По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2206-05

AI-cистема, корреляционно-регрессионная и VaR-модель для прогнозирования просроченной задолженности коммерческих банков РФ и анализа финансового риска

Вималаратхне Канчана магистрант кафедры менеджмента и финансов производственных систем, ФГБОУ ВО «Волгоградский государственный технический университет», 400005, Россия, г. Волгоград, проспект В. И. Ленина, д. 28, E-mail: kanchana_wimalarathna@yahoo.com, ORCID: 0000-0002-0853-7211
Николай Иванович Ломакин кандидат экономических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, проспект В. И. Ленина, д. 28, E-mail: tel9033176642@yahoo.com, ORCID: 0000-0001-6597-7195
Никита Тимофеевич Шабанов магистрант кафедры менеджмента и финансов производственных систем, ФГБОУ ВО «Волгоградский государственный технический университет», 400005, Россия, г. Волгоград, проспект В. И. Ленина, д. 28, E-mail: shabanovnt1999@gmail.com, ORCID: 0000-0002-2240-5725
Светлана Юрьевна Крюкова магистрант кафедры менеджмента и финансов производственных систем», ФГБОУ ВО «Волгоградский государственный технический университет», ведущий инженер, филиал ФГБУ ФКП Росреестра по Волгоградской области, 400005, Россия, г. Волгоград, проспект В. И. Ленина, д. 28, E-mail: sazonovsp@mail.ru, ORCID: 0000-0002-2258-927X
Светлана Алексеевна Наумова магистрант кафедры менеджмента и финансов производственных систем», ФГБОУ ВО «Волгоградский государственный технический университет», 400005, Россия, г. Волгоград, проспект В. И. Ленина, д. 28, E-mail: svetanaumova-sn2015@yandex.ru, ORCID: 0000-0001-9932-9866
Ярослав Андреевич Репин студент, Волжский политехнический институт (филиал) ФГБОУ ВО «Волгоградский государственный технический университет», ФЭИ «Инженерно-экономический факультет», 404121, Россия, г. Волжский, ул. Энгельса, д. 42а, E-mail: repin.yaroslaw@gmail.com, ORCID: 0000-0002-4168-2752
Иван Николаевич Ломакин бакалавр кафедры информатики и технологии программирования, Волжский политехнический институт (филиал) ФГБОУ ВО «Волгоградский государственный технический университет», 404121, Россия, г. Волжский, ул. Энгельса, д. 42а, E-mail: ivan.grom0boy@yandex.ru, ORCID: 0000-0001-7392-1554
Елена Александровна Радионова кандидат экономических наук, доцент кафедры экономики и финансов, Волгоградский филиал РЭУ им. Г. В. Плеханова, 400131, Россия, г. Волгоград, ул. Волгодонская, д. 11, E-mail: elena-2003@mail.ru, ORCID: 0000-0003-4285-930Х

В статье исследованы теоретические основы возникновения просроченной задолженности по кредитам и прогнозирования финансового риска в российских банках в современных условиях. Актуальность исследования в том, что рост проблемной задолженности коммерческих банков по кредитам в настоящее время является одной из наиболее острых проблем. Собранный материал позволил провести анализ динамики объемов просроченной задолженности по кредитам в коммерческих банках РФ за период 2013–2021 гг. В ходе исследования было выявлено, что на объем проблемной задолженности влияет множество факторов. В целях изучения влияния факториальных признаков на результативный признак — объем просроченной задолженности предпринята попытка использовать такие модели, как корреляционно-регрессионная, AI и VaR. Выдвинута и доказана гипотеза, что с помощью корреляционно-регрессионной, AI- и VaR-моделей можно получить прогноз объема просроченных кредитов в портфеле коммерческих банков РФ. В корреляционно-регрессионную модель помимо результативного признака Y (темп роста просроченной задолженности) были включены такие факториальные признаки, как: X1 — темп роста ВВП на душу населения; X2 — темп роста среднедушевого дохода населения; Х3 — темп роста профицита внешней торговли; Х4 — индекс инфляции; X5 — темп роста оттока капитала; X6 — темп роста наличных денежных средств; X7 — процентная ставка по кредитам; X8 — курс доллара США; Х9 — цена барреля нефти URLS долларов; Х10 — рост заработной платы. Исследование показало, что применение различных инструментов прогнозирования обеспечивает получение разных объемов просроченной задолженности, например, на 2022 г.: корреляционно-регрессионная модель — 7159,9 млрд руб., нейросеть — 4466,251 млрд, а VaR-модель 5426,56 — млрд руб. просроченных кредитов.

Литература:

1. Васильев, В. А., Летчиков, А. Ф., Лялин, В. Е. Математические модели оценки и управления рисками хозяйствующих субъектов / В. А. Васильев, А. Ф. Летчиков, В. Е. Лялин // Аудит и финансовый анализ. — 2006. — № 4. — С. 200–237.

2. Всемирный банк назвал риски для российской экономики // Frank RG [Электронный ресурс]. — URL: https://frankrg.com/4865 (дата обращения: 26.03.2022).

