Новосибирск, Новосибирская область, Россия
Институт экономики и организации промышленного производства СО РАН
Новосибирский государственный технический университет
Новосибирск, Новосибирская область, Россия
JEL G33 Bankruptcy • Liquidation
JEL C51 Model Construction and Estimation
JEL C58 Financial Econometrics
Доля потерь банка в случае реализации дефолта заемщика – это безусловно критически важный показатель, без точного прогнозирования которого невозможно корректно оценить уровень кредитного риска, адекватно сформировать резервы под ожидаемые кредитные убытки и рассчитать достаточный объем капитала, необходимого для защиты финансовой устойчивости учреждения от непредвиденных потерь, связанных с невозвратом кредитов. Этот показатель, известный как Loss Given Default (LGD), в частности отражает долю невозвращённого долга относительно его суммы и напрямую влияет на уровень резервирования, нормативные требования и стратегическое планирование банковской деятельности. Прогнозирование доли потерь при дефолте однозначно требует учета ряда специфических свойств данных, таких как мультимодальность и асимметричность распределения, ограничение значений интервалом от 0% до 100%+, нелинейность влияния объясняющих факторов. В статье проанализированы исследования, посвящённые моделированию доли потерь в случае дефолта в рамках оценки кредитного риска. Описаны метрики качества модели в разрезе четырёх ключевых критериев: точности, дискриминационной способности, стабильности и интерпретируемости. Сделаны выводы и даны рекомендации по разработке и внедрению моделей в банковские процессы. Главный итоговый вывод заключается в том, что гибридные модели, сочетающие преимущества параметрических и непараметрических подходов, а также интерпретируемые непараметрические модели набирают популярность благодаря способности сохранять как точность прогнозов, так и интерпретируемость. Тем не менее, параметрические модели остаются базовым инструментом анализа и бенчмарком для оценки прироста качества более сложных моделей.
кредитный риск, доля потерь при дефолте, мультимодальное распределение, интерпретируемость, непараметрические модели, гибридные модели
1. Baesens B., Smedts K. (2023). Boosting credit risk models. The British Accounting Review. DOI:https://doi.org/10.1016/j.bar.2023.101241
2. Baixauli S., Alvarez S. (2010). The Role of Market-Implied Severity Modeling for Credit VaR. Annals of Economics and Finance, Vol. 11, No. 2, pp. 337–353.
3. Bandyopadhyay A. (2022). Loan level loss given default (LGD) study of Indian banks. IIMB Management Review, Vol. 34, pp. 168–177. DOI:https://doi.org/10.1016/j.iimb.2022.06.003
4. Basel Committee on Banking Supervision. (2006). International Convergence of Capital Measurement and Capital Standards.
5. Bellotti A., Brigo D., Gambetti P., Vrins F. (2020). Forecasting recovery rates on non-performing loans with machine learning. International Journal of Forecasting. DOI:https://doi.org/10.1016/j.ijforecast.2020.06.009
6. Bellotti T., Crook J. (2009). Loss Given Default models for UK retail credit cards. CRC working paper 09/1.
7. Bijak K., Thomas L.C. (2015). Modelling LGD for unsecured retail loans using Bayesian methods. Journal of the Operational Research Society, Vol. 66, pp. 342–352. DOI:https://doi.org/10.1057/jors.2014.9
8. Bonini S., de Carvalho G. (2016). Econometric Approach for Basel II Loss Given Default Estimation: from Discount Rate to Final Multivariate Model.
9. Calabrese R. (2012). Estimating bank loans loss given default by generalized additive models.
10. Dahlin F., Storkitt S. (2014). Estimation of Loss Given Default for Low Default Portfolios. Royal Institute of Technology.
