Praca magisterska z bankowości i rynku finansowego to jeden z trudniejszych projektów, jakie możesz podjąć na studiach ekonomicznych. Nie dlatego, że temat jest nudny – wręcz przeciwnie. Problem leży gdzie indziej: materiał jest ogromny, dane są rozproszone po kilkudziesięciu bazach, a promotorzy oczekują znajomości regulacji unijnych, polskich aktów prawnych i narzędzi ilościowych jednocześnie. Ten przewodnik porządkuje całość od początku do końca.
Od czego zacząć, czyli jak wybrać temat, który da się obronić
Największy błąd magistrantów z finansów to wybór tematu zbyt szerokiego. „Ryzyko kredytowe w polskich bankach” nie jest tematem – to dziedzina. Dobry temat wygląda inaczej: „Wpływ wymogów Bazylei III na zdolność kredytową małych i średnich przedsiębiorstw w Polsce w latach 2015-2023”. Konkretny zakres czasowy, konkretna populacja, konkretne narzędzie regulacyjne.
Zanim zaproponujesz cokolwiek promotorowi, odpowiedz sobie na trzy pytania. Czy masz dostęp do danych? Czy dysponujesz metodą, która pozwoli ci te dane przeanalizować? Czy wynik pracy – cokolwiek wyjdzie – będzie mówił coś nowego albo przynajmniej weryfikował istniejące hipotezy na polskim rynku?
Jeśli piszesz o regulacjach ostrożnościowych, zaczynaj od rozporządzenia CRR (EU) 575/2013 i dyrektywy CRD IV/CRD V (2019/878). To fundament bankowości europejskiej i każdy promotor finansów oczekuje, że znasz te dokumenty. Bazylea III to standard BIS (Bank for International Settlements), ale w UE jest implementowana właśnie przez CRR i CRD. Pamiętaj o tym rozróżnieniu, bo promotorzy zwracają na to uwagę.
Regulacje bankowe – co musisz wiedzieć przed napisaniem pierwszego rozdziału
Jeśli twój temat dotyka wymogów kapitałowych, musisz zrozumieć strukturę buforów kapitałowych. Nie wystarczy napisać „bank musi mieć odpowiedni kapitał”. Bazylea III definiuje konkretne poziomy. Wymóg CET1 (Common Equity Tier 1) wynosi minimum 4,5% aktywów ważonych ryzykiem. Do tego dochodzi bufor zabezpieczający 2,5%, czyli efektywny minimalny poziom CET1 to 7%. SREP (Supervisory Review and Evaluation Process) to proces, w którym KNF ocenia indywidualny profil ryzyka każdego banku i może nałożyć dodatkowy wymóg – TSCR (Total SREP Capital Requirement). Polskie banki publikują te wartości w sprawozdaniach finansowych i raportach Filara III – to twoje pierwsze źródło danych.
Bufor antycykliczny (CCB, Countercyclical Capital Buffer) jest szczególnie interesującym tematem do pracy. W Polsce KNF przez lata utrzymywał go na poziomie 0%, podniósł go w 2022 roku do 0,5%, potem do 1%. Analiza tego, jak zmiana bufora wpływała na akcję kredytową banków – to gotowy temat empiryczny z wyraźnym punktem interwencji.
Jeśli piszesz o restrukturyzacji i uporządkowanej likwidacji banków, podstawowym aktem jest dyrektywa BRRD. DORA (rozporządzenie 2022/2554 o cyfrowej odporności operacyjnej) jest nowszym obszarem, wchodzącym w życie w 2025 roku – jeśli piszesz o ryzyku operacyjnym lub FinTech, ta regulacja powinna się pojawić.
Analiza kredytowa i modele scoringowe – jak zbudować część empiryczną
To jeden z najpopularniejszych obszarów empirycznych w pracach z bankowości. Jeśli masz dostęp do danych bankowych – nawet zagregowanych – możesz zbudować solidną część badawczą.
