Ela.kpi.ua



М?Н?СТЕРСТВО ОСВ?ТИ ? НАУКИ УКРА?НИНАЦ?ОНАЛЬНИЙ ТЕХН?ЧНИЙ УН?ВЕРСИТЕТ УКРА?НИ?КИ?ВСЬКИЙ ПОЛ?ТЕХН?ЧНИЙ ?НСТИТУТ??НСТИТУТ ПРИКЛАДНОГО СИСТЕМНОГО АНАЛ?ЗУКАФЕДРА МАТЕМАТИЧНИХ МЕТОД?В СИСТЕМНОГО АНАЛ?ЗУНа правах рукописуДо захисту допущеноУДК 330.4 В. о. зав?дувача кафедри ММСА____________ О. Л. Тимощук?__? ___________ 2019 р.МАГ?СТЕРСЬКА ДИСЕРТАЦ?Яна здобуття ступеня маг?стра за спец?альн?стю 124 Системний анал?зна тему: ?Модель впливу макроеконом?чних фактор?в на справедливу варт?сть ф?нансового ?нструменту, яка оц?ню?ться з урахуванням вартост? реал?зац?? застави?Виконав:Студент ?? курсу групи КА-з81мп Юрченко Юр?й Васильович____________ Кер?вник: доцент кафедри ММСАк. ф.-м. н. Стулей Володимир Анатол?йович____________Рецензент: Радник Президента М?жнародно? академ?? наук та ?нновац?йних технолог?й УСПП,к.т.н., доцентБояр?нцев Костянтин Давидович____________Засв?дчую, що у ц?й маг?стерськ?й дисертац??нема? запозичень з праць ?нших автор?вбез в?дпов?дних посиланьСтудент ____________КИ?В2019НАЦ?ОНАЛЬНИЙ ТЕХН?ЧНИЙ УН?ВЕРСИТЕТ УКРА?НИ?КИ?ВСЬКИЙ ПОЛ?ТЕХН?ЧНИЙ ?НСТИТУТ ?МЕН? ?ГОРЯ С?КОРСЬКОГО??НСТИТУТ ПРИКЛАДНОГО СИСТЕМНОГО АНАЛ?ЗУКАФЕДРА МАТЕМАТИЧНИХ МЕТОД?В СИСТЕМНОГО АНАЛ?ЗУР?вень вищо? осв?ти— другий (маг?стерський)Спец?альн?сть— 124 ?Системний анал?з?ЗАТВЕРДЖУЮВ. о. зав?дувача кафедри ММСА____________ О. Л. Тимощук?___? ____________ 2019 р.ЗАВДАННЯна маг?стерську дисертац?ю студента Юрченка Юр?я Васильовича1. Тема дисертац??: ?Модель впливу макроеконом?чних фактор?в на справедливу варт?сть ф?нансового ?нструменту, яка оц?ню?ться з урахуванням вартост? реал?зац?? застави?, науковий кер?вник дисертац?? Стулей Володимир Анатол?йович, к. ф.-м. н., доцент, затверджен? наказом по ун?верситету в?д ?05??листопада?№?3825-с.2. Терм?н подання студентом дисертац??: 13 грудня 2019 р.3. Об’?кт досл?дження: Теоретичн?, методичн? та практичн? аспекти визначення вартост? заставного майна4. Предмет досл?дження: Економ?чн? в?дносини, що виникають у процес? визначення вартост? заставного майна5. Перел?к завдань, як? потр?бно розробити:досл?дити економ?чну природу понять “застава”, “заставне майно”, “оц?нка вартост? застави”, “л?кв?дац?йна варт?сть”;встановити значення заставно? вартост? для оц?нки кредитного ризику за ф?нансовим ?нструментом;зд?йснити класиф?кац?ю предмет?в застави з урахуванням к?льк?сних та як?сних характеристик та виявити нов? квал?ф?кац?йн? ознаки;досл?дити м?жнародн? стандарти ф?нансово? зв?тност? з метою виокремлення особливостей п?дходу до оц?нки заставно? вартост?;об?рунтувати найоптимальн?ш? п?дходи та критер?? щодо визначення заставно? вартост? на основ? анал?зу в?тчизняних та ?ноземних наукових, методичних ? практичних напрацювань з цього питання;розробити модель оц?нки заставно? вартост? для ц?лей оц?нки кредитного ризику;надати рекомендац?? щодо визначення прогнозно? вартост? предмет?в застави шляхом застосування математичного моделювання.6. Ор??нтовний перел?к граф?чного (?люстративного) матер?алу:1). Д?аграми процедур оц?нки за МСФЗ?9 (рис.);2). Анал?тична форма модел? оц?нки (рис.);3) Граф?чне представлення даних для моделей (рис.);4). Таблиц? з результатами побудови регрес?йних моделей;5).Граф?чне представлення рещультат?в моделювання (рис.)6). Таблиц? у розд?л? стартап-проекту7. Ор??нтовний перел?к публ?кац?й: Публ?кац?я науково? статт? англ?йською мовою у депозитар?? наукових роб?т Munich Personal RePEc Archive. Публ?кац?я статт? у науковому виданн? ?В?сник НБУ?.8. Дата видач? завдання: 05 вересня 2019 р.Календарний план№ з/пНазва етап?в виконання маг?стерсько? дисертац??Терм?н виконання етап?в маг?стерсько? дисертац??1.Концептуальний вступ дисертац??. Формулювання об’?кта, предмета, ц?л?, завдань, новизни, практично? значущост? результат?в18.09.2019—20.09.20192.Перший розд?л. Огляд л?тературно-?нформац?йних джерел. Понят?йно-категор?альний апарат. Характеристика об’?кта21.09.2019—30.09.20193.Другий розд?л. Розробка теоретично? модел? для задач? визначення впливу макроеконом?чних фактор?в на варт?сть заставного майна01.10.2019—16.10.20194.Трет?й розд?л. Пошук даних та реал?зац?я модел?17.10.2019—25.10.20195.Четвертий розд?л. ?мплементац?я отриманих результат?в у програмний продукт. Тестування програми ? анал?з результат?в26.10.2019—09.11.20196.П’ятий розд?л. Стартап-проект10.11.2019—16.11.20197.Концептуальн? висновки. Перспективи розвитку отриманих р?шень17.11.2019—20.11.2019Студент Ю.В. ЮрченкоНауковий кер?вник дисертац??В.А. СтулейРЕФЕРАТМаг?стерська дисертац?я: 105 с., 24 табл., 20 рис., 1 дод., 63 джерела.Тема роботи: Модель впливу макроеконом?чних фактор?в на справедливу варт?сть ф?нансового ?нструменту, яка оц?ню?ться з урахуванням вартост? реал?зац?? застави. У робот? анал?зу?ться питання в?дображення впливу макроеконом?чних фактор?в на оч?куван? кредитн? збитки за ф?нансовим ?нструментом, пов’язан? з? зм?ною вартост? заставного майна.Мета досл?дження – розробка рекомендац?й щодо удосконалення процесу оц?нки кредитного ризику ?з урахуванням заставного майна, зокрема ?х переоц?нки для ц?лей прогнозних грошових поток?в.Об’?ктом досл?дження ? теоретичн?, методичн? та практичн? аспекти визначення вартост? заставного майна. Предметом досл?дження ? економ?чн? в?дносини, що виникають у процес? визначення вартост? заставного майна.Наукова новизна – було виявлено й об?рунтовано механ?зми б?льш ефективного прогнозування кредитного ризику. Зокрема, автором розроблено метод розрахунку впливу макроеконом?чних фактор?в на основ? економетричних моделей, а також змодельовано вплив на оч?куван? кредитн? збитки ? резерви за ф?нансовим ?нструментом. Було показано, що застосування методолог?? коригування заставно? вартост? на макроеконом?чн? фактори може призвести до скорочення резерву зг?дно вимог регулятора, тобто з точки зору ф?нустанови ? можлив?сть додатково вив?льнити частину кошт?в.LGD, ЗАСТАВНА ВАРТ?СТЬ, МНК, КРЕДИТНИЙ РИЗИК, ОЦ?НКА, ЗЛМ, Л?Н?ЙНА РЕГРЕС?Я БАЙ?СА, РЕГРЕС?НА МОДЕЛЬ, МОДЕЛЮВАННЯ КРЕДИТНОГО РИЗИКУ, ПЕРЕОЦ?НКА ЗАСТАВНОГО МАЙНА.ABSTRACTMaster’s dissertation: 105 p., 24?tables, 20?illustrations, 1?appendix, 63?ic: A model of the impact of macroeconomic factors on the fair value of a financial instrument that is measured with considering the collateral value.The paper analyzes the impact of macroeconomic factors on the expected credit losses of a financial instrument related to changes in the value of collateral.The purpose of the study – to develop recommendations to improve the process of credit risk assessment, taking into account collateral, in particular their revaluation to estimate cash flows for expected credit losses calculation.The object of the study is the theoretical, methodological and practical aspects of estimating the value of collateral. The subject of the study is the economic relations that arise in the process of determining the value of collateral.The scientific novelty – more efficient credit risk evaluation from the point of view of banking institutions has been identified and substantiated. In particular, the author has developed a method of calculating the impact of macroeconomic factors on the basis of econometric models, as well as modelled its impact on expected credit losses and reserves regarding a particular financial instrument. It has been shown that the application of the methodology of adjusting collateral value to represent macroeconomic impact can lead to a reduction of the reserve amount required by the regulator, i.e. from the financial institution's point of view it is possible to release part of the funds.LGD, COLLATERAL VALUE, OLS, CREDIT RISK, VALUATION, GLM, BAYES LINEAR REGRESSION, REGRESSION MODEL, CREDIT RISK MODELLING, COLLATERAL REVALUATION.ЗМ?СТ TOC \o "1-3" \h \z \u ВСТУП PAGEREF _Toc26524384 \h 9РОЗД?Л 1.СТАН НАУКОВО? ПРОБЛЕМИ ЗАСТАВНОГО МАЙНА ДЛЯ ОЦ?НКИ КРЕДИТНИХ РИЗИК?В PAGEREF _Toc26524385 \h 131.1.Сучасн? стандарти ? вимоги до оц?нки кредитних ризик?в PAGEREF _Toc26524386 \h 131.2.Заставне майно як явище системи кредитування PAGEREF _Toc26524387 \h 181.3.Оц?нка та переоц?нка заставного майна PAGEREF _Toc26524388 \h 211.4.Розроблен?сть проблематики у л?тератур? PAGEREF _Toc26524389 \h 241.5.Висновки до Розд?лу 1 PAGEREF _Toc26524390 \h 27РОЗД?Л 2.ТЕОРЕТИЧНЕ УЗАГАЛЬНЕННЯ МОДЕЛ? PAGEREF _Toc26524391 \h 282.1.Модель розрахунку LGD та зм?ст заставного майна у н?й PAGEREF _Toc26524392 \h 282.2.Загальна модель оц?нки заставного майна та анал?з ?? фактор?в PAGEREF _Toc26524393 \h 312.3.?дентиф?кац?я фактор?в впливу на варт?сть заставного майна PAGEREF _Toc26524394 \h 382.4.Висновки до Розд?лу 2 PAGEREF _Toc26524395 \h 43РОЗД?Л 3.РЕАЛ?ЗАЦ?Я МОДЕЛ? PAGEREF _Toc26524396 \h 453.1.Статистична база досл?дження та ?? характеристики PAGEREF _Toc26524397 \h 453.2.Побудова моделей вза?мозалежностей макроеконом?чних показник?в з ц?льовими PAGEREF _Toc26524398 \h 533.3.Коригування отриманих моделей PAGEREF _Toc26524399 \h 643.4.Висновки до Розд?лу 3 PAGEREF _Toc26524400 \h 69РОЗД?Л 4.РЕЗУЛЬТАТИ ? ЗАСТОСОВН?СТЬ ДОСЛ?ДЖЕННЯ PAGEREF _Toc26524401 \h 714.1.?нтерфейс програмного модуля PAGEREF _Toc26524402 \h 714.2.Результати реал?зац?? PAGEREF _Toc26524403 \h 744.3.Висновки до Розд?лу 4 PAGEREF _Toc26524404 \h 77РОЗД?Л 5.РОЗРОБКА СТАРТАП-ПРОЕКТУ PAGEREF _Toc26524405 \h 785.1.Опис ?де? проекту (товару, послуги, технолог??) PAGEREF _Toc26524406 \h 785.2.Анал?з ринкових можливостей запуску стартап-проекту PAGEREF _Toc26524407 \h 795.3.Розроблення ринково? стратег?? проекту PAGEREF _Toc26524408 \h 835.4.Розроблення маркетингово? програми стартап-проекту PAGEREF _Toc26524409 \h 845.5.Висновки до Розд?лу 5 PAGEREF _Toc26524410 \h 85ВИСНОВКИ PAGEREF _Toc26524411 \h 86ПЕРЕЛ?К ПОСИЛАНЬ PAGEREF _Toc26524412 \h 90ДОДАТОК А. ПРОГРАМНИЙ КОД ПРОДУКТУ PAGEREF _Toc26524413 \h 96ВСТУПАктуальн?сть. Методолог?я оц?нки кредитного ризику, викладена у МСФЗ?9, передбача? складну модель розрахунку оч?куваних кредитних ризик?в, надаючи при цьому лише загальн? вказ?вки ? залишаючи за установами виб?р щодо ?х трактування та ?мплементац??. Зокрема, МСФЗ?9 явно вимага? включення у розрахунок макроеконом?чного впливу. Однак актуальн? п?дходи нараз? не в?дображають цей вплив в ус?х аспектах кредитного ризику. Зокрема, це стосу?ться ? застави як ключового фактору втрат банку при настанн? под?? дефолту. В?дпов?дно, виника? необх?дн?сть досл?дити це питання ? запропонувати способи врахування впливу макроеконом?чних фактор?в на варт?сть заставного майна з метою розрахунку кредитних ризик?в.Розроблен?сть. Питання оц?нки ризику та LGD, зокрема, в ?ноземн?й л?тератур? розкрито досить широко, натом?сть укра?нська наукова практика у цьому питанн? досить обмежена. Тим не менш, що стосу?ться саме заставного майна у контекст? оц?нки кредитного ризику, а також впливу макроеконом?чного середовища на нього, то роб?т, присвячених виключно цьому питанню, знайти не вдалося. Однак, наявн? досл?дження так чи ?накше торкаються певного аспекту проблематики роботи. Зокрема, вплив макроеконом?чних фактор?в на ринкову дох?дн?сть (по сут?, справедлива варт?сть ма? також в?дображати ? адекватний р?вень оч?кувань по дох?дност?), на л?кв?дн?сть (практикою банк?в ? застосування дисконт?в до справедливо? вартост? для в?дображення ?нестач? л?кв?дност?? – цей дисконт включа? в себе додатков? витрати на реал?зац?ю заставного майна, оч?кування щодо неможливост? реал?зац?? майна тощо)З точки зору в?тчизняно? л?тератури, досл?дження ринково? вартост? майна з ц?ллю угод куп?вл?-продажу вивчено багатьма науковцями та описано в науков?й л?тератур? досить повно. Серед в?тчизняних науково-методолог?чних розробок варто вид?лити прац? таких оц?нювач?в та науковц?в, як: В. Галасюк, О. Драп?ковський, Н. Лебедь, ?. ?ванова, А. Маркус, В. Мендул, С. Максимов, О. ?втух.Мета роботи. Метою ? з’ясування рол? застави в систем? оц?нки кредитного ризику за МСФЗ?9 через об?рунтування заставно? вартост? та розробка рекомендац?й щодо удосконалення процесу оц?нки кредитного ризику ?з урахуванням заставного майна, зокрема ?х переоц?нки для ц?лей прогнозних грошових поток?в.Завдання роботи. Для досягнення зазначено? мети було поставлено та вир?шено так? завдання:досл?дити економ?чну природу понять “застава”, “заставне майно”, “оц?нка вартост? застави”, “л?кв?дац?йна варт?сть”;встановити значення заставно? вартост? для оц?нки кредитного ризику за ф?нансовим ?нструментом;зд?йснити класиф?кац?ю предмет?в застави з урахуванням к?льк?сних та як?сних характеристик та виявити нов? квал?ф?кац?йн? ознаки;досл?дити м?жнародн? стандарти ф?нансово? зв?тност? з метою виокремлення особливостей п?дходу до оц?нки заставно? вартост?;об?рунтувати найоптимальн?ш? п?дходи та критер?? щодо визначення заставно? вартост? на основ? анал?зу в?тчизняних та ?ноземних наукових, методичних ? практичних напрацювань з цього питання;розробити модель оц?нки заставно? вартост? для ц?лей оц?нки кредитного ризику;надати рекомендац?? щодо визначення прогнозно? вартост? предмет?в застави шляхом застосування математичного моделювання.Об'?кт та предмет досл?дження. Об’?ктом досл?дження ? теоретичн?, методичн? та практичн? аспекти визначення вартост? заставного майна. Предметом досл?дження ? економ?чн? в?дносини, що виникають у процес? визначення вартост? заставного майна.Методи досл?дження. Теоретичною базою досл?дження були фундаментальн? положення оц?нки б?знесу та науков? досл?дження в?тчизняних та заруб?жних вчених ?з питань оц?нки заставного майна. Кр?м того, з практично? точки зору було використано метод математичного моделювання.Для досягнення поставлено? в робот? мети було використано сукупн?сть наукових метод?в, що застосовуються у п?знанн? соц?ально-економ?чних явищ, а саме: методи теоретичного пошуку ? праксиметричний метод використано у процес? досл?дження науково? проблематики ? вивчення досв?ду заруб?жних та в?тчизняних науковц?в; методи наукового узагальнення, пор?вняння, системност? та комплектност? використано при поданн? класиф?кац?? предмет?в застави, принцип?в оц?ночно? д?яльност?; економ?ко-математичн? методи застосован? при розробц? функц?онально? модел? заставно? вартост?; методи прогностики, дедукц?? та ?ндукц?? використовувалися п?д час об?рунтування доц?льност? застосування тих чи ?нших методичних п?дход?в при оц?нц? р?зних предмет?в застави; економ?ко-статистичн? методи.Досл?дження також базуються на використанн? наукових метод?в функц?онального анал?зу, абстрактного узагальнення й теоретичного синтезу.?нформац?йною базою були нормативно-правов? акти Укра?ни, як? визначають стандарти оц?нки майна ? майнових прав, методичн? матер?али Фонду державного майна Укра?ни, М?жнародного ком?тету стандарт?в оц?нки, Укра?нського товариства оц?нювач?в, Нац?онального банку Укра?ни, спец?альна монограф?чна та пер?одична л?тература, ?нш? науков? джерела з дано? тематики та власн? досл?дження. Емп?ричною базою досл?дження стали статистичн? дан? США та Укра?ни, а також результати розрахунк?в, зд?йснених автором на основ? цих статистичних даних.Наукова новизна одержаних результат?в. Наукова новизна поляга? у тому, що на основ? опрацьованих теоретичних матер?ал?в та стандарт?в, п?дход?в ? математичного апарату досл?дження було виявлено й об?рунтовано механ?зми б?льш ефективного прогнозування кредитного ризику з точки зору банк?вських установ, зокрема:розроблено модель переоц?нки заставно? вартост? для розрахунку кредитного ризику, за базу яко? обрано ринкову варт?сть майна на момент оц?нки, з майбутн?м прогнозуванням ?? можливих зм?н протягом строку д?? кредитного договору та пер?оду стягнення заборгованост?, а також оц?нки впливу на не? ?нших неринкових умов реал?зац??; удосконалено:рекомендац?? щодо визначення вартост? предмет?в застави шляхом застосування витратного, дох?дного та пор?вняльного п?дход?в, з урахуванням мети ? принцип?в оц?нки, обсяг?в та р?вня достов?рност? вих?дних даних, як? впливають на варт?сть предмета застави;рекомендац?? щодо оц?нки банками кредитного ризику через обсяг оч?куваного кредитного збитку ? в?дпов?дного обсягу резерв?в, що вимагаються регулятором, у сторону зменшення.СТАН НАУКОВО? ПРОБЛЕМИ ЗАСТАВНОГО МАЙНА ДЛЯ ОЦ?НКИ КРЕДИТНИХ РИЗИК?ВСтруктура цього розд?лу в?дпов?да? принципу ?в?д б?льшого до меншого? – спочатку представлено загальноприйнят? вимоги до оц?нки кредитного ризику, що дозволя? визначити загальний контекст подальшого досл?дження. Дал? наведено визначення поняття застави, його характеристики ? типи. 3-й п?дрозд?л охоплю? теоретичну базу оц?нки заставного майна. Нарешт?, у 4-му п?дрозд?л? наведено огляд науково? л?тератури щодо вартост? заставного майна ? впливу на не? макроеконом?чних фактор?в.Сучасн? стандарти ? вимоги до оц?нки кредитних ризик?вФ?нансова криза 2008–2009 рр. показала, що ризик потр?бно враховувати не лише з точки зору кап?талу, але ? з точки зору бухгалтерського об?гу. Це проявлялося у нових обмеженнях для банк?всько? д?яльност? (Базельський ком?тет), введення в?дсл?дковування низки коеф?ц??нт?в як зас?б необ?рунтованого зб?льшення активних операц?й, а також як зас?б керування л?кв?дн?стю. Нарешт?, було введено стрес-тестування як ключовий ?нструмент для оц?нки потенц?йних ризик?в у б?льш широк?й перспектив? – економ?чн?й, л?кв?дн?й та кап?тальн?й.З точки зору бухгалтерського обл?ку, Рада з М?жнародних стандарт?в ф?нансово? зв?тност? (International Accounting Standards Board – IASB) запровадила нов? принципи бухгалтерського обл?ку, зокрема М?жнародн? стандарти ф?нансово? зв?тност? 9 (МСФЗ?9, IASB). Найважлив?ше нововведення МСФЗ?9 стосу?