РЦБ.RU
  • Автор
  • Мунерман Илья, Генеральный директор Института управления стоимостью

  • Все статьи автора

Фондовый рынок и фактор однодневности. Практический эксперимент по повышению прозрачности российской экономики

Июнь 2012

Компании-однодневки только на первый взгляд существуют в противоположном по отношению к фондовому рынку измерении. «Серый» сектор создает системные риски, искажает макроэкономическую статистику и среднеотраслевые показатели, отдаляя российский рынок от бурно развивающихся западных рынков, движущихся в сторону большей прозрачности, более качественного анализа и точных прогнозов. Эксперимент по проверке российского корпоративного сектора на прозрачность и благонадежность, который провели «Интерфакс» и Институт управления стоимостью, позволил оценить истинные масштабы этого бедствия.

КОРПОРАТИВНЫЕ «МЕРТВЫЕ ДУШИ»

Российский фондовый рынок насчитывает чрезвычайно малое число эмитентов, и самые крупные из них представляют традиционную индустриальную экономику. Корпоративная отчетность компаний, даже составленная по стандартам МСФО, имеет низкое качество, и эта проблема остается открытой. Много бед от того, что стоимость активов компаний отражена как попало и весьма далека от реальности. Кроме того, одной из главных трудностей является то, что среди множества российских компаний содержится огромное количество «помоек», недобросовестных контрагентов, брошенных фирм, транзакционных единиц, которые ничего не производят, не оказывают услуг и служат исключительно для целей, весьма далеких от установления легального и грамотно организованного инвестиционного процесса.

Риски таких компаний достаточно велики.

Во-первых, это риск недобросовестного контрагента, который может быть выявлен налоговыми органами и послужит причиной серьезных налоговых санкций, а если будет доказано, что взаимодействие с таким контрагентом носило запланированный характер, то повлечет за собой уголовное преследование менеджмента компании.

Во-вторых, это риск невозвратных задолженностей, фальшивых сведений о доходах физических лиц и прочие риски, связанные с кредитованием экономических субъектов, так или иначе взаимодействующих с однодневками.

В-третьих, это риск недостоверных среднеотраслевых показателей, влияющих практически на все: на прогнозы тех или иных факторов, статистику, макроэкономический анализ, в частности на составление межотраслевых балансов. Не будем также забывать о том, что однодневки в основном обслуживают коррупционные интересы и вредят конкуренции. Таким образом, кумулятивный эффект от фирм-однодневок в России огромен, и его митигирование — важнейшая задача макроэкономического регулирования в целях обеспечения нормального функционирования национальной финансовой системы.

Совместно с «Интерфаксом» мы попытались разобраться с проблемой однодневок, предотвращения появления так называемых «мертвых душ» в системах корпоративной отчетности. Проект получил название «Индекс должной осмотрительности». По замыслу, новый показатель должен стать универсальным индикатором степени благонадежности компаний.

ОТ ПРОСТОГО К СЛОЖНОМУ

Сначала задача показалась нам простой и понятной, и ничто не предвещало тех объемов работы и такого количества проблем, которые пришлось преодолеть, прежде чем стало возможно пользоваться индексом.

Нам виделся всего-навсего набор решающих правил — аналог критериев, рекомендованных ФНС и взвешенных с помощью простейшей системы логического выбора, для самостоятельной проверки налогоплательщиков. Для составления индекса были выбраны два направления.

Первое — взаимодействие с различными экспертами — от представителей правоохранительных органов до специалистов по решению «специфических финансовых вопросов». Предприниматели, налоговики, конкурсные управляющие, аудиторы, полицейские — с кем мы только ни общались! Каждый эксперт, с которым мы проводили консультации, рассказывал нам захватывающую историю про некоего деятеля, создавшего несколько компаний для незаконных операций и попавшегося или ушедшего от ответственности. Однако интересные повествования практически не приблизили нас к решению поставленной задачи. На самом деле, с учетом того, что в России насчитывается чуть менее 4 млн действующих коммерческих юридических лиц и 1,5 млн ликвидированных юрлиц, сведения о рассказанных нам 50—70 компаниях — это только тысячные доли процентов всей информации, которую требовалось проанализировать.

Второе направление — анализ зарубежного опыта подобных исследований. Сразу оговоримся, что огромное количество мифов, сопровождавших зарубежный опыт, следует развеять, прежде чем двигаться дальше. Так, нередко приходится слышать, что наша страна полна оригинальными мошенниками, с которыми не могут справиться западные аналитические системы. Придется огорчить авторов этих слухов: российские мошеннические схемы не «хитрее» китайских.

