Электронный научный журнал
Современные проблемы науки и образования
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,737

ДИНАМИКА УПРАВЛЕНИЯ ЛИКВИДНОСТЬЮ И ПРОГНОЗИРОВАНИЕ ОСНОВНЫХ ПАРАМЕТРОВ ДИНАМИЧЕСКОЙ МОДЕЛИ БАНКА

Болдин Б.С. 1
1 ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова»
В статье рассматриваются модели прогнозирования основных параметров динамической модели банка. Описываются модели временных рядов и модели множественной регрессии в целях использования их для учета изменчивости внешних экономических факторов. Приводится описание методики анализа и оценки параметров модели современными эконометрическими методами. Особое внимание уделяется анализу прогнозных оценок параметров модели, которые позволяют дать адекватную оценку планируемого результата с учетом изменяющихся во времени внешних экономических условий. Сделан вывод о возможности решения указанной задачи стандартными эконометрическими методами и приведены результаты решения, повышающие эффективность прогноза изменения параметров банка в соответствии с изменяющимися сценариями экономического развития. Указаны перспективы дальнейшего развития и применения и представленных моделей.
модели временных рядов
модель множественной регрессии
динамические модели банка
динамика управления ликвидностью банка
1. Грибов А.Ф. Моделирование банковской деятельности: учебно-методическое пособие для дистанционной формы обучения. М.: Изд-во Рос. экон. акад., 2004.
2. Дорохина Е.Ю., Халиков М.А. Моделирование микроэкономики. М.: Экзамен, 2000.
3. Минько Э.В., Минько А.Э. Методы прогнозирования и исследования операций: учеб. пособие / под ред. Будагова А.С. М. : Финансы и статистика; ИНФРА-М, 2010.
4. Суровцев Л.К. Математическая экономика: учеб. пособие. М.: Экономика, 2011.
5. Синки Дж. Управление финансами в коммерческих банках. М.: Cattalaxy, 1985.

Планирование ликвидности отличается динамичностью и зависит от соотношения притока и оттока средств. Денежные потоки, связанные с управлением ликвидностью, не полностью случайные, таким образом, требования ликвидности могут быть с некоторой долей точности предсказаны заранее. Суть планирования ликвидности – прогнозировать будущий спрос на банковские кредиты, будущие поставки депозитов и изменение отношения рынка к этим видам финансовой деятельности. Формирование ожиданий и методы прогнозирования выступают важнейшими компонентами управления ликвидностью.

Три базовых элемента формируют ожидание – инерция, экстраполяция и регрессия. Первый элемент – ожидание отсутствия изменений, действие инерции. Второй – определение будущих изменений через экстраполяцию изменений в прошлом. Под действием этого фактора переменная движется вперед или назад в зависимости от прошлых изменений. Третий элемент – «возврат к нормальности». Он возвращает переменную к нормальному историческому уровню.

Допустим, в текущий период t мы хотим определить переменную X для периода t+1. Переменной может быть спрос на кредиты, поставка депозитов или процентная ставка. Формула, сочетающая три фактора ожиданий, будет выглядеть следующим образом:

, где a, b и c – параметры или коэффициенты элементов инерции, экстраполяции и регрессии соответственно; Х – историческая норма, аппроксимируемая через скользящее среднее; – элемент случайности, отражающий влияние не учтенных в формуле переменных. Формула содержит все базовые параметры, необходимые для прогнозирования переменной на базе ее прошлых изменений. Заметим, что при a = 1 формула может быть переписана как модель предполагаемых изменений:

Если b = c =0, предсказываемое изменение равно нулю, то доминирует элемент инерции. Заметим, однако, что при предполагаемом значении c меньше нуля ожидается влияние фактора регрессии, которое заставит переменную вернуться к нормальному состоянию. Элемент экстраполяции удаляет переменную от текущего уровня, тогда как элемент регрессии приближает ее к исторической норме. Результаты представленной модели прогнозирования зависят от предполагаемых значений параметров a, b и c.

Стратегическое развитие Банка направлено на повышение капитализации и расширение бизнеса Банка с учетом особенностей современных экономических условий, анализ которых приведен в соответствующих разделах настоящего ежеквартального отчета.

Главной стратегической целью развития Банка является повышение конкурентоспособности и устойчивости Банка. Достижению данной цели будет способствовать:

  • Активное продвижение на целевые клиентские ниши. Деятельность Банка будет осуществляться по двум направлениям: привлечение на обслуживание в Банк новых клиентов и развитие кредитных операций в сфере реального сектора российской экономики, представителей малого и среднего бизнеса.
  • Развитие технологической базы.
  • Развитие и совершенствование региональной сети.

