Professional Documents
Culture Documents
Удирдагч багш:
Ц.Батсүх /Эдийн засгийн ухааны доктор /
Боловсруулсан:
Г.Отгончимэг / МУИС-ЭЗС Банк-4/
Ч.Тогтохцэрэн /МУИС-ЭЗС Санхүү-4/
Л.Энх –Амгалан /СЭЗДС ЭЭТ-4/
1
СУДАЛГААНЫ ХУРААНГУЙ
Түлхүүр үгс: Зээлийн эрсдэл, Марковын гинж, Fan chart, Шилжилтийн магадлалын
матриц, X-12-ARIMA загвар, Комбинац таамаглал
2
1. ТАНИЛЦУУЛГА
Судлах болсон шалтгаан: Арилжааны банк үйл ажиллагааны, хөрвөх чадварын, валютын
ханшны, хүүгийн, зах зээлийн, зээлийн зэрэг эрсдэлүүдтэй тулгардаг. Эдгээрээс хамгийн их
анхаарал татдаг эрсдэлийн төрөл бол зээлийн эрсдэл юм. Манай орны санхүүгийн системийн
95 орчим хувийг банкны салбар дангаараа төлөөлж байдаг. Арилжааны банкуудын активын
70-80 хувь нь зээл хэлбэрээр байршдаг. Зээл нь банкны ашиг орлогынх нь ихэнх хувийг
бүрдүүлдгийн нэгэн адил үүссэн эрсдэлийн ихэнх хэсэг нь мөн адил зээлээс үүдэн бий
болдог. Зээл төлөгдөөгүйгээс болж хүүгийн орлого буурах, эрсдэлийн сангийн зардал өсөх,
ирээдүйн ашиг орлого буурах гэх мэт маш олон төрлийн сөрөг нөлөөг бий болгодог. 2008
оны 4-р улиралд 7.1 хувьтай байсан чанаргүй зээлийн хэмжээ тасралтгүй өсч 2009 оны 4-р
улиралд 17.4 хувь, 2010 оны 2 сарын байдлаар 16.53 хувьтай байна. Цаашид чанаргүй зээлийн
хэмжээ хэрхэн өөрчлөгдөх, аль салбарт зээлийн төвлөрөл, эрсдэл бий болохыг тооцох нь
ихээхэн анхаарал татаж байна. Мөн зээлийн чанарын ангилалуудын хоорондын шилжилт
хэрхэн явагдаж байгааг тодорхойлж улмаар чанаргүй зээлийн итгэх интервал (fan chart) –ыг
хэрхэн тооцох нь судлаач оюутан бидний сонирхлыг татсан билээ.
Судалгааны зорилго: Бид дээрх асуултанд хариулт олох үүднээс доорх зорилгуудыг
дэвшүүлж байна. Үүнд:
1
Тухайн салбарын болон системийн хувьд байж болох түвшин
3
урьдчилан сэргийлэх, салбар бүрийн зээлийн эрсдэлийн түвшинг тодорхойлж түүнд тохирсон
зээлийн бодлого явуулах боломжийг олгох болно. Салбаруудын хувьд муу болон чанаргүй
зээлийн хэвийн түвшинг (бенчмарк) тодорхойлсноор зээлийн багцаа аль салбарт түлхүү
байршуулах хэрэгтэй зэрэг чухал мэдээллүүдийг олж авах юм.
Судлагдсан байдал: ОУВС-н судлаач Matthew T.Jones (2005) АНУ-н банкуудын зээлийн
төрөл болон рейтинг тогтоолгосон компаниудын тоон өгөгдлийг ашиглан Марковын
аргачилалаар шилжих магадлалын матрицыг байгуулсан. Ингэхдээ тухайн эдийн засгийн
нөхцөл байдал болон бүтцийн өөрчлөлтийн нөлөөг харгалзан авч судалсан.
Wharton –н санхүүгийн институтын судлаач Til Schuermann, Yusulf Jafry (2003) “Зээлийн
шилжих матрицын аргачлал” сэдэвт судалгааны ажлын гол агуулга нь зээлийн шилжих
матрицыг байгуулах үндсэн 3 –н арга “Cohort, Homogeneous, Non-Homogeneous” байдаг
бөгөөд эдгээр аргуудын хоорондох ялгааг тодорхой жишээн дээр авч үзсэн. Мөн түүнчлэн
Японы төв банкнаас арилжааны банкуудын зээлийн багцыг макро стресс тестлэх судалгаанд
зээлийн шилжих матрицыг соhort хандлага дээр суурилан 1985 оноос хойшхи 5.5 сая
зээлдэгчидийг таван ангилалын дагуу зээлийн шилжих матрицыг байгуулах судалгааг 2009
онд Akira Otana, Shigenori Shiratsuka, Ryoko Tsurui нарын судлаачид бичжээ.
4
Israel, Rosenthal ба Wei (2001) нь Стандарт & Пүүрс болон Мүүдигийн тоон өгөгдөл дээр
Марковын аргыг ашиглаад шилжилт хийхийн өмнөх болон дараахийн зөрүүг шалгахаар
судалгаа хийж үзсэн.
Судалгааны арга аргачилал: Зээлийн чанарын ангиллын 2000 -2009 оны улирлаар өгөгдсөн
өгөгдлийг ашиглан банкны систем болон голлох таван салбарын хувьд зээлийн шилжилтийн
магадлалын матрицыг байгууллаа. Шилжилтийн магадлалын матрицыг ашиглан
үзүүлэлтүүдийн хэвийн түвшинг тодорхойлж болдог ба бид энэ судалгааныхаа хүрээнд
системийн хувьд болон сонгогдсон салбаруудын хувьд муу зээлийн нийт зээлд эзлэх хэвийн
түвшинг тодорхойлсон. Мөн банкны системийн хувьд чанаргүй зээл дээр хэвийн түвшинг
тодорхойлно.
Шилжилтийн магадлалын матрицын бас нэг хэрэглээ бол богино болон дунд хугацааны
урьдчилсан таамаглал хийх юм. Бид банкны систем болон салбаруудын хувьд 2010, 2011
болон 2012 оны зээлийн ангилал тус бүрийн нийт зээл эзлэх хувийн урьдчилсан таамаглалыг
хийсэн. Тооцоолсон урьдчилсан таамаглал дээрээ алдааны шинжилгээ хийж fan chart
байгуулна. Fan chart нь тодорхой итгэх магадлалын хүрээнд илрэх утгуудыг прогнозын алхам
тус бүр дээр харуулдаг.
5
2. ОНОЛЫН ХЭСЭГ
Зээлийн эрсдэл гэдэг нь зээлдэгч гэрээгээр хүлээсэн үүргээ биелүүлэхгүй зээлээ хугацаанд нь
төлөөгүй тохиолдолд үүсэх боломжит алдагдал юм. Зээлийн хэрэгсэлүүдийн төлөгдөх
магадлал өндөр байдаг боловч түүнээс олох ашгийн төвшин бага байдаг. Харин төлөгдөхгүй
байх магадлал нь бага байдаг хэдий ч түүнээс хүлээж болзошгүй алдагдал харьцангуй өндөр
байдаг. Эндээс зээлийн эрсдэлийн тархалт нь тэгш хэмгүй байдаг гэж үздэг. Эдгээр
хангалттай бус мэдээлэл, цөөн тооны ажиглалт болон тэгш хэмгүй тархалтын шинжүүдийн
цогц нь зээлийн эрсдэлийг загварчлахад ихээхэн хүндрэл учруулдаг хэмээн Blaschke et al
(1988) нар тэмдэглэжээ.
Зээлийн ангилал
6
Чанарын хүчин зүйлсийн нэгдсэн үнэлгээ нь нийт 50 онооноос хэтрэхгүй. Нийт чанарын
оноог тооцсоны дараа:
40-50 оноотой бол дээрхи ангиллыг хэвээр байлгана.
25-39 оноотой бол дээрхи ангиллыг нэг шатаар
0-24 оноотой бол дээрхи ангиллыг 2 шатаар тус тус бууруулна. Ингэснээр тухайн
активын ямар ангилалд орох нь тодорхой болно.
Зээлийн эрсдэлийн сан
Эрсдэлээс хамгаалах санг зардлаар байгуулах тул активын чанар муудахын хирээр банкны
зардал төдий хэмжээгээр өсч, орлого буурна. Хэрэв активын чанар сайжирч, ангилал дээшлэх
юм бол сангийн хэмжээг бууруулж, тэр хэмжээгээр зардал буурч, орлого өснө. Ингэснээр
банкны болзошгүй эрсдэлийн сангийн өөрчилөлт нь эцэстээ банкны ашгийн хэмжээнд шууд
нөлөөлнө.
7
Хэрвээ тухайн нэг хугацааны алхамд -ээс j хүртэл шилжих магадлал Pr(j/i) = Pi,j гэвэл
шилжих матриц нь дугаар мөр болон j дүгээр баганатай элемэнтүүдээс бүрдэх Pi,j -г
ашиглаад P матрицыг дараахь байдлаар байгуулж болно.
(1)
i ангилалаас бусад ангилал руу шилжих магадлалуудын нийлбэр 1 тэй тэнцүү байх ѐстой
бөгөөд энэ нь хөндлөн матрицыг харуулах болно.
(2)
Зээлийн чанартай холбоотой судалгаануудад эх олонлог нь тухайн нэг банк болон банкны
системийн нийт зээлийг хамруулан авч үзэх нь элбэг байдаг. Түүвэр олонлог нь зээлийн нэг
нэгжээс бүрдэх бөгөөд энэхүү зээл нь зээлийн чанарын ангилалын дагуу ялгаатай R ангилалд
орсон байна. Хэрвээ эх олонлогийн зээлдэгч тус бүр хэмжээний зээлтэй байх ба эдгээр нь
бүгд зээлийн чанарын ангилалд ангилагдсан байх явдал юм. Нийт зээлийн хэмжээний
өсөлтийн талаарх Kalbfleisch болон Lawless (1984) үзэл баримтлал байдаг. Тэд эх олонлогийн
хэмжээ нэмэгдэхэд ямар нэгэн шилжилт хийлгүй эхний ангилал буюу хамгийн сайн чанарын
ангилалд орох ба харин тодорхой хугацааны дараа бусад ангилалуудад шилжилт хийнэ гэж
үздэг.
Тиймээс энэхүү судалгааны ажилд шинээр олгосон зээл нь эхлээд хэвийн зээлийн ангилалд
орох бөгөөд Марковын шилжилтийн үндсэн нөхцлийн дагуу бусад зээлийн адил өөр
ангилалууд руу шилжих боломжтой.
Зээлийн чанарын магадлалын тархалт нь өмнөх бүх хугацааны зээлийн чанараас хамаардаг
бөгөөд дараахь байдалтай байна.
8
(3)
Эндээс цаг хугацааны цувааны турш дахь зээлийн чанарын магадлал нь:
(4)
(5)
Энэ тэгшитгэл нь Марковын процесс ямар нэг цаг хугацааны туршид стационарь гэдгийг
харуулж байна. Энэхүү процессийн урьдач нөхцөлийн дагуу шилжилтийн магадлал нь
(6)
(7)
(8)
Эндээс,
(9)
(10)
Энэ нь:
9
(11)
(12)
(13)
Lee, Judge болон Zellner (1970, Бүлэг-1.3) –ийн санал болгосноор алдаануудын квадратуудын
нийлбэр нь хамгийн бага байлгах тэгшитгэл (A6) шугаман байх ѐстой. Тэд хамгийн бага
квадратын аргаар (OLS) квадрат тэгшитгэлийн тулгамдсан асуудлыг шийдэж өгсөн юм.
Эндээс,
(14)
(15)
Эндээс,
10
(16)
Дээрхтэй адил нэр томьѐог ашиглан нийлбэрийн квадратыг хамгийн бага байлгах шугаман
тэгшитгэлийн магадлал нь дараахь байдалтай байна.
Эндээс,
(17)
гэж үзье.
Эндээс,
Kalbfleisch болон Lawless (1984) нар түүвэр олонлогийн бүх цаг хугацааны өөрчлөлтийн
шилжилтийн магадлалыг тооцох тооцооллыг хийсэн байдаг. Дээрх тэгшитгэлд эх
олонлогийг хөдөлгөөнгүй гэж үзвэл шилжилтийн магадлал нь ижил байх бөгөөд шинэ
зээлүүд нь хамгийн сайн ангилалд орох юм. Матрицад зээл нэмэгдэж болон хасагдаж
болох бөгөөд матриц нь тухайн цаг хугацаан дахь нийт ажиглалтын харьцаанаас дахин
11
тодорхойлогдох бөгөөд -г өмнөх хугацааны эцэс дэхь ) ажиглалтын тоонд
харьцуулснаар тодорхойлогдоно. матриц нь өмнөх хугацааны өмнөх хугацааны ангилал бүр
дэх нийт ажиглалтын тоог өмнөх хугацааны төгсгөл дэхь түүвэр олонлогийн нийт тоонд
харьцуулсан харьцаанаас бүрдэнэ. Эндээс өмнөх тэгшитгэлийн болон -г сольж бичвэл
Эндээс, (18)
Kelton (1981) шилжилтийн магадлалын тооцох квадрат (А12) тэгшитгэлийг тооцох дарааллыг
шийдсэн. Kelton болон Kelton (1984) шилжилтийн магадлалийн тогтвортой байдлыг шалгах
тест гаргаж ирсэн. Параметрүүдийн тооцооллийн стандарт алдааг тооцохдоо стандарт GLS-
ийн техникийг хэрэглэнэ.
(19)
12
(20)
Энэ загварт цувааны цаашдын төлөв байдлыг тайлбарлахад шаарлагатай мэдээлэл нь өмнөх
хугацааны түүхэн мэдээлэл болно. Хэрвээ зээлийн ангилал эдийн засгийн байдлаас болж бага
зэргээр өөрчлөгдөх хариу үйлдэл үзүүлвэл I эрэмбийн Марковын процессын дээрх
таамаглалаар зээлийн шилжилт хязгаарлагдах талтай. Эдгээр нөхцөлд өндөр эрэмбийн
Марковын процесс эсвэл урт хугацааны өгөгдөл хэрэглэх нь тохиромжтой.
Томьѐолбол, t-1 хугацаанд i ангилалаас t хугацаанд j ангилал руу шилжсэн нийт тоог гэж
тэмдэглэе. Энэхүү шилжилтийн магадал -г доорх томьѐогоор олно.
(21)
Cтандарт & Пүүрс болон Мүүди компаниуд уг аргыг бонд гаргагч дээр үнэлж авч үзсэн
байдаг. Хүснэгт 1-т Ажиглалтанд хамрагдсан компаниудын зэрэглэлийн тооцоолол мөн
13
хугацааны эхэн болон сүүлийн зээлийн зэрэглэлийг энгийн тоон өгөгдлөөр харууллаа.
Хугацааны эхэнд А ангилалд 100 компани байсан бол хугацааны төгсгөлд 70 компани л
ангилалдаа хэвээр үлдсэн байна. Түүнчлэн ангилалд хугацааны эхэнд 100 компани байсан
бол төгсгөлд 15 компани ангилалд шилжсэн байна. Үүнтэй адилаар ангилалд 75 компани
байсан боловч хугацааны төгсгөлд 10 компани ангилал руу шилжсэн. Эцэст нь найдваргүй
буюу D ангилалд 50 компани байсан бол хугацааны төгсгөлд А ангилал руу 5 компани
шилжсэн байна. Эндээс хугацааны төгсгөлд 100 компани А ангилалд байна. (2) тэгшитгэлийг
ашиглан бид ангилалаас ангилалд шилжих магадлал -ыг хоѐрдугаар баганад
харууллаа. Энэхүү хандлагыг ашиглан хүснэгт А1-т зээлийн ангилал руу шилжих
шилжилтийн матрицыг баруун талын баганад тооцсон болно.
Дээр дурьдсанаар цаг хугацааны туршид шилжилт ажиглагдвал шилжих матрицын үнэлгээ
харьцангуй энгийн байна. Харамсалтай нь зээлийн ангилалын шилжилт тэр бүр
ажиглагдахгүй бөгөөд хамгийн сайн боломжтой мэдээлэл нь нийт харьцаа эсвэл тодорхой
хугацааны дараахь рейтингийн нийт ажиглалтын хувийг пропорциор харуулдаг. Гэвч нийт
пропорц цаг хугацааны өгөгдлийг ашиглан дээрх 2 тэгшитгэлийг тоолох аргыг ашиглан
хамгийн их үнэлгээний хувь бүхий үнэлгээгээр гаргаж ирэх боломжгүй. Хэрвээ ажиглалтын
цаг хугацааны өгөгдөл харьцангуй урт бол үүнийг квадрат программчилах аргаар нийт
өгөгдлийн шилжих матрицыг үнэлэх боломжтой.
14
(22)
Lee, Judge болон Zellner (1970), дээрх тэгшитгэлийг матриц хэлбэрээр доор бичье.
(23)
(24)
(25)
Эндээс,
(26)
(27)
(28)
Lee, Judge болон Zellner (1970, бүлэг I, III) OLS аргыг ашиглаад дээрх тэгшитгэлийн алдааны
квадратын нийлбэрийг минумчилахыг оролдсон бөгөөд шугаман хязгаарлалттай шилжих
магадлалыг “p” гэж үзсэн. Тэд энгийн хамгийн бага квадратын аргыг квадрат программчилах
асуудалыг шийдвэрлэхтэй адил тэнцүү гэж үздэг. МасRae (1977) утгыг алдааны
вариацаас хамааруулан тэмдэглээд ОLS үнэлгээний аргачлалыг ашиглан авч үзэхэд нийцтэй
хэдий ч үр ашиггүй үнэлэгдсэн. Тэр алдааны хетероскадитсикыг хэрхэн засах болон шилжих
магадлал матрицыг тооцох GLS аргыг ашиглан илүү үр ашигтай үнэлэгчийг тооцохыг
оролдсон. Энэ процедурын эхний алхам нь шилжих матрицыг үнэлэх бөгөөд дараа нь
нөхцөлт ковариацын матрицыг нийцүүлэн үнэлэх нь чухал. Энэхүү үнэлэгдсэн ковариацын
матриц нь шилжих магадлалын үнэлэх дараалалыг ашиглах бөгөөд давхцах (convergence)
хүртэл энэхүү үйлдлийг давтах болно.
15
3. СУДАЛГААНЫ ХЭСЭГ
Зээлийн чанарын ангилалын 2000 -2009 оны улирлаар өгөгдсөн өгөгдлийг ашиглан банкны
систем болон голлох таван салбарын хувьд зээлийн шилжилтийн магадлалын матрицыг
байгуулна. Шилжилтийн магадлалын матрицыг ашиглан үзүүлэлтүүдийн хэвийн түвшинг
тодорхойлж болдог ба бид энэ судалгааныхаа хүрээнд системийн хувьд болон сонгогдсон
салбаруудын хувьд муу зээлийн нийт зээлд эзлэх хэвийн түвшинг тодорхойлно. Мөн банкны
системийн хувьд чанаргүй зээл дээр хэвийн түвшинг тодорхойлно.
Шилжилтийн магадлалын матрицын бас нэг хэрэглээ бол богино болон дунд хугацааны
урьдчилсан таамаглал хийх юм. Бид банкны систем болон салбаруудын хувьд 2010, 2011
болон 2012 оны зээлийн ангилал тус бүрийн нийт зээл эзлэх хувийн урьдчилсан таамаглалыг
хийсэн. Тооцоолсон урьдчилсан таамаглал дээрээ алдааны шинжилгээ хийж fan chart
байгуулна. Fan chart нь тодорхой итгэх магадлалын хүрээнд илрэх утгуудыг прогнозын алхам
тус бүр дээр харуулдаг.
ЗБЭСбайгуулах
Зээлийн ангилал Зээлийн хэмжээ Эрсдэлийн сан
хувь
Ердийн зээл 2 091 832 368.12 1% 21 524 611.78
Хугацаа хэтэрсэн 130 750 715.87 5% 6 537 535.79
хэвийн бус 97 358 614.76 25% 24 339 653.69
Чанаргүй зээл эргэлзээтэй 79 325 640.12 50% 39 662 820.06
муу 215 618 831.47 100% 215 618 831.47
Нийт 2 614 886 170.34 307 683 452.79
2009 оны 12 сарын байдлаар нийт зээлийн эрсдэлийн сан 331 823 684.45 мянган төгрөг
байсан бол 2010 оны 1-р улирал 307 683 452.79 мянган төгрөг болж буурахаар байна.
Хөдөө аж ахуйн хувьд салбарын хувьд зээлийн ангилал хоорондын шилжилтийн магадлалын
матриц нь дараах байдалтай байна.
-ААС
CR01 CR02 CR03 CR04 CR05
CR01 0.9697 0.4994 0 0 0
CR02 0.0303 0.2830 0 0 0
-РУУ
CR03 0 0.2176 0.6410 0 0
CR04 0 0 0.3590 0.4161 0.1275
CR05 0 0 0 0.5839 0.8725
Дээрх шилжилтийн магадлалын матрицаас харахад ХАА –н салбарын хувьд хэвийн зээл
“хэвийн” ангиллаа хадгалах магадлал 0,9697, харин хугацаа хэтэрсэн зээлрүү буюу ангилал
буурах магадлал 0,0303 байна. Муу зээл “муу” ангилалаа хадгалах магадлал 0,8725 байгаа
бол эргэлзээтэй зээлээс муу зээлд шилжих магадлал 0,5839 байна. Хэвийн бус болон
эргэлзээтэй гэсэн ангиллаас ангилал өсөж шилжих магадлалууд бүгд 0 байна. Энэ нь ХАА –н
2
Шилжилтийн магадлалын матриц байгуулахад хэвийн зээл (CR01) болон муу зээл (CR05) нь өндөр
хамааралтай байгаа нь харагдсан ба тооцооллоос тэр хэрээрээ шилжилт их хийгддэг мэтээр гарч байсан ба энэ
хэсэгт эргэцүүлсэн үнэлгээ (expert adjustment) оруулсан. Эргэцүүлсэн үнэлгээ оруулсан салбарууд:
Боловсруулах салбар, бөөний болон жижиглэн худалдааны салбар.
17
салбарт зээл хэвийн бус руу орсон тохиолдолд эргэж төлөгдөх магадлал маш багатай гэдгийг
харуулж байна.
Барилгын салбарын хувьд зээлийн ангилал хоорондын шилжилтийн магадлалын матриц нь
дараах байдалтай байна.
-ААС
CR01 CR02 CR03 CR04 CR05
CR01 0.9867 0 0.0819 0 0
CR02 0.0133 0.4983 0.5068 0.0851 0
-РУУ
CR03 0 0.5017 0.1068 0.1580 0
CR04 0 0 0.3045 0.5009 0.0955
CR05 0 0 0 0.2560 0.9045
Дээрх шилжилтийн магадлалын матрицаас харахад барилгын салбарын хувьд хэвийн зээл
“хэвийн” ангиллаа хадгалах магадлал 0,9867, харин хугацаа хэтэрсэн зээлрүү буюу ангилал
буурах магадлал 0,0133 байна. Муу зээл “муу” ангилалаа хадгалах магадлал 0,9045 байгаа
бол эргэлзээтэй зээлээс муу зээлд шилжих магадлал 0,2560 байна. Хэвийн зээл болон муу
зээл нь өөрийн ангиллаа хадгалах магадлал харьцангуй өндөр байгаа ба бусад гурван ангилал
нь өөрсдийн ангиллаа (түвшинээ) хадгалах магадлал харьцангуй бага байна. Өөрөөр хэлбэл,
тус гурван ангиллаас шилжилт харьцангуй их хийгддэг гэсэн үг.
Уул уурхайн салбарын хувьд зээлийн ангилал хоорондын шилжилтийн магадлалын матриц нь
дараах байдалтай байна.
-ААС
CR01 CR02 CR03 CR04 CR05
CR01 0.9845 0.3512 0.1066 0.0622 0
CR02 0.0155 0.5022 0 0.1298 0.0445
-РУУ
CR03 0 0.1466 0.6054 0.2675 0.0161
CR04 0 0 0.2880 0.3143 0.0017
CR05 0 0 0 0.2261 0.9377
Дээрх шилжилтийн магадлалын матрицаас харахад уул уурхайн салбарын хувьд хэвийн зээл
“хэвийн” ангиллаа хадгалах магадлал 0,9845, харин хугацаа хэтэрсэн зээлрүү буюу ангилал
буурах магадлал 0,0155 байна. Муу зээл “муу” ангилалаа хадгалах магадлал 0,9377 байгаа
бол эргэлзээтэй зээлээс муу зээлд шилжих магадлал 0,2261 байна. Уул уурхайн салбарын
хувьд зээлийн ангилал өсөх магадлал аль ч ангилалдаа харьцангуй өндөр байна.
18
Боловсруулах салбарын хувьд зээлийн ангилал хоорондын шилжилтийн магадлалын матриц
нь дараах байдалтай байна.
-ААС
CR01 CR02 CR03 CR04 CR05
CR01 0.9726 0.0929 0 0 0
CR02 0.0274 0.6446 0.1106 0 0
-РУУ
CR03 0 0.2624 0.4566 0.1734 0
CR04 0 0 0.4329 0.2164 0.0202
CR05 0 0 0 0.6101 0.9798
Дээрх шилжилтийн магадлалын матрицаас харахад боловсруулах салбарын хувьд хэвийн зээл
“хэвийн” ангиллаа хадгалах магадлал 0,9726, харин хугацаа хэтэрсэн зээлрүү буюу ангилал
буурах магадлал 0,0274 байна. Муу зээл “муу” ангилалаа хадгалах магадлал 0,98 байгаа бол
эргэлзээтэй зээлээс муу зээлд шилжих магадлал 0,6101 байна. Боловсруулах салбарын хувьд
ерөнхийдөө зээл хэвийн бус зээлрүү орсон тохиолдолд ангилал буурах магадлал нь өсөх
магадлалаасаа нилээд өндөр байна.
-ААС
CR01 CR02 CR03 CR04 CR05
CR01 0.9913 0.1358 0 0 0
CR02 0.0087 0.6640 0.2686 0.1828 0
-РУУ
CR03 0 0.2002 0.3429 0 0.0694
CR04 0 0 0.3885 0.4252 0
CR05 0 0 0 0.3920 0.9306
19
3.2 Муу болон чанаргүй зээлийн хэвийн түвшин
Үзүүлэлтийн шилжих магадлалыг ашиглан хэвийн түвшинг дараах томъѐогоор тооцдог .
(29)
Энд,
N –Ангиллын хэвийн түвшин,
Дээрх томъѐог ашиглан муу зээлийн хэвийн түвшинг тооцвол дараах байдалтай байна.
Хөдөө аж
Салбарууд Банкны Барилга Уул уурхай Боловсруулах ББЖХ3
ахуй
систем
Хэвийн
0,0128 0.0890 0.0526 0.0363 0.0386 0.0129
түвшин
Дээрх хүснэгтээс харахад хөдөө аж ахуй болон барилгын салбарын муу зээлийн хэвийн
түвшин харьцангуй өндөр байгаа нь эдгээр салбарууд харьцангуй эрсдэл өндөртэй харуулж
байна. Харин бөөний болон жижиглэн худалдааны салбарын хувьд салбаруудаас хамгийн
бага байгаа нь зээлийн эргэн төлөлт харьцангуй сайн хийгддэгийг харуулж байна.
Банкны системийн хувьд муу зээлийн хэвийн түвшин 0,0128 буюу 1,28% орчим байна. Энэ
тоо нь нийт банкны системийн хувьд хүлээн зөвшөөрөгдөх хэвийн түвшин юм. Банкууд
өөрсдийн муу зээлийн хэвийн түвшинг 0,0128 орчим барьж байж өрсөлдөх чадвартай байна.
Дээрх шилжилтийн матрицыг ашиглан банкны системийн хувьд чанаргүй зээлийн хэвийн
түвшинг тогтооход 7,2126% байна.
3
Бөөний болон жижиглэнгийн худалдааны салбар
20
3.3 Муу зээлийн fan chart, түүнд үндэслэсэн шинжилгээ
Өмнөх хэсэгт байгуулсан шилжилтийн матрицийг ашиглан тооцсон 2010 –оны 1 дүгээр
улирлаас 2012 оны 4 –р улирлын хоорондох банкны систем болон салбаруудын муу зээлийн
таамаглал, түүний итгэх интервал (Fan chart) –ыг байгуулав.
Дээрх хүснэгтээс харахад 2010 онд харьцангуй эрчимтэй өсч байгаад дараагийн жилүүдэд
тогтворжих хандлага ажиглагдаж байна.
“Муу” зээлийн стандарт хазайлтыг тооцохын тулд дээр байгуулсан шилжилтийн магадлалын
матрицын алдааны шинжилгээг хийх ѐстой. Алдааны шинжилгээг хийснээр түүхэн мэдээлэл
дээрх алдааг ашиглан ирээдүйн таамаглалын стандарт хазайлтыг тодорхойлох бололцоог
олгодог. “Муу” зээлийн нэг алхамын алдааны шинжилгээг дараах зурагт дүрслэв.
21
хэлбэлзэл тийм ч өндөр биш байна. Сүүлийн алдааны өсөлт нь дэлхийн эдийн засгийн
хямралтай холбоотой байж болох талтай.
Дээрх алдааны шинжилгээнээс шилжилтийн магадлалын матрицыг ашиглаж таамагласан
таамаглалын дөрвөн алхамын таамаглалын баруу (өсөх), зүүн (буурах) талуудын цэгэн
таамаглалын боломжит алдааг ( ) дараах хүснэгтэд харуулав.
Дээрх хүснэгтээс таамагласан алхам тус бүр цэгэн таамаглалаасаа хэдээр алдах боломжтойг
харуулна. Жишээлбэл, нэг алхамын дараахыг таамаглахад цэгэн таамаглалаас дээшээ 0.009
буюу 0,9 хувиар муу зээл өсөх, эсвэл доошоо 0.009 буюу 0,9 хувиар муу зээл буурах
боломжтой гэж харна.
Алхам тус бүрийн стандарт алдааг дээрх хүснэгтийн үр дүнгүүдээр төлөөлүүлж болдог4.
Дээрх хүснэгтээс харахад < байгаа ба энэ нь муу зээл цэгэн таамаглалаасаа доогуур байх
магадлалтай байгааг илтгэнэ. Мөн энэ нь таамаглалын тархалт ассиметрик болохыг илтгэж
байна.
4
Д.Ган–Очир, П.Авралт–Од, Б.Даваадалай (2010) “Таамаглалын тодорхой бус байдал: Инфляцийн таамаглалын
Fan chart, түүнд үндэслэсэн шинжилгээ”, Монголбанк
22
18.0 50.0 1
16.0 45.0 2
14.0 40.0 3
35.0 4
12.0
30.0 5
10.0 6
25.0
8.0 7
20.0 8
6.0
15.0 9
4.0
10.0 10
2.0 5.0 11
0.0 0.0 12
0.0005
0.0105
0.0205
0.0305
0.0405
0.0505
0.0605
0.0705
0.0805
0.0905
0.1005
0.1105
0.1205
0.1305
0.1405
0.1505
0.1605
0.1705
0.1805
0.1905
0.2005
0.2105
0.2205
0.2305
0.2405
Муу зээлийн таамаглалын алхам бүрт харгалзах тархалтын моод болон стандарт хазайлтыг
ашиглан таамаглалын алхам тус бүрийн тархалтыг байгууллаа. Таамаглалын үе уртсах бүрт
таамаглалын тодорхой бус байдал нэмэгдэх ба таамаглалын тархалт илүү хэвтээ, өргөн болж
ирдэг. Таамаглалын алхам нэмэгдэх тусам тодорхой бус байдал хэрхэн өсч байгаад дээрх
зургаар харууллаа.
Өмнөх зурагт дүрсэлсэн нэгээс арван хоѐр алхамын дараах таамаглалуудын тархалтуудыг
Fan chart хэлбэрээр дүрсэлснийг дараах зурагт харуулав.
Голын гүн хөх бол цэгэн таамаглал илэрч болох хамгийн өндөр магадлалтай ба хөх өнгө
бүдгэрэх тусам итгэх магадлал өсөх боловч хэлэх интервал нь мөн ихэснэ.
Он Улирал ] < 0.0128 ] < 0.125 ] ] < 0.184 ] ] 0.0128 < ] 0.125 < ]0.184 <
] 0.125 ] 0.184 ] ]
2010 1 0% 100% 100% 100% 0% 0%
2 0% 83% 100% 83% 17% 0%
3 0% 59% 100% 59% 41% 0%
4 0% 43% 100% 43% 56% 0%
2011 1 0% 37% 97% 37% 61% 3%
2 0% 31% 97% 31% 66% 3%
3 0% 27% 97% 27% 70% 3%
4 0% 24% 97% 24% 73% 3%
2012 1 0% 20% 95% 20% 75% 5%
2 0% 18% 93% 18% 75% 7%
3 0% 16% 91% 16% 75% 9%
4 0% 15% 90% 15% 75% 10%
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 12,5 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 18,4 хувиас хэтрэхгүй байх магадлал 100 хувь байна. Энэ мэтчилэн дээрх
хүснэгтийг уншиж болно.
Дээрх урьдчилсан таамаглалаас харахад банкны системийн хувьд чанаргүй зээл буурах нь
харагдаж байна.
24
Таамаглалын алхам T+3 T+6 T+9 T+12
RMSE 0.0165 0.0325 0.0470 0.0603
0.0132 0.0196 0.0260 0.0284
Муу зээл өсөх болон буурах үеүүдийн алдаануудын квадратуудын дундаж язгуур (RMSE)
Дээрх хүснэгтээс таамагласан алхам тус бүрийн баруун болон зүүн талуудын стандарт алдааг
харуулаа. Дээрх хүснэгтээс харахад эхний 3 –н алхам нь байгаа ба энэ нь муу зээл
цэгэн таамаглалаасаа дээгүүр байх магадлалтай байгааг илтгэнэ. Мөн энэ нь таамаглалын
тархалт ассиметрик болохыг илтгэж байна.
0.2500
0.95
0.2000 0.85
0.1500 0.75
0.65
0.1000
0.55
0.0500 0.50
0.0000 0.45
1 2 3 4 5 6 7 8 9 10 11 12 0.35
Банкны системийн чанаргүй зээлийн хэмжээг 90 хувийн итгэх магадлалын түвшинд 2010 оны
1-р улиралд муу зээлийн хэмжээ 16,3 хувийн голчтойгоор хооронд
хэлбэлзэхээр байна. 2010 болон 2011 оны 4 улирлуудад 13,1; 10,4 хувийн голчтойгоор
ба хувийн хооронд байхаар байна.
Дээрх хүснэгтээс харахад хөдөө аж ахуйн салбарын муу зээлийн хэмжээ ирэх 3 жилд
тасралтгүй буурах хандлагатай байна.
25
“Муу” зээлийн стандарт хазайлтыг тооцох
“Муу” зээлийн стандарт хазайлтыг тооцохын тулд дээр байгуулсан шилжилтийн магадлалын
матрицын алдааны шинжилгээг хийх ѐстой. Алдааны шинжилгээг хийснээр түүхэн мэдээлэл
дээрх алдааг ашиглан ирээдүйн таамаглалын стандарт хазайлтыг тодорхойлох бололцоог
олгодог. “Муу” зээлийн нэг алхамын алдааны шинжилгээг дараах зурагт дүрслэв.
0.25
Бодит утга
0.2
Прогнозын утга
0.15
0.1
0.05
0
00/03/01
08/12/01
00/08/01
01/01/01
01/06/01
01/11/01
02/04/01
02/09/01
03/02/01
03/07/01
03/12/01
04/05/01
04/10/01
05/03/01
05/08/01
06/01/01
06/06/01
06/11/01
07/04/01
07/09/01
08/02/01
08/07/01
09/05/01
Дээрх зургаас харахад шилжилтийн магадлалын матрицыг ашиглаж хийсэн прогноз нь
хугацааны эхэнд нилээд алдаж байгаад сүүлдээ тогтвортой бага байх хандлагатай байна. Гэвч
сүүлийн дөрвөн улиралд таамаглалын алдаа нь бага зэрэг өсөх хандлагатай байгаа ч
хэлбэлзэл нь тийм ч их биш байна. Алдааг өсгөх гол хүчин зүйл нь 2008 оны сүүл үеэс бий
болсон эдийн засгийн хямралтай холбоотой байж болох талтай.
Дээрх хүснэгтээс таамагласан алхам тус бүр цэгэн таамаглалаасаа хэдээр алдах боломжтойг
харуулна. Жишээлбэл, нэг алхамын дараахыг таамаглахад цэгэн таамаглалаас дээшээ 0.0275
буюу 2,75 хувиар муу зээл өсөх, эсвэл доошоо 0.0269 буюу 2,69 хувиар муу зээл буурах
боломжтой гэж харагдаж байна. Дээрх хүснэгтээс харахад эхний 3н алхам нь байгаа
ба энэ нь муу зээл цэгэн таамаглалаасаа дээгүүр байх магадлалтай байгааг илтгэнэ. Мөн энэ
нь таамаглалын тархалт ассиметрик болохыг илтгэж байна.
26
Fan chart, түүнд үндэслэсэн шинжилгээ
Өмнөх хэсгүүдэд тодорхойлсон муу
14.00
12.00 зээлийн таамаглалын тархалтын
10.00 параметрийг ашиглан Excel
0.10; 0.90
8.00 программын VBA алгоритмаар
0.20; 0.80
6.00
0.30; 0.70 таамаглалын тархалтыг байгуулав.
4.00
0.40; 0.60 Дараах зурагт 2010 оны 3 дугаар
2.00
0.50; 0.50
0.00 улирлын муу зээлийн таамаглалын
0.000
0.100
0.007
0.014
0.020
0.027
0.034
0.040
0.047
0.054
0.060
0.067
0.074
0.080
0.087
0.094
0.107
0.114
0.120
0.127
0.134
0.140
0.147
0.154
0.160
тархалтын нягтын функцыг дүрслэв.
Тус тархалтын нягтын функцээс
харахад хамгийн гүн улаан өнгөөр дүрслэгдсэн хэсэг нь 20 хувийн магадлалтайгаар хамгийн
их илрэх магадлалтай интервал бөгөөд хөдөө аж ахуйн салбарын хувьд муу зээлийн хэмжээ
11.5 хувь байхаар байна. Хоѐр тийшээ улаан өнгө бүдгэрэх тусам интервал өсч, тухай
интервалаас илрэх магадлал өснө.
0.1800
0.95
0.1600
0.85
0.1400
0.75
0.1200
0.65
0.1000
0.55
0.0800
0.50
0.0600
0.45
0.0400
0.0200 0.35
0.0000 0.25
1 2 3 4 5 6 7 8 9 10 11 12 0.15
Уг салбарын муу зээлийн хэмжээг 90 хувийн итгэх магадлалын түвшинд, цэгэн таамаглал,
дээд доод хилийг (Хавсралт) хүснэгтэд тодорхойлсон бөгөөд 2010 оны 1-р улиралд муу
зээлийн хэмжээ 14.18 хувийн голчтойгоор хооронд хэлбэлзэхээр байна. 2010
болон 2011 оны 4 улирлуудад 11,69; 7.65 хувийн голчтойгоор ба
хувийн хооронд байхаар байна. Дээрх хүснэгтэн таамаглалын дээд хил нь 2010 оны турш
тогтвортой 16.19-16.79 хооронд байгаа нь муу зээлийн хэмжээ хамгийн ихдээ энэ интервалд
байхыг харуулж байна.
27
Он Улира ] < 0.1729 ] ] < 0.089 ] ] < 0.188 ] ] 0.1729 < ] 0.089 < ]0.188 <
л 0.089 ] 0.188 ] ]
2010 1 100% 0% 100% -100% 100% 0%
2 97% 0% 100% -97% 100% 0%
3 98% 1% 100% -97% 99% 0%
4 98% 10% 100% -88% 90% 0%
2011 1 97% 26% 99% -71% 73% 1%
2 99% 39% 100% -59% 60% 0%
3 99% 51% 100% -48% 48% 0%
4 100% 61% 100% -38% 39% 0%
2012 1 100% 70% 100% -30% 30% 0%
2 100% 77% 100% -23% 23% 0%
3 100% 83% 100% -17% 17% 0%
4 100% 87% 100% -13% 13% 0%
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 17.9 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 18,8 хувиас хэтрэхгүй байх магадлал 100 хувь байна. Дээрх хүснэгтээс мөн ХАА –
н салбарын муу зээлийн нийт зээлд эзлэх хэмжээ буурахыг харж болно. Энэ мэтчилэн дээрх
хүснэгтийг уншиж болно.
Дээрх хүснэгтээс харахад бүх улиралуудад тасралтгүй тогтвортой өсч байгаа хандлага
ажиглагдаж байна.
28
0.12
Бодит утга
0.1
Прогнозийн утга
0.08
0.06
0.04
0.02
0
00/03/01
00/07/01
00/11/01
01/03/01
01/07/01
01/11/01
02/03/01
02/07/01
02/11/01
03/03/01
03/07/01
03/11/01
04/03/01
04/07/01
04/11/01
05/03/01
05/07/01
05/11/01
06/03/01
06/07/01
06/11/01
07/03/01
07/07/01
07/11/01
08/03/01
08/07/01
08/11/01
09/03/01
09/07/01
Дээрх зургаас харахад шилжилтийн магадлалын матрицыг ашиглаж хийсэн прогноз нь
хугацааны эхэнд нилээд алдаж байгаад сүүлдээ тогтвортой бага байх хандлагатай байна.
Ерөнхийдөө графикууд бие биеэ дагасан байгаа нь алдаа багатайг харуулж байгаа бөгөөд энэ
салбарын муу зээл дээр богино хугацаанд Fan Chart байгуулах боломжтой юм.
Дээрх хүснэгтээс таамагласан алхам тус бүр цэгэн таамаглалаасаа хэдээр алдах боломжтойг
харуулна. Жишээлбэл, нэг алхамын дараахыг таамаглахад цэгэн таамаглалаас дээшээ 0.018
буюу 1,8 хувиар муу зээл өсөх, эсвэл доошоо 0.009 буюу 0,9 хувиар муу зээл буурах
боломжтой гэж харна.
Алхам тус бүрийн стандарт алдааг дээрх хүснэгтийн үр дүнгүүдээр төлөөлүүлж болдог.
Дээрх хүснэгтээс харахад > байгаа ба энэ нь муу зээл цэгэн таамаглалаасаа дээгүүр байх
магадлалтай байгааг илтгэнэ. Мөн энэ нь таамаглалын тархалт ассиметрик болохыг илтгэж
байна.
29
Fan chart, түүнд үндэслэсэн шинжилгээ
1
18.00 60.0
2
16.00
50.0 3
14.00 4
12.00 40.0 5
10.00 6
30.0
8.00 7
20.0 8
6.00
9
4.00 10.0 10
2.00 11
0.00 0.0
12
0.100
0.107
0.114
0.120
0.127
0.134
0.140
0.147
0.154
0.160
0.167
0.174
0.180
0.187
0.194
0.200
0.207
0.214
0.220
0.227
0.234
0.240
0.247
0.254
0.260
Муу зээлийн таамаглалын алхам бүрт харгалзах тархалтын моод болон стандарт хазайлтыг
ашиглан таамаглалын алхам тус бүрийн тархалтыг байгууллаа. Таамаглалын үе уртсах бүрт
таамаглалын тодорхой бус байдал нэмэгдэх ба таамаглалын тархалт илүү хэвтээ, өргөн болж
ирдэг. Таамаглалын алхам нэмэгдэх тусам тодорхой бус байдал хэрхэн өсч байгаад дараах
зургаар харууллаа.
Дээрх зурагт дүрсэлсэн нэгээс арван хоѐр алхамын дараах таамаглалуудын тархалтуудыг Fan
chart хэлбэрээр дүрсэлснийг дараах зурагт харуулав.
0.3000
0.95
0.2500 0.85
0.2000 0.75
0.65
0.1500
0.55
0.1000
0.50
0.0500 0.45
0.0000 0.35
1 2 3 4 5 6 7 8 9 10 11 12 0.25
30
Барилгын салбарын муу зээлийн таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу
зээлийн түвшин 0.0346 голчтой (цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд
харгалзан [0.1164-0.1426] интервалд байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд
0.1489; 0.1725 голчтой, 90 хувийн магадлалын итгэх түвшинд харгалзан [0.1337- 0.1936],
[0.1467- 0.2253] интервалд тус тус байгааг харж болохоор байна.
Он Улира ] < 0.0526] ] < 0.1523 ] ] < 0.2156 ] 0.0526 < ] 0.1523 < ]0.2156 <
л ] 0.1523] 0.2156 ] ]
1 0% 100% 100% 100% 0% 0%
2 0% 82% 100% 82% 18% 0%
2010
3 0% 59% 100% 59% 41% 0%
4 0% 38% 100% 38% 61% 0%
1 0% 28% 97% 28% 69% 3%
2 0% 20% 95% 20% 76% 5%
2011
3 0% 13% 93% 13% 80% 7%
4 0% 9% 90% 9% 81% 10%
1 0% 5% 85% 5% 79% 15%
2 0% 3% 78% 3% 75% 22%
2012
3 0% 2% 70% 2% 68% 30%
4 0% 1% 61% 1% 60% 39%
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 15,23 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 21,56 хувиас хэтрэхгүй байх магадлал 100 хувь байна. Энэ мэтчилэн дээрх
хүснэгтийг уншиж болно.
Дээрх хүснэгтээс харахад эхний 4 улирлуудад эрчимтэй буурч байгаа хандлага ажиглагдаж
байгаа хэдий ч бусад улиралуудад харьцангуй тогтвортой буурах хандлагатай байна..
31
“Муу” зээлийн стандарт хазайлтыг тооцох
0.3000
Бодит утга
0.2500
Прогноз
0.2000
0.1500
0.1000
0.0500
0.0000
05/06/01
00/06/01
00/11/01
01/04/01
01/09/01
02/02/01
02/07/01
02/12/01
03/05/01
03/10/01
04/03/01
04/08/01
05/01/01
05/11/01
06/04/01
06/09/01
07/02/01
07/07/01
07/12/01
08/05/01
08/10/01
09/03/01
09/08/01
Дээрх зургаас харахад шилжилтийн магадлалын матрицыг ашиглаж хийсэн прогноз нь
хугацааны бүхий л агшинд бараг давхцаж байгаа нь алдаа багатайг харуулж байна. Ийм
учраас бид Fan Chart байгуулах боломжтой болно.
Алхам тус бүрийн стандарт алдааг дээрх хүснэгтийн үр дүнгүүдээр төлөөлүүлж болдог.
Дээрх хүснэгтээс харахад эхний алхамаас бусад нь > байгаа ба энэ нь муу зээл цэгэн
таамаглалаасаа ерөнхийдөө дээгүүр байх магадлалтай байгааг илтгэнэ.
32
Fan chart, түүнд үндэслэсэн шинжилгээ
Өмнөх хэсгүүдэд тодорхойлсон муу зээлийн таамаглалын тархалтын параметрийг ашиглан
Excel программын VBA алгоритмаар таамаглалын тархалтыг байгуулав. Дараах зурагт Уул
уурхайн салбарын 2010 оны 3 дугаар улирлын муу зээлийн таамаглалын тархалтын нягтын
функцыг дүрслэв.
0.1200
0.95
0.1000 0.85
0.0800 0.75
0.65
0.0600
0.55
0.0400
0.50
0.0200 0.45
0.35
0.0000
1 2 3 4 5 6 7 8 9 10 11 12 0.25
Уул уурхайн салбарын муу зээлийн таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу
зээлийн түвшин 0.0904 голчтой (цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд
харгалзан [0.0766-0.1063] интервалд байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд
0.0564; 0.0311 голчтой, 90 хувийн магадлалын итгэх түвшинд харгалзан [0.0249- 0.0928], [0-
0.0696] интервалд тус тус байгааг харж болохоор байна.
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 0,1 хувиас
хэтрэхгүй байх магадлал 83 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 0,1 хувиас хэтрэхгүй байх магадлал 98 хувь байна. Энэ нь уул уурхайн салбарт
33
цаашид муу зээлийн нийт зээлд эзлэх хувь буурахыг харуулж байна. Энэ мэтчилэн дээрх
хүснэгтийг уншиж болно.
Дээрх хүснэгтээс харахад боловсруулах салбарын муу зээлийн хэмжээ 2011 оны 1-р улирал
хүртэл бага хэмжээгээр өсч байгаад 2011 оны 2 улирлаас 2012 оны 1 улиралуудад тогмтол
14.1 болж, 2012 оны 2-3 улирлуудад буурах хандлагатай байна.
“Муу” зээлийн стандарт хазайлтыг тооцохын тулд дээр байгуулсан шилжилтийн магадлалын
матрицын алдааны шинжилгээг хийх ѐстой. Алдааны шинжилгээг хийснээр түүхэн мэдээлэл
дээрх алдааг ашиглан ирээдүйн таамаглалын стандарт хазайлтыг тодорхойлох бололцоог
олгодог.
06/04/01
00/06/01
00/11/01
01/04/01
01/09/01
02/02/01
02/07/01
02/12/01
03/05/01
03/10/01
04/03/01
05/01/01
05/06/01
05/11/01
06/09/01
07/02/01
07/07/01
07/12/01
08/05/01
08/10/01
09/03/01
09/08/01
Дээрх зургаас харахад шилжилтийн магадлалын матрицыг ашиглаж хийсэн прогноз нь алдаа
багатай, хугацааны дунд үе болон сүүл үерүү давхцсан байгаа нь шилжилтийн матрицад
34
итгэж болохыг харуулж байна. Салбаруудын прогнозын сүүлийн хугацааны бодит утгаас
зөрсөн байдал нь дэлхийн санхүү эдийн засгийн хямралын нөлөөгөөр бий болсон байна.
Дээрх хүснэгтээс таамагласан алхам тус бүр цэгэн таамаглалаасаа хэдээр алдах боломжтойг
харуулна. Жишээлбэл, нэг алхамын дараахыг таамаглахад цэгэн таамаглалаас дээшээ 0.0135
буюу 1,35 хувиар муу зээл өсөх, эсвэл доошоо 0.0125 буюу 1,25 хувиар муу зээл буурах
боломжтой гэж харагдаж байна. Дээрх хүснэгтээс харахад байгаа ба энэ нь муу зээл
цэгэн таамаглалаасаа дээгүүр байх магадлалтай байгааг илтгэнэ. Мөн энэ нь таамаглалын
тархалт ассиметрик болохыг илтгэж байна.
14.00
12.00
10.00
0.10; 0.90
8.00
0.20; 0.80
6.00
0.30; 0.70
4.00
0.40; 0.60
2.00
0.50; 0.50
0.00
0.000
0.007
0.014
0.020
0.027
0.034
0.040
0.047
0.054
0.060
0.067
0.074
0.080
0.087
0.094
0.100
0.107
0.114
0.120
0.127
0.134
0.140
0.147
0.154
0.160
Тус тархалтын нягтын функцээс харахад хамгийн гүн улаан өнгөөр дүрслэгдсэн хэсэг нь 20
хувийн магадлалтайгаар хамгийн их илрэх магадлалыг харуулж байна. Хоѐр тийшээ улаан
өнгө бүдгэрэх тусам интервал өсч, тухай интервалаас илрэх магадлал өснө.
35
0.2000
0.95
0.1800
0.85
0.1600
0.1400 0.75
0.1200 0.65
0.1000 0.55
0.0800 0.50
0.0600
0.45
0.0400
0.0200 0.35
0.0000 0.25
1 2 3 4 5 6 7 8 9 10 11 12 0.15
Боловсруулах салбарын муу зээлийн хэмжээг 90 хувийн итгэх магадлалын түвшин дэх цэгэн
таамаглал, дээд доод хилийг дээрх хүснэгтэд тодорхойлсон бөгөөд 2010 оны 1-р улиралд муу
зээлийн хэмжээ 9.84 хувийн голчтойгоор (цэгэн таамаглал) хооронд
хэлбэлзэхээр байна. 2010, 2011 оны 4 улирлуудад 13,45 хувь, 14.11 хувийн голчтойгоор
ба хувийн хооронд байхаар байна. Дээрх хүснэгтээс харахад
цэгэн таамаглалын доод утга нь 2010 оны 2-р улиралаас 2011 оны 4-р улирал хүртэлх
хугацаанд 10.32-11.31 хооронд байгаа нь энэ салбарын зээлийн эрсдэл богино хугацаанд 10
хувиас буурахгүйг харуулж байна.
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 11,4 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
36
зээлийнхээ 17 хувиас хэтрэхгүй байх магадлал 100 хувь байна. Энэ мэтчилэн дээрх
хүснэгтийг уншиж болно.
3.3.7 Бөөний болон жижиглэн худалдааны салбарын муу зээлийн fan chart
Бөөний болон жижиглэн худалдааны (ББЖХ) салбарын хувьд “муу” зээл дээр шилжилтийн
магадлалын матрицийг ашиглаж хийсэн 2010 оны 1 –р улиралаас 2010 оны 12 –р улиралын
хоорондох цэгэн таамаглалыг дараах хүснэгтэд харуулав.
Дээрх хүснэгтээс харахад эхний улиралд эрчимтэй өссөн хэдий ч бусад улирлуудад
харьцангуй тогтвортой өсөх хандлагатай байна..
0.2500 0.0400
Бодит утга
Прогнозын утга 0.0200
0.2000 Алдаа
0.0000
0.1500
-0.0200
0.1000
-0.0400
0.0500 -0.0600
0.0000 -0.0800
03/10/01
05/11/01
07/12/01
00/06/01
00/11/01
01/04/01
01/09/01
02/02/01
02/07/01
02/12/01
03/05/01
04/03/01
04/08/01
05/01/01
05/06/01
06/04/01
06/09/01
07/02/01
07/07/01
08/05/01
08/10/01
09/03/01
09/08/01
37
Дээрх алдааны шинжилгээнээс шилжилтийн магадлалын матрицыг ашиглаж таамагласан
таамаглалын дөрвөн алхамын таамаглалын баруун (өсөх), зүүн (буурах) талуудын цэгэн
таамаглалын боломжит алдааг ( ) дараах хүснэгтэд харуулав.
Дээрх хүснэгтээс таамагласан алхам тус бүр цэгэн таамаглалаасаа хэдээр алдах боломжтойг
харуулна. Жишээлбэл, гурав дахь алхамын дараахыг таамаглахад цэгэн таамаглалаас дээшээ
0.0155 буюу 1.55 хувиар муу зээл өсөх, эсвэл доошоо 0.0221 буюу 2,21 хувиар муу зээл
буурах боломжтой гэж харна.
Алхам тус бүрийн стандарт алдааг дээрх хүснэгтийн үр дүнгүүдээр төлөөлүүлж болдог.
Дээрх хүснэгтээс харахад сүүлийн алхамаас бусад нь < байгаа ба энэ нь муу зээл цэгэн
таамаглалаасаа ерөнхийдөө доогуур байх магадлалтай байгааг илтгэнэ.
0.1400
0.95
0.1200
0.85
0.1000
0.75
0.0800
0.65
0.0600
0.55
0.0400
0.50
0.0200
0.45
0.0000
0.35
1 2 3 4 5 6 7 8 9 10 11 12
ББЖХ салбарын муу зээлийн таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу зээлийн
түвшин 0.0929 голчтой (цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд харгалзан
38
[0.0793-0.0997] интервалд байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд 0.1069;
0.0893 голчтой, 90 хувийн магадлалын итгэх түвшинд харгалзан [0.0748- 0.1215], [0.0514-
0.1134] интервалд тус тус байгааг харж болохоор байна.
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 10.42 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 13.17 хувиас хэтрэхгүй байх магадлал 100 хувь байна. Мөн таамаглалын сүүлийн
утгуудад илрэх магадлал өсч байгаагаас харахад урт хугацаанд бөөний болон жижиглэнгийн
худалдааны салбарын муу зээлийн нийт зээлд эзлэх хувь буурахаар байгааг харж болно. Энэ
мэтчилэн дээрх хүснэгтийг уншиж болно.
39
3.4 Комбинац урьдчилсан таамаглал
Ялгаатай аргуудаар хийгдсэн хоорондоо төгс хамааралтай бус дан урьдчилсан
таамаглалуудын хооронд комбинац таамаглал хийснээр урьдчилсан таамаглалыг илүү
сайжруулах боломж байдаг. Өөрөөр хэлбэл, комбинац таамаглалыг ашиглан илүү алдаа
багатай урьдчилсан таамаглал хийх боломжтой гэсэн үг. Ерөнхий тохиолдолд комбинац
таамаглалын хэрхэн хийдэг талаар авч үзье.
Эдийн засгийн ямар нэгэн хувьсагчийн хувьд ширхэг дан урьдчилсан таамаглал ( )
хийгдсэн гэж үзье. Тэгвэл, комбинац таамаглал хийхийн тулд дараах тэгшитгэлийн үнэлэх
хэрэгтэй:
Энд,
– t –р алхамын коэффициентууд,
5
X-12-ARIMA загварын загвар сонголт болон урьдчилсан таамаглалыг хавсралтаас харна уу.
40
–шилжилтийн магадлалын матрицаар хийгдсэн t –р алхамын урьдчилсан таамаглал
-X-12-ARIMA загвараар хийгдсэн t –р алхамын урьдчилсан таамаглал
Бид дээрх хоѐр дан урьдчилсан таамаглалын хувьд 1 -4 алхамын хувьд комбинац таамаглал
хийлээ. Дараах зурагт 2006 оны гуравдугаар улирлаас хойшхи чанаргүй зээлийн бодит утга,
шилжилтийн магадлалын матрицыг ашиглан хийсэн нэг алхамын дан урьдчилсан таамаглал
болон X-12-ARIMA загвараар хийсэн нэг алхамын дан урьдчилсан таамаглалыг харууллаа.
0.2000
X-12-ARIMA
0.1800
Бодит утга
0.1600
Transition matrix
0.1400
0.1200
0.1000
0.0800
0.0600
0.0400
0.0200
9/30/2008, 0.028
0.0000
11/1/2…
11/1/2…
11/1/2…
11/1/2…
9/1/2009
9/1/2006
1/1/2007
3/1/2007
5/1/2007
7/1/2007
9/1/2007
1/1/2008
3/1/2008
5/1/2008
7/1/2008
9/1/2008
1/1/2009
3/1/2009
5/1/2009
7/1/2009
1-р алхамын бодит утга болон урьдчилсан таамаглалууд
Таамаглалын Коэффициентууд
алхам TMatrix Tmatrix*Dummy Dummy X-12-ARIMA
1 1.151208 -0.267754 -0.003108 0.006757
2 1.64229 -0.752019 -0.005591 -0.168208
3 2.296972 -1.202706 -0.019676 -0.342448
4 2.053464 -1.263314 -0.021588 0.034743
Комбинац таамаглалын коэффициентууд
Энд,
41
TMatrix - Шилжилтийн магадлалын матрицын дан таамаглалын өмнөх коэффициент,
Dummy – Үнэлгээнд оруулсан дамми
Дээрх хүснэгтээс алхам тус бүрийн комбинац таамаглалыг дараах тэгшитгэлүүдийг бодох
замаар тооцно.
Дараах зурагт бодит утга, дан урьдчилсан таамаглалууд болон комбинац урьдчилсан
таамаглалыг харууллаа.
0.2000
0.1800 X-12-ARIMA
0.1600 Бодит утга
0.1400 Transition matrix
0.1200
Комбинац таамаглал
0.1000
0.0800
0.0600
0.0400
0.0200
0.0000
2/1/2007
4/1/2007
6/1/2007
8/1/2007
2/1/2008
4/1/2008
6/1/2008
8/1/2008
2/1/2009
4/1/2009
6/1/2009
8/1/2009
12/1/2006
10/1/2007
12/1/2007
10/1/2008
12/1/2008
10/1/2009
12/1/2009
42
Урьдчилсан Загварууд
таамаглалын алхам X-12-ARIMA Tmatrix Комбинац таамаглал
1 0.0391 0.0221 0.0142
2 0.0465 0.0423 0.0168
3 0.0657 0.0592 0.0139
4 0.0758 0.0730 0.0259
Дан болон комбинац урьдчилсан таамаглалуудын алдаа, RMSE –ээр
0.0800
X-12-ARIMA
0.0700
Transition matrix
0.0600
Комбинац таамаглал
0.0500
0.0400
0.0300
0.0200
0.0100
0.0000
1 2 3 4
Дээр зургаас харахад шилжилтийн магадлалын матриц болон X-12-ARIMA загваруудын дан
урьдчилсан таамаглалуудаас комбинац таамаглал нь хамаагүй илүү үр ашигтай таамаглаж
байгааг харж болохоор байна. Тиймээс, цаашид банкууд чанаргүй зээл болон эрсдэлийн сан
зэрэг үзүүлэлтүүдээ урьдчилсан таамаглахдаа дээрх хоѐр дан таамаглалын комбинац
таамаглалыг ашиглаж байх нь зүйтэй байна.
43
ДҮГНЭЛТ
Банкны системийн хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах магадлал 0,9862, харин
хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0138 байна. Муу зээл “муу”
ангиллаа хадгалах магадлал 0,98 байгаа бол эргэлзээтэй зээлээс муу зээлд шилжих магадлал
0,3387 байна. Хэвийн зээл болон муу зээл нь өөрийн ангиллаа хадгалах магадлал харьцангуй
өндөр байгаа ба бусад гурван ангилал нь өөрсдийн ангиллаа (түвшинээ) хадгалах магадлал
харьцангуй бага байна. Өөрөөр хэлбэл, тус гурван ангиллаас шилжилт харьцангуй их
хийгддэг буюу тогтворгүй гэсэн үг.
2009 оны 12 сарын байдлаар нийт зээлийн эрсдэлийн сан 331 823 684.45 мянган төгрөг
байсан бол зээлийн шилжилтийн магадлалын матрицаар байгуулсан эрсдэлийн сан 2010 оны
1-р улирал 307 683 452.79 мянган төгрөг болж 7.28 хувиар буурахаар байна.
Банкны системийн чанаргүй зээлийн хэмжээг 90 хувийн итгэх магадлалын түвшинд 2010 оны
1-р улиралд муу зээлийн хэмжээ 16,3 хувийн голчтойгоор хооронд
хэлбэлзэхээр байна. 2010 оны 2 сарын байдлаар чанаргүй зээлийн хэмжээ 16.53 хувьтай
байна. Шилжилтийн матриц ашиглан fan chart-д үндэслэсэн тооцоогоор 2010 болон 2011 оны
4 улирлуудад 13,1; 10,4 хувийн голчтойгоор ба хувийн
хооронд байхаар байна.
Харин банкны системийн хувьд муу зээлийн хэвийн түвшин 0,0128 буюу 1,28% орчим байна.
Энэ тоо нь нийт банкны системийн хувьд хүлээн зөвшөөрөгдөх хэвийн түвшин юм. Банкууд
өөрсдийн муу зээлийн хэвийн түвшинг 0,0128 орчим барьж байж өрсөлдөх чадвартай байна.
2010 оны эхний улирлын байдлаар банкны системийн муу зээл нийт зээлийнхээ 12,5 хувиас
хэтрэхгүй байх магадлал 100 хувь байна. Харин 2010 оны 4 дүгээр улиралд муу зээл нийт
зээлийнхээ 18,4 хувиас хэтрэхгүй байх магадлал 100 хувь байна.
44
ХАА –н салбарын хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах магадлал 0,9697, харин
хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0303 байна. Муу зээл “муу”
ангиллаа хадгалах магадлал 0,8725 байгаа бол эргэлзээтэй зээлээс муу зээлд шилжих
магадлал 0,5839 байна. Хэвийн бус болон эргэлзээтэй гэсэн ангиллаас ангилал өсөж шилжих
магадлалууд бүгд 0 байна. Энэ нь ХАА –н салбарт зээл хэвийн бус руу орсон тохиолдолд
эргэж төлөгдөх магадлал маш багатай гэдгийг харуулж байна.
Хөдөө аж ахуйн салбарын “муу” зээл дээр шилжилтийн магадлалын матрицийг ашиглаж
хийсэн 2010 оны 1-р улирлаас 2012 оны 4-р улирлын хоорондох цэгэн таамаглалаас харахад
уг салбарын муу зээлийн хэмжээ ирэх 3 жилд тасралтгүй буурах хандлагатай байхаар байна.
Уг салбарын муу зээлийн хэвийн хэмжээ 8.9 хувьтай байгаа бөгөөд 90 хувийн итгэх
магадлалын түвшинд, цэгэн таамаглал, дээд доод хилийг хүснэгтэд (Хавсралт) тодорхойлсон
бөгөөд 2010 оны 1-р улиралд муу зээлийн хэмжээ 14.18 хувийн голчтойгоор
хооронд хэлбэлзэхээр байна. 2010 болон 2011 оны 4 улирлуудад 11.69 7.65 хувийн
голчтойгоор ба хувийн хооронд байхаар байна. Хөдөө аж ахуйн
салбарын муу зээлийн хэмжээ 2012 оны 4-р улирал гэхэд хэвийн түвшинээс бага болохоор
байна. Цэгэн таамаглалын дээд хил нь 2010 оны турш тогтвортой 16.19-16.79 хооронд байгаа
нь муу зээлийн хэмжээ хамгийн ихдээ энэ интервалд байхыг харуулж байна.
Боловсруулах салбарын хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах магадлал 0,9726,
харин хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0274 байна. Муу зээл “муу”
ангилалаа хадгалах магадлал 0,98 байгаа бол эргэлзээтэй зээлээс муу зээлд шилжих магадлал
0,6101 байна. Боловсруулах салбарын хувьд ерөнхийдөө зээл хэвийн бус зээлрүү орсон
тохиолдолд ангилал буурах магадлал нь өсөх магадлалаасаа нилээд өндөр байна.
Боловсруулах салбарын хувьд муу зээлийн хэвийн түвшин нь 3.86 хувь байна.
Уг салбарын “муу” зээл дээр шилжилтийн магадлалын матрицийг ашиглаж хийсэн 2010 оны
1-р улирлаас 2012 оны 4-р улирлын хоорондох цэгэн таамаглалаар уг салбарын муу зээлийн
хэмжээ 2011 оны 1-р улирал хүртэл бага хэмжээгээр өсч байгаад 2011 оны 2 улирлаас 2012
оны 1 улиралуудад тогмтол 14.1 болж, 2012 оны 2-3 улирлуудад буурах хандлагатай байна.
2010 оны 4 улиралд муу зээлийн хэмжээ 13.4 хувьтай байхаар байгаа нь боловсруулах
салбарт зээлийн эрсдэл 2012 оны төгсгөл хүртэл үргэлжлэхээр байна.
45
Боловсруулах салбарын муу зээлийн хэмжээг 90 хувийн итгэх магадлалын түвшин дэх цэгэн
таамаглал, дээд доод хилийг дээрх хүснэгтэд тодорхойлсон бөгөөд 2010 оны 1-р улиралд муу
зээлийн хэмжээ 9.84 хувийн голчтойгоор (цэгэн таамаглал) хооронд
хэлбэлзэхээр байна. 2010, 2011 оны 4 улирлуудад 13,45 хувь, 14.11 хувийн голчтойгоор
ба хувийн хооронд байхаар байна. Дээрх хүснэгтээс харахад
цэгэн таамаглалын доод утга нь 2010 оны 2-р улиралаас 2011 оны 4-р улирал хүртэлх
хугацаанд 10.32-11.31 хооронд байгаа нь энэ салбарын зээлийн эрсдэл богино хугацаанд 10
хувиас буурахгүйг харуулж байна.
Барилгын салбарын хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах магадлал 0,9867, харин
хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0133 байна. Муу зээл “муу”
ангилалаа хадгалах магадлал 0,9045 байгаа бол эргэлзээтэй зээлээс муу зээлд шилжих
магадлал 0,2560 байна. Хэвийн зээл болон муу зээл нь өөрийн ангиллаа хадгалах магадлал
харьцангуй өндөр байгаа ба бусад гурван ангилал нь өөрсдийн ангиллаа (түвшинээ) хадгалах
магадлал харьцангуй бага байна. Өөрөөр хэлбэл, тус гурван ангиллаас шилжилт харьцангуй
их хийгддэг гэсэн үг.
Барилгын салбарын муу зээлийн хэвийн төвшин нь 5.2 хувьтай байна. Барилгын салбарын
хувьд “муу” зээл дээр шилжилтийн магадлалын матрицийг ашиглаж хийсэн 2010 оны 1 –р
улирлаас 2010 оны 12 –р улиралын хоорондох цэгэн таамаглал бүх улирлуудад харьцангуй
тогтвортой өсч байгаа хандлага ажиглагдаж байна.
Барилгын салбарын муу зээлийн таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу
зээлийн түвшин 0.1231 голчтой (цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд
харгалзан [0.1164-0.1426] интервалд байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд
0.1489; 0.1725 голчтой, 90 хувийн магадлалын итгэх түвшинд харгалзан [0.1337- 0.1936],
[0.1467- 0.2253] интервалд тус тус байгааг харж болохоор байна.
Уул уурхайн салбарын хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах магадлал 0,9845, харин
хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0155 байна. Муу зээл “муу”
ангилалаа хадгалах магадлал 0,9377 байгаа бол эргэлзээтэй зээлээс муу зээлд шилжих
46
магадлал 0,2261 байна. Уул уурхайн салбарын хувьд зээлийн ангилал өсөх магадлал аль ч
ангилалдаа харьцангуй өндөр байна.
Уул уурхайн салбарын хувьд “муу” зээл дээр шилжилтийн магадлалын матрицийг ашиглаж
хийсэн 2010 оны 1 –р улирлаас 2010 оны 12 –р улирлын хоорондох цэгэн таамаглалыг эхний
4 улирлуудад эрчимтэй буурч байгаа хандлага ажиглагдаж байгаа хэдий ч бусад улирлуудад
харьцангуй тогтвортой буурах хандлагатай байна.
Уул уурхайн салбарын муу зээлийн хэвийн хэмжээ 3.63 хувь бөгөөд. Уг салбарын
таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу зээлийн түвшин 0.0904 голчтой
(цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд харгалзан [0.0766-0.1063] интервалд
байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд 0.0564; 0.0311 голчтой, 90 хувийн
магадлалын итгэх түвшинд харгалзан [0.0249- 0.0928], [0-0.0696] интервалд тус тус байгааг
харж болохоор байна.
Уул уурхайн салбарын зээлийн эрсдэл 2011 оноос эхлэн буурч 4-р улирал гэхэд хэвийн
түвшиндээ очих хандлагатай байна.
Бөөний болон жижиглэн худалдааны салбарын хувьд хэвийн зээл “хэвийн” ангиллаа хадгалах
магадлал 0,9913, харин хугацаа хэтэрсэн зээлрүү буюу ангилал буурах магадлал 0,0087 байна.
Муу зээл “муу” ангилалаа хадгалах магадлал 0,9306 байгаа бол эргэлзээтэй зээлээс муу зээлд
шилжих магадлал 0,3920 байна. Хэвийн зээл болон муу зээл нь өөрийн ангиллаа хадгалах
магадлал харьцангуй өндөр байгаа ба бусад гурван ангилал нь өөрсдийн ангиллаа (түвшинээ)
хадгалах магадлал харьцангуй бага байна. Өөрөөр хэлбэл, тус гурван ангиллаас шилжилт
харьцангуй их хийгддэг гэсэн үг.
Бөөний болон жижиглэн худалдааны (ББЖХ) салбарын муу зээлийн хэвийн түвшин 1.29
хувьтай байна.
ББЖХ салбарын муу зээлийн таамаглалаас харахад 2010 оны нэгдүгээр улирлын муу зээлийн
түвшин 0.0929 голчтой (цэгэн таамаглал), 90 хувийн магадлалын итгэх түвшинд харгалзан
[0.0793-0.0997] интервалд байна. Харин 2010 болон 2011 оны 4 дүгээр улиралд 0.1069;
0.0893 голчтой, 90 хувийн магадлалын итгэх түвшинд харгалзан [0.0748- 0.1215], [0.0514-
0.1134] интервалд тус тус байгааг харж болохоор байна. Энэ салбарын зээлийн эрсдэл нь
47
гадаад худалдаа тэр тусмаа БНХАУ-н валют болох юанын ханшаас ихээхэн хамааралтай
байдаг.
Алдааны шинжилгээнээс 2010 онд (эхний 3 алхам) барилга, уул уурхай, хөдөө аж ахуй,
боловсруулах салбаруудын хувьд байгаа ба энэ нь муу зээл цэгэн таамаглалаасаа
дээгүүр байх магадлалтай, харин бөөний болон жижиглэн худалдааны салбарын хувьд
байгаа нь муу зээлийн хэмжээ цэгэн утгаасаа бага байх магадлалтай байна. Мөн энэ
нь таамаглалын тархалт ассиметрик болохыг илтгэж байна.
48
САНАЛ ЗӨВЛӨМЖ
Муу зээлийн дээр тогтоосон хэвийн түвшингээс харахад банкууд зээлийн багцаа
боловсруулах салбар, уул уурхайн салбар, бөөний болон жижиглэн худалдааны салбаруудад
байршуулбал харьцангуй эрсдэл багатай байна.
Банкны системийн болон салбаруудын чанаргүй зээл болон муу зээлийн хэвийн түвшин
харгалзан 7.21 болон 1.28 хувь гэж тодорхойлсноор Монголбанкны хувьд зээлийн багцын
хэвийн төвшинг барихын тулд түүнд уялдуулан мөнгө зээлийн бодлогоо явуулах, арилжааны
банкуудын хувьд салбарын зээлийн эрсдэлийг харгалзан үзэж зээлийн багцын төвлөрлөө
зохицуулах боломжтой болох юм.
49
ЭХ СУРВАЛЖ
1. Aalen, O.O; S, Johansen;. (1978). An Empirical Transition Matix for Nonhomogeneous Markov
Chains Based on Censored Observations. Scandinavian Journal of Statistics 5 , 141-150.
2. Akira, Otani; Shigenori, Shiratsuka; Ryoko, Tsurui;. (2009). Macro Stress-Testing on the Loan
Portfoilo of Japanese Banks.
3. Altman, E.I;. (1998). The Importance and Subtlety of Credit Rating Migration. Journal of Banking &
Finance, 22 , 1231-1247.
4. Cantor, R; F, Packer;. (1995). The Credit Rating Industry. Journal of Fixed Income, December , 10-
34.
5. Carty, L.V;. (1997). Moody's Rating Migration and Credit Quality Correlation. Moody's Investor
Service .
6. Christian, Bluhm; Ludger, Overbeck; Christoph, Wagner;. (2003). An Introduction to Credit Risk
Modelling. Munich and Frankfurt: CRC Press LLC.
7. Cynthia, McNulty; Ron, Levin;. (2000). Modeling Credit Migration. J.P.Morgan Securities .
8. John, B.Mahon;. (Spring 2005). Transition Matrix Theory and Individual Claim Loss Development.
Casualty Actuarial Society Forum .
9. Joseph, P.Snailer;. (2001). Rating Changes in the U.S. Asset Backed Securities Market:.
10. Matthew , T.Jones;. (2005). Estimating Markov Transition Matrices Using Proporations Data. IMF
Working paper .
11. papers.ssrn.com. (n.d.).
12. Roberto Violi. (2004). Credit Ratings Transition in Structured Finance. CGFS .
13. Stefan, Truck;. (2005). Forecasting Credit Transition Matrices with Business Cycle Effects - A
Model Comparison.
14. Til Schuermann, Yusulf Jafry. (2003). Measurement and Estimation of Credit Transition Matrices.
Wharton Institute .
15. www.bis.org. (n.d.).
16. www.gogetpapers.com. (n.d.).
17. www.mongolbank.mn. (n.d.).
18. Д.Ган-Очир, П.Авралт-Од, Б.Даваадалай. (2009). Таамаглалын тодорхой бус байдал:
Инфляцийн таамаглалын Fan Chart, түүнд үндэслэсэн шинжилгээ.
19. Л.Энх-Амгалан. (2010). Валютын ханшийн Fan chart, түүнд үндэслэсэн шинжилгээ.
20. Монголбанк. (2004). Активыг ангилах, активыг эрсдэлийн сан байгуулж, зарцуулах журам.
Дугаар 459
21. Монгол банкны сарын статистик мэдээлэл 2000.01-2010.02
22. Монгол банкны зээлийн нэгдсэн тайлан 2000.0l- 2009.04
50
ХАВСРАЛТ
Хавсралт 1.
Чанарын хүчин зүйлийг дараах үзүүлэлтүүдээр тооцно.
ЧАНАРЫН ҮЗҮҮЛЭЛТҮҮД ОНОО
1.1 Тухайн банкны мөрдөж буй дотоод дүрэм, журмын
дагуушийдвэр гаргах эрхбүхий этгээдийн шийдвэр бийэсэх,
зээлдэгч, хүлээж болзошгүй үүргийн дагуухариуцлага хүлээсэн
1.Зээл,хүлээж этгээд, үнэт цаас гаргагчийн талаархи банкны дүгнэлт
болзошгүй үүрэг 1.2 Зээл олгохыг хүссэн өргөдөл
ба үнэт цаасны 1.3 Зээл,хүлээж болзошгүй үүрэг ба үнэт цаасны
хувийн хэргийн гэрээ,гэрээнд орсон нэмэлт өөрчилөлт
бүрдэл 1.4 Зээлдэгч, хүлээж болзошгүй үүргийн дагуу
хариуцлага хүлээсэн этгээд, үнэт цаас гаргагчийн анкет,
дүрэм, үүсгэн байгуулсан гэрээ,улсын бүртгэлийн гэрчилгээ
1.5 Барьцаа хөрөнгийн
1.5.1 Тодорхойлолт
1.5.2 Үнэлгээний баримт бичиг
1.5.3 Үл хөдлөх хөрөнгө бол улсын бүртгэлийн гэрчилгээ
1.5.4 Шалгасан баримт
1.6 Батлан даалт болон барьцааны гэрээ
1.7 Зээл, хүлээж болзошгүй үүрэг ба үнэт цаасаар
санхүүжигдэх төсөл 10
1.7.1 Шаардлагатай бол эрх бүхий байгууллагаар
батлуулсан эсэх
1.7.2 Үйл ажиллагааны талаархи баримт бичиг
1.7.3 Төсөлд орсон өөрчилөлт
1.7.4 Төсөлтэй холбоотой төлбөр тооцооны баримт бичиг
1.7.5Төсөл болон төлөвлөсөн ажлын гүйцэтгэл
1.7.6 Холбогдох гэрээ
1.7.7 Зээл төлөх эх үүсвэрийн тооцоо
1.8 Санхүүгийн тайлан
1.9 Зээл, хүлээж болзошгүй үүрэг ба үнэт цаасны ашиглалт
51
шалгасан материал
1.10 Зээлдэгчийн талаар холбогддох мэдээллийн сангуудаас
авсан мэдээлэл
2.1 Төлбөрийн чадвар
2.1.1 Эргэлтийн хөрөнгө/богино хугацаат өр төлбөр
2.Зээлдэгч, 2.1.2 (Мөнгөн хөрөнгө+? богино хугацаат хөрөнгө
хүлээж оруулалт+? авлага) /богино хугацаат өр төлбөр
болзошгүй 2.1.3 Нийт орлого/авлага
үүргийн дагуу 2.1.4 Эзэмшигчдийн өмч/ хөрөнгө
хариуцлага 2.1.5 Үндсэн үйл ажиллагаанаас хангалттай мөнгөн орлого
хүлээсэн этгээд, олж байгаа эсэх
үнэт цаас 2.2 Ашигт ажиллагаа
гаргагчийн 2.2.1 Нийт ашиг/ нийт орлого
санхүүгийн 2.2.2 Нийт зардал/нийт орлого
үзүүлэлтүүд 2.2.3 Активын өгөөж
2.2.4 Активын өгөөжийн хэлбэлзэл 25
2.2.5 Эзэмшигчийн өмчийн өгөөж
2.3 Хөрөнгийн удирдлага
2.3.1 Авлагын эргэлт/дундаж/
2.3.2Авлагын эргэлт/тайлант үеийн эцэст/
2.3.3 Бараа материалын эргэлт/дундаж/
2.3.4 Бараа материалын эргэлт/тайлант үеийн/
2.3.5 Үндсэн хөрөнгийн эргэлт
2.3.6 Нийт активын эргэлт
2.4 Өрийн удирдлага
2.4.1Татвар болон хүү төлөхийн өмнөх ашиг/хүүгийн
зардал
2.4.2 Нийт өр төлбөр/ хөрөнгө
2.4.3 Богино хугацаат өр төлбөр/ нийт өр төлбөр
52
3.1 Барьцаа болон батлан даалт
3.1.1 Барьцаа хөрөнгийн зах зээлийн үнэлгээ нь зээлийн
үндсэн өр болон хүүгийн төлбөрийг барагдуулахад хангалттай
эсэх
3. Бусад 3.1.2 Барьцаа хөрөнгийн захиран зарцуулах эрх нь зээл
олгосон банкинд бүрэн шилжиж ирсэн эсэх
3.1.3 Зээл нь гуравдагч этгээдээс гаргасан батлан даалттай
эсэх
3.1.4 Зээлийн батлан даагч нь төлбөрийн чадвартай эсэх
3.2 Зээлийн мэдээллийн сангаас авсан мэдээлэл
3.2.1 Хугацаа хэтэрсэн зээлийн болон бусад ямар наг өртэй
эсэх
3.2.2 Зээлдэгчийн түүх 15
3.3 Бусад мэдээлэл
3.3.1Зэрэглэл тогтоогч байгууллагаас авсан мэдээлэл
3.3.2 Аудитын компаниас авсан мэдээлэл
3.3.3 Бусад(төрийн ба төрийн бус байгууллагаас авсан
мэдээлэл)
3.3.4 Эдийн засгийн болон зээлдэгчийн үйл ажиллагаа
явуулж буй салбарын ерөнхий төлөв байдал
53
Хавсралт 2. Шилжилтийн магадлалын матриц ашиглан хийсэн прогнозын 90 хувийн
илрэх магадлал
54
Хавсралт 3: Чанаргүй зээлийн шилжилтийн магадлалын матриц байгуулах үнэлгээ
55
Хавсралт 4: X-12-ARIMA –ийн загвар сонголт
Model selected: Model with lowest average forecast error that meets
acceptance criteria.
Transformation
No transformation
Model 1: (0 1 1)(0 1 1)
MODEL 1 REJECTED:
Average forecast error > 15.00%
Model 2: (0 1 2)(0 1 1)
Model 3: (2 1 0)(0 1 1)
MODEL 3 REJECTED:
Average forecast error > 15.00%
Model 4: (0 2 2)(0 1 1)
56
Last three years: 15.32
MODEL 4 REJECTED:
Average forecast error > 15.00%
Model 5: (2 1 2)(0 1 1)
MODEL 5 REJECTED:
Average forecast error > 15.00%
WARNING: Evidence of seasonal overdifferencing (see message below).
FORECASTING
Origin 2009.4
Number 4
57