Professional Documents
Culture Documents
SSRN Id904255
SSRN Id904255
Phương pháp tiếp cận thời gian tồn tại hai bước
Michael Halling
Vienna Brünnerstraße
72, A-1210 Vienna Tel: +43 1 4277
38081 E-Mail:
Michael.Halling@univie.ac.at
Evelyn Hayden
Evelyn.Hayden@oenb.at
Bài viết này chứa đựng ý kiến cá nhân của các tác giả và không nhất thiết phản ánh quan điểm
của Ngân hàng Quốc gia Áo.
Chúng tôi cảm ơn các đại biểu của Nhóm Công tác Áo về Ngân hàng và Tài chính Cuộc họp năm 2004
và của Hội nghị CREDIT 2005 vì những ý kiến đóng góp quý báu của họ. Hơn nữa, chúng tôi rất
biết ơn Pierre Mella-Barral đã thảo luận về vấn đề dự đoán mặc định.
1
Machine Translated by Google
Phương pháp tiếp cận thời gian tồn tại hai bước
trừu tượng
Trong bài báo này, chúng tôi phát triển một phương pháp dự đoán thất bại ngân hàng mới, sử
dụng đầu ra của mô hình logit đa kỳ để đánh giá các tình huống rủi ro của ngân hàng và sau đó
lập mô hình thời gian tồn tại cho tập hợp con các ngân hàng gặp rủi ro (“ốm yếu”). Phân tích
thực nghiệm của chúng tôi cho thấy rằng cách tiếp cận hai bước này vượt trội hơn đáng kể so
với các mô hình logit điểm chuẩn về hiệu suất dự đoán ngoài mẫu. Hơn nữa, chúng tôi xác định
sự khác biệt quan trọng giữa tập hợp con các ngân hàng rủi ro và tập hợp các ngân hàng mệt mỏi
liên quan đến tập hợp các biến dự báo quan trọng. Hiệu quả quản lý và quy mô nhân lực so với
các đối thủ cạnh tranh gần về mặt địa lý, đối với các đối thủ cạnh tranh rộng rãi về mặt địa
lý, là những yếu tố dự báo mặc định quan trọng đối với các ngân hàng gặp rủi ro nhưng không
phải đối với toàn bộ dân số ngân hàng. Do đó, những kết quả này có ý nghĩa chính sách đáng chú
ý đối với việc thiết kế giám sát ngân hàng ngoài cơ sở.
Từ khóa: Dự đoán vỡ nợ, Phân tích thời gian tồn tại, Quy định ngân hàng
2
Machine Translated by Google
1. Giới thiệu
Sức khỏe tài chính của ngành ngân hàng là tiền đề quan trọng cho sự ổn định và tăng
trưởng của hệ sinh thái. Do đó, việc đánh giá tình trạng tài chính của các ngân hàng
là mục tiêu cơ bản của các cơ quan quản lý. Nó dựa trên việc kiểm tra tại chỗ và hệ
thống giám sát ngân hàng bên ngoài dựa trên các báo cáo quy định và thông tin chất
lượng.
Thông qua việc kiểm tra tại chỗ, có thể tập trung vào một số hoặc tất cả các loại
hình hoạt động của ngân hàng, sức mạnh vốn, khả năng sinh lời và khả năng thanh khoản
cũng như cơ cấu tổ chức và kiểm soát nội bộ của ngân hàng được đánh giá và đặc biệt
chú ý đến các thủ tục giám sát rủi ro nội bộ . Việc kiểm tra tại chỗ thường rất tốn
kém, mất nhiều thời gian và không thể thực hiện với tần suất cao. Do đó, quyết định
thực hiện một cuộc kiểm tra tại chỗ được thực hiện trên cơ sở các bằng chứng được
cung cấp bởi toàn bộ thông tin có sẵn cho các giám sát viên.
Để tránh việc kiểm tra quá thường xuyên mà không để lộ quá nhiều thông tin, các giám
sát viên cũng giám sát tình trạng tài chính của các ngân hàng bên ngoài cơ sở. Mục
đích của hoạt động giám sát ngoài cơ sở này một mặt là cung cấp hỗ trợ trong việc ưu
tiên phân bổ các nguồn lực giám sát khan hiếm để lập kế hoạch cho các kỳ thi tại chỗ
một cách hiệu quả và mặt khác để cung cấp một cách trình bày có hệ thống về tình trạng
sức khỏe của toàn bộ lĩnh vực ngân hàng. Thông thường, giám sát ngoài cơ sở dựa trên
các hình thức khác nhau dành cho người giám sát, bao gồm chủ yếu là bảng cân đối kế
toán và dữ liệu báo cáo sau đó (được báo cáo hàng tháng, hàng quý hoặc hàng năm), dữ
liệu về thời hạn còn lại của các nghĩa vụ và dữ liệu sổ đăng ký tín dụng (hàng tháng)
về các khoản vay cấp cho người vay cá nhân trên một ngưỡng nhất định. Các chi phí mà
các ngân hàng phải chịu trong việc ghi lại dữ liệu cũng như những chi phí liên quan
đến kiểm soát làm ảnh hưởng đến độ tin cậy thống kê của họ và chuẩn bị các báo cáo
giám sát để phát hiện các ngân hàng có vấn đề cũng có thể rất đáng kể. Do khả năng
xác định các vấn đề phát sinh phụ thuộc rất nhiều vào mức độ dữ liệu được báo cáo
phản ánh trung thực và chính xác kết quả tài chính của ngân hàng nên đặc biệt chú ý
đến việc đảm bảo tính kịp thời, đầy đủ và chính xác của dữ liệu.
Phân tích ngoài cơ sở sử dụng các phương pháp khác nhau như phương pháp tiếp cận
dựa trên CAMEL, kỹ thuật thống kê và mô hình rủi ro tín dụng. Hệ thống cảnh báo sớm
dựa trên các kỹ thuật thống kê phản ánh mức độ nhanh chóng mà hiệu quả hoạt động của
ngân hàng đáp ứng với chu kỳ kinh tế vĩ mô thay đổi, các điều kiện trên thị trường
tài chính tiền tệ và các biện pháp can thiệp của cơ quan giám sát. Do đó, cho đến
thời điểm hiện tại các kỹ thuật thống kê như phân tích phân biệt và các sions regres
probit / logit đóng vai trò chủ đạo trong việc giám sát ngân hàng bên ngoài cơ sở.
Chúng cho phép ước tính xác suất ngân hàng với một tập hợp các đặc điểm nhất định sẽ
rơi vào một trong hai hoặc nhiều trạng thái, thường là thất bại / không thất bại,
phản ánh tình trạng tài chính của ngân hàng. Các xác suất dự đoán là xác suất vỡ nợ hoặc không
3
Machine Translated by Google
vỡ nợ trong một khoảng thời gian được ám chỉ bởi thiết kế nghiên cứu, thường bị phạt là 1 năm.
Trong khoảng thời gian này, mặc định xảy ra tại một số thời điểm không được bảo vệ hoặc không xảy ra.
Một cuộc thảo luận học thuật thú vị đề cập đến những ưu điểm và nhược điểm khác nhau của các mô
hình dự đoán vỡ nợ thống kê so với các mô hình rủi ro tín dụng cơ cấu dựa trên Merton (1974). Trong
khi các cách tiếp cận thống kê không mô hình hóa rõ ràng các mối quan hệ kinh tế cơ bản, các mô hình
cấu trúc xuất hiện từ lý thuyết tài chính cor porate. Tuy nhiên, có rất nhiều bằng chứng thực nghiệm
cho thấy các mô hình cấu trúc hoạt động kém trong việc dự đoán chênh lệch trái phiếu doanh nghiệp (ví
dụ, Eom, Helwege và Huang (2004)) và phá sản doanh nghiệp (ví dụ, Bharath và Shumway (2004)). Một vấn
đề khác trong việc áp dụng các mô hình cấu trúc cho hoạt động quản lý ngân hàng thường là thiếu dữ
liệu thị trường. Ví dụ, trong thập kỷ trước ở Áo, chỉ có khoảng 1% trong tổng số 1100 ngân hàng hiện
Do đó, chúng tôi tập trung vào dự đoán vỡ nợ của ngân hàng thống kê trong bài báo này.
Tồn tại một lượng lớn tài liệu liên quan đến việc sử dụng phân tích không phê bình (ví dụ, Altman
(1968)) và hồi quy logit / probit phân biệt giữa các ngân hàng "tốt" và "xấu" (xem ví dụ Dimitras và
cộng sự (1996) ) để có một cái nhìn tổng quan chung, và Lane và các cộng sự (1986) hoặc Martin (1977)
cho các ứng dụng cho sự cố ngân hàng). Đáng ngạc nhiên là chỉ gần đây những kỹ thuật thống kê này lại
thu hút sự chú ý đáng kể của giới học thuật. Shumway (2001) chỉ ra rằng các mô hình tĩnh (tức là các
mô hình chỉ có một quan sát cho mỗi công ty hoặc ngân hàng) như được đề xuất miễn phí trong các
nghiên cứu trước đó rõ ràng là tốt hơn các mô hình động bao gồm các quan sát nhiều kỳ cho mỗi công
ty hoặc ngân hàng. Kết quả của Shumway được xác nhận và mở rộng bởi Chava và Jarrow (2004), những
người đã phân tích một bộ dữ liệu chuyên sâu về các vụ vỡ nợ của các công ty Hoa Kỳ.
Các mô hình thống kê khác cho đến nay vẫn chưa nhận được sự quan tâm thích hợp dựa trên phân tích
thời gian sống sót. Ở đây thời gian để mặc định được ước tính một cách rõ ràng ngoài các xác suất
mặc định. Đây là một thông tin quan trọng trong hoạt động giám sát ngân hàng, vì các cơ quan quản lý
yêu cầu thông tin về các ngân hàng gặp khó khăn với thời gian chuẩn bị đầy đủ để thực hiện các hành
động ngăn chặn hoặc khắc phục tại các ngân hàng có vấn đề. Các cơ quan quản lý ngân hàng có thể thích
kiểm tra toàn bộ hồ sơ tồn tại (tức là sự thay đổi trong xác suất ước tính tồn tại / vỡ nợ theo thời
gian) cho từng ngân hàng và đánh giá xác suất thất bại tại bất kỳ thời điểm nào về chi phí kiểm tra
tại chỗ so với chi phí của việc phân loại sai.
Một số nghiên cứu đã đề xuất sử dụng phân tích thời gian tồn tại để dự đoán sự thất bại của ngân hàng.
Lane và cộng sự. (1986) và Whalen (1991) đã trình bày theo hiểu biết của chúng tôi về các bài báo đầu
tiên đề xuất và đánh giá thực nghiệm việc áp dụng mô hình Cox tỷ lệ Haz ards để dự đoán sự thất bại
của ngân hàng. Henebry (1996) sử dụng mô hình Mối nguy theo tỷ lệ để đánh giá khả năng dự đoán của
các biến dòng tiền, trong khi Laviola et al. (1999) và Reedtz và Trapanese (2000) cho thấy rằng dự
đoán về sự cố ngân hàng được ước tính thông qua mô hình Mối nguy theo tỷ lệ Cox tốt hơn so với logit
và probit re-
4
Machine Translated by Google
mô hình nén cho dữ liệu Ý. Lee và Urrutia (1996) đi đến kết luận rằng mô hình logit và mô hình
thời gian sống sót khác nhau về số lượng các biến số phẳng có ý nghĩa và do đó, nên được kết
hợp với nhau. Cuối cùng, Bharath và Shumway (2004) sử dụng mô hình nguy cơ tỷ lệ phụ thuộc vào
thời gian (xem Fisher và Lin (1999) để thảo luận về các thách thức) để đánh giá giá trị dự
Quy trình thời gian sống sót gồm hai bước được trình bày trong bài báo này kết hợp giữa mô
hình logit nhiều giai đoạn (tương tự như mô hình của Shumway (2001) và Chava and Jar row
(2004)) và mô hình thời gian sống sót. Trong bước đầu tiên, chúng tôi xác định xem một ngân
hàng có nguy cơ vỡ nợ hay không bằng cách sử dụng kết quả của mô hình logit cơ bản. Chúng tôi
xác định các tiêu chí khác nhau để phân biệt giữa các ngân hàng 'tốt' và 'xấu'. Đối với các
ngân hàng gặp rủi ro trong giai đoạn lấy mẫu theo quy trình bước đầu tiên, chúng tôi ước tính
mô hình thời gian tồn tại trong bước thứ hai để dự đoán khả năng vỡ nợ và ước tính thời gian
vỡ nợ chính xác nhất có thể. Tính hợp lý cho cách tiếp cận này dựa trên niềm tin của chúng tôi
rằng các biến giải thích xác định ngân hàng đang ở trong tình trạng tốt hay xấu khác với các
biến giải thích ngân hàng gặp rủi ro sẽ tồn tại trong bao lâu. Lập luận này có thể được minh
họa bằng ví dụ đơn giản sau: việc ai đó tập thể dục có thể có ảnh hưởng mạnh mẽ hơn đến sự
sống còn của những người hút thuốc hơn là sự sống còn của tổng dân số những người hút thuốc
Gonzales-Hermosillo và cộng sự. (1996) lập luận và dẫn chứng rằng các biến số của khu vực ngân
hàng và ngân hàng cụ thể tốt hơn trong việc giải thích xác suất vỡ nợ của ngân hàng, trong khi
các biến số kinh tế vĩ mô (ví dụ, tỷ lệ vốn vay trên GDP) dường như ảnh hưởng nhiều hơn đến
Bằng cách tiếp cận này, chúng tôi mở rộng tài liệu hiện có theo ba cách. Đầu tiên, chúng tôi
đề xuất một phương pháp thống kê để xác định thời điểm ngân hàng gặp rủi ro và do đó, đưa ra
ước tính cho một thời gian có ý nghĩa để xác định lỗi nắm bắt được tình trạng của ngân hàng.
