Как можно заметить из указанной выше таблицы попарных коэффициентов корреляции факторов с зависимой переменной, далеко не все факторы могли бы быть включены в модель ввиду низкого абсолютного значения упомянутого коэффициента. В частности, все обозначенные в работе как внешние факторы имеют довольно низкий коэффициент корреляции с зависимой переменной, что позволяет утверждать о нецелесообразности их включения в модель как факторов. В качестве причины столь низкой взаимосвязи данных факторов с зависимой переменной можно указать низкую степень ориентации банков на новую внешнюю информацию, и большую ориентацию на уже сложившуюся ситуацию, как в экономике, так и в самом банке. Таким образом, уже на данном этапе представляется возможность сократить объем факторов, в конечном итоге включаемых в модель, сводя их ряд к исключительно факторам, обозначаемым в работе как внутренние.
Также можно условно разделить переменные из таблицы (2.1) на те, которые можно связать с активными операциями банка и те, которые можно связать с пассивными операциями банка. С активными операциями банка связаны, в первую очередь операции, которые суть есть размещение им полученных средств, в частности, выдача кредитов и вложения в ценные бумаги. К пассивным операциям относятся различного рода займы - как на межбанковском рынке, так и с помощью облигаций и векселей, а также депозитные операции клиентов. В данном исследовании сложно однозначно сказать, операции активного или пассивного типа оказывают большее влияние на зависимую переменную, что явно следует из таблицы попарных коэффициентов корреляции, так как и те, и другие операции оказывают достаточно сильное влияние на объем выданных кредитов юридическим лицам. Коэффициенты корреляции, за исключением одного - по займам с помощью облигаций и векселей, больше 0,8, что говорит о сильном влиянии факторов на зависимую переменную. Таким образом, можно заключить, что как активные, так и пассивные операции достаточно сильно влияют на объем выданных юридическим лицам кредитов.
2.2.2 Оптимизация модели
При построении модели по оставшимся факторам можно получить следующий результат:
Dependent Variable: CR_ULMethod: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. DEP_UL0.8362350.01800446.446970.0000DUMMY235151153621349. 6.4934690.0000DEP_FL1.0060880.02090048.137930.0000CR_FL-0.6921510.052665-13.142430.0000CB-0.7738300.037497-20.637300.0000MBK0.6287620.01798134.967990.0000OBL0.9729740.06232015.612610.0000PR_FL5.2734130.6115338.6232710.0000PR_UL0.4260270.0789245.3979040.0000C-155623832736929. -5.6860750.0000R-squared0.997077 Mean dependent var4.11E+08Adjusted R-squared0.997052 S. D. dependent var9.71E+08S. E. of regression52738079 Akaike info criterion38.40879Sum squared resid2.98E+18 Schwarz criterion38.45494Log likelihood-20730.75 Hannan-Quinn criter. 38.42627F-statistic40553.52 Durbin-Watson stat0.434508Prob (F-statistic) 0.000000
Из построенной модели можно заметить, что каждый включенный в нее показатель является значимым, то есть может быть включен в итоговое уравнение, описывающее зависимость объема выданных кредитов от различных факторов. Значимость показателей определяется как значением t-статистики, так и значением остаточной вероятности, которая должна быть меньше 0,05 для того, чтобы можно было отвергнуть гипотезу о равенстве коэффициента перед регрессором нулю. Значение коэффициента детерминации в модели, который обозначен как R-squared, равно 0,997, что говорит об отличной описательной способности модели. Значение скорректированного показателя также является высоким, что также говорит о том, что модель хорошо описывает реальное положение дел. Высокое значение F-статистики позволяет сказать, что модель является значимой в целом, а значит, ее можно использовать для дальнейшего изучения указанных в работе взаимосвязей между переменными и доверять результатам, которые были получены с использованием модели. Об этом же говорит и значение вероятности, которое обозначено как Prob (F-statistic), равное нулю. Одним важным показателем, который будет в дальнейшем использован для тестов, является критерий Durbin-Watson stat, как он обозначен в таблице выше. Данный показатель используется при тестировании модели на наличие автокорреляции остатков. при условии, что последняя обнаружена в модели, оценки коэффициентов будут смещены, что не позволит с высокой точностью утверждать о том, значим ли в действительности коэффициент, или же его значимость обусловлена автокорреляцией остатков, при устранении которой исследователь может получить совершенно иные значения стандартных ошибок. Данный коэффициент указывает на наличие автокорреляции остатков. соответственно, чтобы получить более правдоподобную модель в дальнейшем по ходу работы данный аспект будет рассмотрен более подробно. Также стоит отдельно упомянуть проблему наличия в модели мультиколлинеарности, которая будет рассмотрена ниже, которая также негативно сказывается на результатах, которые будут получены с помощью модели.
