Pregledni rad

Emira Kozarevi

VaR PRISTUP EVALUACIJI KREDITNOG RIZIKA

BANAKA (KREDITNI VaR MODELI)
VaR APPROACH TO EVALUATION BANKS CREDIT
RISK (CREDIT VaR MODELS)
Abstrakt
U ovom radu autorica nudi kritiki pogled na VaR pristup evaluaciji kreditnog
rizika banaka, koji se u praksi izdiferencirao u etiri pravca (modela):
CreditMetricsTM, CreditRisk+TM, KMV i CPV. Ove modele redovno koriste
renomirane, internacionalno aktivne banke, a podravaju ih i regulatori, pod
uticajem Bazelskog komiteta za superviziju banaka. Nude im mogunost da
faktikoj izloenosti kreditnom riziku pridrue konkretan, apsolutni broj, koji im
dalje pomae da formiraju potreban nivo kapitala (ekonomskog i regulatornog)
za pokrie izloenosti riziku. Meutim, zbog ogranienog pristupa podacima
banaka u zemljama sa manje razvijenim finansijskim tritima, veina ovih
modela uspjeno funkcionie samo u USA i drugim razvijenim zemljama.
Kljune rijei :kreditni rizik, evaluacija, banka, Var, krediotni rejting, tranticiona
matrica,

Abstract
In this paper author gives a critical view to the VaR approach of bank credit risk
evaluation, in the practice known by four models: CreditMetrics TM, CreditRisk+TM,
KMV and CPV. These models are constantly used by respectable, internationally
active banks, and regulators support them, because of influence of Basel
Committee on Banking Supervision. They offer to banks the opportunity that their
own exposure to credit risk attach concrete, absolute number, which helps that
banks form necessary level of capital (economic and regulatory) for credit risk
exposure. However, because of limited availability to banks input data in
countries with emerging financial markets, the most of these models successfully
work only in the USA and other developed countries.
Keywords: credit risk, evaluation, bank, VaR, credit rating, transition matrix,
credit migration, probability (rate) of default, distribution

UVODNA RAZMATRANJA
Danas se nalazimo na nivou podataka; klju je u pretvaranju podataka u znanje.
Rizik ne reprezentuje informacija, ve informacija organizovana na koristan nain. Za mjeru
rizika, to znai broj koji je kalibrovan i validan.
Eric Falkenstein

Mnogo je razloga zbog kojih banke ele da pridrue apsolutne i objektivne

brojeve kreditnom riziku kojem su izloene. Jedan od glavnih razloga je taj da bi
1

Dr. sc. Emira Kozarevi, docent Ekonomski fakultet Univerziteta u Tuzli

mogle odrediti regulatorni ili ekonomski kapital za kreditni rizik bilo po osnovu
transakcije bilo po osnovu cijelog portfolija. Pored toga, kreditno modeliranje
omoguava bankama da precizno odrede cijenu transakcije, npr. da koriguju kamatnu
stopu koju zaraunavaju klijentu u skladu sa njegovim rizikom defaulta.2
Pristup koji od sredine 1990-ih sve vodee banke na Wall Streetu i u Evropi
koriste za evaluaciju trinih rizika (kamatnog, valutnog i cjenovnog), a koji
proteiraju i Bazelski komitet za superviziju banaka i nacionalni regulatori, je tzv.
VaR (Value-at-Risk) pristup. Neto malo kasnije, banke su ak i za evaluaciju
kreditnog rizika poele koristiti stanovite modifikacije VaR pristupa, brojne nove
sistematske pristupe modeliranju kreditnog portfolio rizika, mada se pri tome susreu
s brojnim potekoama, posebno sa problemom dostupnosti podataka o kretanju nekih
makroekonomskih varijabli. Kreditni VaR ili, deskriptivno, kreditna rizina vrijednost
moe se definisati na isti nain kao i trini VaR. Primjera radi, kreditni VaR pri nivou
pouzdanosti 99,9% i jednogodinjem vremenskom horizontu je kreditni gubitak koji
sa 99,9% pouzdanosti nee biti prekoraen tokom jedne godine. Dok je vremenski
horizont za trini rizik obino izmeu jednog dana i jednog mjeseca, za kreditni rizik
obino je dosta dui esto jedna godina.
Za regulatorne svrhe, banke koje koriste pristup zasnovan na internim rejtinzima
moraju izraunati kreditni VaR za stavke u baninoj knjizi koritenjem metodologije
koju je propisao Bazelski komitet. Banke imaju slobodu u pravljenju njihovih vlastitih
procjena vjerovatnoe defaulta (probability of default - PD). Meutim, moraju
koristiti korelacioni model i korelacione parametre propisane od strane Bazelskog
komiteta. Kod izraunavanja kreditnog VaR za specifini rizik, banke imaju vie
slobode. Specifini rizik je rizik u knjizi trgovanja koji je povezan sa kreditnim
kvalitetom individualnih kompanija. Iako su standardni propisi za odreivanje
specifinog rizika specifikovani, banke mogu, uz odobrenje regulatora, koristiti
njihove vlastite modele. Troak kapitala za specifini rizik jednak je proizvodu
multiplikatora i 10-odnevnog VaR99%, pri emu je minimalni nivo multiplikatora 4.
Kao to ilustruje slika 1, u kreditne VaR modele u akademskoj literaturi
uobiajeno se svrstavaju: J. P. Morganov CreditMetricsTM, Credit Suisse Financial
Productsov (CSFP) CreditRisk+TM, Moody'sov KMV model i McKinseyev CPV model.
Slika 1. Kreditni VaR modeli
Kreditni VaR modeli

