Главная страница
  Анализ рисков
  Институты и рынки
  Статьи о хеджинге
  Управление рисками


Поиск по сайту:



 
Главная страница » Анализ рисков » Развитие систем банковского мониторинга: анализируя мировой опыт. »


Развитие систем банковского мониторинга: анализируя мировой опыт.


Севриновский Владимир

История цивилизованных кредитно-денежных отношений в нашей стране насчитывает чуть более десятка лет, и за это время создано множество систем банковского мониторинга, что свидетельствует о постоянном интересе к данной сфере. Поэтому весьма актуальным представляется изучение зарубежного практического опыта, накопленного в этой области, который должен помочь развитию аналогичных методик в России.

Опираясь на классификацию, разработанную специалистами Банка международных соглашений (Bank for International Settlements — BIS), рассмотрим основные подходы к организации систем банковского мониторинга, получившие в последние десятилетия наибольшее распространение в странах с развитыми кредитно-финансовыми отношениями. Эти подходы ориентированы на различные формы анализа деятельности банка (табл. 1), поэтому их выбор во многом определяет точность оценки, особенно в том случае, когда аналитик располагает ограниченной или частично некорректной информацией.

Таблица 1. Подходы к организации систем оценки риска и раннего предупреждения
Подходы Особенности анализа
Оценка текущего финансового состояния Прогнозирование будущего финансового состояния Оценка с использованием количественного анализа и статистических процедур Использование качественных оценок Специфическая фокусировка на категориях риска Связь с формальными акциями по банковскому надзору

Рейтинги:

  • на местах
  • дистанционные
***
***
*
*
*
**
***
**
*
**
***
*
Коэффициентный анализ и анализ однородных групп *** * *** * ** *
Комплексные оценки банковского риска *** ** ** ** *** ***
Статистические модели ** *** *** * ** *

Примечания: * — низкая значимость; ** — средняя значимость; *** — высокая значимость.

Источник: Sahajwala R., van den Bergh P. Supervisory Risk Assessment and Early Warning Systems. — Basel Committee on Banking Supervision Working Papers, 2000, № 4. P. 6.

Рейтинговые системы

Рейтинговые системы можно условно разделить на две категории: включающие в себя исследования на местах, т.е. изучение организации «изнутри» (в некоторых публикациях они именуются «инсайдерскими»), и дистанционные.

Первыми появились методики, предусматривающие проведение исследований на местах. Их разработка была обусловлена потребностью в формализации процедуры анализа надежности банков контролирующими органами. Впоследствии были разработаны методики дистанционного анализа, которые опираются исключительно на данные, содержащиеся в публикуемой отчетности банков. В ряде случаев туда включаются некоторые результаты проведенных ранее исследований на местах.

Отличительной особенностью большинства методик составления банковских рейтингов является наличие ряда компонентов (иногда интегральных), полученных экспертным путем либо с помощью простейших математических операций над данными отчетности (как правило, это определение соотношений между различными показателями). На основе таких компонентов вычисляется итоговый рейтинг, который считается адекватным отражением степени надежности банка.

Пожалуй, самый известный в мире рейтинг для оценки на местах — CAMELS[1]. Он используется американскими организациями, осуществляющими надзор за банками — FRS[2], OCC и FDIC. Учитывая обилие опубликованной о нем информации, ограничимся краткой характеристикой данного рейтинга. Итак, CAMELS формируется из шести интегральных компонентов:

  • Capital Adequacy (достаточность капитала);
  • Asset Quality (качество активов);
  • Management factors (факторы управления);
  • Earnings (доходы);
  • Liquidity (ликвидность);
  • Sensitivity to market risk (чувствительность к рыночному риску).
  • Каждый компонент оценивается по пятибалльной системе (1 — здоровый, 2 — удовлетворительный, 3 — посредственный, 4 — критический и 5 — неудовлетворительный), и на основе их значений вычисляется итоговый показатель. В среднем рейтинг CAMELS рассчитывается раз в год, однако в целях наиболее эффективного использования времени для благополучных банков (рейтинг 1 или 2) исследования на местах могут производиться раз в полтора года, а для проблемных банков (рейтинг 4 или 5) — более часто.

