Навігація


Головна
ПОСЛУГИ
Авторизація/Реєстрація
Реклама на сайті
Методологічний інструментарій оцінювання вартості капіталу банків як...Визначення ринкової вартості банку як ділового підприємства на основі...ВАРТІСТЬ КАПІТАЛУ ВІД ОБЛІГАЦІЙ ( Кd)Концептуально-прикладні засади формування вартості капіталу банківМЕТОДОЛОГІЧНІ ОСНОВИ ОЦІНКИ ВАРТОСТІ КАПІТАЛУ ПІДПРИЄМСТВАКругооборот та оборот капіталу підприємстваВартість капіталу малого підприємства та основні сфери його...Поняття структури та вартості капіталу підприємстваВизначення вартості власного капіталуВласний капітал (чиста вартість підприємства)
 
Головна arrow Банківська справа arrow Інноваційні методи оцінки банківського капіталу
< Попередня   ЗМІСТ   Наступна >

Екзогенні тенденції зміни вартості капіталу банків як ділових підприємств

Дослідження тісноти стохастичного зв'язку між фінансовими результатами банківської системи та чинниками макроекономічного оточення виявило, що чистий прибуток банків значно більшою мірою визначаються чинниками мезо- та мікрорівня. Натомість окремі макроекономічні показники виявляють чутливість до змін фінансових результатів банківської системи у найближчій перспективі.

Щоб оцінити еластичність чистого прибутку банківської системи до основних макроекономічних детермінант, кількісно визначаючи інтенсивність впливу факторів зовнішнього оточення на вартість капіталу банків, нами було побудовано регресійні рівняння. Наведемо результати розрахунків для факторів мезо-економічного середовища, які відображають ефективність державного регулювання банківською системою (табл. 1.1).

Оскільки в результаті кореляційного аналізу виявлено істотні розбіжності у значеннях щільності стохастичного зв'язку між залежною та незалежними змінними, для побудови регресійних рівнянь було обрано покроковий метод з виключенням змінних. Як відомо [17, с. 95 – 98], підстава для виключення незалежної змінної з моделі полягає в тому, що t-статистика для j-ϊ факторної ознаки виявляється меншою від критичного значення tкp, знайденого при заданих рівні значущості α та імовірності р за допомогою таблиць t-розподілу. У такому випадку не може бути відхилена гіпотеза про незначущійсть j-го фактора і рівність нулеві регресійного коефіцієнту при ньому.

У випадку одночасного виявлення кількох незалежних змінних, t- статистика яких нижча табличної, насамперед слід виключити ту з них t- статистика якої мінімальна. Для лінійних моделей регресії t-статистиску обчислюють за наступною формулою:

де bj – коефіцієнт множинної регресії j-го фактора;

– стандартна похибка j-го коефіцієнта регресії;

n – кількість коефіцієнтів у множинному рівнянні регресії.

Статистична незначущість фактора є свідченням лише того, що на основі початкової вибірки спостережень неможливо встановити надійні показники впливу даної факторної змінної на результуючу ознаку. Найчастіше реальний вплив таких змінних виявляється опосередковано – у взаємодії з одним чи декількома іншими факторами. Обчислення коефіцієнтів регресійних моделей виконувались у програмному середовищі STATISTICA 8.0, за допомогою модуля Multiple Regression.

Таблиця 1.1.

Результати кореляційно-регресійного аналізу впливу факторів макроекономічного оточення на фінансовий результат банківської

Незалежна змінна

позначення

Коефіцієнт Beta

Розрахований коефіцієнт регресії

Стандартна похибка коефіцієнта регресії

t-статистика

рівень значимості кефіцієнту регресії мовірність відхилення гіпотези про значимість незалежної змінної

Beta β

bj

t (число ступенів волі)

p-level

статистичні характеристик и

Стандартна помилка регресії 187,32

F- критерій =6,0952 при числі ступенів волі (2,49)

Коефіцієнт множинної детермінації 0,668

Beta β

bj

t(56)

p-level

Вільна константа моделі

bc

75016.6

161.88

2.863

0.006

Процентні ставки за

кредитами, наданими у

звітному періоді

*1

-0.547

-8370.1

52.62

-3.023

0.004

нефінансовим

корпораціям

Середньозважена

ставка рефінансування

І2

0.164

1998.0

46.97

0.906

0.370

за всіма інструментами

Відповідно до табл. 1.1, прибутковість банківської системи обернено залежить від ціни кредитних ресурсів, що надаються нефінансовим корпораціям та прямо пропорційна змінам ставки рефінансування (z1), визначеної як середньозважена за всіма інструментами (z2). Такі, на перший погляд, суперечливі результати економетричного аналізу ретроспективних даних пояснюються зависокими, непосильними для корпорацій реального секторами ставками за кредитними ресурсами, а також можливістю банків залучати кошти з альтернативних джерел, аніж резерви НБУ.