CreditMetricsTM

CreditRisk+TM

KMV

CPV

Po svojim kljunim karakteristikama, CreditMetricsTM i CPV predstavljaju

pristupe kreditne migracije (credit migration approaches), KMV pristup uslovnih
potraivanja (contingent claim approach), a CreditRisk+TM aktuarski pristup (actuarial
approach).
2

Default (difolt, neizvrenje obaveza) definie se kao situacija u kojoj dunik ne moe izvriti plaanje
po obveznici ili kreditu, bilo da je plaanje kuponsko ili iskup principala.

CreditMetricsTM
CreditMetricsTM predstavlja model evaluacije kreditnog rizika irokog spektruma
finansijskih instrumenata i portfolija tih instrumenata, kao i portfolija kredita banke
pomou VaR metodologije i moderne portfolio teorije. Ovaj je model publikovan od
strane J. P. Morgan banke u aprilu 1997. godine, a kreiran je u kooperaciji sa Bank of
America, BZW, Deutsche Morgan Grenfell, Swiss Bank Corporation, Union Bank of
Switzerland i KMV Corporation Cornett, Saunders (1999), str. 240.3
Sutina CreditMetricsTM sastoji se u permanentnoj rekalkulaciji promjene
kvaliteta bankarskih kredita,4 kao i trine vrijednosti portfolija kredita banke. Poznato
je da su modeli za mjerenje trine vrijednosti bankarskih kredita nastali nakon
odgovarajuih modela za mjerenje vrijednosti trinih finansijskih instrumenata (npr.
obveznica) upravo zbog toga to bankarski krediti (osim izuzetno) ne predstavljaju
trine instrumente. Taj je problem rijeen tako to su bankarski krediti graduirani na
skali kreditnih rejtinga od strane priznatih rejting agencija. Radi se zapravo o
rejtinzima kompanija ukljuujui promjene kreditnih rejtinga bez obzira da li se
radi o obveznicama koje su te kompanije emitovale ili o kreditima koje su te
kompanije dobile od banaka.
CreditMetricsTM omoguava evaluaciju individualne i portfolio VaR. Pri tome,
prvo odreuje profil izloenosti riziku svake pozicije u kreditnom portfoliju. Zatim se
izraunava volatilnost (pomou standardne devijacije) svake pozicije usljed poveanja
ili smanjenja kreditnog rejtinga kompanija za kredite koje su koristile a nisu otplatile.
Svaka promjena rejtinga konvertuje se u promjenu trine vrijednosti kredita
kompanija. Agregiranjem volatilnosti individualnih kreditnih instrumenata dobija se
portfolio volatilnost irovi (2001), str. 335-336.
Prema Cornettu i Saundersu Cornett, Saunders (1999), str. 240, CreditMetricsTM
procjenjuje individualnu i portfolio rizinu vrijednost uzrokovanu kreditom u tri
koraka:
1) Utvruje profil izloenosti svake pozicije portfolija. Polazi od toga da razliiti
tipovi instrumenata kreiraju kreditni rizik i inkorporira izloenost konvencionalnih
instrumenata, kao to su flotirajue stope kredita. Takoe obezbjeuje okvir u
kome razmatra manje otvorene profile izloenosti, kao to su: neiskoritene
kreditne obaveze, kreditna pisma i komercijalni kreditni aranmani (npr.
trgovinski krediti).
2) Izraunava volatilnost vrijednosti svakog instrumenta uzrokovanu moguim
poveanjima, smanjenjima kreditnog rejtinga i defaultima. Vjerovatnoe se
pripisuju svakom moguem kreditnom sluaju poveanju, smanjenju kreditnog
rejtinga i defaultu. Vjerovatnoa da e se tokom vremena desiti promjena rejtinga
procjenjuje se pomou historijski zasnovane tranzicione matrice, koja reflektuje
historijske primjere poveanja ili smanjenja kreditnog rejtinga (npr. historijska
vjerovatnoa da kreditni rejting padne sa BB na B u toku jedne godine moe biti
5%).5 Svaka promjena rejtinga konvertuje se u efekat trine vrijednosti na osnovu
3