ться оц?нки кредитних збитк?в.Стандарт МСФЗ?9 визнача? триетапну модель знец?нення на основ? наступного:1-а стад?я. Ця група включа? ф?нансов? ?нструменти, як? не мали значного зб?льшення кредитного ризику з моменту перв?сного визнання або мають низький кредитний ризик на зв?тну дату. Для таких актив?в визнаються однор?чн? оч?куван? збитки (Expected credit loss, ECL), а процентний дох?д обчислю?ться за валовою балансовою варт?стю активу. Однор?чний ECL – оч?куваний збиток внасл?док дефолту контрагента протягом року з дати оц?нки.2-а стад?я. Ф?нансов? ?нструменти, як? зазнали значного зростання кредитного ризику з моменту первинного визнання, але як? не мають об'?ктивних ознак знец?нення, в?дносяться до ?нструмент?в 2-? стад??. Для таких актив?в ECL визнача?ться на увесь терм?н д?? активу. Процентн? доходи також обчислюються за валовою балансовою варт?стю. Повний ECL (Lifetime ECL, LT ECL) включа? ус? можлив? под?? настання дефолту протягом оч?куваного терм?ну д?? ф?нансового ?нструменту.3-я стад?я. Активи, як? мають об'?ктивн? ознаки знец?нення на зв?тну дату, визначаються як активи 3-? стад??. Для цих актив?в розрахову?ться LT ECL, а процентн? доходи розраховуються за чистою балансовою варт?стю.Зг?дно з принципами МСФЗ?9, ECL повинен в?дображати неупереджену оц?нку д?апазону можливих сценар??в розвитку под?й та ймов?рностей ?х настання. Необх?дно використовувати адекватну та над?йну ?нформац?ю, що можна отримати без зайвих витрат чи зусиль. Ця ?нформац?я ма? включати ?нформац?ю про минул? под??, поточн? умови та прогнози майбутн?х економ?чних умов. Оц?нки також повинн? в?дображати часову варт?сть грошей через дисконтування.У ц?лому, оц?нка ризику ф?нансового ?нструменту за МСФЗ?9 зводиться до визначення трьох параметр?в:PD (Probability of default). Ймов?рн?сть настання дефолту можна ?нтерпретувати як реал?зац?ю випадково? величини. PD представля? оч?куване значення настання цих под?й протягом заданого пер?оду часу. З точки зору ф?нансового ?нструменту, PD визнача? ймов?рн?сть того, що позичальник не зможе виконати боргов? зобов'язання протягом певного пер?оду. Одне з ключових нововведень, впроваджене МСФЗ?9, стосу?ться часових рамок оц?нки кредитного ризику. Розмежування м?ж однор?чним та повним ECL повинно в?дображатися також в терм?нах однор?чного ? повного PD. У зв'язку з цим, при розрахунку повного ECL PD можна розбити на певн? пром?жки в рамках терм?ну д?? ?нструменту.LGD (Loss given default). LGD представля? частку кредиту, що не буде повернена у раз? настання дефолту позичальника. В?дпов?дно, повернення ус??? суми боргу означа? 0% LGD, а сценар?й, за якого кредитор н?чого не отриму?, екв?валентний 100% LGD. Як правило, на практиц? кредитор може повернути певну частину загального обсягу, тому LGD вар?ю?ться в межах в?д 0% до 100%. Виходячи з? зм?сту показника LGD, в?н оц?ню?ться протягом усього терм?ну д?? ?нструмента. ?ншими словами, потр?бно враховувати вс? стягнення, як? в?дбулися п?сля настання дефолту, без певних часових обмежень. Таким чином, LGD можна вважати повним показником (у даному контекст?, незм?нним протягом терм?ну д?? ?нструменту – lifetime LGD). З ?ншого боку, необх?дно точно досл?дити, як зм?на макроеконом?чно? ситуац?? може впливати на LGD – тобто, треба анал?зувати forward-looking LGD.EAD (Exposure at default). Показник EAD визнача? суму, на основ? яко? обчислюються оч?куван? збитки (ECL). Тут важливо розмежовувати р?зн? банк?вськ? продукти. Наприклад, у випадку ?потеки зазвичай застосову?ться багатор?чний горизонт з ф?ксованими виплатами. Однак треба також враховувати можлив? передоплати, як? можуть мати м?сце ? як? впливають на загальну суму, яку може втратити кредитор. У випадку ж з овердрафтом, то насамперед потр?бно визначити р?зницю м?ж погашенням за договором та фактичним. Отримана р?зниця ? буде ц?льовою зм?нною.Загалом основн? постулати МСФЗ?9 стосовно оц?нки ризику представлен? на REF _Ref24726046 \h Рисунок 1.1 – Основн? постулати МСФЗ?9 з точки зору оц?нки ризикуРисунок STYLEREF 1 \s 1. SEQ Рис. \* ARABIC \s 1 1 – Основн? постулати МСФЗ?9 з точки зору оц?нки ризикуМСФЗ?9 вимага?, аби оц?нка кредитних ризик?в проводилася за сценар?ями, причому ф?нальна оц?нка визнача?ться як середньозважена таких сценар??в (тобто вона повинна бути зваженою на ймов?рн?сть кожного ?з сценар??в). У б?льшост? випадк?в необх?дною вимогою ? ?дентиф?кац?я сценар??в з визначенням сум ? терм?н?в руху грошових поток?в, та оц?нка ймов?рност? цих сценар??в. У таких випадках оч?куван? кредитн? втрати в?дображають щонайменше два результати – два сценар??. У той же час, нема? необх?дност? проводити оц?нку на основ? симуляц?? (машинальне застосування велико? к?лькост? сценар??в).Аби по?днати в одне ц?ле дан? про ф?нансовий ?нструмент, макроеконом?чн? сценар?? ? супутн? модел? елемент?в кредитного ризику (PD, LGD, EAD), використову?ться комплексний п?дх?д, представлений на REF _Ref24737794 \h Рисунок 1.2 – Процес ? етапи оц?нки кредитного ризикуРисунок STYLEREF 1 \s 1. SEQ Рис. \* ARABIC \s 1 2 – Процес ? етапи оц?нки кредитного ризикуЗг?дно з вимогами Ради з м?жнародних стандарт?в ф?нансово? зв?тност?, метод ймов?рност? дефолту, що включа? згадан? ран?ше показники PD, LGD ? EAD, основний п?дх?д МСФЗ?9 до оц?нки кредитного ризику визнача?ться за наступною формулою:ECL=E(PD×LGD×EAD)У випадку незалежност? зм?нних, отриму?мо наступне:ECL=E(PD)×E(LGD)×E(EAD)Варт?сть реал?зац?? застави в дан?й формул? ? складовою розрахунку оч?куваного значення LGD (детальний анал?з ? розкриття цього показника та вплив заставного майна наведено у розд?л? PAGEREF _Ref24739395 \h 28 REF _Ref24739404 \r \h \* MERGEFORMAT 0. Тут також варто зазначити, що як контрактн? умови ф?нансового ?нструменту, так ? макроеконом?чн? сценар?? впливають на показники оц?нки кредитного ризику впродовж усього терм?ну д?? ?нструмента. В?дпов?дно, зм?на вартост? застави у час? прямим чином вплива? на LGD. Доц?льним ? розглянути сутн?сть заставного майна та принципи його оц?нки.Заставне майно як явище системи кредитуванняНайпоширен?шою формою забезпечення зобов’язань позичальника перед кредитором ? застава. Це важливий ф?нансово-економ?чний ?нструмент ринкового господарства, який сприя? актив?зац?? д?яльност? суб’?кт?в господарювання й одночасно забезпечу? над?йний захист ?нтерес?в кредитора.Зг?дно ?з Законом Укра?ни ?Про заставу?, Заставою може бути забезпечена будь-яка д?йсна ?снуюча або майбутня вимога, що не суперечить законодавству Укра?ни, зокрема така, що виплива? з договору позики, кредиту, куп?вл?-продажу, оренди, перевезення вантажу тощо CITATION ЗУЗастава \l 1058 [3].Узагальнено заставу можна визначити як спос?б забезпечення зобов’язань, при якому кредитор набува? право у раз? невиконання боржником зобов’язань отримати задоволення за рахунок вартост? заставленого об’?кта переважно перед ?ншими кредиторами.Об’?ктом оц?нки може бути будь-яке майно чи майнов? права, як? можуть стати предметом застави. Тут сл?д в?дзначити наступн? позиц??.По-перше, застава майна:?потека (застава нерухомого майна: буд?вл?, споруди, д?лянки земл? тощо);застава рухомого майна (транспортн? засоби, с?льськогосподарськ? машини, устаткування тощо);застава товар?в у переробц? чи об?гу (сировина, нап?вфабрикати, готова продукц?я);застава депозит?в, валютних ц?нностей, вироб?в ?з ц?нних метал?в (заклад);застава ц?нних папер?в.По-друге, застава майнових прав:орендатора;замовника за договором п?дряду;ком?с?онера за договором-ком?с??.П?д час вибору предмета застави банк?вська установа, як правило, спира?ться на критер?й л?кв?дност? – тобто в?дда? перевагу забезпеченню, що мас широке коло потенц?йних покупц?в ? може бути швидко реал?зоване за необх?дност?. Можна вид?лити наступн? групи заставного майна за ступенем л?кв?дност? Абсолютно л?кв?дна застава – майнов? права на кошти позичальника (поручителя, майнового поручителя), розм?щен? на депозитному рахунку в банку-кредитор?, у т. ч. депозитн? сертиф?кати банку.Л?кв?дна застава – житловий ? нежитловий фонд (нерухом?сть, у т. ч. земельн? д?лянки); ц?л?сн? майнов? комплекси виробничих п?дпри?мств; виробниче устаткування; перспективне незавершене буд?вництво; товари (сировина, нап?вфабрикати, комплектуюч? вироби, готова продукц?я тощо), що мають широкий ринок збуту та складуються у рег?он? присутност? п?дрозд?л?в банку; транспортн? засоби (з терм?ном експлуатац?? не б?льше п'яти рок?в) тощо.Нел?кв?дна застава – основн? фонди виробничого призначення, що не можуть бути вид?лен? в окремо розм?щен? одиниц? ? не мають незалежних комун?кац?й; товари з обмеженим строком придатност? чи обмеженим ринком збуту; житлова ? нежитлова нерухом?сть, яку складно реал?зувати; майнов? права (за винятком майнових прав на депозит), деб?торська заборгован?сть за якими ? простроченою. При цьому варто враховувати, що майнов? права за чинними контрактами або договорами рекоменду?ться приймати в заставу т?льки як додаткове забезпечення CITATION УВВ08 \l 1058 [4].З розвитком ринкових в?дносин ? приватно? форми власност? в?тчизнян? суб’?кти господарювання можуть використовувати р?зн? види майна в якост? забезпечення кредит?в. У свою чергу, пол?тика банк?в спрямована на формування над?йного та л?кв?дного забезпечення, яке в?дпов?дно до законодавства Укра?ни може бути в?дчужене заставодавцем ? на яке може бути звернено стягнення. Таким забезпеченням можуть виступити земельн? д?лянки, а також об’?кти, розташован? на земельн?й д?лянц?, перем?щення яких ? неможливим без ?х знец?нення та зм?ни призначення; товари в оборот? або переробц? – сировина, нап?вфабрикати, комплектуюч?, готова продукц?я, товари широкого вжитку; рухоме майно – майно, яке не в?днесено до нерухомого, не пов’язано ?з землею, в?льно перем?ща?ться у простор?; майнов? права – права вимоги за зобов’язаннями, в яких заставодавець виступа? кредитором; ц?нн? папери тощо.Серед основних вид?в застави, яким банки надають перевагу, ? нерухоме майно, насамперед ел?тне житло та оф?сн? прим?щення, розташован? у центральних районах; рухоме майно – автомоб?л?, нов?тн? ?мпортне обладнання, товари в оборот? тощо. Тим не менш, незважаючи на вищезазначене, укра?нськ? позичальники не волод?ють достатньою к?льк?стю абсолютно л?кв?дних або л?кв?дних актив?в, тому банк?вськ? установи часто беруть у заставу ? нел?кв?дн? активи. Це, в свою чергу, ускладню? процес оц?нки тако? застави.Довол? нечасто використовуються як предмет застави ф?нансов? ?нструменти, ?нтелектуальн? ц?нност? та майнов? права. Така ситуац?я склалася, насамперед, тому, що за в?дсутност? розвиненого ринку ц?нних папер?в ? ринку нематер?альних актив?в оц?нити це майно досить складно.Оц?нка та переоц?нка заставного майнаУ самому визначенн? поняття ?справедлива варт?сть? об’?кта (у даному випадку – заставного майна) м?ститься посилання на вар?ативний характер цього показника ? його залежн?сть в?д зовн?шн?х фактор?в. Зокрема, справедлива варт?сть уособлю? оч?кування щодо бенеф?ц?й, як? принесе певний актив (або втрат, як? в?н спричинить). В?дпов?дно, з? зм?ною макроеконом?чного середовища (або, якщо бути точним, оч?кувань щодо нього) оч?кування щодо бенеф?ц?й/втрат також зм?нюються ? мають в?дпов?дним чином в?дображатися на справедлив?й вартост?. Тим не менш, визначити величину цього впливу ? зробити адекватне коригування на практиц? довол? складно. Найб?льш правильним з теоретично? точки зору вар?антом ? проведення при кожн?й переоц?нц? детального анал?зу вартост? заставного майна ?з залученням профес?йних оц?нювач?в. Однак на практиц? реал?зувати це не вда?ться внасл?док надм?рних часових ? грошових витрат при незначному результат?.Будь-яке майно, що пропону?ться у заставу, повинне пройти оц?нювання сво?? вартост? та визначення величини кредитних кошт?в, що нада?ться п?д його заставу. Суб’?ктом оц?нки застави можуть бути як профес?йн? оц?нювач?, що волод?ють спец?альними знаннями ? практичними навичками, так ? кредитори (банки), для яких проводиться така оц?нка. Теоретичним фундаментом процесу оц?нки ? система оц?ночних принцип?в, на яких базу?ться розрахунок вартост? об’?кт?в майна. Принципи оц?нки формують вих?дн? погляди суб’?кт?в ринку на величину вартост? майна.Залежно в?д виду та специф?ки оц?нюваного об’?кта визначають основн? методи оц?нки майна. В теор?? та на практиц? виокремлюють три традиц?йн? п?дходи до оц?нки вартост? майна:Cost Approach (витратний) – визнача? варт?сть об’?кта за сумою витрат на його створення та використання;Market Approach (ринковий) – визнача? варт?сть на баз? з?ставлення з аналогами, що вже були об’?ктами ринкових угод;Income Approach (дох?дний) – оц?ню? варт?сть об’?кта за величиною чистого потоку позитивних результат?в в?д його використання.Особлив?стю процесу оц?нки вартост? застави ? ?? ринковий характер. Це означа?, що оц?нка не обмежу?ться визначенням лише одних витрат на створення оц?нюваного об’?кта. Вона обов’язково врахову? сукупн?сть ринкових фактор?в: часу, ризику, ринково? кон’юнктури, р?вня ? модел? конкуренц??, економ?чних особливостей оц?нюваного об’?кта, а також макро- ? м?кроеконом?чного середовища.Кр?м того, оц?нка заставного майна ма? бути комплексною. Застосування одразу к?лькох методичних п?дход?в дозволя? найб?льш повно ? над?йно зд?йснити оц?нку ? врахувати специф?ку заставного майна. З метою об?рунтування остаточного висновку про варт?сть застави результати оц?нки, одержан? ?з застосуванням р?зних методичних п?дход?в, з?ставляються шляхом анал?зу впливу принцип?в оц?нки, як? ? визначальними для мети, з якою проводиться оц?нка, а також ?нформац?йних джерел на достов?рн?сть результат?в оц?нки застави.Загалом, л?кв?дн?сть майна безпосередньо вплива? на як?сть його оц?нки ? в?дпов?дн?сть стандартам (як нац?ональним – П?(С)?БО, так ? м?жнародним – МСФЗ, МСО). Оц?нка майна за ринковим п?дходом найб?льш точно в?добража? кредитний ризик, адже така оц?нка найб?льш наближена до ймов?рно? реал?зац?йно? вартост? об’?кта застави (таке майно реал?зу?ться на ринку). Однак, з? зниженням р?вня л?кв?дност? об’?кта можлив?сть застосування ринкового п?дходу знижу?ться. Це особливо актуально для укра?нських заставодержател?в, адже:б?льш?сть актив?в у застав? ? середньо- або низькол?кв?дними;ф?нансов? ринки Укра?ни розвинут? слабо, активний ринок в?дсутн?й для б?льшост? актив?в.Однак оц?нка заставного майна не обмежу?ться лише одноразовою оц?нкою при видач? кредиту. Нев?д’?мною характеристикою заставного майна ? також часовий фактор, а саме, зм?на вартост? майна у час?. З точки зору кредитного ризику це нараз? виража?ться у контекст? пер?одично? переоц?нки заставного майна. В?дпов?дно до Положення про визначення банками Укра?ни розм?ру кредитного ризику за активними банк?вськими операц?ями, переоц?нка вартост? застави ма? зд?йснюватися банком на регулярн?й основ?, зокрема, нерухомого майна, об'?кт?в у форм? ц?л?сного майнового комплексу, земельних д?лянок, транспортних засоб?в та устаткування - не р?дше одного разу на дванадцять м?сяц?в; товар?в в оборот? або в переробц? та б?олог?чних актив?в - не р?дше одного разу на м?сяць; ?ншого майна - не р?дше одного разу на ш?сть м?сяц?в.Якщо в?д дати останньо? оц?нки/перегляду вартост? предмета застави в?дбулися сутт?в? зм?ни в умовах його функц?онування, ф?зичному стан? та/або стан? ринку под?бного майна (пошкодження, знищення, знец?нення, завершення реконструкц??, уведення в експлуатац?ю тощо), то банк ма? забезпечити проведення переоц?нки такого майна незалежно в?д установлено? вище пер?одичност?. CITATION Пол16 \l 1058 [5]Однак ? й ?нший аспект при оц?нц? кредитних ризик?в, де часовий фактор зм?ни вартост? заставного майна ма? визначальну роль – при розрахунку грошових поток?в в?д застави у модел? дефолту боржника. Принципова в?дм?нн?сть у тому, що в другому випадку у певн?й точц? часу визнача?ться варт?сть заставного майна у кожн?й точц? часу п?сля базово?, причому ця оц?нка ц??? вартост? базу?ться на вартост? у ц?й конкретн?й точц? часу.Розроблен?сть проблематики у л?тератур?До питання анал?зу л?тератури треба п?дходити б?льш комплексно, адже, як правило, ?дентиф?кац?я застави як компоненту LGD ? впливу макроеконом?чних фактор?в на не?, зокрема, ? частиною б?льш узагальненого досл?дження розрахунку LGD. Отож, варто розглядати ? науку розроблен?сть питання розрахунку LGD.Якщо говорити про п?дходи до розрахунку ? оц?нки LGD, то у науков?й л?тератур? широко використовуються як бухгалтерський CITATION MLe12 \l 2057 [6] CITATION BHZ13 \l 2057 [7], так ? економ?чний п?дходи CITATION MQi09 \l 2057 [8]. В робот? CITATION MAr04 \l 2057 [9] реал?зован? обидва п?дходи з використанням даних банку JP Morgan Chase за 18-р?чний пер?од (1982-1999?рр.) по 3761 позичальнику, за кредитами яким настала под?я дефолту. Середн? величини бухгалтерського та економ?чного LGD склали 27 ? 39,8%, в?дпов?дно. Однак говорити про системн?сть р?зниц? в отриманих оц?нках досить складно, адже це визнача?ться не т?льки характеристиками кредитного портфелю конкретного банку, макроеконом?чними умовами, а й особливостями розрахунк?в даних показник?в.Варто зазначити, що основна частина л?тератури по оц?нц? LGD присвячена ринку корпоративних обл?гац?й, що багато в чому поясню?ться наявн?стю публ?чно доступних даних по компан?ям-боржникам, ф?нансовий стан яких може бути безпосередньо оц?нено ?з публ?чних даних. Особлива увага в науков?й л?тератур? прид?ля?ться вивченню фактор?в, що впливають на величину LGD. В основному, цей вплив визнача?ться за допомогою економетричних (регрес?йних) моделей класу параметричних. Для ?