3. Моделі на основі фундаментальних показників.

Великий клас складають моделі на основі фундаментальних показників діяльності позичальника. Залежно від природи показників, що лежать в основі, можна виділити моделі:

• на базі макроекономічних показників;

• на базі показників фінансової та бухгалтерської звітності;

• на базі показників зовнішніх рейтингових агентств.

1. Моделі на основі макроекономічних показників.

В основі даного підкласу моделей лежить ідея про те, що ймовірність дефолту державних, корпоративних і роздрібних клієнтів банку має циклічний характер і зростає під час економічної рецесії. Як правило, такі моделі використовують регресійний аналіз, в якому беруть участь будь-які макроекономічні показники: ВВП, інфляція, курс національної валюти, рівень безробіття та ін. З їх допомогою ми можемо отримати не лише короткострокову, але і довгострокову оцінку ймовірності дефолту позичальника. Такий метод оцінки довгострокової ймовірності дефолту (яка

залишається незмінною протягом одного економічного циклу) носить назву Through The Cycle estimation (TTC). Базельський комітет з банківського нагляду визначає TTC-оцінку наступним чином: «... оцінка ймовірності дефолту, яка залишається відносно постійною в різноманітних економічних умовах, на відміну від поточної оцінки ймовірності дефолту - Point In Time estimation (PIT), яка змінюється раз за разом слідом із зміною стану економіки ... ».

У даному класі можна розмежувати моделі, в основі яких лежать екзогенні та ендогенні фактори.

Макроекономічні моделі на основі екзогенних факторів виходять з передумови, що макроекономічні показники самі по собі є екзогенними (заданими поза моделлю) і не впливають на економічну рецесію. До даного класу моделей відноситься модель Вілсона, яка лягла в основу програмного продукту CreditPortfolio View, призначеного для оцінки кредитного ризику і розробленого консалтинговою групою McKinsey & Co.

У рамках даного класу моделювання ймовірності дефолту можна описати таким чином:

де - ймовірність дефолту протягом заданого горизонту часу, – макроекономічний індикатор, що відображає стан економіки. Він, у свою чергу, може бути виражений як функція від сукупності макроекономічних показників:

де - набір макроекономічних показників, - випадкова помилка.

При розробці CreditPortfolio View враховувалися такі передумови: величина систематичної компоненти ймовірності дефолту позичальника в

момент часу описується з допомогою логістичної регресії.

Зазвичай позичальників ділять за секторами економіки або індустрії, в якій вони діють. У якості факторів моделі вибираються ставка зростання ВВП, рівень споживчих цін, рівень інфляції, рівень безробіття і т.д. Значення кожного чинника, у свою чергу, визначається за його попередніми показниками згідно авторегресійною моделю AR порядку :

Ці дані використовуються для моделювання спільного розподілу величин ймовірностей дефолту і перехідних ймовірностей для тих чи інших секторів економіки або індустрії. Ризики кожного сегмента потім агрегуються (з урахуванням значень кореляцій і спрогнозованого значення стану даного сегмента). Потім за допомогою методу Монте-Карло модель генерує спільний розподіл збитків внаслідок дефолту для всіх сегментів портфеля, тобто для сукупного кредитного портфеля, на основі якого визначається оцінка кредитного VaR (Credit Value at Risk estimation, CVaR)¹. Незважаючи на те що дана модель не дозволяє визначити ймовірність дефолту детально по кожному контрагенту, тому що аналіз будується на рівні сегментів економіки, вона незамінна для оцінки по портфелю спекулятивних інструментів, які найбільш чутливі до економічних циклів і першими реагують на зміни в економіці.

Макроекономічні моделі на основі ендогенних факторів припускають, що існує зворотній зв'язок між масштабом економічної рецесії (і, отже, ймовірністю дефолту позичальника) і макроекономічними показниками. Так, наприклад, можна припустити, що зниження чистого доходу корпорацій зменшує їх можливість інвестувати, що в результаті може негативно відбитися на рівні ВВП. Представниками даного класу являються моделі Хоггарта, Соренсена і Зікчіно (2005 рік), Алвеса (2005 рік), Тройтлера і Вайнера (2006 рік). Як правило, в їх основі лежить підхід векторної авторегрессіі:

де - вектор постійних величин, - матриця коефіцієнтів, - вектор залишків, - вектор ендогенних змінних, який включає як ймовірність дефолту (або інші проксі маштабу економічної рецесії), так і інші елементи, що відображають стан економіки в даний період.

Своє практичне застосування дані моделі знайшли в системі стрес -тестування ймовірності дефолтів банків у рамках програми оцінки фінансового сектора (Financial Sector Assessment Programme, FSAP), яка була розроблена спільно із Світовим банком і Міжнародним валютним фондом. На основі результатів цієї програми було прийнято документ по оцінці стабільності фінансового сектора (Financial Sector Stability Assessment, FSSA) і висунуто основні показники фінансової стійкості банків (Financial Soundness Indicators, FSI), які є макроекономічними індикаторами для оцінки стійкості банківського сектора і системних ризиків банківської системи вцілому.

Сильною стороною моделей на основі макроекономічних факторів є те, що з їх допомогою можна врахувати циклічний характер ймовірності дефолту і отримати довгострокову оцінку. Часто вони використовуються для стрес-тестування інших моделей ймовірності дефолту. Крім того, зважаючи на доступність статистики по макроекономічним показникам даний підхід можна використовувати для крос-аналізу ймовірності дефолту позичальників, що мають різну географічну належність (наприклад, для банків різних країн). Однак слабкою стороною являється той факт, що для вдалого застосування даних моделей необхідно використовувати показники, що відносяться до одного бізнес-циклу, а визначити періодичність циклів в економіці достатньо важко. Більше того, макроекономічні показники можуть служити лише розширенням моделі, тому що на їх основі складно оцінити ймовірність дефолту конкретного позичальника (на відміну від галузі або банківської системи вцілому).