    Дистанционная версия рейтинга — CAEL — была разработана в середине 80-х годов. Как видно из ее названия, она не включает в себя компонент «M» (факторы управления), который невозможно оценить дистанционным способом. Остальные компоненты анализируются при помощи 19 различных коэффициентов. Разумеется, полученные результаты менее точны, чем CAMELS, однако процедура оценки значительно ускоряется, ее можно выполнять гораздо чаще и с меньшими затратами. В настоящее время дистанционный анализ банков стал существенно точнее за счет развитого математического аппарата, поэтому система CAEL признана устаревшей — с начала 2000 г. ее заменила статистическая модель SCOR (речь о ней пойдет ниже). Отметим, что этот опыт эволюции методики весьма показателен для России, ведь при оценке банков в условиях финансовой нестабильности внедрение развитых экономико-статистических моделей имеет особую значимость как для контролирующих органов, так и для кредитных учреждений, разрабатывающих собственные системы анализа контрагентов.

    Одной из наиболее развитых рейтинговых систем является PATROL, применяемая Банком Италии с 1993 г. Главным источником информации здесь выступает регламентированная отчетность банков, на основе которой рассчитываются пять компонентов:

  • достаточность капитала;
  • прибыльность;
  • качество кредитов;
  • организация;
  • ликвидность.
  • Уже на основе этого перечня можно сделать вывод, что в целом данная система построена на тех же принципах, что и CAMELS. В качестве инструментов анализа ликвидности в системе PATROL применяется как обычный анализ разрывов в условиях статичной эволюции (аналог российской Формы № 125), так и симулятор экзогенных шоковых явлений, происходящих на протяжении одного года. Два стрессовых сценария имитируют неожиданный отток клиентов и межбанковских депозитов, а также увеличение доли использованных источников кредитования в интересах заемщиков, что дает возможность проверить способность банка к адекватному функционированию в подобных условиях.

    Принципиально отличная классификация применяется во французской рейтинговой системе ORAP (Organization and Reinforcement of Preventive Action). В ней 14 показателей делятся на пять групп:

  • пруденциальные коэффициенты (капитал, ликвидность и т.д.);
  • балансовая и внебалансовая деятельность (качество активов и плохие займы);
  • рыночный риск;
  • доходы;
  • качественные критерии (держатели акций, управление и внутренний контроль).
  • Рейтинги — это мощные и эффективные средства регулярного анализа банков. Важно отметить, что в последнее время четко прослеживается тенденция к увеличению объема информации, которая нужна для их построения. Уходят в прошлое методики, ограничивающиеся использованием коэффициентов исключительно на основе баланса и отчета о прибылях и убытках, существенно сокращается сфера применения дистанционных рейтингов — только в 1999 г. от них отказались службы надзора за банковской деятельностью США и Нидерландов. Для получения комплексной рейтинговой оценки работы банка требуется проанализировать широкий спектр документов регламентированной отчетности и провести дополнительные исследования в кредитном учреждении. Если же по тем или иным причинам этого сделать нельзя, то добиться достоверных результатов можно только на основе более сложных статистических моделей (они будут рассмотрены ниже).

    Системы коэффициентного анализа и анализа однородных групп

    Поскольку большая часть рейтингов составляется с использованием определенной совокупности соотношений между агрегированными статьями банковской отчетности (коэффициентов), очевидно, что аналитик, заинтересованный в получении более подробных сведений о банке либо желающий понять, чем обусловлено то или иное изменение банковского рейтинга, прибегнет к более детальному рассмотрению данных соотношений. Этот процесс называется коэффициентным анализом.

