A pénzügyi világ árnyoldaláról, a pénzügyi kockázatokról sosem szabad megfeledkezni, bármilyen üzletről is beszéljünk. Ahogy a legutóbbi alkalommal átvettük: a kockázatok ezerféle arcot ölthetnek, még csak a nagyobb típusok átnézése sem kis feladat. De van három plusz egy olyan pénzügyi veszély, amit kiemelten kell kezelni. Ezek a hitelkockázat, a piaci kockázat, a működési kockázat, és a likviditási kockázat. Természetesen mindig az adott üzlettől függ, hogy melyik a legfontosabb, de a pénzügyi vállalkozásoknál - különösen a bankoknál - ezek mindig jelen vannak. Fontosságuk miatt pedig már külön szabályok is születtek arra, hogy miként kell őket mérni.
A pénzügyi kockázatokról szóló sorozatunk ezen részében a hitelkockázat témakörét járjuk körbe a banki szabályozás szemszögéből. Azért így, mert a bankok a főszereplői a pénzügyi világnak, és ők azok, akik a kitettségeik révén (illetve a tőkeáttétel és a mérlegszerkezetük miatt) különösen érzékenyek ezen a téren.
A hitelkockázatról még elöljáróban annyit érdemes leszögezni, hogy ez a pénzügyi kockázatok egyik legfontosabbja. Sőt, sok banknál ez a legnagyobb kockázati típus.
A hitelkockázat elnevezést is tisztáznunk kell. Ez a kockázat ugyanis egyáltalán nem csak a klasszikus hiteleknél van jelen, hanem a pénzügyi termékek igen széles skálájánál jelentkezik. Egyszóval a hitelkockázat nem csak a hitelezéssel kapcsolatos, de erre még visszatérünk.
Vegyük most át, hogy milyen csatornákon keresztül, illetve mely események által keletkezik hitelkockázat. Amit talán mindenki egyből rávág erre a kérdésre az a hitelek bedőlése. A csődesemények valóban a hitelkockázat középpontjában vannak, de ennél mégis egy tágabb jelenségről van szó. Egy hiteltermék tőkerészének az elvesztésén túl ugyanis már az is kárt okozhat, ha elmarad egy kamatfizetés, vagy még általánosabban: ha a tervezett cash flow számunkra hátrányosan alakul. Ezeken felül pedig még az is veszteséget okozhat, ha a behajtási költségek megnőnek.
Egyszóval a hitelkockázatnak számos árnyalata van, és emiatt a számszerűsítése sem annyira egyszerű.
Nézzünk egy példát
Fordítsuk most mindezt le konkrét, hétköznapi eseményekre. Ha egy lakossági ügyfél nem képes fizetni a jelzáloghitelét, vagy netán csak késik a fizetéssel, az már veszteséget okoz a banknak. De ugyanez előfordulhat egy vállalati kitettségnél, mondjuk egy áruhitelnél is. Sőt, egy állami szervnél sem elképzelhetetlen, hogy nem teljesíti az általa kibocsátott kötvény kuponfizetését. Számos esemény okozhat veszteséget a hitelkockázat különféle csatornáin keresztül, ezért a bankoknak és pénzügyi vállalkozásoknak ezekre mind fel kell készülniük. Tudniuk kell számszerűsíteni a kockázatokat.
Hogy egy-egy ügyletből pontosan mennyi hitelkockázat származik, azt nem könnyű megmondani. Valószínűségi problémákkal találja magát szembe a bank, amit elemezni kell, hogy megfelelő döntést hozhasson egy tranzakciót illetően. A pénzügyi felügyeletnek pedig ehhez kapcsolódva egyértelmű és követhető szabályokat kell alkotnia. Mint látni fogjuk, a hitelkockázat két megközelítése - az üzleti és a szabályozói - nem feltétlenül van összhangban.
Tekintsük most át röviden a hitelelemzési módszereket, amivel a bankok azt próbálják üzletileg eldönteni, hogy kinek adjanak hitelt, vagy mely partnerrel hajtsanak végre egy-egy tranzakciót.
