде, которые ведут к нестабильности в банковской системе и порождают, таким образом, банковские кризисы, и попытались на их основе построить многомерную logit-модель [3]. Данную модель брали в качестве отправной точки многие исследователи и многие выкладки из данной модели мы будем использовать в данном исследовании.

Демиргук-Кунт и Детрагиаше не были единственными исследователями, которые работали над моделями раннего предупреждения банковских кризисов. Построением эконометрической logit-модели, предсказывающей банковские кризисы занимались и такие экономисты, как Дэвис (Davis) и Карим (Karim). За основу они брали исследования Демиргук-Кунт и Детрагиаше, используя те же источники и показатели, однако основывались на более обширной выборке из 105 стран за 1979-2003 годы [2].

Экономист Лунд-Йенсен (Lund-Jensen) в своем исследовании построил динамическую бинарную модель с фиксированными эффектами для моделирования изменяющейся во времени условной вероятности системного банковского кризиса [5]. Он вычленил несколько важных факторов, напрямую связанных с риском возникновения кризиса в банковской системе: рычаг банковского сектора, рост кредитов к ВВП, изменения в кредитной премии банков, рост цен на акции, увеличение взаимосвязей в финансовом секторе и повышение реального эффективного обменного курса. Автор также разработал методику трансформации полученной оценки системного риска в показатель вероятности кризиса, при этом данный подход достаточно состоятелен с точки зрения оптимизации вероятностей ошибок первого и второго рода.

В основе сигнального подхода лежит предположение о том, что накануне кризиса экономика ведет себя аномальным образом и это аномальное поведение повторяется систематически в широком спектре макроэкономических и финансовых показателей. Для построения модели необходимо выбрать границу (критическое значение), которая разделяет распределение индикатора на две зоны. Если значение индикатора попадает в критическую зону, то есть выходит за пороговое значение, то считаем, что данный индикатор посылает сигнал. Если индикатор посылает большое количество «хороших» сигналов (то есть отличается высокой работоспособностью), то можно ожидать, что вероятность наступления нестабильности при условии подачи сигнала (условная вероятность) будет больше, чем безусловная вероятность.

Основоположниками сигнального подхода к прогнозированию кризисов являются Камински (Kaminsky), Лизондо (Lizondo) и Рейнхарт (Reinhart). Именно после их работы «Основные индикаторы валютных кризисов» 1998 года получили широкое распространение сигнальные модели [4].

Подойти ближе к созданию СРП на основе сигналов, которая была бы более интегрирована, пытались Борио (Borio) и Дрехман (Drehman). Принцип их модели из статьи «Оценивая риск банковских кризисов» 2009 года очень схож с моделью Камински и Рейнхарта, причем анализ исторических данных на предмет идентификации годов, в которых происходил банковский кризис, аналогичен [1].

Несмотря на множество разнообразных моделей, предупреждающих о наступлении кризиса, разработанных различными исследователями, идеальной среди них, разумеется, нет. Невозможно даже определить, какой из подходов – сигнальный или эконометрический более эффективен.

В данной статье для прогнозирования кризисов будет использоваться эконометрический подход. Это связано с рядом факторов. В рамках опыта прошлых исследований можно сказать, что при построении СРП на основе сигнального подхода значимыми обычно оказывались макроэкономические показатели. Из этого можно сделать вывод, что сигнальный подход более чувствителен к источникам возникновения кризиса, скрытым в системных ошибках функционирования экономики, в то время как эконометрический – в ошибках в финансовой сфере. Так как для нас более интересны именно ошибки в финансовой сфере, поскольку мы считаем, что они, в отличие от системных ошибок, лучшим образом характеризуют именно страновые особенности, мы выбрали для прогнозирования кризисов ликвидности именно эконометрическую модель.

 
3. Методология исследования

Как уже было сказано ранее, в основу нашей эконометрической модели системы раннего предупреждения кризисов ликвидности будут лежать модель Демиргук-Кунт и Детрагиаше и построенная на ее основе модель Дэвиса и Карима.

Эконометрическая модель системы раннего предупреждения возникновения кризисов ликвидности в банковской системе будет построена на основе многомерной logit-модели:

 

В качестве параметров x в данном случае будут использованы показатели, характеризующие возникновение кризиса ликвидности, которые будут названы позже. Для нахождения значений коэффициентов β мы построим обучающую выборку, включающую в себя данные по 40 развивающимся странам за период с 1998 по 2012 годы.