Отрицательная сторона мультиколлинеарности заключается в искажении стандартных ошибок при коэффициентах, что негативно сказывается на общем качестве модели и не позволяет с высокой степенью достоверности утверждать о значимости того или иного фактора. Поэтому оптимальным решением в таком случае является нахождение способа избавления от мультиколлинеарности в модели. Одним из способов является исключение сильнокоррелированных параметров из модели до тех пор, пока VIF (variance inflation factor, критерий, который показывает, насколько искажены значения стандартных ошибок при факторах в модели с наличием мультиколлинеарности, по сравнению с моделью, в которой последняя отсутствует) не примет значение, меньшее 5, что говорит об отсутствии межфакторной корреляции, которая могла бы сильно ухудшить качество модели.
В общем случае формула для расчета выглядит следующим образом:
VIF=1/ (1-R-squared), (2.1)
где:
VIF - variance inflation factor
R-squared - коэффициент детерминации.
Однако стоит осторожно подходить к данному процессу, чтобы сохранить в полученной после такого рода операций регрессионной модели экономический смысл. Поэтому наиболее оптимальным вариантом является оставить в модели факторы, которые описывают источники привлечения банком средств для выдачи кредитов (или влияют на последние) - в частности, депозиты населения, средства юридических лиц, займы на межбанковском рынке. Остальные факторы стоит исключать при наличии сильной корреляции между ними. Исключив на данном основании из модели 3 фактора, приходим к следующему:
Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2951740.00709941.578270.0000LOG (OBL) 0.0558720.0067528.2746610.0000LOG (PR_UL) 0.0307180.0082063.7431540.0002LOG (DEP_FL) 0.1782300.00829721.481170.0000LOG (DEP_UL) 0.4066530.01304631.169770.0000DUMMY-0.0145270.017107-0.8492130.3960C1.7042170.12955713.154190.0000R-squared0.960630 Mean dependent var18.73461Adjusted R-squared0.960410 S. D. dependent var1.336830S. E. of regression0.265992 Akaike info criterion0.195757Sum squared resid75.91644 Schwarz criterion0.228065Log likelihood-98.70875 Hannan-Quinn criter. 0.207990F-statistic4363.581 Durbin-Watson stat0.180809Prob (F-statistic) 0.000000
Как можно заметить, была выбрана спецификация с натуральными логарифмами, так как она, наравне с исключением сильно коррелирующих между собой факторов, смогла устранить в модели проблему мультиколлинеарности, о чем более подробно будет указано в дальнейшем.
Примечательно, все коэффициенты в модели, кроме фиктивной переменной, являются значимыми. Незначимость фиктивной переменной говорит о том, что можно с достаточной степенью уверенности утверждать, что форма собственности банка не оказывает влияния на решения, принимаемые банком относительно его кредитного портфеля в отношении кредитов юридических лиц.
