2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
14
ПОСТРОЕНИЕ МОДЕЛЕЙ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ УРОВНЯ
РИСКОВ БАНКОВСКОГО СЕКТОРА РЕСПУБЛИКИ УЗБЕКИСТАН НА ОСНОВЕ
ИНТЕГРАЛЬНЫХ ПОКАЗАТЕЛЕЙ
У.Р.Ризоев
Институт Технологий, Менеджмента и Коммуникаций,
учитель кафедры математике и информатике.
e-mail:
https://doi.org/10.5281/zenodo.14845061
Аннотация.
Целью данной работы является построение моделей анализа и
прогнозирования уровня рисков банковского сектора Республики Узбекистан на основе
интегральных показателей, которые позволяют интегрировать различные аспекты
финансовой устойчивости банков, а также предсказывать возможные угрозы.
Ключевые слова:
Анализ рисков, прогнозирование рисков, банковский сектор
Узбекистана, интегральные показатели, финансовые риски, кредитные риски, рыночные
риски, операционные риски, моделирование рисков, методы прогнозирования.
Введение
Анализ рисков банковского сектора является ключевым элементом финансового
управления, так как позволяет оценить устойчивость банков к различным экономическим и
финансовым шокам. В условиях нестабильности мировой экономики и специфических
рисков, присущих развивающимся странам, включая Республику Узбекистан, важность
оценки рисков для банковского сектора возрастает.
1. Теоретические основы анализа рисков банковского сектора
В банковской деятельности риски можно разделить на несколько категорий:
Кредитный риск
: риск невыполнения заемщиком своих обязательств.
Операционный риск
: риск потерь в результате неэффективных процессов внутри
банка.
Рыночный риск
: риск потерь из-за изменения рыночных условий (например,
валютных колебаний).
Ликвидный риск
: риск нехватки ликвидных средств для выполнения обязательств.
Капитальный риск
: риск недостаточности капитала для покрытия всех
обязательств.
Для комплексного анализа состояния банковского сектора используются
интегральные показатели, которые объединяют различные финансовые и экономические
факторы.
2. Методика построения интегральных показателей рисков
Для анализа рисков банковского сектора можно использовать несколько ключевых
финансовых индикаторов. Предлагается следующая структура показателей, которые в
совокупности могут дать комплексное представление о рисках:
1.
Коэффициент достаточности капитала (CAR)
:
𝐶𝐴𝑅 =
Капитал
Активы
Этот коэффициент показывает, насколько устойчив банк к рискам потерь.
2.
Коэффициент ликвидности (LCR)
:
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
15
𝐿𝐶𝑅 =
Ликвидныеактивы
Обязательстванакраткосрочнуюперспективу
Ликвидность банка является важным фактором для оценки его способности исполнять
обязательства.
3.
Коэффициент рентабельности активов (ROA)
:
𝑅𝑂𝐴 =
Чистаяприбыль
Средниеактивы
Этот показатель позволяет оценить эффективность использования активов.
4.
Коэффициент кредитного риска (NPL)
:
𝑁𝑃𝐿 =
Необслуживаемыекредиты
Общиекредиты
Это показатель качества кредитного портфеля банка.
5.
Коэффициент депозитной базы (DR)
:
𝐷𝑅 =
Депозиты
Общиеактивы
Коэффициент депозитной базы показывает зависимость банка от депозитов как
источника финансирования.
6.
Зависимость от внешних источников (EXR)
:
𝐸𝑋𝑅 =
Кредитыотмеждународныхорганизаций
Общиеактивы
Этот коэффициент отражает степень уязвимости банка к внешним экономическим
колебаниям.
Для анализа рисков необходимо рассчитать интегральный показатель, который
объединяет все вышеуказанные коэффициенты. Интегральный риск может быть рассчитан
как взвешенная сумма этих коэффициентов:
𝐼𝑅 = 𝑤
1
⋅ 𝐶𝐴𝑅 + 𝑤
2
⋅ 𝐿𝐶𝑅 + 𝑤
3
⋅ 𝑅𝑂𝐴 + 𝑤
4
⋅ 𝑁𝑃𝐿 + 𝑤
5
⋅ 𝐷𝑅 + 𝑤
6
𝐸𝑋𝑅
где
𝑤
1
, 𝑤
2
, 𝑤
3
, 𝑤
4
, 𝑤
5
, 𝑤
6
— это веса каждого из коэффициентов, которые
определяются на основе анализа данных и экспертизы.
