| Аннотация | В работе рассматриваются различные методы прогнозирования банковских дефолтов с целью выявления модели, обладающей наибольшей прогнозной силой на фактических российских данных в период 2015-2016 годов. Помимо панельных логит-моделей - стандартного аппарата для определения вероятности обвала банка, используется алгоритм «случайного леса», строящий прогноз на основе процесса машинного обучения, который ранее не применялся для анализа российского банковского сектора. Показано, что новые инструменты прогнозирования обладают наибольшей прогнозной силой, верно идентифицируя состояние 99,62% банков в выборке и тем самым выдавая наименьшее значение средней абсолютной ошибки прогноза. Помимо этого, при помощи панельных логит-моделей в работе выявляются факторы, позволяющие оценить вероятность банкротства банка на основе динамики показателей его финансовой отчетности. Показано, что увеличение показателей, характеризующих доходность чистого дохода, нормированного на сумму активов-нетто, рентабельности активов, уровня обеспечения кредитного портфеля залогом имущества, норматива достаточности капитала Н1, уменьшает вероятность дефолта. В свою очередь факторы, связанные с кредитными операциями: отношение кредитного портфеля к активам-нетто и отношение промышленных кредитов к активам-нетто, - имеют положительное влияние на вероятность обвала банка. Отрицательное влияние уровня просроченной задолженности по кредитному портфелю на вероятность обвала указывает на специфику действий Банка России при отзыве лицензии. Таким образом, результаты работы позволяют усовершенствовать систему раннего оповещения банковских дефолтов для ее использования как коммерческими банками, так и монетарными властями. |
|---|