2. Цели и формат встречи
Обзор реализованных проектов
◦ Программный комплекс “IFRS::PROCESS” (на базе “CS::BI” и АБС “Б2”)
◦ Подсистема “Формирование резервов МСФО” (АБС “Б2 Молдова”)
Обсуждения:
◦ Совместимость и необходимость автоматизации требований по
формированию резервов Basel, МСФО, Постановления НБУ №23
◦ Перспективные направления развития автоматизации риск
менеджмента кредитного портфеля:
Расчет показателей: стоимости риска (cost of risk), VaR, отчеты по
ликвидности, GAP, экономического капитала
Анализ данных с помощью “CS::Business Intelligence” (на базе Oracle BI)
Идея создания ПО: “Разработка системы внутренних кредитных рейтингов”
ПЛАН
1
5. РЕТРОСПЕКТИВНЫЙ АНАЛИЗ
РАСЧЕТ DPD ПО МЕТОДУ FIFO
РАСЧЕТ ПОКАЗАТЕЛЕЙ СОГЛАСНО БАЗЕЛЯ:
◦ PD (Probability of Default) - cреднегодовая вероятность
дефолта заемщика;
◦ LGD (Loss Given Default) - среднеожидаемая доля потерь
средств в случае дефолта;
◦ EAD (Exposure at Default) - величина средств под риском
◦ GRP (Group) – групповая принадлежность компании-
заемщика.
РАСЧЕТ ПОКАЗАТЕЛЕЙ СОГЛАСНО МСФО:
◦ портфельные расчеты:
PD (прогноз перехода в DPD 90+)
LGD
4
АНАЛИЗ ТРЕБОВАНИЙ.
6. АБС “Б2”
Подсистема “Управленческий учет(ISMA)”
Сторонняя система БПК ( “IS-CARD”, “Trans
Master” )
Хранилище разработанное CS “B2_OLAP” +
модель данных + Business Intelligence
Система Oracle BI = “CS::BI”
АБС “Б2 Молдова”
ИНФОРМАЦИОННОЕ ОКРУЖЕНИЕ
5
13. Расчет PD ( на основе статистики )
Расчет LGD ( на основе статистики )
Расчет DPD (на основе всех проводок
по погашению, просрочке, начислению)
Расчет Exposure ( с учетом stop
accrual 90+)
Расчеты показателей по портфелям однородных ссуд
11
14. В Феврале клиент заплатил 8.000
грн.
1 Янв 1 Фев 1 Maр 1 Апр 1 Май
500
2.000
500
4.500
2.500
Просрочка - 2.000 грн.
28 Фев клиент в 1-30
DPD
Тело
Проценты
Вертикальный
500
1 Янв 1 Фев 1 Мар 1 Апр 1 Май
Просрочка – 2.000 грн.
28 Фев клиент в 31-60
DPD
Тело
Проценты
Горизонтальный
500
1.000
3.500
1.000
3.500
Расчет DPD
Пример:
500 График платежа
1 Янв 1 Фев 1 Мар 1 Апр 1 Май
4.500
500
4.500
500
4.500
500
4.500
500
4.500
… и т.д.
4.500
12
15. Начисленные, но неуплаченные проценты на дату ПБЗ,
рассчитанные на отчетную дату = 10 грн.
EXPOSURE= Z + 5*100 + 10 = Z + 510
Начисленные, но неуплаченные проценты на дату ПБЗ,
рассчитанные на отчетную дату = 10 грн.
EXPOSURE= Z + 4*100 + 110 – (30+20) = Z + 460
Расчет DPD и EaD
13
16. Кредиты, по которым действуют постоянные решения по реструктуризации
долга, «удерживают» на протяжении 3 месяцев после проведения
реструктуризации в последней до момента реструктуризации ступени
просрочки. Если по истечении 3 месяцев после реструктуризации все 3
последних регулярных платежа были погашены и отсутствует просрочка по
кредиту, его учитывают на 0 ступени просрочки (без просрочки). Если по
кредиту существует просрочка, его относят к ступени не ниже, чем та, где
кредит находился до реструктуризации, с учетом дополнительно
накопившейся просрочки
Расчет DPD
14
21. Расчет кредитов коллектив – корпоративный блок
,
PD – по матрице миграции (рейтинги), усредненной за 12 месяцев
LGD - рассчитывается исходя из структуры покрытия обеспечением,
ликвидности обеспечения и затрат на реализацию
16
35. Общие моменты и отличия МСФО и Базель
"потери по кредитам"
Var и CaR
методолгия
Расчеты резервов
согласно МСФО 30
36. № Наименование Базель МСФО
1. Цель Расчет капитала для
покрытия непредвиденных
потерь и ожидаемых, под
которые сформировано
недостаточно резервов
Расчет понесенных потерь
исходя из выявленных
признаков обесценения по
портфелю ссуд или по
конкретной сделке
2. Модель оценки Модель ожидаемых убытков
для отдельных активов
Модель понесенных
потерь для отдельных
активов и групп
финансовых активов
3. Формула расчета PD*LGD*EAD PD*LGD*LiP*EAD, EAD –
RCF, PR*EAD
4. Активы под риском Кредитный портфель,
торговый портфель
Кредитный портфель
5. Факторы риска Событие дефолта заемщика Свидетельства
обесценения и тест на
обесценение
6. Параметры моделей AIRB подход PD, LGD на
основании моделей
внутренних рейтингов и
FLOW rate анализа
PD, LGD на основании
моделей Базель-2, LIP на
основании собственной
или среднерыночной
статики
Сравнение МСФО и Базель2
31
37. 1. Единая база данных: активы, контрагенты, счета и документы –
упрощают процедуру анализа необходимых показателей для
Базель 2 и МСФО и расчета итоговых величин.