Ngược lại, các tài liệu hiện có hoặc giả định rằng tất cả các ngân hàng tự động gặp rủi ro
khi bắt đầu lấy mẫu quan sát (ví dụ: Lane và cộng sự (1986)) hoặc các ngân hàng gặp rủi ro khi
chúng được thành lập (ví dụ: Shumway (2001)). Trong trường hợp đầu tiên, thời gian mặc định
không phải là thời gian cụ thể của ngân hàng, không tính đến điều kiện tài chính của ngân hàng
và thực sự bằng với các hình nộm thời gian theo lịch. Trong trường hợp thứ hai, biện pháp là
ngân hàng cụ thể nhưng độc lập với tình hình kinh tế hiện tại của ngân hàng. Thứ hai, chúng
tôi phân biệt giữa ngân hàng “khỏe mạnh” và ngân hàng “ốm yếu” vì chúng tôi mong đợi rằng các
mối quan hệ kinh tế khác nhau có thể tồn tại ở hai biến số phụ thuộc và độc lập trong mỗi mẫu
phụ. Thứ ba, chúng tôi sử dụng các mô hình thời gian tồn tại phức tạp phù hợp hơn với các đặc
điểm của
1
Hai bài báo nên được đề cập rằng áp dụng mô hình thời gian tồn tại nhưng không liên quan trực tiếp
đến bài báo của chúng tôi. Duffie, Saita và Wang (2005) ước tính cấu trúc kỳ hạn của xác suất mặc định
trong khuôn khổ thời gian tồn tại với biến ngẫu nhiên. McDonald và Van de Gucht (1999) đã trình bày một
ứng dụng thú vị của mô hình rủi ro rủi ro cạnh tranh có thể phân biệt ba trạng thái, đó là trạng thái
chuẩn, tình trạng vỡ nợ của trái phiếu và lệnh gọi trái phiếu.
5
Machine Translated by Google
dự đoán thất bại ngân hàng. Mô hình tiêu chuẩn trong tài liệu là mô hình Cox Propor tional
Hazards giả định rằng các hiệp biến quan sát được là không đổi.
Tuy nhiên, các biến số giải thích điển hình như bảng cân đối kế toán của các ngân hàng
hoặc dữ liệu kinh tế vĩ mô thay đổi theo thời gian. Hơn nữa, điều kiện tài chính của các
ngân hàng không được quan sát liên tục mà ở những thời điểm rời rạc. Do đó, tập dữ liệu của
chúng tôi được kiểm duyệt theo khoảng thời gian. Các kỹ thuật thống kê thích hợp tồn tại để
giải quyết vấn đề này (xem Hosmer và Lemenshow (1999) và Samuelsen và Kongerud (1994) để
biết tổng quan). Thậm chí nhiều kỹ thuật chuyên biệt hơn đã được đề xuất trong Finkelstein
Để đánh giá phương pháp tiếp cận hai bước được đề xuất của chúng tôi, chúng tôi so sánh
nó với mô hình logit hiện đang được sử dụng tại Ngân hàng Quốc gia Áo và với mô hình thời
gian tồn tại giả định rằng tất cả các ngân hàng đều gặp rủi ro khi chúng được thành lập. Cả
hai mô hình điểm chuẩn đều được ước tính cho toàn bộ mẫu ngân hàng và do đó, là cách tiếp
Chúng tôi đánh giá thực nghiệm phương pháp tiếp cận hai bước được đề xuất của chúng tôi
và các thông số kỹ thuật của mô hình điểm chuẩn bằng cách sử dụng dữ liệu ngân hàng của Áo.
Đối với mô hình logit, chúng tôi sử dụng cả trong bước đầu tiên để xác định xem một ngân
hàng có gặp rủi ro hay không và trong quá trình xác thực mô hình để chuẩn hóa phương pháp
tiếp cận hai bước, chúng tôi sử dụng mô hình logit phân tích off-site hiện tại của Austrian
National Ngân hàng (xem Hayden và Bauer (2004)). Tất cả các mô hình khác được suy ra bằng
cách đánh giá sức mạnh dự đoán của 50 biến giải thích; đóng góp cuối cùng của bài báo của
chúng tôi. Một số tài liệu đã đề cập rằng thông tin công khai (ví dụ, giá cổ phiếu và các
biện pháp thu được) cho đến nay là quan trọng nhất để dự đoán phá sản (xem Shumway (2001),
Hillegeist và cộng sự (2004) hoặc Chava và Jarrow (2004)). Tuy nhiên, trong nhiều tình huống
- giống như trường hợp của cơ quan quản lý của Áo - giá cổ phiếu và các thông tin thị
trường khác không có sẵn cho đa số các công ty / ngân hàng vì chúng không được liệt kê
Chúng tôi nhận thấy rằng mô hình thời gian tồn tại hai bước tốt hơn cả mô hình logit một
bước - mô hình cơ bản và mô hình bao gồm tuổi ngân hàng như một biến thể giải thích có thể
- đối với hiệu suất ngoài mẫu. Tuy nhiên, bản thân thời gian tồn tại không phải là động lực
chính của việc cải thiện hiệu suất. Điều này thay vì ước tính của một mô hình dự báo riêng
lẻ cho các ngân hàng gặp rủi ro. Chúng tôi nhận thấy rằng các mô hình cho ngân hàng rủi ro
có một phần các biến số giống như mô hình logit chuẩn (ví dụ: tỷ lệ nắm bắt rủi ro tín
dụng) và một phần các biến số khác nhau (ví dụ: quy mô ngân hàng so với các ngân hàng cùng
ngành gần nhất về mặt địa lý, chất lượng quản lý và băng giá chính phủ tặng và giải thể dự
phòng tổn thất). Điều này hỗ trợ lập luận rằng so với toàn bộ dân số ngân hàng, các biến số
khác nhau được yêu cầu để dự đoán chính xác thất bại của các ngân hàng gặp rủi ro. Tuy
nhiên, trong khi Gonzales-Hermosillo et al. (1996) nhận thấy rằng các điều kiện kinh tế vĩ
mô ảnh hưởng đến sự tồn tại của các ngân hàng gặp rủi ro hơn là sự tồn tại của tất cả các
ngân hàng, điều này không đúng trong phân tích của chúng tôi. Chúng tôi thấy rằng
6
Machine Translated by Google
quy mô so với đối thủ cạnh tranh và hiệu quả quản lý đóng một vai trò quan trọng để đảm bảo
sự tồn tại một khi ngân hàng gặp phải các vấn đề tài chính.
Bài viết được tổ chức theo cách sau: trong phần tiếp theo chúng tôi giới thiệu cách tiếp
cận hai bước, giải thích các tiêu chí để xác định liệu một ngân hàng có gặp rủi ro hay
không và xem xét ngắn gọn các cơ sở thống kê. Phần 3 mô tả nghiên cứu thực nghiệm, dữ liệu
được sử dụng và cách chúng tôi xây dựng mô hình thời gian sống sót. Phần 4 trình bày các
Mục tiêu của chúng tôi là phát triển phương pháp tiếp cận thời gian tồn tại hai bước để
dự đoán sự thất bại của ngân hàng vì (A) thời gian vỡ nợ có thể là một loại thông tin quan
trọng đối với các ngân hàng quy định và (B) các mối quan hệ dự đoán có thể khác nhau giữa
các ngân hàng gặp rủi ro và toàn bộ mẫu của các ngân hàng. Với những mục tiêu này, có hai
thách thức chính: (a) xác định một thước đo tốt cho thời gian vỡ nợ và (b) để ước tính mô
hình thời gian tồn tại có tính đến các đặc điểm quan trọng của dữ liệu phá sản.
2.1 Xác định các Ngân hàng “gặp rủi ro” (Bước đầu tiên)
Để đo lường thời gian vỡ nợ một cách thích hợp và để chọn các ngân hàng có rủi ro (tức là
“bị bệnh” trong bối cảnh y tế), chúng tôi đề xuất sử dụng mô hình logit đa kỳ tiêu chuẩn2
Nói cách khác, chúng tôi sử dụng đầu ra của mô hình logit nhiều kỳ để đánh giá tình trạng
sức khỏe của các ngân hàng. Mô hình logit mà chúng tôi sử dụng cho mục đích này là mô hình
phân tích ngoài cơ sở chính hiện tại được áp dụng tại Ngân hàng Quốc gia Áo (xem Hayden và
Bauer (2004)). Mô hình logit đa kỳ này bao gồm 12 biến giải thích, trong đó có một biến thể
hiện đặc điểm ngân hàng, bốn biến đánh giá mức độ rủi ro tín dụng, hai biến xem xét cấu
trúc vốn, bốn biến đo lường khả năng sinh lời và một biến đo lường môi trường kinh tế vĩ
Chúng tôi xác định ba tiêu chí sau dựa trên sản lượng hàng quý của mô hình này để xác định
xem một ngân hàng có gặp rủi ro tại một thời điểm cụ thể hay không:
• Định nghĩa rủi ro 1 (2xLevel) xác định rằng một ngân hàng gặp rủi ro nếu sản lượng
vượt quá ngưỡng (tối ưu hóa theo thống kê) là 1,6% trong hai giai đoạn 3 tháng
tiếp theo.
• Rủi ro Định nghĩa 2 (Tăng trưởng) định nghĩa rằng một ngân hàng gặp rủi ro nếu sản
lượng của mô hình đã tăng hơn (tối ưu hóa theo thống kê) 1,1% trong giai đoạn
trước.
2
Lưu ý rằng cái mà chúng ta gọi là mô hình logit nhiều kỳ được gọi là mô hình nguy hiểm trong Shumway (2001).
Thuật ngữ thuật ngữ trong tài liệu hoàn toàn không đồng nhất, vì các thuật ngữ như mô hình logit, mô hình thời
gian sống sót và mô hình nguy hiểm thường được sử dụng thay thế cho nhau.
7
Machine Translated by Google
• Rủi ro Định nghĩa 3 (Kết hợp) quyết định rằng một ngân hàng sẽ gặp rủi ro nếu
hoặc định nghĩa 1 hoặc định nghĩa 2 hoặc cả hai đều được đáp ứng.
