Эксперт | РА
Эксперт | Бизнес-Решения
en
loading

Выполняется обработка данных, это может занять некоторое время.

По завершении, нажмите в любом месте экрана.

Модель оценки вероятности дефолта и уровня потерь при дефолте нефинансовых компаний

«Эксперт Бизнес-Решения» предлагает услуги по оценке вероятности дефолта нефинансовых компаний любого масштаба деятельности и отраслевой принадлежности, а также по оценке вероятности дефолта и уровня потерь при дефолте по кредитным требованиям к ним на годовом горизонте. Данный продукт может быть использован в целях:

  • определения уровня резервирования требований банков к корпоративным заемщикам в соответствии с IFRS 9;
  • установления кредитных лимитов и иных лимитов риска на контрагентов нефинансового сектора;
  • оптимизации условий финансирования корпоративных заемщиков;
  • формирования суждения о дефолтности пула активов на основе индивидуальной оценки входящих в его состав кредитов предприятиям;
  • оценки контрагентов на предмет вероятности невыполнения обязательств не только по кредитным, но и любым другим договорам;
  • принятия иных инвестиционных решений, предполагающих концентрацию кредитного риска на нефинансовых компаниях.

Модель не предназначена для оценки вероятности дефолта кредитных организаций, страховых компаний, негосударственных пенсионных фондов и иных финансовых компаний и по требованиям к ним.

Оценка вероятности дефолта для каждой компании рассчитывается исходя из текущей долговой нагрузки компании в соответствии с последней доступной отчетностью и не учитывает возможные параметры новых кредитов. Оценка вероятности складывается из базовой оценки вероятности дефолта, исторической частоты дефолтов компаний заданной отрасли и региона, а также макроэкономических и отраслевых прогнозов. Оценка вероятности дефолта по кредиту помимо характеристик заемщика учитывает основные параметры кредита, полный перечень которых приведен в этом документе.

В основе модели оценки вероятности дефолта компании используется алгоритм бинарной классификации Logistic Regression (логистическая регрессия). Основными преимуществами алгоритма являются его вычислительная эффективность, простота анализа результатов и высокая устойчивость результатов к погрешностям во входных данных, что критично при обработке больших объемов данных из разрозненных источников. Модель оценки индивидуальной вероятности дефолта компании построена на основе данных свыше 30 тысяч компаний – контрагентов крупнейших финансово-промышленных групп России, а также сведений об обслуживании кредитов юридическими лицами в банках. В основе модели оценки вероятности дефолта по кредиту используется универсальный алгоритм классификации Random Forest Classifier – «случайный лес», показавший наиболее высокие характеристики при тестировании.

Модель использует широкий перечень данных для формирования прогнозов из следующих источников:

  • Данные системы СПАРК-Интерфакс (далее – СПАРК https://www.spark-interfax.ru/);
  • База арбитражных дел (https://kad.arbitr.ru);
  • Федеральный реестр юридически значимых сведений о деятельности юридических лиц (https://fedresurs.ru);
  • Данные и реестры Федеральной налоговой службы (https://nalog.ru);
  • Данные и реестры Федеральной службы судебных приставов (https://fssprus.ru);
  • Статистика и прогнозы Банка России (https://cbr.ru);
  • Собственные макроэкономические и отраслевые прогнозы, иные внутренние данные.

При оценке вероятности дефолта компании анализируются следующие аспекты ее деятельности и финансового положения:

  • Размерные характеристики компании;
  • Возраст компании;
  • Диверсификация деятельности по направлениям;
  • Органы управления компании и изменения в их составе;
  • Структура собственности и ее изменения;
  • Наличие и положение дочерних организаций;
  • Среднесписочная численность сотрудников и показатели их страхового обеспечения;
  • Взаимодействие с кредитными организациями (залоги, банковские гарантии);
  • Взаимодействие с иными организациями;
  • Участие в государственных закупках;
  • Показатели состояния ликвидности;
  • Показатели долговой нагрузки и структуры ресурсной базы;
  • Показатели рентабельности, эффективности деятельности и структуры финансового результата;
  • Стоимость фондирования;
  • Иные производные показатели финансовой отчетности;
  • Годовая динамика основных финансовых показателей деятельности;
  • Признаки отсутствия реальной деятельности;
  • Наличие, суммы и характер исполнительных производств;
  • Налоговая нагрузка;
  • Факты привлечения к административной ответственности;
  • Вхождение в негативные списки ФНС.