дентиф?кац?? параметр?в класично? л?н?йно? регрес?йно? модел? використову?ться звичайний метод найменших квадрат?в (МНК) та скоригований коеф?ц??нт детерм?нац?? для оц?нки якост? модел?. В емп?ричних роботах щодо ?потечного кредитування, наприклад, його величина ?стотно вар?ю?ться - в?д 0,04-0,06 CITATION LaC14 \l 2057 [10], 0,06-0,17 CITATION VLe93 \l 2057 [11], 0,15 CITATION MQi09 \l 2057 [8], 0,2 CITATION MAr04 \l 2057 [9] до 0,95 CITATION Pen03 \l 2057 [12]. В ряд? роб?т в?дзнача?ться б?модальн?сть розпод?лу LGD з б?льшою концентрац??ю спостережень в нул? ? одиниц? ? б?льш високим значенням LGD в пер?оди економ?чних рецес?й CITATION MAr04 \l 1049 [9] CITATION Der06 \l 2057 [13] CITATION Sch04 \l 2057 [14]. Як насл?док, отриман? оц?нки параметр?в ? ненад?йними, а прогнозн? значення LGD за такою моделлю можуть лежати за межами нуля ? одиниц?. В робот? CITATION FSi11 \l 2057 [15] автори в?дзначають чутлив?сть оц?нок параметр?в регрес?? для частки втрат при дефолт? до порушення припущення про нормальн?сть розпод?лу випадкового обурення.Непараметричн? методи досить нечасто використовуються при моделюванн? LGD. Непараметричн? ? нел?н?йн? регрес?йн? дерева використовуються в робот? CITATION JAB10 \l 2057 [16] для моделювання LGD банк?вських кредит?в, виданих малим ? середн?м п?дпри?мствам. При моделюванн? LGD за ?потечними житловими кредитами, виданими одним з ?вропейських банк?в, в робот? CITATION MSo07 \l 2057 [17] використову?ться квантильна регрес?я для прогнозування величини дисконту при реал?зац?? заставного забезпечення.Ряд емп?ричних роб?т присвячений пор?вняльному анал?зу прогнозно? сили р?зних клас?в моделей LGD. В робот? CITATION TBe12 \l 2057 [18] тесту?ться прогнозна сила моделей LGD – класична л?н?йна регрес?я, tobit-модель, регресивн? дерева, бета- ? logit-регрес??. Пор?вняльний анал?з базувався на даних 55000 кредитних карт (Великобритан?я), за якими спостер?галася прострочена заборгован?сть в пер?од 1999-2005 рр. Отриман? результати св?дчать про те, що найб?льшою прогнозною силою волод?? класична л?н?йна регрес?йна модель LGD, оц?нена МНК з використанням макроеконом?чних ?ндикатор?в.Схож? результати отриман? авторами роботи CITATION Yas13 \l 2057 [19] на даних р?зних боргових ?нструмент?в, дан? про яких м?стяться у баз? даних S&P?LossStat. У анал?з? було використано три часових пер?оди (1990-1991 рр., 2001-2002 рр., 2008-2009 рр.), що характеризувалися найб?льшою к?льк?стю дефолт?в ? найб?льшою величиною LGD. Модел? LGD, прогнозна точн?сть яких перев?рялася у робот?, включали класичну л?н?йну регрес?ю, tobit-модель ? трир?вневу tobit-модель, при як?й розр?зняються три стани (LGD?=?0, 0?<?LGD?<?1, LGD?=?1, л?н?йну бета-регрес?ю ? ?? модиф?кац?ю (inflated beta regression model) CITATION Per \l 2057 [20]. Емп?ричн? результати св?дчать про те, що класична л?н?йна регрес?я ? бета-регрес?я мають найб?льшу прогнозну силу. Однак автори вказують також, що прогнозна точн?сть модел? LGD залежить в першу чергу в?д набору вх?дних параметр?в, а не в?д техн?ки моделювання.Важливо в?дзначити ? ефект макроеконом?чних умов на величину LGD, яка в пер?оди економ?чного спаду на ринку житла значно вище, н?ж в умовах нормального функц?онування економ?ки CITATION MQi09 \l 1058 [8]. У контекст? п?дходу, IRB-п?дх?д передбача?, що банки можуть використовувати власн? оц?нки кредитного ризику. Це, в свою чергу, може дозволя? банкам коригувати сво? оц?нки в?дпов?дно до економ?чного циклу. У ситуац??, коли ймов?рн?сть дефолту зб?льшу?ться, а кредитний рейтинг пог?ршу?ться, то LGD також зроста?, що призводить до п?двищення вимог регулятор?в до кап?талу в рамках Базель?II, як? носять процикл?чний характер CITATION ALt05 \l 2057 [21]. Процикл?чн?сть може негативно вплинути на економ?ку в ц?лому, якщо в пер?од спаду кап?тал банк?в буде обмежений, ? вони будуть змушен?, таким чином, скорочувати кредитування тод?, коли воно в б?льш?й м?р? необх?дно.В укра?нськ?й практиц? банк?вського кредитування в?дсутня об?рунтован?сть специф?чних особливостей та методолог?? оц?нки майна з ц?ллю застави, не ма? однозначност? й щодо визначення обсягу кредиту залежност? в?д вартост? застави. Сл?д п?дкреслити, що зазначен? питання дискус?йн? не т?льки в практичн?й площин?, вони не досл?джен? також ? в науково-методолог?чному план?. Однак, досл?дження ринково? вартост? майна з ц?ллю угод куп?вл?-продажу, вивчено багатьма науковцями та описано в науков?й л?тератур? досить повно. Серед в?тчизняних науково-методолог?чних розробок варто вид?лити прац? таких оц?нювач?в та науковц?в, як: В. Галасюк, О. Драп?ковський, Н. Лебедь, ?. ?ванова, А. Маркус, В. Мендул, С. Максимов, О. ?втух.У ?ноземн?й науков?й л?тератур? питання впливу макроеконом?чних фактор?в розкрито досить широко, однак що стосу?ться вартост? заставного майна, то саме таких досл?джень знайдено не було. Тим не менш, наявн? досл?дження так чи ?накше торкаються певного аспекту проблематики роботи. Зокрема, вплив макроеконом?чних фактор?в на ринкову дох?дн?сть (по сут?, справедлива варт?сть ма? також в?дображати ? адекватний р?вень оч?кувань по дох?дност?), на л?кв?дн?сть (практикою банк?в ? застосування дисконт?в до справедливо? вартост? для в?дображення ?нестач? л?кв?дност?? -- цей дисконт включа? в себе додатков? витрати на реал?зац?ю заставного майна, оч?кування щодо неможливост? реал?зац?? майна тощо).Висновки до Розд?лу 1Незважаючи на те, що МСФЗ 9 хоча ? м?стить загальн? принципи ? формули для оц?нки кредитного ризику, стандарт залиша? значну частину параметр?в на розсуд ф?нансово? установи. Зокрема, це стосу?ться ? врахування заставно? вартост? при розрахунку LGD – ф?нансова установа може сама приймати р?шення, яку саме модель використовувати при розрахунку компонент?в LGD. Питання впливу макроеконом?чних фактор?в, хоча ? розглядалося у л?тератур?, стосувалося у ц?лому модел? LGD, а не заставного майна. В?дпов?дно, досл?дження впливу макроеконом?чних фактор?в на LGD через призму заставного майна ? в?дносно новою сферою досл?дження.ТЕОРЕТИЧНЕ УЗАГАЛЬНЕННЯ МОДЕЛ?Даний розд?л охоплю? анал?тичне виведення параметр?в модел? та ?? вза?мозв’язку ?з загальним процесом оц?нки кредитних ризик?в. Зокрема, у першому п?дрозд?л? м?ститься загальний п?дх?д до розрахунку LGD ? заставного майна як його компоненту, що дозволя? визначити ц?л? моделювання, обмеження ? припущення, як? не порушують економ?чного зм?сту моделювання. Дал? наводиться функц?ональна модель оц?нки заставного майна як передумова розробки власно? модел? – зокрема, наводиться анал?з фактор?в функц?онально? модел? та визначення тих з них, як? ? сенс моделювати. Нарешт?, у третьому п?дрозд?л? зд?йснено конкретизовану ?дентиф?кац?ю безпосередн?х фактор?в, що впливають на варт?сть заставного майна ? як? будуть безпосередньо використан? при моделюванн?.Модель розрахунку LGD та зм?ст заставного майна у н?йПоказник збитк?в за умови настання дефолту (LGD) зазвичай визнача?ться як в?дношення обсягу збитк?в до EAD. У л?тератур? вивчаються в основному три класи LGD: внутр?шн?й анал?з, заснований на даних у наявност?, ринкова оц?нка LGD та розрахункове значення LGD на основ? ринкових даних CITATION Sch03 \l 2057 [22]. Основна увага прид?ля?ться першому класу LGD, адже банки зобов'язан? оц?нювати оч?куван? кредитн? збитки, виходячи з? свого досв?ду та власних прогноз?в. Таким чином, розрахунок LGD склада?ться ?з сукупност? розрахункових грошових поток?в, що виникають в результат? процесу стягнення застави, дисконтованих до дати настання дефолту.LGD зазвичай оц?ню?ться як синтетичний показник. Такий п?дх?д полегшу? процес оц?нки, а також сприя? легк?й ?мплементац??. Тобто, LGD визначають як середню частку збитку для ?нструмент?в под?бними характеристиками.Частка збитку при дефолт? да? реальне уявлення про можлив? втрати при створенн? банк?вського активу. У раз? виникнення дефолту за умови наявност? заставного забезпечення або будь-яких гарант?й втрача?ться не вся сума кредиту CITATION ДФа08 \l 1049 [23]. Частка ус?х кредитних зобов'язань, яка поверта?ться банку (величина забезпечення або гарант??) або держателю обл?гац?? в раз? дефолту, явля? собою обсяг в?дшкодування збитк?в (або ставки в?дновлення, Recovery Rate, RR):LGD=1-RRЯк зазначалося вище, варто розр?зняти оц?нку LGD на ?ндив?дуальному р?вн? ? на р?вн? портфелю. Величина втрат по портфелю дор?вню? сум? збитк?в по окремим ?нструментам, при цьому, широкою практикою ? групування однор?дних кредитних вимог залежно в?д тривалост? прострочення або тривалост? перебування у стан? дефолту.Загальний п?дх?д до розрахунку LGD визнача?ться наступною формулою:LGD=1-minPVRe-PVCoEAD;1,де PV—приведена варт?сть;Re—варт?сть стягнуто? у судовому порядку суми з позичальника;Co—витрати, пов’язан? з? стягненням суми в?дшкодування, ?нш? операц?йн? витрати, пов’язан? з невиконанням позичальником умов ?нструменту.По сут?, компонент Re склада?ться ?з грошових поток?в в?д реал?зац?? застави та гарант?й. та гарант?й. Надал? для спрощення розглядатимемо Re як суто грошов? потоки в?д реал?зац?? застави, адже гарант?? – це, по-перше, довол? нечасте явище, а по-друге, виходять у суто судову площину, тод? як заставне майно – це ц?лком ринковий об’?кт, який кредитор повинен на цьому ринку реал?зувати.Якщо розписати вищезазначену формулу б?льш повно ? врахувати ймов?рну нев?дпов?дн?сть часових терм?н?в грошових поток?в, отрима?мо б?льш повну формулу:LGD=1-mintRe=1TRePVRetRe-tCo=1TCoPVCotCoEADt=def;1,де RetRe—грошов? потоки в?д реал?зац?? застави в моменти часу tRe=1,TRe;CotCo—операц?йн? та ?нш? витрати, пов'язан? з реал?зац??ю застави, понесен? в моменти часу tCo=1,TCo;EADt=def—сума, що п?дпада? п?д ризик дефолту ? включа? в себе кошти, надан? позичальнику ? не погашен? ним – поточну залишкову суму боргу, пов’язан? ком?с??, штрафи ? непогашен? в?дсотки. Варто зазначити, що ?ндекс t=def вказу? на те, що прийма?ться до розрахунку EAD на момент настання под?? дефолту.Ще один важливий аспект LGD – дисконтування грошових поток?в, яке, по сут?, зводиться до ставки дисконтування, що в?добража? альтернативну ставку доходност?, яку може отримати позичальник, ?нвестувавши ц? кошти де?нде. На практиц?, як правило, як ставка дисконтування застосову?ться ставка за кредитом (виходячи з постулату, що альтернативний вар?ант використання цих кошт?в – надати такий самий кредит ?ншому позичальнику).Дана робота фокусу?ться на вплив? макроеконом?чних фактор?в на величину LGD. Важливо в?дзначити, що ефект макроеконом?чних умов на величину LGD особливо значний у пер?оди економ?чного спаду CITATION MQi09 \l 2057 [8]. Тим не менш, в?дображення впливу макроеконом?чно? ситуац?? на р?вн? загально? формули ECL не дозволя? повн?стю в?добразити ?х вплив. Адже за такого п?дходу (який нараз? використову?ться на практиц?), по-сут?, LGD не залежить в?д макроеконом?чно? ситуац??, коли насправд? це не так. Адже пог?ршення або покращення макроеконом?ки кра?ни призводить до зростання або пад?ння ц?н на заставне майно, що напряму вплива? на грошов? потоки Re. Найб?льш яскраво це проявля?ться на ринку нерухомост?, що ? одн??ю з найб?льш поширених категор?й майна п?д заставою. ?снують економ?чн? досл?дження, що п?дтверджують наявн?сть цикл?чних бум?в ? криз на ринку нерухомост?, коли ц?ни невиправдано зростають, а пот?м значно падають за короткий пер?од часу. Причому ц? ринков? коливання можна в?дсл?дкувати за макроеконом?чними показниками (наприклад, так? досл?дження встановили, що, як правило, ринок нерухомост? перший стражда? п?д час кризи ? перший почина? з не? виходити). Аби в?добразити фактор наявност? такого ризику, потр?бно безпосередньо включити його до розрахунку само? вартост? заставного майна.Для цього розглянемо загальну функц?ональну модель оц?нки вартост? й на ?? основ? виведемо модиф?ковану модуль, що буде включати так? ризики через вплив макроеконом?чних фактор?в.Загальна модель оц?нки заставного майна та анал?з ?? фактор?вОдн??ю з причин св?тово? кризи 2008-2009 рр. була нев?дпов?дн?сть оц?нки ризику р?зними профес?йними учасниками ринку. Для ел?м?нац?? даного фактору св?товою сп?льнотою було введено додатков? регулювання у сфер? оц?нки ризику, зокрема Директива 2013/36/?С ?вропейського парламенту та Ради, у як?й м?стяться вказ?вки щодо принцип?в та методолог??, яку варто застосовувати при оц?нц? (та переоц?нц?) кредитного ризику, зокрема ? заставного майна. Аналог?чно, у 2015-2016 рр. НБУ було проведено д?агностику укра?нсько? банк?всько? системи (у перев?рку потрапило понад 98% актив?в банк?вського сектору). Ця д?агностика виявила неадекватну оц?нку якост? кредитного портфеля та кредитних ризик?в.За даними ФГВФО, 80% балансово? вартост? актив?в неплатоспроможних банк?в – це кредити. Близько половини припада? на 600 великих груп позичальник?в. Б?льш?сть з них пов’язан? з банками особи. Щоб запоб?гти заниженню банками частки проблемних кредит?в, НБУ було прийнято Постанову №351, яка з 2017 року ввела нов?, б?льш жорстк? правила оц?нки кредитного ризику CITATION Пос16 \l 1058 [24]. У ц?лому ця постанова в?дпов?да? постулатам, викладеним у згадан?й вище директив? ?С ? наступн? етапи досл?дження базуються саме на п?дход?, викладеному у постанов? ? використовуваному банками при оц?нц? справедливо? вартост? кредитних актив?в.У загальному спрощеному вигляд? розрахунок справедливо? вартост? кредиту, зг?дно з постановою, ? математичним оч?куванням грошових надходжень в?д кредитного договору (та договору забезпечення, поруки або ?нших пов’язаних документ?в, що складають нев?д’?мну частину контрактних в?дносин боржника ? кредитора) як активу банк?всько? установи. Варт?сть заставного майна в рамках тако? модел? ? грошовим потоком за кредитним договором у раз? настання дефолту у одному з пер?од?в д?? договору. Принциповим питанням тут ?, як? експертн? припущення лежать у основ? розрахунку ц??? вартост? у кожний момент часу. За визначенням, заставна варт?сть – це найб?льш ?мов?рна грошова сума, яку можна отримати для задоволення вимог банку в результат? реал?зац?? предмету застави. Заставну варт?сть визначають, виходячи ?з прогнозованого вар?анту звернення стягнення на заставне майно. При цьому, заставна варт?сть розгляда?ться як сума, виручена в?д продажу предмета застави, за м?нусом втрат ? збитк?в, пов’язаних ?з зверненням стягнення на предмет застави ? його реал?зац??ю.У загальному вигляд? схема ймов?рн?сних грошових поток?в по кредитному договору представлена на рис. 2.1.Рисунок STYLEREF 1 \s 2. SEQ Рис. \* ARABIC \s 1 1 – Дерево р?шеньУ м?жнародн?й практиц? заставну варт?сть визначають ?з врахуванням довгострокових ст?йких тенденц?й ринково? ц?ни майна, тому розм?р заставно? вартост? актуальний протягом всього пер?оду д?? кредитно? угоди. Однак, як правило, на практиц? застосову?ться дещо спрощений п?дх?д, що базу?ться на припущенн? про стал?сть внутр?шньо? вартост? активу (intrinsic value of the asset). Принцип цього п?дходу поляга? у наступному – визнача?ться ринкова варт?сть заставного майна на початкову дату (дату видач? кредиту або передач? майна у заставу) й ?дентиф?ку?ться як незм?нна внутр?шня варт?сть активу. Основна характеристика тако? вартост? – вона ? незм?нною за умови, що не мали м?сця значн? зм?ни фактор?в, що впливають на актив. В?дпов?дно, виходячи з тако? лог?ки, варт?сть застави ?ндексу?ться на ?ндекс ?нфляц??, або, ?ншими словами, варт?сть заставного майна (а отже ? обсяг грошових кошт?в, який можна отримати в?д реал?зац?? даного майна) залиша?ться пост?йним ? реальному вираженн?.Це одна з класичних дилем оц?ночно? д?яльност?. Св?това та укра?нська практика показують, що реальна варт?сть актив?в зм?ню?ться п?д впливом р?зних фактор?в ? припущення про внутр?шню варт?сть активу дещо спростову?ться (тим не менш, застосування такого припущення ? виправданим у багатьох випадках).Принципово новою тезою даного досл?дження ? твердження, що заставну варт?сть майна у кожний конкретний момент варто розглядати як переоц?нку ринково? вартост? цього майна ? грошових поток?в, що лежать у його основ?. Оск?льки зд?йснити класичну переоц?нку для таких ц?лей неможливо (фактично, говориться про оц?нку у майбутньому), виника? необх?дн?сть розробки модел?, яка б дозволяла спрогнозувати зм?ну заставно? вартост? майна у певний конкретний пер?од д?? кредитного договору.?дентиф?кац?ю тако? модел? варто починати з класичних використовуваних моделей. Розрахунок заставно? вартост? через ринкову зд?йсню?ться, як правило, на основ? функц?онально? модел? оц?нки заставного майна. ?? ? було взято за основу досл?дження. У загальному вигляд? дану модель можна представити наступним чином:CV=fMV, t,KL,KR,C,SCH,де CV (collateral value) – заставна варт?сть;MV– ринкова, або справедлива, варт?сть;t – час;KL – коеф?ц??нт, що характеризу? зм?ну вартост? внасл?док неринкових умов реал?зац??, визначених правовою процедурою;KR – коеф?ц??нт, що характеризу? можливе зниження вартост? внасл?док неправильних умов експлуатац??, викликаних ситуац??ю дефолту;C – величина витрат (у грошових одиницях), обумовлених процедурою звернення, стягнення та реал?зац??, а також властивостями заставного майна;SCH – передбачуваний граф?к погашення кредиту;Потр?бно визначити, як? з цих елемент?в зм?нюватимуться ?з часом ? таким чином впливатимуть на зм?ну заставно? вартост? майна.Ринкова або справедлива варт?стьРинкова варт?сть в?добража? ц?ну, за яку даний актив можна придбати або продати на в?дкритому ринку, тобто по сут?, цей параметр в?добража?, ск?льки грошей зможе виручити заставодержатель при реал?зац?? майна у певний момент часу. Очевидно, що на ц?