Предрейтинговый анализ кредитоспособности заемщика: организация и методика обеспечения. Монография

Ендовицкий Д.А., Фролов И.В., Широбоков В.Г., Беленов О.Н., Купрюшина О.М.; под ред. Ендовицкого Д.А

Возрастное ограничение: 0+ Жанр: Экономика Издательство: Проспект Дата размещения: 07.03.2018 ISBN: 9785392279319 Язык: Объем текста: 200 стр. Формат: epub

Оглавление

Введение. Глава 1. Теоретические положения экономического анализа кредитоспособности заемщика

Глава 2. Информационное и организационное обеспечение предрейтингового экономического анализа кредитоспособности заемщика

Глава 3. Прикладные аспекты реализации методики предрейтингового экономического анализа надежности организаций-заемщиков

Заключение

Приложения

Для бесплатного чтения доступна только часть главы! Для чтения полной версии необходимо приобрести книгу

Глава 3.
Прикладные аспекты реализации методики предрейтингового экономического анализа надежности организаций-заемщиков

3.1. Предрейтинговый экономический анализ динамической устойчивости финансовых показателей кредитозаемщика

Практическое использование предрейтингового экономического анализа позволяет повысить надежность оценки кредитной истории заемщика за счет:

1) процедуры оценки динамической устойчивости показателей финансового состояния заемщика, которая позволяет выявить эффекты рискогенности в динамике этих показателей;

2) методики получения многовариантных прогнозов, которая позволяет учесть даже маловероятные риски, связанные с погашением кредита.

Приведем пример. Пусть установлено, что дебиторская и кредиторская задолженности являются динамически устойчивыми процессами, а предельное значение кредиторской задолженности больше предельного значения дебиторской задолженности. И хотя текущее финансовое состояние заемщика вполне удовлетворительное, но перспектива настораживает. Будущее такого заемщика следует считать рискогенным.

Для описания модели введем обозначения: Ct — сумма банковского кредита в момент времени t; Dt — дебиторская задолженность в момент времени t. С помощью введенных обозначений запишем систему уравнений следующего вида:

(3.1)

В системе (3.1) первое уравнение воспроизводит зависимость перспективной величины кредита, которую банк может выдать заемщику при данном уровне дебиторской задолженности в момент t — 1, а второе — величину кредита, которая будет нужна заемщику в момент t. Равенство в этой системе описывает желаемое совпадение интересов банка и заемщика и, кроме того, позволяет ответить на вопрос: «Можно ли достичь ситуации, в которой интересы действительно будут совпадать?».

Понятно, что эта ситуация достигается только при определенном уровне дебиторской задолженности, а именно:

(3.2)

Возможны следующие характерные случаи:

1) . В этом случае при t → ∞ отклонение Dt от своего равновесного состояния D* затухает, однако в силу положительной обратной связи дебиторская задолженность продолжает расти, имея своим верхним пределом равновесный уровень. Динамика дебиторской задолженности обладает свойством стабильности, при котором в соответствии с системой (3.1) имеет место ситуация, когда в механизме кредитных отношений реализуется процесс сближения спроса и предложения кредитных сумм;

2) . В этом случае при t → ∞ величина дебиторской задолженности в силу отрицательной обратной связи совершает колебания вокруг своего равновесного значения D* с затуханием амплитуды этих колебаний. Из этого можно сделать вывод, что динамика дебиторской задолженности обладает стабильностью и можно надеяться, что эта стабильность будет укреплять доверие кредитных организаций к заемщику;

3) . Это тот случай, когда динамика дебиторской задолженности не демонстрирует устойчивость, а в динамике исторического периода имела место бифуркационная ситуация. Нет гарантий, что бифуркационная ситуация не будет иметь повторений. Доверие к заемщику снижается, даже если его текущее финансовое состояние в полном порядке. Аналогичную процедуру анализа динамики в принципе можно построить для любого финансового показателя.

Таким образом, практический аспект этой процедуры выглядит следующим образом. Формируются временные ряды интересующих нас показателей финансового состояния заемщика и на их основе оцениваются коэффициенты авторегрессионной модели . Далее на основе величины коэффициента определяется тип динамической устойчивости и затем рассчитывается предельная величина анализируемого показателя.

