Оценка вероятности банкротства. 2

Правительство Российской Федерации

 

федеральное государственное автономное образовательное учреждение высшего профессионального образования

 

"Национальный  исследовательский университет  
"Высшая школа экономики"

 

Факультет «Экономика»

Кафедра Финансового менеджмента

 

Допускаю к защите

Заведующий кафедрой

Доцент кафедры финансового менеджмента, к.э.н., Шакина Е.А.

________________________

подпись

 «______» __________________2013 г.

 

• ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

 

На тему: ОЦЕНКА ВЕРОЯТНОСТИ БАНКРОТСТВА БАНКОВ

 

Студент группы № Э-09-2

Брюхова Ольга Олеговна

 ________________________

подпись

Научный руководитель

Доцент кафедры финансового менеджмента,

Емельянов Андрей Михайлович

  ________________________

подпись

Консультант

Доцент кафедры финансового менеджмента

Емельянов Андрей Михайлович

________________________

подпись

 

Пермь, 2013 г.

Оглавление

Введение …....................................................................................................3

Глава 1. Теоретические основы оценки вероятности банкротства  ….....5

1.1          Модели оценки вероятности банкротства …...............................5

1.2          Оценка качества моделей бинарного выбора ….........................11

1.3          Факторы, определяющие финансовую устойчивость  банков  ..16

Глава 2. Оценка вероятности банкротства российских банков …...........29

2.1          Описание данных для эмпирического исследования.................30

2.2          Решение проблемы несбалансированности  данных  .....44

2.3         Поиск оптимального горизонта прогнозирования......................49

2.4         Интерпретация результатов логистической регрессии...............54

Заключение ….62

Список литературы ….66

 Приложения .................................................................................................70

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

Банковская система занимает одну из центральных позиций в современной экономике, что требует особо строгого регулирования данной сферы деятельности. Снижение доверия к банковской системе приводит к сокращению частных сбережений и неэффективности распределения средств, что негативно отражается на состоянии экономики в целом. В силу этого, возникает потребность в разработке систем раннего предупреждения, определяющих проблемные банки  до момента отзыва у них лицензии. Наличие слабых финансовых институтов может привести к нарушению функционирования всей банковской системы, что оказывает значительный негативный эффект на реальную экономику. События мирового финансового кризиса, начавшегося в 2007 году, наглядно демонстрируют данный факт. Применение моделей, выявляющих потенциальных банкротов, позволит менеджменту и регулятору своевременно принимать меры по оздоровлению банков, тем самым предотвращая их закрытие и развитие нового кризиса.

Данная работа посвящена построению вероятностно-статистической модели банкротства для выявления факторов, оказывающих влияние на финансовую устойчивость кредитных организаций.

Под банкротством в данной работе понимается отзыв лицензии, связанный с ухудшением финансового состояния банка. В качестве объекта исследования выступают кредитно-финансовые организации (банки) двух категорий: лишившиеся лицензии Центрального Банка РФ на определенный вид деятельности с 1 января 2010 года по 31 декабря 2011 года и продолжавшие работу в данный период.

Возможности оценки вероятности банкротства кредитных организаций посвящены работы таких российских авторов, как Головань С.А., Карминский А.М., Копылов А.В., Пересецкий А.А., Евдокимов А.М. [9, 10, 14, 15]. Факторы, определяющие финансовую устойчивость российских банков, изучаются в работе Ланина и Веннета [27]. Более широко данная проблема отражена в исследованиях зарубежных авторов: А. Клэра и Р. Пристли [20], Ж. Колари, М. Капуто и Д. Вагнера [26], П. Майера и Х. Пайфера [29].

Целью данной работы является оценка вероятности банкротства банков. Для достижения поставленной цели необходимо решить ряд задач:

• изучить предшествующий опыт моделирования оценки вероятности банкротства банков;
• собрать эмпирические данные об объекте исследования и провести их предварительный анализ;
• разработать модель на основе гипотез об объясняющих факторах;
• проверить статистическую значимость и экономическую интерпретируемость показателей деятельности и финансовой устойчивости банков, оценить качество построенной модели и найти оптимальный горизонт прогнозирования.

Последующая структура работы соответствует поставленным задачам. В первой главе дается краткий обзор статей, посвященных данной тематике: от исследований родоначальников данного направления, таких как Э. Альтман, до более поздних работ, учитывающих специфику выбранного объекта изучения. Вторая глава посвящена непосредственно построению модели, позволяющей оценить вероятность банкротства, ее интерпретации и проверке возможности ее использования для прогнозирования финансового состояния банков.