ну такого об’?кту вплива? велика к?льк?сть як зовн?шн?х, так ? внутр?шн?х фактор?в, ? це безпосередньо вплива? на заставну варт?сть (по факту, це та максимальна сума, яку може отримати заставодержатель).ЧасПараметр часу присутн?й у формул? неявно, адже класична функц?ональна модель не передбача? функц?онально? залежност? м?ж часом ? заставною варт?сть, Тим не менш, включення цього фактору уособлю? той факт, що заставна варт?сть сама по соб? може зм?нюватися ?з плином часу. Тут варто також зазначити таку характеристику фактору часу при розрахунку кредитного ризику як його дискретн?сть. Зокрема, кредитний догов?р та ус? грошов? потоки, пов’язан? з ним, розглядаються дискретно як наб?р момент?в (часових точок), коли в?дбува?ться або не в?дбува?ться певна под?я (наста? дефолт та кредитору потр?бно реал?зовувати заставне майно, або ж боржник у змоз? обслуговувати сво? зобов’язання ? кредитор отриму? контрактн? грошов? потоки). Як правило, для ц?лей розрахунку кредитного ризику та побудову такого дерева р?шень терм?н д?? договору д?литься на м?сячн? або квартальн? пер?оди. У контекст? даного досл?дження фактор часу ? досл?джуваним, тому виноситься за рамки розгляду зм?н фактор?в ?з часом.Коеф?ц??нт зм?ни вартост? внасл?док неринкових умов реал?зац??Даний коеф?ц??нт характеризу? дисконти пов’язан? з в?дсутн?стю л?кв?дност? ? в?дкритого ринку. Тут варто зазначити, що, по-перше, коеф?ц??нт ? суто ?ндив?дуальним ? залежить не лише в?д самого активу, а ? в?д стор?н потенц?йно? транзакц?? (зокрема, потенц?йного покупця заставного майна), а по-друге, його прогнозування ? складним ? затратним процесом. Тим не менш, оск?льки к?нцевою метою розрахунку цього коеф?ц??нта ? визначення кредитного ризику, практичним ? застосування оптимально максимального дисконту (лог?ка у тому, що краще завищити частку витрат ? отримати б?льше, ан?ж занизити ? недоотримати грошов? кошти в?д реал?зац??). В?дпов?дно, загальноприйнятою ? методика застосування коеф?ц??нта як в?дсотка в?д ринково? вартост?. Це в?дпов?да? економ?чному зм?сту коеф?ц??нта ? п?дтверджу?ться практикою. З точки зору даного досл?дження, зм?на у час? дисконту до вартост? у випадку реал?зац?? заставного майна виража?ться пропорц?йним зб?льшенням ?недоотриманих? кошт?в за ф?ксованого коеф?ц??нту. Тому досл?дження його з точки зору зм?ни часу не ? необх?дним.Коеф?ц??нт зниження вартост? через неправильну експлуатац?юНезважаючи на те, що даний коеф?ц??нт вступа? окремим фактором у функц?ональн?й модел? оц?нки заставно? вартост?, його застосування ? досить обмеженим. Тут варто зазначити, що коеф?ц??нт не в?добража? зниження вартост? внасл?док експлуатац?? об’?кта впродовж д?? кредитного договору, а радше ? дисконтом при неефективному використанн? уже в момент дефолту( наприклад, розкрадання обладнання або порушення правил с?возм?ни при використанн? земельних д?лянок). Аргументац?я щодо цього фактору в ц?лому сп?впада? з аргументац??ю д попереднього фактору з т??ю в?дм?нн?стю, що даний дисконт зм?ню?ться також п?д впливом третьо? сторони – заставодавця – який опосередковано прийма? участь у транзакц??.Витрати на стягнення та реал?зац?ю майнаВитрати, пов’язан? з реал?зац??ю майна, складаються з двох частин – умовно-пост?йних та умовно-зм?нних. Основна складова умовно-пост?йних витрат – юридичн? витрати, умовно-зм?нних – лог?стичних та експлуатац?йних. Тим не менш, у практиц? банк?в ц? витрати також прийнято визначати як в?дсоток в?д ринково? вартост? активу (через переважання умовно-зм?нних витрат). В?дпов?дно, за використання такого п?дходу зм?на ринково? вартост? у час? буде нести в соб? ? зм?ну асоц?йованих витрат на стягнення та реал?зац?ю.Граф?к погашення кредитуГраф?к погашення ? також неявно вираженим параметром ? застосову?ться при визначенн? пер?одичност? грошових поток?в за кредитним договором. З точки зору оц?нки грошових поток?в в?д застави в?н в?д?гра? роль л?м?та – граф?к погашення дозволя? визначити, на яку суму контрактних поток?в претенду? кредитор у кожний певний момент часу ?, в?дпов?дно, на яку частку заставного майна в?н може претендувати у раз? дефолту.Таким чином, на основ? анал?зу фактор?в функц?онально? модел? оц?нки вартост? можемо перейти в?д загально? форми до point-in-time форми.CV=MV×KL×KR-C,CVt=MVt×KL×KR?-Ct.Причому, враховуючи вищезгадану характеристику витрат на стягнення та реал?зац?ю, яку можна представити у вигляд? частки ринково? вартост?, отриму?мо б?льш спрощену форму:с=CMVMV-C=MV1-c,CVt=MVt×KL×KR×1-c.Таким чином, отриму?мо просту залежн?сть – зм?ну заставно? вартост? майна у час? можна в?добразити у зм?н? ринково? вартост? об’?кта застави (ус? ?нш? фактори можна представити як незалежн? в?д часу зм?нн?). Тобто задача моделювання зводиться до прогнозування зм?ни ринково? вартост? заставного майна ?з плином часу.CVt=f(MVt)?дентиф?кац?я фактор?в впливу на варт?сть заставного майнаУ попередньому п?дрозд?л? було встановлено, що задачею моделювання ? зм?на ринково? вартост? заставного майна у час?. Тобто, по-сут?, задача зводиться до прогнозування ринково? вартост? майна. Як вже зазначалося у розд?л? 1, до ц??? задач?, як правило, п?дходять трив?ально – посилаючись на припущення про стал?сть внутр?шньо? вартост? об’?кта, ринкову варт?сть вважають константою у реальному вираженн?. Тим не менш, таке припущення не п?дтверджу?ться ?сторичною практикою.Побудову модел? варто розпочати з анал?зу класичного п?дходу до оц?нки ринково? вартост? активу. Незважаючи на обраний метод оц?нки (дох?дний, витратний, ринковий), фактори, як? впливають на таку оц?нку, ? загальними незалежно в?д методу. Тобто достатньо проанал?зувати фактори, що впливають на варт?сть ? визначити кореляц?ю м?ж ними.Отож, традиц?йно можна вид?лити дв? групи фактор?в (див. рис. 2.2). Перша група – зовн?шн? фактори – включа? ус? фактори, екзогенн? до об’?кта оц?нки. Це фактори, як? впливають на ус? групи актив?в ? в межах одн??? групи ?х вплив ? б?льш-менш однор?дним ? однаковим. Прикладом може бути п?двищення обл?ково? ставки Нац?онального банку Укра?ни, що п?двищу? варт?сть боргового ф?нансування для ус?х економ?чних агент?в ? таким чином п?двищу? ризик д?яльност? – в результат? варт?сть ус?х актив?в зменшу?ться. До друго? групи фактор?в входять ендогенн? фактори вартост? об’?кта, притаманн? лише цьому конкретному об’?кту. Прикладом ?, наприклад, ?нтенсивн?сть використання обладнання або с?возм?на при вирощування с?льськогосподарських культур на земельн?й д?лянц?.За аналог??ю з теор??ю ризик?в, перша група фактор?в склада? системн? ризики, а друга – несистемн?, або ?д?осинкратичн?. Рисунок STYLEREF 1 \s 2. SEQ Рис. \* ARABIC \s 1 2 – Фактори впливу на ринкову варт?стьРозглядати ц? групи фактор?в доц?льно з точки зору можливост? ?хнього моделювання.Внутр?шн? факториПри первинн?й оц?нц? заставно? вартост? (при видач? кредиту) вплив фактор?в ендогенного характеру вже включено у оц?нку. Кр?м того, ц? фактори мають наступн? характеристики:Зм?на ендогенних фактор?в значно вплива? на зм?ну вартост? заставного майна, однак так? зм?ни в?дбуваються в?дносно нечасто;При видач? кредиту кредитн? установи накладають обмеження на певн? д?? заставодавця, що ел?м?ну? можлив?сть значного впливу таких фактор?в на варт?сть майна;Практика банк?в поляга? у тому, що у б?льшост? випадк?в вони зд?йснюють мон?торинг д?яльност? заставодавця ?, в залежност? в?д цього, переглядають оц?нку заставного майна.Враховувати зм?ну ендогенних фактор?в у кожний часовий пер?од модел? оц?нки кредитного ризику практично неможливо, адже важко в?дсл?дкувати зм?ни цих фактор?в, а також недостатньо даних для визначення вза?мозалежностей ?з достатн?м р?внем над?йност?. Враховуючи вищезгадане, вплив внутр?шн?х фактор?в у модел? не прогнозувався.Зовн?шн? факториЗ точки зору застосовност?, ц? фактори легше в?дсл?дкувати, ? ?х вплив можна квантиф?кувати ? визначити з певною над?йн?стю. Ц? фактори можна узагальнити як макроеконом?чний вплив на об’?кт оц?нки. Варто визначити наступн? ?х характеристики:Фактори впливають на ус? об’?кти застави, однак цей вплив може залежати в?д економ?чних в?дм?нностей р?зних об’?кт?в застави. Тому доц?льним ? вид?лення груп об’?кт?в з? схожими або ?дентичними характеристиками;Систематичн? фактори дуже вза?мопов’язан? м?ж собою, тому використання дек?лькох ?з них у одн?й модел? часто призводить до мультикол?неарност?. Як правило, обира?ться один-два ключових параметри, як? покривають максимально р?зн? сфери впливу, при цьому значним чином впливаючи на результуючу зм?нну.Оск?льки ц? фактори уособлюють систематичний ризик, отриман? на ?х основ? вза?мозв’язки можна застосовувати до групи актив?в у ц?лому. Це уможливлю? програмну реал?зац?ю модел? ?з практичним застосуванням.Отже, у подальшому ? сенс моделювати лише вплив зовн?шн?х макроеконом?чних фактор?в.Враховуючи вза?мопов’язан?сть макроеконом?чних фактор?в, було прийнято р?шення взяти за основу модел? один макроеконом?чний фактор, який, з одного боку, покаже найвищу прогностичну здатн?сть ? вплив на досл?джуване явище, а з ?ншого, найб?льше охоплюватиме площину макроеконом?чного впливу.Узагальнюючи наведений вище анал?з, можна у анал?тичному вигляд? скласти модель переоц?нки вартост? заставного майна (рис. 2.3)Рисунок STYLEREF 1 \s 2. SEQ Рис. \* ARABIC \s 1 3 – Анал?тична форма модел?Базовий принцип побудови моделей поляга? у наступному. Незалежною зм?нною виступа? макроеконом?чний фактор, який у ц?лому в?добража? зм?ну макроеконом?чного становища, а залежною зм?нною – певний показник, що в?добража? зм?ну вартост? заставного майна (див. табл. 2.1). Наприклад, для нерухомост? таким показником виступа? ц?на квадратного метра, для обладнання – ?ндекс ц?н виробник?в обладнання (виходячи з припущення, що виробники перекладають зб?льшення ц?ни на покупц?в обладнання, тим самим збер?гаючи свою маржу). Для транспортних засоб?в залежною зм?нно виступа? ?ндекс ц?н на автомоб?л? на вторинному ринку. Для ?нших категор?й заставного майна показником зм?ни вартост? заставного майна наближено виступа? ?ндекс ц?н виробник?в.Якщо говорити про незалежн? макроеконом?чн? зм?нн?, то ?х виб?р залежить в?д сутност? незалежно? зм?нно?. Зокрема, якщо анал?зу?ться зв’язок показника у реальному вираженн?, за незалежну зм?ну варто використовувати показник реального ВВП. Якщо ж залежна зм?нна ? ном?нальною, то незалежною зм?нною може виступати ?нфляц?йний ?ндекс.Таблиця STYLEREF 1 \s 2. SEQ Таблиця \* ARABIC \s 1 1 – Класиф?кац?я заставного майнаКатегор?яП?дкатегор?яП?дх?д до прогнозуванняНерухом?стьЖитлова нерухом?стьВарт?сть житлово? нерухомост? – це добуток ?? площ? на варт?сть квадратного метра. Оск?льки площа ? незм?нним фактором, достатньо спрогнозувати, як зм?нюватиметься ц?на квадратного метраКомерц?йна нерухом?стьАналог?чно до житлово? нерухомост?, достатньо спрогнозувати ц?ну квадратного метра комерц?йно? нерухомост?ЗемляВ даному випадку розгляда?ться лише земля комерц?йного призначення. Як правило, при куп?вл? буд?вель та земельно? д?лянки п?д ними ц?на земельно? д?лянки визнача?ться як в?дсоток в?д вартост? буд?вель. ?ншими словами, до земельних д?лянок можна застосовувати той самий тренд, що ? до комерц?йно? нерухомост?Транспортн? засобиЛегков? автоВарт?сть транспортних засоб?в залежить в?д строку експлуатац?? та загального стану автоВантажн? автоВарт?сть транспортних засоб?в залежить в?д строку експлуатац?? та загального стану автоОбладнанняЦ?ни на обладнання встановлюються виробниками обладнання, тому достатньо проанал?зувати ?ндекс ц?н виробник?в обладнання, як?, збер?гаючи св?й р?вень рентабельност?, зб?льшуватимуть ц?ни к?нцево? продукц??Товари та ?нша заставаВраховуючи невисокий р?вень представленост? ?нших категор?й застави у кредитному портфел?, припущення про зм?ну ?х вартост? на р?вн? загальноеконом?чних тенденц?й ? виправданимВисновки до Розд?лу 2Варт?сть заставного майна ? основним компонентом, який не заф?ксовано при оформленн? кредитного договору (варт?сть застави, на в?дм?ну в?д контрактних грошових поток?в, зм?ню?ться з часом п?д впливом ринкових умов). В?дпов?дно, коливання значення цього компоненту прямим чином впливають на LGD у кожний момент терм?ну д?? ф?нансового ?нструменту. Розглянувши функц?ональну модель оц?нки вартост? заставного майна, було встановлено, що доц?льним буде зосередитися лише на вплив? зовн?шн?х (макроеконом?чних) фактор?в лише на справедливу варт?сть реал?зац?? майна у конкретний момент часу, ? вже на основ? ц??? вартост? визначати LGD ?, в?дпов?дно, обсяг кредитного ризику ? необх?дних резерв?в.РЕАЛ?ЗАЦ?Я МОДЕЛ?Розд?л включа? анал?з статистично? бази досл?дження, де виводяться основн? характеристики даних, на яких будуватимуться модел?. У другому п?дрозд?л? пода?ться методолог?я створення в?дпов?дних моделей, а також результати моделювання ? висновки щодо ?х придатност? для ц?лей прогнозування. Трет?й п?дрозд?л присвячено коригування отриманих моделей на основ? теореми Бай?са, п?сля чого п?дведено п?дсумки моделювання та виведено к?нцев? формули.Статистична база досл?дження та ?? характеристикиДля побудови моделей було використано набори макроеконом?чних даних двох кра?н: США та Укра?ни. Виб?р укра?нських даних очевидний. Однак, виб?рка укра?нських даних ? довол? обмеженою з точки зору як часового пер?оду, так ? ряду категор?й даних. Вбачаючи це, до модел? було додано також дан? США, як? з ус?х наявних даних ? найб?льш повними ? охоплюють найб?льший пром?жок часу.З точки зору пер?одичност?, було вир?шено взяти за основу квартальн? дан? як компром?с м?ж наявн?стю даних ? економ?чним зм?стом (як правило, м?сячн? дан? ? б?льш волатильними ? характеризуються автокореляц??ю з попередн?ми 1-2-ма м?сяцями).Джерелами даних виступали проф?льн? агентства та державн? органи статистики в?дпов?дних кра?н (Державна служба статистики Укра?ни, Польська урядова орган?зац?я, в?дд?л збору статистики ФРС, Бюро трудово? статистики США), а також м?жнародн? проф?льн? орган?зац?? (дан? IMF World Economic Outlook Database).Таблиця 3.1 – Наявн?сть даних для моделюванняКатегор?я данихПозначення у модел?Наявн?сть данихСШАПольщаУкра?наРеальний ВВПrGDP+++?ндекс споживчих ц?н (?нфляц?я)cpi+++?ндекс ц?н виробник?вppi+++Ном?нальн? ц?ни на житлоres_prop_n+-+Реальн? ц?ни на житлоres_prop_r++-?ндекс ц?н на комерц?йну нерухом?стьcom_prop_n+--?ндекс реальних ц?н на комерц?йну нерухом?стьcom_prop_r+(розр.)--?ндекс ц?н на транспортн? засоби (вторинний ринок)car+--?ндекс ц?н виробник?в машинобудування та приладдяppi_equip+++Виходячи з того, що б?льш?сть економ?чних даних ?нкорпорують у соб? тренд (тобто, мають тенденц?ю зростати ?з часом), у подальшому анал?з? використовувалися перш? р?зниц? цих показник?в у вигляд? в?дсоткових зм?н. Таким чином вдалося винести тренд за рамки моделювання.?нший фактор, який треба врахувати – це наявн?сть сезонност? у даних, особливо тих, що стосуються ц?н. Пер?од сезонност? економ?чних даних склада? р?к. Тому використовувалися не зм?ни показник?в до попереднього кварталу, а зм?ни по в?дношенню до того самого кварталу минулого року, тобто 4 квартали назад. Це допомага? н?велювати фактор сезонност?; кр?м того, такий п?дх?д дозволя? б?льш точно визначити фактичне покращення чи пог?ршення макроеконом?чного становища.В результат? вищезазначених перетворень було отримано часов? ряди, представлен? на REF _Ref25477942 \h Рисунок 3.1. В?зуальний анал?з даних показав, що дан? часов? ряди варто перев?рити на стац?онарн?сть як передумови подальшого використання у моделюванн?.Для перев?рки часових ряд?в на стац?онарн?сть було використано розширений тест Д?к?-Фуллера (Augmented Dickey-Fuller test, ADF). У цьому тест? за нульову прийма?ться г?потеза про наявн?сть unit-кореня (один з корен?в характеристичного пол?нома, що лежить на одиничному кол?), що св?дчить про нестац?онарн?сть ряду. Тест ADF ? односторонн?м: альтернативна г?потеза – г?потеза про стац?онарн?сть ряду (вс? корен? характеристичного пол?нома лежать поза межами одиничного кола). Нульова г?потеза в?дхиля?ться, якщо значення p-value вище за порогове (5%).Вбачаючи невеликий обсяг виб?рки укра?нських даних, даний тест проводився лише для американського ринку. Результати тесту представлен? у табл. 3.2. З таблиц? видно, що загальноеконом?чн? ?ндекси не характеризуються стац?онарн?стю.Таблиця 3.2 – ADF тест для перев?рки стац?онарност? часових ряд?вПоказникADF статистикаp-valueЧи стац?онарний ряд?5%1%rGDP-2.9642840.038367TrueFalseprop_com_n-4.1992230.000661TrueTrueprop_com_r-4.1102740.000931TrueTruecar-2.3176330.166344FalseFalseres_prop_n-2.9423990.040635TrueFalseres_prop_r-4.1085110.000938TrueTruecpi-1.6365440.464067FalseFalseppi-2.7570190.064680FalseFalseppi_equip-1.6720300.445578FalseFalseРисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 1 – В?зуальний анал?з даних для моделюванняВ?зуальний анал?з да? встановити, що динам?ка деяких часових ряд?в США значно зм?нилася п?сля кризи 1980-1982 рр. В?дпов?дно, було прийнято р?шення в подальшому використовувати дан? починаючи з 1983 рр. Таким чином, часов? ряди зм?н б?льшост? показник?в характеризуються як стац?онарн?. Тим не менш, загальн? ц?нов? ?ндекси (?ндекси споживчих ц?н та ?ндекси ц?н виробник?в) завжди мають у соб? елемент стац?онарност?.Ще одн??ю передумовою використання наведених часових ряд?в у моделюванн? ? припущення про нормальний розпод?л цих величин.Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 2 – Г?стограми розпод?лу даних показник?вЯкщо для американських даних в?зуальний анал?з п?дтверджу? наявн?сть такого розпод?