В состав индикаторов кризиса, которые в данной модели будут выступать в качестве независимых переменных, мы включили:

  1. Макроэкономические показатели:
    a. Рост реального ВВП
    b. Уровень безработицы
    c. Инфляция
  2. Показатели, связанные с операциями с валютой:
    a. Курс национальной валюты к доллару
    b. Отношение валютных кредитов и займов к совокупным кредитам и займам
  3. Внутренние показатели банковского сектора:
    a. Спред между ставками по кредитам и депозитам
    b. Реальная ставка процента
  4. Балансовые банковские показатели:
    a. Доля «неработающих кредитов» к совокупным кредитам (доля кредитов, просроченных более, чем на 90 дней к совокупным кредитам)
    b. Прирост депозитов в банковской системе
    c. Отношение ликвидных активов к краткосрочным обязательствам (коэффициент ликвидности)
    d. Объем создаваемых резервов
    e. Отношение ликвидных резервов банка к активам
  5. Показатели реального сектора:
    a. Потребления домохозяйств
    b. Сбережения домохозяйств

Определим, почему на наш взгляд каждый из данных показателей может быть включен в систему индикаторов.

Такие индикаторы, как реальный ВВП, уровень безработицы и инфляции напрямую характеризуют внутреннюю обстановку в стране и могут показать, когда начинаются системные проблемы в стране. ВВП характеризует уровень благосостояния населения. Чем большим объемом средств располагает население, тем больше средств оно будет вносить на вклады, а при стабильной растущей динамике данного показателя снижается риск преждевременного изъятия вкладов из банков. С ростом показателя инфляции или безработицы, напротив, такой риск повышается. При обесценении денег или лишении возможности получать заработную плату, граждане будут вынуждены обращаться к своим вкладам за дополнительными средствами. Показатели реального сектора, как и макропоказатели характеризуют общий уровень стабильности в стране.

Обесценение национальной валюты приведет, как уже было сказано ранее к тому, что привлекательность инвестиций в нее существенно снизится. Кроме прочего при укреплении валютного курса, снизится стоимость активов (кредитов) и банк получит от клиентов меньше средств, чем ожидал.

Динамика различных процентных ставок также может быть индикатором для определения кризисной ситуации. Рост реальной ставки процента говорит о том, что банку необходимо привлечение существенного размера дополнительных средств, что может быть следствием недостаточности ликвидности сейчас. То же можно предположить и для уменьшения разницы между ставками по кредитам и депозитам.

Увеличение доли неработающих кредитов, а также растущая динамика создаваемых резервов говорит о том, что банковская система испытывает проблемы с портфелем активов и может увеличиться риск кризиса «плохих долгов», что неминуемо приведет к «бегству вкладчиков». Замедление прироста депозитов или даже их отрицательная динамика будет говорить о том, что, вероятно, близко массовое снятие средств со счетов населением. Уменьшение отношения ликвидных активов к краткосрочным обязательствам будет свидетельствовать о проблемах сбалансированности статей активов и пассивов по срокам и возможном дальнейшем повышении риска ликвидности.

Вторым этапом для нахождения коэффициентов β является определение того, каким образом в нашей модели будут определяться кризисные года.

Мы считаем, что наиболее показательными для кризиса ликвидности являются такие индикаторы, как прирост депозитов, доля неработающих кредитов и коэффициент ликвидности. Именно на основе этих показателей мы будем определять, есть ли в стране кризис или его нет. Таким образом, в нашем исследовании страна испытывает кризис в случае, если хотя бы одна из данных переменных отклонилась от своего долгосрочного тренда в сторону уменьшения (для прироста депозитов и коэффициента ликвидности) или увеличения (в случае доли неработающих кредитов) более, чем на 50%. Для того, чтобы построить модель, которая прогнозировала бы кризис за год до его появления, мы исключим из выборки все периоды, следующие за годом начала кризиса до момента выхода из него.

Определив критерии, по которым мы говорим о наступлении кризиса ликвидности в банковской системе, переходим непосредственно к нахождению значений коэффициентов для нашей модели. Для этого мы будем использовать метод максимизации функции правдоподобия, как это делалось в работах Демиргук-Кунт и Детрагиаше и Дэвиса и Карима:

Далее оценим качество модели, построенной на полученных коэффициентах, проверив ее работоспособность на данных, на основе которых она была построена.