Рассмотрим наиболее типичные случаи построения моделей для анализа динамической устойчивости.

Модель двухуровневого тренда

(3.3)

где yt — значение моделируемого финансового показателя в момент времени t; xt — дискретная переменная, принимающая два значения: xt = 1, когда наблюдается высокий тренд и xt = –1, когда наблюдается низкий тренд; b0, b1 — оцениваемые коэффициенты авторегрессионной составляющей модели; d — оцениваемый коэффициент дискретной составляющей модели; εt — значение ненаблюдаемой случайной составляющей.

В анализе используются коэффициенты оцененной модели

(3.4)

Основная особенность анализа устойчивости моделируемого показателя с помощью этой модели заключается в расчете не одного, а двух предельных значений

(3.5)

При анализе динамической устойчивости обычно рассматриваются оба варианта предельных значений. Это позволяет получить более полное представление о финансовых возможностях кредитозаемщика и, следовательно, повысить надежность принимаемого кредитного решения.

Также в модели можно учесть влияние сезонности

(3.6)

где f1t, f2t, f3t — фиктивные переменные с ортогональными свойствами; c1, с2, с3 — оцениваемые коэффициенты, каждый из которых отражает соответствующую величину сезонного эффекта, на который изменяется зависимая переменная.

Анализ динамической устойчивости, как и в предыдущем случае, проводится на основе коэффициентов оцененной модели

(3.7)

Вопрос о динамической устойчивости решается на основе величины оцененного коэффициента . Нужно отметить, что величина этого коэффициента существенно зависит от модели, с помощью которой описывается динамика исследуемого показателя. Как правило, абсолютное значение этого коэффициента выше, если это коэффициент модели, в которой не отражаются сезонные эффекты, и ниже в противном случае.

Понятно, что предельные эффекты подвержены влиянию сезонности и их расчет осуществляется по формуле, в которой учитывается величина сезонного эффекта

(3.8)

Адаптивная модель для оценки локальной устойчивости динамики финансового состояния заемщика

(3.9)

где b0t, b1t — коэффициенты модели, пересчитываемые каждый раз после появления нового наблюдения.

Механизм адаптации в моделях экономической динамики устроен таким образом, что при пересчете коэффициентов после появления нового наблюдения влияние прошлых наблюдений на величину пересчитываемого коэффициента уменьшается. Достигается это путем экспоненциального взвешивания всех наблюдений. Реализуется данная процедура различными способами. Мы реализуем эту процедуру на основе текущего регрессионного анализа. Описывается процедура двумя выражениями

(3.10)

(3.11)

в которых использованы следующие обозначения:

Параметр адаптации α обычно либо заранее фиксируется, например, α = 0,33, либо настраивается таким образом, чтобы минимизировать сумму квадратов отклонений расчетных значений от фактически наблюдаемых. Для этого динамический ряд делится на две части, одна из которых используется для получения начального приближения модели, а вторая для обучения, под которым понимается подбор оптимального значения α.

Преимущества, которые появляются при использовании адаптивной модели, в том, что появляется возможность каждую ситуацию финансового состояния заемщика на историческом периоде оценить с позиций локальной устойчивости. Для этого достаточно при оптимальном значении параметра адаптации α рассчитать коэффициенты модели

(3.12)

где k — количество наблюдений, отобранных для построения начального приближения модели; n — количество наблюдений обучающей выборки.

Если все значения ряда (3.12) по абсолютной величине меньше 1, то данный показатель абсолютно устойчив, и это должно каким-то образом отражаться в рейтинговой оценке. Если среди значений коэффициентов встречаются такие, у которых абсолютная величина больше 1, то следует сделать вывод о рискогенности моделируемого показателя, влияющей на снижение рейтинговой оценки.

Дополнительная информация может быть получена и при рассмотрении предельных значений, изменяющихся во времени

(3.13)

Например, если предельные значения кредиторской задолженности растут, то из этого следует, что в динамике этого показателя происходят негативные изменения.

