The volume and structure of accumulated credit debt to the banking system depends on many factors, the most important of which is the level of interest rates. The correct assessment of borrowers' reaction to the changes in the monetary policy allows to develop econometric models, representing the structure of the credit portfolio in the banking system by terms of lending. These models help to calculate indicators characterizing the level of interest rate risk in the whole system. In the study, we carried out the identification of four types of models: discrete linear model based on transfer functions; the state-space model; the classical econometric model ARMAX, and a nonlinear Hammerstein-Wiener model. To describe them, we employed the formal language of automatic control theory; to identify the model, we used the MATLAB software package. The study revealed that the discrete linear state-space model is most suitable for short-term forecasting of both the volume and the structure of credit debt, which in turn allows to predict trends in the structure of accumulated credit debt on the forecasting horizon of 1 year. The model based on the real data has shown a high sensitivity of the structure of credit debt by pay back periods reaction to the changes in the Сentral Bank monetary policy. Thus, a sharp increase in interest rates in response to external market shocks leads to shortening of credit terms by borrowers, at the same time the overall level of debt rises, primarily due to the increasing revaluation of nominal debt. During the stable falling trend of interest rates, the structure shifts toward long-term debts.
Цель работы-построение математических моделей, описывающих взаимосвязи между рыночными индикаторами, имеющими ключевое значение для экономики России, и макроэкономическими показателями денежно-кредитной системы. Материалы и методы. Для решения задачи моделирования в работе были использованы методы описания математических моделей, изначально применяющиеся в теории автоматического управления к механическим системам: линейные дискретные передаточные функции, модели пространства состояний и нелинейные модели Гаммерштейна-Винера. В качестве инструментария исследования, для идентификации моделей использовался функционал System Identification Toolbox программного пакета Matlab, который обычно используется для анализа технических систем. По известным входному и выходному сигналам производился подбор математической модели. Для оценки точности выбора модели рассчитывалось нормальное среднеквадратичное отклонение для промоделированного и заданного выходного сигнала. В качестве исходных данных использовались временные ряды макроэкономических и рыночных показателей в период с 2008 по 2018 гг. Результаты. В работе были разработаны две модели прогнозирования. Модель-1 описывает последовательный переход от цен на нефть и курса доллара США к оценке валового внутреннего продукта, денежного агрегата М2 и кредитной задолженности. Зависимости между экономическими параметрами математи-чески описываются линейными дискретными передаточными функциями. Модель-2 отличается последовательностью двух последних переходов: от валового внутреннего продукта к кредитам, а затем к денежному агрегату М2. Кроме того, два последних перехода математически описываются нелинейными моделями Гаммерштейна-Винера. Результатом моделирования являются прогнозы по направлению трендов и значениям макроэкономических показателей денежно-кредитной системы на временном горизонте в 3, 7 и 12 лет при двух разнонаправленных сценариях динамики нефтяного рынка. Заключение. Несмотря на близкие значения при оценке точности каждой из построенных моделей, в прогнозе они дают схожие результаты по соответствию сценариев, но разные темпы роста. Изменения цен на нефть однозначно сказываются на макроэкономических показателях денежно-кредитной системы, что свидетельствует о способности разработанных моделей давать корректные прогнозы по направлениям трендов кредитной активности и денежной массы. В дальнейших исследованиях предполагается возможность перехода от макроэкономических показателей к более частным составляющим на мезо-и микроуровнях.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.