Machine Translated by Google

Dự đoán thất bại ngân hàng:

Phương pháp tiếp cận thời gian tồn tại hai bước

Michael Halling

Khoa Tài chính Đại học

Vienna Brünnerstraße
72, A-1210 Vienna Tel: +43 1 4277
38081 E-Mail:

Michael.Halling@univie.ac.at

Evelyn Hayden

Phòng Phân tích và Kiểm tra Ngân hàng

Österreichische Nationalbank (Ngân hàng Quốc gia Áo)

Otto-Wagner-Platz 3, POB 61, A-1011 Vienna Tel:

+43 1 40420 3224 E-Mail:

Evelyn.Hayden@oenb.at

Tháng 5 năm 2006

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

Dự đoán thất bại ngân hàng:

Phương pháp tiếp cận thời gian tồn tại hai bước

Tháng 5 năm 2006

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.

Phân loại JEL: G33, G21, G28, C41

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

có được niêm yết trên sàn giao dịch chứng khoán.

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

đoán của mô hình cấu trúc Merton (1974 ).1

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

và không 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

thời điểm thất bại.

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

(1986) và Farrington (1996).

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

cận một bước.

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

trên chứng khoán thay đổi.

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

kết quả thực nghiệm và cuối cùng, phần 5 kết luận.

2. Mô hình thời gian tồn tại hai bước

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

để xác định ngân hàng nào gặp rủi ro đúng lúc.

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

mô (xem phần 4.1 để biết thêm chi tiết).

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

các ngân hàng có rủi ro.

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

hợp của chúng tôi).

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,

cách tiếp cận này có một số nhược điểm nghiêm trọng.

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 1 năm bằng cách kết hợp bốn dự đoán này.

3. Mô tả Nghiên cứu Thực nghiệm

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

trong hình thức hợp nhất với hoặc cho phép từ

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.

3.2 Xây dựng mô hình

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

hảo về các giá trị mặc định.

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)).

3.3 Xác thực mô hình

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)).

4. Kết quả thực nghiệm

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.

4.1 Mô hình đăng nhập một bước cơ bản

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

đầu ra của mô hình logit, trong đó “+”

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

không hóa ra có ý nghĩa trong mô hình logit cơ bản.

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

trong cả hai thống kê.

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

hình chữ u, phi tuyến tính.

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.

4.3 Mô hình thời gian tồn tại hai bước

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

ro 2 và 3 chỉ có thời gian giả cho chu kỳ 3 là có ý nghĩa.

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

không nằm trong mô hình hai bước.

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

một tín hiệu tốt,

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

và do đó buộc phải có một hệ số dương.

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”.

5. Thảo luận và Kết luận

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

của các mô hình.

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

cho thấy rằng quản lý tốt và hiệu quả là

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.

6. Tài liệu tham khảo

Altman, EI, Tỷ lệ tài chính, Phân tích phân biệt đối xử và Dự đoán phá sản của Cor porate, Tạp chí Tài

chính, 23, 1968.

Bharath, ST và T. Shumway, Dự báo mặc định với KMV-Merton

Mô hình, Tài liệu làm việc, 2004.

Chava, S. và RA Jarrow, Dự đoán phá sản với các ảnh hưởng của ngành, Đánh giá

của Tài chính, 8, 2004.

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

liệu làm việc, 2005.

Eom, YH, Helwege, J. và J.-Z. Huang, Mô hình cấu trúc định giá trái phiếu doanh nghiệp: Phân tích thực

nghiệm, Tạp chí Nghiên cứu Tài chính, 17 (2), 2004.

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

khoảng thời gian, Sinh trắc học, 42, 1986.

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

tệ Quốc tế, Tài liệu làm việc 96-142, 1996.

21
Machine Translated by Google

Hayden, E. và J. Bauer, Các cách tiếp cận mới để phân tích ngân hàng ở Áo, Finan

cial Báo cáo ổn định 7, Oesterreichische Nationalbank, 2004.

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

tài chính, Vol. 36 (3), 1996.

Hillegeist, SA, Keating, EK, Cram, DP, và KG Lundstedt, Đánh giá xác suất phá sản, Đánh giá

Nghiên cứu Kế toán, 9, 2004.

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.

Kaiser, U. và A. Szczesny, Einfache ökonometrische Verfahren für die Kreditrisikomessung:

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,

Dịch vụ quản lý rủi ro của Moody, 1999.

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

tư và công (Quyển 11 ), JAI Press, 1999.

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

Rủi ro và Bảo hiểm, 63 (1), 1996.

Martin, D., Cảnh báo sớm về sự thất bại của ngân hàng: Cách tiếp cận hồi quy Logit, Tạp chí

Tài chính và Ngân hàng 1, 1977.

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

Rủi ro, Tạp chí Kinh tế và Thống kê, 81 (3), 1999.

