"Управление в кредитной организации", 2006, N 4

МЕТОДЫ БАНКОВСКОГО РИСК-МЕНЕДЖМЕНТА

НА ЭТАПЕ ИДЕНТИФИКАЦИИ И ОЦЕНКИ

ПОСЛЕДСТВИЙ ОТ НАСТУПЛЕНИЯ РИСКОВ

(Начало см. "Управление в кредитной организации", 2006, N 3)

В заключительной части статьи автор продолжает анализ существующих подходов к управлению кредитным риском, рассматривая такие методы, как оценка вероятности дефолта контрагента, кредитный скоринг, модели оценки кредитного риска банковского портфеля, уделяя большое внимание возможности их адаптации к российским условиям.

Анализ заемщика на основе интегрального показателя

Одним из ярких проявлений такой адаптации служит кредитный скоринг, получивший широкое распространение в российских банках и применяемый в потребительском кредитовании.

В отечественных банках определение кредитоспособности заемщика условно можно разделить на несколько блоков:

- анализ финансовой отчетности;

- анализ основных параметров деятельности компании;

- анализ залогового имущества и юридических документов.

Как показывает практика, при определении кредитоспособности заемщика используются метод финансовых коэффициентов и информация о выполнении заемщиком ранее принятых на себя обязательств перед банком, проводящим анализ. Варианты коэффициентного анализа формируются на базе инструкций ЦБ РФ и рекомендаций ведущих отечественных ученых в области финансов [5, 8, 12].

Результат таких методик зависит от того, насколько финансовые показатели заемщика отвечают оптимальным, в зависимости от этого заемщику присваивается класс и определяется сумма резервирования под возможные потери. Однако присвоенный класс, качественно характеризуя сделку с заемщиком, не определяет вероятность возможного дефолта. Учитывая нежелание многих коммерческих банков, в особенности средних и мелких, замораживать средства, создавая резервы под возможные потери по кредитным сделкам, ценность таких результатов представляется весьма спорной.

Такие параметры деятельности заемщика, как кредитная история, деловая репутация, положение на рынке, качество менеджмента, оцениваются специалистом, основываясь на логических суждениях, профессиональном опыте и интуиции. Несмотря на то что в большинстве банков такая оценка регламентируется положением о кредитовании, отсутствие единого интегрального показателя, включающего в себя результаты всеобъемлющего анализа заемщика, остается острейшей проблемой управления кредитным риском в российских банках.

В теории решения о выдачи кредита должны базироваться на присвоенном классе и экспертном анализе заемщика, однако на практике даже успешно внедренные методики нередко сталкиваются с противодействием руководства или акционеров банка в связи с тем, что инсайдерское кредитование было и остается областью, неподвластной банковскому риск-менеджменту.

Зачастую кредитные организации закрывают глаза на такие вопиющие факты, как убыточная деятельность или плохая деловая репутация заемщика, руководствуясь при выдаче кредита исключительно характеристиками залогового имущества. Интуитивно понимая слабость собственных методик, банки завышают требования к залоговому имуществу, тем самым дискриминируя порядочных заемщиков.

Исходя из ранее сделанного утверждения о первостепенности системного подхода при управлении кредитным риском, необходимо использовать его как методологическое средство исследования интегрированных объектов и интегральных зависимостей и взаимодействий.

В системном подходе выделяют следующие наиболее типичные феномены интеграции [9, с. 36 - 37]:

- целое и нецелое - интеграция выступает как коренной качественный признак целостных систем, отличающих их от суммативных множеств, не являющихся системами;

- закон соединения частей в целое - общий закон образования и структуры целого;

- "целое больше суммы входящих в него частей" - всякое целое обнаруживает некий прирост качеств и закономерностей по сравнению с исходными элементами и дает некий синергетический эффект;

- совокупные системы качества - интегральные качества системы, характеризующие ее в целом, и общесистемные свойства "элементов", отличные от их индивидуальных свойств;

- общесистемные законы - интегральные законы системы, раскрывающие ее основания, главные принципы, общесистемную специфику.

