Исследование российского рынка банковских услуг

Московский Государственный Университет имени М. В. Ломоносова

Проект по эконометрике

на тему

«Исследование российского рынка банковских услуг»

выполнил:

Бачманов Сергей

(204 группа)

2006 г.

Введение

Целью данной работы является построение адекватной модели, описывающей образование прибыли на  рынке банковских услуг в зависимости от различных параметров.

Основные предпосылки и допущения:

1.         рассматривается рынок банковских услуг в РФ

2.         рассматриваются банки, которые не несли существенных убытков в течение продолжительного периода времени. Предполагается, что отрицательная прибыль свидетельствует о недостаточной квалификации управляющего банка, а этот параметр невозможно учесть в модели

3.         предполагается, что в выборку включены банки, не связанные с теневой экономикой: образование прибыли происходит в соответствии с законодательством РФ.

При этом основными требованиями к модели являются следующие: а) выявление факторов, влияющих на прибыль банка; б) верифицируемость модели.

Работа состоит из 5 частей:

1)     

2)     

3)     

4)     

5)     

Описание данных

Источники данных:

Данные по количественным признакам и способу привлечения средств получены с сайтов www.banks-rate.ru и www.fundz.ru информация об уровне надежности с www.investfunds.ru. Выборка является пространственной, информация о банках собиралась 5-25 апреля, так что наблюдения можно считать одномоментными. Все количественные параметры приведены в тысячах рублей.

Данные содержали следующую информацию:

Ø  чистые активы

Ø   работающие активы

Ø   кредиты, выданные коммерческим организациям

Ø   собственный капитал

Ø   фактическая прибыль

Ø   средства юридических лиц

Ø   средства частных лиц

Ø   уставной фонд

Ø  ликвидные активы

Ø  суммарные обязательства

Ø  обязательства до востребования

Ø  средства бюджетных организаций

Ø  привлеченные средства других банков

Ø  выпуск кредитных карт

Ø  ориентация банка на обслуживание граждан, коммерческих организаций или бюджетных организаций

Ø  уровень надежности

Всего было отобрано 210 наблюдений.

            Проверка  однородности данных:

Сначала была проведена сортировка данных по величине прибыли, а затем построена диаграмма.

По графику видно, что данные неоднородны, и необходимо исключить из выборки банки, прибыль которых более 2 млрд. и менее -500 млн. рублей.

Новая диаграмма отражает плавное изменение величины прибыли и указывает на однородность данных. После сортировки в выборке остались данные по 188 банкам.

Предварительный анализ данных

Комментарии к регрессорам, включенным в первоначальную модель:

            Выпуск кредитных карт (kredkart). Параметр показывает, выпускает ли банк кредитные карты, и принимает значение 1 если выпускает и 0 если нет.

            Ориентация банка на обслуживание граждан, коммерческих организаций или бюджетных организаций (chastn urid budjet).  Каждый параметр принимает значение 1, если банк привлекает наибольшие средства от соответствующей группы клиентов. Уровень надежности (nada nadb nadc nadd). Каждый параметр принимает значение 1, если банк принадлежит к группе с соответствующей надежностью. Уровни надежности А++, А+, А приравниваются к А. Аналогично и уровнями В и С. Такое допущение необходимо для сокращения фиктивных переменных с 10 до 4.

            Чистые активы (chakt)

            Ликвидные активы (likvakt)

работающие активы (rabakt)

кредиты, выданные коммерческим организациям (kredkommorg)

собственный капитал (sobkap)

фактическая прибыль (factprib)

средства юридических лиц (srurlits)

 средства частных лиц (srchlits)

уставной фонд (ustfond)

суммарные обязательства (sumobaz)

обязательства до востребования (obazdovos)

средства бюджетных организаций (srbudjetorg)

привлеченные средства других банков (privsrdrbank)

Построение модели.