Рівняння, що дозволяє встановити залежність фінансових результатів банківської системи від грошово-кредитної політики країни, має наступний вигляд:

(1)

Рівні значимості коефіцієнту регресії, що відповідають імовірності відхилення гіпотези про значимість незалежних змінних, не однакові: найважливішою детермінантою прибутковості банківської системи виявилась середньозважена ставка рефінансування за всіма інструментами (р=0,004). Натомість процентні ставки за кредитами, наданими у звітному періоді нефінансовим корпораціям, мають менш важливий вплив на результативну змінну – у табл. 1.1 відповідні значення з графи p-level перевищують рівень значимості р=0,37. Проте регресійне рівняння адекватно відображає залежність чистого прибутку банківської системи від процентних факторів мезо-рівня фінансового ринку: відповідно до значення коефіцієнту множинної детермінації (R2), отримана формула може пояснити близько 70% загальної дисперсії фінансового результату банків. Вплив непередбачуваних факторів на результативну ознаку, який кількісно визначається розміром стандартної помилки моделі, не перевищує 162 млн.грн., що в масштабах всієї банківської системи не є значним. Значення F-критерія Фішера для моделі, створеної за показниками досліджуваної вибірки, наближаєть 6,1, що перевищує табличне Fтабл=5,067 з рівнем значимості 0,01, числами ступенів волі 2 (відповідно до кількості незалежних змінних в регресійному рівнянні) та 49 (отримане як 52 спостереження – 5 незалежних змінних – 1). Це означає, що використання моделі призведе до помилкового результату тільки в 1% випадків.

Економічний зміст розрахункових коефіцієнтів регерсійної моделі (1) полягає у наступному: вільна константа (75016,6) свідчить, що понад 75 млрд, чистого прибутку банківської системи визначається іншими чинниками ніж процентна політики регулятора (НБУ) чи кожного конкретного банку. Враховуючи низькі значення показників кореляції між факторами реального сектору та прибутковістю банківської системи, варто відзначити, що головну роль у прибутковості банківського капіталу відіграють фактори мікросередовища банків – обсяги операцій, спред між депозитними та кредитними ставками, синхронізація грошових потоків у вигляді сплачених та отриманих відсотків, рівень операційних витрат банків.

Кожен процентний пункт підвищення процентних ставок за кредитами, наданими нефінансовим корпораціям призводить до скорочення чистого прибутку банківської системи на 8370,1 млн. грн. Насамперед таку залежність можна пояснити зростанням резервів під майбутнє непогашення кредитів, зменшенням доходів банку, причинами якого є погіршення плато- і кредитоспроможності позичальників. Натомість кожен процентний пункт підвищення ставки рефінансування регулятором за всіма фінансовими інструментами призводить до підвищення чистого прибутку банківської системи на 1998 млн. грн. Одним із пояснень встановленої залежності може бути наявність часового лагу між застосуванням регулятивного інструменту та реакцією на нього фінансової системи країни.

Серед статистичних характеристик багатофакторної кореляційно- регресійної моделі заслуговує уваги і стандартизований коефіцієнт регресії β, який показує, на скільки середніх квадратичних відхилень (σ сигма) змінюється результативна змінна Profit при збільшенні z1 чи (z2) на одне середньоквадратичне відхилення при умові, що решта показників, які входять до регресійного рівняння, вважати незмінними.

Коефіцієнт β дозволяє порівняти відносний вклад кожної незалежної змінної в майбутній прогноз прибутковості банківської системи. Відповідно та табл. 1.1, потужність впливу на мінливість чистого прибутку банківської системи процентної політики банків вища, аніж у процентної політики регулятора, оскільки варіація цих предикторів на одну σ призводить до різних значень варіації фінансового результату. При цьому спостерігається зворотна залежність для волатильності процентної ставки за кредитами, наданими нефінансовим корпораціям. Так підвищення ставки відсотку по кредитах для нефінансових корпорацій на одну призводить до зниження чистого прибутку банківського сектору в розмірі 0,547 стандартних відхилення і навпаки. Значно менш чутлива динаміка прибутку банківської системи до змін процентної ставки рефінансування за всіма інструментами – варіація фінансового результату зростає на 0,164 σ відносно варіації z2 на одну σ.

