Тип работы:
Предмет:
Язык работы:


Имитационное моделирование банковских кредитных рисков

Работа №131082

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы54
Год сдачи2017
Стоимость5600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
62
Не подходит работа?

Узнай цену на написание


Введение 3
1. Анализ банковских кредитных рисков 6
1.1 Банковский риск и его виды 6
1.2 Информационно-логическая модель кредитования 10
1.3 Анализ литературы и существующих моделей 16
Постановка задачи 21
2. Математическое моделирование кредитных рисков 23
2.1 Методы математического моделирования 23
2.2 Имитационная модель анализа кредитных рисков 26
2.3 Анализ данных для моделирования 29
3. Имитационное моделирование кредитных рисков банка 33
3.1 Данные для анализа кредитных рисков 33
3.2 Программная реализация и результаты моделирования 37
3.3 Анализ результатов моделирования 41
Заключение 45
Список литературы и источников 46
Приложение


Современная экономика - сложная система, состоящая из тесно взаимосвязанных частей. Одну из ведущих ролей играет банковская система, она обеспечивает функционирование экономики, как единого целого. Банковская система включает в себя совокупность банков, банковских институтов и их взаимосвязи. В нашей стране банковская система состоит из двух уровней: центральный банк (ЦБ) [1] на первом уровне и коммерческие банки, представительства и филиалы иностранных банков, небанковские кредитные организации - на втором. Центральный банк занимает особое место в банковской системе. Одна из основных его функций заключается в осуществлении надзора за кредитными организациями второго уровня, а также регулировании их деятельности.
Осуществим анализ второго уровня банковской системы, а именно коммерческих банков. Банк - организация, которая занимается привлечением и перераспределением денежных средств и осуществляет следующие функции: кредитование, инвестирование, привлечение депозитарных
средств, обслуживание счетов физических и юридических лиц, проведение расчетно-кассовых операций. Поскольку одним из основных видов деятельности, которую осуществляет банк, является кредитование, то в совокупном банковском риске доля кредитного риска наибольшая. В 2004 году Базельский Комитет по Банковскому Надзору предложил банкам стандартизировать управление кредитными рисками и использовать для их оценки внутренний рейтинг заемщиков, который мог быть определен либо рейтинговым агентством, либо внутренними рейтинговыми системами банка, утвержденными системой банковского надзора [2]. В результате данного предложения активное развитие получили различные методики оценки рейтинга заемщиков, модели управления кредитными рисками и теория управления кредитными рисками в целом.
Банк, как и любая коммерческая организация, стремится
максимизировать свой доход и минимизировать потери. Для достижения второй цели, необходимо оценивать кредитные риски на момент выдачи кредита, чтобы иметь возможность выявить их последствия для деятельности банка. Данное обстоятельство объясняет совершенствование моделей оценки кредитных рейтингов и их динамики для определения вероятности возникновения кредитного риска.
В настоящее время предложено несколько различных подходов [3-13], предназначенных для определения вероятности возникновения кредитных рисков. К одному из них относят методы классификации, позволяющие дифференцировать заемщиков с точки зрения кредитоспособности. В основе классификационных методов лежит scoring-система [8,10,11], а для определения вероятности кредитного риска наиболее часто используют: логистическую регрессию [6], пробит-регрессию [13] и дискриминантный анализ [8-9]. К другому типу относятся кластерные методы [14], деревья решений и нейронные сети самоорганизации [7-8], применяемые для выделения блоков заемщиков и определяющие вероятность кредитного риска для каждого блока. Вероятностно-статистические методы [4-5] или, как их еще называют, эконометрические - наиболее распространенный путь для определения кредитного риска. Существуют также гибридные системы [3¬4,12,15-17], включающие в себя совместное использование вероятностно-статистического оценивания и имитационного моделирования. Представленные подходы оценки заемщиков, кроме последнего, опираются на статистические данные прошлых лет и не учитывают текущие социально¬экономические условия, влияние которых крайне важно. Кроме этого, вероятность кредитного риска определяется для группы - класса (кластера) и не учитывает индивидуальность заемщика.
