Служба спасения студентов
Служба спасения для студентов

Сравнение финансовой устойчивости банков в развивающихся и развитых странах

Стоимость
1500 руб.
Содержание
Теория
Объем
70 лист.
Год написания

Описание работы

Работа пользователя Beskonechno
Добрый день! Уважаемые студенты, Вашему вниманию представляется дипломная работа на тему: «Сравнение финансовой устойчивости банков в развивающихся и развитых странах »
Оригинальность работы  95%

Содержание
Введение. 3
1.     Обзор литературы.. 7
2.     Зависимая переменная. 15
3.     Объясняющие переменные. 19
4.     Выбор данных. 25
5.     Моделирование. 32
5.1.      Тип моделей. 32
5.2.      Эконометрические инструменты и методология. 34
5.3.      Построение модели на обучающей выборке. 36
5.4.      Построение модели на данных вне обучающей выборки. 49
6.     Результаты и выводы.. 51
Список литературы.. 55
Приложения. 58
Приложение I. Модель 1. 58
Приложение II. Модель 2. 59
Приложение III. Модель 3. 60
Приложение IV. Модель 4. 61
Приложение V. Модель 5. 62
Приложение VI. Модель 6. 63
Приложение VII. Модель 7. 64
Приложение VIII. Модель 8. 65
Приложение IX. Модель 9. 66
Приложение X. Модель 10. 67
Приложение XI. Модель 11. 68
Приложение XII. Модель 12. 69
Приложение XIII. Модель 13. 70