 

 

 

 

 

 

 

Глава 1. Теоретические основы оценки вероятности банкротства

 

1.1 Модели  оценки вероятности банкротства

Модели, с помощью которых можно прогнозировать банкротство, уже достаточно долго обсуждаются в литературе, посвященной корпоративным финансам. Определение качества функционирования компании возможно с использованием относительных финансовых показателей. Основная идея анализа состоит в том, что фирмы с определенной финансовой структурой с большей вероятностью становятся банкротами в следующем периоде, нежели фирмы с противоположными характеристиками. Из множества показателей, рассматриваемых в исследованиях в качестве потенциальных предикторов банкротства, прибыльность, ликвидность и платежеспособность были выявлены как наиболее значимые индикаторы финансового состояния. Анализ каждого показателя по отдельности может привести к неверным результатам. Для получения качественной прогнозной модели следует объединить несколько показателей, придав им разный вес. Э. Альтман использовал множественный дискриминантный анализ (МДА) для составления функции на основе пяти ключевых финансовых показателей, определяющих значение широко известной оценки Z (Altman, 1968).

Множественный дискриминантный анализ применялся еще в 1930-х годах в основном в биологических и поведенческих науках. Позднее данный метод стал использоваться в экономических исследованиях. МДА - статистический метод, используемый для классификации наблюдений по двум или нескольким априорным группам в зависимости от индивидуальных характеристик наблюдения. МДА удобен в использовании, когда объясняемая переменная качественная, например банкрот-небанкрот. Целью МДА является получение линейной комбинации параметров, которая наилучшим образом разделяет наблюдения по выделенным группам. Таким образом, МДА выявляет и использует те переменные, которые наиболее различаются между группами и похожи внутри группы. Достоинством МДА в вопросе классификации является возможность анализа целого набора переменных одновременно взамен последовательной проверки индивидуальных характеристик.

Помимо МДА в вопросах бинарного выбора широко применима регрессионная логистическая модель. Использование классической модели множественной регрессии вида y = β0+β1X1+...+βkXk+ε затруднено из-за строгих ограничений, наложенных на значение зависимой переменной, отражающей вероятность банкротства банка. Таким образом, для прогнозирования вероятности подбирается специальная функция, область значений которой лежит в интервале [0,1] и аргументом которой является линейная форма  βX, то есть P(y=1| X) = F(βX). Кроме того, подобранная функция вероятностного распределения должна обладать рядом свойств (Айвазян, 2001):

1. 0 ≤ F(w) ≤ 1.
2. F(w) монотонно возрастает по w.
3. F(w) → 0 при w→ 0.
4. F(w) → 1 при w→ ∞.

Вероятность банкротства может быть выражена из следующей спецификации:

Zi = ln (Pi/(1-Pi)) = β0+β1X1+...+βkXk

Тогда Pi = eZi/(1+eZi) , где

Pi – вероятность того, что в следующем периоде i-ый банк станет банкротом;

Xj – j-ая независимая переменная;

βj – коэффициент перед j-ой объясняющей переменной.

Следует отметить, что полученная функция вероятности удовлетворяет всем указанным требованиям. Зависимая переменная принимает значение равное единице для банков-банкротов и ноль — для банков-небанкротов. Положительные коэффициенты увеличивают вероятность банкротства банка в то время, как отрицательные коэффициенты оказывают противоположное влияние.

Логит-модель применялась в исследовании С.А. Головань, А.М. Карминского, А.В. Копылова и А.А. Пересецкого (Головань, Карминский, Копылов, Пересецкий, 2003).  Данная работа интересна тем, что авторы первыми разделили российские банки на кластеры и построили для каждого из них свою модель оценки вероятности банкротства. Разбиение позволило проверить банки на структурную неоднородность, то есть отличить воздействие одних и тех же факторов на вероятность банкротства для различных кластеров. Нет однозначного способа разделения банков на кластеры. В рассматриваемой работе предлагается два варианта разбиения: на основе экспертного подхода и с использованием формального алгоритма построения функции максимального правдоподобия. В качестве критериев разбиения были выбраны следующие показатели:

• валюта баланса, характеризующая размер банка;
• отношение суммы вложений в государственные долговые обязательства к валюте баланса;
• отношение общей суммы кредитов нефинансовым организациям к валюте баланса, что отражает вовлеченность банка в кредитование реального сектора;
• отношение собственного капитала к валюте баланса, показывающее способность банка покрыть возможные убытки;

Каждая из выделенных категорий является основой для формирования двух кластеров — с высоким и низким значением соответствующего показателя.

