Дипломная работа: Комплексная характеристика и оценка составляющих модели комплаенс-риска банка в области расчетно-кассового обслуживания (на примере АО Тинькофф Банк)

$780.000.000 были уплачены в феврале 2009 года швейцарским банком ЦВ8 АО в бюджет США в добровольном порядке за прекращение судебного преследования по делу об оказанном банком содействии своим клиентам в нарушении налогового законодательства. При этом такое нарушение было не просто известно руководству банка, но и прямо одобрено им.

$500.000.000 были выплачены в бюджет США в мае 2010 года нидерландским банком ЛБК ЛМКО N. V. в связи с раскрытием незаконных мошеннических финансовых схем, направленных на обход императивных предписаний, а также за нарушение закона о банковской тайне. Следование подходу, основанному на анализе рисков, позволит своевременно выявить имеющуюся проблему, провести анализ возможностей по минимизации рисков, предпринять необходимые действия для защиты банка от указанных рисков.

Для апробации построенной модели предлагаются следующие сектора реальной экономики:

Таблица 13 Сектора экономики и их краткая характеристика (составлена автором)

Далее представим выбранные предприятия каждого названного сектора экономики, которое будет подвергнуто тестированию.

Таблица 14 Сектора экономики и выбранные для анализа компании (составлена автором)

Глава 3. Тестирование и отладка предлагаемой модели на выбранных секторах реальной экономики на примере комплаенс-политики в области РКО АО "Тинькофф Банк” в динамике

3.1 Проверка переменных модели на силу и качество и результаты тестирования

Формирование данных для эмпирического исследования проводилось с учетом способа их последующего оценивания при моделировании решения об открытии либо отказе в открытии банковского счета. В данной работе для расчета межбинарного коэффициента (далее - Коэффициент решения) была использована logit-модель.

Коэффициент решения с использованием logit-модели рассчитывается следующим образом:

Е(рА, БА > 0) = (ФССП РФ * 0,05) + (Судебная переменная * 0,1) + (ФНС РФ * 0,1) + (Репутация * 0,2) + (ЦБ РФ и Росфинмониторинг * 0,2) + (Очное интервью * 0, 35),

Заменим переменные на инструментальное обозначение:

• ФССП РФ - Y

• Судебная переменная - В

• ФНС РФ - А

• Репутация - Z

• ЦБ и Росфинмониторинг - X

• Очное интервью - W.

Тогда модель принимает следующий вид:

При таком подходе и описанных предпосылках коэффициент решения не может выходить за рамки отрезка [0 > Л < 3,125], а также предполагается линейность зависимости коэффициента от используемых объясняющих факторов.

В случае логистической модели функциональная часть имеет вид:

Х((2 * 0,05) + (5 * 0,1) + (Л * 0,1) + (2 * 0,2) + (X * 0,2) + (Ж * 0,35))

Для оценки моделей применяется метод максимального правдоподобия. В качестве оценки вектора коэффициентов принимается такой вектор, для которого наблюдение имеющихся значений коэффициента решения максимально:

при том, что выборка состоит из /наблюдений коэффициента решения> 0 и ж наблюдений > 3,125.

Тогда искомый вектор находится из следующей задачи:

Как уже было сказано, можно наблюдать множество состояний коэффициента решения внутри известного интервала. Для причисления потенциального клиента к одному из классов вводится ненаблюдаемая переменная link*. Эта переменная считается непрерывной и определяется моделью:

Предсказание состояния коэффициента решения определяется моделью по следующему правилу:

,

где критерий разделения классов «л» задаётся пользователем модели.

Первичный отбор и очистка объясняющим переменных

Смысловая и статистическая очистка. Информационно - аналитическая система «Корпорации и финансы» АО «Тинькофф Банк» включает 6 заявленных показателей, определяемых на основе РСБУ публичных и непубличных коммерческих организаций и личных бесед с собственниками компаний. В то же время не все показатели на протяжении анализируемого временного интервала представлены в базе на презентативном уровне.

