WEB-ресурс научно-практических конференций

К.е.н. Кишакевич Б.Ю.

Дрогобицький державний педагогічний університет ім. Івана Франка

ОСОБЛИВОСТІ ОЦІНКИ РИЗИКУ КРЕДИТНОГО ПОРТФЕЛЮ В МОДЕЛІ CREDITMETRICS

На сьогоднішній день для оцінки і вимірювання кредитного ризику найбільшими фінансовими інститутами світу використовуються такі моделі методології VaR : CreditMetrics , CreditRisk +, Portfolio Manager , CreditPortfolioView , Jarrow - Tumbull Model . Найпопулярнішою серед усіх перерахованих моделей стала методика вимірювання банківського кредитного ризику CreditMetrics , яка була розроблена у 1994 р. і удосконалена в 1997 р. провідним оператором кредитного ринку – банком J . P . Morgan та його структурним підрозділом, який згодом став самостійною компанією, - Risk Metrics Group ( RMG Corporation ) [1].

Українські банки лише починають на практиці застосовувати VaR методики для оцінки ризику, що обумовлює потребу в нових наукових розробок щодо адаптації вищезгаданих моделей до реалій української економіки та удосконаленні існуючої методології обчислення основних показників кредитного ризику в умовах світової фінансової кризи.

Модель CreditMetrics базується на статистичних методах дослідження, в основному на методі статистичних іспитів Монте-Карло. Розподіл збитків визначається на основі значень ймовірностей, так званої кредитної міграції, або іншими словами ризику зміни кредитного рейтингу активу і кореляції між змінами кредитних рейтингів.

Запропонована методика ґрунтується на аналізі ймовірностей переходу з однієї кредитної категорії до іншої в межах даного часового горизонту (credit migration analysis). Схематично процес обчислення Credit-VaR портфелю з використанням CreditMetrics показано на рис. 1. В CreditMetrics використовують дві міри ризику середньоквадратичне відхилення ( standard deviation ) та перший процентиль ( first percentile ).

Рис. 1. Обчислення Credit VaR портфелю в CreditMetrics

Інтерпретація середньоквадратичного відхилення у нашому випадку ускладнюється оскільки кредитний ризик фактично не є нормально розподіленим. Розподіл кредитного ризику має довгий хвіст на стороні втрат та коротший на доходній стороні. Довжину такого хвоста можна виразити у середньоквадратичних відхиленнях. Наприклад довжина 99% хвоста становить 1,7 середньоквадратичних відхилень, 99,75% хвоста - 7,9 середньоквадратичних відхилень. Для порівняння, ці довжини для нормального розподілу становитимуть 2,31 та 2,81 середньоквадратичних відхилень відповідно.

При обчисленні середньоквадратичного відхилення ми використовуємо норму повернення коштів у випадку дефолту ( recovery rate ). При дефолті, власники облігацій, як правило, не несуть 100%-их збитків. Рейтингові агентства надають статистичну інформацію для кожної категорії облігацій про норму повернення коштів ( recovery rate ), яка у нашому випадку для облігацій з рейтингом А становить 51,13%. Якщо згадати, що при одержанні майбутньої ціни облігації через рік для стану дефолту ми фактично без обчислень (на відміну від інших недофолтних станів) використали готові табличні дані [3] для норми повернення коштів ( recovery rate), то природно було б врахувати при обчислення середньоквадратичного відхилення деяку міру невизначеності при виборі recovery rate.

Другою важливою мірою кредитного ризику є перший процентиль (first percentile). Економічна інтерпретація процентилю значно простіша ніж середньоквадратичного відхилення. Іншими словами перший процентиль - це величина збитків, яка із ймовірністю 99% не буде перевищена. Перший процентиль (first percentile) розподілу вартості облігації відповідає Credit VaR із ступенем довіри 99%. Отже, в 1% випадків збитки становитимуть величину, більшу ніж Сredit VaR.

Для нормального розподілу або для будь-яких інших розподілів, які повністю описуються своїм середнім та середньоквадратичним відхиленням можливим є обчислення рівнів процентилю на основі цих даних. У випадку кредитного ризику, для якого не є характерним нормальний розподіл можна скористатись методом Монте-Карло для визначення С redit VaR .

Основними призначеннями методології VaR є те, що вона дає інвесторам можливість вимірювати величину кредитного ризику, обчислити частку кожного кредиту в загальній прибутковості капіталу а, отже і визначити розміри резервного капіталу для забезпечення захисту від ризику кожної окремої позиції в кредитному портфелі банку.

Запропонований в статті підхід зручно застосовуватись для портфелів із однієї чи двох облігацій. Модель CreditMetrics застосовує симулятивний метод Монте Карло для генерації розподілу більших за розміром портфелів. CreditMetrics модель може також визначити внесок маргінального ризику кожного активу в загальний кредитний ризик портфелю.

До недоліків моделі CreditMetrics можна віднести наступні аспекти. Розподіл вартості облігації не є нормальним, що ускладнює оцінку кредитного ризику особливо при аналізі портфелю. В CreditMetrics на відміну від деяких інших моделей, наприклад KMV, вартість активів фірми замінюється вартістю акцій, що є само по собі доволі серйозним припущенням і може мати значний вплив на точність обчислень. Реальний досвід показує, що історичні середні норми дефолту ( h istorical average default rate ) можуть значно відрізнятись від реальних. Причому суттєві розбіжності в нормах дефолту можуть зустрічатись в межах одного рейтингового класу облігацій.

Список використаної літератури.

1. Денисенко М.П., Домрачев В.М. та інші. Кредитування та ризики. Навчальний посібник. – К.: «Видавничий дім «Професіонал», 2008.–480 с.

2. Gupton, G. M., Finger, C. C. and Bhatia, M. (1997). CreditMetrics – Technical Document , Morgan Guaranty Trust Co. http://www.riskmetrics.com/research/techdoc

3. Zumbach, G. (2006b). The riskmetrics 2006 methodology. Technical report, RiskMetrics Group.

4. Paul Glasserman Monte Carlo Methods in Financial Engineering. Springer, 2004.

5. H. Haaf, O. Reiss, and J. Schoenmakers (2003). Numerically stable computation of CreditRisk+. Technical report, Weierstrass-Institut.

6. M. Gordy (2000). A Comparative Anatomy of Credit Risk Models. Journal of Banking and Finance, 24(1-2), 119-149.