Издания и мероприятия для банковских специалистов:
 
Методический журнал
Риск-менеджмент в кредитной организации
Описание изданияСвежий номер Архив Приобрести/Подписаться
Выходит один раз в квартал
Объем 112 с
Издается с 2011 года
 
 
 

Оценка внутреннего кредитного рейтинга эмитентов облигаций

Размещено на сайте 22.08.2011
В статье представлена методика оценки кредитного качества российских эмитентов ценных бумаг на основе информации финансовой отчетности и данных социально-экономической статистики, согласующаяся с присвоенными международными кредитными рейтингами. Приведены результаты верификации за период 2008–2010 гг. Предлагаемая модель легла в основу методики оценки стоимости облигаций саморегулируемой организации «Национальная фондовая ассоциация», одобренной специальной Экспертной комиссией СРО НФА, ММВБ и Банка России.
 
Г.М. Гамбаров, Банк России
С.В. Ивлиев, Prognoz Risk Lab
А.С. Бирилов, Пермский государственный университет

Развитие российского фондового рынка привело к тому, что облигации сегодня стали самостоятельным объектом инвестирования, постепенно замещая традиционный кредитный портфель. Так, с 01.01.2009 по 01.05.2011 доля вложений в долговые обязательства в активах банковской системы выросла с 6 до 13%, во многом за счет снижения доли кредитов с 71 до 67%1. Вместе с тем российские торговые площадки по-прежнему характеризуются относительно низкой ликвидностью: объемы торгов незначительны, по многим инструментам рыночные цены отсутствуют или содержат пропуски. В среднем ежедневно торгуется только около 30% облигаций, а типичная облигация торгуется менее 50 дней в году (медианное значение). В связи с этим особенную актуальность приобретает задача формирования оценок справедливой стоимости облигаций, которые могли бы использоваться для переоценки рыночной стоимости финансовых инструментов. Проблема построения таких оценок является нетривиальной. До сих пор остается неразрешенным множество вопросов, связанных с методологией их построения. Одной из наиболее значимых проблем среди них является, безусловно, оценка кредитоспособности эмитента, которая непосредственно влияет на кредитный спред облигации.

В целях оценки кредитоспособности эмитента в мировой практике в настоящее время широко используются кредитные рейтинги. Рейтинг присваивается независимым рейтинговым агентством и является выражением готовности и способности эмитента выполнять взятые на себя финансовые обязательства. В рамках процедуры присвоения кредитного рейтинга агентством выполняется детальный анализ качественных и количественных показателей деятельности, а присвоенные рейтинги показывают высокую предсказательную способность: коэффициент Джини в среднем превышает 80%2.

Проблема использования данного подхода в российской практике заключается в том, что больше 70% корпоративных эмитентов не имеют кредитных рейтингов, присвоенных международными агентствами, а более половины не имеют ни международного, ни национального рейтинга. В связи с этим особую актуальность приобретает задача построения оценок внутренних кредитных рейтингов на основе данных финансовой отчетности. Данная задача является центральной в кредитном анализе. В качестве примера наиболее известных моделей можно привести Z-модель Альтмана3 и ее модификацию для закрытых компаний EM-Score4, в российской практике — модель оценки вероятности банкротства предприятия по финансовым показателям5, модель Moody’s RiskCalc6, модель FS-Score7.

Целью данной статьи является разработка методики построения оценок кредитоспособности, ориентированной на классификацию эмитентов и позволяющей получать оценки, согласованные с международными кредитными рейтингами.

Методика оценки

В рамках описываемого подхода предлагается построение простой системы оценок кредитных рейтингов с помощью применения алгоритмов классификации на основе рассчитанных показателей финансово-экономической деятельности.

Предлагаемая модель легла в основу методики НФА по оценке стоимости облигаций, принимаемых в обеспечение операций междилерского РЕПО, в том числе РЕПО с Банком России8.

Ввиду различного характера хозяйственной деятельности и форм отчетности все контрагенты подразделяются на три группы: предприятия нефинансового сектора, банки и небанковские кредитные организации и регионы России. Построение системы отчетных показателей и финансовых коэффициентов, а также проведение процедуры классификации осуществляются отдельно по каждой из трех перечисленных групп.

