Тип работы:
 Предмет:
 Язык работы:


О методике статистического анализа банковских рисков

Работа №138034

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы57
Год сдачи2017
Стоимость4925 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
54
Не подходит работа?

Узнай цену на написание


Введение
Постановка задачи
Обзор литературы
Глава 1. Параметры кредитного портфеля
1.1. Описание данных
1.2. Обязательные нормативы
1.3. Оценка параметров кредитного портфеля . . . . . . . . . . . . 12
1.4. Оценка величины VaR
Глава 2. Классификация коммерческих банков
2.1. Бинарные регрессии
2.2. Байесовский классификатор
Глава 3. Использование ARIMA моделей
3.1. Описание данных
3.2. Выбор параметров модели ARIMA
3.3. Исследование остатков модели
3.4. Примеры построения прогноза с использованием моделей ARIMA
Выводы
Заключение
Список литературы
Приложение

Банковская система является важной неотъемлемой частью экономки любой страны, так как коммерческие банки имеют связи со всеми секторами экономики. Поэтому мировой финансовый кризис, дестабилизируя
экономику в целом, затрагивает и денежно-кредитные институты. В связи
с этим проблема обеспечения финансовой устойчивости российских коммерческих банков становится одной из наиболее актуальных задач [1].
В литературе встречается множество толкований понятия
"финансовая устойчивость кредитной коммерческой организации, однако нет четко сформулированного определения. В настоящей работе под финансово
устойчивым будем понимать такой коммерческий банк, который способен
в дестабилизирующих условиях сохранить достаточный капитал, превышающий минимальное ограничение, установленное Банком России, а также
оказывать банковские услуги и своевременно выполнять обязательства. То
есть, это коммерческий банк, способный осуществлять свою деятельность в долгосрочной перспективе.
Традиционно оценка финансовой устойчивости коммерческого банка
основывается на таких показателях, как уровень ликвидности, качество
активов, достаточность собственного капитала для развития организации,
риски, прибыльность деятельности и другие. Однако в условиях кризиса
важно не только оценить финансовую устойчивость коммерческого банка,
но и поддерживать стабильность функционирования организации. А это
уже задача из области управления рисками.
В процессе экономической деятельности банки сталкиваются с разными видами рисков. Такой вид, как внешние риски, к которым относятся страновой, экономический, нормативно-правовой риск, не поддаются
управлению организацией. Однако, финансовые риски, включающие в себя
3процентный риск, валютный риск, кредитный риск, внебалансовый риск,
риск использования заемного капитала, а также риск ликвидности, кроме
того, что в наибольшей степени поддаются контролю со стороны банка,
также являются ключевыми факторами при управлении активами и пассивами.
Так как для многих коммерческих банков кредитование является одним из основных видов деятельности, доходы от кредитных операций составляют существенную часть в общей структуре доходов коммерческих
организаций. Следовательно, эффективность кредитной политики зависит
от качества управления организацией кредитным портфелем.
Кредитный портфель представляет собой остатки задолженности на
балансовых счетах по действующим кредитным договорам на определенную дату. В данной работе в кредитный портфель включены кредиты, выданные банкам, а также юридическим и физическим лицам.
Неграмотное управление кредитным портфелем может привести к
большим финансовым потерям, а, значит, нарушить стабильность функционирования кредитной организации, что чаще всего приводит к ее дефолту.
Поэтому качество кредитного портфеля становится одним из основополагающих факторов для выживания и успеха коммерческого банка

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В результате проведенного исследования было установлено, что для
выявления ухудшения качества кредитного портфеля необходимо оценить
такие характеристики, как доходность и риск активов, ожидаемая доходность портфеля и риск портфеля. Непосредственный анализ данных характеристик может выявить общую динамику изменения качества кредитного портфеля. Используя их в совокупности с обязательными нормативами,
можно оценить вероятность отзыва лицензии у коммерческого банка через
год. Она находится с помощью построенных моделей бинарной регрессии.
Также, построив модель ARIMA(p; d; q) для рядов доходности активов, можно сделать прогноз на ближайший год. Большинство построенных
прогнозов имело среднюю ошибку аппроксимации менее 20%, а значит их
можно использовать в дальнейших расчетах. Например, при планировании выдач кредитов, можно рассчитать, какую доходность и какой риск
будет иметь такой кредитный портфель. В данной работе доля выданных
кредитов также была спрогнозирована, и на основе полученных прогнозов
был вычислен риск на ближайший год. Для банков с отозванной лицензией
риск вычислялся на последний год работы. И хотя прогнозные значения
оказывались меньше, чем вычисленные, они соответствовали общей динамике. Следовательно, кредитная организация может управлять уровнем
риска портфеля, планируя показатели выдачи кредитов.
Таким образом, значение вероятности, полученное с помощью логит
или пробит-регрессий должно сигнализировать об ухудшении качества кредитного портфеля. А для того, чтобы повлиять на сложившуюся ситуацию
в следующем году, коммерческому банку следует при планировании выдачи кредитов построить прогноз по активам и по нему рассчитать будущий
риск, воспользовавшись методикой, предложенной в [2, 4, 5]