Rdiger Frey i Alexander J. McNeil [Frey, McNeil (2002), str. 1325] smatraju da CreditMetricsTM, kao
uostalom i KMV model, potie od Mertonovog modela vrijednosti-firme iz 1974. godine, gdje je
default modeliran kao dogaaj kada vrijednost aktive firme padne ispod njenih obaveza. U statistikim
tekstovima, ovaj model spada pod generalno poglavlje modela latentnih varijabli.
4
U CreditMetricsTM modelu, kreditni rizik se izraava u smislu potencijalnih promjena rejtinga tokom
godine.
5
O samoj tranzicionoj matrici vidjeti ire u: [Crouhy, Galai, Mark (2006), str. 266-267].

kojeg se izraunavaju oekivana trina vrijednost i volatilnost trine vrijednosti

svakog sredstva.
3) Razmatra korelacije izmeu promjena vrijednosti individualnih pozicija 6 u koraku
2) i kombinuje volatilnost individualnih instrumenata da bi se dobila agregatna
portfolio volatilnost.
Prema tome, CreditMetricsTM zasnovan je na analizi kreditne migracije (tj.
kretanja iz jedne u drugu kategoriju rejtinga). To je vjerovatnoa da se kompanija
kree iz jedne kategorije rejtinga u drugu tokom odreenog vremenskog perioda.
Tipina jednogodinja tranziciona matrica rejtinga prikazana je u tabeli 1. Ona
indicira vjerovatnou (u %) kretanja obveznice iz jedne kategorije rejtinga u drugu
tokom jednogodinjeg perioda. Na primjer, obveznica koja starta sa A rejtingom ima
91,83% anse da jo ima A rejting do kraja jedne godine; 0,02% anse da doe u
stanje defaulta tokom godine, a 0,13% anse da padne na B, etc.
Tabela 1. Jednogodinja tranziciona matrica rejtinga
(na osnovu rezultata Moody's iz 2004. godine)
-u%
Inicijaln
i rejting
Aaa
Aa
Aaa
92,18
7,06
Aa
1,17 90,85
A
0,05
2,39
Baa
0,05
0,24
Ba
0,01
0,05
B
0,01
0,03
Caa
0,00
0,00
Default
0,00
0,00
Izvor: [Hull (2007), str. 290]

Rejting na kraju godine

A
Baa
Ba
B
0,73
0,00
0,02
0,00
7,63
0,26
0,07
0,01
91,83
5,07
0,50
0,13
5,20 88,48
4,88
0,80
0,50
5,45 85,13
7,05
0,13
0,43
6,52 83,20
0,00
0,58
1,74
4,18
0,00
0,00
0,00
0,00