Таким образом, разработка методики расчета интегрального показателя, количественно отражающего риск кредитной сделки, охватывающего анализ определяющих деятельность заемщика факторов и использующего адаптированный к российским условиям математический аппарат, остается важнейшей задачей становления кредитного риск-менеджмента в России.

В качестве такого показателя целесообразно принять синтетический коэффициент.

В практике финансового анализа, сложившейся за последние 5 - 10 лет, под синтетическим коэффициентом принято понимать вероятность возврата кредитных средств банка заемщиком.

Методик вычисления синтетического коэффициента на данный момент существует достаточно много, начиная с подхода ООО НВП ИНЭК [40], методики КАЛИПСО и заканчивая собственными методиками коммерческих банков.

Общей чертой вышеперечисленных методик является то, что определенный в ходе анализа синтетический коэффициент учитывает в основном анализ ликвидности и финансовой устойчивости заемщика, при этом используется стандартный набор финансовых коэффициентов, таких, как мгновенная и текущая ликвидность, коэффициенты финансовой независимости и маневренности собственных средств.

Также для методик вычисления синтетического коэффициента свойственен недостаточно глубокий анализ рентабельности и деловой активности заемщика, что, безусловно, может очень негативно влиять на кредитный портфель банка, особенно в долгосрочной перспективе. Кроме этого, практически полностью отсутствует аналитическая оценка нефинансовых аспектов хозяйственной деятельности заемщика.

Действительно, большинство банков, положительно оценив платежеспособность, ликвидность и финансовую устойчивость заемщика согласно собственным методикам, получат синтетический коэффициент, близкий к единице, что, в свою очередь, приведет к неизменности базового лимита или его незначительной коррекции. Но при этом в современных рыночных условиях легко представить ситуацию, когда заемщик, являясь предприятием ликвидным и финансово устойчивым, может обладать невысокой деловой репутацией или плохой кредитной историей, претерпевать кадровый кризис. В результате складывается абсурдная ситуация, когда синтетический коэффициент, являясь вероятностной категорией, не выполняет своих функций, если заемщик является ликвидным и финансово устойчивым предприятием и в то же время с точки зрения аналитической оценки нефинансовых аспектов хозяйственной деятельности заемщика характеризуется как предприятие, потенциально проблемное.

Таким образом, при расчете синтетического коэффициента необходимо учитывать аналитическую оценку нефинансовых аспектов хозяйственной деятельности заемщика в равном или соизмеримом размере с качественным анализом, использующим весь комплекс финансовых коэффициентов, традиционный для финансового анализа производственно-хозяйственной деятельности заемщика.

Рассмотрим один из методов нахождения синтетического коэффициента более детально. Суть данного метода заключается в том, что синтетический коэффициент (С) находится как сумма финансовых коэффициентов, умноженных на весовые коэффициенты, которые определят уровень их значимости для синтетического коэффициента:

n

С = SUM (Ki x ai),

i=1

где С - синтетический коэффициент;

Кi - финансовые коэффициенты;

ai - весовые коэффициенты.

К сожалению, благодаря линейной связи между коэффициентами такая модель остается справедливой лишь для незначительных изменений финансовых коэффициентов относительно их характерных значений [18, с. 117].

Альтернативным можно назвать подход, когда весовые коэффициенты подбираются статистическими методами, например с помощью линейного дискриминантного анализа [14]. Этот метод позволяет определить набор коэффициентов, которые лучше всего классифицируют заемщиков на две противоположные группы: потенциальные банкроты и успешно работающие. Удачным примером такого подхода является рассмотренная выше Z-модель Альтмана. Однако применение этого метода возможно лишь при наличии достаточно представительной базы эмпирических данных.

