Testing resilience of the financial system
Zátěžové testy jako nástroj hodnocení odolnosti • Podstata techniky • využití modelu vývoje bilance finanční instituce nebo sektoru finančních institucí za účelem kvantifikace dopadu extrémních, leč možných ekonomických podmínek v blízké budoucnosti
• Testovaná rizika: • • • • • •
úvěrové, tržní, riziko poklesu výnosů, riziko nákazy mezi institucemi, případně i riziko operační a právní (misconduct), riziko likvidity (balance sheet liquidity) či riziko dostatku zdrojů pro financování aktiv (funding liquidity). 2
Zátěžové testy jako nástroj hodnocení odolnosti • Top-down přístup (makrozátěžové testy) • regulátor/centrální banka • vlastní model chování institucí, vlastní (v centrální bance dostupná) data • analýza dopadu určitých scénářů na kvalitu portfolií aktiv, příjmy bank a jejich kapitál/solvenci • agregátní portfolia aktiv bez znalosti detailních charakteristik jednotlivých aktiv • využití makroscénářů, ideálně se zachycením některých dalších feedback efektů (interakce banky versus reálná ekonomika) 3
Zátěžové testování a finanční stabilita Rizika v ekonomice -pokles HDP -znehodnocení domácí měny -růst úrokových sazeb -pokles cen nemovitostí
Zátěžové scénáře makroekonomického vývoje
Rizika v bance -úvěrové -tržní -likviditní -zdroje příjmů -mezibankovní nákaza
Zpětná vazba/feedback effect – NENÍ V TESTECH - ZÁMĚR
Dopad na ekonomiku (dodatečný pokles HDP apod.)
Reakce banky: snížení úvěrování
Dopad do bilance banky (výsledné zisky, kapitálová přiměřenost apod.) 4
Zátěžové testy jako nástroj hodnocení odolnosti • Bottom-up přístup (individuální testy) • centrální banka/regulátor každé bance dodá scénáře • jednotlivé banky pak pomocí vlastních modelů a analýz odhadují jejich dopad do výkazu zisků a ztrát a do poměrů solventnosti • testují se jednotlivá aktiva s využitím jejich detailních charakteristik (nesplacené objemy, kolaterál, opravné položky, rating pro jednotlivé úvěry) • často pouze citlivostní analýza (např. zvýšení hodnoty jednoho faktoru – většinou PD, probability of default, i když může být testováno více faktorů) • dobrými interními modely disponují převážně velké banky 5
Zátěžové testy jako nástroj hodnocení odolnosti • u obou typů přístupů (top-down in bottom-up) testovány bilance jednotlivých institucí • výsledky mohou být agregovány • ČNB jako centrální banka a integrovaný regulátor finančního trhu využívá obou přístupů • top-down: agregátní zátěžové testy (interně v ČNB na datech reportovaných do ČNB, prováděny od roku 2003) • bottom-up: společné zátěžové testy ČNB a vybraných bank (prováděny od roku 2009) 6
Current framework of the dynamic stress tests • CNB has performed stress tests with every new quarterly macroeconomic forecasts (i.e. 4 times a year – February, May, August and November), shifted to 2 times a year in 2012 • alternative macro scenarios: one scenario reflects actual CNB‘s macroeconomist forecast, one or two adverse scenarios run in DSGE model are outlined by the financial stability team together with modelling division experts (14 variables used), • the horizon now set to 12 quarters
7
Dynamic features of CNB‘s stress tests • Tests are set as dynamic – for every item in assets, liabilities, income and costs there is an initial state to which the impact of shocks is added in one quarter and the results serve as the initial state for following quarter • this is repeated in next 12 quarters for which the prediction is generated. • Four risks are tested: credit risk, interest rate risk, currency (FX) risk and interbank contagion • Conservative calibration of stress test parameters (slight overestimation of risks, slight underestimation of buffers)
8
Bringing the stress tests in line with Basel II •
Pillar I: change in credit risk terminology/risk factors • •
•
•
explicit PD (default rates), LGD, EL (expected loss) loan segments very close to Basel II segments (corporate, retail, other) for banks in IRB approach, application of Basel II formula to determine capital requirements
Pillar II: exchange of views with banks on stress testing methodology • •
adjustments in interest rate impact (use of derivatives, interest rate sensitivity of current accounts etc.) explicit (expert) modelling of yield curve
9
Credit risk I •
• 1.