Изначальной гипотезой относительно фиктивной переменной, заявленной до построения модели, была значимость данной переменной, что логично было бы объяснить рядом причин. В частности, банки с государственным участием должны иметь больше возможностей на рынке в части, например, привлечения капитала для своих операций. Также нельзя не упомянуть, что крупные государственные банки, в частности, "Сбербанк", "ВТБ" и иные имеют значительную часть активов относительно общего объема активов всех банков, что служит основанием для предположения о их возможном значительном влиянии на рынок, которое должно было проявиться при построении модели в значимости фиктивной переменной, то есть в их принципиальном отличии от банков, в капитале которых государство не участвует. Логично также предположить, что банки с государственным участием вправе рассчитывать на государственную поддержку в случае трудностей в первую очередь, по сравнению с другими банками при возникновении разного рода трудностей. Однако построение модели приводит исследователя к обратному выводу, отрицая наличие связи между объемом портфеля кредитов юридических лиц и формой собственности банка. Данное заключение позволяет утверждать, что банки с государственным участием не имеют принципиальных отличий от частных банков, в общем случае действуя на рынке банковских услуг так же, как и банки, обходящиеся без государственного вмешательства. Также можно утверждать, что банки с государственным участием в капитале не стремятся следовать каким-либо специфическим указаниям данного акционера (при их наличии), что определило бы их поведение на рынке как специфическое и отличное от остальных рыночных игроков. Таким образом, исключая фиктивную переменную из состава факторов, включаемых в модель, получаем следующую регрессионную модель:
Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2961920.00699642.334870.0000LOG (OBL) 0.0550140.0066758.2413850.0000LOG (PR_UL) 0.0294670.0080723.6504670.0003LOG (DEP_FL) 0.1798010.00808722.232800.0000LOG (DEP_UL) 0.4055150.01297631.251810.0000C1.7060440.12952213.171820.0000R-squared0.960604 Mean dependent var18.73461Adjusted R-squared0.960420 S. D. dependent var1.336830S. E. of regression0.265957 Akaike info criterion0.194577Sum squared resid75.96746 Schwarz criterion0.222270Log likelihood-99.07156 Hannan-Quinn criter. 0.205063F-statistic5237.512 Durbin-Watson stat0.181519Prob (F-statistic) 0.000000
Далее будут представлены модели, иллюстрирующие зависимость одного из факторов от оставшихся двух других, что необходимо при нахождении показателя VIF.
Dependent Variable: LOG (OBL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (CR_UL) 1.0811540.1311868.2413850.0000LOG (MBK) -0.1883430.050341-3.7413250.0002LOG (PR_UL) -0.2891330.034908-8.2827770.0000LOG (DEP_FL) 0.0752490.0432621.7393990.0823LOG (DEP_UL) 0.2697760.0790573.4124080.0007C-2.5544540.613896-4.1610520.0000R-squared0.500175 Mean dependent var16.33355Adjusted R-squared0.497848 S. D. dependent var1.663793S. E. of regression1.179009 Akaike info criterion3.172765Sum squared resid1492.926 Schwarz criterion3.200458Log likelihood-1707.293 Hannan-Quinn criter. 3.183251F-statistic214.9502 Durbin-Watson stat0.079178Prob (F-statistic) 0.000000
В данной модели в качестве зависимой переменной взят объем заимствований с помощью облигаций и векселей, а в качестве факторов - оставшиеся переменные. На данном этапе построения подобных моделей стоит уделять внимание лишь коэффициенту детерминации, который необходим для расчета показателя VIF, о котором говорилось ранее. Таким образом, VIF после соответствующих расчетов по формуле (2.1) равен 1,88, что говорит об отсутствии мультиколлинеарности при условии столь же низкого показателя в оставшихся четырех моделях.
Dependent Variable: LOG (DEP_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (OBL) 0.1992860.01446613.776610.0000LOG (MBK) 0.2274230.01491115.252250.0000LOG (PR_UL) 0.2717840.01706715.924550.0000LOG (DEP_FL) 0.0839050.0188364.4544860.0000C5.6012460.25199522.227610.0000R-squared0.769256 Mean dependent var18.38615Adjusted R-squared0.768398 S. D. dependent var1.298984S. E. of regression0.625137 Akaike info criterion1.902928Sum squared resid420.1063 Schwarz criterion1.926005Log likelihood-1022.581 Hannan-Quinn criter. 1.911666F-statistic895.9623 Durbin-Watson stat0.066121Prob (F-statistic) 0.000000
В модели была заменена зависимая переменная, взятая из того же набора факторов. Как и в случае с предыдущей моделью, необходимо найти значение VIF по формуле (2.1). После соответствующих расчетов VIF равен 4,33, что также говорит об отсутствии мультиколлинеарности, при условии, что данный показатель в моделях, которые упомянуты ниже, будет на столь же низком уровне.