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

Phụ lục 1. Ví dụ minh họa về độ trễ của dữ liệu

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.

Bảng A1. Mẫu dữ liệu nhỏ

Ngày mặc định Giai đoạn rủi ro L.Covariate

12.1997 0 0 . 220 .

03.1998 0 0 . 230 .

06.1998 0 0 . 210 .

09.1998 0 1 0 230 220

12.1998 0 1 0 220 230

03.1999 0 1 0 200 210

06.1999 0 1 0 190 230

09.1999 0 1 1 170 220

12.1999 0 1 1 150 200

03.2000 0 1 1 150 190

06.2000 0 1 1 130 170

09.2000 0 1 2 110 150

12.2000 1 1 2 100 150

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

giai đoạn tùy ý (giới hạn bởi mẫu ước tính).

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.

Nhóm ID Sự định nghĩa Trung bình có nghĩa là Std.Dev. Hyp.

1 11.1370 11.0352 1.3226 -
Bảng cân đối tổng (LN)
Vị trí / Số dư ngoài Bảng cân đối kế toán
2 0,1257 0,1186 0,0667 +
Tổng trang

Số lượng nhân viên / Bảng cân đối kế toán +

3 0,0003 0,0003 0,0001
Tổng cộng

Thay đổi tương đối trong một năm trong số dư -

4 hàng
ngân
điểm
Đặc

0,0581 0,0519 0,0724

Tổng trang

Bảng cân đối tổng / Bảng cân đối kế toán

5 0,0065 0,0025 0,0129 -
Tổng số tất cả các ngân hàng trong khu vực nội địa

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

Tổng Khối lượng / Công suất Khoản vay đến

9 10.992 9.9802 5,3998 trở lên
Bảo hiểm tổn thất

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

Quyên góp dự phòng rủi ro cho vay /

14 0,0083 0,0075 0,0056 +/-
Tổng khối lượng cho vay

(Tài trợ - Giải thể các khoản dự phòng) +/-

15 0,0039 0,0031 0,0051
/ Tổng cân đối kế toán (T)
(Tài trợ - Giải thể các khoản dự phòng)
16 0,0046 0,004 0,0043 +/-
/ Tổng khối lượng cho vay

Tổng khối lượng vượt quá giới hạn cho vay

17 0,0069 0,0000 0,0205 +
/ Tổng khối lượng cho vay

Chỉ số Herfindahl cho hư cấu Người đa

dụng
tín
Rủi
ro

18
chính)
khoản
(Các
vay
cho

0,7036 0,7583 0,2779 -

dạng khu vực

Chỉ số Herfindahl cho hư cấu Sectoral

19 0,2823 0,2109 0,2135 -
Diversi

Cơ sở đánh giá nhu cầu vốn / Tổng khối +

20 0,7560 0,7644 0,1734
lượng cho vay

Vốn cấp 1 / Cơ sở đánh giá cho -

21 0,1217 0,1047 0,0586
Yêu cầu về vốn
(Vốn cấp 1 + Vốn cấp 2) / Đánh giá -
22 vốn
cấu
Cơ
0,0214 0,0216 0,0147
Cơ sở cho yêu cầu vốn
-
Tổng thay đổi tương đối trong một năm
23 0,0930 0,0602 0,2115
Vốn chủ sở hữu (T)

25
Machine Translated by Google

Chi phí hoạt động / Bảng cân đối kế toán +

24 0,0076 0,0068 0,0047
Tổng cộng

25 0,0030 0,0028 0,0027 -

Tổng kết quả hoạt động / Bảng cân đối kế toán
-
Lợi nhuận từ các Hoạt động Thông thường / Số dư
26 0,0114 0,0076 0,0286
Tổng trang (T)
Kết quả hàng năm sau chi phí rủi ro / Bảng
27 0,0047 0,0041 0,0042 -
tổng cộng

Lợi nhuận từ các hoạt động thông thường / Cấp 1 -

28 0,1215 0,1157 0,0661
Thủ đô
Kết quả hàng quý sau chi phí rủi ro / -
29 0,0859 0,0798 0,053
Vốn cấp 1
Lợi nhuận từ các hoạt động thông thường / Tổng -
30 6,4824 2,7202 9.2381
Vốn chủ sở hữu

(Tài trợ - Giải thể các khoản dự phòng) /

31 0,5799 0,5027 0,5502 +/-
Thu nhập lãi ròng
+
32 1,2380 0,9542 3.2427
sinh
năng
lời
Khả

Chi phí rủi ro / Kết quả hoạt động

(T)
Thu nhập lãi / Cơ sở đánh giá cho -
33 0,0080 0,0078 0,004
Yêu cầu về vốn (T)
Chi phí lãi suất / Cơ sở đánh giá cho
34 0,0078 0,0069 0,006 +
Yêu cầu về vốn
35 Dự trữ ẩn / Tổng bảng cân đối 0,0124 0,0091 0,0108 -

