Научный журнал Байкальского государственного университета
Baikal Research Journal
ISSN 2411-6262
Издается с 2010 года
Menu
РусскийEnglish

Информация о статье

Название статьи:

Критерии эффективности моделей теневых рейтингов при оценке кредитоспособности низкодефолтных заемщиков

Авторы:
Казаринов В.А., старший консультант, https://orcid.org/0009-0002-0998-4205, SPIN-код: 7777-0026, AuthorID РИНЦ: 1198492, АО «Технологии Доверия», г. Москва, Российская Федерация, vakazarinov@outlook.com,

Звягинцева Н.А., доктор экономический наук, доцент, профессор кафедры финансов и финансовых институтов, https://orcid.org/0000-0003-0249-852X, SPIN-код: 1123-5244, AuthorID РИНЦ: 326257, Байкальский государственный университет, г. Иркутск, Российская Федерация, legnata2010@yandex.ru
В рубрике:
ФИНАНСОВАЯ, НАЛОГОВАЯ И ДЕНЕЖНО-КРЕДИТНАЯ ПОЛИТИКА
Год: 2023 Том: 14 Номер журнала: 3
Страницы: 822-834
Тип статьи: Научная статья
УДК: 336.7
DOI: 10.17150/2411-6262.2023.14(3).822-834
Аннотация:
Оценка кредитоспособности заемщиков является важнейшим процессом, влияющим на деятельность современного коммерческого банка. Процессы оценки кредитоспособности возникают как на этапе принятия решения о выдаче кредитного продукта, так и в процессе регулярной оценки кредитоспособности для целей резервирования и расчета экономического капитала. В связи с этим у банка возникает необходимость в разработке и сопровождении работы эффективных моделей оценки кредитного рейтинга, способных точно и стабильно определять кредитоспособность заемщика путем предсказания его вероятности дефолта. В статье рассматриваются проблематика определения критериев эффективности моделей теневых рейтингов, используемых для оценки вероятности дефолта низкодефолтных сегментов банковского кредитования. Модели теневых рейтингов могут использоваться как в бизнес-целях, так и в регуляторных целях. В зависимости от установленной цели, на каждом этапе разработки модели теневых рейтингов возникает ряд специфичных для этого класса моделей проблем, которые ложатся в основу определения критериев эффективности: корректная спецификация выборки данных, гармонизированность оценок рейтинговых агентств, корректный выбор алгоритма расчета, удовлетворение критериям количественной валидации и обоснованность экспертных корректировок. Соответствие данным критериям с учетом установленной цели позволяет сделать вывод об эффективности полученной модели.
Ключевые слова: кредитный риск, модели кредитного риска, модели теневых рейтингов, вероятность дефолта, модельный риск, кредитоспособность
Скачиваний - 119
География скачиваний
Скачать полный текст статьи
Список цитируемой литературы:
  • Гаврилов Ю.Э. Оценка влияния кредитного риска на финансовые результаты банковского сектора / Ю.Э. Гаврилов, Д.В. Гуринова. - EDN DXNBFS // Global and Regional Research. - 2020. - Т. 2, № 1. - С. 361-367.
  • Фаттахова Р.Х. Принципы управления риском банковской ликвидности на основе стандартов качества банковской деятельности / Р.Х. Фаттахова. - DOI 10.17150/2072-0904.2015.6(3).11. - EDN TVWROB // Известия Иркутской государственной экономической академии (Байкальский государственный университет экономики и права. - 2015. - Т. 6, № 3. - С. 11.
  • Грошев А.Р. Оценка эффективности использования капитала банка с учетом принимаемых рисков / А.Р. Грошев, В.С. Павлов. - DOI 10.17150/2411-6262.2016.7(4).8. - EDN XDESYH // Baikal Research Journal. - 2016. - Т. 7, № 4. - С. 8.
  • Erlenmaier U. The shadow rating approach: experience from banking practice / U. Erlenmaier // The Basel II Risk Parameters: Estimation, Validation, Stress Testing-with Applications to Loan Risk Management. - Berlin, Heidelberg : Springer Berlin Heidelberg, 2011. - P. 37-74.
  • Florez-Lopez R. Modelling credit risk with scarce default data: on the suitability of cooperative bootstrapped strategies for small low-default portfolios / R. Florez-Lopez, J.M. Ramon-Jeronimo. - DOI 10.1057/jors.2013.119 // Journal of the Operational Research Society. - 2014. - Vol. 65. - P. 416-434.
  • Lopez J.A. Using CAMELS ratings to monitor bank conditions / J.A. Lopez // FRBSF Economic Letter. - 1999. - 11 June.
  • Karminsky A.M. Modelling banks' credit ratings of international agencies / A.M. Karminsky, E. Khromova. - DOI 10.1007/s40822-016-0058-5 // Eurasian Economic Review. - 2016. - Vol. 6. - P. 341-363.
  • Grunert J. The role of non-financial factors in internal credit ratings / J. Grunert, L. Norden, M. Weber // Journal of Banking & Finance. - 2005. - Vol. 29, no. 2. - P. 509-531.
  • Packer F. Rating methodologies for banks / F. Packer, N.A. Tarashev // BIS Quarterly Review. - 2011. - June. - P. 39-52.
