Дипломная работа: Влияние новых требований к размеру капитала коммерческих банков на уровень ликвидности

3. Эмпирическое исследование взаимосвязи новых требований к капиталу банков и уровня их ликвидности

В данной главе будет проведено и описано исследование для дальнейшего подтверждения или опровержения выдвинутых ранее гипотез. Для этой цели будет описан ряд факторов, влияющих на ликвидность коммерческих банков, а затем проведен регрессионный анализ с последующим тестированием модели на адекватность и состоятельность оценок. Полученные результаты будут соотнесены с выдвинутыми гипотезами и на основе этого будет сделан вывод.

3.1 Данные и переменные

На основе прочитанной литературы были выбраны переменные, которые вероятно повлияют на уровень ликвидности коммерческих банков.

Зависимой переменной выступает показатель текущей ликвидности банков (Н3), так как именно он используется и у банков с базовой, и у банков с универсальной лицензиями. Данный показатель был выгружен из базы данных [www.banki.ru]. В связи с новыми требованиями для банков с базовой лицензией остался необходимым лишь показатель текущей ликвидности.

Вектор внутрибанковских переменных:

· Size (натуральный логарифм совокупных активов)-размер банка. Данный показатель является важнейшей метрикой функционирования банка, так как влияет не только на размер прибыли и издержек, а также на устойчивость и стабильность работы кредитной организации в целом.

· Capitalization (собственный капитал/ совокупные активы)-капитализация банка. Данный показатель аналогично с размером банка отражает стабильность и защиту от рисков деятельности коммерческого банка, поэтому капитализация должна влиять на запасы ликвидности.

· Roa (чистая прибыль/ совокупные активы)-показатель рентабельности активов может двояко влиять на запасы ликвидности банка. С одной стороны, растущий показатель отражает вложения в более доходные и рискованные активы, что вызовет снижение ликвидности. С другой стороны, полученная прибыль может быть источником ликвидных средств.

· Reserve (резервы на возможные потери по ссудам/ общий объем выданных кредитов)-уровень резервирования по кредитному портфелю. Данный показатель отражает влияние кредитного риска на размер запасов ликвидных активов. Ожидается положительная зависимость между оценкой данного показателя и уровнем ликвидности.

· Gos_part дамми-переменная на государственный тип собственности. Банки с данной характеристикой имеют дополнительные гарантии, поэтому могут накапливать меньше ликвидности. С другой стороны, за такими банками идет больший контроль и данный фактор может позитивно сказываться на уровне ликвидности.

· Change_on_based дамми-переменная на переход банков с универсальной на базовую лицензию. Данная переменная основана на гипотезе 3 и полностью отражает ее суть.

Вектор макроэкономических факторов:

· key_rate -ключевая ставка процентов

· gdp-темп прироста ВВП %

В целом вектор макроэкономических показателей отражает периоды спада, роста и застоя в экономике, что должно сказываться на деятельности коммерческих банков прямо пропорционально. Поэтому ожидается влияние данных показателей на запасы ликвидности.

Для проведения данного исследования были собраны ежеквартальные данные российских банков за период 2017-2018 года. Данный период был выбран по причине того, что в исследовательской работе необходимо посмотреть влияние факторов на ликвидность уже после введения изменений к требованиям капитала коммерческих банков. Необходимо отметить, что ежеквартальные данные отражают «сглаженные» сезонные сдвиги в данных, поэтому результаты регрессионного анализа будут иметь более точные оценки. Данные для вектора макроэкономических факторов будут собраны с сайта ЦБ РФ (www.cbr.ru), а для вектора банковских переменных с сайта (www.banki.ru).

В итоге данные были собраны по 350 российским банкам с универсальной и базовой лицензией. Было выделено две выборки, одна из которых содержала данные банков с универсальной лицензией, а вторая данные о банках с базовой лицензией. Список банков приведен в приложении 2.

По остальным банкам, не вошедшим в выборку, либо не было найдено данных по причине не предоставления их банками, либо имелось больше количество пропусков данных. Также были удалены банки, показатели ликвидности которых были настолько высоки, что являлись «выбросами» и могли испортить качество оценок регрессии и модели в целом. Не использовались данные банков, у которых были отозваны лицензии в период с 2017-2018 годов.

Таблица 1

Описательные статистики регрессоров влияющих на ликвидность банков

*На основе расчетов в статистическом пакете Stata

По приведенным выше описательным статистикам (Таблица 1) видно, что наблюдений достаточно для проведения адекватного регрессионного анализа. Кроме того, некоторые значения переменных имеют существенное отличие от средних показателей. Например, средний уровень резервирования на возможные потери по ссудам имеет значение 18, что говорит о низкой готовности российского банковского сектора к принятию риска. Также некоторые показатели имеют отрицательное значение, что говорит об отрицательных значениях деятельности банков. Корреляционный анализ выявил слабую зависимость между ключевой ставкой процента и приростом ВВП, а также между капитализацией и текущей ликвидностью (Приложение 1. Таблица корреляционного анализа). Между остальными переменными зависимости не наблюдается.

3.2 Методология

В связи со спецификой данных был использован регрессионный анализ на основе панельных данных. Были построены две регрессии для каждого вида лицензии. Данный метод был выбран, так как панельные данные могут содержать большое количество наблюдений, при этом учитывая неоднородность в данных; позволяют выявить ненаблюдаемые эффекты, также структура данных для данного исследования подходит для использования именного этого метода.

