Рейтинговые группы
А
|
Высокая и исключительная способность исполнять финансовые обязательства.
|
B
|
Наличие достаточной способности исполнять финансовые обязательства, но присутствует высокая чувствительность по отношению к неблагоприятным деловым, финансовым и экономическим условиям на достаточно длительном интервале времени.
|
C
|
Не грозит опасность в краткосрочной перспективе, но присутствует существенная неопределенность, которая связанна с чувствительностью относительно неблагоприятных деловых, финансовых и экономических условий.
|
D
|
В настоящий момент имеется значительный риск неисполнения обязательств. Выполнение обязательств полностью зависит от благоприятных деловых, финансовых и экономических условий.
|
E
|
В текущий момент заемщик находится в очень серьезной опасности. Погашение всех обязательств признается мало возможным.
|
2.3. Модели анализа кредитоспособности заемщиков
Современные практические методы анализа кредитоспособности заемщиков коммерческого банка основываются на комплексном применении как финансовых так и нефинансовых критериев.
На Рисунке 2.1. рассмотрена классификация методов и моделей оценки кредитоспособности заемщиков в коммерческих банках.
-
Модели оценки кредитоспособности заемщиков
|
Классификационные
Комплексного анализа
Рейтинговые
|
|
Правило шести «Си»
|
-
Системы показателей
|
|
Оценочная система анализа
|
-
Рисунок 2.1. Модели оценки кредитоспособности заемщика
Классификационные модели делятся на модели бальной оценки кредита, то есть рейтинговые методики, а также модели прогнозирования банкротств, которые включают в себя статистическую оценку, основанной на МDА – Мultiple Discriminate Analysis – множественный дискриминaнтный анализ.
Модели комплексного анализа, основанные на «полуэмпирических» методологиях применяются для оценки потребительских кредитов. Среди них выделяют такие модели как: «правило 6C», PARTS, CAMPARY, Judgmental Analysis (оценочная система анализа).
Классификационные модели дают возможность разбить на различные группы (классы) и служат вспомогательным инструментом, позволяющим определить возможности удовлетворения кредитной заявки.
Чаще всего на практике применяются две основные модели оценки заемщика: бальная (рейтинговая) оценка и прогнозирование банкротств. Рейтинговые модели позволяют поделить заемщиков на исполнительных и неисполнительных, а модели прогнозирования стараются дифференцировать устойчивые компании и фирмы-банкроты.
Рейтинговая оценка компании производится на основании рассчитанных значений различных финансовых коэффициентов и выражается в большинстве случаев в баллах. Баллы высчитываются путем перемножения значения любого из показателей на вес его в рейтинге.
В итоге, общий вид формулы рейтинговой оценки:
 где,  - интегральный рейтинг (показатель);
 - показатель удельного веса i – го показателя; 
 – числовое значение i-го параметра;
n – количество параметров.
Коммерческие банки часто используют систему скоринга. Кредитный скоринг (kredit scoring) представляет собой технический прием, который был предложен известным американским ученым экономистом Д.Дюраном ещё в начале 40-ых годов для разделения заемщиков на основании потребительского кредита. Отличием кредитного скоринга и рейтинговой оценки является то, что в формуле рейтинговой оценки стоит вместо (значения i-ого показателя)  – частная бальная оценка i – ого показателя. На основе этого, для каждого параметра определяют несколько интервалов возможных значений, а затем каждому интервалу устанавливают определенное количество рейтинговых баллов или определяется его класс.
Достоинство рейтинговой модели заключается в ее простоте: достаточно рассчитать необходимые финансовые коэффициенты и их взвесить, чтобы определить класс, к которому принадлежит заемщик. Следует, однако, понимать, что в расчете рейтинга вполне могут участвовать только те характеристики, которые будут отвечать установленным нормативам.
Модели прогнозирования чаще всего используются при оценке качества потенциальных клиентов-заемщиков и основываются на статистических методах, из которых наиболее распространенным является множественный дискриминaнтный анализ (MДA), также известный в практике как «кластерный анализ».
Общий вид дискриминaнтной функции:
где  и  - некоторые параметры (коэффициенты регрессии);
ƒi – факторы, которые характеризуют финансовое состояние заемщика (например, ими могут служить финансовые коэффициенты).