Поскольку модель выдает для каждого года вероятность наступления кризиса, то необходимо как-то оценить, начиная с какого значения, следует думать о введении превентивных мер. Для этого необходимо определить пороговое значение вероятности, начиная с которого мы будем считать, что через год наступит кризис. Данное значение, в отличие от предыдущих исследований мы не будем вычислять путем минимизации функции совокупных потерь, поскольку мы не можем точно оценить такие параметры, как стоимость предотвращения кризиса (то есть стоимость превентивных мер) и стоимость лечения кризиса (то есть объем средств, затраченный на возмещение последствий кризиса).

В качестве потенциально возможных пороговых значений мы будем рассматривать значения 20%, 40%, 60%, 80%. Каждое из этих значений мы подставим в полученную модель и рассчитаем вероятность ошибки первого (подача ложного сигнала тревоги) и второго (пропуск кризиса) рода. Поскольку мы точно не можем определить издержек предотвращения кризиса (в случае, если в модель подала ложный сигнал) и издержек компенсации последствий кризиса (в случае если модель пропустила кризис), в выборе порогового значения для нас будет значим общий процент точности модели.

Чтобы окончательно убедиться в работоспособности модели мы протестируем ее на данных для тех же стран за 2013 год.

 

4. Промежуточные результаты

Построенная нами на основе названных выше переменных logit-модель, вопреки нашим ожиданиям, не подтвердила гипотезы о значимости многих наших индикаторов (см. Приложение 1). Значимыми на 5% уровне оказались лишь переменные объема создаваемых резервов и доли неработающих активов, на 10% - потребление и сбережения домохозяйств. Среди переменных, хуже всего предсказывающих возникновение кризиса оказались, как это ни удивительно, коэффициент ликвидности и доля иностранных активов в совокупных активах.

Для улучшения качества в модель были внесены корректировки: вместо абсолютных значений переменных были использованы первые разности значений (см. Приложение 2). В этом случае значимы на 5% уровне ставка процента и доля неработающих активов, на 10% уровне значимы инфляция, разница между ставками по кредитам и депозитам, резервы и доля ликвидных резервов. Кроме того, сильно увеличилась значимость такого показателя, как изменение доли иностранных активов в совокупных активах.

Выбирая из двух моделей, нами было принято решение в качестве коэффициентов β для расчета значений параметра Zиспользовать коэффициенты, полученные на основе второй модели. В результате расчетов выявлены следующие результаты по точности модели:



Пороговое значение
20% 40% 60% 80%
Верно предсказанные события  73.0% 74.3% 79.7% 78.4%
Верно предсказанные кризисные годы 83.3% 33.3% 22.2% 11.1%
Верно предсказанные не кризисные годы 69.6% 87.5% 98.2% 100.0%

 

Исходя из ранее оговоренной методики выбора порогового значения для модели, оптимальное пороговое значение следует выбрать на уровне 60%. В таком случае модель предсказывает правильно почти 80% событий. Мы считаем такой выбор порогового значения вполне обоснованным и с той стороны, что настоящая модель в таком случае предсказывает верно более 98% периодов без кризисов, то есть минимизируются издержки предотвращения кризиса, если модель подаст ложный сигнал.

При проверке модели на данных за 2013 год, был получен результат в 71% точности. Таким образом, построенная нами модель правильно предсказала  71% событий. При этом было верно предсказано 85% некризисных годов и 19% кризисных.

 
5. Выводы

  1. Наиболее значимыми показателями кризисов ликвидности, согласно построенной модели являются: ставка процента, доля неработающих активов, инфляция, разница между ставками по кредитам и депозитам, резервы и доля ликвидных резервов.
  2. Построенная нами модель подает сигнал о наступлении кризиса через год в случае, когда полученная вероятность кризиса больше 60%. Пользователи модели могут выбирать различные пороговые значения в зависимости от своих целей: для верного прогнозирования наибольшего количества кризисных годов необходимо выбрать пороговое значение 20%, для верного прогнозирования наибольшего количества некризисных годов – 80%.