Az 5C
A lakossági hitelelemzésre elterjedt módszer az úgynevezett 5C módszer. Ez az öt "C" betűvel kezdődő angol szakszóra utal - Character, Capital, Capacity, Condition, Collateral -, amelyek egy adós hitelképességének a főbb szempontjait ragadják meg. Az elsőt, a karaktert például abból lehet megbecsülni, hogy más termékek esetében miként viselkedett a potenciális adós. Hogyan bánt a folyószámlája hitelkeretével, vagy hogy mindig időre befizette-e a telefonszámláját. Már persze ha ilyen adathoz hozzá tud férni a bank. Egy másikat, a kapacitást pedig az illető jövedelmi helyzete és a kiadási szerkezete alapján lehet megítélni. Hogy melyik mennyire fontos az öt közül, azt a múltbeli tapasztalatok alapján lehet eldönteni, de egyedi szakértői döntést is lehet róluk hozni. Ez utóbbi jelenti a hitelkockázat-elemzésnek a szubjektív oldalát. Máig sok bank támaszkodik szakértői csapatokra bizonyos hitelkérelmek elbírálásánál, de az automatizált döntések térnyerése már most is látható, és ez jelenti a jövőt.
Scoring
Ma már vannak egészen modern, kvantitatív módszerek is a hitelelemzésre. Az úgynevezett credit scoring (pontozásos) rendszerek arról szólnak, hogy az egyes ügyfelek hitelképességét a paramétereik rögzítését követően, előre kalibrált függvények mentén értékelik ki. Mindenki kap erről egy pontot. A folyamat ilyen módon akár teljesen automatikus is lehet, de a kalibrációban azért még így is szükség van szakértői kézre (ez az amiben a mesterséges intelligencia és a gépi tanulás idővel teret nyerhet). A scoring rendszerek eredményeit egyébként egyszerre lehet hitelezői döntéstámogatásra vagy automatikus hitelkérelem-elbírálásra is használni.
Az ökonometriai módszerek nagy kihívása, hogy pontosan milyen adatok is állnak a rendelkezésünkre, és hogy a feltevéseink - amik mentén a becséléseket és a kalibrációt végezzük - helyesek-e. Jó példa erre, ahogy a vállalati hiteleknél a számviteli adatokra és egyes kiemelt pénzügyi mutatókra próbál támaszkodni a szakma. Csakhogy nincs teljes egyetértés arról, hogy mely vállalattípusnál, mely pénzügyi mutató az igazán releváns a hitelképesség becsléséhez.
Egyszóval az a helyzet a hitelelemzéssel, hogy még senki sem találta meg a Szent Grált.
A hitelkockázat számszerűsítése egy máig fejlődésben lévő terület, ahol valószínű, hogy idővel az adatelemzés egyre nagyobb teret nyer majd a szakértői bírálatokkal szemben. A döntéstámogató rendszerek pedig egyre inkább a teljes automatizáció irányába mozdulnak el a világon, hogy az igényeket minél gyorsabban tudják kiszolgálni, lehetőleg emberi tévedés nélkül.
Kell egy konkrét szám
Ahogy fentebb már utaltunk rá, a hitelkockázat imént bemutatott elemzése az üzleti döntések miatt fontos, de nem feltétlenül esik egybe a pénzügyi felügyelet elvárásaival. Egy bank számára az a lényeg, hogy kockázati alapú árazással, hitelportfólió szinten nyereséget tudjon termelni. Egy szabályozót viszont az érdekel, hogy a bankok a várható veszteségekre céltartalékot képezzenek, a váratlan veszteségekre pedig kellő mennyiségű tőkét tartsanak. Vagyis a bankfelügyelet esetében muszáj, hogy konkrét számokat rendeljünk a hitelkockázathoz.
Ez a szám pedig nem más, mint az úgynevezett RWA (Risk Weighted Assets), vagyis a kockázattal súlyozott eszközérték.
A szabályozó szempontjából ez testesíti meg az egyes pénzügyi kockázatokat, amire az ő előírása szerint kell tőkét képzeni. A cikk további részében így ennek a megértésével foglalkozunk.
Amióta szabályozzák a bankolást a világon, szakértők egész hada foglalkozik a pénzügyi kockázatok minél pontosabb számszerűsítésével. Ennek az éllovasa a Bázeli Bankfelügyeleti Bizottság (BCBS), amit még 1974-ben alapítottak a G10 országok jegybankjai azzal a céllal, hogy világszinten hatékonyabbá és egységesebbé tegyék a banki szabályokat. Tőlük ered a banki tőkekövetelmények szigorú szabályrendszere is, az úgynevezett Bázeli Tőkeszabályozási keretrendszer. Ez egy részletesen kidolgozott és folyamatosan frissített - durván 1600 oldalas - irányelv, amit a legtöbb ország törvényekbe is foglalt (itt-ott módosítva azt).
