Коли запроваджували МСФЗ 9 «Фінансові інструменти», багато хто з банкірів радів гармонізації бухгалтерських і регуляторних вимог. Втім, ви наголошуєте, що одна з ключових категорій МСФЗ 9 — ймовірність дефолту — у цьому стандарті визначається не так, як за регуляторними правилами НБУ та Basel II. У чому відмінність?

А. П.: Дозвольте уточнити, що ми не претендуємо на якусь особливу думку з цього питання.

Ми користуємося загальновідомими підходами, тому, відповідаючи на це запитання, торкнемося лише деяких практичних аспектів гармонізації бухгалтерських і регуляторних методів оцінювання ймовірності дефолту позичальника (PD) в Україні.

Поговорімо про відомі загальні риси двох підходів. Ймовірність дефолту, звичайно, залежить від індивідуальних особливостей фінансового стану позичальника. Зрозуміло також, що PD слід визначати з урахуванням впливу макроекономічного середовища, що відображається так званими системними факторами ризику (курси валют, процентні ставки, безробіття, ВВП тощо).

Певний «водорозділ» між бухгалтерським і регуляторним поглядом на ризик обумовлений різними способами врахування залежності PD саме від системних факторів.

Для регуляторних цілей, як правило, використовують показник PD TTC (від англ. Through-the-cycle). Він, насамперед, відображає тенденцію кредитного ризику в довгостроковій перспективі. Тимчасові зміни кредитного ризику, що можуть спостерігатися з плином часу як результат дії системних факторів, згладжуються завдяки усередненню за таким системним впливом. Для розрахунку PD TTC регулятори зазвичай надають банкам стандартні моделі, що створені за багаторічною статистикою дефолтів1.

На відміну від цього, PD PIT (від англ. Point-in-Time) як показник кредитного ризику відображає вимоги МСФЗ 9. Цей показник залежить від зміни системних чинників, які очікуються в майбутньому. Показник PD PIT ретельно відстежує зміни системних факторів у часі (прогнозні), тому більш чутливий та волатильний, ніж PD TTC.

Зазначимо, що розмежування підходів для регуляторних цілей досить умовне (Базельський комітет з питань банківського нагляду виділяє поняття PIT та TTC для рейтингів починаючи з 2001 р.).

Виходить, що ймовірність дефолту позичальника, розрахована на різних базах оцінювання, може суттєво відрізнятися?

А. П.: Так, можна констатувати, що моделі TTC і PIT надають різні оцінки PD, оскільки вони по-різному «включають» у себе макроекономічні умови. Нижче проілюстровано теоретичну модель (зліва) та її практичний аналог для України (справа), який показує рух у часі PD PIT і ніби віддзеркалює тенденції змін ВВП як системного фактору.

Як можна пояснити механізм, що спричиняє відмінності між PD TTC та PIT?

А. П.: Для визначення PD TTC використовують історичну статистику дефолтів за досить тривалий час, що усереднює вплив системних факторів. Для показника PD PIT також використовують минулу статистику дефолтів. Але з іншою метою — розрахувати чутливість цього показника до системних змін в економіці (кількісні залежності PD від «поведінки» макроекономічних факторів).

Для оцінювання інструментів за МСФЗ спочатку прогнозують макроекономічні показники в часі, а потім за моделлю чутливості визначають відповідні ймовірності. Ця модель має переглядатися за ПНБУ № 642як мінімум один раз на рік. Проте навіть за незмінною моделлю на кожну звітну дату прогнозні PD PIT можуть бути різними на різні майбутні дати.

Таким чином, замість одного значення PD TTC з’являється багато — часовий ряд PD PIT з окремим значенням для кожного періоду погашення інструменту в майбутньому.

За МСФЗ 9 кожен такий часовий ряд має бути розрахований окремо в розрізі різних сценаріїв, що в рази збільшує кількість прогнозних значень. Генерування подібних сценаріїв та розрахунок ймовірностей їх настання — окреме завдання моделювання, яке також потребує обґрунтованого підходу.

Чи виправдана така складність розрахунків, адже є проста формула PD × LGD × EAD, що широко поширена для оцінки за МСФЗ 9 та ПНБУ № 351?

В. С.: Дійсно, цю формулу використовують для оцінювання кредитного ризику за ПНБУ № 351. Для оцінювання інструментів за МСФЗ 9 на 1-й стадії знецінення застосовують зовні подібну формулу, проте зміст параметрів кредитного ризику в ній дещо інший.

Більш складні підходи, про які йшлося вище, є певним математичним відображенням вимог стандарту щодо необхідності враховувати «всі можливі події дефолту» під час оцінювання ECL на lifetime.

Для цього випадку розрахункові формули очікуваних кредитних збитків, які використовують провідні аудиторські та консалтингові компанії, значно складніші.