Коэффициенты регрессии определяются на основе статистической обработки данных по выборке предприятий или фирм, которые либо банкроты, либо смогли выжить в течение выбранного периода. Все компании можно разбить на две основные группы: на тех, кому финансовые трудности в ближайшее время не грозят вплоть до банкротства, и на тех, кому грозит это. Если Z – оценка компании располагается ближе к показателю обычной компании – банкрота, то она обанкротится при условии продолжения ухудшения ее положения. Если риск-менеджеры компаний и банк, осознав все финансовые трудности, пытаются предотвратить усугубляющуюся ситуацию, то банкротства может не произойти, следовательно, Z – оценка является неким сигналом раннего предупреждения.
Чтобы применить МДА необходимо иметь достаточно репрезентативную выборку предприятий, которые дифференцированы по отраслям и размерам. Трудность состоит в том, что не всегда внутри отрасли возможно найти достаточное количество фирм-банкротов, чтобы произвести расчет коэффициентов регрессии.
Наиболее используемыми моделями MДA являются модели Альтмана и Чeccepa.
Альтман, Хoльдepман и Нарайана ввели «Z – анализ» на основе уравнения: следующего вида:
Отнесение компании к определенной группе надежности осуществляется на основе расчетных значений индекса Z:
Z ≤ 1,8 – очень высока вероятность обанкротиться;
1,8 < Z ≤ 2,7 – высокая вероятность обанкротиться;
2,7 < Z ≤ 3,0 – низкая вероятность обанкротиться;
3,0 < Z – очень низка вероятность обанкротиться.
Пятифакторная известная модель Альтмана, созданная на основе анализа финансового положения 66 фирм, дает достаточно точный прогноз наступления банкротства вперед на три-четыре года. При этом факт банкротства на ближайший год можно определить почти с 95% точностью.
Поздние его работы основывались на более глубоком исследовании, при этом более тщательно были рассмотрены капитализируемые обязательства по аренде, где применялся прием сглаживания данных, с целью выровнять случайные колебания. Новые модели обладают способностью предсказывать банкротства с очень высокой степенью точности на пару лет вперед и с меньшей, и все же допустимой точностью в 70% на пять лет.
Z = 1,2*X1 + 1,4*X2 + 3,3*Х3 + 0,6* X4 + 0,9*Х5 – 2,675, (2.5)
Если Z < 0, то предприятие обладает «рискованным» финансовым положением, если Z > 0 –компания считается «статистически здоровым».
Построить модель для российских заемщиков, наподобие уравнения Альтмана, пока проблематично и ненадежно, во-первых, в связи с отсутствием некой истории банкротств заемщиков; во-вторых, из-за существенного влияния на признание компании банкротом различных неучтенных факторов, не подлежащих учету; в-третьих, в результате изменчивости нормативной базы банкротств отечественных предприятий.
Основной проблемой практического применения моделей скopинга служит обеспечение связанности, а также отсутствие противоречивости всевозможных показателей. Большинство банков, стремящиеся добиться наиболее точных оценок, стараются комбинировать по своему усмотрению разные параметры и коэффициенты.
Модель Чeccepa, модель наблюдения за ссудами, позволяет прогнозировать случаи неисполнения клиентом условий договора по кредиту. Под «невыполнением условий» понимают не только непогашение ссуды, но и всевозможные другие отклонения, способные сделать ссуду менее выгодной для кредитора-заемщика, чем было первоначально предусмотрено.
Оценочные показатели модели следующие:
Y = - 2,0434 – 5,24 * X1 + 0,0053 *X2 – 6,6507 *X3 + +4,4009 * X4 – 0,0791 *X5 – 0,1220 *X6 (2.6)
Переменная Y - линейная комбинация независимых переменных, используемая в следующей формуле при оценке вероятности неисполнения условий договора, Z:
где, e равное 2,71828 - число Эйлера, основание натурального логарифма.
Расчетная оценка Y рассматривается как присутствие факторов, способствующих выполнению условий договора. Чем больше это значение оценки Y, тем выше вероятность того, что данный заемщик не выполнит условия заключенного договора. В модели Чессера применяется такие следующая расшифровка для оценки вероятности неисполнения договора:
если Z ≥ 0,50, то заемщика необходимо определить в группу, которая вероятней всего не исполнит условия договора;
если Z < 0,50, то заемщика следует определить в группу надежных клиентов.
Чессер применял данные нескольких банков по 37 «удовлетворительным» и 37 «неудовлетворительным» ссудам, при этом для расчета он взял показатели балансов компаний-заемщиков за год до выдачи кредита. Подставив формулу «вероятности нарушения условий договора» и расчетные показатели модели, Чессер точно определил дефолт три из четырех анализируемых случаев.
