Управление кредитным риском коммерческого банка с использованием VaR-модели» на примере ОАО «Сбербанк России»

•

 

•

 

•

 

•

 

•

 

Переменная, характеризующая кредитную историю заемщика:

•

 

Переменные, характеризующие отраслевую принадлежность:

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

•

 

•

 

•

 

В результате расчета получаем оценки вероятности дефолта каждой компании-заемщика. Аналогичный алгоритм использовался в работе С.В. Ивлиева «Исследование кредитного риска методом Монте-Карло» [18, с. 56-84] и книге G. Loffler, Р. Рosch «Сredit Risk Мodelling Using Еxcel and VВФ» [37, с. 178-189].

Для того чтобы произвести оценку уровня неожиданных потерь по портфелю, требуется вычислить VaR. Воспользуемся алгоритмом оценки кредитного риска портфеля с помощью методологии Монте-Карло. Алгоритм моделирования содержит в себе следующие шаги:

Для начала, рассмотрим всех заемщиков, обладающих рейтингом А:

1. Для каждого заемщика i класса A генерируются равномерно распределенные на интервале случайные величины от 0 до 1: , i. = 1,..., , где — количество заемщиков с рейтингом A в кредитном портфеле банка, k — количество повторений шагов алгоритма, k = 1, ….,10000.
2. На основе полученных результатов зависимости дефолтности заемщика от присвоенного ему рейтинга, рассчитывается уровень убытков по каждому i-ому заемщику, принадлежащему группе A. Наступлением дефолта в модели является превышение сгенерированной случайной величиной вероятности, дополняющей до 1 вероятность дефолта соответствующей группы рейтинга:

где— уровень убытков по i-му заемщику,

 — сумма задолженности i-го заемщика из группы А,

Р (D)A — оценка вероятности дефолта заемщиков с рейтингом А.

3. Рассчитываются совокупные убытки по заемщикам группы А путем суммирования потерь по каждому клиенту из данной группы:

4. Подобная процедура проводится для заемщиков с присвоенными остальными рейтингами В, C, D и Е, и вычисляется совокупный уровень потерь по кредитному портфелю:

5. Первые четыре шага алгоритма 1–4 повторяются большое количество раз r (k = 10 000), и по выборке строится эмпирическая функция распределения потерь по кредитному портфелю.

Эмпирическая функция распределения позволяет наиболее точно оценить кредитный риск портфеля на основе методологии Vаlue-аt-Risk.

Ожидаемые потери, как правило, оказывают прямое влияние на прибыль и рентабельность банка от предоставляемого им кредитного продукта, поскольку по каждому кредиту требуется отчислять резервную сумму в размере не менее в специальный предусмотренный резервный фонд. Оцененное значение величины ожидаемых потерь () показывает, в каких масштабах и объемах банку необходимо формировать резервы на возможные потери по выданным ссудам.

Величина неожиданных потерь или Сredit VаR находит собственный уровень надежности как кредитного портфеля, так и банка в целом. Собственный уровень надежности определяют соответствием капитала банка возможным неожидаемым потерям. Главная функция банковского капитала выражается в защите банка от банкротства, он выступает своеобразной «подушкой безопасности», которая предоставляет вкладчикам и кредиторам возможность возместить свои средства даже в случаях возникновения крупных непредвиденных потерь убытков.

 

 

 

 

 

 

 

Глава 3. Управление кредитным риском коммерческого банка ОАО «Сбербанк России»

 

3.1. Характеристика деятельности коммерческого банка ОАО «Сбербанк России»

 

«Сбербанк России», основанный в 1841 году - универсальный российский банк, который удовлетворяет потребности разных групп клиентов в огромном спектре различных банковских услуг. Сбербанку принадлежит огромная доля на рынке вкладов и он является главным кредитором российской экономики.

Банк в сотрудничестве с более чем 35 000 юридических лиц и специализируется, как на обслуживании предприятий малого и среднего бизнеса, так и бюджетных организаций. Это предприятия различных отраслей промышленности: нефтегазовых, химических, металлургических, транспортных, сельскохозяйственных, агропромышленного комплекса, пищевой, деревоперерабатывающей промышленности, оптовой и розничной торговли, строительных организаций, страховых компаний, представительств и филиалов иностранных фирм (см. Рисунок 3).