Rủi ro Định nghĩa 1 (2xLevel) kéo dài trong hai giai đoạn vì đầu ra của mô hình logit cho thấy một số biến
động và do đó, một tiêu chí chỉ dựa trên một điểm quan sát sẽ quá nhanh chóng gán trạng thái rủi ro cho
ngân hàng. Trong khi Định nghĩa 1 fo đề cập đến mức đầu ra của mô hình logit, thì Định nghĩa 2 (Tăng
trưởng) có quan điểm năng động hơn và xem xét sự thay đổi của đầu ra của mô hình giữa hai khoảng thời gian
tiếp theo. Lập luận cho định nghĩa này là ngay cả đối với các ngân hàng tốt (tức là các ngân hàng có sản
lượng mô hình thấp), sự gia tăng tương đối lớn của sản lượng mô hình từ giai đoạn này sang giai đoạn tiếp
theo có thể cho thấy rằng tình trạng của ngân hàng đã xấu đi và ngân hàng đang ở -rủi ro.
Cho đến nay, các báo cáo thường cho rằng tất cả các ngân hàng đều gặp rủi ro khi chúng được thành lập (ví
dụ: Shumway (2001), mặc dù ông không ước tính mô hình thời gian tồn tại theo quan niệm của chúng tôi) hoặc
khi bắt đầu lấy mẫu quan sát (ví dụ: Lane et al. .
(1986)). Chúng tôi không nghĩ rằng hai cách tiếp cận này đặc biệt có ý nghĩa vì hai lý do. Đầu tiên, thông
tin thời gian thu được từ các mô hình này không giới hạn những gì chúng ta muốn nắm bắt. Nếu thời gian mặc
định được đo tương ứng với cùng một thời điểm (tức là khoảng thời gian bắt đầu của mẫu) cho tất cả các
ngân hàng, thì thời gian mặc định được giảm xuống hình nộm năm dương lịch và không chứa bất kỳ thông tin
cụ thể nào về ngân hàng. Nếu ở phía bên kia tuổi của ngân hàng được sử dụng như một proxy cho thời gian
mặc định, nó vẫn cho thấy rằng đây thực sự là một proxy tốt vì nó bỏ qua bất kỳ sự phát triển nào kể từ
khi thành lập ngân hàng. Bằng trực giác, chúng tôi đặt câu hỏi về giả thuyết này và thực nghiệm điều tra
nó trong bài báo này. Thứ hai, cả hai cách tiếp cận đều coi tất cả các ngân hàng đều có rủi ro. Theo chúng
tôi, điều này không thực sự phù hợp với một ý tưởng cơ bản của phân tích thời gian sống sót, đó là các mối
quan hệ khác nhau giữa các biến độc lập và phụ thuộc xảy ra trong mẫu tất cả các đối tượng và mẫu các đối
tượng có nguy cơ. Ví dụ, trong môi trường y tế, người ta sẽ không ngờ rằng những yếu tố dự báo tốt nhất
cho thời gian sống dự kiến của bất kỳ con người nào lại giống hệt với những yếu tố ảnh hưởng đến thời gian
sống sót của những người mắc một căn bệnh lớn nào đó.
Theo như cách tiếp cận của chúng tôi có liên quan, chúng tôi phải chỉ ra rằng nó cũng dựa trên một giả
định quan trọng, đó là không có ngân hàng nào gặp rủi ro trước khi giai đoạn mẫu của chúng tôi bắt đầu.
Tuy nhiên, giả định này tối đa (hy vọng là hơi) làm sai lệch các biến thời gian đến mặc định của chúng ta,
trong khi nó sẽ không ảnh hưởng đến mẫu các ngân hàng được xác định là có rủi ro. Trong mọi trường hợp,
chúng tôi tin rằng giả định của chúng tôi ít có vấn đề hơn nhiều so với các giả định đã thảo luận trước
đây. Một thách thức khác trong cách tiếp cận của chúng tôi là xác định các ngưỡng thích hợp để xác định
Cả hai ngưỡng được sử dụng trong Định nghĩa 1 và 2 đều được tối ưu hóa về mặt thống kê theo nghĩa là
chúng đại diện cho các mức ngưỡng đó có hiệu suất tốt nhất để phân loại trực tiếp các mặc định của ngân
hàng khi đánh giá sức mạnh của các ngưỡng khác nhau.
Cuối cùng, lưu ý rằng một khi ngân hàng gặp rủi ro, nó không thể thay đổi trở lại trạng thái “bình thường”
số 8
Machine Translated by Google
δ 1- δ
τ -1 τ
tôi
N
tôi
tôi tôi
L= h
tôi τ tôi
(k = 1- hik ()= 1- h ij )
tôi
=1 1 j 1
N τ
(
tôi
tôi τ tôi
tôi ik
tôi
=1 tôi τ k=1
tôi
h e
α t + βX nó
ln
nó
= α+ βX =giờ1 t nó nó α t + βX nó
1 giờ + e
nó
3
Bharath và Shumway (2004) là một ngoại lệ đáng chú ý. Họ áp dụng mô hình nguy cơ theo tỷ lệ phụ thuộc
vào thời gian. Fisher và Lin (1999) thảo luận về các vấn đề tiềm ẩn khi sử dụng loại mô hình này, đặc biệt
là để dự đoán. Với các đặc điểm khác của dữ liệu của chúng tôi, tức là các khoảng thời gian rời rạc và mối
ràng buộc của thời gian mặc định, chúng tôi vẫn tin rằng mô hình thời gian tồn tại rời rạc phù hợp hơn với
dữ liệu hiện có.
Machine Translated by Google
Do đó, một trong những mục tiêu chính của công việc này là phát triển một đặc điểm kỹ
thuật của mô hình dự đoán sự sống còn sử dụng các hiệp biến thay đổi theo thời gian. Về cơ
bản, việc tích hợp các hiệp biến thay đổi theo thời gian trong mô hình logit rời rạc là
đơn giản. Đã bao giờ, người ta phải xem xét cẩn thận các ứng dụng dự đoán sau này khi lập
kế hoạch cho quá trình ước tính. Trong trường hợp các hiệp biến thay đổi theo thời gian,
điều quan trọng là phải cân nhắc giữa tần suất quan sát các giá trị hiệp biến mới (tức là, 3
tháng trong trường hợp của chúng tôi) và khoảng thời gian làm cơ sở cho xác suất mặc định (tức là 1 năm trong trường
Từ quan điểm của một cơ quan quản lý, sẽ không thích hợp để dự đoán 3
xác suất mặc định tháng vì khoảng thời gian 3 tháng là quá ngắn để thực hiện bất kỳ hành
động sửa chữa nào nếu cần thiết. Một chiến lược khả thi để đối phó với vấn đề cập nhật và
dự đoán khác nhau này là chuyển sang tần suất cập nhật các biến số hàng năm. Tuy nhiên,
Đầu tiên, nó bỏ qua dữ liệu có sẵn và có khả năng cải thiện độ chính xác của mô hình; thứ
hai, nó làm giảm số lượng quan sát và do đó sức mạnh của phân tích; và thứ ba, các cơ quan
quản lý sau đó chỉ có thể cập nhật dự đoán mặc định của họ mỗi năm một lần.
Do đó, chúng tôi muốn thiết kế và ước tính mô hình tồn tại theo cách mà chúng tôi có thể
dự đoán xác suất mặc định trong 1 năm một cách chính xác nhất có thể bằng cách sử dụng
khoảng thời gian ba tháng để cập nhật hiệp biến. Vì mục đích này, chúng ta phải làm trễ
hiệp phương sai trong ba phần tư (hoặc chín tháng), như được minh họa trong Phụ lục 1.
Mô hình kết quả ước tính xác suất vỡ nợ ba tháng, tức là xác suất ngân hàng sẽ vỡ nợ tại
một thời điểm nào đó trong quý IV sau ngày hôm nay. Do đó, xác suất này có điều kiện đối
với ngân hàng tồn tại trong ba quý tiếp theo. Tuy nhiên, xác suất sống sót trong chín tháng
tiếp theo được tính trong ba quý trước đó, do đó, chúng ta có thể tính xác suất mặc định
Trong phần này, chúng tôi phác thảo thiết kế của nghiên cứu thực nghiệm của chúng tôi, mô
tả dữ liệu được sử dụng và cung cấp chi tiết về việc lựa chọn các biến giải thích, về việc
xây dựng mô hình caliri và đánh giá phương pháp tiếp cận hai bước được đề xuất so với
hai mô hình điểm chuẩn.
3.1 Mô tả dữ liệu
Chúng tôi sử dụng toàn bộ mẫu các ngân hàng của Áo trong giai đoạn 1995 đến 2002. Tập dữ
liệu này bao gồm 1100 ngân hàng và khoảng 150 ngân hàng có vấn đề trong giai đoạn mẫu. Vì
không có ngân hàng nào thực sự vỡ nợ trong khoảng thời gian mẫu, chúng tôi xác định sự
kiện vỡ nợ là một tình huống ngân hàng đang gặp phải rắc rối nghiêm trọng đến mức có vẻ
như ngân hàng không thể phục hồi mà không có bất kỳ hình thức can thiệp nào, điển hình là
10
Machine Translated by Google
các ngân hàng liên kết. Khi làm như vậy, chúng tôi tuân theo định nghĩa về các
ngân hàng có vấn đề đã được sử dụng để phát triển mô hình logit hiện đang được
Ngân hàng Quốc gia Áo áp dụng (xem Hayden và Bauer (2004)).
Đối với các biến giải thích có liên quan, các nguồn dữ liệu khác nhau đã được sử
dụng. Tương tự như định nghĩa về các ngân hàng có vấn đề, chúng tôi tuân theo cùng
một số liệu dữ liệu đã được Ngân hàng Quốc gia Áo thu thập để phát triển mô hình
logit nhiều kỳ của nó. Nhóm dữ liệu này bao gồm một phần dữ liệu hàng tháng và hàng
năm nhưng chủ yếu là hàng quý từ bảng cân đối kế toán của các ngân hàng, tình hình
lãi lỗ và các báo cáo quy định. Hơn nữa, thông tin bổ sung về các khoản vay lớn và
các biến số kinh tế vĩ mô đã được sử dụng. Dựa trên các nguồn dữ liệu này, gần 280
biến giải thích tiềm năng bao gồm các đặc điểm của ngân hàng, rủi ro thị trường,
rủi ro tín dụng, rủi ro hoạt động, rủi ro thanh khoản, rủi ro danh tiếng, cấu trúc
vốn, khả năng sinh lời, chất lượng quản lý và môi trường kinh tế vĩ mô đã được
xác định. Tần suất dữ liệu thực tế được sử dụng trong bài báo này là hàng quý.
Đối với việc xây dựng mô hình và đánh giá mô hình, chúng tôi tuân theo một quy
trình thống kê tiêu chuẩn cũng đã được Ngân hàng Quốc gia Áo áp dụng tương tự để
phát triển mô hình logit của mình. Bằng cách đó, chúng tôi đảm bảo rằng các mô hình
dẫn xuất thực sự có thể so sánh được. Do đó, chúng tôi tách tập dữ liệu có sẵn
thành một tập hợp con trong và một tập hợp con ngoài mẫu bằng cách chia ngẫu nhiên
toàn bộ dữ liệu thành hai mẫu con. Dữ liệu đầu tiên, chứa khoảng 70% tất cả các
quan sát, được sử dụng để ước tính mô hình, trong khi dữ liệu còn lại được để lại
để đánh giá ngoài mẫu. Khi tách dữ liệu, đảm bảo rằng tất cả các quan sát của một
ngân hàng chỉ thuộc về một trong hai mẫu con và tỷ lệ ngân hàng có vấn đề và không
có vấn đề là bằng nhau trong cả hai tập dữ liệu.
Thách thức tiếp theo là giảm số lượng các biến giải thích tiềm năng, vì chúng tôi
bắt đầu với tổng số 280 biến. Sau khi loại bỏ các giá trị ngoại lệ và kiểm tra giả
định tuyến tính tiềm ẩn trong mô hình logit4, chúng tôi đã kiểm tra xem liệu các
mối quan hệ đơn biến giữa các tỷ lệ đầu vào ứng viên và sự kiện mặc định có hợp lý
về mặt kinh tế hay không. Đồng thời, tất cả các biến đã được kiểm tra sức mạnh đơn
biến của chúng để xác định các ngân hàng có vấn đề. Chỉ những tỷ lệ đó
4 Mô hình logit giả định mối quan hệ tuyến tính giữa log lẻ, logarit tự nhiên của xác suất
lỗi chia cho xác suất sống sót (tức là ln [p / (1-p)]) và các biến giải thích.
