изменение графика погашения задолженности на менее выгодных условиях.

Помимо этого, кредитным событием иногда могут быть признаны и такие факты:

7) понижение или отзыв рейтинговым агенством кредитного рейтинга заемщика;

8)неконвертируемость валюты, вызванная введенными государством ограничениями;

9)действия государственных органов, под которыми понимаются:

−заявления или действия правительства или регулирующих органов, ставящие под угрозу юриди- ческую силу обязательства;

−война или военные действия, препятствующие осуществлению деятельности правительства или банковской системы.

В дальнейшем из всех кредитных событий нас будет интересовать дефолт как основной вид кредитного риска.

7.3. МОДЕЛИ ОЦЕНКИ КРЕДИТНОГО РИСКА

Модели оценки кредитного риска призваны дать ответ на вопрос, какова вероятность того, что заемщик окажется неплатежеспособным, и какой должна быть стоимость предлагаемого ему кредитного продукта с учетом прошлого опыта и прогнозов относительно будущего.

Все существующие модели оценки кредитного риска можно классифицировать:

по лежащим в их основе математическим методам;

по сфере применения;

по предмету исследования.

180

Развитие кредитного риск-менеджмента в последние годы было обусловлено применением современных математических методов, таких как анализ выживаемости, вероятностное и статистическое моделирование, математическое программирование, теория игр, нейронные сети и др. по применяемому математическому аппарату модели оценки кредитного риска можно классифицировать следующим образом:

1) эконометрические модели на основе линей-

ного и многомерного дискриминантного анализа, рег- рессионного анализа, анализа выживаемости, позволяющего получать оценки вероятности наступления события, например, дефолта;

2) нейронные системы – компьютерные алгоритмы, имитирующие работу человеческого мозга посредством взаимодействия взаимосвязанных «нейро- нов». В нейросетях используют те же входные данные, что и при эконометрическом подходе, выделяя взаимосвязи между ними посредством многократного повторения, методом проб и ошибок;

3)оптимизационные модели, основанные на методах математического программирования, позво- ляют минимизировать ошибки кредитора и максими- зировать прибыль с учетом различных ограничений. С помощью методов математического програм- мирования, в частности определяют оптимальные доли клиентов в портфеле ссуд и/или оптимальные параметры крединтых продуктов;

4)экспертные системы, использующиеся для имитации процесса оценки риска, осуществляемого опытным и квалифицированным специалистом при принятии кредитного решения. Составляющими экспертной системы являются набор логических пра- вил вывода, база знаний, содержащая количественные и качественные данные об объекте принятия решений, а

181

также модуль для ввода ответов пользователя на вопросы системы;

5) гибридные системы, которые используют вычисления, статистическое оценивание и имита- ционное моделирование и могут быть основаны на причинно-следственных отношениях. Например, к ним относится модель EDF компании KMV, предназначенная для оценки вероятности дефолта.

Последовательность построения модели заклю- чается в выявлении взаимосвязей между переменными, в выборе методов для оценки входных параметров и в оценке точности модели.

Модели оценки кредитного риска могут приме- няться в различных сферах деятельности, в том числе:

при принятии решений о предоставлении кредита;

при определении внутреннего и внешнего кре- дитного рейтинга;

для расчета стоимости кредитных продуктов;

как система «раннего предупреждения» (early warning system), своевременно указывающая на потенциальную вероятность потерь и способствующая принятию мер по сокращению кредитного риска;

для выработки стратегии взаимоотношения с клиентами.

7.4.ОСНОВНЫЕ СОСТАВЛЯЮЩИЕ КРЕДИТНОГО РИСКА

Хотя кредитный риск следовало бы рассматривать как любое (отрицательное) изменение рыночной стои- мости активов в результате изменения мнений участни- ков рынка о возможности объявления дефолта в буду- щем, предметом нашего дальнейшего анализа будут только сами последствия объявления дефолта. Риск

182

дефолта можно рассматривать как функцию следую- щих параметров:

вероятности наступления дефолта (probability of default – PD), оцениваемой путем анализа финансового состояния заемщика или рыночной стоимости выпу- щенных им в обращение облигаций и акций. Прогноз вероятности дефолта и оценка корреляции между де- фолтами для составляющих портфеля представляет собой центральную задачу при моделировании кре- дитного риска;

подверженность кредитному риску (credit exposure – CE; exposure at default – EAD), представляющая собой эконо- мическую оценку стоимости активов, подверженных риску, в момент объявления дефолта. Для относитель- но простых инструментов, таких как ссуды или обык- новенные облигации, подверженность кредитному риску принимается постоянной и равной их номи- нальной стоимости, однако для производных инстру- ментов распределение подверженности кредитному риску во времени будет иметь более сложный вид;

потери в случае дефолта (loss given default – LGD),

отражающие уровень потерь с учетом частичного вос- становления активов, например, путем реализации за- лога, исполнения гарантий и т. п. так, если уровень восстановления равен 30% от общей суммы кредита, то потери в случае дефолта составят 70% от подвержен- ности кредитному риску. Уровень восстановления за- долженности может также существенно различаться по различным категориям контрагентов и видам кредит- ных продуктов.

Кредитный риск выражается величиной кредитных потерь (credit loss – CL), которые можно оценить с помо- щью трех составляющих кредитного риска, перечис- ленных выше. Потери вследствие кредитного риска для

183

одного актива можно формально представить как про- изведение перечисленных параметров:

CL b CE LGD b CE 1 R ,

где: b – двоичная случайная переменная, принимающая значение 1 в случае наступления дефолта с вероятно- стью PD и 0 – в противном случае;

CE – подверженность кредитному риску в момент объявления дефолта;

R – уровень восстановления задолженности;

LGD 1 R – безвозвратные потери в случае де- фолта.

В общем случае все переменные, входящие в пред- ставленную формулу, можно рассматривать как слу- чайные величины. Предположим, что их совместное распределение описывается некоторой функцией

плотности вероятностей f b,CE, LGD . Тогда матема-

тическое ожидание случайной величины CL, называе- мое ожидаемыми потерями вследствие кредитного рис-

ка (expected credit loss – ECL) определяется следующим образом:

ECL b CE LGD f b, CE, LGD dbdCEdLGD

Если все параметры кредитного риска являются не- зависимыми, то совместную плотность распределения вероятностей можно представить в виде произведения плотностей каждой из этих величин, а последнее вы- ражение будет сведено к виду:

ECL b g b db CE CE dCE LGD LGD dLGD ,

где: g b , CE , LGD – функции плотностей рас-

пределения вероятностей соответствующих случайных величин.

Отсюда следует, что ожидаемые потери можно оценить как произведение вероятности дефолта на

184