В структуре обязательств Сбербанка преобладают средства физических лиц и корпоративных клиентов, общая сумма которых в конце 2012 года составила 10,2 трлн руб., или 75,5% обязательств (см. Приложение)

Сбербанк значительно увеличил заимствования в банковских организациях — на 920 млрд руб. (прирост на 172,8% относительно уровня 2011 года), причем 66,7% этой суммы приходитсяна операции РЕПО, в основном с ЦБ РФ.

Объем средств клиентов в 2012 году увеличился на 44,9%. С поправкой на приобретения прирост составил 27,1%. Как отмечалось выше, объем депозитов корпоративных клиентов за год почти удвоился и достиг 2,0 трлн руб. (без учета приобретений), а их доля в структуре совокупных средств корпоративных клиентов выросла с 37,8 до 61,5%. Увеличение доли именно этого, сравнительно дорогого источника фондирования в основном привело к росту стоимости платных пассивов.

Объем депозитов физических лиц в 2012 году вырос на 21,9%, без учета приобретений - на 14,0%. Сумма средств на текущих счетах физических лиц увеличилась на 30,1%, без учета приобретений — на 12,1%. Доля текущих счетов в совокупных средствах физических лиц к концу 2012 года достигла 20,1%.

Объем выпущенных долговых обязательств в 2012 году увеличился на 423 млрд руб. Более половины прироста обеспечило увеличение сберегательных сертификатов (на 217,4 млрд руб.). Кроме того, в рамках программ среднесрочных нот (MTN) и программы еврокоммерческих бумаг (ECP) «Сбербанк Росии» выпустил ноты участия на сумму 138,1 млрд руб. Объем выпущенных облигаций, номинированных в долларах США, евро, турецких лирах, белорусских рублях и украинских гривнах, составил 34,4 млрд руб.

Собственные средства «Сбербанка России» увеличились за 2012 год на 28,1% — до 1,6 трлн руб. Прирост обусловлен эффектом консолидации и капитализацией прибыли, полученной в 2011 году.

Не менее важным показателем является коэффициент достаточности капитала. На основе итогов 2012 года коэффициент достаточности основного банковского капитала вырос до 10,4%. В тоже время коэффициент достаточности общего капитала упал до 13,7% (см. Приложение). Снижение вызвано главным образом повышением объема активов, которые взвешены с учетом риска (на 39%), а также присвоением дополнительных дочерних структур.

Коэффициент достаточности капитала «Сбербанка России» значительно превышает минимальный уровень, установленный Базельским комитетом (8%). Коэффициент достаточности общего капитала с использованием PCБУ (H1) в конце 2012 года составил 12,6%.

Как можно видеть на Рисунке 3, отраслевая структура кредитного портфеля банка достаточно диверсифицирована: доля самой крупной отрасли составляет примерно 17,7% от совокупного кредитного портфеля банка.

Таблица 3.1

Структура кредитного портфеля 2012 года, млн. рублей

млн. рублей	Сумма	млн. рублей	Сумма
Физические лица	1 805 527	Телекоммуникации	331 954
Услуги	1 658 527	Металлургия	299 424
Торговля	1 134 763	Транспорт, авиационная и космическая промышленность	285 364
Пищевая промышленность и сельское хозяйство	703 863	Государственные и муниципальные учреждения	268 087
Строительство	451 261	Нефтегазовая промышленность	164 663
Энергетика	379 891	Деревообрабатывающая промышленность	50 388
Машиностроение	355 574	Прочее	152 610
Химическая промышленность	340 211
Итого кредитов и авансов клиентам		8 382 107

 

Наглядно структуру кредитного портфеля нагляднее всего представить в виде диаграммы (см. Рисунок 3.1.)

 

Рисунок 3.1. Структура кредитного портфеля 2012 года

 

В 2009 году Сбербанк внедрил новую систему кредитования клиентов. «Кредитная фабрика» — централизованная автоматизированная технология кредитования, которая охватывает полностью весь процесс, от прихода клиента за кредитом в офис банка до его выдачи. «Кредитная фабрика» — это условное обозначение для целой совокупности понятий: и нового банковского процесса, и комплекса IT - систем, и сотрудников банка, осуществляющих сложные процедуры предкредитной обработки полученной информации и принятия решений.