Caa
0,00
0,00
0,01
0,16
0,55
3,04
67,99
0,00

Default
0,00
0,02
0,02
0,18
1,27
6,64
25,50
100,00

CreditMetricsTM model aplikabilan je jedino na one kreditne portfolije banaka koji

sadre kredite odobrene kompanijama koje imaju verifikovane kreditne rejtinge
(verifikovane od strane profesionalnih rejting agencija). U protivnom, kao alternativa
ostaje da se koriste interne rejting procjene (procjene same banke) ili neke
simplifikovane varijante zasnovane na modernoj portfolio teoriji.
Glavni nedostatak CreditMetricsTM ogleda se u tome to se on oslanja na
tranzicione vjerovatnoe rejtinga zasnovane na historijskim prosjenim frekvencijama
defaulta i kreditnoj migraciji. Ovaj pristup stoga implicira da sve kompanije unutar
iste klase rejtinga imaju istu stopu defaulta i istu krivu prinosa, ak i ako se stope
naplate potraivanja (recovery rates), kao procenat od nominalne vrijednosti
potraivanja, razlikuju meu dunicima, i da je stvarna stopa defaulta jednaka
historijskoj prosjenoj stopi defaulta. Kreditni rejtinzi i stope defaulta uzeti su kao
sinonimi, tj. rejting se mijenja kako se koriguje stopa defaulta, i vice versa.
CreditRisk+TM

Korelacije izmeu razliitih kompanija izraunavaju se koritenjem Gausovog kopula modela za

promjene rejtinga, koji se oslanja na tzv. Vasicekov model. Same promjene rejtinga kompanija generiu
se primjenom Monte Carlo simulacije. Svaki provedeni simulacioni postupak omoguava da se utvrdi
finalni rejting svake obveznice/kredita i da se ponovo utvrdi njena/njegova vrijednost kako bi se
izraunali ukupni kreditni gubici za tu godinu.

CreditRisk+TM publikovala je investiciona banka Credit Suisse Financial Products

(CSFP) u oktobru 1997. godine. Ovaj model drastino se razlikuje od
CreditMetricsTM. On je u potpunosti aktuarski pristup koji se moe nai u
odgovarajuoj literaturi iz oblasti osiguranja, posebno osiguranja od poara.7
U okviru CreditRisk+TM uzimaju se u obzir samo dva kreditna dogaaja default i
ne-default. Osim toga, uzima se da intenzitet defaulta varira tokom vremena i da moe
biti modeliran kao funkcija faktora koji se takoe mijenjaju kroz vrijeme. Kada su
defaulti nezavisni (tj. korelacija izmeu defaulta bilo kojeg para zajmova je nula),
distribucija vjerovatnoa defaulta slijedi Poissonovu distribuciju.8 Konkretno,
pretpostavimo da neka banka ima N saugovaraa odreenog tipa i da je vjerovatnoa
defaulta svakog saugovaraa u vremenu T jednaka p. Oekivani broj defaulta, , za
cijeli portfolio biti e =Np. Pretpostavimo da su defaulti nezavisni i da je p malo,
tada je vjerovatnoa n defaulta data Poissonovom distribucijom kao to slijedi:
P (n defaulta) =

e n
, za n = 0, 1, 2, ...
n!

Model takoe doputa stanovitu korelaciju putem dijeljenja portfolija u

homogene sektore unutar kojih je na isti nain neophodno podijeliti sistemske faktore
rizika. Meutim, tada se javlja problem procjene velikog broja korelacija jer ak i
manji portfolio od 1.000 dunika zahtijeva procjenu 499.500 korelacija (1000 puta
999 i podijeljeno sa 2). Ovaj se problem ustvari rjeava upotrebom multifaktorskog
modela, kakav je CPV (o kojem e biti rijei u nastavku), gdje se kalkulativni zahtjevi
svode na procjene korelacija meu parovima indeksa vezanih za nekoliko zemalja ili
industrija.
Druga komponenta ovog modela je veliina/ozbiljnost gubitaka (severity of
losses). Ona se ugrubo modelira sortiranjem aktive u nekoliko grupa, recimo zajmove
od cca. 20.000 USD za prvu grupu, 40.000 USD za drugu grupu, etc. Nakon toga,
dobija se distribucija vjerovatnoa gubitaka za svaku grupu. Zatim se distribucije
grupa kombinuju kako bi se izgenerisala distribucija vjerovatnoa ukupnih default
gubitaka (slika 2), koja je pozitivno iskoena. VaR je zapravo gubitak koji
korespondira sa (100-x)-tim procentom distribucije promjena ukupnih default
gubitaka u odreenom vremenskom horizontu (slika 3).
Slika 2. CreditRisk+TM model determinanti kreditnih gubitaka
Frekvencija
default