Dependent Variable: LOG (MBK) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (DEP_UL) 0.7822540.05128815.252250.0000LOG (OBL) 0.1276540.0288394.4265030.0000LOG (PR_UL) 0.2962940.0340098.7123170.0000LOG (DEP_FL) -0.0531090.035217-1.5080390.1318C-3.0060110.557138-5.3954530.0000R-squared0.639846 Mean dependent var17.07287Adjusted R-squared0.638506 S. D. dependent var1.928329S. E. of regression1.159396 Akaike info criterion3.138294Sum squared resid1445.014 Schwarz criterion3.161372Log likelihood-1689.679 Hannan-Quinn criter. 3.147032F-statistic477.4584 Durbin-Watson stat0.113385Prob (F-statistic) 0.000000
Выше представлена еще одна модель зависимости одного из факторов от двух других.
Как и в двух предыдущих случаях, необходимо найти значение показателя VIF. После расчетов по формуле (2.1) значение показателя равно 2,77.
Dependent Variable: LOG (PR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2225900.0255498.7123170.0000LOG (DEP_UL) 0.7022940.04410115.924550.0000LOG (OBL) -0.1870740.024569-7.6143350.0000LOG (DEP_FL) 0.3425260.02871611.928260.0000C-4.3435900.471119-9.2197340.0000R-squared0.672219 Mean dependent var15.34327Adjusted R-squared0.670999 S. D. dependent var1.751960S. E. of regression1.004900 Akaike info criterion2.852272Sum squared resid1085.561 Schwarz criterion2.875349Log likelihood-1535.227 Hannan-Quinn criter. 2.861010F-statistic551.1564 Durbin-Watson stat0.037471Prob (F-statistic) 0.000000
Выше представлена еще одна модель, в которой в качестве зависимой переменной взят объем просроченной задолженности.
Значение показателя VIF равно 3,05.
Dependent Variable: LOG (DEP_FL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (PR_UL) 0.3412470.02860811.928260.0000LOG (MBK) -0.0397490.026358-1.5080390.1318LOG (DEP_UL) 0.2160010.0484914.4544860.0000LOG (OBL) 0.1953340.0244607.9857660.0000C5.8845010.45431012.952620.0000R-squared0.491391 Mean dependent var17.60364Adjusted R-squared0.489499 S. D. dependent var1.403821S. E. of regression1.003021 Akaike info criterion2.848529Sum squared resid1081.506 Schwarz criterion2.871607Log likelihood-1533.206 Hannan-Quinn criter. 2.857268F-statistic259.6521 Durbin-Watson stat0.009147Prob (F-statistic) 0.000000
В модели в качестве зависимой переменной взят объем депозитов частных лиц, хранящийся в кредитном учреждении. Значение показателя VIF в соответствии с формулой (2.1) равно 1,96.
Как можно заметить, значение VIF в каждой из построенных моделей меньше 5, что говорит о том, что мультиколлинеарность в модели отсутствует. Соответственно, можно сказать, что оценки коэффициентов в модели являются эффективными.
Однако в модели не учтен фактор наличия автокорреляции, поскольку значение статистика Дарбина-Уотсона по-прежнему указывает на факт ее наличия. В качестве отрицательных последствий автокорреляции стоит отметить занижение стандартных ошибок при коэффициентах регрессии, что также искажает качество модели.