Standardowe podejście do modelowania ryzyka kredytowego opiera się na trzech parametrach: PD (Probability of Default), LGD (Loss Given Default) i EAD (Exposure at Default). W pracy magisterskiej zazwyczaj skupiasz się na jednym z nich. Modelowanie PD z użyciem regresji logistycznej (model logit) to klasyka i dobry wybór dla magistrantów – metoda jest dobrze opisana w literaturze, a wyniki są interpretowalnie.
Model logit w kontekście bankowym wygląda następująco: zmienna zależna to binarne „default/no-default”, zmienne niezależne to wskaźniki finansowe (dźwignia, płynność, rentowność, pokrycie długu) plus zmienne makroekonomiczne (PKB, stopa bezrobocia, WIBOR). Estymację przeprowadzasz w R (pakiet glm, link=”logit”) albo w Pythonie (biblioteka statsmodels, klasa Logit). Weryfikację jakości modelu robisz przez pole pod krzywą ROC (AUROC) i macierz błędów klasyfikacji. AUROC powyżej 0,75 to przyzwoity wynik dla modelu z agregowanymi danymi publicznymi.
Jeśli masz dostęp do danych indywidualnych (na przykład z bazy Amadeus lub polskiego rejestru KRS z danymi bilansowymi), możesz porównać modele logit i probit – różnice będą małe, ale dyskusja metodologiczna da materiał na kilka stron dobrego rozdziału.
Model probitowy stosuje funkcję Φ (dystrybuanty normalnej) zamiast funkcji logistycznej. W praktyce bankowej oba modele dają podobne wyniki, ale banki w Polsce (i w UE) zazwyczaj stosują podejście IRB (Internal Ratings-Based) zaakceptowane przez KNF, które opiera się właśnie na logistycznej regresji z kalibrowanymi wagami.
Ratingi kredytowe to osobny obszar. Skala S&P to AAA-D, skala Moody’s to Aaa-C. Jeśli analizujesz rynek obligacji korporacyjnych albo oceniasz ryzyko emitentów, musisz rozumieć mapowanie ratingu na PD. Tabele tranzycji ratingów (migration matrices) to gotowe dane do empirycznej analizy, publikowane przez agencje ratingowe i BIS.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Ryzyko bankowe – jak opisać i zmierzyć
Ryzyko stopy procentowej jest dobrze mierzalne i dlatego popularne w pracach. Dwa podstawowe narzędzia to BPV (Basis Point Value) i DV01 (Dollar Value of 01). BPV mówi, o ile zmieni się wartość portfela przy przesunięciu krzywej rentowności o 1 punkt bazowy. DV01 to praktycznie to samo, ale wyraża się w jednostkach pieniężnych na jednostkę nominału. Do analizy dodaj convexity – miernik drugiego rzędu, który koryguje błąd liniowego przybliżenia DV01 dla większych zmian stóp.
Dane do analizy stopy procentowej znajdziesz na stronach NBP (seria stóp WIBOR, rentowności obligacji skarbowych) i w bazach EBC (stopy EURIBOR, krzywe OIS). NBP StatInfo to portal, z którego pobierasz szeregi czasowe w formacie CSV – niezbędny adres dla każdego magistranta z finansów.
Ryzyko płynności mierzysz przez dwa wskaźniki Bazylei III. LCR (Liquidity Coverage Ratio) to stosunek płynnych aktywów wysokiej jakości do odpływu netto gotówki w ciągu 30 dni – minimum 100%. NSFR (Net Stable Funding Ratio) to stosunek stabilnych źródeł finansowania do wymaganych stabilnych środków – też minimum 100%. Polskie banki raportują te wskaźniki do KNF, a zagregowane dane publikuje ESRB (European Systemic Risk Board) na swoim dashboardzie. To kolejna baza danych, którą powinnaś/powinieneś znać.
Ryzyko operacyjne w Bazylei III ma trzy podejścia. BIA (Basic Indicator Approach) to najprostszy wariant – wymóg kapitałowy liczy się jako 15% trzyletniej średniej przychodu brutto. TSA (Standardised Approach) różnicuje wskaźniki według linii biznesowych (8 segmentów z wagami od 12% do 18%). AMA (Advanced Measurement Approach) pozwalał bankom stosować własne modele wewnętrzne – w Bazylei IV ta opcja znika na rzecz zrewidowanego podejścia standardowego (SA). Jeśli piszesz o ryzyku operacyjnym, zaznacz tę zmianę regulacyjną – promotorzy to docenią.