Общая стратегия Банка на ближайшие 5 лет (таблица 1):

Таблица 1 (Общая стратегия банка):

Текущие цели

Конечные цели

Дальнейшее развитие банковской структуры, развитие сети отделений и филиалов в России

Обеспечение присутствия Банка во всех экономически значимых регионах страны. Открытие филиалов в городах с населением более 1 млн  чел.

Наращивание клиентской базы

Вхождение в ТОР-10 российских банков по объемам привлеченных средств клиентов.

Наращивание кредитного портфеля

Вхождение в ТОР-10 российских банков по объемам кредитования. Диверсификация кредитного портфеля по отраслям, активное кредитование реального сектора российской экономики, представителей малого и среднего бизнеса.

Сохранение уровня рентабельности банковского бизнеса

Сохранение места на уровне ТОР-30 российских банков по размерам полученной чистой прибыли.

Развитие международного бизнеса

Привлечение средств с международных финансовых рынков и рынков капитала на сумму не менее 1 млрд  долл. США.

Открытие кредитных линий на Банк в области торгового финансирования и проектного финансирования на сумму не менее 500 млн  долл. США.

Модели прогноза основных параметров деятельности банка

К основным статистическим методам, которые можно использовать для прогнозирования значений отдельных групп пассивов, можно отнести:

  • Построение модели множественной регрессии значений внутренних показателей банка от внешних (макроэкономических) показателей.
  • Построение моделей временных рядов.

Для успешного изучения динамики исследуемого процесса важно, чтобы информация о нем была полной, чтобы временной ряд имел достаточную длину. При попытке построения моделей временных рядов объемов депозитов физических и юридических лиц банка могут быль получены неудовлетворительные результаты – возникли трудности c интегрируемостью временных рядов и недостаточным количеством информации – точек временного ряда.

Поэтому для успешной реализации описанной динамической модели прогноз основных ее параметров проведем следующим образом:

  1. С помощью методов оценки параметров множественной регрессии построим уравнения зависимости объемов отдельных групп пассивов банка от макроэкономических показателей.
  2. Определим основные сценарии изменения макроэкономических показателей и через эконометрические уравнения определим прогнозные значения объемов пассивов.

При этом будем считать, что структура основных групп прогнозируемых показателей не изменяется во времени – таким образом, облегчая прогнозирования пассивов в разбивке по группам срочности. Аналогично поступим при прогнозировании процентных ставок. Опишем все процентные ставки – по всем группам пассивов и активов, во всех группах срочности следующим выражением: rij = rцб + ∆ij, где rцб - ставка рефинансирования Центрального Банка РФ, а ∆ij - разность между процентной ставкой в данной группе показателей и ставкой рефинансирования. Будем считать, что ∆ij  постоянна в рассматриваемом временном интервале. Тогда прогнозирование процентных ставок сводится к определению возможных значений ставки рефинансирования.

Опишем процесс построения основных уравнений регрессии.

Рассмотрим следующие переменные:

Х1 - Индекс потребительских цен, в % к декабрю предыдущего года;

Х2 - Реальные располагаемые денежные доходы;

Х3 - Общий уровень безработицы, % к экономически активному населению, на конец периода;

Х4 - Расходы на покупку товаров и услуг;

Х5 - Цена на нефть сорта "Юралс", долларов США за баррель;

Х6 - Официальный курс рубля к доллару США, рублей за доллар США;

Y - Объем депозитов физических лиц.

Первоначальное решение о включении или не включении отдельных факторов в модель будем принимать, основываясь на значениях линейных коэффициентов парной и частной корреляции. Значения линейных коэффициентов парной корреляции определяют тесноту попарно связанных переменных. Линейные коэффициенты частной корреляции оценивают тесноту связи значений двух переменных, исключая влияние всех других переменных, представленных в уравнении множественной регрессии.

Коэффициенты частной корреляции дают более точную характеристику тесноты связи двух признаков, так как очищают парную зависимость от взаимодействия данной пары признаков с другими признаками, представленными в модели.

Многофакторный анализ проведем с использованием пакета Statgraphics.