 
6. Литература

  1. Borio, C. and Drehmann, M. (2009) “Assessing the risk of banking crises revisited”, BIS Quarterly Review, March 2009
  2. Davis, E.P. and D. Karim, (2008), “Comparing early warning systems for banking crises,” Journal of Financial Stability, 4 (2), 89–120.
  3. Demirgüç-Kunt, A. and E. Detragiache, (1998), “The determinants of banking crises in developing and developed countries,” International Monetary Fund Staff Paper, 45 (1), 81–109
  4. Eichengreen, B. and Rose, AK. (1998), “Staying afloat when the wind shifts: External factors and emerging-market banking crises”, NBER Working Paper Series 1998.
  5. Lund-Jensen, K. (2012), “Monitoring Systemic Risk Based on Dynamic Thresholds”, IMF Working Paper WP/12/159.

 
7. Приложения

 

Приложение 1

Модель 1: Логит, использованы наблюдения 1-159

Зависимая переменная: Crisis

Стандартные ошибки - QML

  Коэффициент Ст. ошибка z P-значение  
const -22.8086 11.5277 -1.9786  0.04786  **
GDP -0.0919857 0.135535 -0.6787 0.49734  
Inflation -0.0244832 0.0516897 -0.4737 0.63574  
Unemployment -0.0411338 0.0575689 -0.7145 0.47491  
Exchange_rate -0.000150038 0.000290081 -0.5172 0.60500  
Interest_rate 0.0437718 0.0873304 0.5012 0.61622  
Spread_of_rates -0.0844109 0.10353 -0.8153 0.41489  
NPL -0.372395 0.184153 -2.0222 0.04316 **
Consumption 0.212121 0.113444 1.8698 0.06151 *
Savings 0.260769 0.145212 1.7958 0.07253 *
Deposits 4.12874 3.32037 1.2435 0.21370  
Foreighn_assets 0.00136639 0.0112114 0.1219 0.90300  
Liquidity_rate -0.00124636 0.0100808 -0.1236 0.90160  
Reserves 1.15026e-013 0 2.3042 0.02121 **
Liquid_reserves 0.0197005 0.0195555 1.0074 0.31373  

 

Среднее зав. перемен

 0,220183

 

Ст. откл. зав. перемен

 0,416284

R-квадрат Макфаддена

 0,237065

 

Испр. R-квадрат

-0,023994

Лог. правдоподобие

-43,83692

 

Крит. Акаике

 117,6738

Крит. Шварца

 158,0441

 

Крит. Хеннана-Куинна

 134,0454

  f(beta'x) для среднего значения независимых переменных = 0,416

Критерий отношения правдоподобия: Хи-квадрат(14) = 27,2427 [0,0179]

 

Приложение 2

Модель 2: Логит, использованы наблюдения 1-159

Зависимая переменная: Crisis

Стандартные ошибки - QML

  Коэффициент Ст. ошибка z P-значение  
const -1.77579 0.46919 -3.7848 0.00015 ***
GDP -0.0376588 0.205549 -0.1832 0.85463  
Inflation 0.159227 0.0882775 1.8037 0.07128 *
Unemployment 0.290385 0.186652 1.5558 0.11977  
Exchange_rate 0.0021913 0.00258899 0.8464 0.39733  
Interest_rate 0.259595 0.107047 2.4250 0.01531  **
Spread_of_rates -0.460876 0.243956 -1.8892 0.05887 *
NPL -0.223213 0.112613 -1.9821 0.04746 **
Consumption 0.439753 0.507295 0.8669 0.38602  
Savings 0.408848 0.519446 0.7871 0.43123  
Deposits 3.71625 5.7172 0.6500 0.51568  
Foreighn_assets 0.0760201 0.0470772 1.6148 0.10635  
Liquidity_rate -0.00640899 0.0378503 -0.1693 0.86554  
Reserves 3.51435e-013 1.85219e-013 1.8974 0.05778 *
Liquid_reserves -0.133402 0.0714644 -1.8667 0.06195 *

  

Среднее зав. перемен

 0,243243

 

Ст. откл. зав. перемен

 0,431969

R-квадрат Макфаддена

 0,208802

 

Испр. R-квадрат

-0,156567

Лог. правдоподобие

-32,48219

 

Крит. Акаике

 94,96438

Крит. Шварца

 129,5254

 

Крит. Хеннана-Куинна

 108,7512

  

f(beta'x) для среднего значения независимых переменных = 0,432

Критерий отношения правдоподобия: Хи-квадрат(14) = 17,1445 [0,2486]

 

скачать dle 10.2 Авто Тюнинг кузова