Вероятность дефолта

Вероятность дефолта (англ. Probability of Default, PD) — это финансовая метрика, оценивающая вероятность того, что заёмщик (физическое лицо, компания или государство) не сможет выполнить свои долговые обязательства в установленный срок или в течение определённого периода (как правило, одного года). Вероятность дефолта является ключевым компонентом в моделях кредитного риска и используется банками, рейтинговыми агентствами и инвесторами для оценки надёжности контрагента, ценообразования кредитов и определения требований к капиталу.

История возникновения и развития

Понятие вероятности дефолта сформировалось в XX веке в связи с ростом объёмов кредитования и необходимостью количественной оценки рисков. До середины XX века оценка кредитоспособности основывалась преимущественно на качественном анализе — репутации заёмщика, личных связях и интуиции банкира. Первые попытки математической оценки риска дефолта предпринял в 1968 году американский экономист Эдвард Альтман, разработавший Z-счёт — многомерную дискриминантную модель, предсказывающую банкротство компаний на основе финансовых коэффициентов. Эта модель стала прототипом современных методов расчёта PD.

С 1970-х годов, с развитием портфельной теории и появлением рынка деривативов, вероятность дефолта стала центральным элементом в моделях кредитного риска. В 1997 году компания J.P. Morgan представила методологию CreditMetrics, которая впервые позволила оценивать не только ожидаемые, но и неожиданные потери портфеля, напрямую связанные с PD. В 2004 году Базельский комитет по банковскому надзору (Базель II) официально закрепил вероятность дефолта как один из трёх основных параметров кредитного риска наряду с потерями при дефолте (Loss Given Default, LGD) и величиной риска при дефолте (Exposure at Default, EAD). С этого момента расчёт PD стал обязательным для банков, применяющих продвинутые подходы к оценке достаточности капитала.

Методы оценки вероятности дефолта

Исторический подход (на основе статистики дефолтов)

Наиболее простой метод — вычисление частоты дефолтов за прошедшие периоды для однородной группы заёмщиков. Например, если за последние 10 лет из 1000 компаний малого бизнеса обанкротились 20, то историческая PD для этой группы составляет 2% (20/1000). Данный подход применяется для портфелей с большим количеством однотипных заёмщиков, где статистика достаточно репрезентативна.

Модели на основе финансовых коэффициентов

Классическим примером является Z-счёт Альтмана, который рассчитывается по формуле: Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 1.0 * X5, где X1 — оборотный капитал / активы, X2 — нераспределённая прибыль / активы, X3 — прибыль до уплаты процентов и налогов / активы, X4 — рыночная стоимость собственного капитала / обязательства, X5 — выручка / активы. Если Z < 1.81, компания считается высокорисковой, и PD оценивается как высокая. В России для оценки вероятности дефолта малых и средних предприятий используется модифицированная модель Альтмана, адаптированная к специфике национальной отчётности.

Рыночные модели

Для публичных компаний и суверенных заёмщиков PD часто оценивается на основе рыночных данных. Используются кредитные спреды по облигациям (разница между доходностью корпоративной и безрисковой облигации) или цены кредитно-дефолтных свопов (CDS). Модель Мертона (1974) предполагает, что дефолт наступает, когда стоимость активов компании падает ниже определённого порога (суммы долга). PD в этой модели рассчитывается как вероятность того, что стоимость активов опустится ниже порога за заданный период. Данный подход широко применяется на развитых рынках, но ограничен в России из-за низкой ликвидности рынка корпоративных облигаций и CDS.

Рейтинговые оценки

Международные рейтинговые агентства (S&P, Moody's, Fitch) и российское агентство АКРА присваивают эмитентам долговых обязательств рейтинги, которые напрямую связаны с вероятностью дефолта. Например, по шкале S&P рейтинг AAA соответствует ожидаемой PD менее 0.01% в год, а рейтинг C — PD более 50%. Для российских компаний, не имеющих международных рейтингов, часто используются оценки АКРА или «Эксперт РА», которые также имеют собственную шкалу соответствия PD.

