2.Основные модели ипотечного кредитования. Модели кредита


Модели ипотечного кредитования

Ключевые слова: ипотека, кредит, ипотечное кредитование, жилищное строительство, модель ипотечного кредитования

Катастрофическое состояние жилищного фонда, невозможность миллионов россиян десятилетиями реализовать свое право жить в человеческих условиях и как следствие -зреющая в обществе социальная напряженность - превратили проблему жилищного строительства в одну из важнейших для современной России.

Для ее решения требуется системный подход. Причем масштаб проблемы, ее значимость для социального и экономического развития России требуют максимально быстрых действий, использования как отечественного, так и мирового опыта в этой сфере.

В современных российских условиях основой финансирования жилищного строительства должно стать кредитование, а лучшим способом его обеспечения - ипотека. Как отметил Президент РФ: «Нужны ясные правовые условия для развития долгосрочного жилищного кредитования - как граждан, так и профессиональных застройщиков. Ипотека должна стать доступным способом решения проблем».

В настоящее время в мировой практике используются две основные модели ипотечного кредитования: одноуровневая и двухуровневая.

Суть одноуровневой модели ипотечного кредитования состоит в том, что кредитор, оставив требования по ипотечным кредитам в собственном портфеле, привлекает денежные средства через эмиссию своих ценных бумаг и иные пассивные операции, в том числе заемные, используя при этом в качестве обеспечения исполнения уже собственных долговых обязательств имеющиеся у него права требования по ипотечным кредитам.

При этом правовой режим ипотечных ценных бумаг регулируется специальным законодательством, которое предоставляет их держателям широкие возможности защиты своих прав, что позволило, в частности, ипотечным облигациям стать самыми надежными ценными бумагами в Германии. Их владельцы получали проценты по ним даже во время двух мировых войн.

Эмитирующие ипотечные ценные бумаги институты находятся под жестким государственным контролем или являются строго специализированными учреждениями (организациями). Именно для данной модели ипотечного кредитования характерно наличие ссудо-сберегательных учреждений (стройсберкасс).

Рефинансирование кредитных ресурсов при одноуровневой модели ипотечного кредитования осуществляется посредством депозитных или фондовых инструментов без передачи ипотечных кредитов специализированным институтам типа агентств (фондов) ипотечного кредитования.

Следует отметить, что в науке одноуровневую модель ипотечного кредитования часто именуют «немецкой». По нашему мнению, это не отражает в полной мере суть данной модели кредитования.

Поскольку современные ипотечные системы, так или иначе, замыкаются на государстве, под ипотечной моделью следует понимать систему организации ипотечного жилищного кредитования в масштабах страны или региона. С этой точки зрения деление моделей ипотеки на американскую и европейскую кажется более логичным, чем иное.

Суть двухуровневой модели ипотечного кредитования состоит в том, что кредитор уступает права по ипотечным кредитам другому лицу взамен на получение денежной суммы.

Данная модель функционирует за счет специальных институтов - агентств (фондов) ипотечного кредитования, которые специализируются на приобретении прав по ипотечным кредитам, выданным на первичном рынке, и дальнейшей их реализации: переуступка на вторичном рынке инвесторам, формирование ипотечных кредитных пулов и их продажа (продажа прав участия в них) вторичным инвесторам, выпуск ипотечных ценных бумаг и другие способы.

Основные статистические показатели, характеризующие ипотечное кредитование в Европе и Северной Америке, показывают, что наиболее динамичное развитие данная модель ипотечного кредитования приобрела в США во второй половине ХХ века, а закончился этот этап бурного развития глубоким кризисом ипотечной системы в США в начале XXI века.

При детальном анализе европейская и американская модели имеют более глубокие различия, чем наличие или отсутствие тех или иных ипотечных институтов. Можно утверждать, что в основе европейской модели лежит консерватизм, направленный к максимальной надежности ипотечных институтов.

Например, более чем за 100 лет действия немецкого Закона «Об ипотечных банках» не обанкротился ни один ипотечный банк. С другой стороны, американская модель основана на либерализме в рыночных механизмах. Она характеризуется динамизмом своего развития, сопровождаемого как взлетами, так и кризисами, и связанными с поисками путей выхода из них финансовыми новациями.

В Российской Федерации особую методологическую роль в становлении системы ипотечного кредитования сыграли «Основные положения о залоге недвижимого имущества - ипотеке», одобренные Правительством РФ 22 декабря 1993 года.

Основные положения были подготовлены Исследовательским центром частного права в качестве модели законодательного акта об ипотеке. Можно утверждать, что в данном документе разработчики попытались применить отдельные положения частного права в англосаксонской традиции к ипотечному праву России, так как основным «поставщиком» ипотечных институтов, предложившим в 1992 году Правительству РФ проекты и техническую помощь в проведении реформ, было Агентство США по международному развитию (USAID).

Таким образом, на первоначальном этапе развития института ипотеки в Российской Федерации Правительство РФ сделало ставку на построение двухуровневой (американской) модели ипотечного кредитования.

Двухуровневый характер имеет и современная система ипотечного кредитования в России: на первом уровне - Агентство по ипотечному жилищному кредитованию (АИЖК), «изначально представляющее собой результат трансплантации института ипотечных агентств из США («Fannie Мае», «Ginnie Мае» и «Freddie Mac»)»; на втором уровне - банки и иные кредитные организации, осуществляющие ипотечную деятельность.

Кредитная организация, занимающаяся ипотечным кредитованием, может обратиться в АИЖК с просьбой о рефинансировании сформированного ею пула кредитов, обеспеченных ипотекой. АИЖК выкупает закладные, если условия выдачи и обслуживания кредитов соответствуют его требованиям, и выпускает на их основе облигации, по которым государство гарантирует платежи и доходность.

Средства, полученные от выпуска облигаций, вновь направляются на приобретение у кредитной организации пула закладных.

В соответствии со схемой деятельности, утвержденной Правительством РФ, АИЖК рефинансирует деятельность кредитных организаций под гарантии государства. При этом инвестиционный потенциал, возникающий в результате деятельности АИЖК, не отвечает критериям эффективного использования бюджетных средств.

Реализуемый агентством механизм рефинансирования подразумевает, что происходит выкуп именно тех кредитов, которые выданы на приобретение жилья на вторичном рынке, поскольку объектом залога выступает жилье (в связи с высокими рисками при его приобретении в период строительства, в случае привлечения кредита, жилье покупается, как правило, на вторичном рынке).

Минимизация рисков кредитными организациями приводит к тому, что более 90% кредитов, которые выдаются в соответствии с требованиями АИЖК, направляются на вторичный рынок. В этом случае система ипотечного жилищного кредитования при ее расширении способствует развитию спекулятивных настроений на рынке недвижимости.

Отсутствие взаимосвязи с реальным сектором ведет к тому, что происходит потеря экономического эффекта от развития ипотечного жилищного кредитования. Механизм рефинансирования АИЖК не создает предпосылок для инвестирования в строительство и расширения предложения жилья.

По нашему мнению, большинство современных проблем, связанных с ипотечным кредитованием, в нашей стране зародились в 90-е годы ХХ века и связаны с построением в Российской Федерации двухуровневой (американской) модели ипотечного кредитования, которая по целому ряду причин эффективно применяться в России не может.

Российская правовая система построена на принципах европейской континентальной школы права, в ее основе лежит единая концепция права собственности. Как отметил проф. Е.А. Суханов, нельзя быть «собственником права», ибо в европейском континентальном правопорядке нельзя установить вещное право на право требования.

Право собственности в его континентальном, в том числе российском, понимании невозможно «расщепить»: оно либо полностью сохраняется за собственником, либо полностью утрачивается им. Вместо теории расщепления собственности и конструкций из множества правомочий собственника российская правовая доктрина использует теорию вещных прав. Англо-саксонской правовой системе деление прав на вещные и обязательственные, в свою очередь, неизвестно.

Построение двухуровневой (американской) модели ипотечного кредитования с использованием конструкций континентального залога затруднено ввиду необходимости использования механизмов цессии при передаче прав по ипотечным кредитам, а также ввиду коренных различий в правовой природе ценных бумаг по российскому праву и ценных бумаг в англо-саксонской правовой системе.

Таким образом, нельзя механически переносить институты англо-американского права в российское, которое обладает своей исторической спецификой и имеет принципы, выработанные веками.

При двухуровневой (американской) модели ипотечного кредитования залог недвижимости, служащий средством минимизации имущественного риска, которому подвергается кредитор, сам становится уязвимым для рисков, порождаемых наделением оборотоспособностью притязаний, обеспеченных ипотекой. Эти риски, или «риски второго порядка», способны материализоваться, примером их материализации служит трудно преодолеваемый ипотечный кризис в США, который в конечном итоге перерос в мировой экономический кризис.

Причина заключается в тесной взаимосвязанности участников рынка ипотечного жилищного кредитования между собой при двухуровневой (американской) модели. Невыполнение обязательств одним из участников ведет к неисполнению обязательств другими участниками рынка ипотечного кредитования, то есть к «эффекту карточного домика».

В отличие от двухуровневой (американской) модели ипотечного кредитования, одноуровневая (европейская) модель экономически более устойчива, следовательно, в российских условиях является более предпочтительной.