    Обычно для каждого коэффициента эмпирическим путем определяется диапазон значений, выход за рамки которого является тревожным сигналом. Именно на таком принципе основано большинство систем мониторинга коэффициентов. Несомненно, большинство банковских работников знакомо с такой системой коэффициентного анализа, как набор официальных нормативов Банка России (см. Инструкцию ЦБ РФ № 1 «О порядке регулирования деятельности банков» от 1 октября 1997 г.[3]). Такие системы позволяют оперативно определять отклонения в деятельности того или иного банка, указывая направления для детального анализа на местах либо сигнализируя о необходимости изменения лимита. Более развитые системы мониторинга с иерархической системой коэффициентов, построенной, как правило, по логико-дедуктивному принципу[4], позволяют проводить углубленный анализ (drill-down) отдельных коэффициентов. К примеру, при анализе можно исследовать причины снижения рентабельности банка на основе динамики отдельных групп доходов и расходов в разрезе процентных ставок и объемов соответствующих привлеченных либо размещенных средств. Для того чтобы коэффициенты максимально корректно отражали реальную картину, необходимо регулярно проводить исследонания корреляционных связей между ними.

    Одной из самых развитых систем коэффициентного анализа является BAKred[5] Information System (BAKIS), применяемая с 1997 г. Центральным банком Германии (Deutsche Bundesbank). BAKIS включает в себя 47 коэффициентов, 19 из которых относятся к кредитному риску (в том числе коэффициент платежеспособности), 16 — к рыночным рискам, 2 — к рискам ликвидности и 10 связаны с прибыльностью банковских операций. Всем этим показателям присвоены одинаковые весовые коэффициенты значимости. В настоящее время роль системы сводится к разработке приоритетов деятельности по банковскому надзору.

    Применяемая в США система анализа Bank Monitoring Screens (BMS) объединяет 39 финансовых показателей и 35 параметров, относящихся к рынку капиталов.

    Весьма интересен опыт Нидерландов, где для определения надежности кредитных учреждений тщательно изучаются как показатели, непосредственно характеризующие деятельность банков, так и макроэкономические индикаторы, оказывающие влияние на развитие банковской отрасли в целом (рост ВВП и промышленного производства, уровень безработицы, курс евро, индикатор количества банкротств в течение последнего года и т.п.)

    В России сейчас значительная часть систем банковского мониторинга базируется исключительно на коэффициентном анализе. К сожалению, из-за того, что достоверность официальной банковской отчетности находится на довольно низком уровне, надежность этих систем не слишком высока. Тем не менее, их можно использовать в качестве генератора тревожных сигналов и указателя направлений для более глубокого изучения с помощью статистического анализа либо исследований на местах.

    Следует отметить, что при коэффициентном анализе кредитных организаций возникает довольно существенная проблема: у банков с разной специализацией и индивидуальной спецификой нормальные диапазоны значений многих коэффициентов будут существенно различаться, поэтому результаты такого анализа по всей совокупности банков будут недостаточно точными. Наиболее очевидный и часто применяемый на практике метод решения этой проблемы состоит в разделении банков на однородные группы на основе одного или нескольких критериев. Среди них наиболее известны:

    • размер активов;
    • сегмент банковской индустрии (к примеру: сберегательные, отечественные коммерческие, иностранные банки);
    • региональное положение (в частности, при составлении международных банковских рейтингов большую роль играет рейтинг страны, которую банк представляет).

    Оптимальные значения коэффициентов определяются отдельно для каждой группы. Внутри нее производится оценка банков, которая впоследствии может быть использована при разработке рейтинговых систем.

    Весьма интересным, хотя и сложным, представляется деление банков на однородные группы при помощи кластерного анализа на основе определенных ключевых коэффициентов[6].

    Резюмируя сказанное в этом разделе, уместно привести слова Ричарда Спилленкофена, директора по банковскому надзору и регулированию Совета управляющих ФРС США: «Простые коэффициенты, включая базирующиеся на риске соотношения капитала, и традиционные практические методы расчета более не являются достаточными при оценивании общей адекватности капитала многих банковских организаций»[7].