GPW i analiza rynku kapitałowego
Praca o rynku kapitałowym bez znajomości struktury GPW to słaba praca. Indeksy, które musisz rozumieć: WIG (szeroki rynek, ponad 400 spółek), WIG20 (20 największych płynnych spółek, odpowiednik blue chipów), mWIG40 (średnie spółki), sWIG80 (małe spółki). Gdy piszesz o efektywności rynku, zachowaniu cen albo reakcji na zdarzenia, te indeksy są punktem wyjścia.
Mikrostruktura rynku to obszar, który wyróżni twoją pracę. Spread bid-ask (różnica między ceną kupna a sprzedaży) mierzy koszt transakcji i płynność – im węższy, tym rynek bardziej efektywny. Market depth (głębokość rynku) pokazuje, ile akcji można kupić/sprzedać bez istotnego przesunięcia ceny. VWAP (Volume Weighted Average Price) to średnia ważona wolumenem, używana przez instytucje do oceny jakości realizacji zleceń.
Metoda event study to klasyczne narzędzie do analizy reakcji rynku na zdarzenia – wyniki finansowe, zmiany dywidend, fuzje i przejęcia, decyzje regulacyjne. Schemat jest prosty: definiujesz okno zdarzenia (na przykład [-5, +5] dni sesyjnych), szacujesz normalne stopy zwrotu modelem rynkowym (regresja stopy zwrotu spółki na stopę zwrotu indeksu w oknie estymacji [-250, -10] dni), a potem liczysz ponadnormalne stopy zwrotu (AR = R_it – alpha_i – beta_i * R_mt) i testujesz ich istotność statystyczną. W R robisz to pakietem eventstudies, w Pythonie biblioteka eventstudy. Dobry artykuł metodologiczny MacKinlay (1997) w Journal of Economic Literature – jeśli promotor jest pedantyczny, ta referencja musi być w bibliografii.
Dane o spółkach notowanych na GPW pobierasz ze Stooq.pl (historyczne kursy w CSV), Refinitiv Eikon/Bloomberg (jeśli uczelnia ma dostęp) albo z interfejsu API GPW. KNF StatInfo zawiera dane o emisjach, funduszach i rynku papierów wartościowych w Polsce.
Polityka monetarna NBP – jak opisać kanały transmisji
Rozdział o polityce monetarnej bez opisu mechanizmu transmisji to za mało na pracę magisterską. NBP stosuje standardowe narzędzia: stopę referencyjną (podstawowa stopa procentowa wyznaczająca cenę pieniądza na rynku overnight), operacje otwartego rynku (emisja i skup bonów pieniężnych 7-dniowych), stopę depozytową i lombardową (wyznaczają korytarz stóp procentowych) oraz rezerwę obowiązkową (banki komercyjne muszą utrzymywać na rachunku w NBP określony procent depozytów, od 2023 roku to 3,5%).
Kanały transmisji to serce rozdziału makroekonomicznego. Kanał stopy procentowej: zmiana stopy NBP przechodzi przez WIBOR na oprocentowanie kredytów i depozytów, wpływa na konsumpcję i inwestycje. Kanał kursu walutowego: zmiana stóp procentowych wpływa na atrakcyjność PLN dla inwestorów zagranicznych, zmienia kurs EUR/PLN, co przekłada się na import/eksport i inflację. Kanał kredytowy (credit channel): zmiana polityki monetarnej wpływa na zdolność i chęć banków do udzielania kredytów – to jest szczególnie aktywny kanał w Polsce, gdzie sektor bankowy jest głównym źródłem finansowania przedsiębiorstw.
Do empirycznej analizy transmisji monetarnej używasz modeli VAR (Vector Autoregression) – w R pakiet vars, w Pythonie statsmodels.tsa.vector_ar. Dane: historyczne stopy NBP, WIBOR 1M/3M/6M, CPI, PKB kwartalne, kredyty dla sektora prywatnego. NBP StatInfo i GUS udostępniają wszystkie te szeregi.