В рамках настоящей статьи были использованы данные по 285 эмитентам облигаций, торгуемых на ММВБ в основном режиме торгов и режиме переговорных сделок, в том числе: 62 банкам и небанковским кредитным организациям, 185 эмитентам нефинансового сектора, 38 субъектам РФ.

Исходными данными для модели являются:

1. Кредитные рейтинги, присвоенные международными рейтинговыми агентствами (S&P, Moody’s, Fitch), агрегированные по грейдам (BBB/BB/B). В связи с отсутствием эмитентов, имеющих присвоенные рейтинги AAA/AA/A, а также минимальным количеством эмитентов, имеющих рейтинги CCC/CC/C, данная группа рейтингов не рассматривалась. Помимо этого, для субъектов РФ не рассматривалась группа рейтингов BBB.

2. Данные статистики и отчетности эмитентов. В том числе:

— для предприятий нефинансового сектора: данные форм отчетности по РСБУ (формы № 1 «Бухгалтерский баланс», № 2 «Отчет о прибылях и убытках») за III кв. 2009 г. — II кв. 2010 г. Источник данных — система «БИР-Аналитик» информационного агентства «Прайм-Тасс»;

— для банков и небанковских кредитных организаций: данные форм отчетности по РСБУ (формы № 101 «Данные оборотной ведомости по счетам бухгалтерского учета», № 102 «Отчет о прибылях и убытках», № 135 «Информация об обязательных нормативах») за I–IV кв. 2010 г. Источник данных: сайт Банка России;

— для субъектов РФ: основные экономические показатели развития регионов, информация об исполнении бюджетов за 2008–2009 гг. Источники данных: ГМЦ Росстата, Федеральное казначейство.

В качестве обучающей выборки принималось разбиение эмитентов на однородные классы, соответствующие группам рейтингов кредитоспособности международных рейтинговых агентств.

На основе указанных принципов определялся состав классов S = (S1, S2, ..., Sk), где k — количество классов (k = 3 для эмитентов нефинансового сектора и банковских, k = 2 для регионов России). Для каждого выделенного класса Sl определялся центр X на основе усредненных значений финансовых показателей xi эмитентов, входящих в данный класс l.

Эмитент, не имеющий международных кредитных рейтингов, относился к одному из классов Sl в соответствии со значениями своих финансовых показателей xi. Для каждого эмитента рассчитывалось значение расстояния до центра каждой эталонной группы:

Были опробованы два метода расчета расстояния ρ(X, Sl):

— на основе эвклидовой меры:

где веса ωi задаются для нормирования значений финансовых показателей xi и полагаются равными обратному значению дисперсии данного показателя;

— на основе усредненной меры близости нахождения в вариационном ряде:

где N — общее количество наблюдений по i-му показателю;

rank(xi) — ранг показателя xi в выборке по данному показателю.

Отнесение эмитента производилось к классу, расстояние ρ(X, Sl) до центра которого минимально.

Результаты верификации

В ходе апробации алгоритма классификации было рассмотрено множество финансовых коэффициентов, отражающих эффективность деятельности экономических субъектов разных секторов экономики. Исходный состав включал в себя в общей сложности более 50 коэффициентов.

Для каждого показателя были построены эмпирические функции распределения и рассчитаны основные статистические показатели — среднее, медиана, дисперсия — как в целом по выборке, так и в разрезе рассматриваемых классов.

Следует отметить тот факт, что по большинству рассматриваемых показателей наблюдаются значительные выбросы, в результате средние значения оказываются немонотонными по группам рейтингов и, как следствие, в случае использования эвклидовой меры расстояния это приводит к значительным смещениям центров классов.

Помимо этого, эмпирические функции распределения в разрезе рассматриваемых групп для большинства показателей находятся достаточно близко друг к другу либо пересекаются, что может свидетельствовать о низкой предсказательной способности таких показателей.

На основе анализа функций распределений, соответствующих различным группам рейтингов, для проведения классификации эмитентов были отобраны следующие показатели.

1. Для эмитентов нефинансового сектора:

— коэффициент покрытия процентных платежей (EBIT/процентные платежи);

— логарифм активов;

— валовая прибыль/задолженность;

— процентные платежи/задолженность;

— логарифм выручки.