3. Прогнозирование рисков
Для прогнозирования уровня рисков в банковском секторе можно использовать
методы временных рядов, такие как модель ARIMA (AutoRegressive Integrated Moving
Average), которая хорошо подходит для анализа динамики показателей на основе
исторических данных.
3.1 Прогнозирование с использованием модели ARIMA
Модель ARIMA основана на трех компонентах:
AR (AutoRegressive)
— авторегрессия, зависимость текущего значения от
предыдущих значений.
I (Integrated)
— интеграция, использование разностей данных для стабилизации
временного ряда.
MA (Moving Average)
— скользящая средняя, использование предыдущих ошибок
для прогнозирования.
Для прогнозирования уровня рисков используем модель ARIMA для каждого из
интегральных показателей, например, коэффициента ликвидности
𝐿𝐶𝑅:
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
16
𝐿𝐶𝑅
𝑡
= 𝜙
1
𝐿𝐶𝑅
𝑡−1
+ 𝜙
2
𝐿𝐶𝑅
𝑡−2
+ 𝜖
𝑡
где
𝜙
1
, 𝜙
2
— параметры модели, а
𝜖
𝑡
— ошибка в прогнозе.
После того как все временные ряды для показателей будут предсказаны, можно
вычислить интегральный показатель рисков для будущих периодов, используя полученные
прогнозы значений коэффициентов.
4. Пример расчета интегрального показателя рисков
Предположим, что для банка за текущий год рассчитаны следующие коэффициенты:
Показатель
Значение
Коэффициент достаточности капитала(CAR)
0.12
Коэффициент ликвидности (LCR)
1.05
Коэффициент рентабельности активов (ROA)
0.05
Коэффициент кредитного риска (NPL)
0.08
Коэффициент депозитной базы (DR)
0.75
Зависимость от внешних источников (EXR)
0.15
Предположим, что веса для каждого из коэффициентов были определены
следующим образом:
𝑤
1
= 0.25, 𝑤
2
= 0.2, 𝑤
3
= 0.15, 𝑤
4
= 0.1, 𝑤
5
= 0.15, 𝑤
6
= 0.15
Тогда интегральный риск для этого банка будет равен:
𝐼𝑅 = 0.25 ⋅ 0.12 + 0.2 ⋅ 1.05 + 0.15 ⋅ 0.05 + 0.1 ⋅ 0.08 + 0.15 ⋅ 0.75 + 0.15 ⋅ 0.15
𝐼𝑅 = 0.03 + 0.21 + 0.0075 + 0.008 + 0.1125 + 0.0225 = 0.39
Интегральный показатель рисков для банка равен 0.39, что позволяет оценить
общую финансовую устойчивость банка.
Заключение
Построение моделей анализа и прогнозирования уровня рисков банковского сектора
Республики Узбекистан на основе интегральных показателей позволяет значительно
улучшить процессы управления рисками. Интегральные показатели, объединяющие
различные аспекты финансовой устойчивости, дают возможность комплексно оценивать
риски, прогнозировать их динамику и принимать оперативные решения для минимизации
угроз. Применение моделей прогнозирования, таких как ARIMA, позволяет предсказывать
изменения ключевых показателей и адаптировать стратегию банка к возможным
изменениям внешней среды.
Использованные источники
1.
Уз наука science reveals the truth. The role of panel data econometric models in real estate
price dynamics. (2024г март) У.Р.Ризоев
2.
Science and society – наука и общество. Econometric analysis of commodity markets:
understanding price volatility. (2024г март) У.Р.Ризоев
3.
Таможенный Институт Таможенного Комитета при Министерстве Экономики и
Финансов
Республики
Узбекистан.
Международная
научно-практическая
конференция. Интеллектуальные таможенные технологии и стратегии предоставления
таможенных услуг в Узбекистане (2024г 30-октября) У.Р.Ризоев.
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
17
4.
INTERNATIONAL SCIENTIFIC RESEARCH CONFERENCE: a collection of scientific
works of the International scientific online conference (19thMay, 2024) – BELARUS,
MINSK: "CESS", 2024. Part 24 – 316p. У.Р.Ризоев
5.
Альтман, Э. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. Journal of Finance, 23(4), 589-609.
6.
Банковская статистика Республики Узбекистан. (2023). Официальные данные
Центрального банка Республики Узбекистан.
7.
Ли, С., & Смит, К. (2010). Методы прогнозирования в экономике. М.: Научный мир.