Европейская (одноуровневая) модель ипотечного кредитования ближе России и с точки зрения построения системы права, и исторически. До 1917 года в нашей стране существовала одноуровневая модель ипотечного кредитования. При этом за все время существования системы ипотечного кредитования в дореволюционной России только один ипотечный банк потерпел крах и прекратил свою работу.

Таким образом, оптимальной для Российской Федерации является одноуровневая (европейская) модель ипотечного кредитования, построение которой способно решить многие проблемы и может смягчить ... читать далее ...

newinspire.ru

Какие виды ипотеки существуют за рубежом?

Такой тип кредитования как ипотечное — получил широкое распространение на практике за рубежом. Существуют различные сложные и многогранные зарубежные модели ипотечного кредитования. Они в реальной жизни становятся звеном, связующим человеческую потребность обладать собственным жильем и существующими ограничениями в области финансов у этого самого человека.

Особенно важную роль в становлении целой кредитной системы и формировании собственной модели ипотечного кредитования в России, сыграла возможность сравнения практики кредитования на территории федерации и за рубежом.

России для формирования наиболее эффективной модели ипотечного жилищного кредитования, просто необходимо с умом использовать накопившийся уже в достаточном объеме, опыт разнообразных зарубежных банковских систем в деле предоставления кредитов и их обслуживания.

Конечно, в деле формирования новой модели кредитования не следует использовать метод слепого копирования, в первую очередь по причине различных экономических ситуаций за рубежом и в России. Однако качественная сравнительна характеристика и анализ, позволят обнажить наиболее проблемные места в системе кредитования ипотеки на территории России.

Модели ипотечного кредитования распространенные за рубежом

Сегодня в США существует собственная американская модель ипотечного кредитования. Рынок недвижимости в Америке обслуживается практически полностью только двумя видами кредитов:

Строительный заем

Строительный заем — это модель кредитования, организованная следующим образом. Фирма-подрядчик собирает все необходимые документы и получает в банке строительный заем. Полученные средства используются для исполнения всех работ по проектированию, а также для выполнения строительных работ.

Ипотечный кредит

Схема данной модели выглядит следующим образом. Покупатель получает в банковской структуре кредит для покупки недвижимости, а точнее, жилья. Обеспечением для такого кредита служит покупаемая недвижимость.

Ипотечный кредит в таком случае оформляется как закладная на имущество или в виде акта о передаче в опеку. Эти самые документы и передают жилье банку в случае неуплаты по кредиту, с правом выкупа имущества заемщиком в период до двух лет, при условии полной выплаты оставшегося долга.

На территории Германии идея формировании ипотечного типа кредитования зарождалась еще в средние века, в те времена земля была наиболее ценным имуществом. Сегодня Германия — это страна с наиболее качественно налаженной системой поддержки заемщиков.

Таким образом, заемщики немецких банков могут получать дотации деньгами, в случае если у заемщика, к примеру, родился ребенок, или же получить непрямые льготы при оценке имущественного положения заемщика, полного состава его семьи пр.

Основные модели ипотечного кредитования

К классическим моделям кредитования ипотечного типа мирового масштаба можно отнести следующие:

  • Одноуровневая модель ипотечного кредитования

Целый ряд стран западной Европы успешно применяют на практике данную модель, это такие страны как: Франция, Германия, Дания и т.д. Стоит отметить, что такого рода система имела место на территории России еще в дореволюционный период.

Одноуровневая модель предусматривает существование специализированных учреждений или структур, таких как — ипотечные банки. В общем своем числе организации, предоставляющие услуги по кредитованию ипотечного типа могут быть представлены в двух видах, в качестве банков, обладающих правом осуществления всего перечня услуг и операций как для лиц физически, так и для юридических и кредитные организации не банковского типа, обладающие правом осуществления всего нескольких операций.

Основным и наиболее привлекательным для России преимуществом в данной одноуровневой системе является легкость ее интеграции в законодательство. Такую модель достаточно легко и экономически выгодно организовывать и контролировать, особенно если сравнивать ее с двухуровневой моделью.

В одноуровневой модели нет нужды страховать возможные риски кредитно-финансового характера, пользоваться услугами различных рейтинговых агентств, и что самое главное, отсутствуют любые затраты на выплату вознаграждений агентам, ведущим работу по обслуживанию кредита, что делает размер кредита для самого заемщика ощутимо меньше.

  • Двухуровневая модель ипотечного кредитования

Двухуровневая модель, именуемая также универсальной, предусматривает выдачу кредита заемщику, возврат которого обеспечивается закладной на купленную недвижимость. Впоследствии банковская структура может осуществить продажу требований по данному кредиту ипотечному агентству государственного типа.

А государственное агентство формирует из нескольких выкупленных кредитов пул, на основании данного пула выпускаются облигации.

В ходе применения такой модели кредитования, финансирование ипотеки происходит в основном уже за счет рынка ценных бумаг вторичного типа. Покупателями таких облигаций зачастую являются такие институционные инвесторы как — фонды пенсионные или инвестиционные, а также страховые компании и др.

По материалам сайта http://pr-credit.ru

(Visited 1 068 time, 17 visit today)

Форма заполнения заявки на кредит

Поделись с друзьями!

pr-credit.ru

Открытая ипотека

Российский рынок ипотечного кредитования еще очень молод, однако наблюдается его активное развитие. Участники рынка усердно перенимают положительный опыт других стран, успешно внедряя жизнеспособные модели в свою деятельность. Идет эволюция кредитной системы страны.

 

Открытая ипотека – это форма залога, подразумевающая под собой имущество, которое должник закладывает, как гарант своей платежеспособности. При этом имущество остается собственностью должника, однако кредитор в случае отказа плательщика от выплат займа и процентов по займу, может на законных основаниях реализовать имущество в первостепенном порядке.

 

В России ипотекой пользуются преимущественно те граждане, которые хотят купить свое жилье, иными словами, ипотека и недвижимость в нашей стране стали тождественными понятиями.

 

Ипотечный кредит – это одна из главных составляющих российской ипотечной системы. Отличительная особенность – банк дает деньги под залог недвижимости, которая и является гарантией платежеспособности.

 

В мире существует три модели ипотечного кредитования открытого типа: расширенно-открытое кредитование, сбалансировано-открытое (США и Германия), усеченно-открытое (применяется в Англии, Италии, Испании и Франции).

 

 

Американская модель кредитования расширенно-открытого типа

 

 

Эта модель ориентирована на такие финансовые продукты, как ценные бумаги, закладные на дома и участки земли, недвижимость в новостройках и рынке вторичного жилья. История такова: государству всегда выгоднее подвести все виды ипотечного кредитования под один общий стандарт. Это увеличивает шансы на дальнейшее рефинансирование и возможность повышения ликвидности. Модель ипотечного кредитования, состоящая из двух уровней, подходит для этих целей как нельзя лучше, поскольку рефинансирование невозможно без вторичного рынка закладных.

 

Работа механизма рефинансирования строится следующим образом: финансовые организации получают ипотечные кредиты в рамках первичного рынка, далее они освобождают себя от тех обязательств, которые были получены от заемщика путем их передачи в ипотечное агентство. В свою очередь, агентство возвращает деньги, учитывая экономическую целесообразность.

 

Далее происходит следующее:

  • переуступка кредитов в пользу вторичных инвесторов;
  • формирование пулов из однородных ипотек с последующей их продажей вторичным инвесторам. Продаются также доли в пулах, с гарантийным правом участия;
  • выпуск ценных ипотечных бумаг с последующей реализацией на фондовом рынке. Средства, полученные от продажи ценных бумаг, идут на выкуп новых ипотечных обязательств у банков. Выплачивать средства по ценным бумагам обязуется заемщик, и никто другой.

 

Расширенно-открытое кредитование имеет два уровня и подразумевает взаимодействие нескольких сторон: государства, заемщика, инвестора и банка, выдавшего ипотечный заём. Государство здесь играет одну из наиважнейших ролей – оно гарантирует финансовую сторону ипотечных ценных бумаг путем сотрудничества с посредниками – крупными фирмами, в обязанность которых входит скупка определенного количества закладных по ипотекам. Государство всячески поддерживает ипотечные агентства и придает выпускаемым ими ценным бумагам статус надежности, чтобы даже самые осторожные инвесторы не опасались делать вклады.

 

О плюсах этой модели открытого кредитования:

 

  • посредством использования вторичного рынка ценных бумаг по ипотеке, можно получить кредитные ресурсы на довольно большой промежуток времени;
  • число кредиторов неуклонно растет, а вместе с кредиторами увеличиваются вариации и схемы кредитования, благодаря чему люди с разным уровнем достатка могут рассчитывать на кредит под покупку жилья.

 

О минусах этой модели:

 

  • эта модель окажется эффективной только в тех странах, где есть стабильная экономика, и финансовый рынок развит на достаточно высоком уровне,
  • наблюдается некоторая зависимость процентных ставок от того, на каком уровне стабильности находится финансовый рынок в данный момент времени.

 

 

Сбалансированно-открытая, немецкая модель кредитования

 

 

Немецкая модель ипотеки является одноуровневой. Отличие очевидно: инвестор и кредитор – одно и то же лицо – финансовое учреждение, кредитующее, выпускающее ценные бумаги и самостоятельно реализующее их. Но, чтобы реализовать такие ценные бумаги, нужно пройти через немалые трудности, связанные с индивидуальностью каждой банковской закладной.