Veliina
gubitaka

Distribucija
default gubitaka

Kod ove vrste neivotnog osiguranja, osigurani gubici reflektuju dvije stvari: a) vjerovatnou da kua
izgori (to osiguravatelji nazivaju frekvencijom dogaaja) i b) vrijednost gubitka kue ako ona izgori
(to osiguravatelji nazivaju veliinom gubitka) [Saunders, Cornett (2006), str. 339].
8
Ovu teorijsku distribuciju postavio je poetkom 19-og stoljea francuski matematiar Simeon D.
Poisson (1781-1840.). Koristi se u sluajevima kada je vjerovatnoa pojavljivanja p veoma mala i kada
je broj sluajeva n veliki, iako nisu rijetki sluajevi da se u praksi koristi bez obzira na veliinu n.
Najee se uzima da je p0,05 a n20 [Fazlovi (2006), str. 122-135].

Izvor: [Saunders, Cornett (2006), str. 339]

Slika 3. Distribucija vjerovatnoa ukupnih default gubitaka i izraunavanje VaR
(nivo tolerancije je x%)

CreditRisk+TM model je najprikladniji za analiziranje rizika defaulta velikih

portfolija sainjenih od malih zajmova (npr. zajmova za mali biznis, hipotekarnih i
potroakih zajmova), a manje prikladan za portfolije sainjene od nekoliko velikih
zajmova. On obezbjeuje brzo analitiko rjeenje kada je u pitanju distribucija
kreditnih gubitaka, uz minimalne ulazne podatke. Kao i kod CreditMetricsTM modela,
ne postoji neizvjesnost tokom trine izloenosti, tj. pretpostavlja se fiksna trina
izloenost [Jorion (2003), str. 522-523].
KMV
KMV model, koji se naziva jo i Portfolio ManagerTM model, primarno
omoguuje
prognozu
procijenjenih/oekivanih
frekvencija
defaulta
(Estimated/Expected Default Frequencies - EDFs) za priblino 30.000 javnih
kompanija, ali i izraunavanje EDFs za individualne kompanije kod evaluacije
njihovog portfolio rizika. Vei dio njegove tehnologije je privatan i neobjavljen.9
Osnovna ideja KMV modela jeste stanovita aplikacija Mertonovog pristupa
kreditnom riziku.10 Vrijednost dionikog kapitala (S) posmatra se kao call opcija (c) na
vrijednost aktive kompanije (A), tj.
S = c(A, K, r, A, )

gdje je:
9

Privatnu firmu KMV Corporation osnovali su Stephen Kealhofer, John McQuown i Oldrich Vasicek
(od njihovih prezimena i dolazi akronim) u San Franciscu 1989. godine kako bi obezbijedili usluge
analize kreditnog rizika. U aprilu 2002. godine KMV je pripojen rejting agenciji Moody's.
KMV model je najbolje aplikabilan na javne kompanije jer je vrijednost njihovog dionikog kapitala
determinisana i transparentna na berzi (tj. moe se direktno opservirati). Pored toga, mnoge banke
nalaze EDFs korisnim vodeim indikatorima defaulta ili barem degradacije kreditno nesposobnih
dunika.
10
U Mertonovom okviru za odreivanje cijene opcije (Merton's option-pricing framework) za kreditni
rizik, default se deava kada vrijednost aktive firme padne ispod vrijednosti njenih obaveza. Koristei
uzorak od nekoliko stotina firmi, KMV je opservirao da, u realnom svijetu, default firme nastaje onda
kada vrijednost njene aktive doe na nivo koji je negdje izmeu vrijednosti njenih ukupnih obaveza i
vrijednosti njenog kratkoronog duga [Crouhy, Galai, Mark (2006), str. 276].

