Глава 3. Регрессионный анализ влияния макрофакторов на показатели банковской деятельности
3.1. Описание модели и данных
Обработку панельных данных довольно удобно осуществлять при помощи пакета Stata. Он представляет собой универсальный пакет, предоставляющий возможность решения статистических задач различного рода из многих областей, например: экономики, биологии, социологии и медицины. Основными достоинствами Stata можно назвать:
достаточно большой спектр реализованных статистических методов;
возможность гибкой обработки данных;
простота написания различных программных модулей и наличие серьезного спектра средств программирования;
поддержка не только со стороны производителя, но и со стороны других пользователей Stata;
возможность максимизации функций правдоподобия, задаваемых пользователем.
В список банков, отобранных для проведения стресс-тестирования, попали: Сбербанк, ВТБ, Газпромбанк, Россельхозбанк, ВТБ 24, Банк Москвы, Альфа – банк, Юникредит банк, Промсвязьбанк, Росбанк, Номос-банк, Райффайзен, Транскредитбанк, Уралсиб, Санкт-Петербург.
Для построения модели был выбран временной период с первого квартала 2007 года до конца 2012. Таким образом, мы получаем 15 объектов и 24 квартала, что дает нам 360 наблюдений по каждому из показателей. Большинство исследователей зачастую стараются взять большее число объектов и меньшее число периодов для подобных исследований, однако высокая концентрация в Российском банковском секторе позволяет взять первые 15 банков и покрыть ими большую часть системы, тогда как длинные временные данные и данные по небольшим банкам не всегда доступны. Итак, в выборку попали наиболее крупные банки России, данные по которым есть в свободном доступе. Необходимо отметить, что суммарные активы выбранных нами банков составляют более, чем 60% активов всего банковского сектора. Это обуславливает выбор именно этих кредитных организаций для проведения нашего стресс-тестирования, потому что в первую очередь изменения в деятельности этих банков будут наиболее сильно влиять на весь сектор. В соответствии с этим данные банки можно охарактеризовать как системно значимые.
Данные будут представлять собой двумерные массивы, одна из размерностей которых имеет временную интерпретацию (в нашем случае это будут кварталы с 2007 по 2012 гг.), а другая – пространственную (15 банков). Данные массивы возникают при проведении исследований большого числа объектов на протяжении некоторого периода времени и образуют панельные данные.
Основные преимущества данных подобного рода:
Предоставляют большое количество наблюдений, увеличивая число степеней свободы, снижая коллинеарность между объясняющими переменными и улучшая эффективность оценок;
Позволяют анализировать множество важных экономических вопросов, которые не могут быть адресованы к временным рядам и cross-sectional данным в отдельности;
Позволяют предотвратить смещение агрегированности, неизбежно возникающее как при анализе временных рядов, так и при анализе cross-section данных.
Регрессионная модель панельных данных отличается от регрессии обычных временных рядов или пространственной регрессии тем, что её переменные имеют двойной нижний индекс – «ti», где i- номер объекта (банка), t-время (один из 24 кварталов).
Как известно оценка экономического положения банков осуществляется по результатам оценок:
Капитала;
Активов;
Доходности;
Ликвидности.
Таким образом, для построения нашей модели был рассчитан поквартально, начиная с 2007 года, ряд показателей банковской деятельности. Часть из них была взята из инструкции Банка России от 3 декабря 2012 года № 139-И «Об обязательных нормативах банков»11, а часть из указания от 30 апреля 2008 года № 2005-У «Об оценке экономического положения банков». Итак, в список анализируемых банковских показателей были включены:
норматив абсолютной ликвидности (Н2). Он регулирует (ограничивает) риск потери банком ликвидности в течение одного операционного дня и определяет минимальное отношение суммы высоколиквидных активов банка к сумме обязательств (пассивов) банка по счетам до востребования. Этот показатель не случайно включен в перечень обязательных нормативов для банков России, так как он отражает один из важнейших аспектов устойчивости всей банковской системы, и от него довольно сильно зависит доверие со стороны населения к банкам. По этим причинам расчет данного показателя необходим в проводимом стресс-тестировании;
норматив текущей ликвидности (Н3). Это чуть более широкий показатель ликвидности, но тоже крайне важный особенно в периоды глобальной экономической неустойчивости. Он регулирует (ограничивает) риск потери банком ликвидности в течение ближайших к дате расчета норматива 30 календарных дней. Как и в случае с нормативом «Н2», соблюдение данного норматива (мин. 50%) необходимо для всех банков страны во избежание риска стать неплатежеспособными. Поэтому данный показатель также был включен в список анализируемых в нашем стресс-тесте;
показатель рентабельности собственного капитала (ROE). Данный показатель отражает эффективность экономической деятельности банка и то, насколько грамотно банки используют свои ресурсы как в кризисное время, так и в периоды экономической стабильности;
показатель качества кредитного портфеля (PA3), который рассчитывался как отношение просроченных кредитов к сумме выданных кредитов. Кредитование - это основополагающий вид банковской деятельности, обеспечивающий рост и развитие банковского бизнеса и приносящий основную прибыль. Однако, стоит признать, что в условиях кризиса рискованность таких операций значительно увеличивается. Степень рискованности, в свою очередь, напрямую зависит от структуры кредитного портфеля банка, от состояния его заемщиков. Поэтому данный показатель неизбежно был включен в список анализируемых, ведь он характеризует, то насколько сильно бы увеличилась доля просроченных ссуд в кредитном портфеле, что непосредственно влияет на устойчивость банковской системы и экономики страны в целом;
показатель резервирования по просроченным ссудам (rvps), рассчитанный как отношение совокупности сформированных резервов на возможные потери по ссудам к кредитному портфелю банка. Это также один из важнейших показателей стабильности деятельности банков, показывающий насколько банки готовы к возможным неплатежам по выданным ими ссудам. Данный показатель качества кредитного портфеля, как правило, начинает расти в преддверии назревающих проблем в экономике и банковском секторе, в частности, поэтому довольно важно проследить его динамику в стрессовых для экономики и кредитных организаций условиях;
показатель достаточности капитала (Н1). На данный момент это, пожалуй, основной показатель обеспеченности банка собственными средствами, поэтому для характеристики устойчивости банковского сектора в отношении капитала на данный норматив тоже будет построена отдельная эконометрическая модель.