Ожидания относительно знаков коэффициентов параметров на основе эмпирико-логических соображений:

ожидаемые знаки коэффициентов

sobkap

+

privsrdrbank

-

likvakt

+

sumobaz

+

rabakt

+

obazdovos

-

kredkommorg

-

chakt

+

srurlits

+

ustfond

+

srchlits

+

nadc nadd

+

kredkart

+

nadb

 +

nada

+

nadd

 -

Сначала следует рассмотреть модель, в которую включены все регрессоры:

FACTPRIB CHASTN CHAKT C KREDKART KREDKOMMORG LIKVAKT NADA NADB NADC OBAZDOVOS PRIVSRDRBANK RABAKT SOBKAP SRBUDJETORG SRCHLITS SRURLITS SUMOBAZ URID USTFOND

Dependent Variable: FACTPRIB

Method: Least Squares

Date: 05/11/06   Time: 14:26

Sample: 1 188

Included observations: 188

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

CHASTN

-38562.44

403146.5

-0.095654

0.9239

CHAKT

0.000390

0.017444

0.022374

0.9822

C

-31031.80

455112.7

-0.068185

0.9457

KREDKART

-126509.7

122003.9

-1.036931

0.3012

KREDKOMMORG

-0.043066

0.010004

-4.304699

0.0000

LIKVAKT

-0.058559

0.024442

-2.395787

0.0177

NADA

155861.6

237730.7

0.655623

0.5130

NADB

37945.04

224776.6

0.168812

0.8661

NADC

24925.58

218431.4

0.114112

0.9093

OBAZDOVOS

0.021043

0.011016

1.910313

0.0578

PRIVSRDRBANK

0.011666

0.015564

0.749547

0.4546

RABAKT

-0.000148

0.012834

-0.011567

0.9908

SOBKAP

0.529484

0.042067

12.58669

0.0000

SRBUDJETORG

-0.008079

0.017182

-0.470193

0.6388

SRCHLITS

0.003690

0.020046

0.184087

0.8542

SRURLITS

-0.034925

0.017205

-2.029897

0.0439

SUMOBAZ

0.000706

0.002675

0.263889

0.7922

URID

-17825.14

402456.1

-0.044291

0.9647

USTFOND

-0.403681

0.038156

-10.57969

0.0000

R-squared

0.667580

    Mean dependent var

378819.5

Adjusted R-squared

0.632174

    S.D. dependent var

703430.8

S.E. of regression

426621.2

    Akaike info criterion

28.86077

Sum squared resid

3.08E+13

    Schwarz criterion

29.18785

Log likelihood

-2693.912

    F-statistic

18.85515

Durbin-Watson stat

2.081729

    Prob(F-statistic)

0.000000

Ожидания в отношении знаков коэффициентов подтвердились только для следующих параметров: SOBKAP, NADA, NADB, KREDKOMMORG, SUMOBAZ, CHAKT. Модель показывает, что собственный капитал банка важен для получения высокой прибыли; кредиты, выданные коммерческим организациям, снижают фактическую прибыль (средства, направленные на выдачу кредитов, поступают за счет сокращения прибыли в текущем периоде).

В целом же модель неудачная,   и  довольно малы, значение F-статистики тоже не большое. В этой модели 13 из 19 регрессоров незначимы. Велико значение Sum squared resid (3.08E+13) и стандартных ошибок модели (426621.2).

Проверим модель на гетероскедастичность:

White Heteroskedasticity Test:

F-statistic

5.439868

    Probability

0.000000

Obs*R-squared

95.81897

    Probability

0.000000

Тест Уайта no cross terms показывает, что гипотеза о гомоскедастичности принимается с вероятностью 0% т.е. отвергается, тем самым говоря о наличие гетероскедастичности.

Для улучшения модели надо исключить некоторые незначимые переменные: CHASTN, CHAKT, RABAKT, PRIVSRDRBANK, NADA, NADB, NADC, SUMOBAZ.

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

-37696.29

75414.85

-0.499852

0.6178

KREDKART

-142891.6

117257.7

-1.218612

0.2246

KREDKOMMORG

-0.038125

0.006146

-6.202821

0.0000

LIKVAKT

-0.075415

0.018988

-3.971669

0.0001

OBAZDOVOS

0.028094

0.008035

3.496584

0.0006

SOBKAP

0.545392

0.035577

15.33007

0.0000

SRBUDJETORG

-0.003419

0.001680

-2.035163

0.0433

SRCHLITS

0.000826

0.014256

0.057910

0.9539

SRURLITS

-0.034634

0.009259

-3.740397

0.0002

URID

27537.09

91438.25

0.301155

0.7636

USTFOND

-0.420058

0.032421

-12.95644

0.0000

R-squared

0.659513

    Mean dependent var

378819.5

Adjusted R-squared

0.640277

    S.D. dependent var

703430.8

S.E. of regression

421896.1

    Akaike info criterion

28.79963

Sum squared resid

3.15E+13

    Schwarz criterion

28.98900

Log likelihood

-2696.166

    F-statistic

34.28444

Durbin-Watson stat

2.050497

    Prob(F-statistic)