1. Печалова М. Ю. Организация риск-менеджмента // Менеджмент в
России и зарубежом. 2001. № 1.
2. Буренин А. Н. Рынок ценных бумаг и производных финансовых инструментов: Учебное пособие. М.: 1 Федеративная Книготорговая Компания, 1998. — 352 c.
3. Лобанов А. А., Чугунов А. В. Энциклопедия финансового рискменеджмента. М.: Альпина Паблишер, 2003. 786 c.
4. Markowits H. Portfolio Selection // Journal of Finance, Vol. 7. 1952. No 1
P. 77–91.
5. Теория принятия решений. В 2 т. Т. 2: Учебник и практикум для бакалавриата и магистратуры / под ред. В. Г. Халина. М.: Издательство
Юрайт, 2016. 431 с.
6. Вестник Банка России / под ред. Г. И. Лунтовский. 2012. № 74. 73 с.
7. Jorion P. Financial Risk Manager Handbook: Second Edition. New Jersey:
Wiley, 2003. 736 p.
8. Бобыль В. Методика применения показателей системы рискменеджмента // Банковский вестник. 2014. № 6.
9. Бухштабер В. М, Оводов И. Г, Шевченко С. Н. Статистический подход
к проблеме оценки надежности коммерческих банков // Экономический журнал ВШЭ 1998. № 1.
10. Шоломицкий А. Г. Теория риска. Выбор при неопределенности и моделирование риска. М.: Изд. дом ГУ ВШЭ, 2005. 400 c.
4611. Basel III: A global regulatory framework for more resilient banks and
banking systems [Электронный ресурс] // Basel Committee on Banking
Supervision. 2010. http://www.bis.org/publ/bcbs189.pdf
12. Груздев А. В. Метод бинарной логистической регрессии в банковском
скоринге // Риск-менеджмент в кредитной оргнизации. 2012. № 1(5).
С. 71–88.
13. Greene W. H. Econometric analysis, 5-th edition. New Jersey: Prentice Hall,
2003. 1054 p.
14. Айвазян С. А., Бухштабер В. М, Енюков И. С, Мешалкин Л. Д.
Прикладная статистика: классификация и снижение размерности. М.:
Финансы и статистика, 1989. 607 c.
15. Магнус Я. Р., Катышев П. К, Пересецкий А. А. Эконометрика. Начальный курс: Учеб. — 6-е изд., перераб. и доп. М.: Дело, 2004. 576 c.
16. Светуньков И. С., Светуньков С. Г. Методы социально-экономического
прогнозирования. В 2 т. Т. 2. М.: Издательство Юрайт, 2015. 447 c.
17. Информационный портал Банки.ру. http://www.banki.ru/banks/memory/
18. КУАП. Финансовый анализ банков. http://kuap.ru/
19. Батракова Л. Г. Экономический анализ деятельности коммерческого
банка. Учебник для вузов — 2 изд. М.: Логос, 2007.
20. Shapiro S. S., Wilk M. B. An analysis of variance test for normality //
Biometrika, Vol. 52. 1965. No 3 P. 591–611.
21. Буре В. М., Парилина Е. М. Теория вероятностей и математическая статистика. СПб.: Изд-во Лань, 2013. 416 c.
4722. Лемешко Б. Ю, Лемешко С. Б, Постовалов С. Н. Мощность критериев
согласия при близких альтернативах. // Измерительная техника. 2007.
№ 2. С. 22-27.
23. Мищенко А. В, Чижова А. С. Методология управления кредитным риском и оптимальное формирование кредитного портфеля //
Финансовый менеджмент. 2008. № 1. С. 91–105.
24. Akaike H. A new look at the statistical model identification // IEEE
Transactions on Automatic Control, Vol. 19. 1974. No 6 P. 716–723.
25. Mardia K. V. Measures of multivariate skewness and kurtosis with
applications // Biometrika. 1970. No 3. P. 519–530.
26. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия и другие
алгоритмы Data Mining с использованием R. Электронная книга, адрес
доступа: https://github.com/ranalytics/data-mining. 2017.
27. Hyndman R. J., Athanasopoulos G. Forecasting: principles and practice.
Otexts, 2014. 291 p.
28. Hosmer D. W., Lemeshow S. Applied Logistic Regression. — 2nd ed. Wiley,
2005. 397 p.

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.