Tuy nhiên, vì mối quan hệ này không nhất thiết tồn tại theo kinh nghiệm, tất cả các biến đã được kiểm tra về
mặt này. Để làm như vậy, điểm thu được từ việc chia các hiệp biến thành các nhóm được vẽ đồ thị dựa trên tỷ
lệ cược log theo kinh nghiệm của chúng. Khi một số biến hóa ra để hiển thị mối quan hệ theo kinh nghiệm phi
tuyến tính rõ ràng với log lẻ, mẫu thực nghiệm của chúng lần đầu tiên được làm mịn bởi một bộ lọc được đề
xuất trong Hodrick và Prescott (1997) để giảm nhiễu và sau đó các biến được chuyển đổi thành tỷ lệ cược log
theo đối với những mối quan hệ được làm suôn sẻ này. Khi các hiệp biến đã được biến đổi, các giá trị thực tế
của chúng được thay thế bằng tỷ lệ chênh lệch log thực nghiệm thu được theo cách được mô tả ở trên cho tất
cả các phân tích tiếp theo.
11
Machine Translated by Google
có Tỷ lệ chính xác (AR) trên 5% được xem xét để phân tích thêm.
Ở đây chúng tôi dựa vào Tỷ lệ độ chính xác vì nó hiện là chỉ số đo lường quan trọng nhất
cho khả năng dự đoán của các mô hình xếp hạng (ví dụ, xem Keenan và Sobehart (1999) và
Engelmann, Hayden và Tasche (2003)). AR đo sức mạnh của mô hình được đánh giá để phân loại
chính xác các giá trị mặc định so với sức mạnh của một mô hình giả định có thông tin hoàn
Ngoài tiêu chí AR đơn biến này, chúng tôi đã phân tích cấu trúc tương quan giữa các biến
và các tập con tỷ lệ xác định có tương quan cao. Từ mỗi tập con tương quan này, chúng tôi
chỉ chọn biến có AR đơn biến cao nhất để tránh các vấn đề đồng tuyến tính trong phân tích
đa biến sau này. Việc áp dụng quy trình này đã giảm số lượng ứng viên đầu vào chỉ còn 50.
50 biến này được định nghĩa trong Bảng 1. Bên cạnh đó, Bảng 1 trình bày các thống kê đơn
biến (trung bình, trung vị và độ lệch chuẩn) cho các hiệp biến này cho tất cả các ngân hàng
bộ ba Aus trong giai đoạn mẫu 1995–2002 và giả định mối quan hệ giả định là mặc định.
Với 50 biến còn lại, chúng tôi sẽ phải xây dựng và so sánh 250 mô hình trong hoặc dưới để
xác định mô hình kinh tế lượng “tốt nhất” và để giải quyết hoàn toàn sự không chắc chắn
của mô hình. Tất nhiên, điều này là không khả thi. Do đó, chúng tôi sử dụng lựa chọn tiến /
lùi để xác định các mô hình cuối cùng của chúng tôi (xem Hosmer và Lemenshow (1989)).
Mục tiêu của bài báo này là đánh giá xem liệu các mô hình thời gian tồn tại có thể cải
thiện hiệu suất của các mô hình dự đoán mặc định thống kê hay không. Để áp dụng mô hình
thời gian tồn tại một cách khả thi, chúng tôi cho rằng nên sử dụng quy trình hai bước để
xác định một tập hợp các ngân hàng rủi ro trong bước đầu tiên trước khi ước tính mô hình
thời gian tồn tại.
Để đánh giá phương pháp luận hai bước được đề xuất của chúng tôi, chúng tôi xác định hai
bối cảnh điểm chuẩn: (a) mô hình logit nhiều giai đoạn một bước bỏ qua bất kỳ thông tin
thời gian nào và (b) mô hình thời gian tồn tại một bước giả định rằng tất cả các ngân hàng
đều có -làm nền móng. Mô hình điểm chuẩn đầu tiên đại diện cho tiêu chuẩn trong ngành. Ví
dụ, mô hình mà chúng tôi sử dụng trong nghiên cứu thực nghiệm của mình đại diện cho mô hình
được Ngân hàng Quốc gia Áo sử dụng. Cách tiếp cận thứ hai có thể được tìm thấy trong tài
liệu (xem ví dụ Shumway (2001)) và, từ quan điểm của mô hình thời gian tồn tại, giả định
rằng các ngân hàng gặp rủi ro ngay khi chúng được thành lập.
Lưu ý rằng người ta có thể nghĩ đến một đặc tả mô hình bổ sung, cụ thể là mô hình thời
gian tồn tại một bước giả định rằng tất cả các ngân hàng đều gặp rủi ro khi quan sát
bắt đầu lấy mẫu (xem Lane và cộng sự (1986), Whalen (1991), Henebry (1996), Laviola và cộng
sự (1999) và Reedtz và Trapanese (2000)). Tuy nhiên, trong cách tiếp cận này, sự sống còn
12
Machine Translated by Google
thời gian bằng với thời gian theo lịch và do đó, không chứa bất kỳ thông tin cụ thể nào của công
ty. Vì lý do này, chúng tôi không đưa mô hình này vào phân tích của mình.5
Tuy nhiên, chúng tôi muốn nhấn mạnh rằng một vấn đề khác về xác thực mô hình xảy ra trong quá
trình thiết lập của chúng tôi, cụ thể là câu hỏi liệu cách tiếp cận hai bước có chia toàn bộ mẫu
thành hai tập dữ liệu thường hoạt động tốt hơn cách tiếp cận một bước hay không. Trong mẫu,
trực quan rằng việc chia nhỏ mẫu và ước lượng các mô hình kinh tế lượng riêng lẻ cho từng mẫu
phụ sẽ làm tăng sự phù hợp trong mẫu. Tuy nhiên, việc ước tính các mô hình khác nhau cho các mẫu
phụ có nguy cơ phù hợp quá mức. Do đó, chúng tôi nghi ngờ rằng phương pháp tiếp cận hai bước
thường chiếm ưu thế so với phương pháp tiếp cận một bước đối với hiệu suất ngoài mẫu.
Nói chung, chúng tôi sử dụng Tỷ lệ chính xác ngoài mẫu để đánh giá hoạt động của mô hình. Ngoài
ra, chúng tôi áp dụng thống kê kiểm định dựa trên Tỷ lệ chính xác để kiểm tra giả thuyết rằng mô
hình hai bước hoạt động tốt hơn các mô hình chuẩn (xem Engelmann, Hayden và Tasche (2003)).
Phần này tóm tắt các kết quả thực nghiệm của chúng tôi. Chúng tôi bắt đầu bằng cách mô tả mô hình
logit nhiều giai đoạn một bước cơ bản không bao gồm bất kỳ thông tin nào về thời gian tồn tại,
tương đương với mô hình được Ngân hàng Quốc gia Áo sử dụng để giám sát các ngân hàng của Áo.
Mô hình này được sử dụng trong nghiên cứu của chúng tôi cho hai mục đích: (a) nó xác định xem
một ngân hàng cụ thể có gặp rủi ro trong cách tiếp cận hai bước hay không và (b) nó đại diện cho
một mô hình điểm chuẩn, mà thời gian tồn tại hai bước được đề xuất của chúng tôi phương pháp
tiếp cận được đánh giá chống lại. Tiếp theo, chúng tôi mở rộng mô hình cơ bản này theo tuổi ngân
hàng và đánh giá xem thông tin này có cải thiện độ chính xác của mô hình hay không. Mô hình kết
quả đại diện cho một mô hình điểm chuẩn khác để đánh giá mô hình thời gian tồn tại hai bước.
Cuối cùng, chúng tôi báo cáo các thông số kỹ thuật của mô hình thời gian tồn tại hai bước của
chúng tôi và trình bày thống kê theo kịch bản về hiệu suất dự đoán trong và ngoài mẫu.
Mô hình logit cơ bản mà chúng tôi sử dụng trong bài báo này là mô hình được Ngân hàng Quốc gia
Áo sử dụng như một công cụ phân tích ngoài cơ sở chính để giám sát các ngân hàng Áo.
Do đó, chúng tôi không thể mô tả chi tiết mô hình này. Mô hình bao gồm 12 biến được liệt kê
trong Bảng 2 cùng với ảnh hưởng của chúng đến khả năng xác suất mặc định. Tuy nhiên, các hệ số
ước tính cho các tỷ lệ đầu vào là bí mật và do đó không được hiển thị. Cột “Hiệu ứng” trong
Bảng 2 cho thấy sự thay đổi trong các biến đầu vào tương ứng ảnh hưởng như thế nào đến kết quả
5
Trên thực tế, chúng tôi đã đánh giá thực nghiệm mô hình dự đoán vỡ nợ của ngân hàng với các hình nộm
theo năm dương lịch và không tìm thấy sự cải thiện đáng kể trong hiệu suất dự đoán. Do thiếu động lực lý
thuyết và hỗ trợ thực nghiệm cho cách tiếp cận này, chúng tôi không báo cáo kết quả vì lý do khó hiểu và
không tập trung.
13
Machine Translated by Google
biểu thị sự gia tăng đầu ra của mô hình (nghĩa là trong xác suất ngân hàng gặp phải các vấn đề
tài chính) khi hiệp biến tăng lên và “-” biểu thị sự giảm sản lượng của mô hình với sự gia tăng
của hiệp biến. Hơn nữa, điều quan trọng cần lưu ý là ba biến trong Bảng 2 được chuyển đổi
trước khi được đưa vào mô hình logit vì chúng thực sự không đáp ứng giả định về độ tuyến tính
cơ bản của mô hình (chi tiết xem phần 3.2 và Bảng 1). Phép biến đổi này áp dụng bộ lọc Hodrick-
Prescott (1997) và chuyển các biến số ban đầu thành các xác suất vấn đề đơn biến, sau đó được
sử dụng làm đầu vào cho mô hình đa biến.6 Trong Bảng 2, ảnh hưởng của các biến này do đó luôn
được gắn nhãn “+” , vì xác suất đơn biến tăng lên cũng sẽ làm tăng xác suất đa biến.7
Tất cả các biến được xác định trong mô hình logit cơ bản cho thấy mối quan hệ mong đợi với sự
vỡ nợ của ngân hàng. Một phần ba các biến dự báo quan trọng đo lường rủi ro tín dụng - cho đến
nay là nguồn rủi ro quan trọng nhất trong ngành ngân hàng. Một phần ba các biến khác đo lường
khả năng sinh lời của các ngân hàng. Không có gì ngạc nhiên khi các ngân hàng thua lỗ có nguy
cơ gặp khó khăn tài chính cao hơn. Cuối cùng, một phần ba cuối cùng của các biến giải thích
quan trọng là không đồng nhất hơn. Hai biến đo lường các đặc điểm của ngân hàng liên quan đến
cấu trúc vốn, một đánh giá môi trường kinh tế vĩ mô và biến cuối cùng chỉ ra các mối liên kết
trong lĩnh vực. Phần lớn
Điều thú vị là, các biến số về chất lượng quản lý và các đặc điểm của ngân hàng như quy mô
4.2 Mô hình đăng nhập một bước với thời đại ngân hàng
Trong nỗ lực đầu tiên để đưa khái niệm về thời gian tồn tại vào các mô hình dự đoán vỡ nợ của
ngân hàng, chúng tôi mở rộng mô hình logit một bước cơ bản để nó bao gồm tuổi của ngân hàng -
một biến chưa có sẵn tại thời điểm khi mô hình logit cơ bản là ban đầu được xác định bởi Ngân
hàng Quốc gia Áo. Chúng tôi ước tính hai mô hình ent khác nhau trong bối cảnh này: một mô hình
bao gồm tuổi ngân hàng được đo bằng năm kể từ khi thành lập và một mô hình chứa các biến giả
tuổi ngân hàng. Sự khác biệt chính giữa hai đặc điểm kỹ thuật này là bằng cách đưa vào các biến
giả, chúng tôi có thể xác định các mối quan hệ phi tuyến tính giữa tuổi ngân hàng và tình trạng
vỡ nợ của ngân hàng. Chúng tôi xác định các hình nộm tuổi của ngân hàng sao cho chúng có thể
nắm bắt được các nhóm là 25 năm. Biến giả cuối cùng ghi lại tất cả các quan sát về ngân hàng
xảy ra hơn 125 năm sau khi thành lập ngân hàng. Bảng 2 tóm tắt các mô hình kết quả. Vì hệ số
nhận của hầu hết các biến của mô hình logit cơ bản không thay đổi nhiều sau khi bao gồm thông
tin tuổi ngân hàng, nên chúng tôi không thể báo cáo lại chúng vì lý do không rõ ràng. Tuy nhiên,
chúng tôi báo cáo các hệ số trên các biến đo tuổi của ngân hàng.