Российскими дискриминантными моделями прогнозирования банкротств являются двухфакторная модель Федотовой М.А. и пятифакторная модель Сайфулина P.C., Kадыкова Г.Г..
Модель оценки вероятности банкротств Федотовой M.A. основывается на коэффициенте текущей ликвидности (X1) и доле заемных средств в валюте баланса (X2):
Z = -0,3877 – 1,0736 * X1 + 0,0579 * Х2 (2.8)
Если значение индекса Z отрицательное, то вероятно, что заемщик так и останется платежеспособным.
Сайфулина P.С. и Kадыкова Г.Г. представили уравнение определения кредитоспособности заемщика в виде:
Z = 2 * Х1 + 0,1 *X2 + 0,08 *X3 + 0,45 * X4 + Х5, (2.9)
Если значения финансовых коэффициентов полностью соответствуют минимальному нормативному уровню, то индекс Z равен 1. Финансовое состояние компании, имеющее рейтинговое число менее 1 расценивается как неудовлетворительное.
Совместно с множественным дискриминантным анализом прогнозирования банкротств заемщиков могут использоваться также упрощенные модели, которые основаны на системе определенных показателей. Пример такого подхода – это система показателей Бивepa, которая включает:
коэффициент Бивepa;
коэффициент покрытия имеющихся активов собственным оборотным капиталом;
рентабельность активов;
уровень финансового левepиджа;
коэффициент покрытия текущих краткосрочных обязательств оборотными активами.
Для классификации кредитов на практике может быть использована модель САRT. Модель САRT расшифровывается как «классификационные и регрессионные деревья» (Сlassification аnd regrеssion trees). Главными достоинствами этой непараметрической модели являются возможность широкого применения, её легкость вычислений и доступность для понимания, однако построение таких моделей требует применения сложных статистических методов. Эту модель называют ещё «рекурсивным разбиением». Осознать «классификационные и регрессионные деревья» можно путем разбивки на «ветви» согласно значениям выбранных финансовых коэффициентов. При этом, каждая «ветвь» дерева, делится на «ветви» в соответствии с другим коэффициентом. Точность классификации составляет приблизительно 90. На Рисунке 2.2. представлено «классификационное дерево» для выявления компаний-банкротов.
Поток наличности / Общая задолженность
≤ 0,131
> 0,131
Нераспределенная прибыль / Совокупные активы
|
Общая задолженность / Совокупные активы
|
> 0,145
> 0,698
≤ 0,698
≤ 0,145
Нераспределенная прибыль / Совокупные активы
|
B
|
В
≤ 0,145
> 0,025
≤ 0,025
S
В
Рисунок 2.2. «Классификационное дерево» для выявления компаний-банкротов
При использовании математических методов при управлении кредитами, банку необходимо учитывать, что предоставление кредитов не является чисто механическим актом. Это трудоемкий процесс, в котором важны не только человеческие взаимоотношения между сторонами, но и понимание технического обеспечения. В математических моделях не учитываются межличностные отношения. А на практике кредитного анализа и кредитования необходимо учитывать этот фактор.
Альтман предполагал использовать свою «количественную модель» с целью дополнить к качественным и интуитивным подходам инспекторов кредитных отделов коммерческих банков, делая акцент, что его модель не способна дать балльной оценки ссуды и заменить оценки, предлагаемые служащими банка3. Модель и получаемые через нее Z – оценки могут служить ценным инструментом для определения общей кредитоспособности клиентов банка и сигналом предупреждения о возможности в будущем плохого финансового состояния.
Недостатки классификационных моделей можно выделить следующие: произвольность расчета основных количественных показателей («эмпиризм»), достаточно высокая чувствительность к неточности и достоверности исходных данных (например, финансовой отчетности, что более характерно для отечественных предприятий), сравнительная громоздкость.
Детально рассмотреть количественные и качественные параметры кредитора позволяют модели комплексного анализа, такие как правило «шести СИ», PARTS, CAMPARI, оценочная система анализа.
Правило, известное как «шесть СИ» используют на практике банки США, применяющие для отбора клиентов критерии, начинающиеся с буквы «Си»: сharacter, сapital, сash, сollateral, сonditions, сontrol. В соответствии с русскими терминами:
способность к заимствованию средств;
репутация клиента-заемщика;
способность получать доход;
обладание обеспечением;
состояние экономической конъюнктуры;
чувствительность заемщика к различным факторам.