Преследуя цель демонстрации прикладных аспектов реализации предлагаемой методики, рассмотрим минимально возможный набор показателей, характеризующих кредитозаемщиков. Исходные данные по ООО «Винегрет» (прил. 1; 2) для иллюстрации представлены в табл. 3.1.

Таблица 3.1

Финансовые показатели деятельности ООО «Винегрет», тыс. руб.

Для наглядности представим тренд выручки на рис. 3.1.

Рис. 3.1. Динамика выручки ООО «Винегрет»

Как видно из рис. 3.1, выручка ООО «Винегрет» подвержена эффекту сезонности, следовательно, для построения модели динамики выручки, необходимо учесть данный фактор. Кроме того, были введены классификационная переменная , позволяющая всё множество точек данных разделить на те, которые характеризовали высокий тренд, и на те, которые характеризовали низкий тренд. Исходные данные модели представим в табл. 3.2.

Таблица 3.2

Исходные данные для построения модели с сезонными эффектами и двумя классификационными переменными

		f1	f2	f3
202 152	119 829	0	1	0	1	1
272 795	264 276	0	0	1	1	1
60 253	58 095	0	0	0	1	1
155 677	132 508	1	0	0	1	1
227 431	202 152	0	1	0	1	1
290 148	272 795	0	0	1	1	1
59 193	60 253	0	0	0	1	1
128 024	155 677	1	0	0	1	1
190 397	227 431	0	1	0	1	1
265 129	290 148	0	0	1	1	1
61 567	59 193	0	0	0	1	1

Полученная модель имеет следующий вид

= 65 336,8092–0,0734 + 87 095,3591f1 + 159 473,7221f2 +

(3395,5990) (0,0432) (4928,4641) (6112,4272)

+ 231 589,7221f3 + 8032,0280 + 6072,6140, R2 = 0,99.

(9808,1759) (1206,7557) (1207,7527)

Стандартные ошибки всех коэффициентов меньше значений коэффициентов, что свидетельствует о статистической значимости всех коэффициентов регрессии.

Отрицательное значение оценки коэффициента означает, что выручка достигла своего равновесного значения, и надеяться на ее более высокие значения можно только в пределах ошибки. Об этом свидетельствуют и предельные (равновесные) значения, которые с учетом возможных вариантов определяют границы равновесных значений.

В каждом квартале возможны пять уровней выручки:

– «самый низкий» (тренд состоит из самых низких значений);

– «нижний» (тренд состоит из значений, которые выше самого низкого тренда, но ниже средних значений);

– «средний» (тренд состоит из средних значений);

– «высокий» (тренд состоит из значений, которые выше среднего тренда, но ниже самых высоких значений);

– «самый высокий» (тренд состоит из самых низких значений).

Для большей наглядности расположим поквартальные предельные значения выручки ООО «Винегрет» в табл. 3.3.

Таблица 3.3

Поквартальные предельные значения выручки ООО «Винегрет»

Получив поквартальные значения выручки, мы можем аналогичным образом смоделировать поквартальные значения кредиторской задолженности и оценить кредитные риски, связанные с погашением кредита в будущем.

Поскольку динамика кредиторской задолженности, как и дебиторской, может следовать как высокому, так и низкому тренду, введем две классификационные переменные , обеспечивающие построение четырехтрендовой модели, кроме того, введем в модель зависимую переменную «Выручка ». Представим исходные данные для расчетов в табл. 3.4.

Таблица 3.4

Исходные данные для построения модели кредиторской задолженности с двумя классификационными переменными

922	6177	264 276	–1	1
6159	922	58 095	1	–1
374	6159	132 508	–1	–1
1028	374	202 152	–1	–1
2490	1028	272 795	1	–1
2490	2490	60 253	–1	–1
1356	2490	155 677	–1	–1
1450	1356	227 431	–1	1
3673	1450	290 148	1	1
3040	3673	59 193	–1	1
3245	3040	128 024	–1	1
2964	3245	190 397	1	–1
4371	2964	265 129	1	1
7254	4371	61 567	1	1

Оцененная модель с двумя классификационными переменными (четырехтрендовая модель) имеет вид:

= 6114,4117–0,1718 — 0,1147+

(419,9109) (0,0831) (0,017)

+ 1561,9016 + 819,5987, R2 = 0,96.

