Материал: Процентные ставки и доходы банка

·       между 18-ым и 24-ым месяцем;

·       между 82-ым и 90-ым.

Во всех случаях значимость обнаруженных разрывов подтверждается тестами ЧОУ (Chow breakpoint test) и Квандта - Эндрюса (Quandt-Andrews unknown breakpoint test). Исходя из анализа точек разрыва отдельных составляющих панели, было решено разделить выборку на три периода.

·       Наблюдения 1-24 - первый период. Соответствует 01.01.2008 - 01.01.2010;

·       Наблюдения 25-82 - второй период. Соответствует 01.02.2010 - 01.10.2014;

·       Наблюдения 83-108 - третий период. Соответствует 01.11.2014 - 01.01.2017.

Результат, полученный из анализа собранных данных, не противоречит общей экономической интуиции. Разрыв теоретической зависимости между изучаемыми переменными в обозначенные временные промежутки может происходить из-за изменений макроэкономической среды в российской экономике. Обнаруженные временные промежутки совпали с периодом выхода российской экономики из кризиса 2008 г. и началом кризиса банковской ликвидности 2015 г.

В качестве метода исключения переменных используется обратный метод. В качестве критерия для исключения из модели выступает условие ее незначимости на пятипроцентном доверительном интервале. Этапы процедуры отбора показаны в приложении 3. По результатам процедуры исключения переменных в модели оставлены переменные: SK, RSA, LIK, RISK, NMO. Помимо описанного выше критерия, полученная спецификация модели имеет максимальный показатель логарифма правдоподобия.

Помимо проверки значимости включенных контрольных переменных, важно удостовериться, что их влияние на ЧПМ соответствует теоретическим предпосылкам их введения в модель. Проверка будет осуществляться на каждом из исследуемых периодов при помощи двух типов моделей:

·       Модель с детерминированным индивидуальным эффектом, далее FEM (fixed effect model);

·       Модель со случайным индивидуальным эффектом, далее REM (random effect model).

После построения моделей в каждом периоде на основе теста Хаусмана будет выбрана статистически более подходящая модель. По результатам построения моделей были получены следующие результаты.

В первом временном промежутке значимыми на пятипроцентном доверительном интервале оказались все исследуемые переменные. Оценки коэффициентов регрессии соответствуют теоретическим предпосылкам относительно направлении влияния контрольных переменных на величину ЧПМ. По результатам теста Хаусмана была отвергнута нулевая гипотеза о приоритетности модели REM.

Таблица 1. Результаты FEM регрессии на интервале с 1 по 24 наблюдение

При добавлении в модель переменных RATE, RATEL, DISP коэффициенты перед контрольными переменными в первом периоде не потеряли своей значимости и знак, что еще раз доказывает высокую значимость построенной модели. Итоговые оценки коэффициентов модели для первого периода имеют вид:

Таблица 2. Итоговые оценки коэффициентов регрессии на интервале с 1 по 24 наблюдение

Из результатов видно, что в кризисный период 2008 - 2010 годов долгосрочные процентные ставки не оказывали статистически значимого влияния на ЧПМ банков. Это можно объяснить оттоком “длинных денег” из экономики в рассматриваемом периоде и сокращением среднего срока кредитования из-за возросших рисков банкротства.

Во втором рассматриваемом промежутке, как и в первом, знак перед контрольными переменными соответствует теоретическим предпосылкам, все коэффициенты значимы на пятипроцентном доверительном интервале. По результатам теста Хаусмана была отвергнута модель со случайным индивидуальным эффектом.

Таблица 3. Результаты FEM регрессии на интервале с 25 по 82 наблюдение

При добавлении в модель переменных RATE, RATEL, DISP коэффициенты перед контрольными переменными в первом периоде не потеряли своей значимости и знак. На втором рассматриваемом периоде (2010- 2014) наблюдался длительный период стабильно снижающихся ставок, резкие падения которых временно увеличивает показатель DISP и на короткий промежуток времени позволяет трансформировать короткие кредиты в длинные с большим процентным спредом. Итоговые оценки коэффициентов модели для второго периода имеют вид:

Таблица 4. Итоговые оценки коэффициентов регрессии на интервале с 25 по 82 наблюдение

В итоговом рассматриваемом периоде значимыми оказались все рассчитанные β, кроме коэффициентов перед переменной RISK. Согласно тесту Хаусмана, статистически предпочтительной моделью является модель FEM.