K - vrijednost obaveza, odnosno suma vrijednosti kratkoronih obaveza i polovine

knjigovodstvene vrijednosti svih dugoronih dugova;
r - prinosi na aktivu,
A - volatilnost prinosa na aktivu i
- korelacija izmeu sistemskih komponenti prinosa na aktivu dunika i i dunika j.
Ovo mora biti iterativno procijenjeno za varijable koje je mogue opservirati,
posebno berzansku vrijednost S i njenu volatilnost S. KMV model generie
procijenjenu vjerovatnou defaulta zasnovanu na distanci izmeu tekue vrijednosti
aktive i granine take (tzv. vremenskoj distanci do momenta defaulta).11
Pretpostavimo, primjera radi, da je A = 100 miliona USD, K = 80 miliona USD i A =
10 miliona USD. Normalizovana udaljenost od defaulta tada je
z=

A K

100 80
2 .
10

Ukoliko pretpostavimo normalno distribuisane prinose na aktivu, 12 vjerovatnoa

da standardna normalna varijabla z padne ispod -2 je priblino 2,3%. Prema tome,
frekvencija defaulta, EDF, je 0,023.
Praktiari najee nakon izraunavanja EDFs izvode tabelu u kojoj paralelno sa
EDFs prikazuju pojedine kategorije rejtinga (npr. za EDF izmeu 0,02 i 0,04% S&Povu oznaku AAA). Meutim, takva komparacija nosi sa sobom rizik pogrenog
rasuivanja jer se radi o dvjema sasvim razliitim mjerama kreditnog rizika. Naime,
EDF je mjera koja izraava rizik u datom trenutku, tj. fokusira se na vjerovatnou
defaulta u vremenu do jedne godine, dok rejtinzi predstavljaju ocjenu kreditne
sposobnosti tokom ciklusa, pa samim tim ne mogu biti redukovani na vjerovatnou
defaulta tokom jedne godine.
Snaga KMV pristupa jeste u tome to se oslanja na ono to je moda najbolji
trini podatak za kompaniju cijenu dionice (stock price, equity market
information), umjesto na procijenjene kreditne rejtinge i historijske prosjene
tranzicione frekvencije koje generiu rejting agencije za svaku klasu kredita, kao to
je sluaj kod CreditMetricsTM. KMV tvrdi da ovaj model predvia defaulte bolje nego
kreditni rejtinzi. Stopa naplate potraivanja i korelacije meu defaultima takoe su
automatski generisane modelom [Jorion (2003), str. 523].
Meutim, KMV pristup pokazuje mnogo veu prociklinost nego pristupi koji su
zasnovani na kreditnim rejtinzima u periodima buma na tritu dionica pripisuje
mnogo manje vjerovatnoe defaulta gotovo svim kompanijama i vice versa u
periodima recesije pripisuje vee vjerovatnoe defaulta za mnogo vei broj kompanija
nego to je sluaj u stvarnosti.
CPV

11

Vremenska distanca do momenta defaulta ("distance to default" - DD), indeks default rizika,
predstavlja broj standardnih devijacija izmeu sredine distribucije vrijednosti aktive i kritinog praga,
tzv. granine take ili take defaulta ("default point" - DPT). DPT se utvruje kao nominalna vrijednost
tekuih obaveza, ukljuujui kratkoroni dug, koje se trebaju izmiriti tokom datog vremenskog
horizonta plus polovina dugoronog duga. Izraunavanje DD doputa KMV modelerima da mapiraju
DD prema stvarnim vjerovatnoama defaulta za dati vremenski horizont. KMV naziva, odnosno
oznaava, ove vjerovatnoe sa EDFs [Crouhy, Galai, Mark (2006), str. 276].
12
Na osnovu empirijskih istraivanja, KMV je ustanovio da je ova hipoteza u prilinoj mjeri realistina
i da je volatilnost prinosa na aktivu relativno konstantna.

