Моделирование риска дефолта российских банков, 2015–2020 гг.

Экономическая наука современной России. 2024. № 2(105). С. 101–124.

Щепелева М. А., Тусипкалиев К., Столбов М. И.

Исследование посвящено моделированию вероятности дефолта российских банков на данных за период 2015–2020 гг. Исследований дефолтов российских банков после 2015 г. сравнительно немного. Наша работа призвана восполнить этот пробел. Цель исследования состоит в выявлении переменных, статистически значимо влияющих на риск дефолта российских банков в условиях относительно стабильного развития российской экономики (2015–2020 гг.) без таких внешних шоков, как COVID‑19 или международные санкции. В работе используется комплексный подход к моделированию риска дефолтов банков. Модельный аппарат представлен логит-, пробит-моделями, а также регрессией Кокса. В качестве объясняющих переменных использовались индикаторы, характеризующие различные аспекты функционирования кредитных организаций (в соответствии с методологией CAMELS), а также макроэкономические переменные. Наиболее значимыми предикторами дефолта оказались норматив достаточности капитала Н1, чистые активы банка, отношение кредитного портфеля к активам, обеспеченность кредитного портфеля имуществом, отношение выданного количества межбанковских кредитов к активам, а также инфляция (INF) и цена закрытия индекса Московской биржи (MOEXIN). В целом полученные результаты согласуются с системой показателей устойчивости коммерческих банков CAMELS, при этом влияние общих макроэкономических показателей оказывается незначимым. Результаты исследования представляют интерес для регулятора в целях текущего надзора и предупреждения риска дефолта, самих кредитных организаций с целью построения внутренних систем мониторинга финансовой устойчивости и участников финансового рынка для выбора наиболее устойчивых компаний с точки зрения инвестирования и размещения средств. Дальнейшие направления исследования связаны с включением в анализ кризисного периода и сравнением значимых предикторов в кризис и в стабильный период развития экономики, а также с использованием альтернативных методов, в частности, алгоритмов машинного обучения.

Ключевые слова: логистическая регрессия, credit rating, кредитный рейтинг, logistic regression, Cox regression, регрессия Кокса, методы машинного обучения, bank default, Machine learning methods, CAMELS, банковский дефолт, CAMELS