Актуальность темы обусловлена необходимостью применять эффективные методы управления компаниями или организациями, в том числе банками, при которых предусмотрено возникновение различных проблемных (рисковых) ситуаций и существует совокупность решений и шагов, предпринимаемых для минимизации возникающего ущерба. Соответствующее научное направление получило название «риск- менеджмент». Оно существует уже порядка 60 лет, но при этом не теряет своей актуальности. Понятие риска весьма неоднозначно, в контексте определенной сферы деятельности оно порождается новыми, еще нерешенными задачами.
В представленной работе область исследований - банковское дело, а в качестве предмета исследований выступает один из нескольких видов банковских рисков - кредитный риск. Следует изначально определить, что в дальнейшем будет пониматься под кредитным риском, так как существует множество определений, характеризующих данное понятие. Например, Центральный Банк РФ определяет кредитный риск, как «риск возникновения у кредитной организации убытков впоследствии неисполнения, несвоевременного или неполного исполнения должниками финансовых обязательств перед кредитной организацией в соответствии с условиями договора». В текущем исследовании под кредитным риском будем понимать превышение допустимого объема невозврата средств заемщиками в банк.
В качестве метода оценки заемщиков в данной работе было выбрано имитационное моделирование. Опираясь на статистические распределения параметров заемщиков в прошлом, а также учитывая влияние на них различных социально-экономических факторов, с помощью данного подхода можно спрогнозировать кредитный риск не только в текущих условиях, но и в ожидаемых.
Представленная научно-исследовательская работа посвящена имитационному моделированию кредитных рисков банка в условиях изменяющейся социально-экономической ситуации.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В магистерской диссертации рассмотрена задача имитационного моделирования кредитного риска. На основе анализа предметной области выделены основные сущности модели кредитования, а также описаны параметры, характеризующие каждую сущность, построена информационно¬логическая модель. Для процесса потребительского кредитования построена частная информационно-логическая модель, являющаяся основой имитационной модели анализа кредитных рисков. В среде разработки MATLAB написана программная реализация имитационной модели, с помощью которой для выбранного пространства параметров, предложенного набора данных и распределений рассчитана доля невозврата кредитных средств для различных сценариев, учитывающих социально-экономические влияния внешних факторов на заемщиков, найдена предполагаемая сумма задолженности и доля задолжников от общего числа заемщиков.
Дальнейшее развитие работы можно осуществлять в нескольких направлениях.
• Ввод с систему дополнительных параметров, характеризующих потребительское кредитование, что позволит сделать модель более достоверной, а определение вероятности кредитного риска более точным.
• Построенная модель может быть применена для других видов кредитования, поскольку она описана универсальными параметрами. Кроме этого имитационная модель может быть расширена на все виды кредитования, и стать реализацией информационно-логической модели, представленной на рисунке 2.
• Выбор иных управляющих параметров, которые позволят не только поддерживать кредитный риск на допустимом уровне, но и уменьшить его при грамотном управлении.