 

Исходя из всего вышесказанного, банкам, работающим по немецкой сбалансированно-открытой системе, для поддержания баланса пассивов и активов нужно иметь и постоянно увеличивать масштабность уставного капитала. В идеале – чем больше капитал, тем больше доверие к банку и к его закладным. Это связано с тем, что такие банки сами выступают эмитентами своих же ценных бумаг. К примеру, американская модель кредитования не требует такого.

 

Немецкая система стройсбережений

 

В Германии развита система стройсбережений, характеризующаяся удачным сочетанием накопительного процесса и кредитования населения. Государство поддерживает и продвигает этот вариант ипотечного кредитования. Потенциальному заемщику нужно открыть накопительный банковский счет и периодически делать на него взносы. Как только оплата части стоимости жилья будет накоплена, а это обычно 50%, то государство предоставляет будущему заемщику субсидии и дотации, которые обычно характеризуются льготным кредитом с более низкой процентной ставкой.

 

Система имеет сберегательно-ссудный принцип работы. Средства, полученные от заемщиков, идут на обеспечение ипотечного кредитования и не могут быть использованными для сторонних нужд.

 

Плюсы сберегательно-ссудной модели открытого кредитования:

 

  • Модель полностью автономна, финансовый рынок не влияет на формирование ставок по ипотеке, банк устанавливает их, исходя из собственных интересов.
  • Риск не возврата кредита сводится к минимуму.
  • Такой ипотечный кредит будет доступен заемщикам разного социального уровня.

 

Минусы этой модели:

 

  • Средства заемщиков, которые поступают от них на счет банка, могут быть нестабильными и разными.
  • Кредит можно получить не раньше, чем энная сумма денег будет накоплена на счету. Это могут быть как месяцы, так и годы.

 

Ипотека усеченно-открытого типа

 

Эта модель успешно применяется в Англии, Италии, Испании и Франции. Ее используют страны с плохо развитым рынком ценных бумаг. Эта модель – самая простая, однако не очень совершенная и характеризуется работой исключительно в рамках первичного рынка ценных бумаг.

 

Эта модель подразумевает использование закладных, полученных от заемщиков по кредитам, только для того, чтобы привлечь внешнее финансирование. В тех странах, где работает только эта модель кредитования ипотеки, банки могут повышать процентную ставку искусственно. Также финансовые учреждения вправе уменьшить сроки кредитования, поскольку решения по этим вопросам они принимают самостоятельно. Усеченная модель применяется исключительно специализированными банками, занимающимися выдачей кредитов. Но только в том случае, если в банке присутствует подразделение по ипотеке.

 

Особенность этой модели открытого кредитования – чтобы привлечь средства на ипотеку, банк применяет все возможные источники: собственный капитал, депозиты и кредиты между банками.

 

Вторая и, пожалуй, самая яркая особенность - зависимость процента по ипотеке от финансового состояния страны. Данная зависимость оказывает сильное влияние на такие показатели, как активность ипотечного кредитования и его масштабность.

 

Плюсы:

 

  • минимальное число участников,
  • нет вторичного рынка,
  • не нужно создавать многоуровневые финансовые организации - ипотечные банки.

 

Минусы:

 

  • ограничение числа привлекаемых ресурсов,
  • отсутствие стандартов,
  • зависимость ставки по кредитованию от финансового положения страны.

 

В каждом государстве ипотечное кредитование характеризуется своими особенностями, имеет как положительные, так и отрицательные стороны. Но описанные в этой статье модели открытой ипотеки существуют, значит, «это работает»! Какой из этих вариантов подходит для России и сможет стать главным, покажет время. Ходит мнение, что всего через 10 лет финансовая система пополнится новой российской моделью ипотечного кредитования.

utmagazine.ru

2.Основные модели ипотечного кредитования

    1. 2.1.Одноуровневая модель

В настоящее время строительство и покупка жилья в кредит, основу которого составляет ипотечное кредитование, является не только развитым направлением банковской деятельности в зарубежных странах, но и признано основным способом решения жилищной проблемы и перспективным направлением развития розничного рынка кредитных услуг в Республике Беларусь.

В мировой практике основу банковского кредитования строительства и покупки жилья составляет ипотечное жилищное кредитование населения, удельный вес которого равен 30% общего объема банковских кредитов. В США объем ипотечных кредитов в 2003 г. составил 3751 млрд. EUR, в странах Западной Европы — 2700 млрд. EUR [13, с. 36].

Широкое распространение ипотечного жилищного кредитования населения за рубежом обусловлено преобладанием частной собственности на жилую недвижимость (например, 87% жителей США являются владельцами односемейных домов), что подразумевает возможность ее залога, и высоким уровнем платежеспособного спроса населения на данную банковскую услугу. В условиях значительного превышения стоимости жилых домов над годовым доходом граждан ипотечное жилищное кредитование является практически единственным способом приобретения жилья. Например, ежегодно в США населению выдаются ипотечные кредиты на сумму, превышающую 800 млрд. дол. США.

В мировой практике до настоящего времени выработаны две модели организации ипотечного жилищного кредитования (ПРИЛОЖЕНИЕ Д): одноуровневая модель ипотечного кредитования и двухуровневая модель ипотечного кредитования.

Основные отличия в организации указанных моделей ипотечного жилищного кредитования, представлены в табл. 2.1.

Одноуровневая модель ипотечного жилищного кредитования получила широкое распространение в Германии, Дании, Франции, Испании, Польше, Венгрии, Чехии.

Таблица 2.1

Сравнительная характеристика моделей ипотечного жилищного кредитования

Мо­дель

Страна

Кредитор

Источник ресурсов

Условия предоставления кредита

Инвестор

процент по кредиту

сумма кредита

срок

кре­дита

дополни­тельные условия

Одноуровненвая

Франция Дания Испания Венгрия Польша Чехия

Ипотечные банки

Вклады, депозиты

2-8%

70-80% стоимо­сти жилья

10-30 лет

Ипотеч­ные банки

Германия Франция

Стройсбер-кассы, уч­реждения взаимного кооператив­ного кредита

Контракт­ные сбе­режения

4,5-8%

45-50% стоимо­сти жилья

6-18

лет

Сбереже­ния в раз­мере 45— 50% сто­имости жилья

Строй-сбер­кассы

Двухуровненвая

США Англия

Ссудосбере-гательные ассоциации, ипотечные банки, ком­мерческие банки, сберега­тельные бан­ки, кредит­ные союзы

Ипотеч­ные цен­ные бу­маги, соб­ственный капитал

7-8%

70% стоимо­сти жилья

12-30

лет

Страхова­ние, если сумма кре­дита боль­ше 80% стоимости залога

Пенсион­ные фонды страховые компании, коммерчес­кие банки, финансо­вые корпо­рации

Примечание. Источник: [12, с. 130, таблица 3.4]

Участниками одноуровневой модели ипотечного жилищного кредитования являются ипотечные банки и другие специализированные кредитно-финансовые учреждения, выступающие в роли кредитодателей, а также физические лица, являющиеся получателями ипотечного кредита. Креди­тополучатель при кредитовании передает кредитодателю закладную в качестве обеспечения взятого им кредита, выступая при этом залогодателем. Кредитодатель становится обладателем залогового права и является залогодержателем. В данной модели получил развитие только первичный рынок закладных.

Важной особенностью одноуровневой модели является то, что совокупная потребность всех клиентов в ипотечных кредитах обеспечивается за счет ресурсов, не связанных с рынком ипотечных ценных бумаг, а именно: собственного капитала кредитного учреждения; средств клиентов, размещенных во вкладах и депозитах банка; межбанковских кредитов. Привлекая ресурсы для ипотечных кредитов, банк в данной модели не использует закладные для операций купли-продажи на рынке ценных бумаг.

Второй характерной чертой одноуровневой модели является то, что весь кредитный процесс регулируется непосредственно кредитным учреждением, предполагается минимальная степень передачи кредитором своих функций по организации и обслуживанию кредитов посредникам.

В странах Западной и Восточной Европы в рамках одноуровневой модели наиболее развита система жилищных строительных сбережений (СЖСС). Так, в Дании, Нидерландах и Германии с помощью модели строй-сбережений в 2002-2005 гг. построено более 60% введенного жилья, а задолженность по таким кредитам составляла 50% ВВП. Во Франции каждый третий гражданин имеет жилищный накопительный контракт, в том числе 28,3% этих контрактов заключены с целью приобретения нового жилья, 44,9% — для покупки жилья на вторичном рынке, 26,8% — для финансирования ремонта и реконструкции жилья. В Венгрии, Польше и Чехии кредиты на жилищное строительство в рамках данной модели составляют 90% предоставляемых кредитов населению.

Общими условиями привлечения средств в рамках данных систем строй-сбережений являются следующие: сумма накопительного вклада составляет 40-50% стоимости приобретаемого жилья; процентная ставка по жилищным накопительным вкладам варьируется от 2,5 до 4,5% годовых; в обязательном порядке предусмотрено предоставление государственной субсидии.