6 Các quy trình chính xác tương tự như các quy trình được mô tả trong Hayden (2003).
7
Do tính không tuyến tính của chúng, ảnh hưởng của các biến ban đầu thay đổi đối với các phạm vi giá trị khác nhau.
14
Machine Translated by Google
Khi chúng tôi ước tính lại mô hình logit cơ bản với các biến tuổi ngân hàng, hai trong
số các biến có ý nghĩa trước đây - biến kinh tế vĩ mô (47) và giả liên kết ngành - hóa
ra không đáng kể. Do đó, chúng tôi xóa chúng khỏi mô hình. Nếu chúng ta bao gồm tuổi
ngân hàng tính theo năm như một biến giải thích, thì một hệ số âm và có ý nghĩa cao
được ước tính. Điều này ngụ ý rằng trung bình rủi ro vỡ nợ giảm khi các ngân hàng trở
nên trưởng thành hơn. Nói cách khác, các ngân hàng trẻ hơn dường như có rủi ro gặp
phải các vấn đề tài chính cao hơn. Nếu chúng ta so sánh Tỷ lệ chính xác trong mẫu và
ngoài mẫu của mô hình logit mở rộng và cơ bản, chúng ta quan sát thấy sự cải thiện biên
Nếu chúng tôi mã hóa tuổi ngân hàng trong sáu biến giả thu thập các nhóm 25 năm mỗi biến
(ngoại trừ biến giả cuối cùng), chúng tôi quan sát thấy một mô hình thú vị hơn một chút.
Lưu ý rằng các hệ số được báo cáo phải được giải thích tương ứng với xác suất các
ngân hàng trong nhóm đầu tiên (tức là có độ tuổi từ 0 đến 25 tuổi) đối mặt với các tình
huống có vấn đề trong thời gian một năm. Phân tích các biến giả tuổi của ngân hàng cho
thấy rằng các ngân hàng có độ tuổi từ 25 đến 75 tuổi có xác suất vỡ nợ thấp hơn một chút
(nhưng không đáng kể) so với các ngân hàng trẻ nhất, trong khi các ngân hàng trên 75
tuổi dường như tiết kiệm hơn đáng kể, tức là họ báo cáo đáng kể hệ số âm trên các hình
nộm thích hợp. Điều thú vị là các ngân hàng có xác suất xảy ra các vấn đề tài chính thấp
nhất là các ngân hàng có độ tuổi từ 76 đến 100, vì các ngân hàng lâu đời nhất (trên 100
tuổi) có xác suất vỡ nợ nhỏ hơn các ngân hàng trẻ nhất nhưng lại cao hơn các ngân hàng
có tuổi đời trung bình. Do đó, hệ số nhận của các biến giả tuổi biểu thị một mô hình
So sánh Tỷ lệ chính xác giữa các đặc điểm mô hình khác nhau cho thấy rằng thông số kỹ
thuật với các biến giả tuổi ngân hàng mang lại Tỷ lệ chính xác trong mẫu lớn nhất và
cũng là Tỷ lệ chính xác ngoài mẫu lớn nhất. Tuy nhiên, lưu ý rằng những cải thiện - đặc
biệt là khả năng dự đoán ngoài mẫu - là khá nhỏ và do đó không đáng kể về mặt thống kê.
Mục tiêu chính và đóng góp của bài báo này là xây dựng mô hình thời gian tồn tại hai
bước. Ngược lại với mô hình thời gian tồn tại một bước, cách tiếp cận hai bước sử
dụng kết quả đầu ra của mô hình logit cơ bản để xác định thời điểm mà một ngân hàng cụ
thể gặp rủi ro. Trong bước thứ hai, mô hình thời gian tồn tại rời rạc (tức là mô hình
logit nhiều kỳ rời rạc) chỉ được ước tính cho các ngân hàng gặp rủi ro bao gồm thông
tin thời gian cụ thể của ngân hàng liên quan đến thời điểm ngân hàng gặp rủi ro. Lưu ý
rằng thông tin thời gian bao gồm trong trường hợp này có
một ý nghĩa rất cụ thể, vì nó chứa thông tin cụ thể về tình trạng rủi ro của ngân hàng.
Ngược lại, trong trường hợp của các mô hình một bước được thảo luận trong phần trước
- bao gồm tuổi của ngân hàng như một biến dự đoán - “thời gian tồn tại” tương ứng chỉ
chứa thông tin cụ thể về một ngân hàng nói chung nhưng không cụ thể về tình trạng rủi
ro của ngân hàng đó. Thậm chí, trái ngược với phương pháp luận được đề xuất của chúng tôi,
15
Machine Translated by Google
thông tin thời gian trong các mô hình thời gian tồn tại do Lane et al đề xuất. (1986),
Whalen (1991), Henebry (1996), Laviola và cộng sự. (1999) và Reedtz và Trapanese (2000),
những người cho rằng tất cả các ngân hàng đều gặp rủi ro khi mẫu của họ bắt đầu, họ chú
ý đến thông tin năm dương lịch mà không có thông tin cụ thể về ngân hàng nào.
Bảng 3 báo cáo các thông số kỹ thuật của mô hình kết quả cho ba định nghĩa khác nhau
về ngân hàng rủi ro (xem phần 2.1 để biết chi tiết về các định nghĩa này). Có một số
quan sát quan trọng liên quan đến các thông số kỹ thuật của mô hình này. Đối với thời
gian giả định thời gian, tính số năm sau khi ngân hàng gặp rủi ro, chúng tôi quan sát
hệ số posi tive với đỉnh trong giai đoạn 3. Điều này ngụ ý rằng rủi ro mặc định trong
các nếp gấp so với năm đầu tiên sau khi ngân hàng được xác định là - nhăn và nhăn nheo
trở lại sau năm thứ ba, mặc dù nó vẫn ở trên mức rủi ro được quan sát trong giai đoạn
rủi ro đầu tiên. Do đó, từ phân tích này, năm thứ hai và thứ ba sau khi gặp rủi ro
dường như là năm quan trọng nhất liên quan đến sự tồn tại của các ngân hàng. Tuy nhiên,
lưu ý rằng các hệ số về thời gian hình nộm hầu như không đáng kể. Trong trường hợp
định nghĩa rủi ro 1, chỉ các hệ số cho khoảng thời gian hai và ba được ước tính đủ
chính xác để có thể phân biệt thống kê với 0, trong khi trong trường hợp định nghĩa rủi
Bằng cách đánh giá các biến giải thích đã được lựa chọn theo quy trình định thời gian
từng bước để đưa vào mô hình, chúng tôi quan sát thấy nhiều điểm tương đồng giữa ba
mô hình hai bước, tức là chúng đồng ý ở mức độ lớn đối với các biến giải thích hấp dẫn.
Chúng tôi giải thích sự chồng chéo lớn này trong các biến như là một kết quả quan trọng
ngụ ý rằng chúng tôi thành công trong việc xác định các biến dự đoán quan trọng. Bên
cạnh đó, chúng tôi cũng tìm thấy nhiều điểm tương đồng giữa mô hình logit cơ bản và mô
hình hai bước như bảy (tức là cả bốn biến rủi ro tín dụng, hai trong bốn biến khả năng
sinh lời và một trong hai biến đo lường cấu trúc vốn của ngân hàng) mười hai biến được
báo cáo trong Bảng 2 cũng được chọn cho các mô hình hai bước. Tuy nhiên, lưu ý rằng
các biến đo lường tình hình kinh tế vĩ mô và các mối liên kết trong ngành hoàn toàn
Trong phần sau, chúng tôi muốn thảo luận chi tiết hơn về các biến được thêm vào mô hình
hai bước được ước tính cho các ngân hàng có rủi ro. Điều thú vị là có thêm 4 biến rủi
ro tín dụng được chọn, tạo nên tổng cộng 8 biến đo lường các khía cạnh khác nhau của
rủi ro tín dụng. Ba trong số bốn biến mới được thêm vào dường như tập trung nhiều hơn
vào khả năng ngân hàng xử lý các tình huống khó khăn về kinh tế bằng cách bao gồm khả
năng bù đắp tổn thất (biến 11) và dự phòng rủi ro cho vay (biến 14 và 15). Hai biến số
sau biện minh cho các cuộc thảo luận thêm. Đối với những biến này, chúng tôi không có
kỳ vọng rõ ràng về mối quan hệ của chúng với xác suất của các vấn đề về tài chính. Về
cơ bản, người ta sẽ nghĩ rằng việc trích lập dự phòng rủi ro cho vay nên có một hệ số
dương, bởi vì biến số này sẽ tăng lên khi tỷ trọng các khoản nợ xấu, khoản phải trích
lập dự phòng, tăng lên. Mặt khác, việc tăng dự phòng rủi ro cho vay thực sự có thể là
16
Machine Translated by Google
bởi vì có một số quyết định về số lượng các khoản dự phòng do ngân hàng trích lập.
Do đó, các ngân hàng có tình trạng tài chính tốt có thể thiết lập nhiều tầm nhìn ủng
hộ hơn đối với các khoản cho vay xấu, trong khi các ngân hàng gặp vấn đề tài chính
nghiêm trọng thay vì cắt giảm các khoản đóng góp đến mức tối thiểu cần thiết. Theo
các mô hình thời gian tồn tại của chúng tôi, có vẻ như câu chuyện thứ hai nhận được
nhiều hỗ trợ thực nghiệm hơn vì biến 14 nhận được một hệ số âm và đáng kể. Thật
không may, việc giải thích hệ số trên biến 15 trở nên khó khăn vì biến đã được biến đổi
Một biến số thú vị khác đã được thêm vào mô hình hai bước đo lường tổng bảng cân
đối của ngân hàng so với tổng bảng cân đối của tất cả các ngân hàng trong
vùng quê hương. Điều này có vẻ hợp lý vì quy mô ngân hàng có lẽ là một biến thể quan trọng có thể
xác định khả năng bù đắp tổn thất của ngân hàng. Lưu ý thêm rằng quy mô của ngân hàng theo nghĩa
tuyệt đối không phải là quy mô của ngân hàng mà là quy mô của nó so với các công ty gần nhất tại
địa phương có ảnh hưởng đến sự tồn tại của ngân hàng. Hệ số của biến cho thấy rằng các ngân hàng
có rủi ro nằm trong số các ngân hàng lớn nhất trong khu vực của họ phải đối mặt với rủi ro thấp hơn.
Cuối cùng, các biến đo lường chất lượng quản lý, đặc biệt là hiệu quả của nhân
viên, được đưa vào mô hình hai bước (biến 44 và 45). Đây là một kết quả thú vị vì
nó chỉ ra rằng chất lượng quản lý tiềm ẩn không phải là một yếu tố dự báo quan trọng
về các vấn đề tài chính đối với toàn bộ dân số ngân hàng nhưng có thể tạo ra sự khác
biệt cho nhóm ngân hàng rủi ro. Các ngân hàng có bộ máy quản lý hiệu quả có khả năng
sống sót qua các giai đoạn khủng hoảng tài chính cao hơn.
Bảng 3 cũng báo cáo thống kê hiệu suất cho ba mô hình thời gian tồn tại hai bước.