3. Кредитование в России. Задолженность // Tadviser [Электронный ресурс]. — URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%9A%D1%80%D0%B5%D0%B4%D 0%B8%D1%82%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%A0%D0%BE%D1%81 %D1%81%D0%B8%D0%B8_(%D0%B7%D0%B0%D0%B4%D0%BE%D0%BB%D0%B6%D0%B5%D0%BD%D0%B D%D0%BE%D1%81%D1%82%D1%8C) (дата обращения: 26.03.2022).

4. Проблемы на триллионы. S&P оценило объем плохих долгов российских банков // Forbes [Электронный ресурс]. — URL: https://www.forbes.ru/finansy-i-investicii/379405-problemy-na-trilliony-sp-ocenila-obem-plohih-dolgov-rossiyskih-bankov (дата обращения: 23.03.2022).

5. Структура наличной денежной массы: итоги 2020 года — ЦБ // АРБ [Электронный ресурс]. — URL: https://arb.ru/b2b/news/struktura_nalichnoy_denezhnoy_massy_itogi_2020_goda_tsb-10446884/ (дата обращения: 26.03.2022).

6. Фельмер, Г., Шид, А. Введение в стохастические финансы. Дискретное время / Г. Фельмер, А. Шид; пер с англ. — М.: МЦМНО, 2008. — 496 с.

7. Щелконогов, Е. В. Комплексная оценка и управление финансовыми рисками банка: Магистерская диссертация. Екатеринбург, 2016. — 116 с. [Электронный ресурс]. — URL: https://elar.urfu.ru/bitstream/10995/43122/1/m_th_y.v.shchelkonogov_2016.pdf (дата обращения: 08.01.2022).

8. Bataev, A., Plotnikova, E., Lukin, G., Sviridenko, E. Evaluation of the Economic Efficiency of Blockchain for Customer Identification by Financial Institutions / A. Bataev, E. Plotnikova, G. Lukin, E. Sviridenko // IOP Conference Series: Materials Science and Engineering on October 08, 2020. Vol. 940. DOI: 10.1088/1757-899X/940/1/012038

9. Bataev, A. V., Gorovoy, A. A., Denis, Z. Comparative analysis of the use of neural network technology in the world and Russia. / A. V. Bataev, A. A. Gorovoy, Z. Denis. Vol. 2. 2019. Pp. 988–995 / Proceedings of the 33rd International Business Information Management Association Conference. DOI: 10.34190/ECIE.19.165

10. Eugene, F. Fama and James, D. MacBeth. Risk, Return and Equilibrium: Empirical Tests // Journal of Political Economy. — 1973. — Vol. 81 (3). — Pp. 607–636.

11. Frazzini, A. and Pedersen, L. H. Betting Against Beta // NBER Working Paper. 2010. — 220 p.

12. Rybyantseva, M., Ivanova, E., Demin, S., Dzhamay, E., Bakharev, V. Financial sustainability of the enterprise and the main methods of its assessment // International Journal of Applied Business and Economic Research. — 2017. — Vol. 15. — Pp. 139–146.

13. Shokhnekh, A., Lomakin, N., Glushchenko, A., Sazonov, S., Kovalenko, O., Kosobokova, E. Digital neural network for managing financial risk in business due to real options in the financial and economic system / A. Shokhnekh, N. Lomakn, A. Glushchenko, S. Sazonov, O. Kovalenko, E. Kosobokova // Conference: Proceedings of the International Scientific-Practical Conference “Business Cooperation as a Resource of Sustainable Economic Development and Investment Attraction” (ISPCBC 2019). DOI: 10.2991/ispcbc-19.2019.138.

1. Vasiliev, V. A., Letchikov, A. F., Lyalin, V. E. Vsemirnyj bank nazval riski dlya rossijskoj ekonomiki [Mathematical models for risk assessment and management of business entities]. Audit i finansovyi analiz [Audit and financial analysis]. 2006. No. 4. Pp. 200-237 (in Russian).

2. The World Bank named the risks for the Russian economy. Frank RG. — Available at: https://frankrg.com/4865 (accessed: 26.03.2022) (in Russian).

3. Lending in Russia. Debt. Tadviser. — Available at: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1 %82%D1%8C%D1%8F:%D0%9A%D1%80%D0%B5%D0%B4%D0%B8%D1%82%D0%BE%D0%B2%D0%B0%D0%BD%D 0%B8%D0%B5_%D0%B2_%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B8_(%D0%B7%D0%B0%D0%B4%D0%B E%D0%BB%D0%B6%D0%B5%D0%BD%D0%BD%D0%BE%D1%81%D1%82%D1%8C) (accessed: 26.03.2022) (in Russian).

4. Trillions worth of problems. S&P estimated the volume of bad debts of Russian banks. Forbes. — Available at: https://www.forbes.ru/finansy-i-investicii/379405-problemy-natrilliony-sp-ocenila-obem-plohih-dolgov-rossiyskih-bankov (accessed: 23.03.2022) (in Russian).