11. Dermine O., de Carvalho C.N. (2006). Bank loan losses-given-default: A case study. Journal of Banking & Finance, Vol. 30, pp. 1219–1243. DOI:https://doi.org/10.1016/j.jbankfin.2005.05.005
12. Fan M., Wu T.-H., Zhao Q. (2023). Assessing the Loss Given Default of Bank Loans Using the Hybrid Algorithms Multi-Stage Model. Systems, Vol. 11, 505. DOI:https://doi.org/10.3390/systems11100505
13. Frontczak R., Jaeger M., Schumacher B. (2017). From Power Curves to Discriminative Power: Measuring Model Performance of LGD Models. Journal of Mathematical Finance, Vol. 7, pp. 657–670. DOI:https://doi.org/10.4236/jmf.2017.73034
14. Grunert J., Weber M. (2009). Recovery rates of commercial lending: Empirical evidence for German companies. Journal of Banking & Finance, Vol. 33, pp. 505–513. DOI:https://doi.org/10.1016/j.jbankfin.2008.09.002
15. Gurtler M., Hibbeln M. (2013). Improvements in loss given default forecasts for bank loans. Journal of Banking & Finance, Vol. 37, pp. 2354–2366. DOI:https://doi.org/10.1016/j.jbankfin.2013.01.031
16. Han C., Jang Y. (2012). Effects of debt collection practices on loss given default. Journal of Banking and Finance.
17. Hurlin C., Leymarie J., Patin A. (2018). Loss functions for Loss Given Default model comparison. European Journal of Operational Research. DOI:https://doi.org/10.1016/j.ejor.2018.01.020
18. Jaber J.J., Ismail N., Ramli S.N.M., Albadareen B., Hamadneh N.N. (2021). Estimating Loss Given Default Based on Beta Regression. Computers, Materials & Continua, Vol. 66, No. 3. DOI:https://doi.org/10.32604/cmc.2021.014509
19. Jacobs Jr. M. (2024). Modeling Ultimate Loss-Given-Default and Time-to-Resolution on Corporate Debt. Journal of Financial Risk Management, Vol. 13, pp. 426–459. DOI:https://doi.org/10.4236/jfrm.2024.132020
20. Jacobs M. (2010). An Option Theoretic Model for Ultimate Loss-Given-Default with Systematic Recovery Risk and Stochastic Returns on Defaulted Debt. Forthcoming in the Proceedings of the 2010 3rd Annual Joint Bank for International Settlements, World Bank and European Central Bank Public Investors Conference.
21. Joubert M., Verster T., Raubenheimer H., Schutte W.D. (2021). Adapting the Default Weighted Survival Analysis Modelling Approach to Model IFRS 9 LGD. Risks, Vol. 9, 103. DOI:https://doi.org/10.3390/risks9060103
22. Kaposty F., Kriebel J., Loderbusch M. (2019). Predicting loss given default in leasing: A closer look at models and variable selection. International Journal of Forecasting. DOI:https://doi.org/10.1016/j.ijforecast.2019.05.009
23. Kazianka H., Morgenbesser A., Nowak T. (2021). Assessing the discriminatory power of loss given default models. Journal of Applied Statistics. DOI:https://doi.org/10.1080/02664763.2021.1910936
24. Kruger S., Rosch D. (2017). Downturn LGD modeling using quantile regression. Journal of Banking and Finance, Vol. 79, pp. 42–56. DOI:https://doi.org/10.1016/j.jbankfin.2017.03.001
25. LaCour-Little M., Zhang Y. (2014). Default Probability and Loss Given Default for Home Equity Loans. Economics Working Paper 2014-1.
26. Leow M., Mues C. (2012). Predicting loss given default (LGD) for residential mortgage loans: A two-stage model and empirical evidence for UK bank data. International Journal of Forecasting, Vol. 28, pp. 183–195. DOI:https://doi.org/10.1016/j.ijforecast.2011.01.010
27. Li K., Zhou F., Li Z., Yao X., Zhang Y. (2021). Predicting loss given default using post-default information. Knowledge-Based Systems, Vol. 224, 107068. DOI:https://doi.org/10.1016/j.knosys.2021.107068
28. Loterman G., Brown I., Martens D., Mues C., Baesens B. (2012). Benchmarking regression algorithms for loss given default modeling. International Journal of Forecasting, Vol. 28, pp. 161–170. DOI:https://doi.org/10.1016/j.ijforecast.2011.01.006
29. Maarse B. (2012). Master Thesis Backtesting Framework for PD, EAD and LGD. Rabobank International Quantitative Risk Analytics.