Для устранения автокорреляции стоит определить степень последней. Для этого необходимо построить коррелограмм по остаткам, который представлен ниже:
Sample: 1 36Included observations: 1080AutocorrelationPartial CorrelationAC PAC Q-Stat Prob |******| |******|10.8880.888853.980.000 |******| |* |20.8110.1081567.70.000 |***** | | |30.7480.0422174.00.000 |***** | | |40.6990.0582704.20.000 |***** | | |50.6590.0473176.90.000 |**** | | |60.619-0.0013593.40.000 |**** | | |70.5870.0363968.50.000 |**** | | |80.5640.0504315.30.000 |**** | | |90.5400.0094633.40.000 |**** | | |100.512-0.0144919.50.000 |*** | | |110.479-0.0285170.20.000
Как можно заметить, наличествует автокорреляция 1-ой степени, что устраняется внесением исправлений в модель, а именно добавлением фактора, учитывающего значение переменной в прошлом наблюдении. Таким образом, усовершенствованная модель выглядит следующим образом:
Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample (adjusted): 2 36Periods included: 35Cross-sections included: 30Total panel (balanced) observations: 1050Convergence achieved after 8 iterationsVariableCoefficientStd. Errort-StatisticProb. LOG (DEP_FL) 0.2161510.0314126.8812200.0000LOG (PR_UL) 0.0249170.0088512.8150410.0050LOG (MBK) 0.0180010.0037414.8116560.0000LOG (DEP_UL) 0.0392380.0130403.0089490.0027LOG (OBL) 0.0111660.0041932.6633850.0079C17.746922.3046147.7006020.0000AR (1) 0.9972270.001339745.01720.0000R-squared0.998929 Mean dependent var18.74428Adjusted R-squared0.998923 S. D. dependent var1.333758S. E. of regression0.043766 Akaike info criterion-3.413255Sum squared resid1.997868 Schwarz criterion-3.380211Log likelihood1798.959 Hannan-Quinn criter. -3.400726F-statistic162192.6 Durbin-Watson stat1.967269Prob (F-statistic) 0.000000
Как можно заметить, все факторы оказываются значимыми. Модель в целом также оказывается значимой, а также лишенной последствий мультиколлинеарности и автокорреляции. Все знаки перед факторами оказались предсказуемыми, в частности, соответствующими данным таблицы (2.1), в которой соответствующие коэффициенты корреляции оказались положительными, то есть налицо наличие прямой связи между факторами и зависимой переменной.
Глава 3. Практическое использование модели
3.1 Интерпретация модели
Ранее были представлены результаты практической части исследования, то есть построение модели и некоторые тесты, которые направлены на улучшение ее описательной способности. В третьей главе будет дана некоторая интерпретация полученной модели и описание возможностей ее применения на практике.
Исходя из материалов второй главы, можно сказать, что уравнение зависимости объема выданных кредитов от факторов выглядит следующим образом:
ln (Cr_ul) = 0,01*ln (mbk) +0,02*ln (pr_ul) +0,21*ln (dep_fl) +0,03*ln (dep_ul) +0,01*ln (obl) +0,99*ln (cr_ul (t-1)) +17,7
где:
Cr_ul - объем выданных юридическим лицам кредитов
pr_ul - объем просроченной задолженности
dep_fl - объем вкладов физических лиц
obl - объем займов с помощью векселей и облигаций
mbk - объем займов на межбанковском рынке
dep_ul - средства юридических лиц.
Стоит отметить, что в спецификации использованы натуральные логарифмы при зависимой переменной, а также при факторах, что дает несколько иную интерпретацию модели, чем при линейной спецификации, о чем будет упомянуто в дальнейшем.
Как можно заметить, в уравнении в качестве факторов содержится сама зависимая переменная с лагом в 1 месяц, что обусловлено желанием избежать наличии автокорреляции в остатках, которая ведет к появлению неэффективных оценок коэффициентов. Таким образом, модель лишена автокорреляции, и можно утверждать, что оценки коэффициентов регрессии являются эффективными. Однако данный факт можно интерпретировать как преемственность действий банка во времени и его частичную ориентацию на достигнутые в прошлом показатели.
Чтобы более точно интерпретировать результаты построения модели, можно добавить, что при увеличении объема просроченной задолженности юридических лиц на 1%, объем выданных юридическим лицам кредитов увеличится на 0,02%. Прямая связь может быть интерпретирована следующим образом: при увеличении объема кредитного портфеля неизменно растет и просроченная задолженность в нем как следствие неизменности политики банка в одобрении кредитных заявок и постоянного наличия в портфеле некоторого объема просроченной задолженности.
При увеличении объема вкладов населения на 1%, объем выданных юридическим лицам кредитов растет на 0,21%, что следует из указанного уравнения. Прямая связь между фактором и зависимой переменной объясняется тем, что депозиты физических лиц являются основным источником для выдачи кредитов юридическим лицам, хотя и не единственным.
Интерпретация реакции объема выданных юридическим лицам кредитов на изменение объема заимствований кредитного учреждения с помощью облигаций и векселей выглядит следующим образом: при увеличении займов на 1%, объем кредитов увеличивается на 0,01%. Прямая связь может быть объяснена, как уже было упомянуто ранее, тем, что данный тип займов не является основным источником для формирования базы выдачи кредитов, и поэтому, рост объема займов данного типа может свидетельствовать о том, что предприятию в нормальном процессе функционирования требуется привлечь необходимый объем средств, которые будут израсходованы для поддержания текущей деятельности.
