Прогнозування приходу грошових коштів на коррахунок банку останнім рейсом
Основною проблемою при управлінні ліквідністю є відсутність точної інформації про майбутній рух клієнтських засобів. Зазвичай банк не володіє цими даними, оскільки в більшості випадків цього не знають самі клієнти. Автором пропонується методика, що дозволяє спрогнозувати прихід грошових коштів на коррахунок кредитної організації останнім рейсом (при порейсової обробці платежів).
Для подолання невизначеності спробуємо застосувати імовірнісний підхід з використанням методології Value at Risk (VAR). В даному випадку застосуємо його в управлінні ліквідністю.
Для вирішення даного завдання потрібний обширний статистичний матеріал. Необхідно, щоб у банку була інформація по зарахуванню грошових коштів як мінімум за останні 6 місяців.
Дана інформація повинна задовольняти певним вимогам. Вона повинна містити тільки нетто-надходження. Отже, статистичний матеріал повинен бути вичищений від: – поповнення рахунків МФР отделений/допофисов банку (у випадку якщо банк є багатофіліальним);
– сум готівки, вивезеної в РКЦ;
– сум повернення міжбанківських кре- дітов;
– сум надходжень від продажу валюти;
– сум відомих (гарантованих) гасінь кредитів;
– інших відомих надходжень.
Перед початком розрахунку потрібно проаналізувати наявний статистичний матеріал (динамічний ряд) на нормальний розподіл. Це необхідна умова для практичного застосування методики і розрахунку VAR.
Основними показниками, що характеризують розподіл як нормальне, є асиметрія (skewness) і ексцес (kurtosis). Перший визначає асиметрію ряду даних, що вивчається, другий – наявність значних «товстих хвостів». Даний розрахунок не представляє праці, оскільки для нього можна скористатися функціями, наявними в програмному продукті MS Excel.
Якщо асиметрія ряду, що вивчається, значно відхиляється від 0, а ексцес набагато перевищує значення 3, це свідчить про невідповідність ряду параметрам нормального розподілу [5]. У такому разі розрахунок VAR тільки на підставі даного методу з високою вірогідністю може привести до істотних відхилень розрахункових значень від фактичних.
В нашому випадку надходження негативними бути не можуть, тому їх мінімальне вірогідне значення визначимо за допомогою логнормального розподілу.
Логлінейний аналіз надає «високонауковий» підхід до розгляду таблиць зв’язаності (при проведенні розвідувального аналізу даних і перевірці гіпотез) і іноді розглядається як еквівалент для таблиць частот.
Точніше він дозволяє користувачеві перевірити статистичну значущість впливу різних чинників (наприклад, підлога, місце проживання і т.п.) і їх взаємодію при побудові таблиць зв’язаності [3].
Далі визначуваний вірогідність, на яку ми орієнтуватимемося при ухваленні рішення (99, 97 або 95%). У нашому прикладі ми зупинилися на вірогідності, рівній 99%.