Коэффициенты парной корреляции (таблица 2):

 

Х1

Х2

Х3

Х4

Х5

Х6

Y

Х1

-

-0,5549

0,1544

-0,2564

0,3801

0,1382

0,2038

Х2

-0,5549

-

-0,473

0,5286

0,2643

-0,5298

0,3401

Х3

0,1544

-0,473

-

-0,210

-0,6628

0,9229

-0,85

Х4

-0,2564

0,5286

-0,210

-

0,3982

-0,8249

0,8237

Х5

0,3801

0,2643

-0,6628

0,3982

-

-0,7107

0,728

Х6

0,1382

-0,5298

0,9229

-0,8249

-0,7107

-

-0,8335

Y

0,2038

0,3401

-0,85

0,8237

0,728

-0,8335

-

Коэффициенты частной корреляции (таблица 3):

 

Х1

Х2

Х3

Х4

Х5

Х6

Y

Х1

-

-0,6255

0,5348

-0,3533

0,4083

0,0907

0,6737

Х2

-0,6255

-

0,315

0,0356

0,3892

-0,0219

0,2136

Х3

0,5348

0,315

-

0,209

-0,1424

0,4631

-0,5379

Х4

-0,3533

0,0356

0,209

-

-0,4927

-0,4293

0,7486

Х5

0,4083

0,3892

-0,1424

-0,4927

-

-0,529

0,1997

Х6

0,0907

-0,0219

0,4631

-0,4293

-0,529

-

0,1385

Y

0,6737

0,2136

-0,5379

0,7486

0,1997

0,1385

-

Для построения модели многофакторной регрессии используется пункт меню Multiple Regression. Получено следующее уравнение:

Оценка параметров модели (таблица 4):

Параметр

Оценка

Стандартное отклонение

Т-статистика Стьюдента

P-значения

константа

-48 404,50

8 947,23

-5,41

0,00

Х1

471,21

52,41

8,99

0,00

Х3

-1 738,69

286,98

-6,06

0,00

Х4

267,68

38,06

7,03

0,00

Дисперсионный анализ (таблица 5):

Источник

Сумма квадратов ошибки

Количество степеней свободы

Средне-квадратическое отклонение

F-статистика

P-значение

Model

650 318 000,00

3,00

216,773,000.00

156,38

0,00

Residual

44 357 600,00

32,00

1,386,170.00

 

 


R-squared

93,61%

R-squared (adjusted for d.f.)

93,02%

Standard Error of Est.

1177,36

Mean absolute error

818,531

Durbin-Watson statistic

1,4354

Оценку статистической значимости параметров регрессии проведем с помощью t-статистики Стьюдента. Выдвигается гипотеза Н0 о статистически незначимых отличиях параметров модели от нуля. Фактическое значение t-статистики для всех параметров модели выше табличного, поэтому гипотезу Н0 можно отклонить. Таким образом, все оценки параметров модели статистически значимы.

Значение скорректированного нескорректированного линейных коэффициентов множественной детерминации приведено в таблице в рамках регрессионной статистики.

Нескорректированный коэффициент детерминации = 93,61% оценивает долю вариации результата за счет представленных в уравнении факторов в общей вариации результата. Таким образом, вариация Y на 93, 61 % объясняется вариацией факторов Х1, Х3, Х4. На долю прочих факторов, не учитываемых в модели, приходится 6,39 %.

Скорректированный коэффициент множественной детерминации =93,02 % определяет тесноту связи с учетом степеней свободы общей и остаточной дисперсий. Он дает такую оценку тесноты связи, которая не зависит от числа факторов в модели и потому может сравниваться по разным моделям с разным числом переменных.

Вывод:

Оба коэффициента указывают на достаточно высокую (более 90 %) детерминированность результата Y в модели факторами Х1, Х3, Х4.

По данным таблицы дисперсионного анализа Fфакт = 156,38. Вероятность случайно получить такое значение F-критерия Фишера составляет 0,0000, что не превосходит допустимый уровень 5 % – об этом свидетельствует величина P-значения из той же таблицы. Следовательно, полученное значение не случайно – оно сформировалось под влиянием существенных факторов, т.е. подтверждается статистическая значимость всего уравнения.

Рецензенты:

Тихомирова Е.И., д.э.н., профессор, декан факультета математической экономики и информатики ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова» Министерства образования и науки РФ, г. Москва.

Зинчук Г.М., д.э.н., доцент, декан Общеэкономического факультета ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова» Министерства образования и науки РФ, г. Москва.


Библиографическая ссылка

Болдин Б.С. ДИНАМИКА УПРАВЛЕНИЯ ЛИКВИДНОСТЬЮ И ПРОГНОЗИРОВАНИЕ ОСНОВНЫХ ПАРАМЕТРОВ ДИНАМИЧЕСКОЙ МОДЕЛИ БАНКА // Современные проблемы науки и образования. – 2014. – № 5.;
URL: http://science-education.ru/ru/article/view?id=14455 (дата обращения: 19.08.2019).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1.252