Ekonometria finansowa – GARCH i modele szeregów czasowych
Jeśli analizujesz stopy procentowe, kursy walutowe albo ceny akcji, musisz umieć uzasadnić wybór narzędzia ilościowego. Szeregi finansowe mają trzy charakterystyczne właściwości: grubochwostość (fat tails, kurtoza > 3), skupiskowanie zmienności (volatility clustering, okresy spokoju przeplatają się z burzliwymi) i nielinowość. Z tych powodów model ARIMA jest zazwyczaj niewystarczający, a modele klasy GARCH są standardem.
ARIMA(p,d,q) – gdzie p to rząd autoregresji, d stopień różnicowania, q rząd średniej ruchomej – to punkt wyjścia dla analizy stacjonarności i krótkoterminowej dynamiki. Testujesz stacjonarność testem ADF (Augmented Dickey-Fuller) albo KPSS. Większość finansowych szeregów jest niestacjonarna w poziomach, stacjonarna po pierwszym różnicowaniu (I(1)).
Model GARCH(1,1) to podstawowy wariant – wariancja warunkowa zależy od poprzedniej kwadratowej resztki (efekt ARCH) i poprzedniej wariancji warunkowej (efekt GARCH). W R robisz to pakietem rugarch (funkcja ugarchfit). W Pythonie – biblioteka arch (klasa arch_model). Jeśli dane wykazują asymetrię (zła wiadomość silniej zwiększa zmienność niż dobra), stosuj GJR-GARCH albo EGARCH. EViews to alternatywne oprogramowanie popularne w polskich katedrach finansów – jeśli promotor preferuje to narzędzie, GARCH estymuje się tam kilkoma kliknięciami.
Dobór rzędów p i q w modelu GARCH sprawdzasz przez kryteria informacyjne AIC i BIC – mniejsza wartość oznacza lepszy model przy uwzględnieniu liczby parametrów. Po estymacji zawsze rób testy diagnostyczne residuów: test Ljunga-Boxa na autokorelację kwadratów reszt (jeśli p>0,05, model uchwycił efekty ARCH), test normalności Jarque-Bera i wykresy Q-Q. Promotorzy z finansów ilościowych zadają pytania właśnie o diagnostykę – przygotuj się na to na obronie. Wyniki przedstawiasz w tabelach: oszacowania parametrów z błędami standardowymi, statystyki t, p-wartości, kryteria AIC/BIC i wyniki testów diagnostycznych. Nie wklejaj surowych wydruków z R ani Pythona – formatuj czytelnie, z podpisem i źródłem danych pod tabelą.
Regresja przełomowa (threshold regression, model TAR/SETAR) to bardziej zaawansowane narzędzie, przydatne gdy badasz nieliniowe zależności – na przykład, czy efekt polityki monetarnej jest inny w recesji niż w ekspansji. W R pakiet tsDyn. Analiza event study z modelami GARCH w oknie zdarzenia (event-time GARCH) to połączenie obu podejść – solidna praca empiryczna na poziomie magisterskim.
FinTech i nowe obszary – PSD2, CBDC, RegTech
Jeśli twój temat dotyczy innowacji finansowych, masz kilka dobrze zdefiniowanych obszarów. Otwarta bankowość (open banking) w UE jest wymuszona przez dyrektywę PSD2. Banki muszą udostępniać interfejsy API (Application Programming Interface) firmom trzecim (TPP, Third-Party Providers) za zgodą klienta. W Polsce nadzór nad PSD2 sprawuje KNF, a banki raportują incydenty bezpieczeństwa według rygorystycznych wymogów. Praca o otwartej bankowości może dotyczyć: skali adopcji przez użytkowników, modeli biznesowych TPP, ryzyk bezpieczeństwa, albo wpływu PSD2 na konkurencję między bankami a fintechami.
CBDC (Central Bank Digital Currency) to gorący temat – NBP i EBC prowadzą badania, a Chiny wdrożyły e-CNY. Praca badawcza może analizować potencjalne skutki emisji cyfrowego euro dla polskiego systemu bankowego (wpływ na depozyty bankowe, politykę monetarną, transmisję).