По нашему мнению, синтетический коэффициент должен отражать результаты аналитической оценки нефинансовых аспектов хозяйственной деятельности заемщика и качественного анализа финансово-хозяйственной деятельности заемщика. Поэтому данный показатель необходимо определять посредством объединения результатов аналитической оценки нефинансовых аспектов хозяйственной деятельности заемщика и качественного анализа финансово-хозяйственной деятельности заемщика. Учитывая отсутствие в действующей банковской практике сложившегося соотношения вышеуказанных оценок, для поиска оного будут применяться эвристические методы.

Рассмотрим более детально основные моменты аналитической оценки качественного анализа заемщика, используемые автором при определении синтетического коэффициента.

Аналитическая оценка нефинансовых аспектов хозяйственной деятельности заемщика (далее - АОЗ) представляет собой автономную модель анализа кредитоспособности заемщика, ни в коей мере не являясь альтернативой качественному анализу. Необходимость АОЗ связана в значительной мере с тем, что в действующей банковской практике часто встречаются ситуации, которые не могут быть решены путем их формализации и точного количественного измерения.

Основной задачей АОЗ, по нашему мнению, является анализ тех аспектов хозяйственной деятельности заемщика, которые количественными методами измерить трудно или невозможно. Зачастую приходится решать задачи, в которых объектом оценки является совокупность признаков, не поддающихся точному измерению. В этих случаях и используется АОЗ как неформализованный метод решения экономической задачи или, другими словами, как неформализованная оценка хозяйственной деятельности заемщика.

На наш взгляд, целесообразно исследовать следующие аспекты хозяйственной деятельности заемщика:

1. Общая информация о заемщике:

1.1. срок функционирования предприятия;

1.2. денежные потоки клиента;

1.3. деловая репутация;

1.4. стабильность учредителей;

1.5. характеристика заемщика работником, рассматривающим (сопровождающим) проект;

1.6. доля государства в акционерном капитале заемщика.

2. Оценка деятельности заемщика:

2.1. диверсификация деятельности;

2.2. уровень спроса на продукцию клиента;

2.3. позиция клиента на рынке;

2.4. взаимоотношения клиента с поставщиками;

2.5. характер деятельности.

3. Кредитная история заемщика:

3.1. кредитная история в кредитующем банке;

3.2. кредитная история в других банках.

АОЗ заключается в использовании интуитивно-логических рассуждений банковских специалистов. Основным методом АОЗ в данной методике, по нашему мнению, является метод экспертных оценок, то есть аналитик, основываясь на финансовой отчетности, информации из внешних источников (СМИ и Интернет), а также на внутренних источниках (заключения службы безопасности, управления маркетинга и клиентской политики, юридического департамента), делает определенные заключения о заемщике. Данная оценка основывается на субъективном рассмотрении действующих факторов и представляет собой предположения банковского специалиста (эксперта) о развитии объекта оценки - заемщика в будущем.

Определение синтетического коэффициента для заемщика - кредитной организации, хотя и подчиняется той же логике, имеет свою специфику. Как отмечает Г.С. Панова, "финансовое состояние банка - это комплексное понятие, которое характеризуется системой показателей, отражающих наличие, размещение и использование финансовых ресурсов [10, с. 9]. Специфика определения синтетического коэффициента для заемщика - кредитной организации определяется следующими факторами:

- кредитование на рынке МБК, как правило, бланковое;

- рынок МБК является моноотраслевым;

- сильная подверженность рынка действию внешних факторов;

- высокая волатильность и динамика рынка.

Пути решения данной проблемы отражаются в работах многих российских ученых и специалистов: И.Т. Балабановой, О.И. Лаврушина, О.В. Гончарук, Е.Г. Хольновой, Н.А. Савинской, В.И. Колесникова, Г.Н. Белоглазовой, Г.С. Пановой и других авторов. Как показал анализ публикаций, многие авторы изучают проблемы банковских кризисов 1995, 1998, 2004 гг., анализируют структуру рынка МБК, разрабатывают подходы к подготовке методик определения кредитного риска заемщика - кредитной организации [28, 29, 25, 24, 21, 20, 19, 27, 31, 26, 30].