Основные отличия данных систем заключаются в том, что во Франции в целях обеспечения положительной доходности по накопительным жилищным вкладам ипотечные институты ориентируются на рыночные ставки по депозитам, в Германии процентная ставка по вкладу зависит только от стоимости привлеченных ресурсов внутри системы стройсбережений.

Кроме того, в отличие от замкнутой немецкой модели формирование ресурсов во французской модели стройсбережений осуществляется не только за счет средств граждан, желающих получить ипотечный кредит, но и за счет средств граждан, заинтересованных в получении рыночного процентного дохода по контрактным сбережениям, что позволяет трансформировать свободные сбережения граждан в кредитные ресурсы банков.

Следует подчеркнуть, что в немецкой и французской СЖСС кредитные ресурсы не заимствуются на открытом рынке капитала, что особенно важно в белорусских условиях недостаточного развития фондового рынка, а целенаправленно формируются за счет привлечения средств будущих кредитополучателей посредством контрактных сбережений — постепенного накопления первичного капитала для получения ипотечного кредита. Сочетание в одном лице вкладчика и кредитополучателя является характерной чертой этой модели: до выплаты необходимой суммы вкладчик является кредитодателем, а после предоставления ему кредита становится должником.

Важно, что государство стимулирует накопление собственного капитала потенциальных кредитополучателей путем предоставления им cу6сидий (10% стоимости жилья) или налоговых привилегий (из налогооблагаемого дохода вычитается сумма сбережений в качестве расходов на социальное обеспечение).

Крупнейшими кредиторами в европейской одноуровневой модели ипотечного кредитования выступают сберегательные банки, на долю которых приходится 27% всего объема выданных ипотечных кредитов. Это обстоятельство особенно важно для определения основных кредитодателей системы ипотечного жилищного кредитования в республике.

Во Франции на государственный сберегательный банк приходится 25% всего объема предоставленных ипотечных кредитов, в Германии — более 30%. Более того, в некоторых странах сберегательный банк выступает единственным ипотечным кредитодателем (например, в Португалии — "Caixa Geral de Depositos", в Бельгии — "Caisse Generale D'Eparone et de Retraite"). Удельный вес ипотечных жилищных кредитов в активах сбе­регательных банков составляет от 25 до 50% [13, с. 38].

Структура ипотечных кредитов, выданных различными кредитодателями в европейских странах на 01.01.2006 г., представлена на рис. 2.1.

Рис. 2.1. Структура ипотечных кредитов по виду кредитодателей

в странах Западной Европы

Примечание. Источник: [21, с. 21].

Из рис. 2.1 видно, что наряду со сберегательными значительный объем ипотечных кредитов предоставляют ипотечные банки (23%).

Несмотря на то, что ипотечные банки являются крупными кредитодателями, они заимствуют кредитные ресурсы у сберегательных банков посредством межбанковского или синдицированного кредитования.

Главное преимущество системы жилищных строительных сбережений, как показывает мировой опыт, заключается в ее независимости от конъюнктуры финансово-кредитного рынка. Это позволяет кредитодателям устанавливать процентные ставки по вкладам и кредитам в рамках системы стройсбережений исходя только из особенностей своей кредитной политики. Например, банк может не выплачивать доход по вкладам, а в качестве цены кредита установить уровень банковской маржи по дан­ной операции. Кроме того, для кредитодателя уменьшается риск невозврата кредита, поскольку имеется возможность оценки кредитоспособности клиента на этапе накопления сбережений. Эти особенности одноуровневой модели важны для развития ипотечного кредитования в республике, поскольку позволяют определять статус ипотечных кредитных учреждений и принципы их функционирования.

studfiles.net

Финансовый анализ и инвестиционный анализ предприятия

К настоящему моменту коммерческими банками развитых стран разработано и протестировано множество математических моделей для оценки кредитного риска заемщиков. Многие из них выдержали проверку временем и сейчас используются в мировой практике. Так, Базельский комитет по банковскому надзору предлагает для оценки кредитного риска стандартный подход (standardized approach), основанный на оценке внешних рейтинговых агентств, и подход на основе внутренних рейтингов (Internal Rating Based approach, IRB) [8]. В современных российских условиях, когда большую часть кредитного портфеля банков составляют заемщики, не имеющие рейтингов международных агентств, построить гибкую систему оценки кредитного риска с помощью стандартного подхода достаточно затруднительно. Именно поэтому для российской банковской системы наиболее актуальными становятся модели оценки кредитного риска на основе внутренних рейтингов банков. В рамках данного подхода банкам необходимо рассчитать одну из ключевых составляющих кредитного риска — вероятность дефолта.

В данной работе представлен обзор основных моделей для оценки вероятности дефолта заемщика и предложена классификация существующих подходов (Приложение 1), проведен анализ достоинств и недостатков каждого класса моделей (Приложение 2), что дает возможность сформировать комплексный подход.

{module 297}

МОДЕЛИ НА ОСНОВЕ РЫНОЧНЫХ ПОКАЗАТЕЛЕЙ Существенный класс составляют рыночные модели, в основе которых лежит информация, доступная игрокам фондового рынка. Прежде всего это рыночные данные по котируемым ценным бумагам заемщика. Такие модели можно разделить на структурные и модели сокращенных форм.

Структурные модели вероятности дефолта В основе структурных моделей лежит идея о том, что стоимость акций компании является опционом call на активы компании с ценой сделки, равной стоимости ее обязательств. Основоположниками данного класса моделей считаются Блэк и Шоулз, Мертон. Мертон рассмотрел кредиторскую задолженность компании как требование, которое может быть обращено на ее стоимость, и использовал формулу ценообразования опционов Блэка — Шоулза для оценки вероятности дефолта компании [11]. В рамках данной модели предоставление кредита трактуется как покупка активов компании у акционеров и передача им опциона call на данные активы с ценой исполнения, равной стоимости кредита, и временем исполнения, равным сроку погашения кредита [18].

Пусть VTпредставляет собой стоимость активов фирмы в момент времени t, а при наступлении срока платежа в момент Т кредиторы предъявят требования в размере номинальной суммы долга D. В модели применяется упрощенное описание структуры долга: предполагается, что фирма имеет один-единственный долг в сумме D в форме облигации с нулевым купоном, т.е. вся сумма долга должна быть уплачена единовременно в момент времени Т.

Предположим, что величина долга полностью обеспечена активами фирмы, т.е. VT> D, тогда акционерам предоставляется разница VT - D. В случае если долг не обеспечен активами компании, т.е. VT< D, кредиторам достается то. что есть в наличии, акционеры же не получают ничего (это следует из приоритета выполнения требований кредиторов перед акционерами в случае банкротства фирмы).

Таким образом, в рамках модели Мертона получаемая кредиторами сумма в момент T может быть описана следующей системой уравнений:

Мертон применяет модель Блэка — Шоулза, предполагая, что стоимость активов фирмы V, распределена нормально с волатильностью  σ, а величина безрисковой ставки r является постоянной. На основе данных предпосылок стоимость опциона put в момент t представляет собой следующую величину:

где N(.)— интегральная форма стандартного нормального распределения, а d — вероятность исполнения опциона put:Модели сокращенных форм В моделях сокращенных форм для определения вероятности дефолта используется информация о текущей стоимости долговых обязательств заемщика, спрэдах доходности данных обязательств по сравнению с безрисковой ставкой. Такие модели не смогут ответить на вопрос о причинах возникновения дефолта, но смогут предоставить оценку его вероятности на основе данных, полученных от рынка. Этот подход получил свое развитие в работах Джерроу и Тернбула, Даффи и Синглтона (1999). Так, Джерроу и Тернбул в своей статье Pricing Derivatives on Financial Securities Subject to Credit Risk продолжили исследование Мертона, предложив модель ценообразования и хеджирования производных ценных бумаг, которые несут в себе кредитный риск, при условии непрерывности и случайной природы функций дефолта и процентных ставок [17].

Общим достоинством рыночных моделей является тот факт, что при использовании рыночных данных о финансовых инструментах компании мы используем информацию о заемщике, доступную всем инвесторам, действующим на рынке. Между тем показательной данная информация будет при условии эффективности фондового рынка, что является достаточно жестким ограничением. Более того, в российской действительности информация, доступная на фондовом рынке, весьма ограниченна, и на практике достаточно сложно оценить рыночную стоимость активов большинства заемщиков. Также не всегда ведется статистика о стоимости фирмы и ее волатильности, которая необходима для расчета. Между тем, несмотря на некоторые недостатки данных моделей, они получили широкое распространение на практике. Так. например, структурные модели были положены в основу популярного программного продукта CreditMonitor корпорации KMV, который использует ведущее рейтинговое агентство Moody's.

В модели CreditMonitor используется четырехшаговая процедура для оценки кредитного риска фирм, акции которых торгуются на открытом рынке.

Стоит отметить, что именно данная предпосылка о нормальном распределении доходности активов компании, заложенная в формуле Блэка — Шоулза, является существенным недостатком модели Мертона, т.к. может привести к недооценке вероятности дефолта в случае краткосрочного периода.