Еще одним фактором в модели является объем средств юридических лиц, хранящийся в кредитном учреждении. При увеличении данного фактора на 1%, наблюдается, согласно уравнению, рост объема портфеля кредитов на 0,03%. Прямая связь объясняется тем, что данный показатель является одним из средств финансирования процесса выдачи кредита, хотя и не основным, о чем было упомянуто выше. Также в уравнении содержится еще одна лаговая переменная, а именно - непосредственно зависимая переменная, однако взятая с лагом в 1 месяц. Причина ее включения в уравнение кроется в желании исключить из модели автокорреляцию остатков. При наличии последней нельзя достоверно утверждать о значимости отдельных факторов, включенных в модель. Однако включение данной лаговой переменной является общепринятым эконометрическим методом избавления от проблемы автокорреляции остатков в модели, что, в конечном счете, делает модель более приближенной к реальности. Также нельзя не учитывать фактора наличия кредитной политики банка, которая в определенной степени может быть отражена путем добавления данной переменной в ряд факторов, что показывает исследователю, насколько банк придерживается и ориентируется на решения прошлых периодов.
Таким образом, уравнение зависимости объема выданных юридическим лицам кредитам описывает, насколько изменяется последний при условии изменения входящих в модель факторов. О возможностях его применения и соответствующих ограничениях будет упомянуто ниже.
3.2 Возможности применения модели
В предыдущем параграфе была дана интерпретация полученной регрессионной модели. Далее стоит упомянуть о том, насколько последняя может быть применена на практике.
Так как модель была построена на реальных данных за определенный промежуток времени, то можно сказать, что выявленные закономерности, в частности, уравнение, описывающее зависимость объема выданных кредитов от ряда факторов, является в определенной степени достоверным и пригодным к дальнейшему использованию.
В частности, полученную модель можно использовать для анализа сложившейся ситуации на рынке, так как модель с высокой степенью точности определяет степень изменения зависимой переменной в ответ на изменения факторов. Также преимуществом модели является то, что ряд факторов состоит из 5 переменных, что позволяет широко охватить поле предполагаемых величин, оказывающих влияние на зависимую переменную.
Модель может быть использована при анализе текущей ситуации на рынке банковского кредитования, так как она с довольно высокой степенью точности описывает связи между переменными, позволяя тем самым говорить о возможности ее использования при выявлении трендов на рынке кредитования. Данное использование подразумевает под собой интерпретацию фактов, происходящих на рынке через призму выведенного ранее уравнения, описывающего степень взаимосвязи между показателями. Также модель можно применить при формировании стратегии или отдельных ее элементов ввиду небольшого факторного набора. Говоря более детально и применительно к полученным результатам, можно с достаточной степенью точности говорить об изменении объема кредитов как реакции на изменение факторов, о чем более подробно было описано в блоке, касающемся интерпретации модели. Еще одной положительной стороной является возможность применения модели в ситуациях поиска оптимальной реакции на действия других игроков рынка, подразумевая под этим факт того, что модель описывает поведение кредитного учреждения в среднем, то есть может быть применена к любому игроку на рынке. Таким образом, модель может быть использована в качестве одного из инструментов для обоснования тех или иных решений менеджмента, а также при дальнейших исследованиях рынка, как отправная точка для более глубокого изучения тенденций и взаимосвязей.
Однако построенная модель, как и любая другая, имеет ряд ограничений, о которых следует помнить при попытке применения ее на практике. Стоит помнить о том, что модель является упрощенной интерпретацией реальной рыночной ситуации, что подразумевает под собой возможность исключения из рассмотрения ряда деталей, которые также в совокупности могут оказывать значительное влияние.
Ряд факторов, которые могли бы быть включены в модель, является ограниченным рамками работы. Определенные значимые факторы могли быть пропущены на этапе факторного отбора, что отрицательно сказалось бы на качестве модели в целом.
Некоторые факторы невозможно измерить количественно и включить в исследование, в частности, кредитную политику того или иного банка, его ориентированность на определенные сегменты рынка или действия топ-менеджмента. Последние могут под собой иметь различные цели - в частности, достижение максимальной прибыльности, рост клиентской базы или некоторые иные, что в моменте дает различное положение банка относительно рынка.