Одной из известнейших и получивших широкое распространение в российских коммерческих банках методик оценки кредитного риска является кредитный скоринг <1>.

     
   ————————————————————————————————
   

<1> От англ. scoring - выставление очков.

В конкурентной борьбе на рынке потребительского кредитования банки ослабляют требования к обеспеченности кредитов, упрощают процедуру финансовой экспертизы кредитоспособности соискателей кредита. Существенными, определяющими конкурентное преимущество на рынке факторами стали помимо снижения процентных ставок простота оформления, скорость предоставления кредита и его массовость.

Вместе с тем возникает проблема: чем меньше времени отводится на проверку кредитной заявки, тем больше вероятность роста проблемных кредитов. Возможным (и неизбежным) потерям по неплатежам есть противовес, гарантированный законом больших чисел: массовый заемщик в целом кредитоспособен.

Кредитный скоринг

Адекватной мерой, снижающей кредитный риск банка и позволяющей оптимально решать задачу, служит кредитный скоринг, представляющий собой математическую или статистическую модель, с помощью которой банк определяет, насколько велика вероятность, что данный потенциальный заемщик вернет кредит в установленный срок [17].

Техника кредитного скоринга была впервые предложена американским экономистом Д. Дюраном в начале 40-х гг. ХХ века для решения проблемы отбора заемщиков по потребительскому кредиту [7, с. 180].

Механизм модели кредитного скоринга заключается в выделении главных факторов, обусловливающих кредитоспособность заемщика, определении удельных весов данных факторов, разработке шкалы оценки, выведении формулы конечного интегрального показателя, конкретизации границ диапазонов возможных значений интегрального показателя, качественно характеризующих заемщика.

На первый взгляд все кажется элементарным, однако проблема состоит в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать. Значимость (или "вес") финансовых, экономических и мотивационных характеристик, влияющих на возвратность кредитов, приобретает здесь особую важность. Каждая характеристика получает в баллах числовое значение, соответствующее уровню ее рискованности. По итогам такого ранжирования составляется балльная шкала в виде сгруппированной по характеристикам таблицы. Посредством сопоставления ее данных с характеристиками заявителя на кредит производится анализ его кредитоспособности.

При формировании скоринговой модели могут использоваться различные статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия), различные варианты линейного программирования, дерево классификации или рекурсионно-партиционный алгоритм (РПА), нейронные сети, генетический алгоритм, метод ближайших соседей [17]. Эффективность скоринговой модели отражается в удельном весе проблемных кредитов в кредитном портфеле банка.

Таким образом, скоринг оперирует такими характеристиками, которые наиболее точно соответствуют образу благополучного в финансовом отношении потенциального заемщика. Необходимо обеспечить правильный отбор таких характеристик и обозначить соответствующие им весовые коэффициенты. При этом, чем более однородна совокупность заявителей, по которой разрабатывается модель, тем точнее прогнозирование хода возврата кредита [17].

Скоринг не может быть универсальным на все времена, он привязан к огромному количеству характеристик, причем эти характеристики подвижны. Скоринг - многофакторный анализ. Из множества характеристик, влияющих на возвратность кредита, необходимо выбрать наиболее существенные, привести их к количественному значению и затем наблюдать, как они меняются во времени в зависимости от изменения общественных и экономических условий.

В силу того что потребительское кредитование в России становится сегодня массовым явлением, в условиях роста межбанковской конкуренции и с учетом значительной емкости неудовлетворенного спроса населения в кредитах созданы условия, подталкивающие банки к созданию собственных скоринговых систем. Развитие данного метода является одним из важнейших факторов не только становления российской финансовой системы, но и снятия социального напряжения, создания предпосылок для роста потребления и, как следствие, уровня жизни.

Модели оценки кредитного риска банковского портфеля

Рассмотрим наиболее распространенные в практике западных финансовых институтов модели оценки кредитного риска банковского портфеля.

Наличие богатого статистического материала, доступность исторических данных, охватывающих большую часть участников экономических отношений, обусловливает широкое применение в западной практике моделей оценки риска в кредитном портфеле, базирующихся на использовании серьезного математического аппарата.