30. Miller P., Tows E. (2017). Loss Given Default Adjusted Workout Processes for Leases. Journal of Banking and Finance. DOI:https://doi.org/10.1016/j.jbankfin.2017.01.020
31. Miller P. (2017). Modeling and Estimating the Loss Given Default of Leasing Contracts.
32. Nazemi A., Fabozzi F.J. (2018). Macroeconomic variable selection for creditor recovery rates. Journal of Banking and Finance, Vol. 89, pp. 14–25. DOI:https://doi.org/10.1016/j.jbankfin.2018.01.006
33. Nazemi A., Fatemipour F., Heidenreich K., Fabozzi F.J. (2017). Fuzzy Decision Fusion Approach for Loss-Given-Default Modeling. European Journal of Operational Research. DOI:https://doi.org/10.1016/j.ejor.2017.04.008
34. Nazemi A., Heidenreich K., Fabozzi F.J. (2018). Improving corporate bond recovery rate prediction using multi-factor support vector regressions. European Journal of Operational Research. DOI:https://doi.org/10.1016/j.ejor.2018.05.024
35. Polianskii Iu. (2021). Problemy otsenki kachestva modelei PVR. Sovremennye podkhody k validatsii modelei LGD. Risk-menedzhment v kreditnoi organizatsii, № 3.
36. Polozhenie Banka Rossii 845-P 02.11.2024. (2024). O poriadke rascheta velichiny kreditnogo riska bankami s primeneniem bankovskikh metodik upravleniia kreditnym riskom i modelei kolichestvennoi otsenki kreditnogo riska.
37. Ptak-Chmielewska A., Kopciuszewski P., Matuszyk A. (2023). Application of the kNN-Based Method and Survival Approach in Estimating Loss Given Default for Unresolved Cases. Risks, Vol. 11, 42. DOI:https://doi.org/10.3390/risks11020042
38. Qi M., Yang X. (2009). Loss given default of high loan-to-value residential mortgages. Journal of Banking & Finance, Vol. 33, pp. 788–799. DOI:https://doi.org/10.1016/j.jbankfin.2008.09.010
39. Qi M., Zhao X. (2011). Comparison of modeling methods for Loss Given Default. Journal of Banking & Finance, Vol. 35, pp. 2842–2855. DOI:https://doi.org/10.1016/j.jbankfin.2011.03.011
40. Schmit M., Stuyck J. (2002). Recovery Rates in the Leasing Industry.
41. Sigrist F., Stahel W.A. (2011). Using the censored gamma distribution for modeling fractional response variables with an application to loss given default. Astin Bulletin, Vol. 41, No. 2, pp. 673–710. DOI:https://doi.org/10.2143/AST.41.2.2136992
42. Somers M., Whittaker J. (2007). Quantile regression for modelling distributions of profit and loss. European Journal of Operational Research, Vol. 183, pp. 1477–1487. DOI:https://doi.org/10.1016/j.ejor.2006.08.063
43. Tanoue Y., Kawada A., Yamashita S. (2017). Forecasting loss given default of bank loans with multi-stage model. International Journal of Forecasting, Vol. 33, pp. 513–522. DOI:https://doi.org/10.1016/j.ijforecast.2016.11.005
44. Tong E.N.C., Mues C., Thoma L. (2013). A zero-adjusted gamma model for mortgage loan loss given default. International Journal of Forecasting, Vol. 29, pp. 548–562. DOI:https://doi.org/10.1016/j.ijforecast.2013.03.003
45. Vlasenko M. (2022). Postroenie modelei LGD dlia korporativnogo segmenta v ramkakh A-IRB-podkhoda s ispolzovaniem algoritma derevev reshenii. Bankauski viesnik, № 4 (705).
46. Yao X., Crook J., Andreeva G. (2014). Support vector regression for loss given default modelling. European Journal of Operational Research. DOI:https://doi.org/10.1016/j.ejor.2014.06.043
47. Yao X., Crook J., Andreeva G. (2017). Enhancing Two-Stage Modelling Methodology for Loss Given Default with Support Vector Machines. European Journal of Operational Research. DOI:https://doi.org/10.1016/j.ejor.2017.05.017
