PYXIDA Institutional Repository
and Digital Library
Collections :

Title :Non-performing loans and the greek economy: an approach in modelling, forecasting and credit risk analysis
Alternative Title :Μη-εξυπηρετούμενα δάνεια και ελληνική οικονομία: μία προσέγγιση μοντελοποίησης, πρόβλεψης και ανάλυσης πιστωτικού κινδύνου
Creator :Κοτσώνης, Στυλιανός
Kotsonis, Stylianos
Contributor :Δημελή, Σοφία (Επιβλέπων καθηγητής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής (Degree granting institution)
Type :Text
Extent :119p.
Language :en
Identifier :
Abstract :Κύριο αντικείμενο της μελέτης είναι η μοντελοποίηση της εξέλιξης των μη εξυπηρετούμενων δανείων στο ελληνικό τραπεζικό σύστημα με σκοπό την εκτίμηση της επίδρασης τόσο των μακροοικονομικών παραγόντων όσο και των τραπεζικών μεταβλητών και δεύτερον στην εκτίμηση της μελλοντικής εξέλιξης του ποσοστού των μη εξυπηρετούμενων δανείων. Στο πρώτο κεφάλαιο παρουσιάζεται μία εισαγωγή στα μη-εξυπηρετούμενα δάνεια καθώς και η ανάλυση των ιδιαίτερων χαρακτηριστικών στους στην Ευρώπη και στην Ελλάδα. Σύμφωνα με την αναπτυγμένη βιβλιογραφία, μελετούμε τους μακροοικονομικούς, τραπεζικούς παράγοντες, καθώς και την επίδραση του δημόσιου χρέους στο ποσοστό των μη-εξυπηρετούμενων δανείων. Επιπλέον, περιγράφουμε το κανονιστικό πλαίσιο της Ευρώπης σχετικά με την διαχείριση και τις μεθόδους απομείωσης του ποσοστού αυτού. Στα επόμενα δύο κεφάλαια αναλύουμε δύο μοντέλα βραχυχρόνιας πρόβλεψης: Autoregressive Integrated Moving Average (ARIMA) και Vector Autoregressive (VAR) με σκοπό την εκτίμηση του ποσοστού των μη-εξυπηρετούμενων δανείων στο μέλλον. Η μέθοδος ARIMA αφορά μονομεταβλητή τεχνική της οικονομετρικής σειράς, Η δεύτερη αφορά την εκτίμηση μέσω της επίδρασης του ΑΕΠ, του ποσοστού ανεργίας και του μακροπρόθεσμου ποσοστό επιτοκίων. Η βάση δεδομένων των μη-εξυπηρετούμενων δανείων προέρχεται από την Τράπεζα της Ελλάδος και καλύπτει την περίοδο από το 2002 έως το 2019. Στα κεφάλαιο 3&4 μελετάμε την επίδραση του πιστωτικού κινδύνου στο ποσοστό των κόκκινων δανείων μέσω των μεταβλητών z-score και Tier 1. To z-score αφορά την πιθανότητα πτώχευσης της τράπεζας και το ποσοστό Tier1 εκφράζει την οικονομική δύναμη της τράπεζας. Επιπρόσθετα, συμπεριλαμβάνουμε τραπεζικούς παράγοντες σύμφωνα με προηγούμενες μελέτες αναφορικά με τα κόκκινα δάνεια. Λαμβάνοντας υπόψιν την διαθεσιμότητα των δεδομένων, χρησιμοποιούμε μία διστρωματική προσέγγιση (Panel) μεταξύ 16 ευρωπαϊκών χωρών και εφαρμόζουμε την οικονομετρική αυτή τεχνική με σκοπό να μελετήσουμε την συμπεριφορά των μη-εξυπηρετούμενων δανείων. Η βάση δεδομένων αφορά την περίοδο 2008 έως 2017. Συμπερασματικά, τα αποτελέσματα της εμπειρικής ανάλυσης δείχνουν ότι η βραχυπρόθεσμή πρόβλεψη μέσω του VAR μοντέλου οδηγεί σε πιο αξιόπιστα αποτελέσματα συγκρίνοντας τα με τα πραγματικά στοιχεία της Τράπεζας της Ελλάδος της επόμενης περιόδου. Επιπλέον, αναφορικά με την Panel προσέγγιση οι χρησιμοποιούμενοι τραπεζικοί παράγοντες συνδέονται αρνητικά με το ποσοστό των μη-εξυπηρετούμενων δανείων με μόνη εξαίρεση το δημόσιο χρέος το οποίο παρουσιάζει θετική συσχέτιση με το ποσοστό αυτό. Όσον αφορά την μεταβλητή z-score, η ανάλυση αναδεικνύει την σημαντικότητα της διατήρησης ενός χαμηλού δείκτη μη-εξυπηρετούμενων δανείων έτσι ώστε οι τράπεζες να είναι πιστοληπτικά βιώσιμες.
The main objective of the study is to model the evolution of non-performing loans in the Greek banking system with the purpose of first estimating the impact of various macroeconomic & bank specifics determinants on the rate of bad loans, and second forecast its future path. In the first chapter we provide an introduction on non-performing loans and a descriptive analysis of their characteristics in the European Union, as wells as in the Greek banking system. According to the growing literature, we identify the macroeconomic, bank specifics and debt determinants of the NPLs rate. Furthermore, we describe the policy regulations undertaken by the European union regarding the steps of management and the resolution methods of NPLs. In the following two chapters we analyze two short-run forecasting methods: Autoregressive Integrated Moving Average models (ARIMA) and Vector Autoregressive models (VAR) in order to estimate the future rate of NPLs. The method of ARIMA concerns the univariate forecast technique as applied to the NPLs time series. The second method provides forecast results by using a number of variables such as the GDP growth, Unemployment rate and long-term interest rate. The dataset of NPLs were sourced from the Bank of Greece and concern the period from 2002 to 2019. In chapters 3 & 4 we study the effect of credit risk metric on the NPLs rate, including the z-score metric and the Tier 1 ratio .The z-score captures the bank’s probability of default and the Tier 1 ratio estimates the bank’s financial strength. Besides that, we include bank-specific variables according to the NPLs literature. Considering data availability, we use a Panel approach of 16 European Union countries and apply panel data econometric techniques to study the behavior of NPLs. The datasets cover the period from 2008 to 2017. Finally, the evidences of the empirical models show that the short-run forecasting through the VAR model leads to more reliable results when comparing the values with the out of sample rate of the Bank of Greece for the next period. Moreover, considering the panel approach, the bank-specific determinants are negatively associated with the NPLs ratio except of government debt which is positively linked to the rise of NPLs. As for the z-score, the analysis underlines the importance to maintain a low level of NPLS in order for banks to be credit risk sustainable.
Subject :Μη Εξυπηρετούμενα Δάνεια
Πιστωτικός κίνδυνος
Μοντέλα πρόβλεψης
Οικονομετρική ανάλυση
Δεδομένα πάνελ
Αξία σε κίνδυνο
Non Performing Loans
Credit risk
Forecasting model
Econometric analysis
Panel data
Value at Risk (VaR)
Date :26-06-2020
Date Submitted :27-06-2020
Date Accepted :27-06-2020
Licence :

File: Kotsonis_2020.pdf

Type: application/pdf