(141,9630) (1422,6085)

Особенность этой модели в том, что ее предельные значения зависят от включенного в модель регрессора (выручки).

Рассчитанные предельные значения содержатся в табл. 3.5.

Таблица 3.5

Предельные значения кредиторской задолженности

На следующем этапе необходимо сопоставить полученные предельные значения кредиторской задолженности с рассчитанными ранее равновесными состояниями выручки. Результаты расчетов приведены в табл. 3.6.

Таблица 3.6

Условные предельные значения кредиторской задолженности для равновесных состояний выручки

Анализ табл. 3.6 позволяет сделать следующие выводы:

1) кредитные риски распределены по кварталам, причем самый высокий риск относится к первому кварталу, когда выручка самая низкая, и наименьший риск имеет место в четвертом квартале, когда выручка самая высокая;

2) поскольку оцененная динамика выручки и кредиторской задолженности ООО «Винегрет» носит устойчивый характер, то можно признать кредитозаемщика достаточно надежным.

В соответствии с общей методикой предрейтингового экономического анализа далее следует этап анализа рискогенности организации-кредитозаемщика. Для реализации этого этапа используются адаптивные модели, позволяющие оценить надежность кредитозаемщика в каждый конкретный момент времени. Если на протяжении ретроспективного периода обнаружится хотя бы один случай потери устойчивости, то можно сделать вывод о недостаточно высокой надежности заемщика, поскольку существует ненулевая вероятность повторения такой ситуации в будущем.

Таблица 3.7

Исходные данные для построения адаптивной модели кредиторской задолженности

i
1	2	3
1	6177	922
1	922	6159
1	2	3
1	6159	374
1	374	1028
1	1028	2490
1	2490	2490
1	2490	1356
1	1356	1450
1	1450	3673
1	3673	3040
1	3040	3245
1	3245	2964
1	2964	4371
1	4371	7254

Последовательность всех построенных текущих моделей и соответствующих им предельных значений кредиторской задолженности приведены в табл. 3.8.

Таблица 3.8

Адаптивное моделирование: текущие модели и предельные значения

Текущие модели	Предельные значения
1	2
= 3491,7199–0,4424	= 2420,7691
= 3494,2894–0,4425	= 2422,3214
= 3465,3771–0,4410	= 2404,8374
= 3405,3390–0,4327	= 2376,8650
= 3444,9607–0,4380	= 2395,7110
= 3467,5534–0,4333	= 2419,1986
= 3499,6901–0,4323	= 2443,3389
= 3524,1241–0,4305	= 2463,5876

Ендовицкий Д.А., Фролов И.В., Широбоков В.Г., Беленов О.Н., Купрюшина О.М.; под ред. Ендовицкого Д.А Предрейтинговый анализ кредитоспособности заемщика: организация и методика обеспечения. Монография

Ендовицкий Д.А., Фролов И.В., Широбоков В.Г., Беленов О.Н., Купрюшина О.М.; под ред. Ендовицкого Д.А Предрейтинговый анализ кредитоспособности заемщика: организация и методика обеспечения. Монография

В монографии рассматриваются теоретические и прикладные вопросы предрейтингового экономического анализа кредитоспособности заемщика, проводится сравнительный анализ отечественной и мировой практики проведения рейтинговой оценки и анализа кредитоспособности заемщика. Описываются организационные этапы и процедура предрейтингового экономического анализа кредитоспособности заемщика, его информационное обеспечение. Предлагаются оригинальные подходы к оценке динамической устойчивости финансовых показателей кредитозаемщика и прогнозирование его финансового состояния.<br /> Для студентов, преподавателей, аспирантов экономических вузов, руководителей и специалистов экономических служб.

Внимание! Авторские права на книгу "Предрейтинговый анализ кредитоспособности заемщика: организация и методика обеспечения. Монография" ( Ендовицкий Д.А., Фролов И.В., Широбоков В.Г., Беленов О.Н., Купрюшина О.М.; под ред. Ендовицкого Д.А ) охраняются законодательством!