Lưu ý rằng mô hình thời gian tồn tại hai bước chỉ tạo ra đầu ra cho các ngân hàng
đang gặp rủi ro. Tuy nhiên, chúng tôi muốn đánh giá hiệu suất của mod dự đoán của
chúng tôi đối với toàn bộ các ngân hàng. Do đó, chúng tôi kết hợp đầu ra của mô hình
của mô hình thời gian tồn tại hai bước với đầu ra của mô hình logit cơ bản: đầu ra
của mô hình thời gian tồn tại được sử dụng cho các ngân hàng có rủi ro và đầu ra của
mô hình cơ bản được sử dụng cho các ngân hàng không- rủi ro. So sánh Tỷ lệ độ chính
xác cho mô hình logit một bước (xem Bảng 2) và mô hình logit hai bước (xem Bảng 3)
cho thấy mức tăng hiệu suất của mô hình hai bước, cả trong mẫu và ngoài mẫu. Mặc dù
sự phù hợp hơn trong mẫu là hệ quả mong đợi của chiến lược ước tính được đề xuất
cho các mô hình hai bước, nhưng sự thống trị ngoài mẫu của phương pháp tiếp cận hai
bước là một kết quả thú vị và quan trọng. Lưu ý rằng sự khác biệt về hiệu suất trên
thực tế lớn hơn ngoài mẫu so với trong mẫu. Đối với mô hình logit cơ bản, phương
pháp tiếp cận hai bước cho thấy sự gia tăng đáng kể về Độ chính xác ngoài mẫu từ
2,7% lên 4,3%. Những khác biệt này có ý nghĩa thống kê cao như được đánh dấu trong
Bảng 4. Điều này ngụ ý rằng kết quả của chúng tôi không chỉ do ngẫu nhiên mà mô hình
hai bước sẽ tốt hơn mô hình logit cơ bản trong hầu hết các thông số kỹ thuật của mẫu.
Vì Tỷ lệ độ chính xác được báo cáo trong Bảng 2 và 3 là tương đối tổng hợp cho mỗi
thước đo công thức, Hình 1 minh họa sự khác biệt về hiệu suất ngoài mẫu
17
Machine Translated by Google
giữa mô hình một bước tốt nhất (tức là mô hình bao gồm biến thể giả tuổi ngân hàng)
và mô hình thời gian tồn tại hai bước một cách chi tiết hơn. Chúng minh họa một cách
chính xác cách người ta có thể xác định các ngân hàng vỡ nợ bằng cách sử dụng kết quả
đầu ra của mô hình, tức là phân loại tất cả các ngân hàng từ rủi ro nhất đến an toàn
nhất và tính toán tỷ lệ phần trăm các ngân hàng vỡ nợ trong các phần khác nhau của tổng
số ngân hàng. Trong phần quảng cáo, có thêm hai dòng được mô tả. Một tương ứng với mô
hình tối ưu có thể dự đoán tình trạng vỡ nợ của ngân hàng một cách hoàn hảo và như
vậy thể hiện ranh giới trên cho độ chính xác của dự đoán, điều mà thực tế không bao giờ
có thể đạt được trong thực tế. Dòng còn lại mô tả mô hình ngẫu nhiên, trong đó quyết
định, liệu một ngân hàng được xác định là tốt hay xấu, dựa trên một số ngẫu nhiên nào
đó và do đó thể hiện một ranh giới thấp hơn cho độ chính xác của dự đoán, vì nó có thể
đạt được mà không cần có bất kỳ thông tin nào hoặc bất kỳ mô hình thống kê nào. Kiểm
tra cẩn thận Hình 1 cho thấy sự khác biệt nhỏ nhưng quan trọng giữa bốn đồ thị. Nói
chung, các đường dựa trên đầu ra của mô hình thời gian tồn tại hai bước gần với mô
hình tối ưu cho các quan sát được sắp xếp nhiều hơn so với đường xuất phát từ đầu ra
của mô hình logit chuẩn một bước. Điều này ngụ ý rằng họ xác định một phần lớn hơn tất
cả các ngân hàng vỡ nợ một cách chính xác là có vấn đề vì một tỷ lệ cố định nhất định
của tất cả các ngân hàng được phân loại là rủi ro.
Kết luận, chúng tôi thấy rằng phương pháp tiếp cận hai bước được đề xuất trong bài
báo này cho thấy các đặc điểm kỹ thuật của mô hình thú vị - bao gồm các mẫu trực quan
của hệ số theo thời gian và các biến giải thích hợp lý, mới được thêm vào - và tạo
thành tốt hơn các mô hình điểm chuẩn một bước đối với -độ chính xác dự đoán mẫu. Tuy
nhiên, các hệ số trên hình nộm thời gian hiếm khi khác 0 về mặt thống kê. Do đó, không
rõ liệu hiệu suất nâng cao hiệu suất của các mô hình hai bước có thể được quy cho định
nghĩa tốt hơn về thời gian tồn tại hay cho chính quy trình hai bước trong đó một mô
hình riêng được ước tính cho các ngân hàng có rủi ro. Đây là một câu hỏi quan trọng
mà chúng ta sẽ tìm hiểu chi tiết hơn trong các đoạn sau.
4.4 Giá trị của thông tin về thời gian tồn tại
Để điều tra sâu hơn vấn đề này, chúng tôi bắt đầu bằng cách kiểm tra sự phân bổ theo kinh nghiệm của các
ngân hàng có vấn đề tài chính trong các khoảng thời gian. Như được trình bày trong Bảng 5, người ta có
thể quan sát thấy một mẫu thời gian có thể so sánh được về các khoản vỡ nợ đối với tất cả các định nghĩa
về ngân hàng rủi ro: hầu hết các vấn đề tài chính xảy ra trong giai đoạn 1 đến 3; sau đó có sự sụt giảm về
số lượng sự kiện mặc định trong khoảng thời gian 4 và 5; và cuối cùng là một sự sụt giảm nữa trong khoảng
thời gian vừa qua. Đối với tất cả các định nghĩa rủi ro khác nhau, chúng tôi quan sát thấy một mô hình
tương tự, đơn điệu giảm dần từ giai đoạn 2 đến giai đoạn 6.
Nhìn chung, có thể có hai nguồn tiềm năng giải thích lý do tại sao mô hình hoạt động
hai bước hoạt động tốt hơn mô hình logit một bước: (a) thông tin thời gian tồn tại bổ
sung và (b) thực tế là các mô hình riêng biệt được ước tính cho phụ -mẫu về ngân hàng
gặp rủi ro. Để định lượng xem các hình nộm thời gian có thêm giải thích không-
18
Machine Translated by Google
thử sức mạnh cho các mô hình thời gian tồn tại, chúng tôi loại bỏ chúng khỏi các mô hình cụ
thể và ước tính lại các mô hình bằng cách sử dụng toàn bộ quy trình xây dựng mô hình.
Bảng 6 cho thấy các mô hình kết quả. Thật thú vị khi quan sát rằng mô hình hai bước không có
hình nộm thời gian bao gồm cùng một tập hợp các biến giải thích như mô hình hai bước bao gồm
hình nộm thời gian. Trên thực tế, các mô hình dự đoán giống hệt nhau ngoại trừ thời gian giả
lập ra khỏi quy trình ước lượng - ngay cả các hệ số cũng khá gần nhau. Về hiệu suất dự đoán
có liên quan, rất khó để xác định người chiến thắng rõ ràng vì Tỷ lệ chính xác không cho thấy
một bức tranh rõ ràng. So sánh Tỷ lệ chính xác trong và ngoài mẫu của Bảng 3 và 6 đồng minh cho
thấy rằng hai loại mô hình này hoạt động tương đối tốt. Từ kết quả này, chúng tôi suy ra rằng
các hình nộm thời gian không bổ sung nhiều khả năng dự đoán cho các mô hình. Quan sát này cũng
được xác nhận bởi Hình 2 cho thấy một phân tích chi tiết hơn về hiệu suất dự đoán của các mô
hình hai bước không có hình nộm thời gian tồn tại.
Do đó, lợi thế về hiệu suất của mô hình hai bước so với mô hình một bước dường như đến từ
thủ tục ước tính, tức là xác định các ngân hàng có rủi ro trong toàn bộ tập hợp các ngân hàng
và điều chỉnh các khoản vỡ nợ cụ thể sau đó mô hình dự đoán cho loại ngân hàng đặc biệt này.
Nhắc lại thêm rằng chúng tôi đã xác định các biến giải thích cụ thể chỉ đóng một vai trò quan
trọng trong các mô hình được ước tính cụ thể cho các ngân hàng có rủi ro. Tổng hợp lại, những
kết quả này rõ ràng gợi ý rằng có những mối quan hệ kinh tế khác nhau tại chỗ giải thích xác
suất tồn tại của các ngân hàng “khỏe mạnh” và “bị đe dọa”.
Trong bài báo này, chúng tôi đề xuất và đánh giá thực nghiệm các mô hình thời gian tồn tại để
dự đoán sự thất bại của ngân hàng. Câu hỏi này đã được giải quyết trước đây bởi một số bài
báo (xem Lane và cộng sự (1986), Whalen (1991), Henebry (1996), Laviola và cộng sự (1999) và
Reedtz và Trapanese (2000)). Chúng tôi mở rộng tài liệu này theo nhiều cách. Đầu tiên, chúng
tôi áp dụng phương pháp tiếp cận thời gian tồn tại - một mô hình logit rời rạc với các hình
nộm thời gian tồn tại - cho phép các hiệp biến thời gian thay đổi và dữ liệu được kiểm duyệt
theo khoảng thời gian (tức là thông tin không được quan sát liên tục theo thời gian mà tại các
điểm rời rạc trong thời gian). Cho đến nay, litera ture sử dụng mô hình Mối nguy theo tỷ lệ Cox
không có khả năng xử lý các kích thước này của dữ liệu sự cố ngân hàng một cách thích hợp. Thứ
hai, chúng tôi đề xuất và đánh giá cơ bản một cách tiếp cận hai bước sáng tạo, trong đó chúng
tôi sử dụng kết quả của mô hình logit nhiều kỳ để xác định xem ngân hàng có gặp rủi ro hay
không. Đối với mẫu ngân hàng gặp rủi ro, chúng tôi ước tính mô hình thời gian tồn tại với thời
gian tồn tại của từng ngân hàng cụ thể. Các tài liệu hiện có hoặc giả định rằng tất cả các ngân
hàng đều gặp rủi ro tại thời điểm ban đầu hoặc tất cả các ngân hàng đều gặp rủi ro tại cùng một
thời điểm vào đầu giai đoạn mẫu. Trong khi cách tiếp cận đầu tiên ít nhất khai thác thông tin
cụ thể của ngân hàng, cách tiếp cận sau làm giảm thông tin về thời gian tồn tại thành dum mies
năm dương lịch. Chúng tôi đánh giá thực nghiệm hai cách tiếp cận đơn giản này nhưng chỉ báo cáo kết quả
19
Machine Translated by Google
cho các thông số kỹ thuật của mô hình với tuổi ngân hàng như một biến giải thích trong bài báo.
Đóng góp cuối cùng của chúng tôi bắt nguồn từ việc sử dụng bộ dữ liệu toàn diện do Ngân hàng
Quốc gia Áo cung cấp bao gồm tất cả các ngân hàng của Áo trong giai đoạn 1995 đến 2002 và 50
biến giải thích nắm bắt các nguồn rủi ro vỡ nợ tiềm ẩn khác nhau. Hơn nữa, chúng tôi áp dụng mô
hình logit hiện đang được sử dụng trong các quy trình Phân tích ngoại tuyến của Ngân hàng Quốc
gia Áo. Bằng cách này, chúng tôi đảm bảo một cơ sở dữ liệu sive phù hợp và một mô hình logit
ước tính rất tốt mà chúng tôi sử dụng hai lần, (a) làm mô hình tham chiếu mà đầu ra của nó xác
định liệu ngân hàng có gặp rủi ro hay không và (b) là một trong những mô hình điểm chuẩn dựa
vào đó chúng tôi đánh giá cách tiếp cận hai bước được đề xuất của chúng tôi.
Phân tích thực nghiệm của chúng tôi cho thấy rằng phương pháp tiếp cận hai bước tốt hơn tất
cả các mô hình logit một bước (tức là mô hình cơ bản và các mô hình có tuổi ngân hàng là một
biến số cũ bổ sung) liên quan đến độ chính xác của dự đoán trong mẫu và ngoài mẫu cho toàn bộ
tập hợp các ngân hàng. Đây là một kết quả rất hứa hẹn vì nó chỉ ra rằng phương pháp tiếp cận
hai bước có thể tăng thêm giá trị cho một cơ quan quản lý đang cố gắng đánh giá tình trạng sức
khỏe của các ngân hàng của mình.