A bázeli keretrendszernek a felhasználásával már egyértelművé válik, hogy a bankok és pénzügyi vállalkozások miként kötelesek a pénzügyi kockázatokat számszerűsíteni, és a hatóságok felé jelenteni. A hitelkockázat kiszámítására például két fő irányt határoztak meg, és az alábbiakban ezeket nézzük meg közelebbről.
Az egyik az úgynevezett sztenderd megközelítés (SA, vagy Standardized Approach), a másik pedig a belső értékelési módszer (IRB, vagy Internal Ratings-based Approach). A cél mindkét esetben az, hogy valamilyen módon kockázati súlyokat tudjunk a banki kitettségekhez rendelni. Vagyis hogy a problémásabb ügyfeleknél nagyobb hitelkockázatot mutassunk ki, míg a jobbaknál alacsonyabbat. Így állhat elő a kockázattal súlyozott eszközérték, vagyis az RWA. Hogy aztán ehhez az összeghez mennyi tőkét kell a banknak képeznie - például minimum 8%-ot - azt ismét csak a szabályozó mondja meg.
A hitelkockázat kiszámításánál a fő kérdés az, hogy addig a bizonyos RWA-ig hogyan jutunk el.
Számoljunk egyet
Vegyünk egy hétköznapi lakossági példát, ahol az ügyfélnek van egy jelzáloghitele, meg egy folyószámla hitelkerete. Ez a kettő elég tipikus termék, és jól szemlélteti majd a mondandónkat. A hitelkockázat számszerűsítéséhez, illetve a kötelező tőkeképzés kiszámításához több lépésben jutunk el. Először is, a bank ügyféllel szembeni kitettségét módosítanunk kell. A célunk az, hogy meghatározzuk azt a tényleges kitettséget, amely egy esetleges csődeseménykor állna fenn.
A jelzáloghitel esetében ez úgy néz ki, hogy a bruttó kitettségből levonjuk a fedezet meghatározott értékét, illetve a hitel várt veszteségeire kötelezően megképzett céltartalékot. Ez utóbbi egy folyamatosan elkülönített összeg, amely a mindennapi banki működés része. Az így fennmaradó kitettség az, amely igazán fontos a bank számára, és a szakirodalomban ezt hívják EAD-nek (Exposure at Default).
Ugyanehhez a mutatóhoz más és más számítási módszerrel juthatunk el attól függően, hogy milyen termékről van szó. Például az előbb említett folyószámlahitelnél is felmerül egy újabb tényező, amivel számolnunk kell. Ha valaki nem hívja le a hitelkeretét, akkor ott valójában nem jön létre tényleges kitettség (ez ilyenkor egy mérlegen kívüli tétel). Csakhogy ezt sok terméknél bármikor megteheti az ügyfél, vagyis van valamekkora esély rá, hogy hitelkockázatot hordozó kintlevőséggé alakul át ez a keret. Ezért egy úgynevezett hitelkonverziós tényezőre (CCF, vagy credit conversion factor) van szükségünk, amely egy olyan százalékos szorzó, amely a potenciálisan keletkező hitelkockázatunkat ragadja meg. Ennek az értékét a bank akár meg is becsülheti a múltbeli tapasztalatok alapján, de lehet olyan felállás is, ahol a szabályozó elvárja, hogy meghatározott CCF értékek mentén történjen a mérlegen kívüli tételek számbavétele.
Ilyen módon pedig már kiszámítható, hogy a példánkban szereplő ügyfelünk a két hiteltermékével mekkora EAD-vel is bír. A következő kritikus lépés pedig itt következik. El kell ugyanis döntenünk, hogy mennyire értékeljük kockázatosnak az adott ügyfelet, vagyis hogy mekkora kockázati súllyal vegyük figyelembe ezt a bizonyos EAD összeget. Ez az a pont, ahol a kockázati súlyok témaköre kerül előtérbe, aminek a meghatározására két megközelítés közül választhatnak a bankok.
A sztenderd módszer
Kezdjük a sztenderd módszerrel, amely a Bázel 2 ajánlásai alapján született, de máig érvényben (és alakulóban) van. Itt a bankok elsősorban külső hitelminősítésekre támaszkodnak, illetve azok felhasználásával, a szabályozó előírásai szerint határozzák meg a kockázati súlyokat. A dolog szerencsére nem fűnyíróelven működik, mert az iránymutatás alaposan kitér a kitettségek és minősítések egyes típusaira.