1. Определяется некоторая критическая точка дефолта D и принимается утверждение, что тенденция к дефолту имеет место, если рыночная цена активов фирмы падает ниже некоторой критической точки, которая обычно находится ниже бухгалтерской стоимости всей кредиторской задолженности фирмы, но выше бухгалтерской стоимости краткосрочной кредиторской задолженности. Как правило, точка дефолта определяется как сумма краткосрочных обязательств и половины долгосрочных обязательств компании:

DP =STD + 0.5LTD

2. Точка дефолта используется для инверсии стоимости и волатильности капитала и далее для определения стоимости и волатильности активов фирмы. 3. На основе полученных значений рассчитывается расстояние до дефолта (количество стандартных отклонений до точки дефолта), т.е. определяется, каким должно быть падение стоимости активов фирмы, для того чтобы объявить дефолт.

4. На основе базы данных системы CreditMonitor определяется ожидаемая частота дефолта — доля фирм, которые имеют одинаковое значение расстояния до дефолта и которые объявили дефолт в данный период [15].

По утверждениям разработчиков, данный подход позволяет предсказать будущее изменение кредитного рейтинга за 6-18 месяцев до наступления события. Более того, в этом случае вероятность дефолта является не дискретной величиной (как при использовании рейтинговой оценки), а непрерывной и изменяется вместе с изменением рыночной стоимости активов компании.

МОДЕЛИ НА ОСНОВЕ ФУНДАМЕНТАЛЬНЫХ ПОКАЗАТЕЛЕЙ Большой класс составляют модели на основе фундаментальных показателей деятельности заемщика. В зависимости от природы показателей, лежащих в основе, можно выделить модели: ■  на базе макроэкономических показателей; ■  на базе показателей финансовой и бухгалтерской отчетности; ■  на базе показателей внешних рейтинговых агентств.

Модели на основе макроэкономических показателей В основе данного подкласса моделей лежит идея о том, что вероятность дефолта государственных, корпоративных и розничных заемщиков банка имеет циклический характер и возрастает во время экономической рецессии. Как правило, такие модели используют регрессионный анализ, в котором участвуют какие-либо макроэкономические показатели: ВВП, инфляция, курс национальной валюты, уровень безработицы и др. С их помощью мы можем получить не только краткосрочную, но и долгосрочную оценку вероятности дефолта заемщика. Такой метод оценки долгосрочной вероятности дефолта (которая остается неизменной в течение одного экономического цикла) носит название Through The Cycle estimation (TTC) [21]. Базельский комитет по банковскому надзору определяет ТТС-оценку следующим образом: «.. .оценка вероятности дефолта, которая остается относительно постоянной в различных экономических условиях, в отличие от текущей оценки вероятности дефолта — Point In Time estimation (PIT), которая изменяется раз за разом вслед за изменением состояния экономики...» [7,8].

В данном классе можно разграничить модели, в основе которых лежат экзогенные и эндогенные факторы.

Макроэкономическиемоделинаосновеэкзогенныхфакторовисходят из предпосылки, что макроэкономические показатели сами по себе являются экзогенными (заданными вне модели) и не влияют на экономическую рецессию. К данному классу моделей относится модель Уилсона [23,24], которая легла в основу программного продукта CreditPortfolio View, предназначенного для оценки кредитного риска и разработанного консалтинговой группой McKinsey & Со. В рамках данного класса моделирование вероятности дефолта можно описать следующим образом:

P=f(yt)Где р — вероятность дефолта в течение заданного горизонта времени, уt — макроэкономический индикатор, отражающий состояние экономики. Он, в свою очередь, может быть выражен как функция от совокупности макроэкономических показателей:

yt=g(Xt,Vt)

Где Xt=(X1,X2,X3,Xn)— набор макроэкономических показателей, Vt— случайная ошибка. При разработке CreditPortfolio View учитывались следующие предпосылки: величина систематической компоненты вероятности дефолта заемщика в момент времени t описывается логистической регрессией:

Обычно заемщиков делят по секторам экономики или индустрии, в которой они действуют. В качестве факторов модели выбираются ставка роста ВВП, уровень потребительских цен, уровень инфляции, уровень безработицы и т.д. Значение каждого фактора, в свою очередь, определяется по его предыдущим показателям согласно авторегрессионной модели AR порядка q: Xit = bio+bi1Xit-1 + …+biqXit-q+ vit . Эти данные используются для моделирования совместного распределения величин вероятностей дефолта и переходных вероятностей для тех или иных секторов экономики или индустрии. Риски каждого сегмента далее агрегируются (с учетом значений корреляций и спрогнозированного значения состояния данного сегмента). Затем при помощи метода Монте Карло модель генерирует совместное распределение убытков в результате дефолта для всех сегментов портфеля, т.е. для совокупного кредитного портфеля, на основе которого определяется оценка кредитного VaR (Credit Value at Risk estimation, CVaR). Несмотря на то что данная модель не позволяет определить вероятность дефолта детально по каждому контрагенту, т.к. анализ строится на уровне сегментов экономики, она незаменима для оценки по портфелю спекулятивных инструментов, которые наиболее чувствительны к экономическим циклам и первыми реагируют на изменения в экономике.

Макроэкономические модели на основе эндогенных факторов предполагают, что существует обратная связь между масштабом экономической рецессии (и, следовательно, вероятностью дефолта заемщика) и макроэкономическими показателями. Так, например, можно предположить, что снижение чистого дохода корпораций уменьшит их возможность инвестировать, что в результате может негативно отразиться на уровне ВВП. Представителями данного класса являются модели Хоггарта, Соренсена и Зикчино (2005), Алвеса (2005), Тройтлера и Вайнера (2006). Как правило, в их основе лежит подход векторной авторегрессии:

где С — вектор постоянных величин. Ф — матрица коэффициентов, ᵋ — вектор остатков, Z— вектор эндогенных переменных, который включает как вероятность дефолта (или другие прокси масштаба экономической рецессии), так и другие элементы, отражающие состояние экономики в данный период [12].

Свое практическое применение данные модели нашли в системе стресс-тестирования вероятности дефолтов банков в рамках программы оценки финансового сектора (Financial Sector Assessment Programme. FSAP). которая была разработана совместно Мировым банком и Международным валютным фондом. На основе результатов этой программы был принят документ по оценке стабильности финансового сектора (Financial Sector Stability Assessment, FSSA) и выдвинуты основные показатели финансовой устойчивости банков (Financial Soundness Indicators, FSI) [12], которые являются макроэкономическими индикаторами для оценки устойчивости банковского сектора и системных рисков банковской системы в целом.

Сильной стороной моделей на основе макроэкономических факторов является то. что при их помощи можно учесть циклический характер вероятности дефолта и получить долгосрочную оценку. Часто они используются для стресс-тестирования других моделей вероятности дефолта. Кроме того, ввиду доступности статистики по макроэкономическим показателям данный подход можно использовать для кросс-анализа вероятности дефолта заемщиков, имеющих различную географическую принадлежность (например, для банков разных стран). Однако слабой стороной является тот факт, что для удачного применения данных моделей необходимо использовать показатели, относящиеся к одному бизнес-циклу, а определить периодичность циклов в экономике достаточно затруднительно. Более того, макроэкономические показатели могут служить л ишь расширением модели, т.к. на их основе сложно оценить вероятность дефолта конкретного заемщика (в отличие от отрасли или банковской системы в целом).

Модели на основе показателей бухгалтерской и финансовой отчетности Достаточно распространены модели, в основе которых лежат данные финансовой и бухгалтерской отчетности корпоративных заемщиков банка. В зависимости от используемого статистического метода их можно разделить на скоринго-вые модели, линейные модели дискриминантно-го анализа (среди которых, в свою очередь, выделяют модели однопеременного и множественного дискриминантного анализа) и модели бинарного выбора.

Кредитный скоринг — статистический прием, предложенный американским ученым Дэвидом Дюраном в 1941 г., который первоначально использовался для классификации розничных заемщиков. При использовании скоринг-модепи каждому заемщику присваивается рейтинг, который характеризует его финансовое состояние и способность своевременно погасить свои обязательства перед кредитором. В дальнейшем весь диапазон возможных значений разбивается на интервалы, рейтинговые группы. Посредством калибровки модели на основе исторических данных каждому рейтинговому баллу ставится в соответствие вероятность дефолта, которая по большей части является определением доли компаний этой группы, испытавших дефолт в течение года.

На данный момент модели кредитного скоринга являются весьма распространенными в банковской практике, особенно для оценки вероятности дефолта по однородным портфелям розничных ссуд. Однако первоначальная модель скоринговой оценки Дюрана была весьма упрощенной. Автор рассматривал определенные характеристики каждого розничного заемщика (такие как пол, возраст, срок проживания на одном месте, профессия, место и опыт работы, финансовое состояние) и в зависимости от их значения присваивал каждому клиенту определенный балл. Если суммарная оценка всех характеристик превышала 1,25 балла, то клиент считался кредитоспособным.

Современные системы кредитного скоринга стали гораздо более сложными и универсальными, однако их недостатком является дискретность, а также обязательное условие наличия обширной базы кредитных историй. Поскольку для выявления тех или иных зависимостей скоринговые модели нуждаются в значительных массивах исходной информации о ранее выданных кредитах и кредитных историях заемщиков, существует необходимость периодической актуализации исходных данных, а следовательно и выявленных зависимостей.