Также одной из неявных предпосылок модели является предположение о том, что кредитное учреждение реагирует на изменяющиеся рыночные условия, стараясь предпринять определенные меры, что, в частности, проявляется в изменении объема кредитного портфеля. Однако возможны случаи, когда банк может действовать в соответствии со своими долгосрочными планами, неактивно реагируя на изменяющийся рынок. Нельзя сказать, что это правило, однако вероятность подобного исхода не равна нулю.
Стоит отметить и ограниченность периода наблюдения за переменными. Для сглаживания отражения в модели острой фазы экономического кризиса, был взят промежуток времени 2010-2012 годов, однако увеличение периода могло бы улучшить качество модели в целом.
Также стоит отметить возможную неоднородность данных, которые были использованы в модели. Можно сказать, что на рынке функционирует гораздо больше частных банков, чем банков с государственным участием, поэтому попавшие в выборку кредитные учреждения могли бы в определенной степени исказить реальную картину.
Таким образом, можно сказать, что полученная в ходе исследования модель может быть применена при анализе рынка и в качестве одного из инструментов при принятии управленческих решений, однако стоит помнить о возможных ограничениях, которые могут оказать влияние на качество и степень достоверности полученных с помощью подобного анализа выводов.
Заключение
В ходе работы были поэтапно выполнены все поставленные задачи, а также достигнута цель, указанная во введении - нахождение и описание взаимосвязей между объемом выданных кредитов и различными факторами, которые влияют на данную переменную. Регрессионная модель, полученная как результат работы, была выбрана как наиболее оптимальный вариант описания взаимосвязей между переменными. Переход от линейной к логарифмической спецификации является оправданным и не ухудшающим общее качество модели. Нельзя не упомянуть, что была проведена работа по оптимизации модели с помощью различных эконометрических инструментов. Также была дана интерпретация полученных в ходе работы результатов, о чем более подробно изложено в третьей главе.
О качестве полученной модели также более подробно упомянуто в соответствующих разделах работы, однако вкратце можно охарактеризовать модель как достоверно описывающую реальную ситуацию в отрасли и пригодную для дальнейшего применения в исследованиях. Как и любая модель, полученное уравнение, описывающее зависимость между переменными, имеет ряд ограничений, которые, тем не менее, позволяют говорить о том, что была получена модель с высокой описательной способностью и возможностью применения на практике при решении широкого спектра задач. Области ее применения не ограничиваются только академическим интересом, а также содержат в себе прикладную составляющую, в частности, инструментарий для анализа рыночной ситуации банковского кредитования, выявления тенденций изменения переменных как реакции на определенные события, и, наконец, принятия управленческих решений на уровне топ-менеджмента банка.
Также важным результатом, достигнутым в ходе работы, является проверка гипотезы о влиянии государственного участия в капитале банка на объем кредитного портфеля с помощью включения в модель фиктивной переменной, принимающей различные значения в зависимости от собственника банка. Согласно полученным результатам, не имеет значения факт наличия или отсутствия государства в ряде акционеров кредитного учреждения, несмотря на очевидные предпосылки обратного утверждения, которые также подробно описываются в работе. Возможные причины такого положения дел также были подробно изложены в работе, а именно во второй главе.
Таким образом, полученные в ходе работы результаты являются достоверными, отражающими действительность, так как получены в ходе анализа реальных данных, и могут быть в дальнейшем использованы в дальнейшем сторонним исследователем.
Список литературы
1.Агафонова М.В. Формирование кредитного портфеля современного коммерческого банка // Современные наукоемкие технологии. 2005. №6. с.52-55
2.Бирюкова Е.А., Коваленко О.В. Российский рынок межбанковского кредитования: вопросы развития инфраструктуры // Банковское дело. 2011. №12. с.39-46.
.Бровкина Н.Е. Конкуренция на кредитном рынке и перспективы ее развития // Банковское дело. 2011. №7. с.31-38.
.Букирь М.Я. Кредитная работа в банке. Методология и учет - М.: Кнорус, 2012. - 240 с.