2.
tests work with four separate loan portfolios: non-financial corporations, households – consumer, households – mortgages, other loans Representation of credit risk: Expected loss (EL) • PDxLGDxEAD • PD is a result of satellite models (dependent variable; smoothed default rate df), LGD set expertly (or via simple models) • EAD is non-defaulted stock of exposures; total exposure modelled via credit growth model(s) Risk-weighted assets (RWA) • IRB formula using PD, LGD and EAD • not precise (non-linearity, not all banks have IRB approach for credit risk management), but close to how banks behave 10
NPLs
NPL ratio - the ratio of non-performing loans to total loans • product of PD/df, existing NPLs, stock of loans (L) and outflow of NPLs outof the balance sheets NPL(2)/L(2) = approx. [NPL(1) + L(1)*df - a*NPL(1)]/L(2) • expert judgment/assumptions about NPL outflow (parameter a of around 15% in a quarter): • parameter a may change during bad times, very difficult to model
11
Illustrative example of credit shock impact: expected loss/provisions, NPL and RWA Initial state
Parameters
Exposure in bil. CZK Default loans
Non-default portfolio (NP)
50
1000
Loss (PD x LGD)
PD NPL ratio (quarterly) 4.8%
Impact calculation
LGD
3%
45%
in % NP
bil. CZK
1.4%
14
Calculation of credit losses
Note: quarterly PDs, yearly PDs = 4 x 3% = 12% Final state
Impact on RWA
Exposure in bil. CZK Default loans
Non-default portfolio (NP)
NPL ratio
Capital requirements (KP)
RWA
50 + 30 - 0,15x50 = 72,5
1000 - 30 = 970
6.9%
function (970; PD; LGD)
12,5 x KP
For simplicity: 0% credit growth assumed
New NPLs (0,03 x 1000)
NPL outflow (assumed 15% each quarter)
Predikce parametru LGD • Podniková portfolia pokles HDP o jeden p.b. navýší LGD o 5 p.b. nad výchozí hodnotu LGD 45 %
• Spotřebitelské úvěry růst nezaměstnanosti o jeden p.b. navýší LGD o 5 p.b. nad výchozí hodnotu LGD 55 %
• Úvěry na bydlení pokles cen nemovitostí o jeden p.b. navýší hodnotu LGD úvěrů na bydlení taktéž o jeden p.b. nad výchozí hodnotu 22 % 13
Credit growth, RWA & capital adequacy (CAR) Capital ratio: model-based(negative) credit growth (in%) 16 15 14 13 12 11 10 9 8 06/07 12/07 06/08 12/08 06/09 12/09 06/10 12/10 06/11 Baseline
Protractedrecession
Capital ratio: 8%credit growthassumption (in%) 16 15 14 13 12 11 10 9 8 06/07 12/07 06/08 12/08 06/09 12/09 06/10 12/10 06/11 Baseline
Protractedrecession
• Potential „deleveraging“ leads to higher/better CAR in worse scenario. • Thus, in bad times, there are two competiting drivers of RWA • PD, LGD – push RWA upwards • Stock of exposures – push RWA downwards
• For comparison a scenario with positive credit growth (and higher PD, LGD): negative impact on CAR confirmed (via higher RWA)
How to work with pre-provision income, profits and capital •
•
• • •
until June 2010 (FSR 2009/2010), pre-provision income was expertly set at x % of average of past 2 years (x < 100%, thus additional stress applied in the sense of lower intermediation activity) during 1H2010, a simple model of pre-provision income was estimated (the main determinants: nominal GDP, yield curve, NPLs and capital adequacy) profit/loss is generated using the pre-provision income and the impact of shocks regulatory capital is adjusted every 2ndQ to get back to initial CAR thus, a P/L account and balance sheet of all banks generated every quarter = possible to cross-check with reality later on 15
Net income, P/L and capital adequacy: an example •
For final evaluation of banks‘ resilience capital adequacy is estimated. Link between shocks impact and capital adequacy must reflect
• • • •
(net) income generated by banks even under stress, asymmetric treatment of profits in calculation of regulatory capital, topping up of regulatory capital (set for 2nd calender quarter every year).
Initial state Regulatory capital Example1 100
RWA 1000
Estimateof P&Loverquarter ssfrom Net CAR shLoock impact income P/L 10.0% 20 30 +10
Example2
1000
10.0%
100
40
30
-10
Final state Regulatory capital 100
RWA
CAR
1020
9.8%
90
1020
8.8%
Mezibankovní nákaza pokročilých testech
• banky významně postižené ztrátami z kreditního a tržních šoků se mohou dostat do situace, kdy se zvyšuje pravděpodobnost, že přestanou splácet mezibankovní úvěry • věřitelské banky na toto zvýšené riziko protistran vytváří opravné položky, což ovšem dále zvyšuje ztráty těchto věřitelských bank a jejich vlastní pravděpodobnost nesplácení mezibankovních úvěrů • dynamická simulace probíhající v několika kolech (domino efekt), než je nalezena rovnováha • finální ztráty v mld. Kč ve formě opravných položek na nesplácené (nezajištěné) mezibankovní úvěry jsou dopadem rizika mezibankovní nákazy 17