0.000000

  и  уменьшились незначительно, зато значение F-статистики увеличилось вдвое. Стандартные ошибки почти не  изменились.

White Heteroskedasticity Test:

F-statistic

7.432828

    Probability

0.000000

Obs*R-squared

83.06950

    Probability

0.000000

Тест Уайта по-прежнему показывает наличие гетероскедастичности.           

Очевидно, что дальше исключать переменные бессмысленно и следует построить полулогарифмические и логарифмические модели.

Логарифмическая модель:

Даже если судить по графику, доказывающему однородность данных, видно, что эту выборку лучше отражает логарифмическая модель. Вернем в модель все исключенные регрессоры.

log(FACTPRIB) C log(CHAKT) CHASTN KREDKART log(KREDKOMMORG) log(LIKVAKT) NADA NADB NADC  log(OBAZDOVOS) log(PRIVSRDRBANK) log(RABAKT) log(SOBKAP) log(SRBUDJETORG) log(SRCHLITS) log(SRURLITS) log(SUMOBAZ) URID log(USTFOND)

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

-5.860698

2.403132

-2.438775

0.0168

LOG(CHAKT)

0.009676

0.818880

0.011816

0.9906

CHASTN

0.794260

0.914271

0.868736

0.3874

KREDKART

-0.353906

0.260594

-1.358074

0.1780

LOG(KREDKOMMORG)

-0.649195

0.243334

-2.667920

0.0091

LOG(LIKVAKT)

0.105788

0.149088

0.709568

0.4799

NADA

1.040718

0.587033

1.772844

0.0798

NADB

1.198949

0.557710

2.149770

0.0344

NADC

0.670819

0.527920

1.270682

0.2073

LOG(OBAZDOVOS)

-0.206006

0.252990

-0.814285

0.4178

LOG(PRIVSRDRBANK)

-0.017250

0.044849

-0.384634

0.7015

LOG(RABAKT)

0.295992

0.605443

0.488884

0.6262

LOG(SOBKAP)

1.136590

0.280941

4.045649

0.0001

LOG(SRBUDJETORG)

-0.019563

0.027180

-0.719778

0.4736

LOG(SRCHLITS)

0.105197

0.146548

0.717831

0.4748

LOG(SRURLITS)

0.301929

0.301222

1.002349

0.3190

LOG(SUMOBAZ)

0.179709

0.427042

0.420822

0.6749

URID

0.439510

0.907740

0.484181

0.6295

LOG(USTFOND)

-0.134627

0.077598

-1.734922

0.0864

R-squared

0.758589

    Mean dependent var

11.91081

Adjusted R-squared

0.707466

    S.D. dependent var

1.371162

S.E. of regression

0.741612

    Akaike info criterion

2.403663

Sum squared resid

46.74897

    Schwarz criterion

2.886773

Log likelihood

-105.9905

    F-statistic

14.83869

Durbin-Watson stat

2.210531

    Prob(F-statistic)

0.000000

Эта модель заметно лучше двух предыдущих. Значения  и  высоки. Резко снизились значения стандартных ошибок. При этом при переходе к логарифмическому варианту стали значимы параметры NADB и NADA (близок к надежному уровню). У всех регрессоров низки их среднеквадратические ошибки.

Попробуем улучшить модель 3, убирая незначимые переменные.