  • Eisl A. Re-Mapping Credit Ratings. / A. Eisl, H. Elendner, M. Lingo // SSRN. - URL: https://epub.ub.uni-muenchen.de/22799/1/492.pdf.
  • Карминский А.М. Сопоставление банковских рейтингов различных агентств / А.М. Карминский, В.В. Сосюрко. - EDN OKXRUF // Журнал Новой экономической ассоциации. - 2011. - Т. 12. - С. 102-123.
  • Живайкина А.Д. Кредитные рейтинги российских банков и отзывы банковских лицензий 2012-2016 гг. / А.Д. Живайкина, А.А. Пересецкий. - DOI 10.31737/2221-2264-2017-36-4-3. - EDN YKWERV // Журнал Новой экономической ассоциации. - 2017. - Т. 36, № 4. - С. 49-80.
  • Benmelech E. The credit rating crisis / E. Benmelech, J. Dlugosz. - DOI 10.3386/w15045 // NBER macroeconomics annual. - 2009. - Vol. 24, no. 1. - P. 161-208.
  • Elliott R.J. A Double HMM approach to Altman Z-scores and credit ratings / R.J. Elliott, T.K. Siu, E.S. Fung. - DOI 10.1016/j.eswa.2013.08.052 // Expert Systems with Applications. - 2014. - Vol. 41, no. 4. - P. 1553-1560.
  • Bou-Hamad I. Bayesian credit ratings: A random forest alternative approach / I. Bou-Hamad. - DOI 10.1080/03610926.2016.1148730 // Communications in Statistics-Theory and Methods. - 2017. - Vol. 46, no. 15. - P. 7289-7300.
  • Chang Y.C. Application of eXtreme gradient boosting trees in the construction of credit risk assessment models for financial institutions / Y.C. Chang, K.H. Chang, G.J. Wu. - DOI 10.1016/j.asoc.2018.09.029 // Applied Soft Computing. - 2018. - Vol. 73. - P. 914-920.
  • Pacelli V. An artificial neural network approach for credit risk management / V. Pacelli, M. Azzollini. - DOI 10.4236/jilsa.2011.32012 // Journal of Intelligent Learning Systems and Applications. - 2011. - Vol. 3, no. 2. - P. 103-112.
  • Hajek P. Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning / P. Hajek, V. Olej. - DOI 10.1007/s00521-010-0495-0 // Neural Computing and Applications. - 2011. - Vol. 20. - P. 761-773.
  • Credit rating analysis with support vector machines and neural networks: a market comparative study / Zan Huang, Hsiu-chin Chen, Chia-Jing Hsu, Wun Hwa Chen. - DOI 10.1016/S0167-9236(03)00086-1 // Decision support systems. - 2004. - Vol. 37, no. 4. - P. 543-558.
  • Hajek P. Municipal credit rating modelling by neural networks / P. Hajek. - DOI 10.1016/j.dss.2010.11.033 // Decision support systems. - 2011. - Vol. 51, no. 1. - P. 108-118.
  • Lee Y.C. Application of support vector machines to corporate credit rating prediction / Y.C. Lee. - DOI 10.1016/j.eswa.2006.04.018 // Expert Systems with Applications. - 2007. - Vol. 33, no. 1. - P. 67-74.
  • Пеникас Г.И. Моделирование микро- и макропруденциального регулирования кредитного риска в банках : дис. д-ра экон. наук : 08.00.13. / Г.И. Пеникас. - Санкт-Петербург, 2022. - 466 с.
  • Altman E.I. Credit risk measurement: Developments over the last 20 years / E.I. Altman, A. Saunders. - DOI 10.1016/S0378-4266(97)00036-8 // Journal of banking & finance. - 1997. - Vol. 21, no. 11-12. - P. 1721-1742.
  • Aronson J.R. Duplicating Moody's municipal credit ratings / J.R. Aronson, J.R. Marsden // Public Finance Quarterly. - 1980. - Vol. 8, no. 1. - P. 97-106.
  • Hassan O.A.G. Accounting for the determinants of banks' credit ratings / O.A.G. Hassan, R. Barrell // Economics and Finance Working Paper, Brunel University. - 2013. - Vol. 13, no. 2. - URL: http://bura.brunel.ac.uk/handle/2438/7428.
  • Карминский А.М. Кредитные рейтинги и их моделирование / А.М. Карминский. - Москва : Изд-во ВШЭ, 2015. - 304 с.
  • Василюк А.А. Моделирование кредитных рейтингов отечественных банков на основе российской отчетности / А.А. Василюк, А.М. Карминский. - EDN NXTSHJ // Управление финансовыми рисками. - 2011. - № 3. - С. 194-205.
  • Овсейчик С.Е. Разработка подхода на внутренних рейтингах в отношении оценки кредитного риска в российской банковской практике / С.Е. Овсейчик. - EDN ZCIUCH // Мировая экономика: проблемы безопасности. - 2017. - № 3. - С. 96-101.
  • Челышев Д.С. Моделирование вероятности дефолта российских банков / Д.С. Челышев. - DOI 10.25683/VOLBI.2019.47.271. - EDN WDPLSS // Бизнес. Образование. Право. - 2019. - № 2 (47). - С. 262-266.
  • Karminsky A.M. Increase of banks' credit risks forecasting power by the usage of the set of alternative models / A.M. Karminsky, E. Khromova. - EDN XSFOHJ // Russian Journal of Economics. - 2018. - Vol. 4, no. 2. - P. 155-174.
  • Ang J.S. Bond rating methods: Comparison and validation / J.S. Ang, K.A. Patel // The Journal of Finance. - 1975. - Vol. 30, no. 2. - P. 631-640.
  • Estran R. Using a genetic algorithm to optimize an expert credit rating model / R. Estran, A. Souchaud, D. Abitbol. - DOI 10.1016/j.eswa.2022.117506 // Expert Systems with Applications. - 2022. - Vol. 203, no. 1. - P. 117506.