Итак, было отобрано семь показателей, призванных отразить состояние пятнадцати системно значимых банков в критических для экономики условиях. В совокупности они характеризуют устойчивость системы по всем четырём параметрам банковской стабильности: капиталу, качеству активов, доходности и ликвидности. Перечисленные выше показатели будут рассматриваться в качестве зависимых переменных от следующих макроэкономических переменных:
gdp – показатель ВВП России в текущих ценах. Снижение темпов экономического роста негативно сказывается на всей экономике страны и платежеспособности заёмщиков и банков, в частности;
indexes – значение фондового индекса ММВБ. Это также один из важнейших ныне показателей стабильности экономики нашей страны, так как данный индекс рассчитывается с учетом показателей эффективности деятельности множества предприятий России и не только. Его значение характеризует жизнеспособность всей экономики страны;
bival – значение бивалютной корзины РФ. Переоцененность национальной валюты, как правило, приводит к сокращению чистого экспорта, в результате чего формируются девальвационные ожидания, что, в свою очередь, может спровоцировать массовые изъятия депозитов банков;
oil – цена нефти марки Urals. В виду сильной зависимости экономики России от цен на нефть, снижение спроса на энергоресурсы в мире влияет и на весь банковский сектор России. Снижение цен на нефть влияет на всю экономику нашей страны, сказываясь на темпах роста ВВП, обменном курсе, торговом балансе, ценах на активы и т.д.;
gko – среднесрочная ставка по ГКО-ОФЗ. Учитывая тот факт, что в последнее время ведущие банки страны всё больше и больше вкладывают средства в бумаги федерального займа, этот показатель необходимо включить в модель, потому что он будет характеризовать состояние дел и на уровне всей страны в целом, и на уровне банковского сектора, в частности;
balance – торговый баланс РФ. Стандартный показатель отношения стоимостей экспортированных и импортированных товаров. Характеризует конкурентоспособность экономики страны на международной арене;
gold – золотовалютные резервы страны. Поскольку ЗВР – это высоколиквидные активы страны, правительство может с их помощью эффективно регулировать экономику государства. Поэтому наличие данного ресурса является важным для общей устойчивости России;
inflation – темпы инфляции внутри страны. Инфляция влияет как на курс национальной валюты, так и на всю экономику страны в целом. Это один из основных макроэкономических показателей, поэтому его необходимо включать в нашу модель;
retail – оборот розничной торговли. Оборот розничной торговли - стоимость товаров, проданных населению за наличный расчет для личного потребления или использования в домашнем хозяйстве. Он отражает фактическую выручку торгующих организаций от продажи товаров населению, включая товары частично или полностью оплаченные органами социальной защиты. Таким образом, данный показатель характеризует степень экономической активности внутри страны;
prom – объём промышленного производства внутри страны. Он показывает развитие экономики страны и её жизнеспособность. Чем выше объёмы производства, тем выше экономическая активность, уровень кредитования.
Итак, мы обосновали целесообразность использования всех вышеперечисленных показателей при построении наших семи эконометрических моделей. Перед тем, как непосредственно перейти к самому процессу построения эконометрических моделей, мы должны определить какой тип модели лучше использовать. В нашем случае с выборкой из пятнадцати банков мы будем использовать модель со случайными эффектами. Данный тип модели может быть рассмотрен в качестве компромисса между сквозной регрессией, которая налагает довольно сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, а также регрессией с фиксированными эффектами (FE), которая даёт возможность для каждого объекта выборки ввести свою константу и, таким образом, учесть существующую в реальности, однако не наблюдаемую гетерогенность.
Поиски подобного рода компромисса в первую очередь могут быть вызваны некоторыми причинами:
Оценки, которые даёт модель с фиксированными эффектами, могут и быть состоятельными для статистических моделей в отсутствии эндогенности, однако зачастую они не очень эффективны.
Модель «FE» не даёт возможности оценить коэффициенты при инвариантных по времени регрессорах, поскольку они, в свою очередь, элиминируются из модели после преобразования «within».
Сквозная же модель может и лишена подобного рода недостатков, однако она зачастую даёт несостоятельные оценки, потому что в ней не учитывается индивидуальная гетерогенность.
В модели же со случайными эффектами индивидуальная гетерогенность учитывается не в самом уравнении, а в матрице ковариаций, которая имеет блочно-диагональный вид, поскольку внутри каждой группы случайные эффекты коррелируют между собой. Для оценивания подобной регрессии лучше использовать обобщенный метод наименьших квадратов (GLS). Общий вид модели следующий:
yit = a + X’itB + ui + eit, где
i – номер банка, t – время, a – свободный член, B – вектор коэффициентов размерности, X’it – вектор-строка матрицы объясняющих переменных, ui – ненаблюдаемые индивидуальные эффекты, eit – остаточное возмущение.
|