лу для розглядуваних показник?в ( REF _Ref25481209 \h Рисунок 3.2), то виб?рка укра?нських даних ? недостатньо великою, аби з над?йн?стю стверджувати про наявн?сть нормального розпод?лу.Однак перед початком побудови моделей доц?льно розглянути наявн?сть вза?мозв’язку м?ж досл?джуваними параметрами. Було вид?лено два фактори, що уособлюють зм?ну макроеконом?чного середовища (це реальна зм?на ВВП rGDP ? зм?на ?ндексу ?нфляц?? cpi). Доц?льним буде в?зуально розглянути, чи ?сну? зв’язок м?ж цими зм?нними та ус?ма ?ншими, ?, якщо ?сну?, то який саме.В?зуальний анал?з представлено на REF _Ref25514531 \h Рисунок 3.3 ? REF _Ref25514538 \h Рисунок 3.4. Як бачимо, для американських даних цей зв’язок можна виявити, тод? як для укра?нських, вбачаючи на невеликий обсяг виб?рки, важко робити припущення про наявн?сть ? напрямок зв’язку. Тим не менше, щодо деяких показник?в такий зв’язок таки можна ?дентиф?кувати, а отже, використати при моделюванн?.Ус? проведен? анал?зи та зазначен? характеристики даних дозволяють використовувати ?х для ц?лей моделювання впливу.Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 3 – Наявн?сть вза?мозв'язку зм?нних з реальною зм?ною ВВПРисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 4 – Наявн?сть вза?мозв'язку зм?нних з? зм?ною ?ндексу ?нфляц??Побудова моделей вза?мозалежностей макроеконом?чних показник?в з ц?льовимиДля визначення впливу макроеконом?чних фактор?в на варт?сть заставного майна було використано регрес?йн? модел?, адже, зг?дно ?з проведеними досл?дженнями (див. п?дрозд?л REF _Ref25481410 \r \h 1.4), вони дозволяють отримати кращ? оц?нки параметр?в.З точки зору методолог?я побудови моделей, вона мала наступн? особливост?. Виб?рка д?лилась на дв? частини у сп?вв?дношенн? 80%:20%. На перш?й частин? даних модель було треновано (отримано оц?нки коеф?ц??нт?в регрес??), на друг?й – було протестовано прогнозну силу модел?.Важливо також зазначити, що при побудов? моделей було виключено спостереженння-аутла?ри – т? спостереження, ймов?рн?сть настання яких не вище 1% (тобто т?, для яких Z-score менше трьох). Застосування цього критер?ю не призвело до значного скочення виб?рки.В?дпов?дн? модел? розраховувалися на двох наборах даних – для американського ринку ? для укра?нського. Тод?, в залежност? в?д отриманих результат?в моделювання для конкретно? категор?? заставного майна приймалося р?шення про використання моделей ? ?х коригування, якщо це необх?дно. Для проведення досл?дження ? моделювання використовувалося середовище Python та статистичн? пакети до нього у в?дкритому доступ?. Результати моделювання варто розглядати окремо за категор?ями заставного майнаЖитлова нерухом?стьДля прогнозування зм?ни вартост? житлово? нерухомост? було збудовано модель залежност? реально? вартост? житлово? нерухомост? в США в?д зм?ни реального ВВП.Результати моделювання наведено у табл. 3.3. Як?сть модел? з точки зору коеф?ц??нту детерм?нац?? становить 0,16, що в ц?лому в?дпов?да? аналог?чним досл?дженням, наведеним у п?дрозд?л? REF _Ref25481410 \r \h 1.4. Низьке значення F-статистики дозволя? прийняти г?потезу про значущ?сть модел?. Розрахован? ?нформац?йн? критер?? (Akaike Information criterion, AIC, ? Bayesian Information criterion, BIC) ? сенс застосовувати лише для пор?вняння р?зних моделей, однак враховуючи, що виб?р моделей вже було зроблено на основ? економ?чного анал?зу, надал? вони не розглядаються. Тим не менш, оц?нки параметр?в треба досл?дити б?льш детально. Як видно з таблиц?, значення t-статистики для коеф?ц??нту перетину (coef) не да? зробити висновку про його значущ?сть. Враховуючи вищесказане, було в?дкинуто коеф?ц??нт перетину ? перераховано модель з урахуванням лише незалежно? зм?нно?. Результати моделювання представлено у табл. 3.3.Таблиця 3.3 – Модель ?Зм?на реальних ц?н на житло ~ зм?на реального ВВП (з перетином)?Dep. Variableres_prop_rModelOLSNo. Observations:150Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.157const-0.22930.588-0.3900.697-1.3910.933Adj. R-squared:0.151rGDP0.85350.1635.2500.0000.5321.175F-statistic:27.57Prob (F-statistic):5.18e-07Log-Likelihood:-427.19AIC:858.4BIC:864.4Точн?сть прогнозуMAE4.084MAPE215.7%Symmetric MAPE123.8%MSE24.3RMSE4.9Таблиця 3.4 – Модель ?Зм?на реальних ц?н на житло ~ зм?на реального ВВП (без перетину)?Dep. Variableres_prop_rModelOLSNo. Observations:150Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.325rGDP0.80200.0958.4780.0000.6150.989Adj. R-squared:0.321F-statistic:71.87Prob (F-statistic):2.08e-14Log-Likelihood:-427.27AIC:856.5BIC:859.5Точн?сть прогнозуMAE4.087MAPE216.8%Symmetric MAPE122.8%MSE24.5RMSE4.9Якщо пор?вняти результати двох моделей, бачимо, що значення коеф?ц??нту регрес?? не зм?нилося значно, причому вдв?ч? зр?с коеф?ц??нт детерм?нац??. З точки зору прогнозно? сили, виключення перетину також не чинило значного впливу на точн?сть прогнозування пор?вняно з первинною моделлю. Граф?чно модель представлено на REF _Ref25506007 \h Рисунок 3.5.Побудувати модель на основ? укра?нських даних не було можливост?, адже дан? по ц?нам на житло в Укра?н? ? лише з 2017 р. – менше 20-ти спостережень. Кр?м того, у 2017-2018 рр. спостер?галося зниження ц?н на житло у реальному вираженн?, що не ма? повторюватися в умовах економ?чного зростання. Виходячи з цього, було прийнято р?шення покладатися на модель на основ? даних США, отриману вище, при розрахунку зм?ни заставно? вартост? житлово? нерухомост?.Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 5 – Модель ?Зм?на реальних ц?н на житло ~ зм?на реального ВВП (без перетину)?Оск?льки модель в?добража? реальн? зм?ни, треба також врахувати фактор ?нфляц?? (адже при дисконтуванн? у загальн?й формул? LGD ? PD використову?ться ном?нальна ставка, яка також врахову? ?нфляц?йний фактор). Отже, к?нцева модель для зм?ни вартост? житлово? нерухомост? вигляда? наступним чином:Res_pricei=0.8020*rGDPi*(1+cpii)Комерц?йна нерухом?стьПрогнозування зм?ни вартост? комерц?йно? нерухомост? за методолог??ю в?дпов?да? методолог?? для житлово? нерухомост?. Оск?льки модель будувалася на ном?нальних даних (дан? щодо реальних ц?н не вид?ляються), накладаються додатков? обмеження. Зокрема, виходячи з економ?чного зм?сту, було додано припущення про в?дсутн?сть коеф?ц??нту перетину в модел?.Результати моделювання наведено у табл. 3.5.Таблиця 3.5 – Модель ?Зм?на ц?н на комерц?йну нерухом?сть ~ зм?на ?ндексу ?нфляц?? (без перетину)?Dep. Variablecom_prop_rModelOLSNo. Observations:113Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.151cpi1.02380.2294.4650.0000.5691.478Adj. R-squared:0.144F-statistic:19.93Prob (F-statistic):1.92e-05Log-Likelihood:-385.47AIC:772.9BIC:775.7Точн?сть прогнозуMAE6.138MAPE71.4%Symmetric MAPE102.5%MSE62.4RMSE7.9Побудувати модель на основ? укра?нських даних не було можливост? через в?дсутн?сть даних. Також, для перев?рки було побудовано модель на основ? розрахунково? реально? вартост? житла. Однак, така модель виявилася незначущою, тому ?? було в?дкинуто ? використовувалася лише модель вза?мозв’язку ном?нальних показник?в.Бачимо, що прогнозна сила модел? довол? невисока, враховуючи високий показник RMSE. Тим не менш, оск?льки в ц?лому результати модел? св?дчать про ?? значущ?сть, прийма?мо ?х.У ц?й модел? вже враховано фактор ?нфляц??, тому к?нцева формула ма? вигляд:Com_pricei=1.0238*cpiiТранспортн? засобиМодель для транспортних засоб?в будувалася на основ? вза?мозв’язку ?ндексу ц?н на авто на вторинному ринку ? ?ндексу споживчих ц?н. Модель також будувалася на ном?нальних показниках, тому не потребу? коригування на ?нфляц?ю. Результати моделювання наведено у табл. 3.6.Таблиця 3.6 – Модель ?Зм?на ц?н на авто~ зм?на ?ндексу ?нфляц???Dep. Variablecom_prop_rModelOLSNo. Observations:113Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.115const-3.16821.262-2.5100.013-5.668-0.668Adj. R-squared:0.107cpi1.65380.4303.8430.0000.8012.506F-statistic:14.77Prob (F-statistic):0.0002Log-Likelihood:-361.68AIC:727.4BIC:732.9Точн?сть прогнозуMAE3.765MAPE259.6%Symmetric MAPE119.4%MSE28.3RMSE5.3Незважаючи на достатньо невисокий показник коеф?ц??нта детерм?нац?? (0,12), модель показу? довол? високу точн?сть прогнозу пор?вняно з ?ншими моделями. Обидва параметри регрес?? ? значущими (перетин ? коеф?ц??нт впливу ?нфляц??). В?д’?мне значення коеф?ц??нту перетину п?дтверджу?ться економ?чним зм?стом – при в?дсутност? ?нфляц?? ц?на на машину буде все одно скорочуватися через зб?льшення терм?ну ?? експлуатац??. Граф?чна форма модел? представлена на REF _Ref25508077 \h Рисунок 3.6.Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 6 – Модель ?Зм?на ц?н на авто~ зм?на ?ндексу ?нфляц???К?нцева формула для розрахунку вартост? транспортних засоб?в для ц?лей переоц?нки застави ма? наступний вигляд:Car_pricei=-3.1682+1.6538*cpiiОбладнання та основн? засобиДля прогнозування зм?ни вартост? обладнання було збудовано модель залежност? ?ндексу ц?н виробник?в обладнання в?д ?ндексу споживчих ц?н.Результати моделювання наведено у таблиц? 3.7. В ц?лому, результати моделювання аналог?чн? за сво?ю сутн?стю результатам моделювання для житлово? нерухомост?. Як?сть модел? з точки зору коеф?ц??нту детерм?нац?? становить 0,16, що в ц?лому в?дпов?да? аналог?чним досл?дженням, наведеним у п?дрозд?л? REF _Ref25481410 \r \h 1.4. Низьке значення F-статистики дозволя? прийняти г?потезу про значущ?сть модел?.Як видно з таблиц?, значення t-статистики для коеф?ц??нту перетину (coef) не да? зробити висновку про його значущ?сть. Дана проблема була вир?шена аналог?чно до п?дходу, що застосовувався для житлово? нерухомост?. Враховуючи вищесказане, було в?дкинуто коеф?ц??нт перетину ? перераховано модель з урахуванням лише незалежно? зм?нно?. Результати моделювання представлено у таблиц? 3.8.Таблиця 3.7 – Модель ?Зм?на вартост? обладнання ~ зм?на ?ндексу ?нфляц?? (з перетином)?Dep. Variableppi_equipModelOLSNo. Observations:116Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.153const0.01040.2390.0440.965-0.4620.483Adj. R-squared:0.145cpi0.37130.0824.5300.0000.2090.534F-statistic:20.52Prob (F-statistic):1.46e-05Log-Likelihood:-177.91AIC:359.8BIC:365.3Точн?сть прогнозуMAE0.809MAPE163.9%Symmetric MAPE85.5%MSE0.98RMSE0.99Таблиця 3.8 – Модель ?Зм?на вартост? обладнання ~ зм?на ?ндексу ?нфляц?? (з перетином)?Dep. Variableppi_equipModelOLSNo. Observations:116Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.486cpi0.37450.03610.4280.0000.3030.446Adj. R-squared:0.482F-statistic:108.7Prob (F-statistic):2.53e-18Log-Likelihood:-177.92AIC:357.8BIC:360.6Точн?сть прогнозуMAE0.810MAPE164.1%Symmetric MAPE85.9%MSE0.98RMSE0.99Наступним кроком було створення модел? на основ? укра?нських даних (також з в?дсутн?м коеф?ц??нтом перетину) (таблиця 3.9). Враховуючи в?дносно невеликий обсяг виб?рки, модель досить добре опису? фактичн? дан?, що виража?ться у високому коеф?ц??нт? детерм?нац?? (0,90), незначущому значенн? F-критер?ю, а також низькому значенн? RMSE (5,21). Кр?м того, зг?дно з t-критер??м, оц?нка параметру також ? значущою. На REF _Ref25509138 \h Рисунок 3.7 представлено дв? отриман? модел?. Таблиця 3.9 – Модель ?Зм?на вартост? обладнання ~ зм?на ?ндексу ?нфляц?? (без перетину) Укра?на?Dep. Variableppi_equipModelOLSNo. Observations:36Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.901cpi0.67550.03817.8460.0000.5990.752Adj. R-squared:0.898F-statistic:318.5Prob (F-statistic):3.74e-19Log-Likelihood:-107.81AIC:217.6BIC:219.2Точн?сть прогнозуMAE4.011MAPE76.9%Symmetric MAPE105.8%MSE27.11RMSE5.21Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 7 – Модел? ?Зм?на вартост? обладнання ~ зм?на ?ндексу ?нфляц?? (без перетину)? на американських та укра?нських данихЯк бачимо, незважаючи на однонаправлен?сть моделей, р?зниця таки ма? м?сце, тому ? сенс розглянути можлив?сть коригування отриманих моделей.?нш? категор?? заставного майнаДля ?нших категор?й модель включа? залежн?сть ?ндексу ц?н виробник?в в?д ?ндексу споживчих ц?н.Результати моделювання наведено у таблиц? 3.10. В ц?лому, можна говорити про середню як?сть модел?, враховуючи коеф?ц??нт детерм?нац?? (0,26) ? похибку оц?нки (RMSE на р?вн? 3,18). Обидв? оц?нки параметр?в ? значущими (низьке значення t-критер?ю), тому обидва параметри варто включити у модель.Таблиця 3.10 – Модель ?Зм?на ?ндексу ц?н виробник?в ~ зм?на ?ндексу ?нфляц???Dep. VariableppiModelOLSNo. Observations:115Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.262const-2.43770.808-3.0180.003-4.038-0.837Adj. R-squared:0.255cpi1.71860.2716.3310.0001.1812.256F-statistic:40.08Prob (F-statistic):5.09e-09Log-Likelihood:-307.41AIC:618.8BIC:624.3Точн?сть прогнозуMAE2.499MAPE80.2%Symmetric MAPE88.9%MSE10.13RMSE3.18Аналог?чно, було збудовано модель на основ? укра?нських даних (таблиця 3.11). Враховуючи в?дносно невеликий обсяг виб?рки, модель досить добре опису? фактичн? дан?, що виража?ться у достатньо високому коеф?ц??нт? детерм?нац?? (0,49), незначущому значенню F-критер?ю, а також пом?рному значенн? RMSE (8,99). Кр?м того, зг?дно з t-критер??м, оц?нка параметру також ? значущою. На REF _Ref25509967 \h Рисунок 3.8 представлено дв? отриман? модел?. Таблиця 3.11 – Модель ?Зм?на ?ндексу ц?н виробник?в ~ зм?на ?ндексу ?нфляц?? Укра?на?Dep. VariableppiModelOLSNo. Observations:33Результати модел?Оц?нки параметр?вcoefstd errtP>|t|[0.0250.975]R-squared:0.493const5.44332.5762.1130.0430.18910.697Adj. R-squared:0.476cpi1.01720.1855.4860.0000.6391.395F-statistic:30.10Prob (F-statistic):5.33e-06Log-Likelihood:-116.12AIC:236.2BIC:239.2Точн?сть прогнозуMAE7.201MAPE461.9%Symmetric MAPE84.7%MSE80.81RMSE8.99Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 8 – Модель ?Зм?на ?ндексу ц?н виробник?в ~ зм?на ?ндексу ?нфляц???Аналог?чно, незважаючи на в ц?лому схожий напрям моделей, р?зниця таки ма? м?сце, тому ? сенс розглянути можлив?сть коригування отриманих моделей.Коригування отриманих моделейДля коригування отриманих моделей застосу?мо принципи ймов?рност? Бай?са, аби б?льш точно в?добразити оц?нки параметр?в.Метод найменших квадрат?в да? нам ?дину точкову оц?нку параметр?в, яку ми можемо ?нтерпретувати як найб?льш ймов?рну оц?нку у в?дпов?дност? до даних, на яких вона була отримана. Однак якщо наша виб?рка характеризу?ться невеликою к?льк?стю спостережень (а це ма? м?сце для ус?х моделей, базованих на укра?нських даних), тод? так? параметри можна розглядати не як точков? оц?нки, а як розпод?л можливих значень випадково? величини. Таким чином, зд?йсню?ться перех?д до Бай?сово? л?н?йно? регрес??.З бай?с?всько? точки зору, л?н?йну регрес?ю формулю?ться з оц?нок параметр?в як розпод?л?в ?мов?рностей, а не точкових оц?нок. Залежна зм?нна оц?ню?ться не як ?дине значення, а вважа?ться отриманою з розпод?лу ймов?рностей. Модель Бай?сово? л?н?йно? регрес?? ?з залежною зм?нною, що характеризу?ться нормальним розпод?лом, ма? наступний вигляд:y~N(βTX,σ2I)Залежна зм?нна y генеру?ться з нормального розпод?лу, що характеризу?ться середн?м значенням та дисперс??ю. Середн? значення для л?н?йно? регрес?? - це транспонована матриця коеф?ц??нт?в, помножена на матрицю предиктора. Дисперс?я - це квадрат стандартного в?дхилення σ (у випадку багатовим?рно? модел?, в?н також множиться на матрицю тотожност?).Метою л?н?йно? регрес?? Бай?са ? не знайти ?дине найкраще значення параметр?в модел?, а визначити апостер?орний розпод?л параметр?в модел?. Адже не лише залежна зм?нна генеру?ться з певного розпод?лу, а й сам? параметри модел? також ? випадковими величинами ? характеризуються певним розпод?лом. Апостер?орна ймов?рн?сть параметр?в модел? розрахову?ться на основ? класично? теореми Бай?са, зг?дно з якою апостер?орна ймов?рн?сть визнача?ться добутком функц?? правдопод?бност? з апр?орним розпод?лом, нормал?зованим на розпод?л залежно? зм?нно?. Для даного випадку ця теорема матиме наступний вигляд:Pβy,X=Pyβ,X*P(β|X)P(y|X),де Pβy,X – апостер?орний розпод?л ймов?рност? параметр?в модел? ?з заданими вх?дними та вих?дними параметрами. На в?дм?ну в?д методу найменших квадрат?в, ми отриму?мо апостер?орний розпод?л параметр?в модел?, пропорц?йний правдопод?бност? ? помножений на апр?орну ймов?рн?сть параметр?в. Тобто, можна визначити дв? основн? переваги Бай?сово? л?н?йно? регрес??:Включення апр?орних даних. Волод?ючи певною ?нформац??ю про сферу, явище яко? моделю?ться, або маючи певн? м?ркування про параметри модел? ще до ?? створення, можна включити цю ?нформац?ю до модел?. Тако? можливост? нема? у класичн?й л?н?йн?й регрес??, яка буду?ться лише на основ? даних, як? до не? додадуть. Б?льш того, нав?ть за в?дсутност? достов?рно? апр?орно? ?нформац?? про параметри модел?, можна просто використовувати апр?орн? дан?, що не несуть ?нформац??, як-от, наприклад, припущення про нормальний розпод?л.Отримання апостер?орних даних. Результатом Бай?сово? л?н?йно? регрес?? ? розпод?л можливих параметр?в модел? на основ? даних, що було додано до модел?, та апр?орно? ?нформац??. Це дозволя? к?льк?сно оц?нити невизначен?сть модел?: чим менше спостережень охоплю? модель, тим б?льш ширшим буде апостер?орний розпод?л.Вираження параметр?в модел? як певних величини, що характеризуються певним розпод?лом, посила?ться на бай?с?вський п?дх?д до досл?дження: починати з початково? оц?нки, тобто апр?орних даних, ?, з?бравши б?льше фактичних даних (спостережень), коригувати ??, тим самим зменшуючи розм?р помилки модел?.В контекст? цього досл?дження, апр?орними даними ? оц?нки параметр?в моделей, отриман? на американських даних. Застосовуючи ц? оц?нки до укра?нських даних, отрима?мо апостер?орн? розпод?ли параметр?в.У попередньому п?