    Системы комплексной оценки банковского риска

    Для получения детальной и всесторонней оценки кредитного учреждения нужен комплексный анализ деятельности всех его крупных бизнес-подразделений. Подобные исследования весьма капиталоемки, требуют значительного времени и объединяют в себе анализ иерархической структуры банка, исследование рисков, связанных с отдельными подразделениями, и пошаговую выработку на их основе интегральной оценки степени надежности банка в целом. С учетом сложности данной процедуры периодичность ее проведения обычно устанавливается индивидуально для каждого банка в зависимости от итогов предыдущего анализа либо результатов, полученных менее дорогостоящими методами оценки надежности. В настоящее время подобные системы используются органами государственного надзора Великобритании и Нидерландов. Например, оценка банка по применяемой в Нидерландах с 1999 года системе RAST (Risk Analysis Support Tool) состоит из четырех основных этапов:

  • общее описание и финансовый анализ организации на основе имеющейся отчетности и результатов последних исследований на местах;
  • разделение организации на крупные управленческие подразделения и виды деятельности;
  • оценка рисков и управления отдельными подразделениями[8];
  • агрегирование показателей и составление отчетов[9].
  • За счет универсальности и высокой эффективности такие системы представляются наиболее подходящими для оценки состояния крупных многофилиальных банков и банковских холдингов, играющих важную роль в экономике страны.

    Статистические модели

    Все описанные выше методики направлены на диагностику текущего состояния банка через анализ его деятельности и регламентированной отчетности. Однако неменьший интерес для аналитиков представляет оценка состояния банка в будущем, позволяющая генерировать ранние предупреждения еще до того момента, когда оно становится критическим. Имея такую информацию, можно оперативно принять меры для улучшения ситуации либо избежать возможных потерь, обусловленных снижением надежности кредитного учреждения. Чтобы получить достоверный прогноз динамики развития банка, требуется строить сложные экономико-математические модели, в которых задействован весь богатый инструментарий современной статистики[10].

    Высокая востребованность подобных аналитических систем стимулировала их бурную эволюцию — от простых моделей, разработанных в США в начале 90-х годов, осуществлен переход к сложным современным многофакторным методикам, которые способны не только оценить степень надежности банка, но и вычислить, сколько времени осталось до ожидаемого кризиса. Отметим, что традиционный «изъян» статистических моделей заключается в недостаточном учете качественных факторов развития банка. Поэтому к таким моделям часто добавляют качественные составляющие из ранее рассчитанных рейтингов (к примеру, значение показателя «M», принадлежащего рейтингу CAMELS). На государственном уровне статистические модели раннего предупреждения наибольшее развитие получили в США и во Франции. По реализуемому подходу их можно разделить на четыре группы моделей:

    • расчета рейтингов и рейтинговых понижений;
    • прогнозирования банкротств и выживаний;
    • ожидаемых убытков;
    • прочие.
    Модели расчета рейтингов и рейтинговых понижений

    Как уже упоминалось, многие рейтинги способны адекватно оценивать текущее состояние банка. Следовательно, системы, позволяющие рассчитывать будущие значения рейтинга либо его структурных компонентов, дают возможность проанализировать состояние банка на прогнозируемый период.

    Создавая подобные системы, мы получаем двойную «выгоду» с точки зрения математики. С одной стороны, исторические данные по банковским рейтингам — это хорошая количественная основа для классификации банков и построения статистической модели. С другой — разработка подобных многофакторных моделей может внести существенные позитивные коррективы в сам рейтинг, поскольку позволит отсеять факторы, оказывающие незначительное воздействие на состояние кредитного учреждения, и выявить истинные причины изменения рейтинга, а количественная оценка влияния отдельных факторов открывает широкие возможности для корректировки весовых рейтинговых коэффициентов, полученных ранее эмпирическим путем.