Итогом разбиения на кластеры стало улучшение диаграммы ошибок. Данный эффект особенно ярко проявился при разделении банков на кластеры по доле вложений в государственные ценные бумаги: вероятность ошибки второго рода снизилась примерно на 20% при неизменном уровне ошибок первого рода. Схожий, но менее значительный результат достигается при принятии в качестве параметра разбиения доли собственного капитала в активах банка.

Разбиение на кластеры позволяет более глубоко и детально изучить взаимосвязи, характерные для отдельных видов банков. Однако, исследование показало, что существуют параметры, присутствующие в моделях для большинства кластеров. К ним относятся доля в общих активах банка ликвидных активов, собственного капитала и резервов под возможные потери от финансовых операций. Таким образом, данные параметры можно считать фундаментальными характеристиками банка вне зависимости от того, к какому кластеру он принадлежит. 

Рассмотренные методы оценки вероятности банкротства относятся к классу параметрических. Основным их недостатком можно считать зависимость от распределения независимых переменных. Избежать наложения ограничений, связанных с видом распределения, позволяет использование непараметрических методов. Одним из наиболее часто используемых является непараметрический метод, основанный на «распознавании признаков» (trait recognition).

Традиционно метод «распознавания признаков» применялся в геологии, однако, Ж. Колари, М. Капуто, Д. Вагнер изменили алгоритм таким образом, что ее применение стало возможно для решения практически любой проблемы распознавания. Основной идеей метода является количественное описание всех возможных сочетаний переменных, то есть признаков, и выделение тех признаков, которые часто встречаются в одной из групп и почти не встречаются в другой, такие признаки называются характерными чертами (Kolari, Caputo,Wagner, 1996).

Процедура «распознавания признаков» начинается с нахождения критических значений для каждой переменной. Точки выбираются так, чтобы в нижний сегмент попадали только банки-банкроты, в верхний — банки-небанкроты, а средний сегмент представляет собой зону неопределенности, куда попадают как банкроты, так и небанкроты. На основе данного разделения для каждого банка составляется двоичная строка, отражающая значения финансовых показателей. Следующей стадией является составление матрицы признаков для каждого наблюдения, в которой рассматриваются комбинации из одной, двух или трех переменных одновременно. На основе полученной матрицы из всего набора признаков выбираются характерные черты, присущие банкротам (небезопасные) и небанкротам (безопасные). На заключительном этапе формируется матрица голосования, каждой ячейке которой соответствует разное число безопасных и небезопасных черт. Если в ячейку попадают только банки-небанкроты, то она признается безопасной, в случае с банками-банкротами — наоборот. Вид ячейки, включающей и те и другие банки, определяется по категории банков, которых в ней содержится больше. Если же число банков одинаково, то вид ячейки соответствует виду преобладающих характерных черт. Таким образом, вероятность банкротства банка в следующем периоде может принимать только два значения — ноль и единица.

Определение смешанным ячейкам крайних значений приводит к снижению точности модели, так как переоценивается вероятность банкротства для безопасных банков и занижается риск для небезопасных. Для избежания подобных неточностей Г. Ланин, Р. Веннет ввели модифицированный метод «распознавания признаков», согласно которому вероятность банкротства для каждой ячейки рассчитывается делением числа банков-банкротов на общее число банков в ячейке. Отличием метода «распознавания признаков» от других методов прогнозирования банкротства является полное использование информации, заключающейся во взаимодействии независимых переменных. Данная особенность позволяет с помощью «распознавания признаков» получать результаты, точность которых превышает полученную с использованием других методов (Lanine, Vennet, 2006).

К классу непараметрических методов оценки вероятности также относится оболочечный анализ данных (Data Envelopment Analysis). Впервые метод был описан А. Чарнсом, В. Купером и Е. Родсом в 1978 году (Charnes et al, 1978). DEA основан на методах линейного программирования и позволяет сравнивать объекты по уровню их технической эффективности. Путем оптимизации выпуска на основе входящих и исходящих показателей строится граница эффективности. В исследованиях, направленных на прогнозирование банкротства, используется понятие обратной эффективности и строится граница банкротства. Банки-банкроты лежат на границе, а небанкроты - под ней. Отличительной чертой использования DEA является возможность предоставления конкретных рекомендаций по изменению входящих и исходящих параметров для снижения вероятности банкротства (Premachandra, Bhabra, Sueyoshi, 2007).