Данная технология является автоматизированной процедурой проверки и анализа заемщиков по данным, взятых как из внутренних, так и из внешних источников, и централизованного принятия решений о предоставлении кредита. Вердикт осуществляет либо автоматизированная система, либо специальный сотрудник экспертным методом в лице централизованного кредитного аналитика, обладающего соответствующим уровнем компетенции.

Проект «Кредитная фабрика», одобренный Правлением банка и Наблюдательным Советом 1 августа 2008 года, стартовал 23 октября. Переход на новый механизм обработки данных банк осуществил в 701 точке города Москвы.

Этот проект является достаточно сложным и масштабным, что обусловлено территориальной разветвленностью Сбербанка, большим числом вовлеченных специалистов высокого уровня, а также выстроенной IT-архитектурой. Также в Москве был образован единый центр предкредитной обработки заявок. В рамках новейшей технологии прошли обучение 1 тысяча 112 кредитных инспекторов.

Ранее для получения положительного решения по кредиту клиенту требовалось посетить Сбербанк не менее пяти раз, а если в качестве обеспечения были предоставлены поручительства физических лиц, то до семи — восьми раз. Сегодня количество визитов заёмщиков снизилось до двух. В первый раз предоставляются документы, такие как заявка, справки о доходе и так далее, во второй — подписываются кредитные документы, если было принято положительное решение о выдаче ссуды. Срок рассмотрения заявки существенно сократился. Теперь он составляет от семи до двух дней - это время, за которое банк способен полностью оформить кредитные документы. Более того, заемщик обращается лишь в одно окно по сравнению с четырьмя ранее.

При использовании новой технологии в частности изменился расчет такого показателя как платежеспособность заемщика.  Раньше банк только на основании справки клиента об официальном доходе, которую выдает работодатель, устанавливал среднемесячный доход и допустимый размер ежемесячных выплат по кредиту. Теперь же, чтобы оценить допустимый размер ежемесячного платежа рассматривается вся совокупность данных о клиенте: сколько у него иждивенцев, какие расходы он несет, брал ли клиент кредиты в прошлом и как он по ним платил, имеются ли текущие обязательства в других банках. «Кредитная фабрика» учитывает полностью эту информацию и предусматривает множество алгоритмов ее обработки.

В дальнейшем список источников информации о клиенте планируется расширять. Например, для оценки показателя платежеспособности клиента можно использовать информацию об уплате клиентами услуг ЖКХ (жилищно-коммунального хозяйства). Эта информация позволит дополнить их характеристику, поскольку регулярная оплата жилищно-коммунальных счетов косвенно свидетельствует о платежеспособности заемщика, его отношениях к обязательствам по погашению долгов.

 «Кредитная фабрика» обладает «IT-мозгом», который «помнит» обо всем (обработанная база данных), и «быстрым мозгом», который включает в себя кредитных аналитиков, видящих и чувствующих события, не зафиксированные машиной. База знаний, занесенных в машину, и оценки кредитных аналитиков позволяют системе, во-первых, проанализировать все события, которые связаны с клиентом, а во-вторых, довольно быстро распространить по всей системе приобретенный новый опыт.

К сожалению, данную технологию невозможно распространить на максимум продуктов. Например, ипотека является исключением, поскольку здесь каждая сделка уникальна. Многое зависит от оцениваемого объекта недвижимости. Поэтому «фабричная» технологии для системы ипотечного кредитования будет существенно отличаться от остальных розничных кредитов.

Так в течение ближайших годов все розничные кредитные продукты для физических лиц во всех территориальных банках планируется перевести на технологию «Кредитной фабрики».

 

 

 

 

 

3.2. Оценка кредитного риска коммерческого банка ОАО «Сбербанк России» с использованием VaR - модели

 

Для построения модели оценки кредитного риска с использованием модели VaR обработке подверглись данные по кредитам, выданным коммерческим банком юридическим лицам. Объем проанализированной выборки составил 570 ссуд. По каждому заемщику была известна следующая информация:

• сумма полученного кредита;
• внутренний кредитный рейтинг заемщика;
• сведения о наступлениях дефолтов по обязательствам.

Исходные данные представлены в Таблице 3.2.

 Таблица 3.2.

Кредитный портфель ОАО «Сбербанк России»

Кредитный рейтинг	Число заемщиков	Количество дефолтов	Сумма займа
А	106	3	307 848 583
В	154	7	271 596 445
С	195	12	280 753 862
D	94	8	100 981 424
E	21	2	6 541 565
Итого	570	32	967 721 879