    В итоге после завершения процесса апробации статистические модели могут даже окончательно вытеснять предшествовавшие им системы рейтинговой оценки и коэффициентного анализа, как это случилось с системой CAEL, которую заменила более точная система SCOR (Statistical CAMELS Off-site Rating), использующая в качестве входных данных официальную банковскую отчетность. Система SCOR позволяет с достаточной степенью точности оценивать вероятность ухудшения положения банков в течение ближайших 4-6 месяцев. Для получения прогнозов, охватывающих период до двух лет, в 1993 г. Федеральная резервная система США разработала методику SEER (System for Estimating Examination Ratings); в нашей стране она более известна под своим предыдущим названием — FIMS (Financial Institutions Monitoring System)[11]. Принципиальное ее отличие от SCOR заключается в использовании наряду со сведениями, почерпнутыми из банковской отчетности, значений различных рейтингов и их составляющих[12] (табл. 2). В рамках SEER при помощи двух независимо разработанных моделей рассчитываются два итоговых показателя — ожидаемый рейтинг и уровень рискованности. Таким образом, к рассматриваемой в настоящем разделе категории относится только первая модель, тогда как вторую можно отнести скорее к моделям прогнозирования банкротства и выживания.

    Таблица 2. Компоненты статистических моделей SEER и SCOR (расчет рейтингов и рейтинговых понижений)
    Предмет оценки Показатели Влияние на итог
    SEER SCOR
    Качество активов Кредиты, просроченные на 30-89 дней Отрицательное Отрицательное
    Кредиты, просроченные на 90 и более дней Отрицательное Отрицательное
    Кредиты, на которые в настоящий момент не начисляются проценты Отрицательное Отрицательное
    Недвижимость, права на которую перешли к банку Отрицательное Отрицательное
    Резерв на возможные убытки по ссудам - Положительное
    Валовые списания со счетов - Отрицательное
    Отчисления на покрытие убытков по ссудам - Отрицательное
    Доходы Доходы (нетто) Положительное -
    Доход перед уплатой налогов и экстраординарных выплат - Положительное
    Ликвидность Инвестиционные ценные бумаги Положительное -
    Неустойчивые пассивы - Отрицательное
    Ликвидные активы - Положительное
    Займы и долгосрочные ценные бумаги - Положительное
    Капитал Общая стоимость-(нетто) Положительное -
    Собственный капитал - Положительное
    Прочее UBSS (коэффициент роста активов) Отрицательное -
    UBSS (итоговый балл) Отрицательное -
    Значение показателя «M» предыдущего рейтинга CAMELS Отрицательное -
    Предыдущий рейтинг CAMELS Отрицательное -

    Примечание: Большинство показателей используется при вычислении итогового результата не в абсолютном, а в относительном виде (к примеру, индикатором просроченных кредитов является их отношение к активам банка). Негативное влияние абсолютной величины рейтингов CAMELS и UBSS, а также их составляющих объясняется ее обратной зависимостью от надежности: рейтинговая оценка 1 соответствует «лучшим» банкам, а 5 — «худшим».

    Модели прогнозирования банкротства или выживания

    При построении моделей этого типа используется постулат, что в поведении банков в период перед банкротством или в условиях значительных финансовых трудностей можно выявить некие общие черты. Если они наличествуют, то это — предупреждение о высокой вероятности банкротства в ближайшем будущем.

    Один из наиболее простых методов, используемых при первоначальной разработке модели данного типа, состоит в выявлении тенденций в динамике различных показателей у банков, ставших впоследствии банкротами или сумевших избежать финансовых трудностей (см. рис. 1).

    Рис. 1 Коэффициенты капитала перед банкротством банков в США

    Источник: Estrella A., Park S., Peristiani S. Capital Ratios as Predictors of Bank Failure . — FRBNY Economic Policy Review. 2000, July, р. 17.

    Прерывистой линией показана медиана выборки. Темные полосы, разделяющие графики на две части, обозначают зоны равенства для выживших и обанкротившихся банков в пределах 1 % (так называемые «критические зоны»). Соответственно, чем меньше величина коэффициентов, тем больше вероятность банкротства.

    Вторая модель, входящая в уже упоминавшуюся методику SEER (табл. 3), использует разнообразные экономические индикаторы и на выходе показывает вероятность того, что банк будет «критически недокапитализирован»[13] либо объявлен банкротом в течение двух лет с момента проведения анализа.