Модели оценки кредитного риска можно классифицировать по применяемому математическому аппарату [16].

Эконометрические модели, в основе которых лежит многомерный статистический анализ (регрессионный анализ, кластерный и дискриминантный анализы).

Нейронные сети - компьютерные алгоритмы, имитирующие работу человеческого мозга посредством взаимодействия взаимосвязанных "нейронов". В нейросетях используются те же входные данные, что и в эконометрических моделях. Но модели оценки кредитного риска строятся с помощью определенных процедур обучения распознаванию образов (классов, ситуаций, процессов и т.д.).

Оптимизационные модели, основанные на методах математического прогнозирования, позволяющих минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. С помощью методов математического программирования, в частности, определяют оптимальные доли клиентов в портфеле ссуд и(или) оптимальные параметры кредитных продуктов.

Экспертные системы используются для имитации оценки риска опытным кредитным инспектором при принятии решения о предоставлении кредитов. Составляющими экспертной системы являются: набор логических правил вывода, база знаний, содержащая количественные и качественные данные об объекте принятия решений, а также модуль для ввода ответов пользователя на вопросы системы.

Гибридные системы используют статистическое оценивание и имитационное моделирование и могут быть основаны на причинно-следственных соотношениях (модель EDF оценки вероятности дефолта заемщика, разработанная компанией KMV).

Одним из самых распространенных в международной практике подходов к оценке рисков является методология определения показателя стоимости под риском (принятый международный термин VaR - value-at-risk). Внедрение VaR было инициировано Базельским комитетом по банковскому надзору для оценки рисков потенциальных убытков в результате неблагоприятных изменений конъюнктуры финансовых рынков [4, с. 225]. Главная задача данной методологии на основании статистических методов (метод Монте-Карло, метод исторического моделирования, корреляционно-ковариационный метод и т.д.) спрогнозировать наибольший ожидаемый убыток, обусловленный волатильностью финансовых рынков в заданном промежутке времени с заданным доверительным интервалом.

Михаил Рогов так определяет этот показатель: "VaR - это выраженная в данных денежных единицах (базовой валюте) оценка величины, которую не превысят ожидаемые в течение данного периода времени потери с заданной вероятностью" [16, с. 247]. Проецируя данное определение из сферы рыночных рисков в сферу кредитного риска и используя выработанную в данной работе терминологию, показатель VaR можно представить как максимально возможное абсолютное значение рискового события по кредитному портфелю с заданной вероятностью (доверительный интервал) в заданном историческом интервале.

Главными параметрами этого показателя являются исторический и доверительный интервалы, где первый определяется чаще всего сроком удержания рисковой позиции, а второй - отношением (толерантностью) банка к риску. С помощью данных параметров значение показателя VaR можно интерпретировать с помощью следующего утверждения: "Мы уверены на альфа% (доверительный интервал), что рисковое событие не превысит q рублей в течение следующих N дней", где значение q будет выступать в качестве показателя VaR. Математически это можно записать следующим образом:

q = VaR (X),

альфа

где X - потери банка.

В 1995 г. Базельский комитет по надзору за банками предложил коммерческим банкам использовать величину VaR, рассчитанную по собственным (внутренним) моделям, для расчета резервов капитала (капитала под риском или экономического капитала), при этом дав рекомендации по основным параметрам показателя. Так, доверительный интервал рекомендуется удерживать на уровне не менее 99%, хотя на практике более популярен диапазон между 95 и 99%. Говоря о применении методологии VaR в управлении кредитным риском, западными риск-менеджерами этот показатель трактуется как вероятность дефолта заемщика. Развитие данной методологии обусловило появление понятия СaR (capital-at-risk), капитала, резервируемого под ожидаемые потери (expected loss, EL) и неожидаемые потери (unexpected loss, UL). СaR является важнейшей составляющей кредитного рейтинга любого западного финансового института (рис. 2) <1>. Данный показатель отражает рискованность политики руководства организации и определяет так называемую премию за риск, тем самым формируя ценообразование компании.