Зокрема, у презентації PwC (2015) «IFRS 9 — Credit Modelling and Implementation» для розрахунку ECL запропоновано формулу:

Тут наочно відображені особливості, на яких ми наголошували: використано не тільки багатозначну «лінійку» ймовірностей дефолту PDt (PIT) замість одного значення PD TTC, а й плинні LGDt та експозицію EADt.

Усе це загалом відображає вплив у часі cпрогнозованих системних факторів на ймовірність дефолту та контрактний рух грошових потоків у часі, що змінює EADt.

Зверніть увагу також на SRt – 1: це ймовірність того, що позичальник «доживе» без дефолту до періоду t, в якому може статися дефолт із ймовірністю PDt. Ймовірність «дожиття» залежить одночасно від усіх значень ймовірностей PDτ, τ < t, визначених для попередніх періодів. Вони, у свою чергу, залежать від впливу системних факторів, тому необхідно розглядати всю «лінійку» PDt протягом терміну дії інструменту3.

Виходить, що за МСФЗ 9 для визначення параметрів кредитного ризику на 2-й стадії використовують суттєво складніший підхід, ніж за ПНБУ № 351, проте на 1-й стадії все досить просто «гармонізується» з регуляторним підходом PD × LGD × EAD?

В. С.: На жаль, зовнішня схожість формул досить оманлива. На нашу думку, саме така візуальна схожість формул слугувала підставою для окремих фахівців використати компоненти PD, LGD, EAD за ПНБУ № 351 для оцінювання фінансових інструментів за МСФЗ 9.

Щоби продемонструвати, в чому різниця, отримаємо спочатку формулу МСФЗ 9 для 1-ї стадії знецінення. Для цього скористаємося положеннями МСФЗ 9 щодо спрощеного визначення очікуваних кредитних збитків на 1-й стадії знецінення. Далі отримаємо результат простими тотожними математичними перетвореннями формули 2-ї стадії знецінення: де:

• wj — ймовірності реалізації певних макроекономічних сценаріїв j;
• PDj — ймовірність дефолту на PIT-основі;
• LGDj — відносні втрати в разі дефолту, що також за вимогами МСФЗ 9 мають відображати вплив макроекономічних системних параметрів.

Для отримання «регуляторної» формули PD × LGD × EAD спрощуємо отриману формулу ECL за такими «припущеннями»:

а) приведена вартість потоків від реалізації застави не залежить від стану економіки;
b) ймовірність дефолту не є чутливою до макроекономічного впливу, тобто не залежить від сценаріїв (використовується статистична оцінка, як для моделі TTC);
c) вартість грошей у часі не враховується.

У результаті отримуємо шукану «регуляторну» формулу:

Наскільки такий ланцюжок припущень (a) – (c) може бути обґрунтований професійним судженням щодо відповідності МСФЗ 9, вирішувати банку та його аудитору.

MacroFin 9™ тісно співпрацює з відомими аудиторськими компаніями В4–В7. Які головні сфери співпраці?

А. П.: Основна сфера взаємодії практично завжди — це підготовка аудиторського висновку для наших клієнтів, коли це стосується питань моделювання.

Але є й нестандартні випадки.

Наприклад, коли на вимогу міжнародної аудиторської компанії один із банків замовив незалежний перерахунок усіх значень PD PIT, які були розраховані раніше за внутрішньою методикою банку. Ми надали для вивчення аудиторами альтернативні результати розрахунку PD на різних базах оцінювання TTC та PIT за власними моделями. Сьогодні цей банк є нашим клієнтом та активно користується автоматизованою системою розрахунків ECL. Для нього також інтегрується автоматизована система оцінювання за TTC-моделями.

В іншому випадку, за бажанням одного з клієнтів, наші підходи та ІТ-рішення були піддані міжнародному аудиту процедур на відповідність МСФЗ 9.

Ваша колаборація з Інститутом прикладного системного аналізу НТУУ «КПІ ім. Ігоря Сікорського» забезпечує наукове обґрунтування висновків. Наскільки важливим є авторитет експертів із прикладного системного аналізу, коли ваші клієнти стикаються з проблемами під час перевірок контролюючих органів?

В. С.: На жаль, в Україні ми маємо справу з не до кінця сформованим професійним середовищем. За таких умов професійна «вага» фахівця часто визначається рівнем посади в контролюючому органі. Мабуть, тому ми поки не помітили впливу наукового авторитету експертів ІПСА КПІ під час здійснення перевірок.

Проте математичне моделювання з використанням статистичних тестів замість розгалужених та іноді внутрішньо суперечливих «професійних суджень», звичайно, допомагає.

Первинно метою колаборації з КПІ було намагання пройти шлях, традиційний для західної практики щодо імплементації вимог регуляторних органів. Він полягає в розробленні науковцями так званих стандартизованих моделей, які потім апробуються регуляторами ринку та впроваджуються в бізнесове середовище.