Meghatározza például, hogy a jó (AAA és AA- közötti) minősítéssel bíró államkötvényeket nulla százalékos kockázati súly illeti, míg a közepeseket (BBB+ és BBB-) már 50 százalékos. De a szabályozó sorra veszi a vállalati követeléseket, a jelzáloggal fedezett kitettségeket, meg a kiskereskedelmi hiteleket is. A lista kitér minden főbb eszközosztályra, és egyértelműen megmondja, hogy azon belül milyen minősítéshez milyen kockázati súly tartozik. Az alábbi táblázat némi betekintést nyújt ebbe a logikába.
Ennek a szabályrendszernek az európai alkalmazását a CRD és a CRR (Capital Requirements Directive és a Capital Requirements Regulation) taglalja, amely szintúgy a bázeli ajánlásokat tükrözi, noha vannak részek, ahol eltér tőle. A nemrég bevezetésre került változatára CRR2-ként hivatkoznak a szakmában, míg a véglegesített Bázel 3-at tükröző CRR3 várhatóan csak 2023 januárjával áll élesbe. (A szabályok elnevezési egyébként gyakran összezavaróak lehetnek, hiszen a frissített és így véglegesített Bázel 3-ra sokan már Bázel 4-ként hivatkoznak.)
Ha visszatérünk a fenti példánkhoz a lakossági ügyféllel, akkor ott csak annyi a dolgunk, hogy megkeressük a hozzá tartozó kockázati súlyt a szabályozásban. Ez néha több besorolás és kivétel figyelembevételét is igényli, így nem mindig annyira egyszerű a helyzet. Amennyiben viszont sikerül kibogozni, hogy az adott ügyfelet pontosan miként is kezeli a CRR, és megkapunk egy kockázati súlyt - például 75 százalékot a lakossági ügyfelünkre -, akkor már lényegében kész is vagyunk.
Az RWA ugyanis az EAD és a kockázati súly szorzatából jön létre.
Az IRB
A hitelkockázat mérésének van ugyanakkor egy másik iránya is, ahogy azt fentebb már említettük. Ez pedig az úgynevezett belső értékelési módszer (IRB). A fő különbség a sztenderd módszerhez képest az, hogy itt a bankok maguk próbálják megbecsülni az ügyfeleik kockázatosságát, és az alapján adják meg a kockázati súlyokat. Persze nincs teljesen szabad kezük ebben az esetben sem, egyrészt mert a szabályozó jóváhagyása kell ennek a módszernek az alkalmazásához, másrészt pedig részletes iránymutatást is előírnak a számítások elvégzéséhez.
Első körben itt is az történik, hogy a kitettségeket főbb eszközosztályokba sorolja be a bank. Ilyen lehet például a vállalati, az állami, a banki, vagy éppen a kiskereskedelmi kitettség, de jegyezzük meg, hogy ezek az osztályok még további alosztályokra bontódnak a gyakorlatban, vagyis a lista ennél egy fokkal hosszabb. A modellezési feladat innentől kezdve az, hogy meg kell becsülnünk ezen osztályokon belül a fő kockázati paramétereket. Ezek pedig a bedőlés valószínűsége (PD, vagy probability of default), a bedőléskor fennálló kitettség (EAD, ahogy korábban részleteztük), a bedőléskor keletkező tényleges veszteség (LGD, vagy loss given default), és ezeket kell a futamidővel és a CCF-el együtt vizsgálnunk.
Ezeket a paramétereket historikus adatokon, ökonometriai módszerekkel is megbecsülhetjük, de fontos tudni, hogy a kapott értékek sosem statikusak. Vagyis ezek a becslések mindig csak adott időpontra érvényesek, a PD vagy LGD más gazdasági körülmények között ugyanazon ügyfelek és termékek esetében is megváltozhat. Ez a modellezési gyakorlat teszi lehetővé a várható veszteségek (ECL, vagy Expected Credit Loss) kiszámítását is (az alapképlet itt a következő: ECL = EAD * PD * LGD), amire a banknak céltartalékot kell képeznie.
Jelen esetben viszont az a kérdés, hogy a veszteségek eloszlásának melyik része az, amit a normál üzleti működéshez sorolunk, vagyis amire céltartalékot képezünk, és melyik az, amely már a váratlan eseményekhez sorolható. Ez utóbbi ugye az, amire a banknak tőkét kell képeznie. Ennek az eldöntéséhez ad függvényeket a szabályozó, amelyek veszik a kockázati paraméterek becsült értékeit és azokból vezetik le a kockázati súlyokat.
