В ходе исследования прогнозирования банковских дефолтов были проанализированы различные модели машинного обучения. Было выяснено, что с ростом объема данных рекуррентные нейронные сети (LSTM и GRU) улучшают свои метрики, в то время как остальные модели ухудшают свои показатели. Разница в метриках между LSTM и GRU показывает, что на малом наборе данных GRU справляется лучше LSTM, однако при увеличении объема данных модели демонстрируют примерно одинаковые результаты. При значительном росте данных все модели показывают ухудшение метрик из-за увеличения шума, однако LSTM и GRU при этом начинают работать лучше, чем CatBoost, что подтверждает их способность эффективно обрабатывать большие объемы данных и временные зависимости. Результаты исследования приведены в таблице:
Число отчетов ROC AUC Accuracy F1 Score Percision Recall
LogisticRegression 5 0,782 0,774 0,685 0,622 0,763
25 0,729 0,730 0,600 0,575 0,629
Весь период 0,719 0,671 0,498 0,490 0,505
CatBoost 5 0,923 0,877 0,776 0,941 0,660
25 0,893 0,814 0,702 0,725 0,680
Весь период 0,783 0,734 0,545 0,608 0,495
LSTM 5 0,689 0,691 0,503 0522 0,485
25 0,818 0,787 0,656 0,685 0,629
Весь период 0,755 0,724 0,621 0,558 0,701
GRU 5 0,813 0,750 0,550 0,657 0,474
25 0,856 0,790 0,631 0,729 0,557
Весь период 0,769 0,688 0,612 0,510 0,763
Таблица 1 – результаты работы программы
Источник: составлено автором
Важными показателями, влияющими на риск дефолта банка, оказался норматив текущей ликвидности (N3) и норматив мгновенной ликвидности (N2). Высокие значения этих коэффициентов указывают на способность банка выполнять свои краткосрочные и мгновенные обязательства, что значительно снижает риск дефолта. Кроме того, высокий норматив достаточности капитала (N1) свидетельствует о хорошей капитализации банка, что также способствует его финансовой устойчивости.
Экономические показатели, такие как инфляция с сезонной корректировкой (INF_SA) и разница в курсе USD/RUB (usd_rub_std_diff), могут существенно влиять на финансовую устойчивость банка. Высокая инфляция может увеличивать затраты и снижать реальную стоимость активов, повышая риск дефолта. Волатильность валютного курса указывает на валютные риски, которые также могут негативно сказываться на устойчивости банка.
Показатели межбанковского кредитования, такие как сумма межбанковских кредитов (miacr_amount) и межбанковские кредиты (ibl), а также стандартное отклонение межбанковской ставки (miacr_std), указывают на зависимость банка от внешних заимствований и нестабильность на межбанковском рынке. Высокие объемы межбанковских кредитов и волатильность межбанковской ставки могут повышать риск ликвидности, особенно в нестабильных рыночных условиях.
Финансовые показатели, такие как рентабельность активов (ROA), чистая прибыль (NI) и рентабельность собственного капитала (ROE), показывают способность банка эффективно использовать свои активы и капитал для генерации прибыли. Высокие значения этих показателей снижают риск дефолта, обеспечивая банку финансовую устойчивость. Кроме того, чистые активы (net_assets) и процент залоговых кредитов (zalog_credit_perc) также играют важную роль в снижении риска, так как наличие залога уменьшает возможные потери по кредитам, а высокие чистые активы указывают на хорошую финансовую устойчивость.
Наконец, анализ разницы в чистом государственном долге (net_gov_debt_diff), спреда розничных ставок (i_retail_spread_diff) и розничного долга с сезонной корректировкой (retail_debt_SA_DETREND_diff) показывает, что изменения в этих показателях могут влиять на банковскую систему и финансовую устойчивость банка. Колебания в стоимости капитала акций (stocks_capital_diff) и изменения в условиях кредитования (miacr_diff) также указывают на рыночные и кредитные риски, которые необходимо учитывать при прогнозировании дефолтов банков.
Таким образом, для точного прогнозирования дефолтов банков необходимо учитывать комплексный анализ различных финансовых показателей и их взаимодействий, что позволяет более точно оценить риски и повысить надежность прогнозов.


Купить