Согласно основным принципам кредитования, которые содержатся в методике САМPARY, анализ кредитоспособности клиента состоит в последовательном выделении из кредитной заявки и прилагаемых к ней финансовых документов показателей, отражающих деятельность клиента-заемщика, в их оценке и уточнениях при личной встрече с клиентом.
Название САМPARY образовалось из начальных букв таких слов как:
C – Сharacter – репутация, характеристика клиента;
A – Аbiliti – способность возвратить кредит;
M – Мargin – маржа, доход;
P – Рurpose – целевое предназначение кредита;
A – Аmount – размер кредита;
R – Rеpayment –условия погашения кредита;
I – Insurаnce – обеспечение, страхование риска, связанного с непогашением кредита.
В Англии ключевым словом, которое сосредоточивает требования при предоставлении кредитов заемщикам, является термин «РАRTS», включающий в себя:
Purpose – цель назначение заемных средств;
Amount –размер запрашиваемого кредита;
Rеpayment – возврат долга и выплата процентов;
Term – срок выдаваемой ссуды;
Security – обеспечение под погашение кредита.
Для анализа индивидуальных заемщиков используется оценочная система, которая основывается на опыте и проницательности сотрудников банка. Оценке подвергается характер заемщика, целевая направленность использования средств и источники погашения кредита.
Комплексные методики оценивания кредитоспособности заемщика широко применяются коммерческими банками, однако, следует обратить внимание на их «эмпирический» характер, недостаточную теоретико-методологическую проработанность, а также слабое использование математического аппарата.
Главный акцент при их реализации делается на относительно субъективное мнение экспертов.
Разработанная система отбора субъектов кредитования, которую используют сегодня большинство коммерческих банков, во многом далека от совершенства. Наиболее значимые следующиеее недостатки:
Субъективизм экспертизы. Решение, которое принимает эксперт, основывается только на личном его опыте, интуиции и квалификации, то есть во многом является субъективным.
Какое количество и каких показателей применять при анализе, и более того, нестабильность полученных результатов.
Отсутствие процесса преемственности. Заключается в том, что стать экспертом можно только лишь в результате накопления достаточного опыта, передать который почти невозможно в результате отсутствия эффективных методик обучения.
Проблема увеличения квалификации сотрудников. Это становиться возможным только посредством накопления положительного опыта, а также и отрицательного, в то же время отрицательный опыт – это новые проблемные кредиты.
Достаточно высокая стоимость экспертной оценки из-за вовлеченности в это высшего руководящего персонала банка.
Ограниченность минимальной величины кредитной заявки вследствие завышенной стоимости экспертизы.
Ограниченность количества анализируемых заявок физическим потенциалом экспертов.
Какие значения полученных коэффициентов принимать за «нормативные». а какие за «критические».
Компании и предприятия существенно различаются по способу и характеру ведения своей производственной, а также финансовой деятельности. Поэтому создание единых для всех универсальных и исчерпывающих методических указаний и рекомендаций по изучению и анализу кредитоспособности и расчету надлежащих показателей возможным не предоставляется.
Анализ кредитоспособности состоит не просто в расчете пяти и более коэффициентов и сравнении результатов с нормативами, а это гораздо более трудоемкий и затратный процесс, занимающий много времени и предъявляющий достаточно высокие требования к квалификации сотрудников банка.
2.4. Построение метода оценки кредитного риска с помощью VaR модели
Целью данной выпускной квалификационной работы является построение модели оценки кредитного риска кредитного портфеля конкретного коммерческого банка с применением методологии Value-at-Risk (VaR).
Value-at-Risk — это выраженная в базовой валюте оценка величины убытков, которую с заданной вероятность (доверительной вероятностью) не превысят потери портфеля в течение заданного периода времени:
P{〖Loss〗_p
где  — величина убытков по портфелю,
 — заданный доверительный уровень.
Основными элементами при вычислении значения VaR являются доверительный уровень и длина временного интервала, на который рассчитывается данный показатель. Доверительный уровень выбирается согласно отношению к риску или регламентируется регулирующими органами. В качестве временного горизонта очень часто используется период времени, в продолжение которого кредитный портфель не подвергался существенным изменениям.
Для того чтобы получить количественную оценку кредитного риска требуется построить эмпирическую функцию распределения потерь по рассматриваемому кредитному портфелю и рассчитать значение VaR как квантиль требуемого порядка. В настоящее время выделяют три наиболее распространенных и используемых на практике метода расчета VaR: аналитический метод, метод исторического моделирования и метод статистических испытаний Монте-Карло.