Анализ работ, посвященных оценке вероятности банкротства, позволил выделить два класса методов: параметрические и непараметрические. В данном разделе было представлено описание наиболее часто применяемых в исследованиях методов. Более полный обзор сделан в работе Э. Альтмана (Altman, 1984). Среди параметрических методов можно выделить Logit и Probit модели, а непараметрических — распознавание признаков, оболочечный анализ, деревья решений, нейронные сети.

Наиболее часто в исследованиях, посвященных оценке вероятности банкротства банков, применялась логистическая регрессия. В данной работе в качестве метода исследования также была выбрана Logit-модель, так как многократно была доказана возможность ее применения для нахождения вероятности банкротства банков. Кроме того, построение Logit-модели позволит более корректно сопоставить результаты данного исследования с полученными ранее.

 

1.2 Оценка качества моделей  бинарного выбора

Целью использования моделей, позволяющих оценивать вероятность банкротства, является разделение финансово устойчивых и проблемных банков. Для проверки возможности применения модели для классификации банков необходимо оценить ее качество. Данный раздел посвящен способам оценки качества моделей бинарного выбора. Более подробно остановимся на оценке качества результатов, получаемых с помощью логистической регрессии.

Для достижения высокого качества модели необходимо учитывать предпосылки, на которых базируется выбранный метод оценки. Logit-модель относится к классу параметрических методов оценки вероятности, что накладывает ряд ограничений на используемые данные. Прежде чем приступить непосредственно к построению модели логистической регрессии, необходимо провести предварительный анализ данных и выбрать наиболее дескриптивные переменные.

Сложность применения параметрических методов заключается в их зависимости от вида распределения используемых переменных. Для получения наиболее качественных оценок желательно, чтобы исходные данные были распределены нормально и выборка была однородна (Айвазян, 2001). Нормальность распределения данных можно проверить с помощью графического анализа гистограммы и критерия Жарка-Бера.

Следующим этапом отбора возможных предикторов банкротства служит оценка их дискриминационной способности, для чего используется тест на равенство средних между двумя категориями. Одним из наиболее распространенных тестов на равенство средних служит одномерный дисперсионный анализ (ANOVA). Его основная идея состоит в том, что статистически значимое равенство средних между подгруппами достигается при равенстве вариаций средних между группами и внутри каждой из групп. Для двух априорных категорий может быть применим тест Стьюдента (t-test). В том случае когда дисперсии внутри групп непостоянны, используется Welch тест, который при выделении двух подгрупп переходит в Satterthwaite тест.

Одной из проблем, присущих параметрическим методам, является мультиколлинеарность, заключающаяся в сильной корреляционной зависимости между факторами, включенными в модель. Наличие мультиколлинеарности в модели приводит к росту стандартных ошибок, что затрудняет интерпретацию результатов. Для нелинейных моделей, к которым, в частности, относится Logit-модель, проблема мультиколлинеарности не столь существенна, однако не стоит допускать слишком близкой зависимости между факторами.

Учет обозначенных ограничений позволяет получить устойчивые и статистически значимые оценки коэффициентов. Значимость каждого коэффициента и модели в целом может быть проверена с помощью теста Вальда.

Использование логистической регрессии позволяет давать интерпретацию только знака перед коэффициентом, а не его абсолютного значения. Оценить степень влияния каждого фактора на вероятность банкротства позволяет расчет предельных эффектов приращения, которые показывают, на сколько процентов изменится вероятность при изменении показателя на единицу. 

 

 

 

 

 

 

Предельный эффект рассчитывается следующим образом:

(1)                                                                           

где Хi – объясняющий фактор, а βi – коэффициент перед ним, L – функция логистической регрессии (Айвазян, 2001).

Сложность расчета предельных эффектов заключается в непостоянстве производной на всем диапазоне значений. Значение производной зависит от того, в какой точке она рассчитывается. Наиболее часто в исследованиях находят предельный эффект для среднего банка, используя ожидаемые значения каждого фактора. Однако, средние значения наиболее чувствительны к выбросам, в силу чего имеет смысл рассчитывать предельные эффекты для медианных значений (квантиль уровня 0,5).