В рамках группы моделей дискриминантного анализа наиболее простыми для оценки дефолта заемщика являются модели одновременного дискриминантного анализа, родоначальником которых является Бивер [9]. Он сравнил финансовые коэффициенты 79 дефолтных фирм с показателями 79 компаний, сохранивших свою платежеспособность, и пришел к выводу, что в предсказании вероятности дефолта наибольшей силой наряду с такими показателями, как удельный вес заемных средств, рентабельность активов, коэффициент текущей ликвидности, доля чистого оборотного капитала в активах, обладает отношение чистого денежного потока компании к заемным

K= Cashflow / Total debt [9].

Весовые коэффициенты для индикаторов в модели Бивера не предусмотрены, и итоговый коэффициент вероятности дефолта не рассчитывается. Полученные значения этих показателей сравниваются с имеющимися данными трех состояний фирмы: благополучных компаний, компаний, обанкротившихся в течение года, и фирм, ставших дефолтными в течение пяти лет [9J. Хотелось бы отметить, что преимуществом модели Бивера является ее относительная простота. Однако предложенная методика характеризуется смещением в прогнозах: классификация кредитоспособных заемщиков более достоверна, чем распределение будущих дефолтов, более того, вводится жесткая предпосылка линейности связей между значением показателей и кредитоспособностью заемщика.

Модели множественного дискриминантного анализа также широко используются для оценки вероятности дефолта. Наиболее популярной в данном классе является модель, представленная Альтманом в статье Discriminent analysis, and the prediction of corporate bankruptcy [4], а также его последующие модели. Автор описал модель Z-дискриминанта, построенную с помощью аппарата мультипликативного анализа и позволяющую разделить заемщиков на потенциальных банкротов и небанкротов. В данной работе Альтман рассмотрел два класса компаний, по 33 предприятия в каждом, в период с 1946 по 1965 гг.: предприятия, объявленные банкротами согласно требованиям Американской комиссии по ценным бумагам, и функционирующие организации из тех же отраслей, размеры активов которых соизмеримы с показателями компаний первого класса [4].

Для анализа финансового состояния заемщика была исследована бухгалтерская отчетность предприятий за год, предшествующий банкротству. На основе этих данных для каждого предприятия были рассчитаны 22 финансовых коэффициента, характеризующих их ликвидность, рентабельность, устойчивость, платежеспособность и деловую активность. В каждой группе был выбран один наиболее значимый показатель, в результате чего была выведена следующая функция:

Z = 1.2Х1 + 1.4X2 + З.ЗХ3 - 0,6Х4 + 0.999Х5

Где Z — значение дискриминанта. X1 —доля чистого оборотного капитала в сумме активов. X2— нераспределенная прибыль / активы, Х3 — отношение прибыли до уплаты процентов и налогов к величине активов. X4— отношение собственного капитала к объему заемных средств, Х5 — выручка/активы.

На основе значения дискриминанта Альтман сделал вывод о вероятности дефолта заемщика. Модели Альтмана обладают большой предсказательной силой (позволяют предвидеть дефолт на период до пяти лет с точностью до 70%) [4]. Однако для данного класса моделей, безусловно, необходима адаптация к условиям российской практики, т.к. они могут не соответствовать современной специфике экономической ситуации, а также организации бизнеса в России. Например, при создании версии модели Альтмана для развивающихся рынков, которая получила название «модель скоринга развивающихся рынков» (Emerging Market Scoring, EMS), коэффициенты рассчитывались на основе статистики компаний Мексики и некоторые из них были видоизменены [5].

Еще одной популярной моделью в данном классе является модель Чессера, которая позволяет предсказать не только дефолт как таковой, но и невыполнение клиентом условий договора, т.е. любые отклонения от кредитного соглашения, которые делают предоставленную ссуду менее выгодной для банка. Модель Чессера основывается на оценке 74 ссуд различных банков, половина из которых принадлежит к классу «удовлетворительных», а другая половина — к классу «неудовлетворительных» [13]. Были проанализированы финансовые показатели каждого контрагента на основе данных отчетности за год до предоставления ссуды. В результате для оценки вероятности невыполнения условий договора автор выводит следующую зависимость:

Где y - линейная комбинация независимых переменных.

y=-2.043-5.24X1+0.005X2-6.65X3+4.4X4-0.079X5-0.122X6

Zchesser — значение дискриминанта: если Zchesser> > 0,5, то заемщика следует отнести к группе ненадежных клиентов, которые, вероятно, нарушат условия договора [13]. В данной модели наиболее значимыми оказались показатели, отличные от коэффициентов, используемых в пятифакторной модели Альтмана (кроме показателя доходности активов). Однако стоит помнить о том, что модель Альтмана предсказывает именно банкротство (и строилась она на статистике банкротств), в то время как модель Чессера более чувствительна и предсказывает отклонение от условий кредитного договора.

Следует отметить, что модели дискриминантного анализа, как правило, не предполагают конкретную оценку вероятности дефолта, а позволяют только классифицировать заемщиков в зависимости от степени угрозы. Между тем они могут послужить ценным инструментом определения общей кредитоспособности клиентов банка и неким сигналом раннего предупреждения о возможности ухудшения их финансового состояния.

Несколько иной класс представляют модели бинарного выбора для оценки вероятности дефолта, в основе которых лежит метод максимального правдоподобия, а основная идея заключается в том, чтобы на первом этапе выявить влияющие на кредитоспособность заемщика факторы, а затем на основе их значений оценить вероятность возможного дефолта. В данной группе выделяют logit- или probit-модели, которые имеют различные предпосылки относительно распределения вероятности банкротства и характера функциональной зависимости между финансовыми показателями заемщика и вероятностью его дефолта.

Модель бинарного выбора включает два типа переменных: ■ зависимую бинарную переменную вида у = (1,0), которая принимает данные значения в следующих случаях:

Y=1 – заемщик признается дефолтным илиY=0 – в противном случае

■ совокупность объясняющих переменных, образующих вектор Xi={Xi1, Xin}T. Таким образом, вероятность дефолта i-го заемщика равна вероятности того, что у = 1: рi= Р(у= = 1) = F(XiTβ)[3].

В зависимости от вида функциональной зависимости F(.) различают: 1) probit-модели, в случае если F(.) — функция стандартного нормального распределения; 2) logit-модели, которые подразумевают применение линейного логарифмического регрессионного анализа к прогнозированию данных на основе метода наибольшего правдоподобия.

В рамках данного подхода функциональная зависимость может быть представлена в виде:

Следует отметить, что logit-модели весьма чувствительны к мультиколлинеарности переменных, но при этом менее чувствительны к нормальному распределению и однородности ковариаций по сравнению с моделями дискриминантного подхода [19].

Общим достоинством моделей на основе данных финансовой отчетности клиента является относительная доступность необходимой информации: бухгалтерскую отчетность может предоставить практически любой корпоративный заемщик банка. Между тем далеко не всегда предоставленные данные являются достоверными. Кроме того, бухгалтерская отчетность показывает результаты деятельности компании постфактум и, соответственно, обладает недостаточной предсказательной силой относительно будущих перспектив компании.

Модели на основе данных рейтинговых агентств

На практике широкое распространение получил класс моделей на основе данных рейтинговых агентств. Одним из создателей рейтинговой модели можно считать Тамари. Основой его подхода явилась простейшая балльная система: каждой фирме присваивается определенное количество баллов от 0 до 100 в зависимости от значений показателей, вовлеченных в модель. Таким образом, большая сумма баллов свидетельствует о хорошем финансовом состоянии компании, и наоборот. При этом баллы распределены таким образом, что наиболее важным показателям присваивается наибольший вес [20]. Данный подход был усовершенствован Мозесом и Лиао в работе On developing models for failure prediction (1987 г.). Авторы дополнили простейшую балльную систему расчетом нормативных показателей на основе однопеременного анализа.

В рассматриваемом классе моделей часто применяется подход на основе межгрупповых переходов (cohort approach). В рамках данного подхода для заданного временного интервала строятся матрицы перехода (transition matrix), которые оценивают частоту смены одного кредитного рейтинга на другой для заданной выборки компаний [12]. При этом вероятность дефолта может быть получена теоретически посредством построения моделей (для моделирования обычно используют марковские процессы — случайные процессы, развитие которых после заданного момента зависит только от значения в этот момент и не зависит от всех предшествующих значений) или на основе анализа исторических данных. В последнем случае вероятность дефолта определяется как отношение числа фирм, которые сделали переход к дефолтному рейтингу, к общему числу наблюдений на начало временного интервала. Матрицы переходных вероятностей публикуют с некоторой периодичностью крупнейшие мировые рейтинговые агентства.

Существует также подход на основе дюрации, который учитывает, что дефолт заемщика происходит постепенно в течение рассмотренного интервала (т.е. принимает во внимание временную структуру), а не просто рассматривает результат на конец временного интервала.

Достоинством данного класса моделей является их относительная простота и между тем высокая предсказательная сила. Однако далеко не все корпоративные заемщики коммерческих банков имеют кредитный рейтинг. Также не стоит забывать о том, что переоценка рейтинга происходит с некоторой временной задержкой, в результате полученная оценка вероятности дефолта заемщика не всегда является своевременной.