дрозд?л? було встановлено, що дане коригування ? можлив?сть застосувати до двох категор?й застави – обладнання та ?ншого заставного майна. Розглянемо ?х дал?.Обладнання та основн? засобиОчевидно, що модель, базована на укра?нських даних, краще опису? укра?нську виб?рку. Однак враховуючи достатньо невеликий обсяг виб?рки, не можна стверджувати про в?дпов?дн?сть цих оц?нок справжн?м значенням параметр?в.Застосу?мо п?дх?д Бай?са. Апр?орними даними щодо цих розпод?л?в виступають параметри, отриман? при моделюванн? американського вза?мозв’язку (було введено припущення про нормальний розпод?л параметр?в), а саме:θcpiprior~Nx,σ2=N(0.6755,0.0382)П?сля цього було побудовано функц?ю правдопод?бност? ? в?дпрацьовано два Маркових ланцюги. В результату побудови тако? модел? отримали ф?нальну модель для обладнання та основних засоб?в:ppi_equipi= θ*cpii=0.4365*cpiiде θ – математичне оч?кування коеф?ц??нта регрес??, отримане в результат? загально? л?н?йно? регрес?? Бай?са (оск?льки було прийнято припущення про нормальний розпод?л, математичне оч?кування виража?ться середн?м значенням).Як бачимо, ефективно, застосування загально? л?н?йно? регрес?? скоригувало базову модель на укра?нських даних на основ? в?домостей про аналог?чну модель у США (див. REF _Ref25518187 \h \* MERGEFORMAT Рисунок 3.9).Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 9 – Загальна л?н?йна регрес?я Бай?са у пор?внянн? з ?ншими моделями (зм?на ?ндексу ц?н виробник?в обладнання ~ зм?на ?ндексу ?нфляц??)З точки зору прогнозно? сили (див. таблицю 3.12, бачимо, що отримана модель знаходиться у межах м?ж двох початкових моделей, що ? вида?ться лог?чним. Таким чином, отримана к?нцева модель в?добража? як суто укра?нськ? реал??, так ? загальноеконом?чн?.Таблиця 3.12 – Прогнозн? параметри моделей (обладнання)USUAБай?сMAE6.683.905.83MAPE62.5%44.6%43.4%Symmetric MAPE94.4%58.9%86.2%MSE63.9424.1850.07RMSE8.004.927.08?нш? категор?? заставного майнаАналог?чно, враховуючи достатньо невеликий обсяг виб?рки, не можна стверджувати про в?дпов?дн?сть цих оц?нок справжн?м значенням параметр?в. Застосу?мо п?дх?д Бай?са. Апр?орними даними щодо цих розпод?л?в виступають параметри, отриман? при моделюванн? американського вза?мозв’язку (було введено припущення про нормальний розпод?л параметр?в), а саме:θinterceptprior~Nx,σ2=N-2.4377,0.8082,θcpiprior~Nx,σ2=N1.7186,0.2712.В результат? побудови тако? модел? отримали ф?нальну модель для обладнання та основних засоб?в:ppii= θ1+θ2*cpii=-1.8777+1.5086*cpiiде θi – математичне оч?кування коеф?ц??нт?в регрес??, отримане в результат? загально? л?н?йно? регрес?? Бай?са (оск?льки було прийнято припущення про нормальний розпод?л, математичне оч?кування виража?ться середн?м значенням).Як бачимо, ефективно, застосування загально? л?н?йно? регрес?? скоригувало базову модель на укра?нських даних на основ? в?домостей про аналог?чну модель у США (див. REF _Ref25518344 \h Рисунок 3.10).Дан? щодо прогнозно? сили моделей наведено у табл. 3.13. Рисунок STYLEREF 1 \s 3. SEQ Рис. \* ARABIC \s 1 10 – Загальна л?н?йна регрес?я Бай?са у пор?внянн? з ?ншими моделями (зм?на ?ндексу ц?н виробник?в ~ зм?на ?ндексу ?нфляц??)Таблиця 3.13 – Прогнозн? параметри моделей (?нш? категор??)USUAБай?сMAE7.356.306.88MAPE209.9%235.6%182.3%Symmetric MAPE66.9%56.0%66.4%MSE92.9869.6982.84RMSE9.648.349.10Висновки до Розд?лу 3Для визначення впливу макроеконом?чних фактор?в на варт?сть заставного майна було використано регрес?йн? модел?, адже вони дозволяють отримати кращ? оц?нки параметр?в.Було створено низку однофакторних моделей для кожно? ?з груп заставного майна. Незалежною зм?нною виступали або зм?на реального ВВП, або зм?на ?нфляц??. Сукупно результати моделювання у вигляд? функц?? зм?ни вартост? мають наступний вигляд:FX= 1rGDPcpi*Coll=Resprop;Coll=Comprop;Coll=Car;Coll=Equip;Coll=Other;00.80200001.0238-3.16820-1.87770001.65380.43651.5086РЕЗУЛЬТАТИ ? ЗАСТОСОВН?СТЬ ДОСЛ?ДЖЕННЯЧетвертий розд?л м?стить опис програмного ?нтерфейсу, який було розроблено для ц?лей дано? маг?стерсько? роботи, вза?мод?? програмного продукту ?з вх?дними та вих?дними даними. Також на г?потетичних прикладах наведено результати реал?зац?ю продукту, а також показано ?х вплив на величину кредитного ризику ?, в?дпов?дно, банк?вського резерву щодо певного конкретного ф?нансового ?нструменту.?нтерфейс програмного модуляВ ц?лому програмний продукт передбача?ться як модуль б?льш комплексного р?шення для оц?нки кредитного ризику. Вбачаючи це, було прийнято р?шення не будувати граф?чний ?нтерфейс продукту, а комун?кац?ю зд?йснювати на р?вн? вх?дних-вих?дних файл?в.Загалом принцип роботи поляга? у наступному. На вход? пода?ться ?нформац?я про ф?нансов? ?нструменти та в?дпов?дне заставне майно, варт?сть якого потр?бно спрогнозувати, а також сам прогноз макроеконом?чних фактор?в, на яких базуватиметься прогноз вартост? заставного майна.Результатом роботи продукту ? вих?дний файл, що м?стить ?нформац?ю про оц?нку вартост? заставного майна на кожну зв?тну дату. Враховуючи типовий терм?н ф?нансового ?нструменту в Укра?н? (1-3 роки), було прийнято р?шення формувати результат на м?сячн?й основ? (тобто, надавати переоц?нену варт?сть на к?нець кожного м?сяця).Сама продукт склада?ться з двох основних компонент?в:Модуль розробки моделей. Цей модуль на основ? даних, описаних у попередньому розд?л?, створю? необх?дн? модел? для оц?нки вартост? заставного майна у розр?з? його категор?й. Детально цей процес описано у розд?л? REF _Ref25502708 \r \h РОЗД?Л 2. Статистичн? дан? по США ? Укра?н? м?стяться у окремих файлах.Модуль прогнозування. Цей модуль, на основ? отриманих вх?дних даних ? розрахунк?в з модулю розробки моделей, визнача? для кожного об’?кта застави, яку саме модель застосовувати для прогнозу його вартост? ? буду? цей прогноз, формуючи з нього к?нцевий вих?дний файл.Результатом роботи продукту ? вих?дний файл, що м?стить ?нформац?ю про оц?нку вартост? заставного майна на кожну зв?тну дату. Враховуючи типовий терм?н ф?нансового ?нструменту в Укра?н? (1-3 роки), було прийнято р?шення формувати результат на м?сячн?й основ? (тобто, надавати переоц?нену варт?сть на к?нець кожного м?сяця).?нтерфейс ? структура програмного продукту представлен? на REF _Ref25503231 \h Рисунок 4.1.Рисунок STYLEREF 1 \s 4. SEQ Рис. \* ARABIC \s 1 1 – ?нтерфейс програмного модуляЩодо вх?дних даних, варто зазначити наступне. Параметри fin_id, coll_id потр?бн? для ?дентиф?кац?? заставного майна у вих?дному файл?; параметри start_date ? tenor потр?бн? для розрахунку к?лькост? зв?тних пер?од?в ? довжину прогнозу. Оск?льки оц?нка вартост? заставного майна в?дбува?ться при признанн? ф?нансового ?нструменту або п?зн?ше, за в?дпов?дного р?шення кредитора, параметри rec_date ? coll_value дають ?нформац?ю про те, коли мала м?сце остання переоц?нка ? якою саме ця оц?нка була. ?ншими словами, ця ?нформац?я да? базу, до яко? застосовувати прогноз (нагада?мо, модул? показують вза?мозв’язок зм?н параметр?в, а не абсолютних величин), ? пер?од, до якого застосовувати перший прогноз.Макроеконом?чний прогноз склада?ться з двох елемент?в – прогнозу реального ВВП ? прогнозу ?нфляц??. Так? показники, як правило, прогнозуються на р?чн?й основ?. Однак, враховуючи, що модел? будувалися на зм?н? протягом 4-х квартал?в, то ц?лком можна застосовувати р?чн? прогнози без коригувань. Тим не менш, коригування треба застосовувати до першого прогнозного пер?оду, адже, як правило, час з моменту останньо? оц?нки в?др?зня?ться в?д р?чного пер?оду. Тому для першого прогнозного пер?оду застосову?ться коригування пропорц?йно до часу з моменту останньо? оц?нки.Принцип роботи основних програмних модул?в було описано ран?ше. Програмний код продукту представлено у додатку А.З точки зору результат?в програмного продукту, мають м?сце наступн? особливост?. Параметри fin_id, coll_id аналог?чн? до тих, що подаються у вх?дних даних ? слугують для ?дентиф?кац?? заставного майна. Параметри date, value несуть у соб? ?нформац?ю про оц?нку заставного майна на певну зв?тну дату. Тут варто зазначити, що прогноз зд?йснювався на р?чн?й основ? (адже макроеконом?чний прогноз пода?ться саме у такому вигляд?. Значення оц?нки на к?нець кожного м?сяця було отримано шляхом л?н?йно? ?нтерполяц?? оц?нок на к?нець кожного зв?тного року.Результати реал?зац??Оск?льки дан? про ф?нансов? ?нструмент? та заставне майно, пов’язане з цими ?нструментами, ? конф?денц?йною ?нформац??ю, програмний продукт було протестовано на г?потетичних даних. Дан? про два г?потетичних об’?кта заставного майна наведено у таблиц? 4.1.Таблиця 4.1 – Вх?дн? дан? по об’?ктах заставного майнаFin_idstart_datetenorcoll_idcoll_typecoll_valuerec_dateyear_in_useFinIn0130/09/201836FinIn01_1Residential property100031/10/2019#N/AFinIn0231/12/201848FinIn02_1Equipment1000031/10/2019#N/AНа наступн?й стор?нц? наведено результати застосування моделей – прогноз вартост? заставного майна для прикладу житлово? нерухомост? ( REF _Ref25524472 \h Рисунок 4.2) та обладнання ( REF _Ref25524495 \h Рисунок 4.3).Рисунок STYLEREF 1 \s 4. SEQ Рис. \* ARABIC \s 1 2 – Прогноз вартост? заставного майна FinIn01_1 (Житлова нерухом?сть)Рисунок STYLEREF 1 \s 4. SEQ Рис. \* ARABIC \s 1 3 – Прогноз вартост? заставного майна FinIn02_1 (Обладнання)Як ?люстрац?я впливу даного розрахунку на кредитний ризик ф?нансового ?нструмента наведено ще один приклад на г?потетичному ф?нансовому ?нструмент? – 5-р?чному кредиту ?з р?вном?рним погашенням.На REF _Ref25521014 \h Рисунок 4.4 наведено, якими будуть оч?куван? збитки у кожному з? зв?тних пер?од?в. Кумулятивна сума ? буде складати суму резерву. В даному випадку вона становить 5.72% в?д загально? суми кредиту (тобто установ?, що вида? кредит, потр?бно зарезервувати 5.72% в?д видано? суми).Рисунок STYLEREF 1 \s 4. SEQ Рис. \* ARABIC \s 1 4 – Розрахунок оч?куваних кредитних збитк?в за умов незм?нно? вартост? заставиУ цьому розрахунку LGD залиша?ться сталим, адже не зм?ню?ться варт?сть заставного майна. Однак якщо врахувати, що, оск?льки оч?ку?ться пожвавлення економ?ки (в?добража?ться у прогноз? реального ВВП ? ?ндексу ?нфляц??), то й ц?на актив?в ма? зростати. На REF _Ref25521052 \h Рисунок 4.5 про?люстровано саме такий приклад.Було умовно прийнято, що варт?сть заставного майна щор?чно зростатиме на 5% (включа? р?ст реальних ц?н та ?нфляц?ю).Рисунок STYLEREF 1 \s 4. SEQ Рис. \* ARABIC \s 1 5 – Розрахунок оч?куваних кредитних збитк?в за умов вартост? застави п?д впливом макроеконом?чних чинник?вЯк видно, величина оч?куваних кредитних збитк?в знижу?ться для кожно? наступно? зв?тно? дати, адже зроста? варт?сть застави ?, в?дпов?дно, скорочу?ться LGD. Кумулятивно оч?куван? кредитн? збитки за ?нструментом складуть за таким п?дходом 5.47%, що на 0.25 в.п. нижче за ECL при незм?нн?й вартост? застави. В абсолютному вираженн? застосування методолог?? коригування заставно? вартост? на макроеконом?чн? фактори призвело до скорочення резерву на 4.4%, тобто з точки зору ф?нустанови додатково вив?льнилося 4.4% резерву, як? можна пустити в об?г.Висновки до Розд?лу 4Отриман? результати моделювання дозволяють б?льш точно оц?нювати суму кошт?в, яку може отримати кредитор у випадку настання дефолту позичальника. Це проявля?ться у зм?н? чисто? заставно? вартост? (вартост? застави з урахування ус?х пов’язаних витрат ? збитк?в). Застосовуючи отриман? регрес??, можна прогнозувати, якою буде варт?сть застави на зв?тн? дати ?, в?дпов?дно, як це впливатиме на оч?куван? грошов? потоки по ?нструменту.Варто зазначити, що методолог?я ? в?дпов?дний вплив на резерви значним чином залежить як в?д обраних моделей прогнозування, так ? в?д самих макроеконом?чних прогноз?в, до яких ц? модел? застосовуються. Однозначно, ц? прогнози мають в?дпов?дати тим, що закладаються при розробц? макроеконом?чних сценар??в у розрахунку PD.З точки зору подальших досл?джень, для б?льш точного прогнозування ? сенс коригувати отриман? модел? для категор?й заставного майна у в?дпов?дност? до ?х типолог?зац?? (наприклад, вид?лення р?зних груп комерц?йно? нерухомост?), або ж враховувати ?нш? часов? фактори (наприклад, знец?нення автомоб?льних засоб?в ?з часом). Однак ус? ц? коригування залежать в?д наявност? необх?дних даних ? ?х обсягу.РОЗРОБКА СТАРТАП-ПРОЕКТУУ даному розд?л? представлено п?дх?д до розробки стартап-проекту за темою роботи з практично? точки зору. Розд?л склада?ться з опису ?де? проекту (перший п?дрозд?л), анал?зу ринкових можливостей його запуску (другий п?дрозд?л). Кр?м того, у третьому ? четвертому п?дрозд?лах подано також принципи розроблення ринково? стратег?? та маркетингово? програми потенц?йного стартап-проекту, в?дпов?дно.Опис ?де? проекту (товару, послуги, технолог??)Опис ?де? стартап-проекту представлено в таблиц? 5.1.Таблиця 5.1 – Опис ?де? стартап-проектуЗм?ст ?де?Напрямки застосуванняКредитним установам необх?дно пост?йно зд?йснювати переоц?нку кредитних актив?в ? у рамках цього зд?йснювати переоц?нку вартост? заставного майна. Програмний продукт дозволя? автоматизувати процес переоц?нки ? розрахунку заставно? вартост? на основ? макроеконом?чних показник?в.1. Переоц?нка заставного майна на дату2. Динам?ка еволюц?? вартост?3. ?стор?я економ?чного знец?ненняВизначення сильних, слабких та нейтральних характеристик ?де? проекту представлено в таблиц? 5.2.Таблиця 5.2 – Сильн?, слабк? та нейтральн? характеристики ?де? проекту№ п/пТехн?ко-економ?чн? характеристики ?де?(Потенц?йн?) товари/концепц?? конкурент?вW (слабка сторона)N (нейт. стор.)S (сильна сторона)MacroFin9Big-4 Tool1Розрахунок кредитного ризику+++2Переоц?нка заставно? вартост?--+3Можлив?сть прогнозування+-+4В?дом?сть бренду-++Анал?з технолог?чна зд?йсненн?сть та реал?зац?? ?де? проекту м?ститься у таблиц? 5.3.Таблиця 5.3 – Технолог?чна зд?йсненн?сть ?де? проекту№ п/п?дея проектуТехнолог?? ?? реал?зац??Наявн?сть технолог?йДоступн?сть технолог?й1Переоц?нка заставного майна на датуPythonНаявн?. Необх?дна розробка з використанням в?дпов?дних б?бл?отек.Доступн?2Динам?ка еволюц?? вартост?Python-/-Доступн?3?стор?я економ?чного знец?нення Python-/-Доступн?Обрана технолог?я реал?зац?? ?де? проекту. Проект буде реал?зований на мов? програмування Python на основ? публ?чних даних з використанням в?дпов?дних статистичних б?бл?отек.Анал?з ринкових можливостей запуску стартап-проектуПопередня характеристика потенц?йного ринку стартап-проекту представлена в таблиц? 5.4.Таблиця 5.4 – Попередня характеристика потенц?йного ринку стартап-проекту№ п/пПоказники стану ринку (найменування)Характеристика1К?льк?сть головних гравц?в, од2+1 (власними силами)2Загальний обсяг продаж$1?000 (10 п?дписок/$100)3Динам?ка ринку (як?сна оц?нка)Зроста?4Наявн?сть обмежень для входу (вказати характер обмежень)Нема?5Специф?чн? вимоги до стандартизац?? та сертиф?кац??Нема?6Середня норма рентабельност? в галуз? (або по ринку), %20%Характеристика потенц?йних кл??нт?в стартап-проекту представлена в таблиц? 5.5.Таблиця 5.5 – Характеристика потенц?йних кл??нт?в стартап-проектуПотреба, що форму? ринокЦ?льова аудитор?я (ц?льов? сегменти ринку)В?дм?нност? у повед?нц? р?зних потенц?йних ц?льових груп кл??нт?вВимоги споживач?в до товаруПравильне в?дображення справедливо? вартсо?т кредитних актив?вБанк?вськ? на ?нш? кредитн? установиОдна ц?льова потенц?йна група.User-friendly ?нтерфейс;Швидкод?я;Наявн?сть анал?тично? ?нформац??.Фактори загроз представлен? в таблиц? 5.6.Таблиця 5.6 –Фактори загроз№ п/пФакторЗм?ст загрозиМожлива реакц?я компан??1Под?бний функц?онал з’явиться у б?льш в?домих конкурент?вЛюди будуть схильн? користуватися вже в?домою програмою, а не пробувати щось нове.Активн?ша маркетингова кампан?яФактори можливостей представлен? в таблиц? 5.7.Таблиця 5.7 –Фактори можливостей№ п/пФакторЗм?ст можливост?Можлива реакц?я компан??1Переклад на додатков? мовиЗб?льшення можливо? к?лькост? споживач?в-2Включення як модуля у б?льш агрегований програмний продуктЗб?льшення можливо? к?лькост? споживач?в ? вартост? п?дписки-Ступеневий анал?з конкуренц?? на ринку представлений в таблиц? 5.8.Таблиця 5.8 – Ступеневий анал?з конкуренц?? на ринкуОсобливост? конкурентного середовищаВ чому проявля?ться дана характеристикаВплив на д?яльн?сть п?дпри?мства (можлив? д?? компан??, щоб бути конкурентоспроможною)Ол?гопол?я? невелика к?льк?сть популярних програм з под?бним частковим функц?оналом.Необх?дно, щоб був особливий функц?онал, який зможе зац?кавити споживач?в.Нац?ональний р?вень конкурентно? боротьбиПереоц?нка ф?нансових ?нструмент?в регулю?ться на законодавчому р?вн?Можна розширити на кра?ни ?С, адже вимоги до переоц?нки гармон?зован?Внутр?шньогалузеве конкурентне середовищеЗа характером конкурентних переваг - нец?новаПеревагою в кожного виробника ? особливост? функц?оналу.-За ?нтенсивн?стю - марочнаОл?гопол?стичн?сть ринкуТоргова марка сильно вплива? на позиц?ю на ринкуАнал?з конкуренц?? в галуз? за М. Портером – у таблиц? 5.9.Таблиця 5.9 – Анал?з конкуренц?? в галуз? за М. ПортеромСкладов? анал?зуПрям? конкуренти в галуз?Потенц?йн? конкурентиПостачальникиКл??нтиТовари-зам?нникиMacroFin9Big-4 Tool?нформац?я в?дсутня---Висновки:?нтенсивн?сть боротьби з ?снуючими конкурентами достатньо висока. Але н?яких перешкод виходу на ринок нема?Виграти конкуренц?ю можна т?льки за рахунок переваг у функц?онал?---Об?рунтування фактор?в конкурентоспроможност? наведено в таблиц? 5.10.Таблиця 5.10 – Об?рунтування фактор?в конкурентоспроможност?№ п/пФактор конкурентоспроможност?Об?рунтування (наведення чинник?в, що роблять фактор для пор?вняння конкурентних проект?в значущим)1?нновац??