ОЦІНКА НАЙГІРШОГО СЦЕНАРІЮ ЧИСТОГО ВІДПЛИВУ ДЕПОЗИТІВ ДО ЗАПИТАННЯ ЗА ДОПОМОГОЮ КВАНТИЛЬНОЇ РЕГРЕСІЇ
Main Article Content
Анотація
Розглянуто найбільш вживані моделі, що використовують для оцінки відпливу депозитів до запитання: незнижуваного залишку, геометричного броунівського руху (GBM) і грошового потоку під ризиком (CFaR). Ці моделі базуються на використанні одновимірного розподілу (зазвичай припускають, що розподіл є нормальним) імовірностей залишків або грошових потоків. Вони визначають найбільший відплив коштів опосередковано через оцінку найменших залишків. Модель грошового потоку під ризиком визначає відплив коштів безпосередньо. Для узагальнення наявних моделей запропоновано модель відпливу, що базується на лінійній квантильній регресії. Властивості квантильної регресії особливо привабливі для оцінки ризику ліквідності депозитів до запитання. Квантильна регресія дає змогу визначити квантиль безпосередньо; не залежить від виду розподілу, якому підкоряються залишки або грошові потоки; є стійкою до викидів, наявність яких характерна для депозитів до запитання; підхоплює товсті хвости в розподілі змінних; вільна від припущення, що дисперсія є постійною. Для побудови квантильної регресії використано умовний двовимірний розподіл грошових потоків і залишків для корпоративних гривневих депозитів до запитання за нормальних і кризових умов. Статистичні тестування підтвердили добру достовірність моделі та гіпотезу щодо наявності лінійної залежності грошових потоків від рівня залишків. У результаті побудована квантильна регресія не має областей значень залишків депозитів до запитання, у яких ризик ліквідності був би недооціненим. На противагу розробленій моделі, модель незнижуваного залишку завищує ризик ліквідності як у звичайних, так і у кризових умовах. Моделі GBM і CFaR завищують ризик ліквідності в області низьких значень залишків депозитів до запитання і недооцінюють в області їхніх високих значень.
Посилання
Bank for International Settlements (BIS). (2008). Principles for Sound Liquidity. Risk Management and Supervision. Retrieved from https://www.bis.org/publ/bcbs144.pdf.
Bank for International Settlements (BIS). (2013). Basel III: The Liquidity Coverage Ratio and Liquidity Risk Monitoring Tools. Retrieved from https://www.bis.org/publ/bcbs238.pdf.
Bank of Japan. (2014). Survey on Core Deposit Modeling in Japan: Toward Enhancing Asset Liability Management. Financial System and Bank Examination Department. BOJ Reports & Research Papers, 1—32. Retrieved from https://www.boj.or.jp/en/research/brp/ron_2014/data/ron140331a.pdf.
EBA. (2014). Guidelines on Common Procedures and Methodologies for the Supervisory Review and Evaluation Process (SREP). EBA/GL/2014/13. Retrieved from https://www.eba.europa.eu/documents/10180/935249/EBA-GL-2014-13+(Guidelines+on+SREP+methodologies+and+processes).pdf.
Geraci, M. (2016). Qtools: A Useful Package for Quantiles. Retrieved from https://mran.microsoft.com/snapshot/2017-02-04/web/packages/Qtools/vignettes/Qtools.pdf.
He, X. M., & Zhu, L. X. (2003). A Lack-of-Fit Test for Quantile Regression. Journal of the American Statistical Association, 98, 1013—1022.
Koenker, R. (2000). Quantile Regression in R: A Vignette. Retrieved from https://cran.r-project.org/web/packages/quantreg/vignettes/rq.pdf.
Koenker, R., & Bassett, G. (1978). Regression Quantiles. Econometrica, 46 (1), 33—50.
Kördel, A. (2017). Modeling Deposit Rates of Non-Maturity Deposits. Degree Project IN. KTH Royal Institute of Technology. School of Engineering Sciences. Sweden: Stockholm. Retrieved from https://www.math.kth.se/matstat/seminarier/reports/M-exjobb17/170529.pdf.
Onorato, M. (2012). Liquidity risk management. IBM Corporation Software Group. Business Analytics: Finance. Retrieved from https://www.risk.net/media/download/945331/download.
Risk Metrics Group. (1999). Corporate Metrics. Technical Document. The Benchmark for Corporate Risk Management. Retrieved from https://www.msci.com/documents/10199/8af520af-3e63-44b2-8aab-fd55a989e312.
Rodriguez, R. N., & Yao, Y. (2017). Five Things You Should Know about Quantile Regression. Paper SAS, 525. Retrieved from https://support.sas.com/resources/papers/proceedings17/SAS0525-2017.pdf.
Vento, G. A., & La Ganga, P. (2009). Bank Liquidity Risk Management and Supervision: Which Lessons from Recent Market Turmoil? Journal of Money, Investment and Banking, 10, 78—125. Retrieved from https://www.academia.edu/7596453/Bank_Liquidity_Risk_Management_and_Supervision_Which_Lessons_from_Recent_Market_Turmoil.pdf.
Voloshyn, I. V. (2004). Estimation of Banking Risks: New Approaches. Kyiv: Nicka-Center. Retrieved from https://www.researchgate.net/publication/282671374_Estimation_of_banking_risks_new_approaches.
Vozhzhov, А., & Lunjakova, N. (2009). Account of Influencing of Deposit Risks in Processes of Transformation of Bank Resources. Formation of Market Economy in Ukraine, 19, 16—26.
Xiao, Z., Guo, H., & Lam, M. S. (2015). Quantile Regression and Value at Risk. in Lee, C.-F. & Lee, J. (Eds.). Handbook of Financial Econometrics and Statistics, 1143—1167. New York: Springer Science+Business Media.
Yan, M., Hall, M. J. B., & Turner, P. (2011). Estimating Liquidity Risk Using the Exposure-Based Cash-Flow-at-Risk Approach: An Application to the UK Banking Sector. Discussion Paper Series, 06. Retrieved from http://www.lboro.ac.uk/departments/sbe/RePEc/lbo/lbowps/Yan_Hall_TurnerWP6.pdf.