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

-5.851245

2.251837

-2.598432

0.0110

LOG(CHAKT)

0.567572

0.310173

1.829855

0.0706

KREDKART

-0.362751

0.256686

-1.413214

0.1611

LOG(KREDKOMMORG)

-0.590479

0.168095

-3.512759

0.0007

LOG(LIKVAKT)

0.033848

0.133881

0.252823

0.8010

NADA

0.986436

0.551014

1.790218

0.0768

NADB

1.182327

0.506423

2.334661

0.0218

NADC

0.664920

0.485634

1.369181

0.1744

LOG(OBAZDOVOS)

-0.170145

0.213904

-0.795424

0.4285

LOG(PRIVSRDRBANK)

-0.033436

0.042468

-0.787321

0.4332

LOG(SOBKAP)

1.103629

0.266809

4.136404

0.0001

LOG(SRBUDJETORG)

-0.012144

0.024270

-0.500383

0.6180

LOG(SRCHLITS)

0.235952

0.095926

2.459730

0.0158

LOG(SRURLITS)

0.122124

0.199038

0.613573

0.5411

LOG(USTFOND)

-0.126844

0.075840

-1.672528

0.0979

R-squared

0.753058

    Mean dependent var

11.91081

Adjusted R-squared

0.714213

    S.D. dependent var

1.371162

S.E. of regression

0.733010

    Akaike info criterion

2.349391

Sum squared resid

47.81997

    Schwarz criterion

2.730794

Log likelihood

-107.1683

    F-statistic

19.38634

Durbin-Watson stat

2.099624

    Prob(F-statistic)

0.000000

Некоторые параметры не были значимы ни в одной из 4-х моделей, так что их можно исключить из рассматриваемой модели. Очевидно, что ориентация банка на обслуживание определенных групп клиентов (URID, CHASTN, BUDJET) и величина суммарных обязательств не отражается на прибыли.

Проверим модель на гетероскедастичность:

White Heteroskedasticity Test:

F-statistic

1.551641

    Probability

0.075856

Obs*R-squared

33.31828

    Probability

0.097534

Тест Уайта показывает, что с вероятностью 7,5% гипотеза о гомоскедастичности принимается. В этой модели опять присутствует гетероскедастичность.

Полулогарифмическая модель:

LOG(FACTPRIB) C CHAKT KREDKART KREDKOMMORG LIKVAKT NADA NADB NADC OBAZDOVOS PRIVSRDRBANK RABAKT SOBKAP SRBUDJETORG SRCHLITS SRURLITS SUMOBAZ USTFOND

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

10.65427

0.454848

23.42379

0.0000

CHAKT

6.59E-08

3.54E-08

1.860021

0.0646

KREDKART

-0.089389

0.250501

-0.356840

0.7216

KREDKOMMORG

-3.05E-08

1.87E-08

-1.625173

0.1060

LIKVAKT

-9.53E-08

4.57E-08

-2.083041

0.0387

NADA

1.455838

0.498505

2.920411

0.0040

NADB

1.020678

0.477091

2.139378

0.0338

NADC

0.215731

0.463742

0.465195

0.6424

OBAZDOVOS

1.06E-08

2.07E-08

0.510300

0.6105

PRIVSRDRBANK

5.96E-09

3.27E-08

0.182004

0.8558

RABAKT

-5.15E-08

2.37E-08

-2.172894

0.0312

SOBKAP

5.80E-07

8.89E-08

6.527722

0.0000

SRBUDJETORG

4.47E-08

2.94E-08

1.523607

0.1294

SRCHLITS

-6.83E-09

3.64E-08

-0.187774

0.8513

SRURLITS

-8.05E-08

3.60E-08

-2.234290

0.0268

USTFOND

-4.88E-07

7.55E-08

-6.463891

0.0000

R-squared

0.600377

    Mean dependent var

11.87388

Adjusted R-squared

0.565526

    S.D. dependent var

1.375794

S.E. of regression

0.906850

    Akaike info criterion

2.723586

Sum squared resid

141.4488

    Schwarz criterion

2.999028

Log likelihood

-240.0171

    F-statistic

17.22703

Durbin-Watson stat

2.002770

    Prob(F-statistic)

0.000000

Эта модель немного хуже предыдущей из-за уменьшившихся  и , но зато стандартные ошибки очень малы и количество незначимых параметров сократилось до пяти. Проверим модель на гетероскедастичность.