Az IRB keretrendszernek két változata van érvényben jelenleg, amelyeket rendre F-IRB (Foundation IRB) és A-IRB-nek (Advanced IRB) neveztek el. A lényeges eltérés abban van, hogy az F-IRB esetében a bank csak a PD-t becsülheti meg, a többi paramétert (LGD és CCF) a felügyelet határozza meg. Ezzel szemben az A-IRB-nél már átfogóbb modellezést végezhet a bank, de cserébe meg kell felelnie bizonyos követelményeknek. A használt banki modellt egyébként mindkét esetben jóvá kell hagynia a szabályozónak. A bázeli szabályozás frissített változatában pedig az A-IRB használhatóságát több eszközosztály esetében is megtiltották.
Az IRB több előnnyel is szolgál a sztenderd módszerrel szemben. Az első és talán legfontosabb, hogy érzékenyebben tükrözi a hitelkockázatot. A sztenderd módszerben azonos kockázati súllyal illetett kategóriákon belül is megkülönbözteti a jó és rossz ügyfeleket. Ez szabályozói szempontból mindenképpen szerencsés, hiszen reálisabb képet adhat a kockázatokról. Ráadásul eközben arra is ösztönzi a bankokat, hogy minél alaposabb modellezési gyakorlatot építsenek ki, ami egyáltalán nem egy mellékes szempont. Nagy általánosságban még az is elmondható, hogy az IRB megközelítés a jó minőségű portfólióval rendelkező bankoknak előnyös, hiszen ilyen esetben akár kisebb tőkekövetelmény is előállhat, ami nagyobb üzleti mozgásteret enged. (Noha az új szabályozás a jövőben fokozatosan korlátozza az ebből nyerhető tőkeképzési előnyt.)
Ezzel a végére is értünk a hitelkockázati téma nagy léptékkel való körbejárásának, de messze nem tértünk ki mindenre. Nem tárgyaltuk a PD és LGD-becslések gyakorlati kihívásait, nem vettük át a hitelkockázatot eredményező főbb ügyleteket, és nem ágaztunk le a hitelkockázat egyik kiemelt altípusához sem, a partnerkockázathoz (ez a CCR, vagy Counterparty Credit Risk). Ez utóbbi a nagy derivatíva-portfóliót tartó bankoknál pedig akár jelentős is lehet, és éppen az új CRR2 keretében módosult a számítási logikája.
A téma lezárásához közeledve talán egy dolgot érdemes még kiemelni a hitelkockázat kapcsán. A kockázatmérési technikák máig alakulóban vannak, a BCBS pedig a Bázel 3 véglegesítése után sem valószínű, hogy abbahagyná az irányelveinek finomhangolását. A hitelkockázati IRB modellezés pontossága terén még bőven van tér a fejlődésre és szigorításra. De az sem kizárt, hogy a bankok túlnyomó többsége által használt sztenderd módszernek is idővel újabb hiányosságai derülnek ki. Ezeken felül a szabályozó világban egyre nagyobb figyelmet kezdtek az adatminőségre is fordítani, ami teljesen jogos. A rossz adatok még a legjobb módszertant is megmérgezik.
Hitelkockázat és COVID
A COVID a bankszektorra is súlyos csapást mért, és a hitelkockázat-mérés új kihívásokkal találta szemben magát. Hirtelen sokkal alaposabb hitelelemzési technikákra lett szükség, hogy pontosabban lehessen felmérni a válságban különbözőképpen érintett vállalatok és egyének helyzetét.
Aki ezt rosszul csinálta az elmúlt egy-két évben, az ráült egy jó nagy bombára.
A hitelkockázat megértése, mérése, és kezelése nem könnyű falat, ahogy azt ennek a cikknek a hossza is mutatja. Csakhogy ez egy kritikus terület. A 2008-as pénzügyi válság után rengeteget fejlődtek a bankok a kockázatkezelésben, és a szabályozói környezet is szerencsére jóval erősebb lett. Ez pedig egy kiemelten fontos védelmi bástyája a modern gazdaságunknak, és ezért komoly figyelmet érdemel.
Cikksorozatunk következő részeiben a működési kockázattal, a piaci kockázattal, és a likviditási kockázattal is mélyebben foglalkozunk majd.
Címlapkép forrása: Getty Images