Введение
Банковский сектор играет важнейшую роль в экономике, а банки выступают посредниками в большинстве финансовых операций. Из-за специфики своей деятельности, с банками связано большое количество рисков. В связи с этим распространено применение различных показателей, оценивающих финансовую устойчивость банка – уровень подверженности банка различным рискам.
Наиболее популярными количественными показателями, используемыми для оценки финансовой устойчивости банка, являются вероятность дефолта (PD) и кредитный рейтинг, присваиваемый рейтинговым агентством. В качестве основного показателя финансовой устойчивости банка в данной работе будут использоваться рейтинги, присваиваемые крупнейшими международными рейтинговыми агентствами – Moodys, S&P и Fitch.
Рейтинги и аналогичные показатели используются регуляторами, например Центробанком. Банкротство отдельных банков может повлечь за собой серьезные негативные последствия для экономической системы страны и мировой экономики в целом: при банкротстве банков, вместе с ними зачастую банкротятся их дебиторы, а из-за межбанковских операций возникает эффект «домино». Многие глобальные кризисы были спровоцированы финансово неустойчивыми банками, например кризис 2008 года. Показатели финансовой устойчивости банков помогают регуляторам заранее определять и предотвращать потенциальные дефолты банков, тем самым стабилизируя банковскую систему и экономику.
В международной банковской системе существует свод методических рекомендаций, призванных усилить финансовую устойчивость глобальной экономики, – Базельские соглашения. Первое из них было принято в 1988 году. Основные рекомендации соглашения «Базель I» касались коэффициента достаточности капитала. Однако последующие кризисы показали несовершенство регуляторных мер, предлагаемых соглашением. В связи с этим были приняты новые Базельские соглашения: «Базель II» в 2004 году и «Базель III» в 2011 году. Отличием новых Базельских соглашений, в первую очередь, стали более гибкие коэффициенты достаточности капитала и прочих показателей, которые в первой версии соглашения были фиксированными и не зависели от размеров и специфики банков. Для расчёта целевых показателей в последних Базельских соглашениях, в том числе, используются кредитные рейтинги.
Финансовую устойчивость банков необходимо оценивать множеству экономических агентов, помимо регуляторов. Инвесторы и дебиторы банка используют показатели финансовой устойчивости для определения наиболее безопасных банков для инвестирования собственных средств. Внутренний отдел риск-менеджмента использует данные показатели для прогнозирования рисков и потенциальных потерь. Прочие контрагенты, в том числе и другие банки, на основе показателей финансовой устойчивости принимают решение о сотрудничестве с банками.
Данная работа направлена на исследование детерминантов кредитных рейтингов банков в различных группах стран. Исследование будет проводиться с использованием широкого спектра эконометрических инструментов на основе выборки, состоящей из финансовых показателей 373 банков из 43 стран за период с 2007 по 2019 года. Цели данной работы включают в себя:
  • Анализ факторов, влияющих на финансовую устойчивость банков и выявление наиболее значимых факторов в мире в целом;
  • Анализ различий во влиянии выявленных факторов на рейтинг банков в зависимости от принадлежности страны, в которой оперирует банк, к различным группам стран;
  • Построение единой модели, предсказывающей рейтинги банков в анализируемых группах стран с высокой точностью;
На тему моделирования кредитных рейтингов банков ранее было проведено множество исследований. Большинство авторов фокусировалось на локальных банковских системах отдельных стран или групп стран. Исследование в данной работе отличается, в первую очередь, своей глобальностью. Актуальность работы заключается в возможности применения ее результатов как минимум в 43 странах, входящих в 7 различных экономических или политических союзов и расположенных на 4 континентах. Особенно актуально наличие универсального инструмента для определения финансовой устойчивости банков во время мирового кризиса. Еще одной отличительной особенностью данной работы выступят эконометрические инструменты, применяемые в ней. Новизна заключается в одновременном применении комплекса эконометрических инструментов, включающем в себя Principal Component Analysis и Slope dummies. Использование данных инструментов помогает определить и учитывать при прогнозировании различия во влиянии детерминантов финансовой устойчивости банков между разными группами стран.
Для достижения целей данной работы, в ней будет протестировано несколько гипотез:
  • Принадлежность страны к политическим или экономическим группам существенно влияет на рейтинг банков в данной стране;
  • Принадлежность страны к политическим или экономическим группам существенно изменяет степень влияния финансовых показателей банка в данной стране на его рейтинг;
  • Существует ряд показателей, одинаково влияющих на рейтинг банка вне зависимости от принадлежности страны, в которой он оперирует, к различным группам.
Работа будет построена следующим образом:
  • В первом пункте будет проведен анализ предыдущих исследований на аналогичные темы. В частности, будут рассмотрены работы, в которых авторы моделируют рейтинги банков в различных странах и группах стран и определяют ключевые детерминанты финансовой устойчивости;
  • Во втором и третьем пунктах будут подробно описаны зависимые и объясняющие переменные, используемые в дальнейшем моделировании. В том числе, будет описана методология CAMELS и дополнительные методологии построения моделей кредитного рейтинга;
  • Четвертый пункт опишет процесс выбора и обработки данных для модели. Более того, в данном пункте будет представлена методология разделения стран на экономические и политические группы;
  • Далее будут построены различные варианты модели кредитных рейтингов банков в мире. С использованием множества эконометрических инструментов будет выбрана оптимальная модель, а ее прогнозная сила будет посчитана по данным вне обучающей выборки;
  • В последнем пункте на основании выбранной модели будут описаны ключевые результаты и выводы, полученные в данном исследовании. Также будут упомянуты области для дальнейшего исследования.