СОВРЕМЕННЫЕ ПОДХОДЫ К ОЦЕНКЕ ВЕРОЯТНОСТИ ДЕФОЛТА ЗАЕМЩИКА Относительно молодым направлением в оценке вероятности дефолтов заемщиков являются модели на основе продвинутых подходов (advanced models), которые, как правило, используют непараметрические методы. В данную группу можно включить модели нейронных сетей, методы нечеткой логики, метод к ближайших соседей и др. Некоторые авторы, например Галиндо и Та-май или Янг и др., действительно подтверждают, что непараметрические подходы к оценке дефолта могут дать более показательные результаты [7].

Модели нейронных сетей создаются на основе компьютерных алгоритмов с использованием тех же данных, что и при построении эконометрических моделей, но при этом взаимосвязи определяются не на основе выделения лучшей модели, а путем многократного повторения, методом проб и ошибок [10].

В последнее время для прогнозирования потерь по кредитам достаточно часто используется подход стоимости под риском Value at Risk (VaR), первоначально разработанный для оценки рыночного риска. «Кредитный VaR (Credit VaR) отражает максимально возможные убытки по кредитному портфелю для заданного временного горизонта и доверительной вероятности» [1].

Применение метода нечеткой логики для оценки вероятности дефолта контрагента, как правило, основывается на нечетких экспертных оценках. Всех контрагентов относят к одной из категорий риска, для которых экспертно задается вероятность дефолта на основе треугольного нечеткого числа (а1,а2, a3), а для точечной оценки берется центр тяжести этого числа в виде 0,25а1 + 0,5a2 + 0,25а3 [12]. Однако в этом случае итоговая оценка может быть сильно искажена в результате погрешности экспертных оценок.

Часто в страховой практике используется модель Крамера —Лунберга. которая предполагает, что момент наступления страхового события имеет распределение Пуассона с параметром L: Р(Х= к) = e-LLk/ k!, где k 0, 1.2 ....а величина выплат по страховому договору — независимая неотрицательная величина с функцией распределения F(x), Задача в данной модели состоит в поиске цены страхового контракта, гарантирующей стабильную работу страховой компании и выполнение страховых обязательств.

Подобная идея была использована в банковской практике в программном продукте Credit-Risk+ корпорации Credit Swiss, созданном в 1997 г. В данной модели предполагается, что величина убытка по выданному кредиту описывается пуассоновским процессом со случайным параметром, имеющим гамма-распределение c функцией плотности.

Где х>0. В этом случае момент наступления дефолта имеет отрицательное биноминальное распределение, для которого вероятность принятия значения к 0,1,2 ... равна:

Прогноз вероятности дефолта на основе моделей данного класса, как правило, требует значительных временных и физических затрат. Между тем многие ученые придерживаются мнения, что такие затраты не всегда оправданны. Так, Альтман продемонстрировал, что простой дискриминантный анализ дает более точные результаты, чем модель на основе нейросетей [6].

ЗАКЛЮЧЕНИЕ В ходе проведенного анализа мы смогли убедиться в том, что на данный момент существует большое число моделей оценки вероятности дефолта, каждая их которых, безусловно, имеет свои сильные и слабые стороны. Комплексный обзор позволил классифицировать существующие подходы и представить их в схематическом виде. Модели оценки вероятности дефолта могут различаться в зависимости от: ■  используемого математического аппарата; ■  исходных данных или классов заемщиков; ■  критерия дефолта, лежащего в основе; ■  предпосылок, на которых модель основывается, и других признаков.

Обзор существующих методик крайне важен для выбора, внедрения и адаптации наиболее приемлемой модели. При этом, делая выбор в пользу того или иного подхода, необходимо учитывать доступный математический инструментарий, природу и качество исходных данных, горизонт планирования и преследуемые цели исследования. Большое значение также имеет уровень квалификации персонала, степень внедрения и использования в банке новейших IT-систем и продуктов.

Автор: Тотьмянина К.М.аспирант кафедры банковского дела ГУ-ВШЭ

Статья из журнала "Управление финансовыми рисками" 01(25)2011

 

 

1. Бобышев А., Гальперин Ф„ Мищенко Я. Практика применения VaR-методологии для оценки и управления кредитным риском в «Альфа-Банке» // Управление финансовыми рисками. — 2005. — №2.2 Ивлиев СВ. Исследование кредитного риска методом Монте-Карло. — http://www.riskland.ru/lib/free/CreditRiskMonteCarlo.pdf.3 Карминский A.M., Пересецкий А.А., Петров А.Е. Рейтинги в экономике: методология и практика: Монография / Под ред. A.M. Карминского. — М.: Финансы и статистика, 2005.4 Altman E.I. (1968). «Financial rations. Discriminent analysis, and the prediction of corporate bankruptcy». Journal of Finance, September.5 Altman E.I. (2003). «Managing credit risk: a challenge for the new millennium». Economic Notes, Vol. 31, Issue 2 (December), pp. 201-214. Altman E.I., Marco G., Varetto F. (1994). «Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks (the Italian experience)». Journal of Banking and Finance, Vol. 18, No. 3.Bank for International Settlements, Credit Risk Modeling: Current Practices and Applications. — www.bis.org/publ/bcbs49.htm. Basel Committee on Banking Supervision, International Convergence of Capital Measurement and Capital Standards, Comprehensive Version.— http://www.bis.org/publ/bcbsc111 .htm.9. Beaver W.H. (1966). «Financial ratios as predictors of failure». Journal of Accounting Research, Vol. 4, pp. 71-111.10. Bigus J.P. (1996). Data mining With Neural Networks: Solving Business Problems from Application Development to Decision Support. McGraw-Hill, Inc., Hightstown, NJ.11. Black F., Scholes M. (1973). «The pricing of options and corporate liabilities». The Journal of Political Economy, Vol. 81, No. 3 (May — Jun.), pp. 637-654.12. Chan-Lau J.A. (2006). «Fundamentals-based estimation of default probabilities: a survey». — http://ideas.repec.Org/p/imf/irnfwpa/06-149.html.13. Chesser D. (1974). «Predicting loan noncompliance». The Journal of Commercial Bank Lending, August, pp. 28-38.14. CreditMetrics™ technical document. (1997). — http://www.riskmetrics.com/publications/techdoc.html.15. CreditMonitor™ Specifications. (1999). — http://www.kmv.com.16. Gupton G.M., Finger C.C., Bhatia M. «CreditMetrics™— technical document». — http://www.creditrisk.ru/publications.17. Jarrow R.A.,Turnbull S. (1995). «Pricing derivatives on financial securities subject to credit risk». Journal of Finance, Vol. 50 (March), pp. 53-85.18. Merton R.C. (1974). «On the pricing of corporate debt: the risk structure of interest rates». Journal of Finance, Vol. 29, No. 2, (May), pp. 449-470.19. Ohlson J.A. (1980). «Financial ratios and the probabilistic prediction of bankruptcy». Journal of Accounting Research, Vol. 18, No. 1,pp. 109-131.20. Tamari M. (1966). «Financial ratios as a means of forecasting bankruptcy». Management International Review, No. 4, pp. 15-21.21. Valles V. (2006). «Stability of a «through-the-cycle» rating system during a financial crisis bank for international settlements». — www.bis.org/ fsi/awp2006.pdf.22. Wilde T. (1997). «CreditRisk+. A credit risk management framework». — http://www.defaultrisk.com/pp_model_21 .htm.23. Wilson T. (1997). «Portfolio Credit Risk: part \b>. Risk Magazine, October, pp. 56-61.24. WilsonT. (1997). «Portfolio Credit Risk: part I». RiskMagazine, September, pp. 111-117.

 

www.beintrend.ru

Модели для оценки кредитного риска заемщика

Кредитный скоринг является задачей классификации с целью провести различение между «хорошими» и «плохими» клиентами. Банки должны предоставлять кредит «хорошим» клиентам, чтобы увеличить прибыль, и отказывать «плохим», чтобы избежать потерь.

Персональный кредитный скоринг – приложение методов финансового прогноза к потребительскому кредитованию. Он включает кредитный скоринг вновь подаваемых заявок (application скоринг) и поведенческий скоринг [1].

Кредитный скоринг определяет возможность предоставления кредита физическим лицам, поведенческий скоринг определяет, что делать с существующими клиентами: следует ли банку увеличить лимит кредитования клиенту или какие действия следует предпринять, если клиент задерживает либо прекращает платежи.

Дэвид Дюран в 1941 году первым предложил различать «плохих» клиентов от «хороших» на основе измерений клиентских характеристик. Были описаны правила, по которым кредитные аналитики принимают решения предоставить кредит или отказать в кредите. Данные правила затем использовались неэкспертами как подсказка при принятии решений о кредите – это был первый пример экспертной системы, экспертного кредитного скоринга.

С появлением кредитных карт в конце 1960-х годах банки и другие эмитенты кредитных карт стали использовать кредитный скоринг для оценки кредитоспособности физических лиц. Использование кредитного скоринга улучшило точность финансового прогноза и снизило уровень дефолтности на 50% и более. В 1970 - 80-х годы повсеместное применение кредитного скоринга привело к существенному повышению качества кредитных решений банков. Кредитный скоринг начали использовать в потребительском кредитовании, ипотеке, малом бизнесе и других областях кредитования.