Таблица 5. Результаты FEM регрессии на интервале с 83 по 108 наблюдение

В итоговой спецификации модели в третьем периоде статистически незначимыми оказались β перед коэффициентами RISK, RATE, RATEL. Итоговые оценки коэффициентов модели для третьего периода имеют вид:

Таблица 6. Итоговые оценки коэффициентов регрессии на интервале с 82 по 108 наблюдение

Результатом предварительного анализа модели является статистическая незначимость переменных RATE и RATEL. Однако коэффициент перед переменной DISP оказался значим во всех рассмотренных временных промежутках. Из этого можно сделать предварительный вывод об отсутствии статистически значимой долгосрочной связи между процентными ставками в экономике и динамикой ЧПМ. Вместо этого обнаружено существование краткосрочной зависимости между описываемыми переменными. Предполагается, что шоки процентных ставок увеличивают ЧПМ на короткое время и этот эффект спадает после 3-4 месяцев после шока.

.5 Построение VAR-модели и интерпретация результатов

Для построения VAR-модели и исследования функции отклика переменных на шоки необходимо правильно специфицировать модель. Спецификация включает проверку переменных на стационарность как гарантию “затухания” шока и возвращения ЧПМ на прежний уровень. Такая спецификация модели подразумевает, что в экономике существует “нормальный” уровень ЧПМ, не зависящий от макросреды. Такое предположение соответствует выводам об отсутствии долгосрочной зависимости между ставками RATE, RATEL и ЧПМ, полученным в первой части исследования.

Таблица 7. Обзор результатов теста Левина для всех переменных

По результатам теста видно, что нестационарными рядами являются переменные NIM и RATE. Для устранения этой проблемы было решено перейти к первым разностям. Результатом проведенной процедуры являются временные ряды, стационарные на всем рассматриваемом временном промежутке.

Таблица 8. Обзор результатов теста Левина для первых разностей переменных NIM, RATE

Дальнейшее построение VAR-модели требует определения количества лагов, включаемых в модель. Оптимальная длина лага будет выбираться на основе критериев Акайке, Шварца, Ханана - Квина в каждом из трех периодов отдельно. Из таблицы видно, что 5 из 6 тестов указывают на необходимость включать 6 лагов в модель. Спецификации количества лагов во втором и третьем периоде приведены ниже.

Таблица 9. Определение максимального количества лагов в первом периоде

·       AIC - Информационный критерий Акаике;

·       SC - Байесовский информационный критерий или критерий Шварца;

·       HQ - Критерий Ханнана-Куинна.

Итоговая спецификация панельной векторной авторегрессионной модели включает в себя систему из девяти уравнений, где оценивается зависимость каждой рассматриваемой переменной от всех остальных с учетом шести лагов. Данная модель учитывает теоретические предпосылки о взаимозависимости рассматриваемых переменных и возможность банка варьировать их в соответствии с внутренней бизнес-стратегией в ответ на изменение шоков макросреды. Важно отметить обнаруженные отрицательные коэффициенты перед переменными RATE, RATEL. Однако из-за комплексного воздействия переменных друг на друга коэффициенты VAR-модели невозможно интерпретировать напрямую. Вместо этого наибольший интерес представляют функции отклика на шоки.

К сожалению, динамика шоков не показывает схожего движения во всех трех рассматриваемых периодах, однако из графиков можно сделать вывод о краткосрочном положительном влиянии шоков ставок на ЧПМ. Видно, что повышение ЧПМ происходит в течение полугода с момента шока. Точный срок шока ЧПМ скорее всего зависит от среднего срока выданных кредитов, чем быстрее клиенты будут рефинансировать долги, тем быстрее вырастет ЧПМ. Можно также заметить, что во времена кризисов эта зависимость проявляется быстрее, что может свидетельствовать о сокращении среднего срока обращения активов и пассивов в кризисные времена. Более конкретные выводы требуют дополнительного исследования, которое будет проведено в части 3.

В последней части исследования будет определено влияние доли валютных пассивов на величину ЧПМ, проверена гипотеза о том, что банки с высокой долей валютных обязательств менее подвержены колебаниям ЧПМ при шоках процентных ставок, чем остальные банки. Для этого в модель была добавлена переменная VPAS как доля валютных обязательств в общем объеме пассивов, а вся выборка была разделена на три части:

·       Банки с долей долларовых пассивов выше сороковой перцентили;

·       Банки с долей долларовых пассивов ниже шестидесятой перцентили;

·       Все остальные банки.

Дальнейшие исследования будут проводиться на основе первых двух выборок, банки со средним уровнем валютной задолженности были исключены с целью увеличить статистическую значимость полученных результатов и сделать их более наглядными.