Тест Уайта:

White Heteroskedasticity Test:

F-statistic

0.670657

    Probability

0.884238

Obs*R-squared

18.37158

    Probability

0.861839

White Heteroskedasticity Test:

F-statistic

0.504944

    Probability

0.999452

Obs*R-squared

87.11601

    Probability

0.985155

 моь

Тест Уайта показал хорошие результаты: с вероятностью 88% (no cross terms) и 99,9% (cross terms) в модели отсутствует гетероскедастичность. Проведем другие тесты.

Тест Голдфелда-Квандта:

Сначала упорядочим выборку по величине собственного капитала. Возьмем первые 60 и последние 60 наблюдений и найдем их RSS.

Первые 60 наблюдений

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

9.478872

0.848203

11.17524

0.0000

CHAKT

6.32E-08

4.34E-07

0.145570

0.8851

KREDKART

0.036231

0.873700

0.041468

0.9672

KREDKOMMORG

-1.28E-07

2.32E-07

-0.551190

0.5851

LIKVAKT

-1.57E-07

4.19E-07

-0.375388

0.7097

OBAZDOVOS

1.80E-07

9.24E-08

1.945687

0.0600

PRIVSRDRBANK

2.84E-08

3.68E-07

0.077162

0.9389

RABAKT

8.19E-08

3.34E-07

0.245401

0.8076

SOBKAP

1.43E-06

1.19E-06

1.203372

0.2371

SRBUDJETORG

-1.00E-06

5.39E-07

-1.860638

0.0715

SRCHLITS

2.74E-07

3.45E-07

0.793853

0.4328

SRURLITS

4.06E-08

3.54E-07

0.114816

0.9093

USTFOND

-1.26E-06

8.64E-07

-1.460503

0.1533

R-squared

0.480953

    Mean dependent var

10.72953

Adjusted R-squared

0.251962

    S.D.dependent var

1.054286

S.E. of regression

0.911844

    Akaike info criterion

2.907641

Sum squared resid

28.26960

    Schwarz criterion

3.519488

Log likelihood

-56.69102

    F-statistic

2.100313

Durbin-Watson stat

1.641794

    Prob(F-statistic)

0.036209

Последние 60 наблюдений.

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

8.188369

0.668328

12.25203

0.0000

CHAKT

6.28E-07

3.52E-07

1.786155

0.0805

KREDKART

-0.193628

0.722050

-0.268164

0.7897

KREDKOMMORG

-1.46E-07

1.50E-07

-0.972834

0.3356

LIKVAKT

-6.09E-08

3.69E-07

-0.164867

0.8698

OBAZDOVOS

-8.61E-08

2.08E-07

-0.413992

0.6808

PRIVSRDRBANK

-9.58E-08

3.17E-07

-0.302349

0.7637

RABAKT

-4.60E-08

2.44E-07

-0.188680

0.8512

SOBKAP

7.02E-07

3.16E-07

2.223895

0.0310

SRBUDJETORG

-2.78E-07

5.73E-07

-0.485100

0.6299

SRCHLITS

4.39E-08

3.04E-07

0.144302

0.8859

SRURLITS

3.53E-08

2.63E-07

0.134035

0.8939

USTFOND

-4.27E-07

3.39E-07

-1.258141

0.2146

R-squared

0.624625

    Mean dependent var

10.97100

Adjusted R-squared

0.528785

    S.D. dependent var

1.177533

S.E. of regression

0.808319

    Akaike info criterion

2.601416

Sum squared resid

30.70884

    Schwarz criterion

3.055191

Log likelihood

-65.04249

    F-statistic

6.517345

Durbin-Watson stat

1.680326

    Prob(F-statistic)

0.000001

RSS1=28.26960 и RSS2=30.70884

30.70884/28.26960=1,08628<

Тест Бреуша-Пагана

Сначала надо сформировать в Excel вектор квадратов остатков    - объясняемая переменная.