В настоящее время для принятия кредитного решения используются три базовые техники: экспертные кредитные модели, статистические модели и методы искусственного интеллекта (ИИ). Экспертный скоринговый метод был первым подходом, примененным для решения проблем кредитного скоринга. Аналитики говорили «да» или «нет» в соответствии с характеристиками заявителя. Такие системы дают качественный анализ главных факторов кредитного риска, таких как социодемографические характеристики, кредитоспособность, обеспечение и срок кредита.

Однако экспертный кредитный рейтинг сильно зависит от таких субъективных факторов, как опытность экспертов и уровень их знаний; процедура оценки занимает продолжительное время, что вызывает усталость и увеличивает вероятность ошибки.

Системы кредитного скоринга на основе статистических методов и методов ИИ, которые пришли на смену экспертным системам кредитного скоринга, позволили сократить влияние субъективных факторов на принимаемые решения и повысить эффективность кредитования за счет снижения процента неправильных решений.

В последнее время в связи с усилением конкуренции банков в борьбе за клиента на фоне продолжающегося экономического кризиса появилось большое количество научных результатов и примеров практического использования комбинированных методов оценки кредитного риска с применением агрегированных моделей. Агрегированные модели систем кредитного скоринга представляют собой дальнейшее развитие статистических и ИИ-моделей скоринга путем перехода от использования отдельных моделей к системам моделей, включающим в себя в качестве элементов статистические и ИИ-модели кредитного скоринга, и механизм комбинирования решений этих моделей в решение агрегированной системы кредитного скоринга. Такие агрегаты в зависимости от комбинации используемых элементов и механизма принятия агрегированного решения могут давать, как показывает практика применения, снижение ошибок классификации от одного до нескольких процентов, что в результате приводит к значительному выигрышу в доходности и сокращению потерь. Есть примеры комбинированных систем кредитного скоринга на основе агрегирования экспертных, статистических и ИИ-моделей кредитного скоринга.

Сегодня данное направление находится в начале своего развития. Терминология и классификация комбинированных методов кредитного скоринга еще не устоялись, приводимая в статье классификация комбинированных систем является по сути нечеткой (fuzzy), поэтому приводимые ниже примеры могут соответствовать разным классам комбинированных моделей. Основой для классификации являются следующие четыре характеристики комбинированных моделей:

  1. способ отбора характеристик клиента, используемых в системе кредитного скоринга;
  2. процедура предпроцессинговой обработки данных с целью достижения их однородности по отношению к уровню кредитного риска;
  3. порядок соединения отдельных моделей в единый агрегат;
  4. порядок выработки решения агрегата моделей на основе решений отдельных моделей, входящих в агрегат.

Рассмотрим виды моделей кредитного скоринга в зависимости от используемых методов (статистические методы, методы искусственного интеллекта, гибридные методы и методы агрегирования моделей), приведены примеры построения комбинированных моделей оценки кредитного риска.

Статистические методы и методы искусственного интеллекта являются наиболее важными в области кредитного скоринга. В настоящее время интерес исследований в этой области смещается от кредитного скоринга, основанного на одной модели, к кредитному скорингу на основе агрегирования нескольких моделей.

Можно классифицировать (с учетом сделанного выше замечания) имеющиеся технологии построения моделей кредитного скоринга на статистические технологии, технологии ИИ, гибридные и технологии агрегации.

Статистические технологии

Методы искусственного интеллекта

Гибридные модели

Агрегированные модели

Применение комбинированных моделей кредитного скоринга со сложной внутренней архитектурой, в которой методы и подходы искусственного интеллекта используются в симбиозе с процедурами согласования результатов оценки кредитного риска по ансамблям моделей, позволяет улучшить качество кредитных портфелей банка, формируемых в автоматизированных прикладных программных системах, при минимально необходимом участии кредитных инспекторов и сокращении доли субъективных решений. В то же время не существует универсальных комбинированных моделей, решающих любые задачи оценки кредитного риска. Выбор наиболее эффективных комбинированных моделей во многом зависит от свойств той популяции, для которой они создаются, и представляет собой нетривиальную задачу методического обеспечения кредитного конвейера.

Список литературы:
  1. Thomas L.C. A Servey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers // International Journal of Forecasting. 2000. Vol. 16. №2. с. 149-172.
  2. Durand D. Risk Elements in Consumer Instatement Financing / National Bureau of Economic Research. New York, 1941.
  3. Fisher R.A. The Use of Multiple Measurement in Taxonomic Problems // Annals of Eugenices. 1936. Vol. 2. №7. с. 179-188.
  4. Lin S.L. A New Two-Stage Hybrid Approach of Credit Risk in Banking Industry // Expert Systems with Applications. 2009. Vol. 6. №4. с. 8333-8341.
  5. Fridman J.H. Multivariate Adaptive Regression Splines // Annals of Statistics. 1991. Vol. 19. №1. с. 1-141.
  6. Sarkar S., Sriram R.S. Bayesian Models for Early Warning of Bank Failures // Management Science. 2001. Vol. 47. №11. с. 1457-1475.
  7. Wang S.C., Leng C.P., Zhang P.Q. Conditional Markov Network Hybrid Classifiers on Client Credit Scoring. International Symposium on Computer Science and Computational Technology, Shanghai, December 2008. с. 549-553.
  8. Постарнак Д.В. Критический анализ моделей нейронных сетей // Вестник Тюменского государственного университета. 2012. №4. с. 162-167
  9. Abdou H., Pointon J., Masry F.E. Neural Nets Versus Conventional Techniques in Credit Scoring in Egyptian Banking // Expert Systems with Applications. 2008. Vol. 35. №2. с. 1275-1292.
  10. Huang Z. et al. Credit Rating Analysis with Support Vector Machines and Neural Networks. A Market Comparative Study // Decision Support System. 2004. Vol. 37. №4. с. 543-558.
  11. Yang Y.X. Adaptive Credit Scoring with Kernel Learning Methods // European Journal of Operation Research. 2007. Vol. 183. №3. с. 1521-1536.
  12. Abdou H. Genetic Programming for Credit Scoring: The Case of Egyptian Public Sector Banks // Expert Systems with Applications. 2009. Vol. 36. №9. с. 11402-11407.
  13. Ong C.S., Huang J.J., Tzengb C.H. Building Credit Scoring Models Using Genetic Programming // Expert Systems with Applications. 2005. Vol. 29. №1. с. 41-47.
  14. Ghodselahi A., Amirmadhi A. Application of Artificial Intelligence Techniques for Credit Risk Evaluation // International Journal of Modeling and Optimization. August 2011. Vol. 1. №3. с. 243-249.
  15. Ensemble learning.
  16. Siami M., Gholamian M.R., Nasiri R. A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring. SAS Tech 5th Symposium on Advances in Science & Technology, May 12 - 17, 2011.
  17. Hamadani A.Z., Shalbafzadeh A., Rezvan Т., Moghadam A.S. An Integrated Genetic-Based Model of Naive Bayes Networks for Credit Scoring // International Journal of Artificial Intelligence & Applications (IJAIA). January 2013. Vol. 4. №1. с. 85-103.
  18. Pawlak Z. Rough sets // International Journal of Computer and Information Science. 1982. Vol. 11. с. 341-356.
  19. Pawlak Z. Rough Sets - Theoretical Aspects of Reasoning about Data. Netherlands: Kluwer Academic Publisher, 1991.
  20. Chi B.-W., Hsu Ch.-Ch., Ho M.-H. Enhancing Credit Scoring Model Performance by a Hybrid Scoring Matrix // African Journal of Business Management. May 2013. Vol. 7. с. 1791-1805.
  21. Kotsiantis S., Kanellopoulos B.D., Pintelas P. Data Preprocessing for Supervised Leaning // International Journal of Computer Science. 2006. Vol. 2. №2. с. 111-117.
  22. Holland J. Adaptation in Natural and Artificial Systems. The University of Michigan Press, reissued by The MIT Press, 1975.
  23. Chi L.C., Tang T.C. Impact of Reorganization Announcements on Distressed-Stock Returns // Economic Modelling. 2007. Vol. 24. №5. с. 749-767.
  24. Mays E. Handbook of Credit Scoring. Global Professional Publishing, 2001. с. 23-56.
  25. Ouyang J., Patel N., Sethi I.K. From Centralized to Distributed Decision Tree Induction Using CHAID and Fisher's Linear Discriminant Function Algorithms // Intelligent Decision Technologies. 2011. Vol. 5. №2. с. 133-149.
  26. Charitou A., Neophytou E., Charalambous C. Predicting Corporate Failure: Empirical Evidence for the UK // European Accounting Review. 2004. Vol. 13. №3. с. 465-497.
  27. Kočenda E., Vojtek M. Default Predictors and Credit Scoring Models for Retail Banking. CESifo Working Paper Series, 2009.

Автор:Д.Н. Козлов, к. т. н., доцент, начальник управления операционных рисков и контроля  департамент рисков ОАО «Банк ЗЕНИТ»В.В. Левин, к. ф.-м. н., доцент, начальник отдела скоринга ОАО «Банк ЗЕНИТ»Источник: Банковский ритейл, 2013, №3-4

afdanalyse.ru


Смотрите также