2. Для эмитентов банковского сектора:

— коэффициент достаточности капитала (норматив Н1);

— коэффициент рентабельности собственных средств банка (прибыль/капитал);

— логарифм суммарного объема активов;

— коэффициент соотношения процентных доходов и расходов;

— коэффициент эффективности затрат (доходы всего/расходы всего);

— операционная эффективность (операционные доходы/операционные расходы).

3. Для регионов России:

— валовый региональный продукт на душу населения;

— индекс физического объема валового регионального продукта, в % к предыдущему периоду;

— отношение долга региона к доходам бюджета;

— отношение профицита (дефицита) бюджета к доходам;

— доля средств, направляемых в бюджеты других уровней, в расходах;

— доля прибыльных предприятий в общем количестве зарегистрированных на территории субъекта РФ.

На рис. 1 приведены функции распределения некоторых из этих показателей.

Рисунок 1. Эмпирические функции распределения некоторых отобранных для классификации показателей

Эмпирические функции распределения некоторых отобранных для классификации показателей

В ходе тестирования приведенной методики оценки кредитного рейтинга на эталонных выборках эмитентов, имеющих присвоенные международные рейтинги, были получены следующие результаты.

1. Для компаний нефинансового сектора:

— при использовании средних значений как центров рассматриваемых классов и расстояния на основе эвклидовой меры средняя ошибка классификации, рассчитанная в целом по выборке предприятий за период с III кв. 2009 г. по II кв. 2010 г., составляет 0,46 грейда. Средняя ошибка классификации по группе BBB — 0,29 грейда; по группе BB — 0,52 грейда; по группе B — 0,45 грейда;

— при использовании медианных значений как центров рассматриваемых классов и расстояния на основе усредненной меры близости нахождения в вариационном ряду средняя ошибка классификации в целом по выборке составила 0,4 грейда. Средняя ошибка классификации по группе BBB составила 0,44 грейда; по группе BB — 0,47 грейда; по группе B — 0,26 грейда.

2. Для банков и небанковских кредитных организаций:

— при использовании средних значений как центров рассматриваемых классов и расстояния на основе эвклидовой меры средняя ошибка классификации, рассчитанная в целом по выборке банков за период с I по IV кв. 2010 г., составляет 0,27 грейда. Средняя ошибка классификации по группе BBB — 0,25 грейда; по группе BB — 0,59 грейда; по группе B — 0,15 грейда;

— при использовании медианных значений как центров рассматриваемых классов и расстояния на основе усредненной меры близости нахождения в вариационном ряду средняя ошибка классификации в целом по выборке составила 0,39 грейда. Средняя ошибка классификации по группе BBB составила 0,33 грейда; по группе BB — 0,55 грейда; по группе B — 0,34 грейда.

3. Для регионов России:

— при использовании средних значений как центров рассматриваемых классов и расстояния на основе эвклидовой меры средняя ошибка классификации, рассчитанная в целом по выборке регионов за период с 2008 по 2009 гг., составляет 0,47 грейда. Средняя ошибка классификации по группе BB — 0,45 грейда; по группе B — 0,56 грейда;

— при использовании медианных значений как центров рассматриваемых классов и расстояния на основе усредненной меры близости нахождения в вариационном ряду средняя ошибка классификации в целом по выборке составила 0,30 грейда. Средняя ошибка классификации по группе BB — 0,32 грейда; по группе B — 0,22 грейда.

Таким образом, наилучшие результаты с точки зрения ошибки предсказания получены для компаний нефинансового сектора и регионов РФ — при использовании медианных значений как центров рассматриваемых классов и расстояния на основе усредненной меры близости нахождения в вариационном ряду, для банков — при использовании средних значений как центров рассматриваемых классов и расстояния на основе эвклидовой меры.

Пример применения

Рассмотрим пример применения методики оценки кредитоспособности на примере ОАО «Территориальная генерирующая компания № 1» (ТГК-1). Сравнение финансовых показателей ТГК-1 на 01.07.2010 с центрами классов приведено в таблице. Средние расстояния до центров классов приведены на рис. 2.