Một trong những kết quả quan trọng nhất của chúng tôi cho thấy rằng lợi thế hiệu suất này, trên
thực tế, không xuất phát từ việc bao gồm thời gian tồn tại mà từ chính quy trình ước tính.
Theo như bằng chứng của chúng tôi về khả năng dự đoán của thời gian sống sót được xác nhận,
chúng tôi quan sát thấy một mô hình đồng nhất và có phần trực quan, tức là, xác suất mặc định
tăng so với năm đầu tiên sau khi gặp rủi ro và lớn nhất trong giai đoạn hai và ba. Tuy nhiên,
các hệ số được xác định hiếm khi có ý nghĩa và do đó, không bổ sung nhiều vào khả năng dự đoán
Ngược lại, thực tế là mô hình hai bước của chúng tôi tốt hơn mô hình logit một bước đại diện
cho bằng chứng thực nghiệm mạnh mẽ rằng các mối quan hệ kinh tế khác nhau giải thích xác suất
vỡ nợ cho các ngân hàng “khỏe mạnh” và “bị đe dọa”. Chi tiết hơn, chúng tôi ghi nhận rằng mô
hình hai bước có một phần các biến số giống nhau (tức là chủ yếu là các biến số nắm bắt rủi ro
tín dụng và khả năng sinh lời) và một phần các biến số khác nhau so với mô hình logit một bước
cơ bản. Một trong những biến số đặc biệt của mô hình hai bước là cố gắng nắm bắt chất lượng
quản lý, đặc biệt là hiệu quả, bằng cách xem xét tỷ lệ thu nhập lãi ròng trên số lượng nhân
viên. Thực tế là biến này không được bao gồm trong mô hình logit chuẩn được ước tính cho toàn
bộ dân số ngân hàng nhưng hóa ra lại có ý nghĩa rất lớn đối với mẫu ngân hàng rủi ro, có thể
số 8
Các lý do, tại sao chúng tôi không xác định được mối quan hệ quan trọng giữa thời gian ngân hàng gặp rủi
ro và sự kiện vỡ nợ, có thể là quá trình xác định ngân hàng có vấn đề tài chính và bản thân việc xác định
ngân hàng thất bại là không chính xác đối với thời điểm chính xác sự kiện. Vấn đề này phát sinh do không
có bất kỳ mặc định thực sự nào trong khoảng thời gian lấy mẫu của chúng tôi. Đúng hơn là các ngân hàng gặp
phải những vấn đề tài chính nghiêm trọng mà họ không thể giải quyết nếu không có sự can thiệp của một ngân
hàng liên kết. Tuy nhiên, thời điểm chính xác xảy ra tình huống như vậy khó xác định hơn nhiều so với
thời điểm ngân hàng vỡ nợ thực sự.
20
Machine Translated by Google
đặc biệt quan trọng trong các tình huống khủng hoảng tài chính. Một biến số khác, chỉ quan trọng đối
với các ngân hàng gặp rủi ro, đo lường quy mô ngân hàng so với tổng quy mô ngân hàng tại khu vực nội
địa. Tương tự, kết quả này có thể ngụ ý rằng quy mô, đặc biệt là so với các đối thủ cạnh tranh của ngân
hàng, đóng một vai trò quan trọng khi một tổ chức phải đối mặt với các vấn đề tài chính. Tuy nhiên,
điều thú vị là chúng tôi không thấy rằng các biến số kinh tế vĩ mô đóng một vai trò quan trọng trong
việc dự đoán khả năng vỡ nợ trong mẫu rủi ro như được đề xuất trong Gonzales-Hermosillo et al. (1996).
Ngược lại, biến số kinh tế vĩ mô duy nhất được đưa vào mô hình logit cơ bản không thuộc mô hình đặc
tả cho các ngân hàng có rủi ro. Chúng tôi phỏng đoán rằng những phát hiện này có thể có ý nghĩa chính
sách quan trọng đối với các ngân hàng trung ương và việc giám sát ngân hàng của họ trên toàn thế giới.
Altman, EI, Tỷ lệ tài chính, Phân tích phân biệt đối xử và Dự đoán phá sản của Cor porate, Tạp chí Tài
Chava, S. và RA Jarrow, Dự đoán phá sản với các ảnh hưởng của ngành, Đánh giá
Dimitras, AI, Zanakis, SH và C. Zopounidis, Một cuộc khảo sát về thất bại trong kinh doanh tập trung
vào các phương pháp dự đoán và các ứng dụng công nghiệp, Tạp chí Nghiên cứu Hoạt động Châu Âu 90,
1996.
Duffie, D., Saita, L., và K. Wang, Dự đoán vỡ nợ của công ty trong nhiều kỳ với biến số ngẫu nhiên, Tài
Eom, YH, Helwege, J. và J.-Z. Huang, Mô hình cấu trúc định giá trái phiếu doanh nghiệp: Phân tích thực
Engelmann, B., E. Hayden và D. Tasche, Độ chính xác đánh giá thử nghiệm, Rủi ro, Tập.
16 năm 2003.
Farrington, CP, Dữ liệu sống sót được kiểm duyệt theo khoảng thời gian: Phương pháp tiếp cận mô hình
tuyến tính tổng quát, Thống kê trong y học, Vol. Ngày 15 năm 1996.
Finkelstein, DM, Mô hình nguy cơ theo tỷ lệ cho dữ liệu thời gian thất bại được kiểm duyệt giữa các
Fisher, LD và DY Lin, Các biến số phụ thuộc vào thời gian trong mô hình hồi quy các mối nguy theo tỷ
lệ Cox, Đánh giá hàng năm Sức khỏe cộng đồng, 20, 1999.
Gonzalez-Hermosillo, B., Pazarbasioglu, C., và R. Billings, Sự mong manh của hệ thống ngân hàng: Khả
năng xảy ra so với Thời điểm thất bại - một ứng dụng cho cuộc khủng hoảng tài chính Mexico, Quỹ Tiền
21
Machine Translated by Google
Hayden, E. và J. Bauer, Các cách tiếp cận mới để phân tích ngân hàng ở Áo, Finan
Hayden, E., Các Mô Hình Tính Điểm Tín Dụng Có Nhạy Cảm Với Các Định Nghĩa Mặc Định Không?
Bằng chứng từ Thị trường Áo, Tài liệu làm việc, 2003.
Henebry, KL, Các biến dòng tiền có cải thiện độ chính xác dự đoán của mô hình rủi ro theo
tỷ lệ Cox đối với sự thất bại của ngân hàng không ? , Đánh giá hàng quý về kinh tế và
Hillegeist, SA, Keating, EK, Cram, DP, và KG Lundstedt, Đánh giá xác suất phá sản, Đánh giá
Hodrick, R. và C. Prescott, Các chu kỳ kinh doanh của Hoa Kỳ sau chiến tranh: Một cuộc điều tra theo kinh nghiệm
tigation, Tạp chí Tiền tệ, Tín dụng và Ngân hàng 29, 1–16, 1997.
Hosmer, D. và S. Lemenshow, Hồi quy logistic ứng dụng, Wiley & Sons, 1989.
Hosmer, D. và S. Lemenshow, Phân tích sự sống còn ứng dụng, Wiley & Sons, 1999.
Kolari, J., Glennon, D., Shin, H. và M. Caputo, Dự đoán các thất bại ngân hàng thương mại
lớn của Hoa Kỳ, Tạp chí Kinh tế và Kinh doanh, 54, 2002.
Verweildauermodelle, Tập tài liệu: Tài chính và Kế toán, 62, Đại học Frankfurt, 2000.
Keenan, S. và J. Sobehart, Các biện pháp thực hiện cho các mô hình rủi ro tín dụng,
Lane, WR, Looney, SW, và JW Wansley, Ứng dụng của Mô hình nguy hiểm theo từng phần của Cox
Pro đối với sự thất bại của ngân hàng, Tạp chí Ngân hàng và Tài chính 10, 1986.
Laviola, S., Marullo-Reedtz, P. và Trapanese, M., Dự báo sự mong manh của ngân hàng: Bằng
chứng từ Ý, Trong: G. Kaufman (Ed.), Nghiên cứu về tệ nạn dịch vụ tài chính: Chính sách
Lee, SH, và JL Urrutia, Phân tích và Dự đoán Tình trạng Mất khả năng thanh toán trong
Ngành Bảo hiểm Trách nhiệm pháp lý Dự báo: So sánh Mô hình Logit và Mối nguy, Tạp chí
Martin, D., Cảnh báo sớm về sự thất bại của ngân hàng: Cách tiếp cận hồi quy Logit, Tạp chí
Marullo-Reedtz, P., và M. Trapanese, Sổ đăng ký tín dụng và Cảnh báo sớm Các dấu hiệu về
sự mong manh của ngân hàng: Kinh nghiệm của người Ý, Sự mong manh của ngân hàng và quy
định: Bằng chứng từ các quốc gia khác nhau (Tập 12), 2000.
McDonald, CG và LM Van de Gucht, Cuộc gọi và Mặc định Trái phiếu Lợi suất Cao
22
Machine Translated by Google
Merton, RC, Về định giá nợ doanh nghiệp: Cấu trúc rủi ro của lãi suất, Tạp
chí Tài chính, 29, 1974.
Samuelsen, SO, và J. Kongerud, Kiểm duyệt khoảng thời gian trong dữ liệu dọc về
các triệu chứng hô hấp ở công nhân làm nồi nhôm: So sánh các phương pháp,
thống kê trong y học, Vol. 13 năm 1994.
Shumway, T., Dự báo Phá sản Chính xác hơn: Một Mô hình Nguy hiểm Đơn giản, Tạp
chí Kinh doanh, 74 (1), 2001.
Whalen . _ _
23
Machine Translated by Google
Ví dụ sau minh họa cách chúng tôi chuẩn bị tập dữ liệu của mình để đảm bảo rằng chúng tôi
có thể sử dụng mô hình của mình để dự đoán phá sản. Bảng A1 tóm tắt một tập dữ liệu nhỏ,
giả định cho một ngân hàng cụ thể, trong đó cột Phương sai báo cáo một biến hữu ích cho
dự đoán mặc định, ví dụ: thu nhập của các ngân hàng, Mặc định cho biết liệu một sự kiện
mặc định có xảy ra trong quý tiếp theo hay không, Iden At-Risk xác định những khoảng thời
gian ngân hàng gặp rủi ro, Thời kỳ là bộ đếm số năm ngân hàng gặp rủi ro và L đại diện cho
toán tử độ trễ thay đổi giá trị trong ba phần tư của năm.
12.1997 0 0 . 220 .
03.1998 0 0 . 230 .
06.1998 0 0 . 210 .
Giả sử rằng chúng tôi sử dụng các cột Hiệp biến, Mặc định, Nguy cơ và Khoảng thời gian để
lập mô hình thời gian tồn tại. Khi sử dụng mô hình này để đưa ra dự đoán, chúng tôi chỉ
có thể dự báo các xác suất mặc định trong một khoảng thời gian (ba tháng), vì chúng tôi
cần biết giá trị hiệp biến hiện tại để giải thích tình trạng vỡ nợ trong quý tiếp theo.
Khi chúng tôi sử dụng các hiệp biến thay đổi theo thời gian, các hiệp biến này sẽ thay đổi
trong kỳ tiếp theo, do đó ngày nay chúng tôi không có thông tin cần thiết để đưa ra dự
đoán cho thời kỳ thứ hai. Ngược lại, trong trường hợp các hiệp biến cố định, người ta
có thể sử dụng mô hình sống sót giao phối ước tính để dự đoán xác suất mặc định cho các
Để đối phó với vấn đề này, chúng ta phải làm trễ các hiệp biến trong ba phần tư như ảo
ảnh được ghi trong Bảng A1. Mô hình kết quả sử dụng các biến giải thích có độ trễ ước
tính xác suất vỡ nợ trong ba tháng, tức là xác suất ngân hàng sẽ vỡ nợ tại một thời điểm
nào đó trong quý IV sau ngày hôm nay. Do đó, khả năng xác suất này có điều kiện đối với
ngân hàng tồn tại trong ba quý tiếp theo. Tuy nhiên, xác suất sống sót trong ba phần tư
tiếp theo được tính trong ba giai đoạn trước đó, do đó, chúng ta có thể tính xác suất
mặc định trong 1 năm bằng cách kết hợp bốn giá trị này.