    Таблица 3. Компоненты рейтинговой модели SEER (прогнозирование банкротства или выживания)
    Предмет анализа Показатели Уровень риска
    Качество активов Коммерческие и индустриальные займы Увеличивает
    Кредиты, просроченные на 30-89 дней Увеличивает
    Кредиты, просроченные на 90 и более дней Увеличивает
    Кредиты, на которые в настоящий момент не начисляются проценты Увеличивает
    Местные займы на недвижимость Уменьшает
    Прочая недвижимость в собственности Увеличивает
    Величина активов Уменьшает
    Доходы Доход от активов (в среднем за период) Уменьшает
    Ликвидность Балансовая стоимость ценных бумаг Уменьшает
    Срочные депозиты, превышающие $100 млн. Увеличивает
    Капитал Собственный капитал Уменьшает

    Также интересна модель Банковского калькулятора, применяемая в Службе валютного контроля США (Office of the Comptroller of the Currency — OCC). В ней наряду с показателями, характеризующими банк (табл. 4), используются сведения о внешней среде, а также корректирующие коэффициенты, позволяющие включать в базу прогноза периоды, которые предшествовали принятию нормативных актов, существенно повлиявших на банковскую отрасль. Для повышения надежности расчета в таких моделях широко применяется разделение кредитных учреждений на однородные группы.

    Таблица 4. Компоненты рейтинговой модели ОСС (прогнозирование банкротства или выживания)
    Предмет анализа Показатели Уровень риска
    Риск банковского портфеля Соотношение кредитов, просроченных на 90 и более дней, кредитов, на которые в настоящий момент не начисляются проценты, прочей недвижимости в собственности и активов банка Увеличивает
    Неликвидность финансирования Увеличивает
    Проблемность банка (результат рейтинга CAMELS, равный 3, 4 или 5) Увеличивает
    Риск состояния банка Отношение доходов до уплаты процентов и налогов, разделенных на активы банка, к процентам по обязательствам, разделенным на обязательства банка
    Уменьшает
    Отношение капитала к активам
    Уменьшает
    Риск внешней среды Двухгодичный рост уровня безработицы в рыночной территории банка Увеличивает
    Контролирующие переменные Размер банка (величина активов больше или меньше $ 500 млн.) -
    Период, в течение которого проводился анализ банка -
    Переключение Режима 1 (равна «1» на периоды, последующие реформе 1989 г.) -
    Переключение Режима 2 (равна «1» на периоды, последующие реформе 1992 г.) -
    Модели ожидаемых убытков

    Для разработки эффективных моделей прогнозирования банкротства и выживания банков необходимо располагать обширными историческими данными по развитию банковской отрасли (включая статистику банкротств) в различных экономических условиях. Поскольку современная отечественная практика кредитно-финансовой деятельности насчитывает немного лет, при выборе подхода к моделированию вполне оправдано обращение к опыту Франции, где для прогнозирования динамики надежности банков применяется модель, позволяющая оценивать потенциальные будущие потери.

    Система поддержки банковского анализа (SAABA) Французской банковской комиссии состоит из трех диагностических модулей. Первый из них — модуль количественного анализа на основе банковской отчетности и иных сведений, хранящихся в базах данных комиссии, — исследует кредитный портфель банка и вычисляет вероятность невозвращения различных типов кредитов. С его помощью оцениваются ожидаемые потери на протяжении ближайших трех лет. Если при таких потерях нормативы достаточности капитала продолжают соблюдаться, банк считается надежным. Второй модуль исследует качество владельцев акций банка (включая готовность этих юридических и физических лиц поддерживать кредитное учреждение). Третий модуль на основе рейтинговых данных, результатов исследований на местах и сведений по рынкам диагностирует качество управления банком, внутренний контроль и ликвидность. Используя информацию, полученную от всех трех модулей, система вырабатывает синтетический диагноз банка, в том числе дает оценку его надежности (по пятибалльной шкале).