Из полученных графиков реакции становится заметно, что банки с низким уровнем валютных заимствований реагируют на увеличение процентных ставок отрицательно, их ЧПМ падает. Это соответствует концепции трансформации ликвидности, когда банки привлекают более дешевые краткосрочные депозиты для финансирования дорогих долгосрочных кредитов. В этих условиях при повышении краткосрочных ставок ЧПМ падает, когда банку необходимо привлекать новые депозиты по более высокой ставке. В противоположность этому, реакция ЧПМ банков с высокой долей валютных пассивов положительная. Это не вписывается в концепцию трансформации ликвидности, однако можно объяснить это тем, что банки привлекают долларовые обязательства по низкой ставке и трансформируют их в рублевые активы. В таком случае при повышении рублевых долгосрочных процентных ставок цена привлечения долларовой ликвидности не меняется, а проценты по долгосрочным рублевым кредитам возрастают, увеличивая чистую процентную маржу. Исчезновение этого эффекта на третьем временном промежутке говорит о том, что перекрытие возможности привлекать долгосрочные кредиты на международном финансовом рынке сделало стратегию трансформации валютных долгов в рублевые активы невозможной.

Заключение

В ходе исследования были поэтапно осуществлены все поставленные задачи и достигнута основная цель - проверка поставленных гипотез. Было обнаружено, что в среднем банковская процентная маржа реагирует на увеличение процентных ставок положительно, но только в краткосрочном периоде. Разделение выборки на подгруппы внесло дополнительную ясность: была полностью подтверждена гипотеза о том, что повышение процентных ставок ведет к снижению банковской маржи. Это было доказано на примере шока краткосрочных процентных ставок на чистую процентную маржу банков с низкой долей валютных обязательств.

Кроме того, подтвердилась третья гипотеза о том, что при повышении процентных ставок чистая процентная маржа банков с высокой долей валютных пассивов будет снижаться на меньшую величину, чем у остальных банков. Неожиданным результатом стало то, что маржа рассмотренных банков не только не снижалась, но даже вырастала при повышении ставок. Подобный результат может свидетельствовать о преобладании валютного финансирования в таких банках, их высокой зависимости от международного валютного рынка. Наконец, было доказано, что внутренние факторы, такие как риск портфеля, доля собственного капитала и коэффициент ликвидности, оказывают значительное влияние на чистую процентную маржу банков.

Данные выводы помогут аналитикам предсказывать последствия изменения процентных ставок, а коммерческим банкам - выработать стратегию для преодоления последствий шоков. Результаты исследования могут также использоваться Центральным банком для проведения стресс-тестов банковского сектора.

Список использованных источников

Литературные источники

1.   Allen, L., 1988. The determinants of bank interest margins: A note. Journal of Financial and Quantitative Analysis 23 (2), 231-235.

2.      Angbazo L. Commercial bank net interest margins, default risk, interestrate risk, and off-balance sheet banking //Journal of Banking & Finance. - 1997. - Т. 21. - №. 1. - С. 55-87.

.        Giovanni Dell Aricciaa, Luc Laevena, Robert Marquezc Real interest rates, leverage, and bank risk-taking Journal of Economic Theory 149 (2014) 65-99

.        Kashyap A. and Stein J.C. (1995), “The Impact of Monetary Policy on Bank Balance Sheets”, Carnegie Rochester Conference Series on Public Policy, Vol. 42, pp.151-195.

.        Leonardo Gambacorta (2008) HOW DO BANKS SET INTEREST RATES? European Economic Review Volume 52, Issue 5, July 2008, Pages 792-819

.        Maudos, Juan Fernandez de Guevara Factors explaining the interest margin in the banking sectors of the European Union Journal of Banking & Finance 28 (2004) 2259-2281

.        McShane, R.W., Sharpe, I.G., 1985. A time series/cross section analysis of the determinants of Australian Trading bank loan/deposit interest margins: 1962-1981. Journal of Banking and Finance 9, 115-136.

.        Mitchell Berlin, Loretta Mester, Deposits and relationship lending, Rev. Finan. Stud. 12(3) (1999) 579-607.

.        Naceur S. B. The determinants of the Tunisian banking industry profitability: Panel evidence /Universite Libre de Tunis working papers. 2003.

.        Ramona Busch Christoph Memmel Banks’ net interest margin and the level of interest rates Deutsche Bundesbank No 16/2015

.        Ho Saunders (1981) The Determinants of Bank Interest Margins: Theory and Empirical Evidence The Journal of Financial and Quantitative Analysis, Vol. 16, No. 4,

Электронные ресурсы

1.   ИАС Банки и Финансы информационного агентства Мобиле [Электронный ресурс] / Электронные данные. - Доступ через терминал НИУ ВШЭ

2.      Официальный сайт Банка России [Электронный ресурс] / Банк России.- Режим доступа: http://cbr.ru/, свободный