На основании методологии VaR понятие кредитного риска можно представить как максимально возможные убытки по анализируемому кредитному портфелю для заданного уровня доверительной вероятности. Максимальные убытки подразделяют на ожидаемые (Expected Loss,  ) потери и неожиданные (Unexpected Loss, ) потери по портфелю (Рисунок 2.3.):
Рисунок 2.3. Распределение потерь по кредитному портфелю
Ожидаемые потери отражают средний уровень кредитных потерь, которые связанны с неисполнением заемщиков своих обязательств, установленных договором. Неожиданные потери можно представить в виде отклонения потерь от их среднего предсказанного значения. Вычисление уровня ожидаемых и неожиданных потерь является главной задачей при оценке кредитного риска портфеля.
Ожидаемые потери (Expected Loss) – это математическое ожидание потерь в случае невыполнения контрагентом установленных договором обязательств. Расчет ожидаемых потерь по каждому заемщику в кредитном портфеле осуществляется по следующей формуле:
 где  (probability of default) — вероятность наступления дефолта i-го заемщика, то есть вероятность того, что контрагент не исполнит все условия кредитного договора в оговоренные и установленные сроки.
 (credit exposure) — стоимость подверженных риску активов в момент наступления дефолта.
 (recovery rate) — уровень возмещения потерь, то есть доля задолженности, которую удается вернуть в случае дефолта заемщика путем исполнения гарантий, реализации залога и др.
Главной задачей в определении уровня ожидаемых потерь является оценка вероятности дефолта каждого заемщика. Эта проблема нашла свое отражение во множестве исследований, основанных на моделях дискриминантного анализа, логит- и пробит-моделях, нейронных сетях, рейтинговых системах и т.д. Можно выделить два этапа оценивания .
На начальном этапе, основываясь на собранной статистической информации по различным кредитным операциям банка, производится анализ факторов, влияющих на вероятность того, что заемщик кредит не возвратит. В таком случае, инструментом исследования на данном этапе является регрессионный анализ. После этого строится логит-модель зависимости дефолтности каждого заемщика от имеющихся в наличии характеристик заемщика на базе данных по дефолтности заемщиков конкретного коммерческого банка. На втором этапе проводится выбор метода, при использовании которого будет проведена оцененка вероятности дефолта каждого заемщика.
Неожиданные потери (Unexpacted Loss) представляют собой отклонение от величины средних ожидаемых потерь и определяют уровень кредитного риска портфеля. Вычисление неожиданных потерь осуществляется по формуле:
 Для расчета VaR в соответствии с рекомендациями Бaзельского комитета по банковскому надзору обычно выбирается уровень надежности, равный 99%. Временной горизонт вычисления VaR для кредитных портфелей, в основном, принимается равным одному году.
Распределение убытков по кредитному портфелю нельзя отнести к какому-то известному классу распределений. Потери по кредитному портфелю никак не могут превышать 100%, а их распределение может привести к более «тяжелым хвостам», чем дает нормальное распределение. (рис. 2.1) В данной исследовательской работе для построения кривой распределения кредитных потерь предлагается использовать метод статистического моделирования Монте-Карло, позволяющий смоделировать любые виды распределений. Основная идея метода заключается в генерации случайных чисел для имитации полученных данных по дефолтам отдельных заемщиков. Данные по дефолтам собираются в портфель, образуя совокупную оценку потерь по портфелю. После проведения большого числа имитаций уровня совокупных потерь выводится эмпирическое распределение потерь по портфелю.
Если требуется оценить вероятность наступления дефолта отдельного заемщика  то необходимо, прежде всего, выделить основные характеристики заемщиков, оказывающие непосредственное влияние на неспособность клиента-заемщика выполнить свои обязательства. Специфика данных, влияющих на указанную переменную, требуют применения логит-модели. Логит-модель позволяет лучшим образом отразить связь различных факторов риска и дефолтов, принимающих бинарные значения 0 или 1.
  где i — номер взятого заемщика (i = 1,…, n),
 — неизвестные коэффициенты;
 — случайнаявеличина,
 — логит-функция.
В качестве результирующего параметра y используется бинарная переменная, которая отражает факт наступления дефолта i-ого заемщика. Переменная y может принимать следующие значения:
Согласно опубликованным исследованиям, основными финансовыми показателями, используемыми при построении моделей предсказания дефолта, являются:
•  — коэффициент финансового состояния и устойчивости компаний-заемщиков. Характеризует долю средств, которую предприятие-заемщик может использовать длительное время в своей деятельности.