В части параметров требования (кредита) анализируются следующие его характеристики1:

  • Характер требования;
  • Валюта требования;
  • Срочность и ее изменения (пролонгации);
  • Цель кредитования;
  • Процентная ставка на момент выдачи кредита и ее спрэд относительно действовавшей ключевой ставки;
  • Процентная ставка на отчетную дату и ее спрэд относительно соответствующей ключевой ставки;
  • Тип процентной ставки;
  • Наличие, стоимость и вид обеспечения;
  • Реструктуризации;
  • Периодичность платежей в погашение основного долга;
  • Периодичность процентных платежей.

Вероятность дефолта компании в целом и вероятность дефолта по отдельному кредиту оцениваются на горизонте 1 год. Под дефолтом компании нефинансового сектора понимается:

  • Возникновение просроченной задолженности по кредиту (по процентам и/илиосновному долгу) сроком более 30 календарных дней;
  • Факт реструктуризации обязательств, ухудшающей условия для кредитора;
  • Факт неисполнения обязательств по публичным долговым инструментам по истечении срока технического дефолта;
  • Наличие судебного производства по делу о признании компании банкротом, в котором требования кредиторов были признаны обоснованными;
  • Признание компании банкротом.

Дефолтом по кредиту признается возникновение просроченной задолженности по кредиту сроком более 30 календарных дней, а также реструктуризация кредита, ухудшающая условия для кредитора.

По итогам первичного тестирования модель оценки вероятности дефолта компаний показывает высокую дискриминирующую способность: показатель AUC2 по итогам кросс-валидации принял значение 0,865, что соответствует показателю Джини 0,73. Для модели оценки вероятности дефолта по кредиту показатель AUC принял значение 0,896. В соответствии со стандартами Basel II это определяется как высокий уровень дискриминирующей способности. Стандартом установлена граница 0,8 для признания уровня дискриминирующей способности высоким.

Структура модели

Модель оценки вероятности дефолта включает в себя 3 составные части: модель оценки вероятности дефолта компании, матрицу регионально-отраслевых корректировок вероятностей дефолта, модель оценки вероятности дефолта кредита. При оценке вероятности дефолта кредита помимо параметров кредита используется оценка вероятности дефолта компании-заемщика, полученная в соответствии с первой моделью. Оценка уровня потерь при дефолте осуществляется с помощью отдельной модели.

Выборка для обучения модели оценки вероятности дефолта компании включает в себя 89988 наблюдений по 30000 компаний за 3 года. Каждое наблюдение включает в себя вектор показателей компании (признаков) на начало календарного года и признак дефолта в течение календарного года. Финансовые показатели компании рассчитываются по данным отчетности за предшествующий год. Общее количество дефолтов по наблюдениям составляет 3237.

Выборка для обучения модели оценки вероятности дефолта по кредиту включает в себя 17058 наблюдений, по которым зафиксировано 676 дефолтов.

Величина, полученная с помощью модели оценки вероятности дефолта компании, является базовой и корректируется для учета прогнозных показателей дефолтности в отдельных отраслях хозяйственной деятельности и регионах, а также прогнозной динамики вероятности дефолта в целом.