После разбора сложностей, возникающих на этапе построения модели, можно преходить к описанию способов оценки ее качества. Для оценки качества моделей бинарного выбора удобно использовать классификационную таблицу, в которой отражается сколько наблюдений было верно разнесено по их априорным категориям, а в определении скольких модель допустила ошибку. Под ошибкой понимается признание фактического банкрота финансово устойчивым (I-рода) или определение здорового банка как будущего банкрота (II-рода). Для построения данной таблицы необходимо установить критическое значение вероятности, после которого банк признается банкротом. Пороговый уровень вероятности выбирается исследователем так, чтобы ниже него оказалось максимальное число действительно устойчивых банков и минимальное число фактических банкротов, выше выбранного уровня должна складываться обратная ситуация.

Более наглядным способом сравнения моделей и оценки их качества является построение ROC-кривой, которая отражает зависимость доли истинно положительных случаев от доли ложно положительных случаев. По оси Y откладывается  норма попаданий, которая рассчитывается как отношение числа верно определенных банкротов при различных пороговых значениях вероятности к общему числу банков-банкротов. На оси абсцисс отображается изменение коэффициента ложной тревоги, который представляет собой долю здоровых банков, отнесенных к банкротам, в общем числе банков-небанкротов. Для идеально классифицирующей модели ROC-кривая проходит через левый верхний угол, что характеризуется правильным выделением всех банкротов без причисления к ним финансово устойчивых банков. Исходя из этого, чем выше изгиб прямой, тем выше прогнозная сила модели. В случае, когда графический анализ не позволяет сравнить качество моделей, рассчитывается площадь под ROC-кривой. Качество модели тем лучше, чем большая площадь оказывается под графиком (Lanine, Vennet, 2006).

Помимо общего числа допущенных ошибок при выборе критического уровня вероятности необходимо учитывать их вид. Для исследования, посвященного оценке финансовой устойчивости организаций, более важным является недопущение появления ошибок II-рода, то есть классификации ненадежных банков как здоровых. Появление ошибок II-рода приводит к более негативным последствиям и серьезным издержкам как для вкладчиков банка, так и для его кредиторов. Допущение моделью ошибок того или иного рода характеризует ее чувствительность и специфичность. Под чувствительностью понимается доля истинно положительных случаев, то есть банкротов, классифицированных как банкротов. Свойство специфичности модели заключается в определении истинно отрицательных случаев, то есть отнесении финансово здоровых банков к небанкротам (Louzada et al., 2012).

Другой характеристикой, учитывающей большую значимость ошибок  II-рода, служит взвешенный показатель эффективности (Kolari, Caputo,Wagner, 1996).

 

WE = (FCC/PF)*(FCC/AF)*CC , где

FCC — количество верно классифицированных  банкротов,

PF — количество банков, классифицированных  как банкроты,

AF — количество фактических  банкротов,

CC — процент верно классифицированных  банков.

Особенностью построения логистической регрессии является необходимость обучения модели на банках обеих категорий. В генеральной совокупности число банков-банкротов значительно ниже, чем небанкротов, что усложняет применение логистической регрессии. Недостаточное число банкротов выражается в большом количестве ошибок II-рода, допускаемых моделью (Louzada et al., 2012). Улучшение диаграммы ошибок может быть достигнуто путем регулирования порогового уровня вероятности. При снижении критического уровня точность классификации банкротов повышается, однако это оказывает значительное негативное влияние на точность выявления финансово устойчивых банков и, как следствие, общую точность модели. Другим способом повышения качества классификации банкротов является балансировка используемой в исследовании выборки.

Выделяют несколько способов, позволяющих сбалансировать выборку (He et al., 2009): 

• повышение числа банков-небанкротов
• снижение числа банков-банкротов
• составление случайной выборки с соразмерным числом банков обеих категорий.

Важной характеристикой модели является не только возможность классификации банков определенной выборки, но и ее применимость для любого другого набора банков. Недостатком модели, построенной с помощью логистической регрессии, может стать ее переобучаемость, то есть сильная зависимость полученных оценок от обучающей выборки (Карминский и др., 2012). Одним из способов проверки модели на переобучаемость является ее тестирование на большом числе подвыборок, составленных из исходной выборки и включающих в себя всех банкротов и заданное число небанкротов (Hosmer, Lemeshow, 2000). Хорошее качество модели определяется стабильностью знаков и значимости коэффициентов.