Значение переменной рассчитывается в виде отношения суммы собственного капитала и всех долгосрочных пассивов к общей стоимости активов компании:
 (2.16)
•  — коэффициент прибыльности продаж заемщиков. Отражает рентабельность компании-заемщика на единицу реализованной продукции.
Расчет данного коэффициента можно представить как соотношение прибыли от продаж к общему объему выручки компании:
 •  — коэффициент рентабельности активов заемщиков. Характеризует способность заемщика эффективно и целенаправленно использовать свои активы с целью получения прибыли.
Значение переменной рассчитывается по формуле:
 •  — коэффициент доходности собственного капитала компании-заемщика. Оценивает эффективность использования капитала и показывает, сколько чистой прибыли имеет компания с рубля, авансированного в капитал.
Формула для расчета имеет следующий вид:
 •  — натуральный логарифм годовой выручки заемщика.
Данный показатель отражает размер компании и рассчитывается по формуле
 Качественные же характеристики заемщиков, например, отраслевая принадлежность и присвоенный банком кредитный рейтинг, лучше всего моделировать с помощью «фиктивных переменных» (dummy variables):
Переменные группы риска заемщиков:
• 
• 
• 
•
• 
Переменная, характеризующая кредитную историю заемщика:
• 
Переменные, характеризующие отраслевую принадлежность:
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
В результате расчета получаем оценки вероятности дефолта каждой компании-заемщика. Аналогичный алгоритм использовался в работе С.В. Ивлиева «Исследование кредитного риска методом Монте-Карло» [18, с. 56-84] и книге G. Loffler, Р. Рosch «Сredit Risk Мodelling Using Еxcel and VВФ» [37, с. 178-189].
Для того чтобы произвести оценку уровня неожиданных потерь по портфелю, требуется вычислить VaR. Воспользуемся алгоритмом оценки кредитного риска портфеля с помощью методологии Монте-Карло. Алгоритм моделирования содержит в себе следующие шаги:
Для начала, рассмотрим всех заемщиков, обладающих рейтингом А:
Для каждого заемщика i класса A генерируются равномерно распределенные на интервале случайные величины от 0 до 1:  , i. = 1,...,  , где — количество заемщиков с рейтингом A в кредитном портфеле банка, k — количество повторений шагов алгоритма, k = 1, ….,10000.
На основе полученных результатов зависимости дефолтности заемщика от присвоенного ему рейтинга, рассчитывается уровень убытков по каждому i-ому заемщику, принадлежащему группе A. Наступлением дефолта в модели является превышение сгенерированной случайной величиной вероятности, дополняющей до 1 вероятность дефолта соответствующей группы рейтинга:
 где — уровень убытков по i-му заемщику,
 — сумма задолженности i-го заемщика из группы А,
Р (D)A — оценка вероятности дефолта заемщиков с рейтингом А.
Рассчитываются совокупные убытки по заемщикам группы А путем суммирования потерь по каждому клиенту из данной группы:
Подобная процедура проводится для заемщиков с присвоенными остальными рейтингами В, C, D и Е, и вычисляется совокупный уровень потерь по кредитному портфелю :
Первые четыре шага алгоритма 1–4 повторяются большое количество раз r (k = 10 000), и по выборке строится эмпирическая функция распределения потерь по кредитному портфелю.
Эмпирическая функция распределения позволяет наиболее точно оценить кредитный риск портфеля на основе методологии Vаlue-аt-Risk.
Ожидаемые потери, как правило, оказывают прямое влияние на прибыль и рентабельность банка от предоставляемого им кредитного продукта, поскольку по каждому кредиту требуется отчислять резервную сумму в размере не менее  в специальный предусмотренный резервный фонд. Оцененное значение величины ожидаемых потерь ( ) показывает, в каких масштабах и объемах банку необходимо формировать резервы на возможные потери по выданным ссудам.
Величина неожиданных потерь или Сredit VаR находит собственный уровень надежности как кредитного портфеля, так и банка в целом. Собственный уровень надежности определяют соответствием капитала банка возможным неожидаемым потерям. Главная функция банковского капитала выражается в защите банка от банкротства, он выступает своеобразной «подушкой безопасности», которая предоставляет вкладчикам и кредиторам возможность возместить свои средства даже в случаях возникновения крупных непредвиденных потерь убытков.
|