Список литературы
  1. Afonso, A., Furceri, D. and Gomes, P. (2012). Sovereign credit ratings and financial markets linkages: application to European data. Journal of International Money and Finance, Vol. 31, 606-638.
  2. Afonso, A., Gomes, P. and Rother, P. (2011). Short- and long-run determinants of sovereign debt credit ratings. International Journal of Finance & Economics, Vol. 16, 1-15.
  3. Bellotti, T., Matousek, R. and Stewart C. (2011). Are rating agencies’ assignments opaque? Evidence from international banks. Expert Systems with Applications, Vol. 38, 4206-4214.
  4. Bluhm C., Overbeck L. and Wagner C. (2010). Introduction to credit risk modeling. London: Chapman and Hall/CRC.
  5. Boyd, J.H. and Runkle, D.E. (1993). Size and performance of banking firms: testing the predictions of theory. Journal of Monetary Economics, Vol. 31, 47-67.
  6. Buiter, W. and Sibert, A. (2008). The Icelandic banking crisis and what to do about it: the lender of last resort theory of optimal currency areas. CEPR Policy Insight No. 26, London.
  7. Caporale, G., Matousek, R. and Stewart, C. (2011). EU banks rating assignments: is there heterogeneity between new and old member countries? Review of International Economics, Vol. 19, 189-206.
  8. Caporale, G., Matousek, R. and Stewart, C. (2012). Ratings assignments: lessons from international banks. Journal of International Money and Finance, Vol. 31, 1593-1606.
  9. Derviz, A. and Podpiera, J. (2008). Predicting Bank CAMELS and S&P Ratings: The Case of the Czech Republic. Emerging Markets Finance & Trade. Vol. 44, 117-130.
  10. Fungacova, Z. and Weill, L. (2009). How market power influences bank failures: Evidence from Russia. BOFIT Discussion Papers.
  11. Hau, H., Langfield, S. and Marques-Ibanez, D. (2013). Bank ratings: what determines their quality? Economic Policy, Vol. 28, 289-333.
  12. Huang, Y.L. and Shen, C.H. (2019). Effect of interbank activities on bank risk: Why is China different? Quarterly Review of Economics and Finance, Vol. 74, 308-327
  13. Kaur, H.V. (2010). Analysis of Banks in India-A CAMEL Approach. GLOBAL BUSINESS REVIEW, Vol 11, 257-280.
  14. Loon, E. and Haan, J. (2015). Location of banks and their credit ratings. Journal of Risk Finance, Vol. 16.
  15. Mannasoo, K. and Mayes D. (2009). Explaining bank distress in Eastern European transition economies. Journal of Banking and Finance, Vol. 33, 244-253.
  16. Moody’s Investors Service (1999). Bank credit risk in emerging markets. Rating methodology.
  17. Orsenigo, C. and Vercellis, C. (2013). Linear versus nonlinear dimensionality reduction for banks’ credit rating prediction. Knowledge-Based Systems, Vol. 47, 14-22.
  18. Sironi, A. (2003). Testing for market discipline in the European banking industry: evidence from subordinated debt issues. Journal of Money, Credit and Banking, Vol. 35, 443-472.
  19. Zan, H., Chen, H., Hsu, C.-J., Chen, W.-H. and Wu, S (2004). Credit rating analysis with support vector machines and neural networks: A market comparative study. Decision Support Systems, Vol. 37, 543–558.
  20. Карминский, A.M. (2015). Credit ratings and their modelling. HSE Publishing House.
  21. Карминский, A.M. и Костров, A.В. (2014). Comparison of Bank Financial Stability Factors in CIS Countries. Procedia Computer Science, Vol. 31, 766-772.
  22. Карминский, A.M. и Костров, A.В. (2017). The back side of banking in Russia: forecasting bank failures with negative capital. International Journal of Computational Economics and Econometrics, Vol. 7.
  23. Карминский, A.M. и Хромова, Э. (2016). Modelling banks’ credit ratings of international agencies. Eurasian Economic Review, Vol.6, 341-363.
  24. Карминский, A.M., Костров, A.В., Мурженков, Т. (2012). Comparison of default probability models: Russian experience. HSE Working papers.
  25. Пересецкий, А.А. и Карминский, А.М. (2007). Модели рейтингов международных агентств. Прикладная эконометрика, Vol. 1, 3-19.
  26. Пересецкий, А.А., Карминский, A.M. и Суст, A. (2004). Модели рейтингов банков. Экономика и математические методы, Vol. 4., 10-25.
  27. Хромова, Э. (2019). Increase of Banks’ Credit Risks Forecasting Power by the Usage of the Set of Credit Ratings and Probability of Default Models.
  28. Сайт ООН. Special Aggregates [ссылка: https://population.un.org/wpp/Download/SpecialAggregates/EconomicTrading/].
  29. Сайт Capital IQ [ссылка: http://www.capitaliq.com/].
  30. Сайт CBonds. История кредитных рейтингов [ссылка: http://cbonds.ru/ratings/history/].
  31. Сайт Engineering2Finance. Probit vs Logit [ссылка: http://engineering2finance.blogspot.com/2018/12/probit-vs-logit.html].
  32. Сайт ScienceDirect. Logistic Regression Analysis [ссылка: https://www.sciencedirect.com/topics/nursing-and-health-professions/logistic-regression-analysis].
  33. Сайт WorldBank. Методолгия Atlas [ссылка: https://datahelpdesk.worldbank.org/knowledgebase/articles/378832-what-is-the-world-bank-atlas-method].



 

или напишите нам прямо сейчас:

Написать в WhatsApp Написать в Telegram
Заявка на расчет