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

-1.742633

0.205461

-8.481573

0.0000

CHAKT

5.06E-09

5.23E-08

0.096786

0.9230

KREDKART

-0.056200

0.557820

-0.100749

0.9199

KREDKOMMORG

2.59E-09

3.18E-08

0.081643

0.9350

LIKVAKT

5.68E-08

5.60E-08

1.014630

0.3117

OBAZDOVOS

1.01E-08

3.15E-08

0.320031

0.7493

PRIVSRDRBANK

1.79E-08

5.69E-08

0.314465

0.7535

RABAKT

1.30E-09

4.29E-08

0.030329

0.9758

SOBKAP

-7.73E-08

1.00E-07

-0.770216

0.4422

SRBUDJETORG

-1.43E-08

5.00E-08

-0.285660

0.7755

SRCHLITS

-7.37E-09

4.11E-08

-0.179269

0.8579

SRURLITS

-1.65E-08

4.77E-08

-0.345334

0.7303

USTFOND

1.58E-08

9.13E-08

0.173240

0.8627

R-squared

0.110353

    Mean dependent var

-1.745385

Adjusted R-squared

0.049349

    S.D. dependent var

2.368217

S.E. of regression

2.309043

    Akaike info criterion

4.578185

Sum squared resid

933.0438

    Schwarz criterion

4.801982

Log likelihood

-417.3494

    F-statistic

1.608940

Durbin-Watson stat

1.934784

    Prob(F-statistic)

0.049826

Полученное значение F-статистики и сравниваем его c табличным:

Тест Спирмена

Расчеты рангового коэффициента Спирмена между абсолютными величинами остатков и значениями величины собственного капитала банка приведены в прилагающейся таблице Excel.

Это значение больше чем 2,58, следовательно гипотеза об отсутствии гетероскедастичности отвергается при 1% уровне значимости.

Вывод 

Три теста из четырех показали отсутствие гетероскедастичности, из чего можно сделать вывод, что модель достаточно устойчива.

Теперь приведем гистограмму и основные статистики остатков модели.

 SHAPE  * MERGEFORMAT

0

5

10

15

20

25

-5.00

-3.75

-2.50

-1.25

0.00

1.25

2.50

Series: Residuals

Sample 1 188

Observations 179

Mean   

 1.21E-15

Median

-0.069035

Maximum

 3.128144

Minimum

-5.422778

Std. Dev. 

 1.164594

Skewness 

-0.483708

Kurtosis 

 4.819885

Jarque-Bera

 31.68207

Probability

 0.000000

Как мы видим, гипотеза о нормальности отвергается со 100% вероятностью. Так могло произойти в результате действия факторов, не учитывающихся в математической  модели, такие как репутация банка или большая известность.

Протестируем с помощью F-статистики гипотезу о том, что коэффициенты при NADB и  NADC равны:

Null Hypothesis:

C(6)=C(7)

F-statistic

29.46654

Probability

0.000000

Chi-square

29.46654

Probability

0.000000

Выясняется, что для банков с разными уровнями надежности нельзя применять одинаковые модели.

Интерпретация результатов

BUDJET

CHAKT

CHASTN

FACTPRIB

KREDKART

KREDKOMMORG

 Mean

 0.011173

 45416161

 0.234637

 943286.7

 0.111732

 20103364

 Median

 0.000000

 10558716

 0.000000

 149009.0

 0.000000

 4208453.

 Maximum

 1.000000

 2.24E+09

 1.000000

 41825923

 1.000000

 1.19E+09

 Minimum

 0.000000

 258986.0

 0.000000

 569.0000

 0.000000

 0.000000

 Std. Dev.

 0.105406

 1.94E+08

 0.424960

 3395582.

 0.315920

 92998103

 Skewness

 9.301145

 9.369413

 1.252387

 10.05142

 2.464911

 11.29334

 Kurtosis

 87.51130

 99.21153

 2.568474

 119.1300

 7.075786

 140.5772

 Jarque-Bera

 55849.53

 71658.19

 48.18166

 103598.5

 305.1590

 144972.4

 Probability

 0.000000

 0.000000

 0.000000

 0.000000

 0.000000

 0.000000

 Observations

179

179

179

179

179

179

LIKVAKT

NADA

NADB

NADC

NADD

OBAZDOVOS

PRIVSRDRBANK

 2597841.

 0.290503

 0.279330

 0.430168

 0.000000

 13826478

 10410316

 812688.0

 0.000000

 0.000000

 0.000000

 0.000000

 3206633.

 910095.0

 50530293

 1.000000

 1.000000

 1.000000

 0.000000

 4.91E+08

 9.51E+08

-12694.00

 0.000000

 0.000000

 0.000000

 0.000000

 72320.00

 0.000000

 6391327.