     
   ————————————————————————————————
   

<1> Рисунок не приводится.

На сегодняшний день для оценки и измерения кредитного риска крупнейшими банками мира используется достаточное количество моделей, основанных в той или иной степени на методологии VaR: CreditMetrics, CreditRisk+, Portfolio Manager, CreditPortfolioView, Jarrow-Turnbull Model [16, 32, 7, 39, 38, 41, 34, 33], причем наступление кредитного риска в данных моделях трактуется как снижение кредитного рейтинга или дефолт заемщика.

Так, модель CreditMetrics основана на симуляции Монте-Карло случайных величин, характеризующих активы компании и испытывающих марковские взаимосвязанные переходы между кредитными рейтингами заемщиков, от которых зависит рыночная приведенная стоимость (PV, present value) кредитных продуктов. Кривая потерь строится по значениям возможных PV портфеля после значительного числа симуляций [37, 42]. Под наступлением кредитного рейтинга здесь понимаются понижение кредитного рейтинга заемщика и удешевление банковских активов. Модель CreditMetrics была разработана банком J.P. Morgan Chase в 1997 г., где впервые была применена VaR-методология.

Проанализировав опыт ее применения, можно перечислить следующие недостатки данной модели:

- игнорируется действие факторов рыночного и валютного рисков [16, c. 395];

- необходимость наличия большого количества информации (152 национальных и 19 мировых отраслевых индексов, 20 страновых индексов и т.д.);

- отсутствует анализ причин миграции рейтингов, только констатация, основанная на статистике прошлых лет.

Другая известная методика, CreditRisk+, позволяет рассчитывать кривую потерь без применения симуляций, а непосредственно строя распределение с помощью актуарного численно-аналитического подхода, после серии упрощающих предположений [44, 35]. Использование сравнительно небольшого количества информации и аналитический метод расчета кредитного VaR формируют основные преимущества данной модели.

В отечественной практике такие модели при управлении кредитным риском в силу понятных причин применяются в единичных случаях. Все попытки использовать упомянутые выше технологии предпринимались, как правило, крупными системными банками совместно с IT-компаниями (отечественными или представителями западных крупных компаний). Так, риск-менеджмент АКБ "МДМ" совместно с компанией EGAR Technology в 2004 г. [44] и сотрудники департамента риск-менеджмента Альфа-Банка в 2005 г. [45] провели успешную апробацию методологии VaR. Однако адаптация таких систем под российские условия сталкивается с принципиальным препятствием - главной предпосылкой успешного функционирования подобных моделей является наличие в стране развитой рыночной экономики. Кроме того, в силу большой значимости исторической составляющей не рекомендуется использовать методологию VaR на кризисных или неустойчивых рынках.

Учитывая распространение данной методики, признание ее обоснованности и применимости большинством финансовых институтов развитых стран и международных регулирующих органов, можно констатировать становление показателя VaR в качестве промышленного стандарта для современного риск-менеджмента.

Сопутствующей и дополняющей методологию VaR является методология Shortfall, которую можно выразить следующим образом:

Shortfall (X) = E(X|X > q),

альфа

где Shortfall (Х) - условное математическое ожидание X при

альфа

условии, что X больше q [126].

Суть данной методологии заключается в более консервативном (осторожном) подходе к анализу рисков, нежели при VaR-оценке. Рассмотрим простой пример, иллюстрирующий соотношение VaR и Shortfall.

Предположим, что у нас есть облигация номиналом 100, которая завтра должна быть погашена. С вероятностью 0,99 она будет погашена полностью, а с вероятностью 0,01 заемщик откажется от 100%-ного исполнения своих обязательств, и мы получим только половину номинала. Тогда наши потери X составят 0 с вероятностью 0,99 и 50 с вероятностью 0,01.

Для альфа = 0,95:

VaR (X) = 0.