Другим способом оценки возможности применения модели вне выборки является использование тестирующей выборки. Составление тестирующей выборки в соответствии с хронологическим принципом  в большей степени соответствует реальным задачам. Сохранение высокой классификационной точности для тестирующей выборки говорит об устойчивости полученных коэффициентов и возможности использования модели для банков, не рассматриваемых в исследовании.

Проведенный обзор литературы показал, что для построения модели высокого качества необходимо принимать во внимание все ограничения, возникающие при использовании логистической регрессии, и проводить предварительный анализ данных. При оценке качества модели помимо общей классификационной точности следует учитывать структуру ошибок, допускаемых моделью.

 

1.3 Факторы, определяющие  финансовую устойчивость банков

Согласно российскому законодательству банкротство кредитных организаций определяется как «признанная арбитражным судом неспособность удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей» [3]. Кредитная организация принимается неспособной удовлетворить данные требования, если они не исполнены ею в течение четырнадцати дней после наступления даты  исполнения и (или) стоимости имущества (активов) кредитной организации для этого недостаточно (Закон «О несостоятельности кредитных организаций», ст2).

Зачастую исследователи расширяют круг причин, по которым банк может относиться к классу несостоятельных. Например, в работах группы авторов (Карминский, Пересецкий и др., 2003, 2004) банковский дефолт признается не только по факту отзыва банковской лицензии, но и при попадании банка под управление АРКО. В то же время, если у банка была отозвана лицензия, но его финансовое состояние оценивается как удовлетворительное (было произведено слияние или поглощение), то банк исключался из числа банкротов.

В работе С.М. Дробышевского, А.В. Зубарева (Дробышевский, Зубарев, 2011) банк признавался банкротом при выполнении хотя бы одного из условий:

• отзыв банковской лицензии,
• переход банка под управление АСВ,
• отрицательное значение собственного капитала,
• доля просроченных платежей во всем объеме обязательств свыше 3%.

В отдельных исследованиях выделяются особенности моделирования отзыва лицензий российских банков по причинам махинаций (Пересецкий, 2010). Основная идея работы Пересецкого состоит в разделении причин дефолта на неудовлетворительное состояние кредитной организации и на формулировку «отмывание денег». Исследование строится на основе российских банков, потерявших лицензию с 2 квартала 2005 года по 4 квартал 2008 года. Исследование показало, что для прогнозирования каждой из причин дефолта необходимо использование значительно различающихся наборов переменных. Выделение в отдельную группу банков, занимавшихся «отмыванием денег», позволяет повысить точность классификации финансово неустойчивых банков.

Важным вопросом, встающим перед каждым исследователем, занимающимся прогнозированием банкротства, является выбор параметров, способных помочь в оценке его вероятности. Несмотря на длинную историю попыток прогнозирования банкротства, однозначный ответ на данный вопрос еще не найден. Наиболее традиционным является использование информации, содержащейся в бухгалтерской отчетности организации, так как она находится в открытом доступе.

Согласно положению ЦБ РФ «О публикуемой отчетности кредитных организаций и банковских/консолидированных групп» №1270-У от 14 апреля 2003 года банки обязаны публиковать в открытой печати годовую и квартальную отчетности. При этом годовой отчет обязательно подтверждается аудиторской организацией, в то время как заверение квартальной отчетности производится на усмотрение банка. Достоверность квартальной отчетности подтверждена в меньшей степени, чем годовой, однако она позволяет более оперативно получать сведения о функционировании банка [5]. «В целях расширения состава размещаемой кредитными организациями информации на сайте Банка России в сети Интернет Банк России считает целесообразным рекомендовать кредитным организациям размещать дополнительные сведения об их деятельности ежемесячно» [7]. На  данный момент 906 из 911 кредитных организаций согласились на раскрытие информации. Использование ежемесячной бухгалтерской отчетности дает возможность более точного выбора горизонта прогнозирования и проверки финансового состояния банка на даты, наиболее близкие ко времени потенциального банкротства, что учитывает высокую скорость изменения степени его устойчивости. В то же время, месячные данные в большей степени подвержены цикличности, нежели квартальные. Несмотря на открытость бухгалтерской отчетности банков, наиболее часто исследователи используют данные, предоставляемые российскими информационными агентствами, такими как «Мобиле» или «Интерфакс». Данные, публикуемые агентствами, носят квартальный характер.