H3_it=б+вBank_it+гMacro_t+е_it,

где i - наименование банковского учреждения;

t -номер квартала;

Bank - вектор внутрибанковских переменных;

Macro - вектор макроэкономических переменных;

е - случайная ошибка [Орлов А. И., 2009]

Перед тем, как оценивать итоговую модель, необходимо было произвести некоторые подготовительные этапы.

1. Выбор модели. Для начала необходимо было выбрать наиболее адекватную модель путем их попарного сравнения. Данная процедура предполагает использование тестов Вальда, Брои?ша-Пагана и Хаусмана [Ратникова Т. А., 2004]. Выбор происходил между тремя моделями: модель сквозной регрессии, регрессии с фиксированными эффектами и регрессии со случайными эффектами. В первом случае модель не учитывает неоднородность данных, а также их панельную структуру, а во втором случае модель не может учитывать коэффициенты при дамми-переменных, так как они уже учтены в фиксированных эффектах. Итог: для обеих регрессий (с данными банков с базовой и универсальной лицензиями) наиболее адекватной оказалась с модель со случайными эффектами.

2. Тестирование регрессии на мультиколлинеарность. Так как при мультиколлинеарности есть риск, что незначимые оценки на самом деле являются значимыми, были рассмотрены значения VIF. Они показали высокое значение лишь для ключевой ставки процента (key_rate), однако, из корреляционного анализа было выявлено, что зависимость не столько велика, поэтому данная переменная не была удалена.

3. Тестирование регрессии на гетероскедантичность и автокорреляцию. Наличие данных проблем в регрессии приводит к ухудшению не только оценок регрессии, но и качества самой модели, также, в результате данных проблем, оценки могут быть несостоятельными. Для выявления были использованы тесты Вальда и Вулриджа. В итоге было обнаружено, что в обеих регрессиях присутствуют данные проблемы. Для их решения применялся обобщенный метод наименьших квадратов. После устранения проблем качество модели улучшилось, о чем свидетельствует повышение коэффициента детерминации с 0, 54 до 0,78. Также некоторые коэффициенты стали значимыми.

Таким образом, полученная модель была проверена на адекватность, и были устранены возникшие проблемы. Поэтому оценки регрессии имеют высокий уровень качества и состоятельности.

3.3 Результаты

Результаты регрессионного анализа представлены в таблице 2.

Таблица 2

Результаты регрессионного анализа

legend: * p<0,1; ** p<0,05; *** p<0,001

Так как спецификация модели была линейной, то интерпретация коэффициентов будет следующая: увеличение X на 1 ведет к увеличению Y на в, а для переменных в натуральном логарифме увеличение X на 1% ведет к увеличению Y на в/100 единиц.

Как видно из таблицы 2 оценка размера банка (Size) оказалась значимой для обеих регрессий, поэтому её можно интерпретировать. Величина банка имеет прямое влияние на уровень ликвидности только для банков с универсальной лицензией. Для банков с базовой лицензией данный регрессор оказывает негативное влияние на запасы ликвидности. Возможно, данные результаты говорят о том, что более крупные банки имеют в целом больше активов, в том числе ликвидных. Небольшие банки с ростом их активов могут вкладываться в более рискованные сделки, поэтому рост данного фактора ведет к снижению ликвидности банка.

Капитализация банков (Capitalization) имеет значение лишь для банков с универсальной лицензией. Можно заметить положительную зависимость ликвидности от капитализации банка. Это говорит о том, что стабильность работы кредитной организации действительно влияет на уровень ликвидности. Для банков с базовой лицензией данный фактор не значим, возможно из-за того, что размер капитала невелик и не может сильно влиять на ликвидность.

Показатель уровня резервирования по кредитному портфелю (Reserve) значим только для банков с универсальной лицензией. Можно заметить положительную зависимость между данным регрессором и уровнем ликвидности для данных банков. Для банков с базовой лицензией данный показатель не значим. Это может быть обусловлено тем, что данные банки выдают меньшее количество займов, и текущее количество активов способно покрыть краткосрочные обязательства.

Дамми-переменная на государственный тип собственности (Gos_part) значима для обеих регрессий. Однако, направления влияния разное. Для банков с универсальной лицензией значение коэффициента отрицательное, а для банков с базовой лицензией положительное. Это может быть вызвано тем, что малые банки с большой долей государственного участия имеют больше контроля и вынуждены постоянно поддерживать достаточный уровень ликвидности. Крупные же банки, наоборот, имеют большое влияние на рынок и долевое участие государства является дополнительным источником гарантий.

Показатель рентабельности активов значим только для банков с базовой лицензией. Поэтому интерпретировать можно только данный коэффициент. Для данных банков коэффициент положителен, это говорит о том, что, получая доходы от активов, банк скорее всего оставляет их в качестве ликвидных средств. Возможно, для банков с универсальной лицензией этот показатель не значим, так как использование активов не влияет на запасы ликвидности.

Показатель смены лицензии с универсальной на базовую (Change_on_based) применялся только в регрессии для банков с базовой лицензией и оказался незначим. То есть, данный фактор не повлиял на ликвидность коммерческих банков.

Вектор макроэкономических показателей не оказывает никакого влияния на банки с универсальной лицензией. Однако, для банков с базовой лицензией значим прирост ВВП и имеет отрицательный эффект на уровень ликвидности банков. То есть во время экономического подъема коммерческие банки позволяют себе использовать ликвидные активы для доходных операций, так как во время экономического роста спрос на них растет. А во время экономического спада банк понимает угрозу риска ликвидности и старается повышать уровень ликвидности. Возможно, ключевая ставка процента незначима из-за проблемы мультиколлинеарности, однако, исключение ее из модели не поменяло результатов.