Внутренние кредитные рейтинги (ВКР), построенные с применением эконометрических моделей, являются одними из важнейших инструментов риск-контроллинга, предназначенных для прогнозирования кредитоспособности компаний и их контрагентов. Однако, представленные в литературе механизмы моделирования ВКР обладают ограничениями, что приводит к невысокой точности прогнозов кредитоспособности компаний и(или) к невысокой надёжности ВКР. Для преодоления ограничений разработан механизм построения ВКР, базирующийся на методологиях рейтингового агентства Moody’s. Его отличиями от ранее применяемых являются:
а) Использование наиболее актуальных исходных данных (с 2005 по 2015 годы) для обеспечения стационарности временного ряда;
б) Дополнительная обработка исходных данных для приведения к единому базису различных практик бухгалтерского учёта и отражению хозяйственных операций по их экономической сущности, а не по форме;
в) Подбор объясняющих переменных максимально приближенных к перечню факторов оценки кредитоспособности в методологиях Moody’s;
г) Использование средних значений объясняющих переменных за 3 года для максимального учёта «кредитной истории» компаний.
Разработаны примеры использования механизма при моделировании ВКР для машиностроительных компаний. Использованы: (1) модель упорядоченного множественного выбора – probit; и (2) искусственная нейронная сеть с алгоритмом обучения Левенберга-Марквардта (ИНС).
Применение механизма при использовании probit позволило построить ВКР с точностью предсказаний кредитных рейтингов Moody’s (КР) около 64% и ошибкой до 1 градации около 95%. Это значительно выше, чем в случае построе
2. Внутренние кредитные рейтинги в риск-
контроллинге
Внутренние кредитные рейтинги (ВКР) –предназначены для
прогнозирования кредитных рисков компании и(или) её контрагентов на
период 12-24 месяцев
Спектр применения ВКР в риск-контроллинге достаточно широк
o Оценка достаточности регулятивного капитала банков (Базель II)
o Прогнозирование уровня кредитного рейтинга от рейтинговых агентств
o Раннее предупреждение об изменениях в кредитоспособности компании и(или) ее бизнес-
партнеров
o Оценка вероятности дефолта клиента банка при предоставлении финансирования
Для построения ВКР используются эконометрические модели, в основу
которых положены кредитные рейтинги от международных агентств
Существующие методики и механизмы построения ВКР не
обладают достаточной точностью и надежностью
2VI международная конференция по контроллингу, 2017
3. Предлагаемый механизм построения ВКР
3
Сбор исходных
данных
Финансовая
отчетность компании
(GAAP или МСФО)
Базы данных
международных
организаций
Обработка
исходных
данных
Приведение к
единому базису
различных практик
учета
Отражение хоз.
операций по
экономической
сущности
Выбор
объясняющих
переменных
Отраслевые
методологии
международных
рейтинговых агентств
(например, Moody’s)
Выбор моделей
и их
спецификаций
• Модели
упорядоченного
множественного
выбора
• Нейронные сети
• Комитетные
методы
• Метод древа
решений
Моделирование
ВКР с помощью
различных
моделей
Выбор
наилучшей
модели по
степени
точности
Рекалибровка
модели
Использование
ВКР в риск-
контроллинге
VI международная конференция по контроллингу, 2017
4. Исходные данные для моделирования
ВКР для машиностроительных компаний
Распределение компаний по странам
базирования
Распределение рейтингов Moody’s по
категориям
4VI международная конференция по контроллингу, 2017
5. Объясняющие переменные для
машиностроительных компаний
5
Области окружения Объясняющие переменные
Деловая среда Рост реального ВВП, доля инвестиций в основной капитал к объему ВВП,
инфляция в стране базирования
Конкурентоспособность Индекс глобальной конкурентоспособности Всемирного Экономического
Форума, доля в мировом машиностроительном производстве
Подверженность циклам Коэффициент вариации продаж
Институциональная среда Индексы Всемирного банка (индексы политической стабильности, верховенства
закона, эффективности правительства, контроля над коррупцией)
Качество корпоративного
управления
Индекс эффективности корпоративного управления от Всемирного
Экономического Форума
Размер и прибыльность Выручка, активы, рентабельность по EBIT, ROE
Задолженность и ликвидность Покрытие процентов прибылью, долг/EBITDA, покрытие долга денежными
потоками, финансовый рычаг, коэффициенты срочной, текущей и абсолютной
ликвидности
VI международная конференция по контроллингу, 2017
6. Результаты моделирования ВКР для
машиностроительных компаний
6
Характеристики Модель упорядоченного
множественного выбора
Искусственная нейронная сеть
Обучающая
выборка
Тестовая
выборка
Полная
выборка
Обучающая
выборка
Тестовая
выборка
Полная
выборка
Количество наблюдений 255 660 915 255 660 915
Точное предсказание градаций, Δ=0 67.1% 63.8% 64.7% 82.6% 55.3% 64.0%
Суммарная ошибка до 1 градации |∆|≤1 95.3% 93.7% 94.9% 88.2% 77.6% 80.1%
Суммарная ошибка до 2 градаций |∆|≤2 97.3% 97.3% 97.3% 91,9% 88.9% 89.6%
Точное предсказание класса, δ=0 92.2% 91.4% 91.6% 86.7% 71.8% 76%
Суммарная ошибка до 1 класса, 𝛿 ≤ 1 100% 99.4% 99.6% 96.8% 97.0% 97%
Суммарная ошибка до 2 классов 𝛿 ≤ 2 100% 99.8% 99.9% 98.8% 99% 99%
Точное предсказание градации, страны G-7 - - 65.2% - - 63.2%
Точное предсказания градации, остальные
страны
- - 61% - - 60%
VI международная конференция по контроллингу, 2017
7. Полученные результаты
Применение механизма при построении ВКР с помощью модели
упорядоченного множественного выбора probit позволило увеличить точность
прогноза
• Точность прогноза рейтинга составила 65% по сравнению с 37%-41% без
применения механизма
• Прогноз рейтингов с ошибкой в одну градацию улучшен до 95% по сравнению с
точностью 87%-89% без применения механизма
• Улучшение точности позволит расширить спектр применения ВКР
Использование нейронной сети в качестве модели построения ВКР не
улучшает точность предсказания рейтингов
• Точность предсказания по тестовой выборке (55%) хуже, чем при использовании
модели probit (64%)
• В дальнейших исследованиях предлагается использовать для обучения нейронной
сети алгоритм обучения, отличный от алгоритма Левенберга-Марквардта
7VI международная конференция по контроллингу, 2017