    Прочие модели

    Существует ряд моделей, которые невозможно однозначно отнести к одной из описанных выше групп. Как правило, они либо разработаны под решение задач особой специфики, либо представляют собой комплексные системы, объединяющие экспертные оценки с экономико-математическими методами. В качестве примера можно привести разработанную Банком Англии модель TRAM (Trigger Ratio Adjustment Mechanism)[14].

    Заключение

    Завершая обзор, вновь хочу процитировать Ричарда Спилленкофена, который говорил, что «ключом к эффективному надзору в новом тысячелетии являются наши усилия по развитию и реализации следующих стратегий:

    • повышение внимания к качеству внутренних систем и процессов идентификации, измерения, мониторинга и контроля рисков;
    • активное стимулирование постоянной разработки, переоценки и развития банками политики, а также практической деятельности в управлении рисками;
    • существенное улучшение публичной открытости банков и  постоянное совершенствование программ надзора над банковскими рисками»[15].

    Развитие современных систем, оценивающих работу банков, крайне важно не только для потенциальных клиентов и самих кредитных учреждений, заинтересованных в ранней диагностике возможных проблем и адекватной оценке банков-контрагентов, но и для органов государственного надзора, деятельность которых не должна ограничиваться модернизацией собственных методик. В частности, можно существенно повысить эффективность государственного контроля и улучшить качество поступающей от банков информации за счет последовательного проведения политики по поощрению кредитных учреждений, разрабатывающих собственные системы, предназначенные для анализа различных видов риска. Несомненно, серьезную пользу принесет создание нормативной базы деятельности рейтинговых агентств на основе рекомендаций Базельского комитета и государственная стимуляция развития этих структур.

    В настоящее время в России сложились все предпосылки для активного развития методик банковского мониторинга. Разнообразные системы оценки банков разрабатываются как непосредственно силами кредитных учреждений и органов надзора, так и специализированными журналами («Профиль», «Деньги», «Эксперт»), а также рейтинговыми агентствами (ИЦ «Рейтинг», Thompson BankWatch и др.)[16]. В этой связи особое внимание следует уделить организационным мерам по целенаправленному развитию подобных систем[17]. Такой подход поможет избежать многих ошибок и злоупотреблений, неизбежных при неконтролируемом стихийном развитии систем банковского мониторинга, и будет способствовать эффективному использованию огромного международного опыта, накопленного в этой области.


    [1] Первоначально — CAMEL, изменение названия вызвано добавлением в 1996 г. шестого компонента.

    [2] Для надзора за банковскими холдингами FRS использует другой рейтинг — BOPEC, состоящий из иного набора компонентов: Bank Subsidiaries (дочерние банки), Other Subsidiaries (прочие дочерние компании), Parent Company (компания-учредитель), Earnings (доходы) и Capital (капитал). Отдельно оценивается трехуровневый рейтинг менеджмента.

    [3] В частности, весьма показателен опыт специалистов Банка России, которые регулярно проводят исследования данной системы с точки зрения адекватности набора коэффициентов — см. А. В. Буздалин. Экспертиза значимости обязательных нормативов. — Бизнес и банки,. 2000, № 17.

    [4] Такое построение предполагает, что показатели верхнего уровня раскладываются на составные части — показатели более низкого уровня, с которыми, в свою очередь, может быть проведен аналогичный процесс. В качестве примера можно привести широко известную модель Дюпона.

    [5] Bundesaufsichtsamt fur das Kreditwesen — Федеральное агентство по банковскому надзору в Германии.

    [6] Подробнее см. В. Севриновский. Коэффициентный анализ финансового состояния банков. Проблемы и перспективы. — RS-Club, 2000, № 2/21/, с. 42-46.

    [7] SR Letter to the officer in charge of supervision and appropriate supervisory and examination staff at each federal reserve bank and certain domestic organizations supervised by the Federal Reserve. — Board of Governors of the FRS, Division of Banking Supervision and Regulation, 1999, 01 July. SR 99-18 (SUP).