 0.455268

 0.449928

 0.496488

 0.000000

 52093055

 72084529

 5.284194

 0.922907

 0.983665

 0.282094

    NA  

 8.091847

 12.54730

 34.43145

 1.851757

 1.967597

 1.079577

    NA  

 71.95619

 163.7638

 8201.383

 35.24427

 36.81615

 29.88056

    NA  

 37417.48

 197457.4

 0.000000

 0.000000

 0.000000

 0.000000

NA

 0.000000

 0.000000

179

179

179

179

179

179

179

RABAKT

RESID

SOBKAP

SRBUDJETORG

SRCHLITS

SRURLITS

SUMOBAZ

 49591078

 1.96E-15

 5086118.

 12937186

 11736618

 11842079

 78545055

 7843825.

 0.020060

 1653120.

 198.0000

 1764168.

 3208298.

 10157921

 3.46E+09

 2.843090

 2.35E+08

 2.16E+09

 1.30E+09

 4.36E+08

 4.42E+09

 0.000000

-4.833148

 55417.00

 0.000000

 0.000000

 22728.00

 72410.00

 2.90E+08

 1.001457

 18743680

 1.61E+08

 97328387

 37860723

 4.39E+08

 10.29724

-0.566494

 10.69872

 13.24926

 13.08312

 8.583605

 8.986682

 115.0327

 5.577071

 128.3168

 176.6951

 173.7022

 90.92993

 84.26849

 96775.25

 59.10695

 120542.6

 230254.8

 222436.7

 59863.46

 51668.42

 0.000000

 0.000000

 0.000000

 0.000000

 0.000000

 0.000000

 0.000000

179

179

179

179

179

179

179

URID

USTFOND

 0.754190

 1662227.

 1.000000

 650000.0

 1.000000

 42137236

 0.000000

 1000.000

 0.431774

 4033349.

-1.180723

 7.118276

 2.394108

 64.45952

 44.32888

 29683.81

 0.000000

 0.000000

179

179

Таким образом, среднестатистический банк нашей модели это:

Банк с уровнем надежности С, имеющий уставной фонд в размере примерно 1,5 млрд. рублей, совокупный капитал которого превышает 5 млрд. рублей, занимающийся обслуживанием юридических лиц, и прибыль которого составляет 900 млн. рублей.

Распределение по уровням надежности выглядит следующим образом:

Ø  29% относятся к уровню А

Ø  28% к В

Ø  43% к С

Ø  доля банков, находящихся на грани банкротства (D) в выборке очень мала

Кредитные карты выпускает только 11% банков и, как мы убедились, это не оказывает на величину прибыли существенного влияния.

Разберем элемент корреляционной матрицы, демонстрирующий взаимосвязь между некоторыми регрессорами и прибылью банка:

BUDJET

CHAKT

CHASTN

FACTPRIB

BUDJET

 1.000000

 0.302430

-0.058856

 0.015638

CHAKT

 0.302430

 1.000000

 0.056159

 0.867114

CHASTN

-0.058856

 0.056159

 1.000000

 0.041274

FACTPRIB

 0.015638

 0.867114

 0.041274

 1.000000

KREDKART

-0.037700

 0.237967

-0.028988

 0.231355

KREDKOMMORG

 0.092339

 0.948963

 0.078933

 0.936808

LIKVAKT

 0.395387

 0.739397

-0.039793

 0.619686

NADA

 0.166123

 0.277850

-0.209105

 0.291487

NADB

-0.066179

-0.086414

 0.066644

-0.086220

NADC

-0.092358

-0.176471

 0.131350

-0.189153

OBAZDOVOS

 0.504815

 0.952650

 0.019641

 0.732387

PRIVSRDRBANK

 0.688888

 0.545719

-0.053954

 0.152520

RABAKT

 0.626489

 0.803419

-0.000526

 0.461946

RESID

-0.017407

 4.01E-15

 0.038962

 0.127820

SOBKAP

 0.022119

 0.906109

 0.054888

 0.945773

SRBUDJETORG

 0.720894

 0.450324

-0.040976

 0.039138

SRCHLITS

-0.007118

 0.871539

 0.138130

 0.922463

SRURLITS

 0.004718

 0.871707

 0.019779

 0.916901

SUMOBAZ

 0.457713

 0.961291

 0.051250

 0.741047

URID

-0.186195

-0.129103

-0.969851

-0.044440

USTFOND

-0.008173

 0.203648

-0.146909

 0.172161

По таблице видно, что существует значительная взаимосвязь между объемом средств, привлеченных от граждан и коммерческих организаций с величиной прибыли банка. Это вполне логично. Интереснее тот факт, что бюджетные организации вкладывают средства в банки с низкой прибылью. Эта ситуация объясняется тем, что для бюджетных организаций надежность банка важнее его доходности, а высокую доходность обычно приносят рискованные операции.

Выглядит вполне логичным, что банки занимающиеся инвестированием коммерческих организаций мало привлекают граждан. Об этом свидетельствует сильная отрицательная корреляция.

Прибыль находится в тесной зависимости с величиной собственного капитала и чистыми активами банка – большие резервы позволяют банку совершать рискованные, но прибыльные инвестиции.

При этом величина ликвидных активов слабо связана с размером прибыли – средства, хранящиеся в ликвидной форме, нельзя направлять на инвестиции и, следовательно, получать с них доход.

Интерпретация коэффициентов оптимальной модели (полулогарифмической)

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

10.65427

0.454848

23.42379

0.0000

CHAKT

6.59E-08

3.54E-08

1.860021

0.0646

KREDKART

-0.089389

0.250501

-0.356840

0.7216

KREDKOMMORG

-3.05E-08

1.87E-08

-1.625173

0.1060

LIKVAKT

-9.53E-08

4.57E-08

-2.083041

0.0387

NADA

1.455838

0.498505

2.920411

0.0040

NADB

1.020678

0.477091

2.139378

0.0338

NADC

0.215731

0.463742

0.465195

0.6424

OBAZDOVOS

1.06E-08

2.07E-08

0.510300

0.6105

PRIVSRDRBANK

5.96E-09

3.27E-08

0.182004

0.8558

RABAKT

-5.15E-08

2.37E-08

-2.172894

0.0312

SOBKAP

5.80E-07

8.89E-08

6.527722

0.0000

SRBUDJETORG

4.47E-08

2.94E-08

1.523607

0.1294

SRCHLITS

-6.83E-09

3.64E-08

-0.187774

0.8513

SRURLITS

-8.05E-08

3.60E-08

-2.234290

0.0268

USTFOND

-4.88E-07

7.55E-08

-6.463891

0.0000

R-squared

0.600377

    Mean dependent var

11.87388

Adjusted R-squared

0.565526

    S.D. dependent var

1.375794

S.E. of regression

0.906850

    Akaike info criterion

2.723586

Дадим интерпретацию каждому из значимых показателей (влияние каждого из них на цену при фиксированных остальных):

Ø  Коэффициент CHAKT говорит о том, что при увеличении чистых активов на 100 млн. рублей, прибыль возрастет на 6,6%.

Ø  Увеличение ликвидных активов (LIKVAKT) на 100 млн. сопровождается падением прибыли на 9,5%

Ø  Банк, направивший 100 млн. к работающим активам (RABAKT) потеряет в текущем периоде 5,1% прибыли

Ø  Увеличение собственного капитала на 10 млн. приносит банку 5,8% прибыли

Ø  Увеличение вложений со стороны юридических лиц на 100 млн. уменьшает прибыль банка на 8%

Ø  Уровни надежности тоже влияют по-разному, но совершенно логично: Пусть у нас есть базовый уровень – D. Тогда C по сравнению с нашим базовым уровнем увеличивает прибыль на 21,5%, принадлежность к B-уровню – на  102%,  к А – 145,5%.

В итоге лучшей моделью была признана полулогарифмическая модель. Решающими для этого стали такие факторы, как:

Ø значимость большинства регрессоров в модели кроме нескольких незначимых, удаление которых из модели ухудшает ее характеристики

Ø устойчивость модели

Ø хорошие характеристики данной модели, в т.ч.   и , F-статистика, ESS

Ø хорошая интерпретация модели для большинства показателей