1. [Электронный ресурс]: http: //www.cbr.ru/ Дата посещения 30.04.2017
2. Международная конвергенция измерения капитала и стандартов
капитала: новые подходы // http://www.cbr.ru URL:
http://www.cbr.ru/today/ms/bn/bz_1.pdf (дата обращения: 30.04.2017).
3. Parametric versus nonparametric methods in risk scoring: an application to microcredit // Empirical Economics. 2014. №5. p. 1057-1079.
4. Шиянов Б. А., Силютина О. В., Неженец В. С. Вероятностно-статистические методы количественной оценки рисков в системе регулирования неравновесными состояниями экономических систем // Вестник Воронежского государственного технического университета. 2010. №8. Том 6.
5. Пасечник А. А., Пасечник Д. А., Лукаш Е. Н. Использование эконометрических моделей бинарного выбора для оценки вероятности банкротства российских банков // Молодой ученый. 2011. №10. Т.1. С. 137-148.
6. Hosmer, D., Lemeshow, S. Applied logistic regression.// John Wiley and Sons. 2000
7. Angelini. E, G. di Tollo, Roli A. A neural network approach for credit risk evaluation // The Quarterly Review of Economics and Finance. 2007.
8. Genriha I., Voronova I. Methods for evaluating the creditworthiness of borrowers // Economics and Business. 2012. №22. p. 42-50.
9. Aker A. Discriminant analysis of default risk //MPRA Paper № 1002. 2007.
10. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии.// Интернет-журнал «Науковедение». 2014. №2
11. Ишина И. В. Скоринг-модель оценки кредитного риска// Аудит и финансовый анализ. 2007. №4. с. 0-7.
12. Емельянов А. А., Власова Е. А., Дума Р. В. Имитационное моделирование экономических процессов. М: Финансы и статистика, 2005. 364 с.
13. Пробит-анализ // http: //www. machinelearning.ru
URL:http://www.machinelearning.ru/wiki/index.php?title=%D0%9F%D1%80%D 0%BE%D0%B 1%D0%B8%D 1 %82-
%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (дата обращения: 30.04.2017).
14. [Электронный ресурс]: http: //www. machinelearning.ru/wiki Дата
посещения 25.03.2017
15. Monte Carlo Methods for Portfolio Credit Risk // https://people.smp.uq.edu.au
URL: https://people.smp.uq.edu.au/DirkKroese/ps/BCK.pdf (дата обращения: 10.12.2015).
16. Дорошко А. А., Свиркин М. В. Имитационная модель для анализа кредитных рисков банка // Процессы управления и устойчивость. 2016. №1, Т.3. С. 628-632.
17. Батяркин А. В., Свиркин М. В. Построение имитационной модели для анализа рисков в вертикально интегрированной нефтяной компании // Процессы управления и устойчивость. 2015. Т. 2. № 1. с. 555-559.
18. Шапкин А. С., Шапкина В. А. Теория рисков и моделирование рисковых ситуаций. М.: Издательско-торговая корпорация «Дашков и Ко», 2005. 880 с.
19. Кошелевский И. С. История развития практики и исследований в области управления рисками // Молодой ученый. 2014. №20. с. 307-310.
20. Кудрявцев А. А. Интегрированный риск-менеджмент. М.: ЗАО
"Издательство "Экономика", 2010. 655 с. (Учебники экономического
факультета СПБГУ)
21. Кудрявцев А. А., Родионов А. В. Введение в количественный риск- менеджмент: учебник. СПб.: Изд-во С.-Петербург. ун-та, 2016. 192 с.
22. Мамедов Ф. М. Математические модели измерения финансовых рисков // Бизнес в законе. Экономико-юридический журнал. 2011. №1. С. 292-294
23. Лаврушин О. И., Валенцева Н. И. Банковские риски. М.: Кнорус, 2007. 232 с.
24. Инструкции Банка России от 3 декабря 2012 года № 139-И «Об обязательных нормативах банков»
25. Гост Р 51897-2011. Менеджмент риска. Термины и определения. // http://docs.cntd.ru/ URL: http://docs.cntd.ru/document/gost-r-51897-2011 (дата обращения: 30.04.2017).
26. [Электронный ресурс]: https://ek-ek.jimdo.com Дата посещения:
18.12.2016.
27. [Электронный ресурс]: http: //www.sberbank.ru Дата посещения
30.04.2017
28. [Электронный ресурс]: http://www.vtb.ru/ Дата посещения 30.04.2017
29. [Электронный ресурс]: http://www.gazprombank.ru/ Дата посещения 30.04.2017
30. [Электронный ресурс]: https://alfabank.ru/ Дата посещения 30.04.2017
31. [Электронный ресурс]: https://www.raiffeisen.ru/ Дата посещения 30.04.2017


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