Расчет коэффициентов корректировок проводится ежегодно по данным об объемах кредитов, предоставленных юридическим лицам – резидентам и индивидуальным предпринимателям в рублях, иностранной валюте и драгоценных металлах, по видам экономической деятельности и отдельным направлениям использования средств, публикуемым Банком России, а также объемах просроченной задолженности. При отсутствии достаточного объема статистики для оценки вероятности дефолта отдельной отрасли в отдельном регионе используется статистика по этой же отрасли по всему федеральному округу, к которому принадлежит регион. При отсутствии достаточного объема данных по обслуживанию кредитов юридическими лицами одной отрасли во всем федеральном округе, используется корректировка для данной отрасли по всей Российской Федерации.

Оценка уровня потерь при дефолте

По кредитам и иным требованиям кредитного характера также осуществляется оценка уровня потерь при дефолте (LGD). Под уровнем потерь при дефолте понимается доля валовых требований к заемщику, которая не будет возвращена кредитору при реализации вероятности дефолта.

где RR – уровень возмещения потерь, который определяется как отношение дисконтированной суммы ожидаемых после дефолта поступлений в счет компенсации потерь кредитора к величине валовых требований кредитора:

где R – сумма ожидаемых после дефолта поступлений в счет компенсации потерь кредитора, i – годовая процентная ставка по кредиту, n – продолжительность периода постдефолтного возмещения потерь в месяцах, s – сумма требований к заемщику.

Уровень возмещения потерь дифференцируется, в первую очередь, в зависимости от обеспечения требований кредитора. В зависимости от типа обеспечения определяется средний срок его реализации. Затем, исходя из текущей справедливой стоимости обеспечения и ее моделируемой динамики на горизонте реализации обеспечения, рассчитывается сумма поступлений в счет компенсации потерь. Сумма поступлений представляет собой ожидаемую реализационную стоимость объекта залога, которая может быть дополнительно уменьшена на величину затрат, связанных с взысканием и реализацией залога. Полученная сумма приводится к периоду дефолта, вероятность которого оценивается на горизонте года. В качестве ставки дисконтирования используется текущая процентная ставка по оцениваемому кредиту.

Набор правил и переменных, применяемых в ходе моделирования динамики стоимости заложенного имущества, различается для объектов недвижимости, автотранспортных средств, оборудования, товаров в обороте и прочих предметов залога. Помимо прочего, в моделировании учитываются макроэкономические переменные, такие как индекс потребительских цен и курсы валют.

Также модель оценки уровня возмещения потерь учитывает случаи, когда в обеспечении требований находятся права требования к третьим лицам. При этом осуществляется дополнительная оценка вероятности дефолта контрагента, требования к которому являются предметом залога. С учетом полученной оценки вероятности дефолта рассчитывается математическое ожидание уровня возмещения потерь. Аналогичным образом учитывается математическое ожидание выплат со стороны поручителей и гарантов по кредитам при их наличии, дополненное качественной оценкой условий поручительств и гарантий.

Вне зависимости от наличия обеспечения возмещение потерь кредитора может моделироваться с учетом его исторической статистики возмещения потерь по дефолтным кредитам. В общих случаях для этого требуется выборка, состоящая не менее чем из 1000 дефолтных наблюдений в ретроспективе, покрывающей не менее 5 завершившихся лет, для построения релевантной модели. Такая модель может учитывать практику судебного взыскания задолженности с характерными для нее сроками и объемами возмещения потерь. Исторические уровни возмещения потерь аппроксимируются на средний срок периода постдефолтного возмещения потерь. Рассчитанный таким образом денежный поток аналогично описанным выше правилам дисконтируется с использованием ставки по кредиту в качестве ставки дисконтирования, и сумма возмещения потерь приводится к периоду, в рамках которого осуществляется оценка вероятности дефолта и уровня потерь при дефолте.

1 Если они применимы к конкретному типу (характеру) требования.

2 AUC – Area under curve. Метрика качества в задачах бинарной классификации. Численно равна площади под кривой ошибок, отражающей зависимость доли ложно-положительных и истинно-положительных ответов классификатора при изменении порогового значения дискриминирующей функции.