Оскільки між чинниками реального сектору національної економіки та фінансовим результатом банківської системи відсутній статистично значимий стохастичний зв'язок, доцільно застосувати інші, ніж кореляційно регресійний аналіз засоби вивчення впливу факторів, зокрема дискримінантний аналіз.

Мета дискримінантного аналізу полягає у здійсненні класифікації об'єкта певним оптимальним способом на основі виміру його різноманітних характеристик. Як критерій оптимальності класифікації можна розглядати мінімум імовірності хибної класифікації [92, с. 199]. Ідентифікація певного спостереження із кластерною групою може здійснюватися за допомогою дискримінантних функцій, які являють собою лінійні комбінації спостережень-предикторів:

де Y – залежна дискримінантна змінна;

– незалежні змінні дискримінантної функції;

– коефіцієнти (параметри) дискримінантної функції;

Чим ближче значення дискримінантної функції до величини канонічного кореня, тим більша імовірність віднесення спостереження до відповідного кластеру. Корисність дискримінантної функції полягає в тому, що її значення може інтерпретуватись як узагальнена оцінка впливу макроекономічних чинників на чистий прибуток банківської системи з урахуванням певного лагу запізнення.

Побудова дискримінантної моделі здійснювалась в програмному середовищі STATISTICA 8.0, за допомогою модуля Discriminant Analysis, для запуску якого необхідне попереднє групування спостережень на підставі значення незалежної змінної. Такою змінною було обрано фінансовий результат банківської системи в цілому – він може бути прибутком чи збитком, в залежності від свого значення. Результати побудови дискримінантної моделі та отримані показники її статистичної значимості наведено в табл. 1.2.

У примітках до табл. 1.2 наведено загальні статистичні характеристики дискримінантної моделі: вона містить 5 незалежних змінних, що залишились з 8 первинних після п'яти ітерацій, на яких було вилучено найменш значимий фінансовий параметр. Статистика лямбда

Уілкса )завжди перебуває в межах від 0 до 1. Чим ближче її значення до 1, тим гірша дискримінація моделі, тобто фінансово-економічна інтерпретація значення інтегрального показника – віднесення його до певного кластера не збігатиметься із фактичною кластерною належністю спостереження. Навпаки, значення λ, які наближаються до 0, свідчать про хорошу дискримінацію, тобто меншу помилковість класифікацій, виконаних за допомогою моделі. Отримане під час розробки інтегрального показника значення лямбди Уілкса становить 0,384, що дає підстави для припущення про непогану дискримінацію спостережень.

У табл. 1.2 також наявні показники лямбди Уілкса (графа 1), проте інтерпретація цих показників дещо відрізняється від попередньої: ці показники відображають результат виключення відповідної незалежної змінної з моделі. Тобто чи більше значення λ з графи 1 табл.1,3.2 тим більш бажана присутність цієї змінної в моделі інтегрального показника.

Для прибутку банківської системи значно менше значення відіграє показник х1 – темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року, % (за 2 місяці до моменту оцінювання), а решта показників – х2 – х4 – мають приблизно однакову важливість. Показник графи 2 табл. 1.2 – Partial-Lambda (λpart, часткова лямбда) – характеризує частковий внесок змінної в розподільчу дію моделі, який виявляється приблизно однаковим у всіх 4 предикторних змінних, відібраних для дискримінантного рівняння.

Таблиця 1.2

Підсумкова таблиця дискримінантного аналізу макроекономічних чинників прибутковості банківської системи (Авторська розробка)

Показник

позначення

Wilks' – Lambda

Partial – Lambda λpart

F-remove

(1,47)

p-level

Toler.

1-Toler. – (R-Sqr.)

А

Б

1

2

3

4

5

6

Темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року, % (за 2 місяці до моменту оцінювання)

x1

0,387

0,991

0,416

0,522

0,273

0,727

Зайняте населення працездатного віку (за 5 місяців до моменту оцінювання)

x2

0,494

0,777

13,458

0,001

0,844

0,156

Темп зростання реального наявного доходу населення, % з урахуванням інфляції (за 2 місяці до моменту оцінювання)

x3

0,422

0,909

4,690

0,035

0,273

0,727

"Дефіцит Державного бюджету у % від ВВП (у досліджуваний період)

x4

0,459

0,837

9,175

0,004

0,730

0,270

Примітки:

• Step 4, N of vars in model: 4 (дискримінантний аналіз даних було завершено на 4 кроці, коли до моделі увійшло 4 незалежних змінних):

• Wilks' Lambda(Лямбда Уілкса)=0,384;

* approx. F (4,47)(Наближене значення F-статистики з числом ступенів волі 4 та 47 ступенів)= 18,843;

• р (рівень значимості F-критерія) <0,0000

Показники графи 3 табл. 1.2 свідчать, що три з чотирьох змінних, включених до складу дискримінантної моделі, перевищують значення критерія F-remove (F-виключити) 1,162, у той час, як темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року можна виключити з моделі.