24
Machine Translated by Google
Bảng 1. Các biến đầu vào cho quá trình lựa chọn lùi / tiến
Bảng này tóm tắt tập hợp các biến đầu vào cuối cùng được sử dụng để xác định các mô hình thời gian sống sót.
Bảng báo cáo giá trị trung bình, trung vị và độ lệch chuẩn cho toàn bộ mẫu ngân hàng trong giai đoạn mẫu
1995-2002 của chúng tôi. Cột "Hyp." cho biết kỳ vọng của chúng tôi đối với mối quan hệ giữa các biến đầu
vào tương ứng và sự kiện mặc định. Như đã trình bày trong phần 3.2, một số biến đầu vào được chuyển
đổi. Điều này được chỉ ra trong bảng bởi (T). Hệ số của các biến dạng trans trong mô hình tồn tại hoặc
logit sẽ luôn dương. Tuy nhiên, trong bảng, chúng tôi báo cáo kỳ vọng của chúng tôi đối với biến cơ bản,
chưa được chuyển đổi.
6 Tổng nợ phải trả / Bảng cân đối kế toán Tổng 0,0882 0,0342 0,1289 +
7 Tổng số yêu cầu / Bảng cân đối kế toán Tổng số 0,2241 0,2047 0,113 -
Thay đổi tương đối trong một năm đối với các yêu -
số 8 0,0624 0,0599 0,0892
cầu của khách hàng
10 Các khoản cho vay gặp khó khăn / Tổng khối lượng cho vay 0,0393 0,0353 0,0264 trở lên
Các khoản cho vay gặp khó khăn / Khả năng trang trải
11 1.4548 1.1875 1.1165 +
Lỗ vốn
+/-
dụng
tín
Rủi
ro
Thay đổi tương đối trong khoản vay trong một năm
12 0,1269 0,0967 0,4512
Dự phòng tổn thất (T)
Sử dụng dự phòng rủi ro cho vay / Tổng số
13 0,0022 0,0008 0,0032 +
Khối lượng cho vay
18
chính)
khoản
(Các
vay
cho
25
Machine Translated by Google
Giá trị tuyệt đối thay đổi trong lợi nhuận trên
38 0,4869 0,3345 0,5251 +
Hoạt động bình thường
Giá trị tuyệt đối của sự thay đổi trong kết quả
39 0,2348 0,1641 0,2288 +
Trước chi phí rủi ro
Giá trị tuyệt đối của sự thay đổi trong kết quả
40 2.0293 1.1809 2,5287 +
Sau chi phí rủi ro
Cổ phiếu và trái phiếu không có thu nhập cố định /
Khác Rủi
ro
48
Kinh
mô
vĩ
tế
26
Machine Translated by Google
Bảng này minh họa các mô hình điểm chuẩn của chúng tôi. Như đã trình bày trong phần 3.2, một số biến đầu vào được biến đổi (T). Hệ số của các biến được chuyển đổi
trong mô hình tồn tại hoặc logit sẽ luôn dương. Đối với mô hình logit một bước cơ bản, chúng tôi không thể báo cáo các hệ số cụ thể vì mô hình này được Ngân hàng
Quốc gia Áo sử dụng để giám sát các ngân hàng Áo. Vì các hệ số vẫn có thể so sánh được đối với hai thông số kỹ thuật mở rộng, chúng tôi chỉ báo cáo tác động cho 12
biến đầu tiên nhưng là hệ số thực cho các biến được thêm vào.
Một bước cơ bản Gia hạn bởi Gia hạn bởi Ngân hàng
TÔI Định nghĩa biến
Mô hình đăng nhập Tuổi Ngân hàng Hình nộm tuổi
- - -
8 Thay đổi tương đối trong một năm về các yêu cầu đối với khách hàng (8)
10 Khoản cho vay Rắc rối / Tổng Khối lượng Khoản vay (10)
+ + +
12 Thay đổi tương đối trong một năm trong dự phòng rủi ro cho vay (12) + (T) + (T) + (T)
17 Tổng khối lượng vượt quá giới hạn cho vay / Tổng khối lượng cho vay (17) + + +
20 Cơ sở Đánh giá Yêu cầu Vốn / Tổng Khối lượng Khoản vay (20) + + +
23 Thay đổi tương đối trong một năm trong tổng vốn chủ sở hữu (23) + (T) + (T) + (T)
26 Lợi nhuận từ các hoạt động thông thường / Tổng bảng cân đối kế toán (26) + (T) + (T) + (T)
- - -
27 Kết quả hàng năm sau chi phí rủi ro / Tổng bảng cân đối kế toán (27)
- - -
35 Dự trữ ẩn / Tổng Bảng cân đối kế toán (35)
38 Giá trị tuyệt đối của sự thay đổi trong lợi nhuận từ các hoạt động thông thường (38)
+ + +
-
47 Thay đổi tương đối trong một quý trong Chỉ số giá tiêu dùng (47)
Chỉ định ngành (Biến giả) +
27
Machine Translated by Google
Bảng 3. Thông số kỹ thuật của mô hình bao gồm hình nộm thời gian cho ba định nghĩa rủi ro khác nhau
Bảng này cho thấy ba mô hình thời gian tồn tại rời rạc với hiệp biến thời gian thay đổi theo thời gian cho các ngân hàng đang gặp rủi ro. Giả định thời gian liên quan đến thời điểm
ngân hàng gặp rủi ro theo một trong ba tiêu chí khác nhau. Mô hình được xác định bằng cách sử dụng lựa chọn mô hình từng bước. Các biến nghiêng là các biến cũng được bao gồm trong
các mô hình logit điểm chuẩn. Giả lập thời gian bị buộc vào mô hình, tức là chúng không bị loại bỏ khỏi mô hình ngay cả khi giá trị p của chúng cao hơn ngưỡng.
Có rủi ro Def. 1 (2xLevel) Def. 2 (Tăng trưởng) Def. 3 (Lược) giá trị p Coeff. 0,04
TÔI Định nghĩa biến
Coeff. Coeff. giá trị giá trị
5 Bảng cân đối Tổng / B. Bảng Tổng của tất cả các Ngân hàng trong khu vực Nội địa -13,67 0,03 -11,83 0,05
7 Tổng các Khoản phải trả / Bảng cân đối Tổng cộng -2,49 0,00 -3,00 0,00 -2,50 0,00
số 8
Thay đổi tương đối trong một năm về các yêu cầu đối với khách hàng -4,66 0,00 -4,97 0,00 -4,20 0,00
10 Các khoản cho vay gặp khó khăn / Tổng khối lượng cho vay 6.12 0,02 8.04 0,01 5,29 0,05
11 Các khoản cho vay gặp khó khăn / Khả năng bù đắp tổn thất 0,24 0,00 0,24 0,00 0,28 0,00
12 Thay đổi tương đối trong một năm trong dự phòng rủi ro cho vay (T) 0,57 0,00 0,72 0,00 0,52 0,00
14 Quyên góp dự phòng rủi ro cho vay / Tổng khối lượng cho vay -28,22 0,08
15 (Tài trợ - Giải thể các khoản dự phòng) / Bảng cân đối kế toán Tổng (T) 0,31 0,06 0,27 0,07
17 Tổng khối lượng vượt quá giới hạn cho vay / Tổng khối lượng cho vay 8.03 0,00 8,74 0,00 7,02 0,00
23 Thay đổi tương đối trong một năm trong tổng vốn chủ sở hữu (T) 0,39 0,01 0,40 0,01 0,43 0,00
26 Lợi nhuận từ các hoạt động thông thường / Tổng bảng cân đối kế toán (T) 0,62 0,00 0,36 0,03 0,60 0,00
27 Kết quả hàng năm sau chi phí rủi ro / Tổng bảng cân đối kế toán -80,94 0,00 -74,57 0,00 -77,38 0,00
30 Lợi nhuận từ các hoạt động thông thường / Tổng vốn chủ sở hữu -0.07 0,00 -0.03 0,05 -0.03 0,01
39 Giá trị tuyệt đối của thay đổi kết quả trước chi phí rủi ro 0,55 0,05 0,53 0,07 0,66 0,01
41 Cổ phiếu và trái phiếu không có thu nhập cố định / Bảng cân đối kế toán 2,65 0,08
44 Thu nhập lãi ròng / Số lượng nhân viên -0.04 0,00 -0.02 0,07 -0.04 0,00
45 Lợi nhuận từ các hoạt động thông thường / Số lượng nhân viên -0.02 0,06
28
Machine Translated by Google
Bảng 4. Kiểm tra mức độ đáng kể về sự khác biệt trong độ chính xác của dự đoán
Chi tiết về cách tính sai số tiêu chuẩn và thống kê thử nghiệm được báo cáo trong bảng này có thể
được tìm thấy trong Engelmann, Hayden và Tasche (2003).
29
Machine Translated by Google
Machine Translated by Google
Bảng 6. Thông số kỹ thuật của mô hình không bao gồm hình nộm thời gian cho ba định nghĩa rủi ro khác nhau
Bảng này cho thấy ba mô hình thời gian tồn tại rời rạc với hiệp biến thời gian thay đổi theo thời gian cho các ngân hàng đang gặp rủi ro. Mô hình được xác định bằng cách sử dụng selec
mô hình từng bước. Các biến nghiêng là các biến cũng được bao gồm trong các mô hình logit điểm chuẩn.
Có rủi ro Def. 1 (2xLevel) Def. 2 (Tăng trưởng) Def. 3 (Lược) giá trị p Coeff. 0,02
TÔI Định nghĩa biến
Coeff. Coeff. giá trị p giá trị
5 Bảng cân đối Tổng / Bảng B. Tổng của tất cả các ngân hàng trong khu vực 7 Tổng -13,92 -12.03 p 0,05
số yêu cầu / Bảng cân đối kế toán Tổng số 8 Thay đổi tương đối trong một năm -2,43 0,00 -2,82 0,00 -2,46 0,00
đối với khách hàng 10 Khoản vay gặp khó khăn / Tổng khối lượng khoản vay 11 -4,65 0,00 -4,83 0,00 -4,17 0,00
Khoản vay gặp khó khăn / Khả năng bù đắp tổn thất 12 Một- Năm Thay đổi Tương 6.23 0,02 8,45 0,01 5,39 0,05
đối trong Dự phòng Tổn thất Khoản vay (T) 0,25 0,00 0,24 0,00 0,28 0,00
14 Quyên góp dự phòng rủi ro cho vay / Tổng khối lượng cho vay -27,61 0,09
15 (Tài trợ - Giải thể dự phòng) / Bảng cân đối kế toán Tổng (T) 0,31 0,05 0,26 0,07
17 Tổng khối lượng vượt quá giới hạn cho vay / Tổng khối lượng cho vay 8,20 0,00 8.33 0,00 7.29 0,01
23 Thay đổi tương đối trong một năm trong tổng vốn chủ sở hữu (T) 0,38 0,02 0,38 0,02 0,42 0,01
26 Lợi nhuận từ các hoạt động thông thường / Tổng bảng cân đối kế toán (T) 0,63 0,00 0,33 0,04 0,60 0,00
27 Kết quả hàng năm Sau Chi phí Rủi ro / Tổng Bảng cân đối kế toán -83,40 0,00 -77,15 0,00 -78,80 0,00
30 Lợi nhuận từ các hoạt động thông thường / Tổng vốn chủ sở hữu -0.06 0,00 -0.03 0,07 -0.03 0,02
39 Giá trị Tuyệt đối của Thay đổi Kết quả Trước Chi phí Rủi ro 0,51 0,07 0,51 0,08 0,62 0,02
41 Cổ phiếu và Trái phiếu Không có Thu nhập Cố định / Bảng cân đối kế toán Tổng cộng 2,98 0,05
44 Thu nhập lãi ròng / Số lượng nhân viên -0.04 0,00 -0.02 0,07 -0.04 0,00
45 Lợi nhuận từ các hoạt động bình thường / Số lượng nhân viên -0.02 0,04
31
Machine Translated by Google
Hình 1. Hiệu suất ngoài mẫu của các mô hình thời gian tồn tại
Mô hình hai bước (Kết hợp) Mô hình một bước với hình nộm tuổi
32
Machine Translated by Google
33