«Моделирование банковских рисков: уровень потерь при дефолте (LGD) корпоративных заёмщиков» – в МШЭ МГУ состоялся очередной Межкафедральный научно-исследовательский семинар по экономике и математическим методам
4 декабря в рамках подготовки к 270- летию Московского университета, под рубрикой «Московский университет – лидер российского образования» в МШЭ МГУ состоялся очередной межкафедральный научно-исследовательский семинар по экономике и математическим методам.
Руководители семинара: Беляков А.О., Курбацкий А.Н.
Секретарь: Мироненков А.А. | econometrics.math@gmail.com
На семинаре выступил:
Эдуард Шабуневич – один из лучших выпускников магистратуры МШЭ МГУ 2023 года, обучавшийся по направлению «Экономика и математические методы». В настоящее время Эдуард является аспирантом на кафедре Эконометрики и математических методов экономки МШЭ МГУ. Один из его научных руководителей – заведующий кафедрой ЭММЭ к.ф.-м.н. А.Н. Курбацкий
Тема выступления Э. Шабуневича: « Моделирование банковских рисков: уровень потерь при дефолте (LGD) корпоративных заёмщиков».
Аннотация.
В настоящее время в структуре кредитного портфеля банковских организаций существенную долю занимает кредитование корпоративных заёмщиков. Следовательно, оценка потерь в случае попадания корпоративных заемщиков в состояние дефолта является важнейшим аспектом в системе управления рисками банков и финансовых учреждений, поскольку подсчёт вероятных убытков позволяет последним более эффективно поддерживать уровень капитала, распределять соответствующие резервы и принимать обоснованные решения в отношении выдачи/невыдачи кредитов (то есть, в рамках процедуры ценообразования). В докладе рассматривается подход к моделированию уровня потерь при дефолте корпоративных заёмщиков с помощью метрик машинного обучения. На сформированной выборке, включающей в себя информацию о 552 компаниях, объявивших о дефолте по текущим обязательствам в период с 2011 по 2015 годы, протестированы гипотезы о влиянии ряда нефинансовых и финансовых показателей на уровень потерь банка при банкротстве заёмщика, а также построены модели прогноза LGD на основании информации о заёмщиках, собранных из открытых источников.