.Воронин Б.Б., Демчев И.А. Розничный банковский бизнес. Бизнес-энциклопедия - М.: Альпина Паблишер, 2010. - 526 с.
.Грюнинг Х., Брайович Б. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском - М.: Весь Мир, 2009. - 290 c
.Егоров А.В., Кармазина А.С. Кредитный рынок: тенденции и перспективы // Банковское дело. 2012. №3. с.18-24.
.Мазорук А.В. Принципы формирования стратегии банка // Банковское дело. 2012. №2. с.52-58.
.Мамонов М.Е. Перспективы кредитования банками реального сектора экономики // Банковское дело. 2010. №9. с.18-24.
.Мамонов М.Е., Пестова А.А. Банковская система России на выходе из кризиса // Банковское дело. 2011. №5. с.21-32.
.Масленченков Ю.С. Финансовый менеджмент в коммерческих банках. Фундаментальный анализ - М.: Перспектива, 1996. - 160 с.
.Меняйло Г.В. Сущность и классификация кредитного портфеля коммерческого банка // Вестник ВГУ, Серия: Экономика и управление. 2005. №2. с.129-136.
.Милюков А.И., Пенкин С.А. Денежно-кредитная политика как фактор роста российской экономики // Банковское дело. 2011. №1. с.49-54.
14.Морсман Э. Кредитный департамент банка - М.: Альпина Паблишер <http://ru.wikipedia.org/wiki/%D0%90%D0%BB%D1%8C%D0%BF%D0%B8%D0%BD%D0%B0_%D0%9F%D0%B0%D0%B1%D0%BB%D0%B8%D1%88%D0%B5%D1%80_(%D0%B8%D0%B7%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D1%82%D0%B2%D0%BE)>, 2004. - 47 с.
.Панова Г.С. Кредитная политика коммерческого банка - М.: ИКЦ "ДИС", 1997. - 464 с.
.Пашков А.И. Оценка качества кредитного портфеля // Деньги и кредит. 1997. №5. с.29-30.
.Рассказов Е.А. Управление свободными ресурсами банка - М.: Финансы и статистика, 1996. - 96 с.
.Рид Э., Коттер Р., Гилл Э. Коммерческие банки / пер. с англ., под ред.В.М. Усоскина.2-е изд. - М.: СП "Космополис", 1991. - 480 с.
.Синки Дж., мл. Финансовый менеджмент в коммерческом банке и в индустрии финансовых услуг / Пер. с анг. - М.: Альпина Бизнес Букс, 2007. - 1018 с.
.Славянский А.В. Управление кредитным портфелем как один из элементов системы управления кредитным риском // Аудит и финансовый анализ. 2008. №6. с.1-10.
.Соколинская Н.Э. Влияние МБК на границы кредитования // Банковское дело. 2012. №1. с.26-33.
.Солнцев О.Г., Мамонов М.Е. Ситуация на кредитном рынке: промежуточные итоги кризиса и контуры среднесрочного прогноза // Банковское дело. 2010. №4. с. 19-23.
.Ужахов М.А. Влияние денежно-кредитной политики на инвестиционную активность // Банковское дело. 2012. №8. с.38-44.
.Шеремет А.Д., Щербакова Г.Н. Финансовый анализ в коммерческом банке - М.: Финансы и статистика, 2001. - 256 с.
25.Casu B. Introduction to Banking - Prentice Hall, 2006. - 560 с.
.Dilley D. Essentials of Banking - John Wiley & Sons, 2008. - 269 с.
.Fabozzi F. Bank Loans: Secondary Market and Portfolio Management - John Wiley & Sons, 1998. - 222 c.
.Gregoriou G. The Handbook of Credit Portfolio Management - McGraw-Hill, 2008. - 504 c.
.Hudson R. The Capital Markets and Financial Management in Banking - Global Professional Publishing, 2000. - 366 c.
.Morsman E.commercial Loan Portfolio Management - Risk Management Assoc, 1993. - 129 c.
.Pond K. Retail Banking - Global Professional Publishing, 2009. - 206с.
.Smithson <http://www.google.ru/search?hl=ru&tbo=p&tbm=bks&q=inauthor:%22Charles+Smithson%22&source=gbs_metadata_r&cad=11> C. Credit Portfolio Management - John Wiley & Sons, 2003. - 352 c.