Таблица. Финансовые показатели ТГК-1 и центры классов

Показатель BBB BB B D ТГК-1 Расстояние до ближайшего класса Ближайший класс
Коэффициент покрытия процентных платежей 8,11 5,44 1,64 1,09 9,704 0,020 BBB
Логарифм активов 20,4 18,2 17,4 15,3 18,379 0,007 BB
Валовая прибыль/задолженность 0,59 0,42 0,22 0,13 0,485 0,000 BB
Процентные платежи/задолженность 0,06 0,09 0,11 0,09 0,05 0,026 BBB
Логарифм выручки 19,6 17,5 16,1 14,7 17,73 0,002 BB

Рисунок 2. Средние расстояния до центров классов по метрике на основе усредненной меры близости нахожденияв вариационном ряду

Средние расстояния до центров классов по метрике на основе усредненной меры близости нахожденияв вариационном ряду

Таким образом, наиболее близкими классами для рассматриваемого эмитента являются BB и BBB. Данный вывод подтверждается при рассмотрении динамики кредитного спреда указанного эмитента к безрисковой кривой доходности в сравнении с усредненными z-спредами облигаций эмитентов, имеющих международные кредитные рейтинги (рис. 3).

Рисунок 3. Динамика z-спреда облигации ТГК-1 в сравнении со средними z-спредами по группам рейтингов

Динамика z-спреда облигации ТГК-1 в сравнении со средними z-спредами по группам рейтингов

Заключение

Полученные на текущий момент результаты говорят о том, что предлагаемая методика может быть использована для экспресс-оценки кредитного качества хозяйствующих субъектов. Существенным плюсом рассмотренного подхода является отсутствие необходимости прибегать к экспертным оценкам и детальному анализу деятельности каждого эмитента в отдельности. Таким образом, описанный алгоритм может быть использован в ситуациях, требующих оперативного автоматизированного получения оценок кредитного качества, в том числе в моделях построения оценок справедливой стоимости облигаций.

Дальнейшее развитие методики с целью повышения предсказательной силы получаемых оценок может происходить в следующих направлениях:

1. Увеличение размера исходной выборки за счет включения большего числа организаций, имеющих присвоенные кредитные рейтинги, а также за счет включения финансовой отчетности организаций за предшествующие отчетные периоды.

2. Расширение состава рассматриваемых показателей.

3. Разработка формализованного критерия оценки качества рассматриваемых показателей.

4. Тестирование дополнительных метрик для расчета расстояний.

5. Разработка процедуры фильтрации исходных данных с целью обнаружения в них «выбросов» с последующим исключением из рассматриваемой выборки.

6. Разработка процедуры получения нечетких оценок кредитного качества эмитентов.


1 - Обзор банковского сектора Российской Федерации. Аналитические показатели. 2011. № 104.

2 - Default, Transition and Recovery: 2010 Annual Global Corporate Default Study and Rating Transitions. Standard & Poor’s, 2011 (http://www2.standardandpoors.com/spf/pdf/fixedincome/Global_DefaultStudy.pdf).

3 - Altman E. (1968). Financial ratios, discriminant analysis, and the prediction of corporate bankruptcy.

4 - Altman E., Hartzell J., Peck M. (1995). Emerging Markets Corporate Bonds: A Scoring System. Salomon Brothers Inc., New York.

5 - Колоколова О.В., Помазанов М.В. Разработка формулы вероятности банкротства компании на базе показателей бухгалтерской отчетности // Оперативное управление и стратегический менеджмент в коммерческом банке. 2004. № 6.

6 - Кораблева И. Измерение риска дефолта частных российских фирм с помощью модели Moody’s Analytics RiskCalc // Анали- тический банковский журнал. 2011. № 3.

7 - Ivliev S. (2010). Simple Fuzzy Score for Russian Public Companies Risk of Default, ArXiv working paper (http://arxiv.org/abs/1004.0685).

 

8 - Методика оценки стоимости облигаций, принимаемых в обеспечение операций междилерского РЕПО, в том числе РЕПО с Банком России / Национальная фондовая ассоциация, 2011.

 
 
 
 
Другие проекты группы «Регламент-Медиа»