Програмний продукт матиме функц?онал, якого на даний момент нема? в жодного з конкурент?в2Ц?нова пол?тикаНа початкових етапах, а, можливо, ? надал? функц?онал буде безкоштовним.3П?дтримка ? оновленняДодаток буде пост?йно оновлюватись для додавання нового функц?оналу та зг?дно з побажаннями користувач?в.Пор?вняльний анал?з сильних та слабких стор?н наведено в таблиц? 5.11.Таблиця 5.11 – Пор?вняльний анал?з сильних та слабких стор?н№ п/пФактор конкурентоспроможност?Бали 1-20Рейтинг товар?в-конкурент?в у пор?внянн? з аналогами–3–2–10+1+2+31?нновац??15+2Ц?нова пол?тика19+3П?дтримка ? оновлення18+SWOT-анал?з стартап-проекту – таблиця 5.12.Таблиця 5.12 – SWOT-анал?з стартап-проектуСильн? сторони: новий функц?онал, ц?нова пол?тикаСлабк? сторони: мала в?дом?стьМожливост?: пост?йне розширення функц?оналуЗагрози: пов?льна робота продукту, поява схожого функц?оналу на ринкуАльтернативи ринкового впровадження стартап-проекту розглянуто у таблиц? 5.13.Таблиця 5.13 – Альтернативи ринкового впровадження стартап-проекту№ п/пАльтернатива (ор??нтовний комплекс заход?в) ринково? повед?нкиЙмов?рн?сть отримання ресурс?вСтроки реал?зац??1Переклад на додатков? мовиНизька3-6 м?сяц?2Включення як модуля у б?льш агрегований програмний продуктВисока6-12 м?сяц?вРозроблення ринково? стратег?? проектуВиб?р ц?льових груп потенц?йних споживач?в наведено в таблиц? 5.14.Таблиця 5.14 – Виб?р ц?льових груп потенц?йних споживач?в№ п/пОпис проф?лю ц?льово? групи потенц?йних кл??нт?вГотовн?сть споживач?в сприйняти продуктОр??нтовний попит в межах ц?льово? групи (сегменту)?нтенсивн?сть конкуренц?? в сегмент?Простота входу в сегмент1Банк?вськ? та ?нш? кредитн? установиДля дано? ц?льово? групи продукт буде схожим на продукти конкурент?в, тому перех?д на використання нашого додатку ускладнений.Попит високий.Середня ?нтенсивн?сть конкуренц??.Вх?д в сегмент пов?льний ? достатньо складний.Визначення базово? стратег?? розвитку наведено в таблиц? 5.15.Таблиця 5.15 – Визначення базово? стратег?? розвитку№ п/пОбрана альтернатива розвитку проектуСтратег?я охоплення ринкуКлючов? конкурентоспроможн? позиц?? в?дпов?дно до обрано? альтернативиБазова стратег?я розвитку*1Включення як модуля у б?льш агрегований програмний продуктНа основ? вже представлених на ринку р?шеньБанк?вськ? установиВизначення базово? стратег?? конкурентно? повед?нки наведено в таблиц? 5.16.Таблиця 5.16 – Визначення базово? стратег?? конкурентно? повед?нки№ п/пЧи ? проект ?першопрох?дцем? на ринку?Чи буде компан?я шукати нових споживач?в, або забирати ?снуючих у конкурент?в?Чи буде компан?я коп?ювати основн? характеристики товару конкурента, ? як??Стратег?я конкурентно? повед?нки1Н?. Але ? ун?кальний функц?онал.Обидва вар?анти.Н?. Продукт ? додатком до повноц?нних р?шень.Розроблення маркетингово? програми стартап-проектуВизначення ключових переваг концепц?? потенц?йного товару – таблиц? 5.17.Таблиця 5.17 – Визначення ключових переваг концепц?? потенц?йного товару№ п/пПотребаВигода, яку пропону? товарКлючов? переваги перед конкурентами (?снуюч? або так?, що потр?бно створити1Переоц?нка заставного майна на датуЗабезпечу? потребуПереваг в даному контекст? нема?.2Динам?ка еволюц?? вартост?Забезпечу? потребуПеревага перед тими конкурентами, як? не мають такого функц?оналу3?стор?я економ?чного знец?ненняЗабезпечу? потребуПеревага перед ус?ма конкурентамиФормування системи збуту наведено в таблиц? 5.18.Таблиця 5.18 – Формування системи збуту№ п/пСпециф?ка закуп?вельно? повед?нки ц?льових кл??нт?вФункц?? збуту, як? ма? виконувати постачальник товаруГлибина каналу збутуОптимальна система збуту1Хмарне р?шення з web-доступом---Концепц?я маркетингових комун?кац?й приведена в таблиц? 5.19.Таблиця 5.19 – Концепц?я маркетингових комун?кац?й№ п/пСпециф?ка повед?нки ц?льових кл??нт?вКанали комун?кац?й, якими користуються ц?льов? кл??нтиКлючов? позиц??, обран? для позиц?онуванняЗавдання рекламного пов?домленняКонцепц?я рекламного звернення1Банк?вськ? та ?нш? кредитн? установи?Сарафанне рад?о?, зустр?ч? з представниками установПереоц?нка вартост?Розпов?сти про ?снування додатку.Б?льш точн? результати для кращого ризик-менеджменту портфелюВисновки до Розд?лу 5Можемо зробити висновок про те, що проект ц?лком може бути комерц?йно усп?шним, оск?льки ми знайшли досить велику потенц?йну групу кл??нт?в, яка здатна платити за як?сний серв?с. Конкуренц?я на ринку ?сну?, а, отже ? ?снують додатков? складнощ? при виход? на ринок, але завдяки особливостям продукту ?х можна подолати. Робимо висновок про те, що подальша ?мплементац?я проекту ? доц?льною. ? в майбутньому необх?дно обрати стратег?ю по додаванню особливого функц?оналу, який в?дсутн?й на ринку для зб?льшення бази кл??нт?в та популяризац?? власного продукту, а також ?мплементац?? додатку як модуля б?льш глобально? системи з ширшим функц?оналом.ВИСНОВКИУ в?дпов?дност? до мети ? поставлених завдань було проведено досл?дження ? отримано низку висновк?в ? рекомендац?й. Зокрема, було виявлене наступне:На основ? досл?дження м?жнародних стандарт?в ф?нансово? зв?тност? стосовно оц?нки кредитного ризику було встановлено, що незважаючи на те, що МСФЗ 9 хоча ? м?стить загальн? принципи ? формули для оц?нки кредитного ризику, стандарт залиша? значну частину параметр?в на розсуд ф?нансово? установи. Зокрема, це стосу?ться ? врахування заставно? вартост? при розрахунку LGD – ф?нансова установа може сама приймати р?шення, яку саме модель використовувати при розрахунку компонент?в LGD. Питання впливу макроеконом?чних фактор?в, хоча ? розглядалося у л?тератур?, стосувалося у ц?лому модел? LGD, а не заставного майна.При вир?шенн? задач, поставлених в рамках дано? роботи, було досл?джено економ?чну природу понять ?застава?, ?заставне майно?, ?оц?нка вартост? застави?, а також встановлено значення заставно? вартост? для оц?нки кредитного ризику за ф?нансовим ?нструментом. Зокрема, варт?сть заставного майна ? основним компонентом, який не заф?ксовано при оформленн? кредитного договору (варт?сть застави, на в?дм?ну в?д контрактних грошових поток?в, зм?ню?ться з часом п?д впливом ринкових умов). В?дпов?дно, коливання значення цього компоненту прямим чином впливають на LGD у кожний момент терм?ну д?? ф?нансового ?нструменту. Розглянувши функц?ональну модель оц?нки вартост? заставного майна, було встановлено, що доц?льним буде зосередитися лише на вплив? зовн?шн?х (макроеконом?чних) фактор?в лише на справедливу варт?сть реал?зац?? майна у конкретний момент часу, ? вже на основ? ц??? вартост? визначати LGD ?, в?дпов?дно, обсяг кредитного ризику ? необх?дних резерв?в.З точки зору п?дход?в до оц?нки заставного майна, в теор?? та на практиц? виокремлюють три традиц?йн? п?дходи до оц?нки вартост? майна: витратний, ринковий та дох?дний. Варто зазначити, що особлив?стю процесу оц?нки вартост? застави ? ?? ринковий характер. Це означа?, що оц?нка не обмежу?ться визначенням лише одних витрат на створення оц?нюваного об’?кта. Вона обов’язково врахову? сукупн?сть ринкових фактор?в: часу, ризику, ринково? кон’юнктури, р?вня ? модел? конкуренц??, економ?чних особливостей оц?нюваного об’?кта, а також макро- ? м?кроеконом?чного середовища.Найб?льш правильним п?дходом ? проведення при кожн?й переоц?нц? детального анал?зу вартост? заставного майна ?з залученням профес?йних оц?нювач?в. Однак на практиц? реал?зувати це не вда?ться внасл?док надм?рних часових ? грошових витрат при незначному результат?.В рамках досл?дження було вид?лено ш?сть категор?й предмет?в застави з урахуванням к?льк?сних та як?сних характеристик. Дана класиф?кац?я пот?м використовувалася для моделювання прогнозно? вартост?.Для визначення впливу макроеконом?чних фактор?в на варт?сть заставного майна було використано регрес?йн? модел?, адже вони дозволяють отримати кращ? оц?нки параметр?в.Було створено низку однофакторних моделей для кожно? ?з груп заставного майна. Незалежною зм?нною виступали або зм?на реального ВВП, або зм?на ?нфляц??. Для коригування отриманих моделей було застосовано принципи ймов?рност? Бай?са, аби б?льш точно в?добразити оц?нки параметр?в.Результуюч? модел? характеризуються р?зними характеристиками (коеф?ц??нт детерм?нац?? колива?ться у межах в?д 0,12 до 0,49 для моделей, побудованих на американських даних; для моделей на укра?нських даних коеф?ц??нт у деяких моделях сяга? 0,90). Щодо прогнозно? сили моделей, результати також р?зняться – показник RMSE становить в?д 0,99 до 9,64).У п?дсумку, отриман? результати моделювання дозволяють б?льш точно оц?нювати суму кошт?в, яку може отримати кредитор у випадку настання дефолту позичальника. Це проявля?ться у зм?н? чисто? заставно? вартост? (вартост? застави з урахування ус?х пов’язаних витрат ? збитк?в). Застосовуючи отриман? регрес??, можна прогнозувати, якою буде варт?сть застави на зв?тн? дати ?, в?дпов?дно, як це впливатиме на оч?куван? грошов? потоки по ?нструменту.Варто зазначити, що методолог?я ? в?дпов?дний вплив на резерви значним чином залежить як в?д обраних моделей прогнозування, так ? в?д самих макроеконом?чних прогноз?в, до яких ц? модел? застосовуються. На основ? опрацьованих теоретичних матер?ал?в та стандарт?в, п?дход?в ? математичного апарату досл?дження було розроблено модель переоц?нки заставно? вартост? для розрахунку кредитного ризику, за базу яко? обрано ринкову варт?сть майна на момент оц?нки, з майбутн?м прогнозуванням ?? можливих зм?н протягом строку д?? кредитного договору та пер?оду стягнення заборгованост?, а також оц?нки впливу на не? ?нших неринкових умов реал?зац??.З точки зору рекомендац?й, вони стосуються оц?нки банками кредитних ризик?в. Зокрема, рекомендац?я поляга? у тому, що ф?нансовим установам варто враховувати вплив макроеконом?чних фактор?в на оц?нку вартост? заставного майна протягом терм?ну д?? ф?нансового ?нструменту. Було наочно доведено, що при сприятливих макроеконом?чних прогнозах (як? мають м?сце у б?льшост? випадк?в) врахування цих фактор?в призводить до зменшення обсягу резервування за ф?нансовим ?нструментом на 0.25 в.п. нижче, пор?вняно з традиц?йним п?дходом, що використову?ться нараз?. за ECL при незм?нн?й вартост? застави. Тобто з точки зору ф?нустанови ?сну? потенц?ал додатково вив?льнити ? пустити в об?г 4.4% резерву за умовного сценар?ю.Варто зазначити, що методолог?я ? в?дпов?дний вплив на резерви значним чином залежить як в?д обраних моделей прогнозування, так ? в?д самих макроеконом?чних прогноз?в, до яких ц? модел? застосовуються. Однозначно, ц? прогнози мають в?дпов?дати тим, що закладаються при розробц? макроеконом?чних сценар??в у розрахунку PD.Таким чином, завдання вир?шен? в повному обсяз?, мета досл?дження досягнута –з’ясовано роль застави в систем? оц?нки кредитного ризику за МСФЗ?9 та розроблено рекомендац?? щодо удосконалення процесу оц?нки кредитного ризику ?з урахуванням заставного майна, як? полягають у врахуванн? макроеконом?чних фактор?в при переоц?нц? заставного майна для ц?лей прогнозування грошових поток?в за ф?нансовим ?нструментом.З точки зору можливост? подальшого досл?дження, ?снують аспекти створено? модел?, як? можна вдосконалити. Зокрема, для б?льш точного прогнозування сл?д додати коригування до отриманих моделей для категор?й заставного майна у в?дпов?дност? до ?х типолог?зац?? (наприклад, вид?лення р?зних груп комерц?йно? нерухомост?), або ж врахувати ?нш? часов? фактори (наприклад, знец?нення автомоб?льних засоб?в ?з часом).ПЕРЕЛ?К ПОСИЛАНЬ1. МСФЗ 9 Ф?нансов? ?нструменти (переклад 2018 р.). Дата оновлення 17.11.2019. URL: (дата звернення: 19.11.2019).2. T. Bellini. IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples worked in R and SAS. London: Academic Press, 2019. 316 p.3. Про заставу: Закон Укра?ни в?д 02.11.1992 р. № 2654-XII. Дата оновлення: 04.02.2019. URL: (дата звернення 19.11.2019). 4. Владичин У. В. Банк?вське кредитування: навчальний пос?бник. Ки?в: Ат?ка, 2008. 648 c.5. Положення про визначення банками Укра?ни розм?ру кредитного ризику за активними банк?вськими операц?ями в?д 30.06.2016. URL: ;, (дата звернення 19.11.2019). 6. Leow M., Mues C. Predicting Loss Given Default (LGD) for Residential Mortgage Loans: ATwo-stage Model and Empirical Evidence for UK Bank Data. International Journal of Forecasting. 2012. Vol. 28, No. 1. P. 183-195.7. Zhang B. Fair Lending Analysis of Mortgage Pricing: Does Underwriting Matter? The Journal of Real Estate Finance and Economics. 2013. Vol. 46, No?1. P. 131-151. 8. Qi M., Yang X. Loss Given Default of High Loan-to-value Residential Mortgages. Journal of Banking and Finance. 2009. Vol. 5, No?33. P. 788-799.9. Araten M., Jacobs M., Varshney P. Measuring LGD on Commercial Loans: An 18-year Internal Study. RMA Journal. 2004. Vol. 8, No. 86. P. 96-103. 10. LaCour-Little M., Zhang Y. Default Probability and Loss Given Default for Home Equity Loans: Working paper / California State University-Fullerton. Fullerton, 2014. 11. Lekkas V., Quigley J., Order R. Loan Loss Severity and Optimal Mortgage Default. American Real Estate and Urban Economics Association Journal. 1993. Vol. 4, No. 21. P. 353-371. 12. Pennington-Cross A. Subprime and Prime Mortgages: Loss Distributions: OFHEO Working paper 03-1, 2003. 13. Dermine J., Carvalho C. Bank Loan Losses-given-default: A Case Study. Journal of Banking and Finance. 2006. Vol. 4, No. 30. P. 1219-1243. 14. Schuermann T. What do We Know about Loss Given Default? Working paper no 04-01, 2004. 15. Sigrist F., Stahel W. Using the Censored Gamma Distribution for Modeling Fractional Response Variables with an Application to Loss Given Default. ASTIN Bulletin. 2011. Vol. 2, No. 41. P. 673-710. 16. Bastos J. Forecsting Bank Loans Loss-give-default. Journal of Banking & Finance. 2010. Vol. 10, No. 34. P. 2510-2517. 17. Somers M., Whittaker J. Quantile Regression for Modelling Distributions of Profit and Loss. European Journal of Operational Research. 2007. Vol. 3, No. 183. P. 1477-1487. 18. Bellotti T., Crook J. Loss Given Default Models Incorporating Macroeconomic Variables for Credit Cards. International Journal of Forecasting. 2012. Vol. 1, No. 28. P. 171-182. 19. Yashkir O., Yashkir Y. Loss Given Default Modeling: Comparative Analysis. Journal of Risk. 2013. Vol. 7, No. 1. P. 25-59. 20. Pereira T., Cribara-Neto F. A Test for Correct Model Specification in Inflated Beta Regressions: Working Paper / Institute de Matematica, Estatistica e Computaceo Cientifica Universidade Estadual, 2010. 24 p.21. Altman E. Brady B., Resti A., Sironi A. The Link between Default and Recovery Rates: Theory, Empirical Evidence, and Implication. Journal of Business-Chicago. 2005. Vol. 6, No. 78. P. 2203-2228. 22. Schuermann T. What do We Know About Loss Given Default? Federal Reserve Bank of New York, 2003. 23. Фантаццини Д. Управление кредитным риском. Прикладная эконометрика. 2008. № 4 (12). С. 84-137. 24. Про затвердження Положення про визначення банками Укра?ни розм?ру кредитного ризику за активними банк?вськими операц?ями: Постанова НБУ №351 в?д 30.06.2016, URL: (дата звернення 19.11.2019). 25. С?рош Т. О. Оц?нка заставного майна в систем? кредитування: фвтореф. дис. … к-та екон. наук: 08.00.08 / Нац. наук. Центр ??нст. агр. ек-ки? Укр. ак-м?? арг. наук. Ки?в, 2009. 208 с.26. Директива 2013/36/?С ?вропейського парламенту та Ради в?д 26 червня 2013 року про доступ до д?яльност? кредитних установ та пруденц?йний нагляд по в?дношенню до кредитних установ та ?нвестиц?йних ф?рм, що вносить зм?ни до Директиви 2002/87/?С та припиня? д?ю Директиви 2006/48/?С та 2006/49/?С (переклад), Ки?в, 2013. 27. Pa?kevi?ius A., Norkaityt? O. The Impact of Macroeconomic Indices Upon the Liquidity of the Baltic Capital Markets: study / International Business School, 2011. 28. OICV_IOSCO, Factors Influencing Liquidity in Emerging Markets, 2007. 29. Gathuru J. W. The Effect of Macroeconomic Variables on the Value of Real Estates Suppliend in Kenya: MSc disseratation / University of Nairobi. Nairobi, 2014. 65 p.30. The post-IFRS 9 era for the lending industry. Deloitte working papers. Sofia, 2018. 31. Figlewski S., Frydman H., Liang W. Modeling the Effect of Macroeconomic Factors on Corporate Default and Credit Rating Transitions: study / NYU Stern School of Business. New York, 2012. 50 p.32. Roszbach K. Corporate Credit Risk Modeling and the Macroeconomy. Journal of Banking and Finance. 2007. Vol. 31. 33. Cox D. R. Regression Models and Life Tables. Journal of the Royal Statistical Society. 1972. Vol. 34, No. 2. P. 187-220.34. Shumway T. Forecasting Bankruptcy More Accurately: A Simple Hazard Model. Journal of Business. 2001. Vol. 74, No. 1. P. 101-124. 35. Yan A.C., Shi J., Wu C. Do Macroeconomic Variables Matter for Pricing Default Risk? International Review of Economics and Finance. 2008 Vol. 17, No. 2. P. 279-291. 36. Laurin M., Martynenko O. The Influence of Macroeconomic Factors on the Probability of Default. Lund University School of Economics and Management, 2009. 37. Ozbay E. The Relationship between Stock Returns and Macroeconomic Factors. Evidence from Turkey: MSc disseratation / University of Exeter. Exeter, 2009. 72 p. 38. Тотьмянина К. М. Обзор моделей вероятности дефолта. Управление финансовыми рисками. 2011. Т. 1, №. 25. С. 12-24. 39. Credit Risk Modeling: Current Practices and Applications. Basle Committee on Banking Supervision. Basle, April 1999.40. Chan-Lau J. A. Fundamentals-Based Estimation of Default Probabilities - A Survey. IMF Working Papers 06/149, 2006. 41. Нехайчук Д.В., Куртбединов Д.О. Оц?нка заставного майна в систем? кредитування. Проблемы материальной культуры - Экономические науки. С. 70-74. 