Показники толерантності (графа 5 табл. 1.3.2) відображають надпишковість змінної в моделі, а показники графи 6 – різниця між 1 та рівнем толерантності з графи 5 – коефіцієнт множинної кореляції даної змінної з усіма іншими змінними моделі. Оскільки кореляція всередині незалежних змінних невисока, набір часткових складових інтегрального показника можна вважати достатнім.

Щоб визначити, як обрані 4 предикторних змінних розрізняють вплив передумов макро-рівня на прибуток банківської системи, потрібно обчислити значення дискримінантної функції, причому максимальна кількість таких функцій може дорівнювати або числу незалежних змінних (4), або числу класифікаційних груп (2). Однак кожна наступна функція буде здійснювати все менший і менший внесок в загальну дискримінацію. Кількість найбільш значущих дискримінантних функцій визначається за кількістю канонічних коренів у відповідності із x2 – критерієм послідовності коренів. Для класифікації досліджуваної вибірки виявилась достатньою побудова лише одного дискримінантного рівняння, яке має наступний вигляд;

Y=46,306+0,025•x1 -0,002•x2 -0,076•x3 – 0,279•x4 (2)

Наведене рівняння визначає всі 100% дискримінуючої потужності, а тому відсутня необхідність побудови й дослідження інших дискримінантних рівнянь.

Обчислені за допомогою дискримінантної функції (2) значення інтегрального показника впливу макроекономічних факторів на фінансовий результат банківської системи порівнюють із середніми значеннями каніночних змінних, розрахованих для кожної з класифікаційних груп (Yгрі). Чим ближче Y до Yгрі, тим коеркгнішим буде віднесення певного спостереження до класифікаційної групи. Для досліджуваної вибірки встановлено наступні середні значення канонічних змінних: для групи випадків прибуткової роботи банківської системи: Yгрn =0,982; для групи випадків збиткової роботи банківської системи: Yгрн =–1,571.

Як свідчать коефіцієнти рівняння (2), на рівень прибутковості банківської системи позитивний вплив здійснює лише зростання реального ВВП (x1), а зростання решти факторів – кількість зайнятих працездатного віку, зростання реальних доходів населення та співвідношення дефіциту Державного бюджету до ВВП у % (х6, х7, х8) негативно впливає на фінансові результати банків у наступні 2 – 5 місяців. Стосовно ефективності запропонованої дискримінантної моделі впливу факторів макроекономічного рівня на прибутковість банківської системи свідчать результати кластерізації досліджуваних спостережень діяльності фінустанов у 2008 – 2012 р.р. (табл. 1.3).

Згідно табл. 1.3, кількість помилкового розпізнавання кластерів, пов'язана з невірною ідентифікацією фінансового результату банківської системи в залежності від макроекономічних передумов, виявилась більшою для випадків збиткової їх діяльності. Зазначений результат можна пояснити, по-перше, більшою частотою випадків прибуткової роботи банків, порівняно із збитковою, по-друге, тривалим періодом роботи банківської системи на межі беззбитковості. В цілому точність отриманої дискримінантної моделі у розпізнаванні спостережень – 82,7%, а 17,3% помилок можна пояснити наявністю низки факторів, що впливають на прибуток банків, але не є безпосередньо пов'язаними з макроекономічним рівнем.

Таблиця 1.3

Матриця класифікації спостережень прибутковості банківської системи з використанням дискримінантних моделей

(Авторська розробка)

Класи спостережень

Відсоток правильно класифікованих спостережень,

%

Кількість спостережень по кластерних групах, визначених при допомозі дискримінантної функції