    [8] Рассматриваются три категории управления: внутренний контроль, организация и менеджмент, а также девять категорий риска: кредитный, ценовой, процентный, валютный, операционный, стратегический, риск ликвидности, ИТ-риск, риск репутации, целостности и правового статуса. Значение каждой категории для итогового интегрального показателя определяется согласно утвержденной матрице весов.

    [9] При этом отдельным подразделениям присваиваются весовые коэффициенты на основе их доли в общем бюджете организации.

    [10] Примеры разработки подобных моделей в российских банках см. в статьях «Диагностика развития и финансовой устойчивости банков» // Аналитический банковский журнал. — 2001, № 8 (75). — C. 55-62 и «Оценка риска контрагента (на примере межбанковского рынка)» — www.avtobank.ru/bank/riskmgm/credit.risk.assessment.htm. (Прим. Авт.)

    [11] См. Cole R. A., Cornyn B. G., Gunter J. W. FIMS: A New Monitoring System for Banking Institutions. — Federal Reserve Bulletin, 1995, Jan., р. 1-15.

    [12] Подробный анализ данной системы и применимости ее аналогов в российских условиях приведен в статье Л. Михайлова и Л. Сычевой «Американский опыт организации дистантного мониторинга финансового положения банков» // Аналитический банковский журнал. — 2000, № 8 (63). — C. 62-70. (Прим. Авт.)

    [13] Отношение капитала к усредненным активам будет ниже 2 %.

    [14] В настоящее время эта модель официально не используется.

    [15] Spillenkothen R. Remarks. — At the New York State Banking Department, New York, 1999, 25 October.

    [16] Об особенностях формирования методик оценки банковских рисков в зависимости от субъекта, производящего анализ см. Borio C., Furfine C., Lowe P. Procyclicality of the financial system and financial stability: issues and policy options. — BIS Papers № 1 (part 1), 2001, March, р. 19.

    [17] Аналогичной точки зрения придерживается известный специалист в области банковской аналитики профессор Н. Оленев (см. Оленев Н. Развитие системы рейтингов, проблемы и перспективы. -Банковское дело в Москве, 2000, № 12, с. 18-20).



    Немного статей по теме:

    Развитие мирового рынка валютных фьючерсов и опционов.
    Кандинская Ольга Александровна // Журнал «Финансовый бизнес», № 2. — 2000. Рынок иностранной валюты включает в себя все операции по обмену валюты одной страны на валюту другой страны. Его основными участниками выступают...

    Развитие мирового рынка финансовых производных инструментов.
    Кандинская Ольга АлександровнаКлючевым словом, отражавшим состояние финансовых рынков в 1980—90-х годах, стало слово «глобализация»: инвестирование превратилось в действительно международное. Мощный импульс развитию...

    Кредитные деривативы: финансовый кризис ускорил развитие рынка новых финансовых инструментов.
    Миронов ЕвгенийИнформационый бюллетень «Консультации на фондовом рынке». — 2000. Ресурс www.hedging.ru выражает благодарность Брокерской компании «Хеджевый Фонд», Санкт-Петербург. Азиатский кризис резко ускорил развитие рынка кредитных...

    Опыт хеджирования валютных рисков в России.
    Вязовский АлексейНачальник отдела управления рисками ФГ «Калита-Финанс» Условия задачи: крупный российский импортер лекарств имеет кредиторскую задолженность, выраженную в евро по контрактам с европейскими поставщиками....

    Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском.
    Отзывы о книге (0) добавить отзывХенни ван Грюнинг, Соня Брайович БратановичКупить на Озоне Краткая аннотация В исследовании сотрудников Всемирного банка анализируются всевозможные риски, которым подвергаются в процессе своей деятельности банки, в...

    Лучшая недвижимость в черногории купить в кредит. # Подметально-уборочные машины Kercher и Cleanfix

    цены на холодильное оборудование с гарантией

     
     

    RiskManage.ru ©2006-2007

     
    Rambler's Top100