42. МСФЗ 13 Оц?нка справедливо? вартост? (переклад 2018 р.). Дата оновлення 17.11.2019. URL: (дата звернення: 19.11.2019).43. Карминский А., Лозинская А., Ожегов Е. Методы оценки потерь кредитора при ипотечном жилищном кредитовании. Экономический журнал ВШЭ. 2016. т. 20, № 1. С. 9-51. 44. Sirmans S., Macpherson E. Z. D. A. The Composition of Hedonic Pricing Models. Journal of Real Estate Literature. 2005. Vol. 1, No. 13, P. 1-44. 45. Tobin J. Estimation of Relationships for Limited Dependent Variables. Econometrica. 1958. Vol. 1, No. 26, P. 24-36. 46. Ross S. Mortgage Lending, Sample Selection and Default. Real Estate Economics. 2000. No. 28. P. 581-621. 47. Huang X., Oosterlee C. Generalized Beta Regression Models for Random Loss-given-default. Journal of Credit Risk. 2012. Vol. 4, No. 7. P. 45-70. 48. Heckman J. Sample Selection Bias as a Specification Error. Econometrica. 1979. Vol. 1, No. 47. P. 153-161. 49. Stress testing at major financial institutions: survey results and practice. Ком?тет з глобально? ф?нансово? системи Банку м?жнародних розрахунк?в, 2005. 50. Basle II: International Convergence of Capital Measurement and Capital Standards. Basle, 2006. 51. Bellotti T., Crook J. Modelling and predicting loss given default for credit cards. Quantitative Financial Risk Management Centre. 2007. 52. Brambor T., Clark W., Golder M. Understanding interaction models: improving empirical analyses. Political Ananlysis. 2005. Vol. 1, No. 14. P. 63-82. 53. Dermine D., Carvalho C. N. de. Bank loan losses-given-default: a case study. Journal of Banking and Finance. 2005. Vol. 30, No. 4. P. 1219-1243. 54. Figlewski S., Frydman H., Liang W. Modeling the Effect of Macroeconomic Factors on Corporate Default and Credit Rating Transitions. International Review of Economic and Finance. 2006. Vol. 1, No. 21.55. Saurina J., Trucharte C. An assessment of Basel II procyclicality in mortgage portfolios. Banco de Espa?a, 2007.56. Miller A. Subset Selection in Regression (Second Edition). New York: Chapman & Hall, 2019. 256 p.57. Иткина А. Я. Временные ряды. Стационарность временного ряда и модель ARIMA, 2008.58. Kruschke J. K. Doing Bayesian Data Analysis: A Tutorial with R ans BUGS. Academic Press, 2010. 672 p. 59. Wang F., Gelfand A. A simulation-based approach to Bayesian sample size determination for performance under a given model and for separating models. Statistical Science. 2002. Vol. 17. P. 193-208. 60. Berry D. A. Statistics: A Bayesian perspective. Belmont: Duxbury Press/Wadworth, 1996. 518 p.61. Bolstad W. M. Introduction to Bayesian statistics (2nd ed.). New York: Wiley, 2007. 624 p.62. Carlin B. P., Chib S. Bayesian model choice via Markov chain Monte Carlo methods. Journal of the Royal Statistical Society. 1995. Vol. B, No. 57(3). P. 473-484. 63. Carlin B. P., Louis T. A. Bayesian methods for data analysis (3rd ed.). Boca Raton: CRC Press, 2009. 552 p.ДОДАТОК А. ПРОГРАМНИЙ КОД ПРОДУКТУФайл main.py#Import librariesimport pandas as pdfrom datetime import datetimeimport numpy as npimport matplotlib.pyplot as pltget_ipython().magic(u'matplotlib inline')def main(): forecast = pd.read_csv('data/input_forecast.csv') forecast.columns = ['item', 'date', 'value'] col_names = [ 'fin_id', 'start_date', 'tenor', 'coll_id', 'coll_type', 'coll_value', 'rec_date', 'years_in_use', ] df = pd.read_csv('data/input.csv') df.columns = col_names model = {'coll_type': ['Residential property', 'Commercial property', 'Land', 'Transport vehicle', 'Equipment', 'Other' ], 'intercept': [0.0, 0.0, 0.0, -3.1682, 0.0, -1.8777, ], 'rGDP_coeff': [0.802, 0.0, 0.0, 0.0, 0.0, 0.0, ], 'cpi_coeff': [0.0, 1.0238, 1.0238, 1.6538, 0.4365, 1.5086 ] } model = pd.DataFrame(model, columns = ['coll_type','intercept','rGDP_coeff','cpi_coeff']) #create time series of forecasts rGDP_f = forecast[forecast['item']=='rGDP'].loc[:,['date','value']] cpi_f =forecast[forecast['item']=='cpi'].loc[:,['date','value']] rGDP_f forecast = pd.DataFrame() ser = dict() for coll_type in model['coll_type']: ser['coll_type'] = coll_type for date in rGDP_f['date']: value = np.sum(model[model['coll_type']==coll_type].loc[:,['intercept','rGDP_coeff','cpi_coeff']]*[1,rGDP_f[rGDP_f['date']==date].value,cpi_f[cpi_f['date']==date].value]) value = value.sum() ser[date] = value forecast = forecast.append(ser, ignore_index=True) temp = list(forecast.columns.values) temp.remove('coll_type') dates =[] for item in temp: #print(datetime.strptime(item,'%d/%m/%y')) dates.append(datetime.strptime(item,'%d/%m/%Y').date()) from dateutil.relativedelta import * from pandas.tseries.offsets import MonthEnd output = pd.DataFrame() for index, row in df.iterrows(): print(row['coll_type']) coll_type = row['coll_type'] end_date = datetime.strptime(row['start_date'],'%d/%m/%Y').date() + relativedelta(months=row['tenor']) end_date = (end_date + MonthEnd(row['tenor'])).date() curr_date = datetime.strptime(row['rec_date'],'%d/%m/%Y').date() + relativedelta(months=1) remains = (dates[0]-datetime.strptime(row['rec_date'],'%d/%m/%Y').date()) model_res = forecast[forecast['coll_type']==coll_type] value_upd = row['coll_value'] ser = {datetime.strptime(row['rec_date'],'%d/%m/%Y').date(): value_upd} for date in dates: remains = (date-datetime.strptime(row['rec_date'],'%d/%m/%Y').date()).days / 365 change = model_res[datetime.strftime(date, '%d/%m/%Y')].values/100 if remains < 1: change = change*remains value_upd = value_upd*(1+change) #print(value_upd) #print(model_res[datetime.strftime(date, '%d/%m/%Y')].values) ser[date] = value_upd[0] #print(ser) result = pd.Series(ser) result.index = pd.to_datetime(result.index) result = result.resample('M').interpolate() result = result.to_frame(name='value') result['coll_type'] = row['coll_type'] result['coll_id'] = row['coll_id'] result['fin_id'] = row['fin_id'] output = output.append(result) sample = output[output['coll_id']=='FinIn01_1'] sample.value.plot() sample = output[output['coll_id']=='FinIn01_1'] fig, ax = plt.subplots(figsize=(15, 10)) ax.plot(sample.index, sample.value, 'o', label="Collateral value") start, end = ax.get_ylim() ax.set_ylim(0, end) ax.set_xlabel('Date (reporting dates)') ax.set_ylabel('Collateral value (Currency units)') ax2 = ax.twinx() ax2.plot(pd.to_datetime(rGDP_f['date']), rGDP_f['value'], 'r', label='Real GDP change') ax2.set_ylabel('Real GDP change (%)') #ax.plot(x, y_pred_ua, 'cyan', label='OLS prediction UA') #ax.plot(x, y_bayes, 'green', label='GLM prediction') fig.tight_layout() ax.legend(loc="upper left") ax2.legend(loc="upper right") sample = output[output['coll_id']=='FinIn02_1'] fig, ax = plt.subplots(figsize=(15, 10)) ax.plot(sample.index, sample.value, 'o', label="Collateral value") start, end = ax.get_ylim() ax.set_ylim(0, end) ax.set_xlabel('Date (reporting dates)') ax.set_ylabel('Collateral value (Currency units)') ax2 = ax.twinx() ax2.plot(pd.to_datetime(cpi_f['date']), cpi_f['value'], 'r', label='CPI change') ax2.set_ylabel('CPI change (%)') fig.tight_layout() ax.legend(loc="upper left") ax2.legend(loc="upper right")if __name__ == “__main__”: main()Файл ProjectCPI-PPI.py (як приклад аналог?чних файл?в для ?нших моделей)#Import librariesimport pandas as pdfrom datetime import datetimeimport numpy as npimport matplotlib.pyplot as pltget_ipython().magic(u'matplotlib inline')from sklearn.model_selection import train_test_splitimport statsmodels.api as smfrom statsmodels.iolib.summary2 import summary_colfrom statsmodels.tools import eval_measures as measure import seaborn as snsfrom IPython.core.pylabtools import figsizefrom scipy.stats import percentileofscorefrom scipy import statsfrom statsmodels.tsa.stattools import adfuller#Import data for US, Poland and Ukrainedef readData(path, col_names): df = pd.read_csv(path) df.columns = col_names df['date']=pd.to_datetime(df['date']) df.index = pd.to_datetime(df['date']) df = df.drop(columns='date') return dfcol_names_us = [ 'date', 'rGDP', 'prop_com_n', 'prop_com_r', 'car', 'res_prop_n', 'res_prop_r', 'cpi', 'ppi', 'ppi_equip']col_names_ua = [ 'date', 'rGDP', 'cpi', 'ppi', 'res_prop_n', 'res_prop_r', 'ppi_equip']col_names_pl = [ 'date', 'rGDP', 'cpi', 'ppi', 'res_prop_r', 'ppi_equip']df_us = readData('data/data_us.csv',col_names_us)df_pl = readData('data/data_pl.csv',col_names_pl)df_ua = readData('data/data_ua.csv',col_names_ua)col_names_us.remove('date')col_names_pl.remove('date')col_names_ua.remove('date')#Represent data as % change compared to 4Q ago to get rid of seasonalitydf_us = df_us.pct_change(-4,fill_method='bfill')*100df_pl = df_pl.pct_change(-4,fill_method='bfill')*100df_ua = df_ua.pct_change(-4,fill_method='bfill')*100def ShowData(df, title): plt.figure(figsize=(10,14)) plt.suptitle(title, y=1.03, fontsize=24) i=0 for col in df.columns: i+=1 plt.subplot(7,3,i) df[col].plot() plt.title(col) plt.tight_layout() ShowData(df_us, 'US data')def CutData (df, name, date): for index, item in df.iterrows(): if index<datetime.strptime(date,'%Y-%m-%d'): #print(df[name][index]) df[name][index] = np.nan return dfdf_us = CutData(df_us,'cpi','1983-01-01')df_us = CutData(df_us,'ppi','1982-01-01')df_us = CutData(df_us,'car','1982-01-01')df_us = CutData(df_us,'ppi_equip','1983-01-01')ShowData(df_us, 'US data')def checkUnitRoots (df): res = pd.DataFrame(columns=['ADF statistic', 'p-value', '5% confidence', '1% confidence']) i=0 for col in df.columns: adf = adfuller(df[col].dropna().values) res.loc[col] = [adf[0],adf[1],adf[4]['5%']>adf[0],adf[4]['1%']>adf[0]] i+=1 return rescheckUnitRoots(df_us)def ExploreData (df, title): plt.figure(figsize=(10,14)) plt.suptitle(title, y=1.03, fontsize=24) i=0 for col in df.columns: i+=1 plt.subplot(7,3,i) df[col].hist() plt.title(col) plt.tight_layout() ExploreData(df_us, 'US data hist')def Regress(df, x_name, y_name, test_size=0.20): sub = df.loc[:,[x_name,y_name]].dropna() #print(sub.describe()) #print(sub[(np.abs(stats.zscore(sub))<3).all(axis=1)].describe()) sub = sub[(np.abs(stats.zscore(sub))<3).all(axis=1)] sub['const'] = 1 x = sub.loc[:,['const',x_name]] y = sub.loc[:,y_name] x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=test_size, random_state=1) model = sm.OLS(endog=y_train, exog=x_train, missing='drop').fit() y_pred = model.predict(x_test) fig, ax = plt.subplots() ax.plot(x_test[x_name], y_test, 'o', label="Test data") ax.plot(x_train[x_name], y_train, 'o', label="Train data") #ax.plot(x1, y_true, 'b-', label="True") ax.plot(x_test[x_name], y_pred, 'r', label='OLS prediction') #ax.plot(np.hstack((x1, x1n)), np.hstack((ypred, ynewpred)), 'r', label="OLS prediction") ax.legend(loc="best"); print('Mean absolute error: ',measure.meanabs(y_pred,y_test)) print('Mean absolute percentage error: ',mape(y_pred,y_test)) print('Symmetric MAPE: ',smape(y_pred,y_test)) print('Mean squared error: ',measure.mse(y_pred,y_test)) print('Root mean squared error: ',measure.rmse(y_pred,y_test)) return modeldef mape(y_pred, y_true): y_true, y_pred = np.array(y_true), np.array(y_pred) for i in range(0,len(y_true)-1): if y_true[i]==0: y_true = np.delete(y_true,i) y_pred = np.delete(y_pred,i) return np.mean(np.abs((y_true - y_pred) / y_true)) * 100def smape(y_pred, y_true): y_true, y_pred = np.array(y_true), np.array(y_pred) for i in range(0,len(y_true)-1): if y_true[i]==0: y_true = np.delete(y_true,i) y_pred = np.delete(y_pred,i) return np.mean(2*np.abs(y_true - y_pred) / (np.abs(y_true)+np.abs(y_pred))) * 100results = Regress(df_us, 'cpi', 'ppi')results.summary()#US model on Ukrainian datasub = df_ua.loc[:,['cpi','ppi']].dropna() #sub = sub[(np.abs(stats.zscore(sub))<3).all(axis=1)]sub = sub[sub['cpi']<35]sub['const'] = 1x = sub.loc[:,['const','cpi']]x.describe()y_true = sub.loc[:,'ppi']y_true.describe()y_pred = results.predict(x)fig, ax = plt.subplots()ax.plot(x['cpi'], y_true, 'o', label="Data")ax.plot(x['cpi'], y_pred, 'r', label='OLS prediction')ax.legend(loc="best");print('Mean absolute error: ',measure.meanabs(y_pred,y_true))print('Mean absolute percentage error: ',mape(y_pred,y_true))print('Symmetric MAPE: ',smape(y_pred,y_true))print('Mean squared error: ',measure.mse(y_pred,y_true))print('Root mean squared error: ',measure.rmse(y_pred,y_true))df_ua = df_ua[df_ua['cpi']<35]results_ua = Regress(df_ua, 'cpi', 'ppi')results_ua.summary()y_pred_ua = results_ua.predict(x)fig, ax = plt.subplots()ax.plot(x['cpi'], y_true, 'o', label="Data")ax.plot(x['cpi'], y_pred, 'r', label='OLS prediction US')ax.plot(x['cpi'], y_pred_ua, 'cyan', label='OLS prediction UA')ax.legend(loc="best");#Add Bayesian logicimport pymc3 as pmfrom scipy import statsformula = 'ppi ~ cpi'with pm.Model() as normal_model: ''' # The prior for the model parameters will be a normal distribution family = pm.glm.families.Normal() # Creating the model requires a formula and data (and optionally a family) pm.GLM.from_formula(formula, data = x_train, family = family) # Perform Markov Chain Monte Carlo sampling normal_trace = pm.sample(draws=2000, chains = 2, tune = 500, njobs=-1) ''' # Define priors #sigma=pm.Normal('Sigma') #sigma = pm.HalfCauchy('sigma', beta=10, testval=1.) sigma = pm.Normal('sigma',np.mean(y_true), np.std(y_true)) intercept = pm.Normal('Intercept', results.params['const'], sigma=results.bse['const']) x_coeff = pm.Normal('x', results.params['cpi'], sigma=results.bse['cpi']) # Define likelihood likelihood = pm.Normal('y', mu=intercept + x_coeff * x, sigma=sigma, observed=y_true) # Inference! trace = pm.sample(3000, cores=2)for variable in trace.varnames: print('Variable: {:15} Mean weight in model: {:.4f}'.format(variable, np.mean(trace[variable])))inter = np.mean(trace['Intercept'])coef = np.mean(trace['x'])y_bayes = inter+x*coeffig, ax = plt.subplots()ax.plot(x, y_true, 'o', label="Data")ax.plot(x, y_pred, 'r', label='OLS prediction US')ax.plot(x, y_pred_ua, 'cyan', label='OLS prediction UA')ax.plot(x, y_bayes, 'green', label='GLM prediction')ax.legend(loc="best");np.mean(trace['x'])def EvaluateFit(y_pred, y_true, title): print(title) print('Mean absolute error: ',measure.meanabs(y_pred,y_true)) print('Mean absolute percentage error: ',mape(y_pred,y_true)) print('Symmetric MAPE: ',smape(y_pred,y_true)) print('Mean squared error: ',measure.mse(y_pred,y_true)) print('Root mean squared error: ',measure.rmse(y_pred,y_true))EvaluateFit(y_pred, y_true, 'US model')EvaluateFit(y_pred_ua, y_true, 'UA model')EvaluateFit(y_bayes, y_true, 'GLM Bayesian')Файл func.py#Import librariesimport pandas as pdfrom datetime import datetimeimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom sklearn.model_selection import train_test_splitimport statsmodels.api as smfrom statsmodels.iolib.summary2 import summary_colfrom statsmodels.tools import eval_measures as measure import seaborn as snsfrom IPython.core.pylabtools import figsizefrom scipy.stats import percentileofscorefrom scipy import statsfrom statsmodels.tsa.stattools import adfuller#Read data from filesdef readData(path, col_names):df = pd.read_csv(path) df.columns = col_names df['date']=pd.to_datetime(df['date']) df.index = pd.to_datetime(df['date']) df = df.drop(columns='date') return df#Show line charts with all features def ShowData(df, title): plt.figure(figsize=(10,14)) plt.suptitle(title, y=1.03, fontsize=24) i=0 for col in df.columns: i+=1 plt.subplot(7,3,i) df[col].plot() plt.title(col) plt.tight_layout() #Clear some data before a specified datedef CutData (df, name, date): for index, item in df.iterrows(): if index<datetime.strptime(date,'%Y-%m-%d'): #print(df[name][index]) df[name][index] = np.nan return df#Perform ADF test to check unit roots for all the features in the dataframedef checkUnitRoots (df): res = pd.DataFrame(columns=['ADF statistic', 'p-value', '5% confidence', '1% confidence']) i=0 for col in df.columns: adf = adfuller(df[col].dropna().values) res.loc[col] = [adf[0],adf[1],adf[4]['5%']>adf[0],adf[4]['1%']>adf[0]] i+=1 return res # Perform ADF test to check unit roots fro the single featuredef checkSingleUnitRoots (ser): adf = adfuller(ser.dropna().values) print('ADF Statistic: %f' % adf[0]) print('p-value: %f' % adf[1]) print('Critical Values:') for key, value in adf[4].items(): print('\t%s: %.3f' % (key, value)) return adf[4]['1%']>adf[0] #Draw histograms of all the features in the dataframedef ExploreData (df, title): plt.figure(figsize=(10,14)) plt.suptitle(title, y=1.03, fontsize=24) i=0 for col in df.columns: i+=1 plt.subplot(7,3,i) df[col].hist() plt.title(col) plt.tight_layout() #Evaluation measure MAPEdef mape(y_pred, y_true): y_true, y_pred = np.array(y_true), np.array(y_pred) y_pred = y_pred[y_true != 0] y_true = y_true[y_true != 0] return np.mean(np.abs((y_true - y_pred) / y_true)) * 100#Evaluation measure Symmetric MAPEdef smape(y_pred, y_true): y_true, y_pred = np.array(y_true), np.array(y_pred) y_pred = y_pred[y_true != 0] y_true = y_true[y_true != 0] return np.mean(2*np.abs(y_true - y_pred) / (np.abs(y_true)+np.abs(y_pred))) * 100 #All model fit evaluation measures def EvaluateFit(y_pred, y_true, title): print(title) print('Mean absolute error: ',measure.meanabs(y_pred,y_true)) print('Mean absolute percentage error: ',mape(y_pred,y_true)) print('Symmetric MAPE: ',smape(y_pred,y_true)) print('Mean squared error: ',measure.mse(y_pred,y_true)) print('Root mean squared error: ',measure.rmse(y_pred,y_true)) ................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download