З цією метою ректор КПІ Михайло Згуровський підтримав нашу ініціативу. На базі Лабораторії системного аналізу фінансових ринків і Світового центру даних з геоінформатики та сталого розвитку започатковано проєкт «Стандартизовані моделі прогнозування економіки України в контексті вимог МСФЗ та регуляторних пакетів ЄС для фінансового сектору». Створено експертну раду із залученням найкращих науковців цього напряму.

На жаль, незважаючи на наші зусилля, ця ініціатива поки не знайшла відгуку в банківській спільноті та не отримала подальшого розвитку.

Володимире, біля витоків Вашого проєкту стояв знаменитий доктор фон Нітхаммер, який допомагав впроваджувати найкращий західний досвід математичного моделювання економічних процесів у вітчизняну практику. Чи дійсно ефективні західні моделі в наших умовах?

В. С.: Мені пощастило брати участь у проєкті Transform для України, про який Ви запитуєте, в далекому 1994 році. Проблема перенесення західних моделей в українські реалії, безумовно, існувала тоді й досі повністю не вирішена.

Наприклад, на сьогодні для цілей МСФЗ 9 іноді використовують модель Мертона для оцінювання ймовірностей дефолту. Але для її застосування ринок має бути в стані сильної ефективності (Ю. Фама). Проте перевірка цього припущення для України нам не траплялася, на відміну від самої моделі.

Проєкт Transform передбачав підготовку українських науковців для здійснення глибокої адаптації західних моделей і найкращої практики. Під керівництвом професора фон Райнера Нітхаммера готували своєрідну проміжну ланку науковців для запозичення західного досвіду. Тоді учасників проєкту навіть в офіційних документах називали «мультиплікаторами досвіду».

Завдяки цим напрацюванням протягом останніх 25 років, на нашу думку, вдалося майже «безшовно» імплементувати в українську практику основи математичного моделювання за МСФЗ. До речі, приблизний початок західних розробок у цьому напрямі датований 1984 роком.

В аналізі макроекономічних даних ви спираєтесь, зокрема, і на такі статистичні показники, як ВВП. Проте не секрет, що якість української офіційної статистики не надто висока. Яким чином ви долаєте цю проблему?

А. П.: Загалом ми спираємося на ті самі дані, які використовує МВФ відповідно до Спеціального стандарту поширення даних, до якого із січня 2003 року приєдналася Україна.

Проте проблеми, дійсно, існують. Скажімо, Нацбанк нещодавно запропонував банкам оновити моделі у зв’язку з кризою covid-19. А Держстат із 4 кварталу 2019 року раптово змінив цінову базу розрахунку реального ВВП. При цьому, звичайно, видаляються старі дані в процесі оприлюднення перерахунку за минулі періоди.

Подібні «рухи» статистики вимагають від користувачів певного досвіду та наявності власних баз даних для швидкого реагування.

Зараз економічне прогнозування дуже широко застосовують у практиці бухгалтерського обліку. Критично важливі показники фінзвітності базуються на оціночних судженнях менеджменту щодо майбутніх подій. У цьому підприємствам дуже допомогло б математичне моделювання. Але чи може математика в принципі давати задовільні результати під час прогнозування наслідків таких подій, як, наприклад, пандемія covid-19?

В. С.: Ваша правда, математика не є чарівним дзеркалом, у якому можна побачити майбутнє. У звичайних незбурених умовах математичні моделі більш-менш працюють. У кризу, дійсно, це спостерігається нечасто.

Погодьтеся, що управлінські рішення — завжди вибір між різними альтернативами.

Моделювання допомагає виробити певні альтернативи з урахуванням усвідомлених менеджментом факторів ризику.

На відміну від інтуїтивних рішень, що доволі часто внутрішньо суперечливі, моделі «вміють» систематизовано й несуперечливо накопичувати та опрацьовувати нову інформацію про мінливе економічне середовище.

Регуляторам модель надає вимірювальну основу для оцінювання дій менеджменту в мінливих умовах невизначеності та ризику.

На нашу думку, саме в цьому полягають переваги застосування моделей.

MacroFin 9™ концентрує увагу на виконанні вимог МСФЗ 9. Чи не плануєте ви розширити свою допомогу бухгалтерам і в інших сферах? Скажімо, у дотриманні приписів МСБО 36 «Зменшення корисності активів» чи МСФЗ 15 «Дохід від договорів з клієнтами»? Адже ці стандарти теж вимагають широкого застосування економічного прогнозування.

А. П.: Дійсно, досвід, напрацювання й деякі готові IT та алгоритмічні рішення дають можливість відносно легко, з мінімальними витратами інтегрувати моделі практично в будь-яку сферу застосування МСБО чи МСФЗ.

Але на сьогодні такої потреби з боку ринку ми не відчуваємо. Поки, як вище зазначено, учасники ринку, на нашу думку, задовольняються спрощеними підходами або схильні до тотального використання «експертних суджень» замість моделювання.