2. Возможность использования моделей расчета Базель 2 для оценки
понесенных потерь согласно МСФО и оценки активов по
справедливой стоимости и соответственно практическое
обоснование полученных результатов.
3. Построение целостной системы риск-менеджменты, начиная от
этапов рейтингования и ранжирования заемщиков и кредитного
портфеля и заканчивая анализом понесенных, ожидаемых и
непредвиденных потерь, а также взвешенных по риску активов.
4. Экономия ресурсов на установке, контроле и мониторинге
смежных признаков обесценения и событий дефолта заемщика.
5. Возможность построения управленческих отчетов разной
структуры для принятия решений.
6. Использование смежных результатов расчета для анализа
качества активов их эффективности и использования для
дальнейшего ценообразования.
Возможности совмещения задач по МСФО и Базель II
32
38. МСФО, Базель II, Постановление НБУ №23
На наш взгляд, архитектура расчетов на
будущее:
Расчет резервов по Постановлению № 23 в
АБС “Б2”
Отдельное ПО по расчету резервов
согласно требований МСФО+Базель на
базе хранилища
33
39. Рассчитываете ли резервы согласно
требований МСФО ( покрытие Expected
Losses) ?
Для расчета PD, LGD, EAD применяете ли
математические модели ?
Какое ПО применяете ?
Делаете ли вы расчеты потерь согласно МСФО и Базель II ?
34
45. Варианты реализации проекта с нашим участием
ВАРИАНТ 1. Внедряете западное решение для расчетов
на базе хранилища CS::BI и
для анализа данных тоже применяем CS::BI
ВАРИАНТ 2. CS выполняет разработку расчетного блока
на базе хранилища CS::BI и
для анализа данных тоже применяем CS::BI
40
46. Модели ранжирования Преимущества Недостатки
Экспертные Простота
Понятность
Не учитывает статистику
Статистические Строится на
реальных
статистических
данных
Требуют пересмотра при
обновлении статистики,
требуют достаточности
статистических данных
Смешанные Включают преимущества и недостатки
экспертных и статистических моделей
Нейронных сетей Неплохой
результат
применения
Непрозрачность
Виды моделей рейтингования:
41
47. БД дефолтов
Экспертное определение набора финансовых
показателей
Выбор
значимых
показателей
Определение весов
параметров и построение
модели
П о с т р о е н и е м о д е л и
Оценка
устойчивости
коэффициентов
регрессии
В а л и д а ц и я м о д е л и
Модель рейтингования
Бэк-тестинг всей модели
и отдельных параметров
БД Фин.
отчетности
заемщиков (есть в
АБС Б2)
Статистические
расчеты
Доработка
модели
Тестирование на выборках
out-of sample и out-of-time
42
48. Этапы построения:
1. Экспертный выбор списка коэффициентов, из которого выбираем
наиболее значимые с точки зрения «предсказания» будущего дефолта.
2. Анализ значимости показателей (методом Information value).
3. Анализ корреляции показателей. Выбор показателей из перечня
зависимых.
4. Формирование «обучающей» выборки. Обучающая выборка – это
выборка клиентов на данных которых строится модель ранжирования.
5. Анализ стабильности коэффициентов в уравнении регрессии
логарифма шансов попадания заемщика в дефолт (логит-регрессия).
6. Определение балльных оценок в разрезе показателей и их дальнейшее
сглаживание.
43
49. Методы оценки качества: Accuracy Ratio
Accuracy ratio (Коэффициент Gini) – мера предсказательной силы модели рейтингования. Определяется, как
соотношение площадей под идеально разделяющей кривой и кривой разделяющий на основе построенной
модели. Для равномерного распределения он равен нулю, для абсолютного неравенства он равен единице.
Высокий уровень коэффициента говорит о значительной неравномерности распределения дефолтов, и,
следовательно, о хорошей предсказательной силе модели.
Таблица 1. Качество рейтинговых систем
Интервал
Accuracy Ratio
Качество модели
60-80% Очень хорошее
40-60% Хорошее
20-40% Среднее
Ниже 20% Низкое
)(
)(
EDAS
ECAS
AR
1
Долякомпанийпопавшихвдефолтв
течениезаданногосрока
Доля всех компаний
1
Модель
рейтингования
Случайная
модель
Идеальная
модель
E
D A
С
44
Пройдемся по двум обсуждениям а затем зададим вам вопросы и предложим пути автоматизаци
Симуляции Монте-Карло случайных величин, характеризующих активы компании и испытывающих марковские взаимозависимые переходы между кредитными рейтингами заемщиков (возможных значений времен дефолта по специальному алгоритму), от которых зависит рыночная приведенная стоимость (PV, present value) кредитных продуктов. Кривая потерь строится по значениям возможных PV портфеля после значительного числа симуляций (модель CreditMetrics)