Кроме того, для построения модели лучше использовать не сами выбранные индикаторы, а некоторые производные от них. В этой связи первоначально был сформирован набор возможных объясняющих переменных для построения модели коэффициента выбора. Выбор объясняющих переменных осуществлен исходя из возможности базы, накопленного в других исследованиях опыта на основе анализа, представленного выше, а также анализа объясняющих возможностей соответствующих переменных статистическими методами.

Очистка данных была проведена в несколько этапов. На первом этапе отсеивались явные ошибки (ввода или измерения): были удалены наблюдения с отрицательными значениями по переменным: Судебная переменная, ФССП РФ, ФНС РФ, ЦБ РФ и Росфинмониторинг.

Затем по каждой из относительных переменных были удалены наблюдения, содержащие статистические выбросы, причем только для компаний, явно скрывающих сведения о бенефициарных владельцах.

Например, удаление отрицательных наблюдений для переменной СА предполагает удаление отрицательных значений по переменным ФНС (У) с лагами от 1 до 3,125, т. е. для переменных, далее обозначаемых как Y_ Y_ Y_ … Y_125.

Тест на разделительную способность (ANOVA-тест). Для предварительного формирования и очистки объясняющих переменных применительно к модели коэффициента выбора был проведен тест на разделяющую способность переменных (АNОVА-тест). Чтобы воспользоваться данным тестом, были сформированы средние значения количественных и качественных показателей по группам функционирующих и заявивших о недостоверности предоставленной информации клиентов.

Основной смысл ЛКОУЛ-теста заключается в том, чтобы выделить те переменные, для которых средние значения по секторам экономики статистически отличаются. Затем среди переменных с высокой разделяющей способностью были выявлены и отсеяны те, по которым имеется недостаточное или не равномерно распределенное количество наблюдений на протяжении 2014-2017 гг. Результаты данного теста приведены в табл. 15.

Таблица 15 Группировка отобранных переменных (составлена автором)

Исследование парных корреляций отобранных переменных. А при рассмотрении парных корреляций отобранных переменных в парах переменных, имеющих потенциально близкий экономический смысл, была выбрана одна из них. При этом не исключалось, что при необходимости в эконометрической модели будет опробована и статистически связанная переменная, если первая окажется незначимой.

Таблица 16 Характеристики базы АО «Тинькофф Банк» (составлена автором)

В работе в качестве максимально допустимого уровня связанности между объясняющими переменными был принят уровень корреляции, равный 0,3. Для сохранения сильно коррелированных переменных, не имеющих ярко выраженной экономической связи, были предприняты попытки перехода к логарифмическому масштабу (использование не самой относительной переменной, а ее логарифма).

Таблица 17 Результаты теста автоматического выбора переменных (составлена автором)

Примечание. Заштрихованы номера переменных, обладающие высокой разделяющей способностью. Переменные, по которым имеется достаточное разделение, но недостаточное или неравномерно распределенное во времени количество наблюдений, помечены звездочкой.

По итогам первичной апробации модели коэффициента выбора в пределах имеющейся выборки компаний-объектов наблюдаем следующую картину распределение переменного ЭЛ в динамике.

Таблица 18 Результаты тестирования БА-коэффициента на ретро-данных (составлена автором)

3.2 SWOT-анализ и аналитическая отладка (гармонизация) предлагаемой модели, окончательное оформление и тестирование предлагаемой модели на экстраполируемом участке

Для того чтобы понять природу уязвимости предложенной модели, её «узкие » места и степень предсказательной силы, проведём краткий SWOT- анализ по ней, после чего тезисно охарактеризуем некоторые нюансы.

Финально отлаженная модель коэффициента выбора будет выглядеть так.

Исходя из имеющихся ретро-данных и вновь настроенной после гармонизации переменных модели, анализируемые клиенты АО «Тинькофф Банк» будут иметь следующие потенциальные коэффициенты решений на горизонте 2018-2020 годов.

Таблица 19-анализ модели коэффициента решения (составлена автором)