альфа

То есть VaR советует нам не резервировать капитал вообще. Этот совет представляется странным, поскольку и потери наши могут быть довольно значительны, и вероятность понести эти потери не так уж мала - 0,01.

В то же время:

Shortfall (X) = E(X|X > 0) = 50,

альфа

Таким образом, Shortfall позволяет учитывать большие потери, которые могут произойти с небольшой (меньшей, чем 1 - а) вероятностью. Он также более адекватно оценивает риск в распространенном на практике случае, когда распределение потерь имеет тяжелый хвост [44].

В странах с развитой рыночной экономикой непреходящую роль в процессе управления кредитным риском играет процесс миграции кредитных рейтингов, представляющий собой изменение кредитных рейтингов на определенном промежутке времени. На финансовом рынке кредитный рейтинг во многом определяет стоимость различных инструментов, особенно облигаций и акций, и даже незначительное его колебание может привести к серьезным последствиям, начиная от переоценки финансовых инструментов эмитента в сторону удешевления вплоть до дефолта. Анализ этих изменений является неотъемлемой частью управления кредитным риском для западного банка. Главным инструментом такого анализа является так называемая матрица переходов, где отражается, с какой вероятностью к концу года субъект может сохранить или поменять свой рейтинг.

Вероятности переходов в большинстве случаев определяются на основе статистических данных. Так, наиболее известными исследованиями в данной области стали работы Альтмана и Као (основанные на статистических данных Standard Poor's за период с 1971 по 1989 г.) [16] и опубликованные отчеты рейтинговых агентств Moody's (по данным за 1920 - 1996 гг.) [16, 36] и Standard Poor's (по данным за 1981 - 1996 гг.).

Характерные для страны с развивающейся рыночной экономикой условия хозяйствования обусловили тенденцию концентрации усилий отечественных банков по управлению кредитным риском портфеля на третьем и четвертом этапах процесса управления риском.

Литература

1. Федеральный закон от 23.12.2003 N 177-ФЗ "О страховании вкладов физических лиц в банках Российской Федерации".

2. Указание Центрального банка Российской Федерации от 16.01.2004 N 1379-У "Об оценке финансовой устойчивости банка в целях признания ее достаточной для участия в системе страхования вкладов".

3. Указание Центрального банка Российской Федерации от 31.01.2000 N 766-У "О критериях определения финансового состояния кредитных организаций".

4. Банковское дело: Справочное пособие / Под ред. Бабичевой Ю.А. - М.: Экономика, 1994.

5. Банковское дело. Учебник / Под ред. проф. Лаврушина О.И. - М.: Банковский и биржевой НКЦ, 1992.

6. Елиферов В.Г., Репин В.В. Бизнес-процессы. Регламентация и управление: Учебник. - М.: ИНФРА-М, 2005.

7. Кабушкин С.Н. Управление банковским кредитным риском: Учебное пособие. - М.: Новое знание, 2004.

8. Ковалев В.В. Финансовый анализ: управление капиталом, выбор инвестиций, анализ отчетности. - М.: Финансы и статистика, 1996.

9. Гиляровская Л.Т., Паневина С.Н. Комплексный анализ финансово-экономических результатов деятельности банка и его филиалов. - СПб.: Питер, 2003.

10. Панова Г.С. Анализ финансового состояния коммерческого банка. - М.: Финансы и статистика, 1996.

11. Панова Г.С. Кредитная политика коммерческого банка. - М.: ДИС, 1997.

12. Селезнева Н.Н., Ионова А.Ф. Финансовый анализ: Учебное пособие. - М.: ЮНИТИ-ДАНА, 2002.

13. Семенова И.И. История менеджмента: Учебное пособие для вузов. - М.: ЮНИТИ-ДАНА, 1999.

14. Синки Дж. Управление финансами в коммерческих банках. - М.: Catallaxy, 1994.

15. Управление риском. Практические методы минимизации случайного риска потенциальных убытков. - СПб.: Русский Ллойд, 1993.

