Russian (CIS)English (United Kingdom)

Счастье в жизни – то чего ты достиг. Смысл жизни – все те, кто тебя любят. Н.Н.Полозова

Модели рейтингов и их применение

7.1. Назначение и спецификация эконометрических моделей рейтингов
Внедрения Нового базельского соглашения имеет отношение не только к группе стран-участников соглашения. Влияние Базель II на поведение мирового сообщества предсказуемо. Усиливается внимание к построению внутренних рейтинговых систем как в банках, так и в крупных корпорациях. Создание эконометрических моделей (ЭМ), позволяет аккумулировать предшествующий опыт, дает возможность статистического прогнозирования рейтингов, в том числе компаний, не прошедших рейтингование.

Они могут применяться:
в системах раннего предупреждения для надзора и мониторинга;
при IRB-подходе в системе внутренних рейтингов согласно Базель II;
для построения моделей вероятности дефолта и скоринговых моделей в розничном бизнесе.
В качестве основы для построения эконометрических моделей могут использоваться рейтинги, публикуемые рейтинговыми агентствами (РА), результаты экспертных опросов, исторические данные о дефолтах, внутренние данные о заимствованиях и погашении заимствований.
Методология построения моделей имеет несколько составляющих (рис. 7.1), среди которых особо следует выделить проблемы формирования системы данных, сопровождения моделей, а также оценки их качества, которым не всегда уделяется должное внимание. Далее систематизируются существующие в настоящее время методы построения ЭМ применительно к российским банкам и компаниям.

Рис. 7.1. Классификация задач построения и поддержки ЭМ

Рейтинг является качественной порядковой переменной. Поэтому естественно использовать модели множественного выбора (order probit models) (Магнус и др, 2008). При этом осуществляется преобразование буквенной нотации рейтингов в упорядоченную числовую шкалу, при которой наименьшее значение указывает на компанию, занимающую наивысшую позицию в рейтинге.
Для k упорядоченных альтернатив (в рассматриваемом случае – рейтингов, отображенных в набор упорядоченных целых чисел) вероятности того, что субъект (банк, компания) номер , имеющий набор объясняющих переменных (финансовые индикаторы и макроэкономические показатели), будет отнесен к одному из классов (рейтингов) в номером от 1 до k, равны соответственно:


alt

прогнозирования рейтингов. В качестве меры отклонения используем разность модельного Rмод и фактического Rфакт рейтингов:

Δ  = Rмод – Rфакт . (7.2)

В качестве статистических мер будем рассматривать вероятности совпадения P(|Δ| = 0) и отклонения не более чем на одно значение P(|Δ| 1) указанных рейтингов. При этом для проверки качества модели могут использоваться данные, не вошедшие в набор (out of sample).
Крайне важно иметь хорошо сформированную систему данных. Общие требования к интегрированным базам данных (единому информационному пространству) предложены в (Карминский и др., 2004). Применительно к задачам риск-менеджмента (включая построение моделей рейтингов и дефолтов) в качестве дополнительных требований к базам данных можно выделить ориентацию на задачи риск-менеджмента, пригодность системы данных для статистической обработки, структурированность и адаптивность для построения ЭМ, поддержку моделей в течение всего жизненного цикла.
В моделях рейтингов преимущественно используются относительные индикаторы, в знаменателе которых находятся показатели, характеризующие размер субъекта (капитал, активы). Объясняющие переменные, характеризующие размер, включаются в модели, как правило, в логарифмическом масштабе (например, логарифм автивов).
Возможно разбиение выборки на обучающую, по которой строится модель, и контрольную, предназначенную для тестирования качества полученных моделей. При построении моделей могут быть исключены из рассмотрения компании, имеющие те или иные институциональные особенности (например, высокую вероятность вмешательства государства).



Энциклопедия рейтингов: экономика, общество, спорт / Карминский А.М., Полозов А.А., Ермаков С.П. - М.: ЗАО ИД "Экономическая газета", 2011. - 349 с