5. Structure of the cash supply: results of 2020 — Central Bank. Association of Russian Banks. — Available at: https://arb.ru/b2b/news/struktura_nalichnoy_denezhnoy_massy_itogi_2020_goda_tsb-10446884/ (accessed: 26.03.2022). (in Russian).

6. Felmer, G., Shid, A. Vvedenie v stohasticheskie finansy. Diskretnoe vremya [Introduction to stochastic finance. Discrete time]. — Moscow: MTsMNO, 2008. — 496 p. (in Russian).

7. Shchelkonogov, E.V. Kompleksnaya ocenka i upravlenie finansovymi riskami banka [Comprehensive assessment and management of bank financial risks]. Ekaterinburg, 2016. — 116 p. — Available at: https://elar.urfu.ru/bitstream/10995/43122/1/m_th_y.v.shchelkonogov_2016.pdf (accessed: 08.01.2022) (in Russian).

8. Bataev, A., Plotnikova, E., Lukin, G., Sviridenko Evaluation of the Economic Efficiency of Blockchain for Customer Identification by Financial Institutions. IOP Conference Series: Materials Science and Engineering on October 08, 2020. Vol. 940. DOI: 10.1088/1757-899X/940/1/012038.

9. Bataev, A. V., Gorovoy, A. A., Denis, Z. Comparative analysis of the use of neural network technology in the world and Russia. 2019. Vol. 2. Pp. 988–995. Proceedings of the 33rd International Business Information Management Association Conference. DOI: 10.34190/ECIE.19.165.

10. Eugene, F. Fama and James, D. MacBeth Risk, Return and Equilibrium: Empirical Tests. Journal of Political Economy. 1973. Vol. 81(3). Pp. 607–636.

11. Frazzini, A. and Pedersen, L. H. Betting Against Beta. NBER Working Paper. 2010. 220 p.

12. Rybyantseva, M., Ivanova, E., Demin, S., Dzhamay, E., Bakharev, V. Financial sustainability of the enterprise and the main methods of its assessment. International Journal of Applied Business and Economic Research. 2017. Vol. 15. Pp. 139–146.

13. Shokhnekh, A., Lomakin, N., Glushchenko, A., Sazonov, S., Kovalenko, O., Kosobokova, E. Digital neural network for managing financial risk in business due to real options in the financial and economic system. Conference: Proceedings of the International Scientific-Practical Conference "Business Cooperation as a Resource of Sustainable Economic Development and Investment Attraction" (ISPCBC 2019). DOI: 10.2991/ispcbc-19.2019.138.

Известно, что финансовый риск — это риск, который связан с вероятностью потерь финансовых ресурсов, например денежных средств. С развитием денежного обращения проблема минимизации финансовых рисков приобретает особую значимость.

Выявление, вычисление и минимизация финансовых рисков являются неотъемлемой частью работы с финансовыми активами, особенно в условиях рыночной неопределенности [3]. Как известно, рыночная неопределенность может быть выражена в качестве некоторых условий, в которых протекает процесс принятия экономических решений, изменения которых трудно предугадать и оценить. С неполной информации или с ее недостатком, особенно в сфере финансов, сталкиваются всегда.

Рыночную неопределенность нельзя устранить вообще, но можно снизить ее степень.

Актуальность исследования состоит в том, что рост проблемной задолженности коммерческих банков по кредитам юридических лиц, индивидуальных предпринимателей и физических лиц в настоящее время является наиболее актуальным и дискутируемым вопросом в банковском сообществе.

Исследованы теоретические основы появления просроченных кредитов в банковской сфере. По мнению экспертов, актуальность вопроса снижения доли просроченной задолженности со временем будет только расти, до тех пор пока банками и государством не будут разработаны эффективные методы борьбы с нею.

По мнению ряда экспертов, важное значение имеет использование статистического анализа для управления величиной просроченной задолженности коммерческих банков РФ. Для того чтобы работа с проблемной задолженностью была эффективной, коммерческим банкам необходимо учитывать ряд факторов, которые непосредственно могут оказать на нее влияние.

Определены факториальные признаки, сформирована корреляционно-регрессионная модель, которая позволила выявить направление и силу воздействия факториальных признаков на темп прироста просроченной задолженности. Выдвинута и доказана гипотеза, что с помощью корреляционно-регрессионной, AI- и VaR-модели можно получить прогноз объема просроченных кредитов в портфеле коммерческих банков РФ.

Для Цитирования:
Вималаратхне Канчана, Николай Иванович Ломакин, Никита Тимофеевич Шабанов, Светлана Юрьевна Крюкова, Светлана Алексеевна Наумова, Ярослав Андреевич Репин, Иван Николаевич Ломакин, Елена Александровна Радионова, AI-cистема, корреляционно-регрессионная и VaR-модель для прогнозирования просроченной задолженности коммерческих банков РФ и анализа финансового риска. Международная экономика. 2022;6.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: