Credit risk monitoring in the Czech banking sector : Early warning model

Abstract

Cílem mé práce je v prvé řadě poukázat na to, jak se vypořádat s úvěrovým rizikem a jaké nástroje český bankovní sektor používá k minimalizaci tohoto rizika (na základě vybrané literatury a mých vlastních zkušeností). V druhé řadě pak vyvinout spolehlivý ekonometrický model (v době finanční krize v českém prostředí) určující pravděpodobnost insolvence v krátkém časovém období na základě dostupných dat. V první části této práci popisuji vývoj úvěrů v selhání před a během současné finanční krize spolu s výsledky zátěžových testů ČNB. Další kapitola přibližuje kreditní rizika, zejména pak jeho monitoring, včetně nejčastějších nástrojů, které jsou ke sledování používány. V praktické části se dostávám k nejdůležitějšímu EWM modelu. Do modelu vstupují citlivá bankovní data (obraty na účtech, úvěrová smlouva), stejně tak jako záznamy z CRU a finančních výkazů. Model by měl fungovat jako včasný varovný signál vzhledem k odhadu pravděpodobnosti defaultu (respektive úvěrová klasifikace sledovaná a horší) během následujících tří měsíců.

The aim of my thesis is in the first place to show how to deal with a credit risk, and which tools the Czech banking sector uses to minimize it (based on the adequate literature and own experience). In the second place, the aim is to find out the reliable logit model estimating the probability of default during the short period based on available data (in the time of economic crisis in the Czech environment). In the first part of this thesis I am describing the development of Non-performing loans before and during the current financial crisis together with the results of the CNB's stress tests. Next chapter describes the credit risk with the emphasis on the credit monitoring, including the most frequently used monitoring tools. Practical part turns us to the most important EWM model. The strictly confidential banking data (credit account turnovers, credit contract), together with data from the financial statements and CRU registry are the inputs to the Model. The Model should work as an early warning signal detection thanks to the estimate of probability of default (more specifically the watch loan classification or worse) during the next three months.