Chi phí hoạt động / Hoạt động trong +

36 0,699 0,6963 0,1753
đến

Kết quả hoạt động / Số lượng việc làm -

37 11.7481 10.2857 10.1838
ees

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

41 0,0048 0,0343 0,046 +/-

Tổng cân đối kế toán

42 Tài sản ngắn hạn / Nợ ngắn hạn 0,6661 0,6938 0,4735 -

Chi phí hành chính / Số dư +

43 0,0065 0,0060 0,0037
Tổng trang
chất
Phẩm

Thu nhập lãi ròng / Số người tham

44
quản
Ban
lý

24.4282 23.7391 9.4697 -

gia Em
Lợi nhuận từ các hoạt động thông thường / Số -
45 31.0810 27.1405 20.8160
lượng nhân viên

Thay đổi trong người tiêu dùng hài hòa

46 0,0036 0,0019 0,0035 +/-
Chỉ số giá

Thay đổi tương đối trong một quý trong

47 1.5098 1,0330 0,8174 +/-
Chỉ số giá Con sumer

48
Kinh
mô
vĩ
tế

94.5983 112.143 26.4256 -

Số lượng ô tô đã đăng ký
49 57.4496 57.2000 0,7800 -
Tiêu dùng Tư nhân Dự phòng
50 Sự biến động của ATX 1.1347 1.0278 0,2866 +

26
Machine Translated by Google

Bảng 2. Mô hình đăng nhập một bước

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) +

Tuổi Ngân hàng -0,007 ***

Dummy: Ngân hàng Tuổi từ 26-50 tuổi -0.200

Dummy: Bank Age 51-75 tuổi -0.368

Giả: Ngân hàng Tuổi 76-100 tuổi -1.211 ***

Dummy: Bank Age 101-125 tuổi -0.496 **

Giả: Tuổi Ngân hàng trên 125 tuổi -0.515 **

Tỷ lệ chính xác trong mẫu 65,9% 66,1% 66,6%

Tỷ lệ chính xác ngoài mẫu 63,3% 63,4% 63,7%

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

Kỳ 2 0,43 0,26 p 0,26 0,14 p 0,49

Kỳ 3 0,50 0,03 0,35 0,08 0,35 0,10

Hình nộm thời gian cho biết khoảng thời gian 1 năm kể từ
Tiết 4 0,13 0,60 0,01 0,98 0,01 0,96
khi một ngân hàng rơi vào tình trạng "gặp rủi ro".
Tiết 5 0,05 0,85 0,05 0,85 -0.06 0,81

Tiết 6 0,24 0,49 0,23 0,58 -0.04 0,92

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

Tỷ lệ chính xác trong mẫu 67,3% 68,1% 67,4%

Tỷ lệ chính xác ngoài mẫu 66,4% 67,6% 66,0%

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).

Không có mẫu So sánh với mô hình đăng nhập cơ bản

Người mẫu Std. Ờ.
Tỷ lệ chính xác Giá trị p của thống kê thử nghiệm

Mô hình đăng nhập 63,3% 6,2% - -

mô hình Logit cơ bản với Mô hình 63,7% 6,5% 0,08 0,779

hai bước Age Dummies (2xLevel) 66,4% 6,2% 19.06 0,000

Mô hình hai bước (Tăng trưởng) 67,6% 6,2% 22,25 0,000

Mô hình hai bước (Comb.) 66,0% 6,3% 18,16 0,000

Bảng 5. Phân bổ các vấn đề tài chính giữa các

Khoảng thời gian sau khi gặp rủi ro

Có rủi ro Def. 1 Có rủi ro Def. 2 Có rủi ro Def.

Giai đoạn = Stage

(2xLevel) (Tăng trưởng) 3 (Lược)

Năm 1 22% 23% 24%
Năm 2 27% 30% 25%
Năm 3 21% 20% 21%
Năm 4 14% 14% 14%
Năm 5 12% 10% 13%
Năm thứ 6 4% 3% 4%

Tổng cộng 100% 100% 100%

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

0,51 0,00 0,68 0,00 0,49 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

Tỷ lệ chính xác trong mẫu 67,2% 68,3% 67,3%

Tỷ lệ chính xác ngoài mẫu 66,9% 67,3% 66,5%

31
Machine Translated by Google

Hình 1. Hiệu suất ngoài mẫu của các mô hình thời gian tồn tại

Mô hình hai bước (2xLevel) Mô hình hai bước (Tăng trưởng)

Mô hình hai bước (Kết hợp) Mô hình một bước với hình nộm tuổi

32
Machine Translated by Google

Hình 2. Hiệu suất ngoài mẫu của mô hình hai bước

Không bao gồm các hình nộm thời gian

Mô hình hai bước (2xLevel)

Mô hình hai bước (Tăng trưởng)

Mô hình hai bước (Kết hợp)

33