збиток – частота потрапляння р=0,385

прибуток – частота потрапляння р=0,615

Збиток

70,00

14

6

Прибуток

90,63

3

29

Разом

82,70

17

36

Таким чином, спроможність банків приностити доходи власникам, більшою мірою детермінується факторами мікро-ринків фінансових послуг, порівняно із макроекономічною політикою держави та систематичними чинниками реального сектору економіки. Для ідентифікації тенденцій впливу мікроекономічних ринків на фінансові результати банків доцільно глибше вивчити вплив сезонних коливань на попит економічних суб'єктів на кредитні ресурси. Дослідження сезонної та циклічної компоненти, що впливають на динамічні ряди було виконано за допомогою Фур'є-аналізу. Графіки оцінки спектральної щільності для обсягів кредитів, наданих домашнім господарствам, та депозитів, залучених від нефінансових корпорацій наведено на рис. 1.6, 1.7. Результати досліджень показали, що саме для обсягів кредитів, наданих домогосподарствам та депозитів, залучених від нефінансових корпорацій стало можливим побудувати прогностичні моделі за допомогою періодичних функцій Фур'є, оскільки отримані результати дають якнайменшу помилку обчислень, порівняно із результатами розробки прогностичних моделей для іншими економічних показників банківської системи. З графіків спектральної щільності помітно що у вихідних рядах даних найважливіший цикл виділити доволі складно. В цілому можна стверджувати про наявність 2-річного циклу для обох видів банківських операцій, причому тривалість циклу в 2 роки відстежується за коливаннями банківських депозитів та кредитного портфелю у період подолання наслідків світової фінансової кризи.

Спектральна щільність ряду кредитів, наданих домашнім господарствам має пік на періоді 58, 29 місяців, а також дещо слабші піврічний та півторарічний (Авторська розробка)

Рис. 1.6. Спектральна щільність ряду кредитів, наданих домашнім господарствам має пік на періоді 58, 29 місяців, а також дещо слабші піврічний та півторарічний (Авторська розробка)

Спектральна щільність ряду депозитів нефінансових корпорацій має пік на періоді 58, 29 місяців, а також дещо слабші річний та півторарічний (Авторська розробка)

Рис. 1.7. Спектральна щільність ряду депозитів нефінансових корпорацій має пік на періоді 58, 29 місяців, а також дещо слабші річний та півторарічний (Авторська розробка)

Результати моделювання сум депозитів нефінансових корпорацій, з використанням моделей циклічної динаміки (Авторська розробка)

Рис. 1.9. Результати моделювання сум депозитів нефінансових корпорацій, з використанням моделей циклічної динаміки (Авторська розробка)

Спрямованість періодограми для обох показників в напрямку необмеженого зростання свідчить про неможливість ідентифікації циклічності з періодом, меншим за 5 років.

Суми кредитів, наданих домогосподарствам зазнають помітних коливань кожні 2 роки, а також дрібніші хвилеподібні коливання раз на півроку, рік та півтора роки. Звичайно це можна пояснити тривалістю кредитних послуг при купівлі товарів тривалого користування, які пропонують населенню вітчизняні банки і які користуються найбільшим попитом на ринку фінансових послуг. Для обсягів депозитного портфелю, нагромадженого банківською системою, з періодограми можна визначити наявність помітних коливань, що виникають приблизно кожні 2,5 роки, та слабких хвиль із періодом 1 рік. Зазначену волатильність депозитного портфелю можна пояснити низькою фінансовою стабільністю ділових підприємств реального та фінансового секторів, що скорочує інвестиційні можливості економічних суб'єктів та їх бажання нагромаджувати кошти за допомогою тривалих депозитних програм.

Розрахункові обсяги кредитів домогосподарств та депозитів нефінансових корпорацій, розраховані на підставі рівнянь Фур'є неістотно відрізняються від фактичних обсягів (рис. 1.8 – 1.9), що дозволяє використовувати результати спектрального аналізу для прогнозування економічних показників банківської системи, не зважаючи на відносну громіздкість формул:

1. для кредитів, наданих домогосподарствам:

де t – порядковий номер місяця (періоду розрахунку), починаючи відлік з лютого 2008 р.

Коефіцієнт множинної детермінації розрахункових значень із фактичними даними: R2 = 0.9306

2. для депозитів нефінансових корпорацій:

де t – порядковий номер місяця (періоду розрахунку), починаючи відлік з лютого 2008 р.

Коефіцієнт множинної детермінації розрахункових значень із фактичними даними: R2 =0,7890.

Таким чином, результати економетричного аналізу зовнішніх факторів прибутковості банківської системи дозволяють поліпшити процес прогнозування складових чистого руху грошових коштів в залежності від макроекономічної ситуації в країні, процентної політики НБУ та періодичних коливань попиту на банківські продукти й послуги.

 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >
 
Дисципліни
Агропромисловість
Банківська справа
БЖД
Бухоблік та Аудит
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Менеджмент
Нерухомість
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
РПС
Соціологія
Статистика
Страхова справа
Техніка
Товарознавство
Туризм
Філософія
Фінанси