Модели машинного обучения

С 2010-х годов в банках внедряются модели на основе градиентного бустинга (XGBoost, CatBoost) и нейронных сетей. Такие модели обрабатывают сотни признаков — от финансовых коэффициентов до поведенческих характеристик (частота просрочек, использование кредитных лимитов) и позволяют получать PD в реальном времени. В России подобные модели активно используются Сбербанком, ВТБ и Т-Банком для скоринга физических лиц и малого бизнеса.

Факторы, влияющие на вероятность дефолта

Макроэкономические факторы

• Темпы роста ВВП страны: в периоды рецессии PD для всех категорий заёмщиков возрастает.
• Уровень безработицы: рост безработицы увеличивает PD физических лиц.
• Ключевая ставка Центрального банка: при её повышении стоимость обслуживания долга растёт, что повышает PD для заёмщиков с плавающими ставками.
• Инфляция: высокая инфляция снижает реальные доходы заёмщиков и увеличивает PD.

Микроэкономические факторы (для компаний)

• Финансовое состояние: долговая нагрузка (отношение долга к EBITDA), рентабельность, ликвидность.
• Отраслевая принадлежность: компании в циклических отраслях (строительство, металлургия) имеют более высокую PD, чем в стабильных (энергетика, фармацевтика).
• Качество управления и корпоративная структура.

Факторы для физических лиц

• Кредитная история: наличие просрочек в прошлом значительно повышает PD.
• Уровень дохода и долговая нагрузка (отношение ежемесячных платежей по кредитам к доходу).
• Социально-демографические характеристики: возраст, профессия, регион проживания.

Применение в банковской практике

В соответствии с требованиями Банка России, кредитные организации, применяющие подход на основе внутренних рейтингов (ПВР), обязаны рассчитывать PD для каждого заёмщика. PD используется для:

1. Расчёта ожидаемых потерь (EL) — произведение PD, LGD и EAD. Этот показатель закладывается в резервы на возможные потери по ссудам.
2. Ценообразования кредитов — чем выше PD, тем выше процентная ставка для заёмщика, чтобы компенсировать риск банка.
3. Оценки достаточности капитала — по формуле Базеля III капитал под риском рассчитывается на основе PD, LGD и EAD.
4. Управления кредитным портфелем — банки устанавливают лимиты на концентрацию заёмщиков с высокой PD.

Критика и ограничения

Основная критика вероятности дефолта как метрики связана с её статичностью: PD рассчитывается на определённую дату и не учитывает внезапные шоки (например, пандемию COVID-19 или резкое падение цен на нефть). Модели, основанные на исторических данных, часто недооценивают риск в периоды экономического подъёма и переоценивают его в кризис. Кроме того, для малого бизнеса и физических лиц в России статистика дефолтов не всегда репрезентативна из-за короткой истории кредитования и высокой доли теневой экономики. Существует также проблема калибровки моделей: разные банки могут получать разные PD для одного и того же заёмщика, что затрудняет сравнение рисков между организациями.

Интересные факты

• В 2023 году средняя вероятность дефолта для российских компаний с рейтингом «BBB» (по шкале АКРА) составляла около 0.5% в год, тогда как для компаний с рейтингом «B» — около 8%.
• Для физических лиц в России PD в потребительском кредитовании варьируется от 1-2% для заёмщиков с высоким доходом и идеальной кредитной историей до 30-40% для заёмщиков с просрочками и высоким уровнем долговой нагрузки.
• Модель Мертона, лежащая в основе рыночной оценки PD, была удостоена Нобелевской премии по экономике (Роберт Мертон, 1997), хотя сам автор подчёркивал, что модель применима только для компаний с рыночной оценкой активов.

Источники

• Альтман Э. «Финансовые коэффициенты, дискриминантный анализ и прогнозирование банкротства корпораций» (Journal of Finance, 1968).
• Мертон Р. «Ценообразование корпоративного долга: структура процентных ставок риска» (Journal of Finance, 1974).
• Базельский комитет по банковскому надзору. «Международная конвергенция измерения капитала и стандартов капитала: пересмотренный подход» (Базель II, 2004).
• Положение Банка России № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам» (2023).
• АКРА. «Методология присвоения кредитных рейтингов» (2022).