Сторонники другого мнения рассказывают про некую «шведскую систему», стоящую на вооружении наших спецслужб и позволяющую «знать все». На самом деле никакой «шведской системы» не существует, хотя бы потому, что в Швеции нет фирм-однодневок. Реальность оказалась в том, что на Западе созданы интересные методики и наработана полезная практика, которую оказалось возможным частично применить и в России.

ВЫБОРКА — 80% УСПЕХА

Как бы то ни было, но, для того чтобы построить модель распознавания недобросовестных контрагентов, необходимо в первую очередь очертить поле, на котором должно состояться сражение.

Крупнейшая система корпоративной информации — СПАРК содержит информацию о всех зарегистрированных юридических лицах России, Украины, Казахстан:

  • всего зарегистрировано 7 813 468 компаний, из них 3,8 млн — действующие коммерческие компании, около 1,5 млн — ликвидированные юридические лица;
  • отчетность 953 840 компаний представлена в СПАРК хотя бы за 1 год из последних 4 лет;
  • компании, сдающие отчетность в соответствии с МСФО, составляют 0,012% от общего количества компаний, включенных в список СПАРК;
  • в базе данных насчитывается 0,004% системообразующих компаний;
  • в базе данных насчитывается 0,003% стратегических предприятий;
  • российские компании-эмитенты составляют 0,053% от общего количества всех компаний базы;
  • 0,007% компаний, зарегистрированных в базе данных СПАРК, — члены Российского союза промышленников и предпринимателей.

Исследовав таким образом все юридические лица (или, как называют это статистики, генеральную совокупность значений случайной величины), мы перешли к формированию выборок из генеральной совокупности, которые необходимы для построения модели.

Какие же требования предъявляются к выборке?

Она должна быть, во-первых, достоверной (т. е. мы точно должны знать, какие из компаний действительно добросовестные, а какие нет), во-вторых, большой и, в-третьих, повторять закономерности генеральной совокупности, иначе модель будет неточной. Выборки формировались в несколько этапов и разными методами. Расскажем о некоторых из них.

Попутно заметим, что грамотно составленные выборки — на 80% залог успеха любого проекта, целью которого является построение математической модели. Именно на их формирование расходуется львиная доля времени и бюджета всего проекта.

Также важно отметить, что формирование выборок добросовестных и недобросовестных компаний — абсолютно разные процессы. Добросовестные компании отбираются на базе рейтингов, из членства в различных общественных организациях, из числа эмитентов, раскрывающих свою отчетность.

С недобросовестными компаниями ситуация сложнее.

Первый вариант отбора этой категории объектов состоит в анализе судебных решений по делам о признании недобросовестности налогоплательщика. Его привлекательность заключается в том, что упомянутые в судебных делах недобросовестные компании однозначно признаны таковыми судом и дополнительных доказательств их недобросовестности не требуется. Тем не менее у этого варианта есть и существенные недостатки.

Во-первых, он очень дорогой: практически каждое судебное решение приходится анализировать «вручную», для чего требуется опытный и квалифицированный сотрудник. Во-вторых, главная трудность исполнения судебных решений коренится в том, что многие судьи до сих пор не указывают в судебных постановлениях ОКПО или ИНН фирмы-однодневки, из-за которой возникли проблемы налогоплательщика. Из-за того что «помоечных дел мастера» часто называют их в стилистике советских контор, например «СтройТехМонтаж» (зафиксировано 306 компаний в СПАРКе) или «ТоргСнаб» (323 упоминаний), то остается только догадываться, какую именно организацию имел в виду уважаемый суд. В-третьих, иногда в судебных постановлениях, повторяющих вердикты налоговых органов, содержатся ошибки, которые в ряде случаев приводят к отмене судебных решений в вышестоящих судебных инстанциях. Таким образом, даже идеальный на первый взгляд вариант «ручного» отбора недобросовестных компаний оказывается не самым оптимальным.

Второй вариант формирования перечня недобросовестных компаний состоит в автоматическом анализе фирм, ликвидированных налоговым органом, и всевозможных реестров ненайденных должников, а также в использовании других методов автоматического поиска недобросовестных контрагентов. Трудность формирования выборки заключается в том, что эти списки не всегда достоверны. Встречаются вполне добросовестные компании, ликвидированные, к большой неожиданности их владельцев, налоговым органом, или ненайденные должники, разыскиваемые путем нехитрого поиска в СПАРКе.

Ошибки при осуществлении этого варианта отбора могут привести к катастрофическим последствиям.

В ходе формирования выборок при построении ИДО использовались оба метода в различных пропорциях. Важно отметить, что для оперативной обработки колоссальных объемов информации был создан стенд, объединяющий базы данных СПАРКа с программной средой Matlab — одной из самых мощных и производительных на сегодняшний день систем математических вычислений.

ИЗУЧАЕМ ФАКТОРЫ

Что же свидетельствует о добросовестности либо об отсутствии таковой? Например, для самостоятельной проверки контрагентов на добросовестность ФНС рекомендует использовать в качестве критерия недобросовестности такие невинные признаки, как регистрация компании в форме ООО. Совершенно очевидно, что среди недобросовестных компаний абсолютное большинство составляют ООО, но без модели, придающей должный вес этому фактору, его использование является бессмысленным, так как среди миллионов ООО встречаются как добросовестные, так и недобросовестные компании.

Другие факторы — финансовые и нефинансовые. Наиболее распространенные нефинансовые факторы это: наличие руководителя, адреса, телефона, лицензии, госконтрактов, дочерних компаний и др. Финансовые факторы, за исключением уставного капитала, возникают у компаний с финансовой отчетностью, если таковая у компании имеется и представлена в СПАРКе. К ним относится: отчетность и ее периодичность, выручка, активы, основные фонды, уставный капитал и др. Каждый фактор имеет свои характеристики, которые делятся на статические (госконтракты, наличие, например, нескольких директоров или адресов, размер уставного капитала) и динамические (движение денежных средств, частота смены параметров, например смена руководителя, и др.).

Проведение анализа значимости факторов данного проекта — сложный и высокотехнологичный процесс, поскольку все факторы не имеют достаточно четких характеристик, их значимость зависит от выборки, на которой она определяется. Для четкого определения значимости фактора и его роли в итоговой модели требуется серьезное знание характеристик исходных выборок. Отобранные факторы должны быть не только статистически значимы, но и экономически обоснованы.

Постараемся объяснить, о чем идет речь.

Представьте себе, что на некой квартире зарегистрировано 57 компаний. Это адрес массовой регистрации или нет? Конечно, да. Но разве мы знаем точно, что по некому адресу расположена именно квартира? Например, по адресу: г. Челябинск, ул. Машиностроителей, д. 21 — зарегистрировано 63 компании. Что из этого следует? А ничего! Это адрес Челябинского трубопрокатного завода, и указанные компании в основном его «дочки». Аналогичная история происходит и с идентификацией ФИО. В одном случае директор может оказаться уважаемым человеком, в другом — бомжем, его полным тезкой, на которого зарегистрировано 1500 компаний. (Улучшение этой ситуации началось в 2011 г.: в СПАРК вносятся ИНН руководителей и собственников бизнеса.)

Даже такое простое на первый взгляд поле анкеты, как «Срок с момента последней сданной отчетности», таит в себе опасности неверного распознавания. Например, для так называемых «помоек первого уровня» оно является важнейшим с точки зрения анализа. Они могут довольно долго функционировать, сдавать отчетность ровно до того момента, пока не получат уведомление от налогового органа о проведении проверки, после чего они немедленно прекращают свое существование, а налоговый орган приступает к их розыску и в последствие — к ликвидации как недействующего юридического лица.

Казалось бы, все просто: чем больше срок от сдачи последней отчетности, тем вернее, что компания окажется недобросовестной. Более того, если модель настраивать только на выборках недобросовестных компаний из реестров фирм, ликвидированных налоговым органом, то статистическая значимость срока от сдачи последней отчетности окажется важнейшим фактором, обладающим огромным коэффициентом корреляции. Целесообразно ли его использование? Оказывается все не так просто. Например, некоторые компании, представив свою отчетность в ФНС, в то же время не сдали ее в Росстат, а другие предприятия перешли на упрощенную или особые формы отчетности.

Таким образом, практически любое правило имеет огромное количество исключений, именно поэтому и оказались не совсем дееспособными критерии самостоятельной проверки контрагентов, рекомендованные налоговиками. И именно поэтому простейшие модели логического выбора несостоятельны для решения поставленных задач.

В общей сложности были проанализированы десятки простых и составных факторов, итоговая модель обрабатывает 20 факторов для компаний с финансовой отчетностью и 10 — для компаний без таковой.

ВЕРИМ ГАУССУ

Для решения задач диагностики мошеннических компаний используется широкий ассортимент моделей многомерного статистического анализа, предназначенных для решения задач распознавания образов. Что это за модели и как они работают?

Нужно сказать, что с задачами распознавания образов мы встречаемся в пов­седневной жизни все чаще и чаще. Гаджеты распознают тексты и речь. Камеры наблюдения выявляют подозрительных прохожих. Средства борьбы с детской порнографией сканируют пространство Интернета в поисках соответствующих сайтов. Площадки по размещению блогов вылавливают и удаляют злобных троллей, мешающих комфортному общению посетителей. Военные настраивают системы наведения ракет и пишут программы обработки информации от БПЛА. В декабре прошлого года мы стали свидетелями экспансии статистических методов в политическую жизнь нашей страны. Все мы помним жаркую дискуссию, развернувшуюся вокруг результатов последних парламентских выборов и приведшую к массовой акции протеста. Среди плакатов митингующих на Болотной площади красовались лозунги «Чурову не верим — верим Гауссу!» и «Эй, волшебник, верни Гаусса!».

Как на простом языке объяснить работу статистических моделей?

Перед вами простейший пример: зависимость стоимости московских квартир от их площади. Мы выразили эту зависимость в виде линейного уравнения (рис.1):

y = 124 449x + 1 390 187.

Простейший пример: зависимость линейная, всего один фактор, квартиры расположены в похожих спальных районах. Однако эта простейшая модель позволила нам распознать объект, который может быть описан линейным уравнением.

Как же быть, когда мы сталкиваемся со сложными объектами, распознать которые очень трудно и требуется подбирать не простейшие, а более сложные функции, которые еще не известны современной математике?

Решение таких проблем предложили американские ученые — нейрофизиолог и кибернетик Уоррен Маккалок (Warren Sturgis McCulloch) и математик Уолтер Питтс (Walter Harry Pitts, Jr.), которые в 1943 г. использовали искусственные нейронные сети для распознавания сложных объектов. В основе нейросетей лежит математическая конструкция, повторяющая в чем-то структуру головного мозга человека.

Во многом нейронная сеть воспроизводит поведение нашей нервной системы. Она обучается на контрольных примерах (обучающей выборке) и впоследствии распознает представленный объект. С помощью специального преобразователя (матрицы синаптических связей) из элементарных функций (так называемых функций активации) конструируется новая функция, которая повторяет поведение исследуемого объекта, так же как в нашем примере прямая линия воссоздала поведение стоимости квартир, только итоговая функция представляет собой сложную функцию нескольких переменных.

С тех пор нейронные сети пережили пики популярности и разочарования в них. Их успешное применение особенно в распознавании текстов, фотографий, голоса между тем на финансовых рынках практически ничем закончилось — попытки использовать нейронные сети в области предсказаний провалились. Также не все гладко было и у военных. Например, еще памятна история (правда, не совсем точно установлена ее правдивость), которая прекрасно иллюстрирует взаимосвязь грамотно построенной выборки и итогового результата: военные специалисты обучали нейронную сеть распознавать свою и вражескую военную технику. Во время испытаний (к счастью, только на уровне тестирования модели) выяснилось, что запущенные ракеты с одинаковым успехом попадали и в свою технику, и в танки воображаемого противника. Последующее разбирательство показало, что при настройке сети была допущена ошибка: на фотографиях «наши» танки были изображены на одном фоне, например на снегу, а техника противника — на другом, например на траве. В результате сеть настроилась на попадание по любым целям на траве. Именно такого рода ошибки постоянно преследовали нас на протяжении построения индекса, тем не менее их удалось избежать.

В результате была создана нейронная сеть, состоящая из 61 нейрона, для компаний без финансовой отчетности и из 100 нейронов для компаний с отчетностью. Точность оценки, которая была достигнута, позволила снизить уровень погрешности Индекса должной осмотрительности до 5-7%.

ВЫШЕ СРЕДНЕГО ИЛИ НИЖЕ?

Проект, который начинался с решения вполне прикладной задачи — как обезопасить бизнес от неблагонадежных партнеров, перерос сегодня в значительно более масштабную задачу — как сделать нашу экономику прозрачнее, а компании — более открытыми.

В табл.1. и на рис. 2. приведены шкала измерения индекса и пример его отображения в карточке компании.

В табл. 2 представлено частотное распределение значений индекса.

Очень важно обратить внимание на следующие обстоятельства.

Во-первых, значения индекса с 30 до 90 не свидетельствуют о недобросовестности компании, а указывают на скудность информации, содержащейся в СПАРКе, для однозначного подтверждения добросовестности или недобросовестности. Градации индекса в данном случае говорят нам об уровне недостаточности этой информации. Если компания не удовлетворена значениями индекса, она всегда может предоставить информацию о себе в «Интерфакс» и получить положительные значения индекса.

Во-вторых, большинство компаний малого бизнеса имеют индекс в диапазоне 60—80, что соответствует высокому риску. Но это действительно так! Даже в развитых странах малое предпринимательство довольно рискованное, что уж говорить о России, где выживание малого бизнеса зачастую зависит от произвола конкретного чиновника.

Важным аспектом применения ИДО является возможность получения достоверных среднеотраслевых показателей. Эта проблема на сегодняшний день весьма актуальна, ведь большинство макро- и микроэкономических моделей — от межотраслевых балансов до моделей оценки фундаментальной стоимости компаний на фондовом рынке — основываются на достоверных среднеотраслевых коэффициентах. Как же можно рассчитывать эти коэффициенты, если по некоторым отраслям и регионам доля недобросовестных компаний составляет почти 70% и более? На рис. 3 зафиксирован эффект от влияния корректировок расчетов среднеотраслевых коэффициентов на значения ИДО. На графике видно, что модель, которая ошибалась и в оценке стоимости компании (степень ее переоцененности/недооцененности), и в определении тренда котировок ее акций, после корректировки расчета положенных в ее основу отраслевых коэффициентов демонстрирует гораздо более адекватные оценки.

О СВЕТЛОМ БУДУЩЕМ

Мы мечтаем о превращении Москвы в международный финансовый центр. Однако в настоящий момент внимание в данном вопросе уделяется в первую очередь имиджевой составляющей и городской инфраструктуре. О создании и развитии информационной инфраструктуры — ключевого элемента, необходимого инвесторам, речь даже не идет.

Возможности современных аналитических продуктов сильно ограниченны, аналитический аппарат развит слабо, сервисы по расчету бета-коэффициентов, повсеместно используемые за рубежом при инвестиционном анализе, для российских компаний отсутствуют. Методология анализа непрозрачна для пользователя.

Любой статистический анализ деятельности российских компаний сильно затруднен из-за их чрезвычайной и далеко не всегда оправданной закрытости. Огромное количество компаний, зарегистрированных на территории Российской Федерации, представляют собой однодневки. Их показатели влияют как минимум на среднеотраслевые данные. Отсутствие информационных ресурсов, необходимых для аналитиков, создает для инвесторов слишком высокие риски. Непрозрачность компаний и отсутствие доступности информации для общественного ознакомления с ними являются одними из главных причин отказа зарубежных компаний от сотрудничества с российскими партнерами и разворачивания своей деятельности на территории РФ.

Первая фундаментальная проблема — РСБУ.

Основные фонды, земля и в ряде случаев дебиторская задолженность на балансе отражены некорректно. Прибыль в Отчете о прибылях и убытках отражена некорректно практически всегда.

Чтобы исправить это положение, проанализируем не абсолютные показатели финансовой отчетности, а их относительные изменения. Очевидно, что итоговой линейной модели типа Альтмана при таком подходе мы не увидим. То есть прибыль предприятия превратится в убытки, основные фонды — в финансовые вложения, при этом кредиторская задолженность будет расти, а абсолютные значения этих показателей для нас вторичны.

Вторая фундаментальная проблема — «налоговый терроризм» 2005—2008 гг.

Большое количество предприятий — от холдингов, таких как ЮКОС, до компаний среднего бизнеса — сначала активно развиваются, вдруг разоряются и уходят с рынка. Можно ограничить горизонт анализа периодом 2008—2010 гг., но есть опасения, что данных на полноценную модель не хватит, притом что в начале 2008 г. «налоговый терроризм» еще процветал. Легендарная фраза: «Хватит кошмарить бизнес» — прозвучала летом 2008 г. Можно попробовать выявить признаки банкротств, возникших из-за действий налоговых органов, и, отфильтровав, отделить их от основной выборки, так как их включение приведет к почти 100%-ной вероятности банкротства любого юрлица в РФ.

Третья фундаментальная проблема — преднамеренные банкротства.

Разнообразие данного вида банкротств велико: непреднамеренное банкротство, но уголовное дело на руководителя возбуждали с целью шантажа; банкротство действительно преднамеренное, уголовного дела на руководителя не возбуждали, поскольку оно было организовано как мера противодействия рейдерскому захвату; банкротство действительно преднамеренное, уголовного дела на руководителя не возбуждали в силу коррупционных факторов.

В настоящее время, работая с базами данных, сложно понять, на основании каких показателей и каких компаний региона были рассчитаны среднеотраслевые коэффициенты, какие данные отчетности предприятий использовались при расчете финансового коэффициента, какова была методология расчетов. Отсутствуют среднеотраслевые финансовые показатели по стране в целом, поэтому нет возможности сравнить значения коэффициента региона со средним показателем по стране.

За рубежом существует целая отрасль, занимающаяся расчетом бета-коэффициента для различных рынков и отраслей, в то время как в России подобные консалтинговые компании отсутствуют. При оценке стоимости активов предполагается, что, относя Россию к развивающимся странам, следует брать соответствующую бету из информационного бюллетеня. Зарубежные ресурсы, к примеру сайт Асвата Дамодарана (damodaranonline), предлагают готовые бета-коэффициенты по отраслям для развивающихся стран. При этом всем развиваtющимся странам соответствует один коэффициент для конкретной отрасли, хотя в силу специфических условий развития разница, например, между Эквадором, Камеруном, Ираном и Россией очевидна.

Таким образом, частная, казалось бы, задача борьбы с «однодневками» привела нас к более масштабным целям, укрепив в нас веру в то, что создание качественной инфраструктуры российского финансового рынка, соответствующей лучшим мировым образцам, не столь уж недостижимо.


Содержание (развернуть содержание)
Приватиазция госкомпаний станет локомотивом развития российского рынка M&A
Положение и перспективы рынка M&A в России
Перспективы российского рынка слияний и поглощений: оптимизм или осторожность?
Государственный долг Европы: можно ли решить проблему демократическим путем?
Фондовый рынок и фактор однодневности. Практический эксперимент по повышению прозрачности российской экономики
Вступление России в ВТО: что ждет российский рынок финансовых услуг?
Рефинансирование как инструмент обеспечения доступной ипотеки
Private Banking: cоздавать отрасль, а не адаптироваться к ней
IPO-Board — площадка для молодых компаний. Новые возможности рынка инноваций и инвестиций
Бенчмарки для пенсионных накоплений
Пенсионные деньги как источник финансирования долгосрочных инвестиционных проектов в экономике
Ипотечные инвестиционные трасты в США (REITs): особенности функционирования, вопросы управления, преимущества инвестирования
Опыт Великобритании, Турции и Казахстана в «исламских» облигациях и перспектива для России
О клиентской проблематике клиринга и уроках MF Global

  • Статьи в открытом доступе
  • Статьи доступны на платной основе

Раздел не найден.

Актуальные темы    
Александр Цыбульский
Регионы должны активно использовать ценные бумаги как источник долгосрочного финансирования
Социально-экономическое развитие субъектов, обеспечение сбалансированности региональных и местных бюджетов, снижение долговой нагрузки и поддержание финансовой стабильности регионов в целом — задачи, которые имеют приоритетное значение для Правительства РФ.
Сергей Пищиков
Тенденции развития системы управления рисками регистраторов
В ближайшие месяцы ожидается вступление в силу нормативного акта Банка России, в котором будут описаны обязательные требования регулятора по организации системы управления рисками (СУР) отечественных профучастников рынка ценных бумаг.
Александр Баранов
Чрезвычайные ситуации, финансовые кризисы и стресс-тестирование
В России надзорное стресс-тестирование в банковском секторе проводится с 2003 г. Актуальность данной темы в России также связана с ожиданием новых регуляторных требований к российским НПФам и страховым организациям. Также в планах ЦБ РФ — ­применить новый механизм — макропруденциальное стресс-тестирование.
Елена Чайковская
Vanilla Day, или Простыми словами про облигации
Интервью с директором Департамента развития финансовых рынков Банка России Еленой Чайковской.
Все публикации →
  • Rambler's Top100