16. Энциклопедия финансового риск-менеджмента / Под ред. Лобанова А.А., Чугунова А.В. - М.: Альпина Паблишер, 2003.

17. Андреева Г.В. Скоринг как метод оценки кредитного риска // Банковское дело, 2000, N 6.

18. Беляков А.В., Ломакина Е.В. Кредитный риск: оценка, анализ, управление // Финансы и кредит, 2000, N 9(69).

19. Вербицкая П.В., Маллабаев Н.Т. Анализ финансового состояния банков-контрагентов // Банковское дело, 2000, N 7.

20. Зотов Ю.Ю. Проблема выбора базового значения лимита при оценке риска МБК // Оперативное управление и стратегический менеджмент в коммерческом банке, 2002, N 5.

21. Иванов В.В. Новый подход к решению проблем, связанных с расчетом лимитов межбанковского кредитования // Бухгалтерия и банки, 2000, N 10.

22. Ковалев П.П. Концептуальные вопросы управления кредитными рисками // Управление финансовыми рисками, 2005, N 4.

23. Ковалев П.П. Некоторые актуальные вопросы управления банковскими рисками // Деньги и кредит, 2006, N 1.

24. Крупнов Ю.С. О межбанковском кредитном рынке // Финансы, 1997, N 2.

25. Марковская Е. Круговая порука // Эксперт, 1999, N 21.

26. Матвеев Д.В. Межбанковское кредитование и проблемы ликвидности // Расчеты и операционная работа в коммерческом банке, 2001, N 2.

27. Матовников М.Ю. Российские банки укрепляют связи с банками Европы // Банковское дело, 2001, N 6.

28. Смирнов А.В., Антохин А.В. Межбанковский рынок: проблемы и перспективы // Банковское дело, 1999, N 8.

29. Терехов А.П., Поклонский А.А. Привлечение денежных ресурсов под вексель - альтернатива привлечению на рынке межбанковских кредитов // Банковское дело, 1996, N 5.

30. Фаррахов И.Т. Расчет лимитов межбанковского кредитования: новый подход // Оперативное управление и стратегический менеджмент в коммерческом банке, 2001, N 4.

31. Чекмарев Е.Н. и др. Финансовый рынок России: итоги и проблемы развития // Деньги и кредит, 2001, N 6.

32. Cauoette J.B., Altman E.I., Narayanan P. Managing credit risk: The next great financial challenge. - L.: John Wiley Sons, Inc., 1998.

33. Jorion P. and Khoury S.J. Financial risk management: Domestic and international dimensions. - Basil Blackwell, Ltd., 1995.

34. Jorion P. How Informative are Value-at-Risk Disclosures? / University of California at Irvine, 2002.

35. Mausser H., Rosen D. Beyond VaR: From measuring risk to managing risk // Algo Research Quarterly, 1998, vol.1, N 5 (December).

36. Credit Suisse First Boston (CSFB) CreditRisk+: A Credit Risk Management Framework. Technical document, 1997.

37. Gupton G., Finger С. and Bhatia M. CreditMetrics - Technical Document, Morgan Guaranty Trust Co. - New York, 1997.

38. Волков С.Н. Оценивание кредитного риска: теоретико-вероятностные подходы.

39. Волков С.Н. Современный риск-менеджмент с использованием методологии VaR.

40. Официальный сайт группы ИНЭК.

41. Помазанов М. Количественный анализ кредитного риска портфеля российских заемщиков.

42. Помазанов М.В., Гундарь В.В. Капитал под риском в совершенной модели банковской системы.

43. Служба тематических толковых словарей.

44. Центр статистических исследований.

45. Гальперин Ф. и др. Практика применения VaR-методологии для оценки и управления кредитным риском в Альфа-Банке // Управление финансовыми рисками, 2005, N 2.

П.Ковалев

Начальник управления риск-менеджмента

АКБ "Интеркоопбанк"

Подписано в печать

10.07.2006

     
   ——————————————————————————————————————————————————————————————————
————————————————————
——