Оформляя ипотеку или потребительский заем, мы редко задумываемся о том, что банк предоставляет нам не просто денежные средства, а сложный финансовый дериватив. Право на досрочное погашение без штрафных санкций — это типичный call-опцион. Для заемщика это по сути «бесплатная» страховка на случай снижения рыночных ставок: если стоимость заимствований падает, всегда есть возможность рефинансироваться на более выгодных условиях.
Однако в мире финансов действует закон сохранения риска. Если у клиента возникает право выбора, значит, кто-то другой этого выбора лишается. В банковской экосистеме эту роль берет на себя Казначейство (ALM).
В данной статье мы разберем механику ценообразования банковских продуктов (Transfer Pricing, FTP) и построим модель оценки одного из самых скрытых элементов банковской маржи — стоимости опциональности (Cost of Optionality).
Часть 1. Опциональность — где прячутся убытки?
В общепринятой практике ставка фондирования (FTP), по которой бизнес-подразделение «приобретает» ликвидность у Казначейства, формируется из нескольких компонентов:
Здесь Optionality — это премия за непредсказуемое поведение заемщика. Почему она критически важна?
Представим, что Казначейство захеджировало 10-летний кредит с помощью облигаций или процентного свопа (IRS) на аналогичный срок. Если через год ставки падают и клиент досрочно гасит долг, Казначейство остается с «излишним» дорогим фондированием, которое можно разместить лишь под более низкий процент. Этот риск реинвестирования и нарушение структуры хеджа приводят к прямому убытку.
Если банк не закладывает стоимость этой опциональности в FTP, он невольно субсидирует заемщика за счет собственных акционеров. Бизнес-линия видит «привлекательную» маржу, не осознавая, что она сформирована за счет продажи «бесплатной» страховки.
Часть 2. Математика поведения заемщика
Для точной оценки call-опциона необходимо перейти от статических методов к динамическим, используя двухэтапный подход: определение вероятности события (произойдет ли досрочное погашение) и его объема.
Ключевые факторы модели
Для повышения реалистичности мы включили в модель следующие фундаментальные драйверы:
-
Стимул рефинансирования
: Экономический триггер. Мы анализируем отклонение текущих ставок от форвардной кривой, заложенной в договор. Чем существеннее падение рынка относительно ожиданий, тем выше стимул. -
Контрактная ставка
: Психологический аспект. Заемщик с кредитом под 22% гораздо активнее ищет способы закрыть долг, чем тот, чей заем оформлен под 5%, даже при идентичной рыночной конъюнктуре. -
Фактор времени
: Поведенческая статистика. В начальный период действия кредита досрочные погашения происходят чаще (например, из-за реализации активов или смены жилья), но со временем этот импульс ослабевает. -
Эффект выгорания (Burnout): Если ставки снижались неоднократно, а клиент не воспользовался шансом на рефинансирование, вероятность его действий в будущем падает. Возможно, он консервативен или лишен такой возможности. Мы учитываем это через накопленный стимул: чем дольше рынок был «выгодным», тем ниже вероятность досрочки для оставшейся части пула.
-
Сезонность: Заемщики демонстрируют нелинейное поведение в течение года. Годовые бонусы, налоговые возвраты и сезонные выплаты провоцируют всплески досрочных погашений, не зависящие от ставок. Модель учитывает это через набор помесячных коэффициентов.
Реализация на Python
# Из prepay_opt.py: расчет логита вероятности досрочки
logit = (
prepay.beta0 # Базовая вероятность (intercept)
+ prepay.beta1 * x # Реакция на стимул рефинансирования (r - F)
+ 5.0 * r_contract # Психологический стимул
+ 0.10 * early_sched # Поправка на «молодость» кредита
+ seas_coeffs # Сезонная корректировка
)
# Учет эффекта выгорания снижает вероятность
if prepay.beta_burnout > 0.0:
logit = logit - prepay.beta_burnout * np.log1p(burnout_accum)
# Вероятность через сигмоидную функцию
p = 1.0 / (1.0 + np.exp(-logit))
# Дискретные корзины погашения (доли от остатка основного долга)
prepay_levels: tuple[float, ...] = (0.05, 0.2, 0.5, 1.0)В реальности заемщики редко погашают произвольные доли долга. Чаще это осознанное решение: например, закрыть один месячный платеж или ровно половину остатка. Поэтому мы используем дискретную модель выбора, где при наступлении события (
) клиент выбирает одну из понятных корзин. Вероятности выбора рассчитываются через Softmax, что обеспечивает точность и интерпретируемость модели для бизнеса.
Часть 3. Симуляция: стохастика и психология
Для оценки стоимости опциональности недостаточно текущего поведения — нужно прогнать продукт через тысячи сценариев будущего, используя метод Монте-Карло и модель Халла-Уайта (Hull-White).
Зачем нужен Халл-Уайт?
Простое случайное блуждание может привести к нереалистичным значениям ставок. Модель Халла-Уайта предпочтительнее благодаря свойству возврата к среднему (mean reversion):
-
Рыночная согласованность: Калибровка гарантирует, что среднее по сценариям соответствует текущей форвардной кривой.
-
Учет волатильности: Гибкая настройка амплитуды колебаний.
Мы дополнили нашу реализацию Hull-White методом SABR, добавив стохастическую волатильность: теперь не только ставки, но и сама амплитуда их колебаний меняется во времени.
На каждом шаге симуляции мы накладываем траекторию ставок на «психологический профиль» заемщика, оценивая стимулы, сезонность и выгорание. В итоге формируется распределение стоимости актива, где разница между «идеальным» PV (без досрочек) и средним PV из сценариев и составляет денежную стоимость опциональности.
Часть 4. Надбавка OAS (Option-Adjusted Spread)
OAS — это стандартный спред в мире облигаций, отражающий плату за опцион досрочного погашения.
Чтобы найти цену опциона, мы берем зафиксированное «поведение» заемщиков из симуляции и задаем вопрос: какую ставку по кредиту необходимо установить, чтобы привести PV портфеля к номиналу при заданных рисках досрочки? Мы итеративно подбираем эту «справедливую» ставку, компенсирующую все потери банка.
Часть 5. Результаты моделирования
Мы протестировали модель на 2-летнем аннуитетном кредите (ставка 13.53%).
-
Анализ траекторий: Стохастика успешно согласована с рынком. Модель фиксирует всплески досрочек в моменты падения ставок на 4–6 п.п. ниже ожидаемых.
-
Пик выплат: На 3–5 месяце наблюдается характерный всплеск, вызванный синергией волатильности, размера остатка долга и эффекта «молодого» кредита.
-
Кумулятивный эффект: В неблагоприятных для банка сценариях досрочные погашения могут превышать 50% объема, в среднем же к концу 2-го года клиенты возвращают 24.52% от первоначального объема выдачи.
Итоги: Стоимость «бесплатного» опциона
Для покрытия риска досрочного погашения в данном кейсе Казначейство должно заложить в FTP надбавку в размере ~58 базисных пунктов.
Проще говоря: если банк выдает кредит под 13.53%, игнорируя эти 0.6% стоимости опциональности, он фактически субсидирует заемщика за счет своей прибыли.
Моделирование опциональности — это не просто теоретическое упражнение, а фундамент финансовой устойчивости. Корректный учет FTP превращает скрытый риск в управляемый параметр, позволяя банку осознанно корректировать условия продуктов: от комиссий за досрочку до изменения сроков, гарантируя защиту интересов акционеров.