CPV model, koji se naziva jo i model zasnovan na ocjeni portfolija, 13

publikovala je konsultantska firma McKinsey & Company u martu 1997. godine.
Njegov je fokus na uticaju makroekonomskih faktora na portfolio kreditni rizik.
Ovaj pristup modelira distribucije gubitaka iz broja i veliine kredita u
subportfolijima, obino sastavljenim od segmenata klijenata. Umjesto razmatranja
fiksnih tranzicionih vjerovatnoa, ovaj model uslovljava stopu defaulta stanjem
ekonomije. U vrijeme ekonomskog rasta (ekspanzije) frekvencija defaulta jako opada
u komparaciji sa periodima recesije. Nasuprot tome, stope defaulta rastu ponovo kako
ekonomija ulazi u stanje recesije. tavie, periode visokih stopa defaulta karakteriu
niske stope naplate zajmova sa defaultom (defaulted loans), tako da banke nastoje da
razliita obezbjeenja naplate i kolateral, koje koriste za osiguranje zajmova, imaju
manju vrijednost tokom recesije.
Stopa defaulta pt u vremenu t zavisi od skupa makroekonomskih varijabli xk za
razliite zemlje i industrije preko linearne kombinacije yt. Funkcionalna zavisnost od
yt, koja se naziva logit model, obezbjeuje da se vjerovatnoa uvijek nalazi izmeu 0 i
1, tako da je
pt = 1 / [1 + exp(yt)],

yt = +

tk .

Koristei multifaktorski model, svaki dunik se oznaava prema zemlji, industriji

i rejting segmentu. Neizvjesnost u pogledu stopa naplate potraivanja takoe je jedan
od faktora. Kod konstrukcije distribucije default gubitaka vezanih za portfolio, ovaj
model koristi numerike simulacije [Jorion (2003), str. 524]. Faktiki, prilikom
primjene CPV dolazi se do ocjene uticaja makroekonomskih varijabli na stope
defaulta u datom sektoru. Vrei nakon toga simulaciju stopa defaulta odreuje se
tranziciona matrica (sa obiljejem ekspanzije ili recesije) koja e se koristiti u
sljedeem koraku. Time to se vri simulacija sluajnih putanja za makro varijable
(indekse), za dati vremenski period, CPV omoguava banci da doe do pribline
distribucije default gubitaka kod portfolija izloenog kreditnom riziku (uki, 2007).
Dok je koristan za modeliranje default vjerovatnoa uslovljenih stanjem
ekonomije, ovaj model ne generie dovoljno detalja za kreditni rizik korporativnih
portfolija. Drugim rijeima, on modelira samo agregatne vjerovatnoe defaulta, a
zapostavlja vjerovatnoe defaulta na nivou pojedinanog dunika.
Kao eksplanatorne (nezavisne) varijable mogu se koristiti: rast GDP ili
industrijske proizvodnje, kamatne stope, devizni kursevi, stopa tednje, stopa
nezaposlenosti i sl. Rije je o lako dostupnim podacima. Meutim, stope defaulta na
nivou industrije ili zemlje (zavisne varijable) obezbjeuju samo rejting agencije, to
nije problem u USA, ali jeste u veini zemalja koje imaju manje razvijeno finansijsko
trite. Samim tim, bez dobre baze podataka, ovaj model teko da se moe uspjeno
primijeniti van USA.
UMJESTO ZAKLJUKA: KOMPARACIJA KREDITNIH VAR MODELA
Iz naprijed navedenog, moe se izvui zakljuak da ne postoji jedinstveno
rjeenje problema evaluacije kreditnog rizika kojem su izloene banke. Umjesto toga,
postoje razliiti pristupi/modeli. Svaki od njih ima svoje snage i slabosti, koje rizik
menaderi, u principu, treba da razumiju; svaki je najprikladniji za tano odreene
svhe evaluacije kreditnog rizika i svaki se mora uzeti u obzir kod nove generacije
13

Akronim CPV dolazi od engleskih rijei "Credit Portfolio-View".

kreditnih VaR modela i daljnjeg unapreenja metodologije upravljanja kreditnim

rizikom.
Tabela 2 sintetizuje kljune karakteristike postojeih kreditnih VaR modela, u
svrhu njihove komparacije.
Tabela 2. Komparacija kreditnih VaR modela
Model

CreditMetricsTM

CreditRisk+TM

KMV

CPV

1) Kreator(i)

J. P. Morgan

CSFP

KMV

McKinsey

2) Tip modela

Odozdo na gore

Odozdo na
gore

Odozdo na
gore

Odozgo na
dole

3) Definicija
rizika

trine
vrijednosti
(MTM)

Default
gubici (DM)

Default
gubici
(MTM/DM)

trine
vrijednosti
(MTM)

Karakteristika

4) Drajveri
(pokretai)
rizika
5) Kreditni
dogaaji

Korelirane
vrijednosti
aktive
Promjena
rejtinga /
defaulta

Default stope
Default

Korelirane
vrijednosti
aktive
Kontinuirane
vjerovatnoe
defaulta

Promjena
rejtinga /
defaulta

Makro
faktori

5a) Vjerovatnoa

Neuslovna

Neuslovna

Uslovna

Uslovna

5b) Volatilnost

Konstantna

Varijabilna

Varijabilna

Varijabilna

5c) Korelacija

Iz vlasnikih
kapitala
(strukturalna)

Default
proces
(redukovana
forma)

Iz vlasnikih
kapitala
(strukturalna)

Iz makro
faktora
(redukovana
forma)

Sluajne

Konstantne
unutar grupe

Sluajne

Sluajne

Simulacija /
analitiko

Analitiko

Analitiko

Simulacija

6) Stope naplate
potraivanja
7) Rjeenje
(numeriki
pristup)

Izvor: (Jorion, 2003) i (Crouhy, Galai, Mark, 2006)

Napomena: Modeli odozgo na dole ("top-down" models), kao to je CPV, grupiu
kreditne rizike koritenjem jednostavne statistike. Oni agregiraju razne izvore rizika, kao
homogene, u ukupni portfolio rizik, bez ulaenja u detalje individualnih transakcija. Ovakav
pristup prikladniji je za portfolije na malo (retail portfolios) sa velikim brojem kredita nego za
korporativne kredite. ak i unutar portfolija na malo, modeli odozgo na dole mogu skriti
specifine rizike, putem industrijske ili geografske lokacije. Nasuprot tome, modeli odozdo
na gore ("bottom-up" models), kao to je CreditMetricsTM, uzimaju u obzir karakteristike
svake aktive/kredita. Oni su najsliniji strukturalnoj dekompoziciji pozicija koja karakterie
trine VaR modele. Prikladni su za korporativne i portfolije trita kapitala. Korisni su
takoe za preduzimanje korektivne akcije zbog toga to rizina struktura moe biti drastino
izmijenjena (reverse-engineered) s ciljem da se modifikuje profil rizika.
Modeli default-moda (default-mode models) uzimaju u obzir samo potpuni default kao
kreditni dogaaj. Otuda je irelevantna bilo koja promjena trine vrijednosti obveznice ili
kreditnog rejtinga. Za razliku od njih, modeli oznaavanja prema tritu (mark-to-market
models) razmatraju promjene trinih vrijednosti i rejting, ukljuujui defaulte. Ovi modeli

fer trine vrijednosti obezbjeuju bolju procjenu rizika, konzistentnu sa periodom dranja
koji se definie kao likvidacioni period.

LITERATURA
1. Cornett M. M., Saunders A., (1999), Fundamentals of financial institutions management,
Irwin/McGraw-Hill, Boston
2. Crouhy M., Galai D., Mark R., (2006), The essentials of risk management, McGraw-Hill,
New York
3. irovi M., (2001), Bankarstvo, Bridge Company, Beograd
4. uki ., (2007), Upravljanje rizicima i kapitalom u bankama, Beogradska berza,
Beograd
5. Fazlovi S., (2006), Statistika deskriptivna i inferencijalna analiza, Denfas, Tuzla
6. Hull J. C., (2007), Risk management and financial institutions, Pearson Prentice Hall,
New Jersey
7. Jorion P., (2003), Financial risk manager handbook, John Wiley & Sons, New Jersey
8. Kozarevi E., (2009), Analiza i upravljanje finansijskim rizicima, CPA, Tuzla
9. Saunders A., Cornett M. M., (2006), Financial institutions management a risk
management approach, McGraw-Hill/Irwin, New York