Scoring alternatywny to zastosowanie big data do oceny zdolności kredytowej osób bez historii kredytowej. Dane z mediów społecznościowych, zachowania płatnicze w e-commerce, dane telekomunikacyjne. Etyczne i regulacyjne aspekty tej praktyki (RODO, dyskryminacja algorytmiczna) dają materiał na solidny rozdział teoretyczny.
RegTech (Regulatory Technology) to narzędzia automatyzujące zgodność regulacyjną. Prace empiryczne mogą porównywać koszty compliance przed i po wdrożeniu RegTech, albo analizować dojrzałość rynku RegTech w Polsce na tle UE.
Jak zbierać dane i skąd je brać
Podaję konkretne adresy, bo magistranci tracą dużo czasu na szukanie. NBP StatInfo (stat.nbp.pl) – stopy procentowe, kurs walutowy, podaż pieniądza, bilanse banków. KNF StatInfo (stat.knf.gov.pl) – dane o bankach komercyjnych, spółdzielczych, SKOK, rynku kapitałowym i ubezpieczeniach. ESRB dashboard (esrb.europa.eu/national_policy) – bufory kapitałowe, wskaźniki ryzyka systemowego w UE. BIS statistics (stats.bis.org) – statystyki bankowe BIS, rynki derywatów, kredyty transgraniczne. Eurostat MFI statistics – dane o monetarnych instytucjach finansowych w UE.
GUS (stat.gov.pl) to PKB, inflacja, stopa bezrobocia. Stooq.pl i Bossa.pl udostępniają bezpłatnie historyczne dane dzienne kursów spółek GPW. CEIC, Refinitiv Eikon i Bloomberg są płatne, ale wiele uczelni ma licencje – sprawdź w bibliotece przed rejestracją.
Jeśli budujesz bazę danych z raportów rocznych spółek albo banków, KRS (Krajowy Rejestr Sądowy) udostępnia sprawozdania finansowe przez portal ems.ms.gov.pl. Ręczne zbieranie 200 obserwacji na potrzeby regresji jest żmudne, ale możliwe przez API KRS lub narzędzie Web Scraper.
Jak opisać metodologię, żeby nie dostać poprawki
Rozdział metodologiczny to zwykle drugi po literaturze przegląd, który promotorzy czytają najbardziej krytycznie. Trzy zasady do zapamiętania.
Po pierwsze – uzasadniaj wybór metody. Nie piszesz „zastosowałam/zastosowałem model GARCH, bo jest popularny”. Piszesz: „szereg stóp procentowych WIBOR 3M wykazuje skupiskowanie zmienności (test Engle’a LM: p<0,01), co uzasadnia zastosowanie modelu klasy GARCH zamiast liniowych modeli ARIMA”.
Po drugie – opisz dane tak, żeby ktoś mógł twoje badanie zreplikować. Zakres czasowy, częstotliwość, źródło, sposób pobrania, przekształcenia (logarytmowanie, różnicowanie, winsoryzacja outlierów). Tabela opisowa z minimum, maksimum, odchyleniem standardowym, skośnością i kurtozą to standard.
Po trzecie – określ ograniczenia. Praca, która mówi „wyniki są reprezentatywne dla całego sektora bankowego” bez żadnego zastrzeżenia, jest słabsza od tej, która uczciwie napisze, że próba ograniczona jest do banków giełdowych lub że dane ze sprawozdań mogą być wygładzone (smoothing). Promotorzy i recenzenci szanują świadomość ograniczeń.
Korekta i formatowanie – ostatni krok, którego nie pomiń
Po kilku miesiącach pracy z danymi i regulacjami łatwo stracić dystans do własnego tekstu. Błędy językowe, niekonsekwentne skróty (raz piszesz „CET1”, raz „Tier 1 podstawowy”, raz „kapitał podstawowy Tier 1”) albo niespójne formatowanie tabel i wykresów – to drobiazgi, które obniżają ogólną ocenę. Profesjonalna korekta pracy naukowej to usługa, z której korzysta coraz więcej magistrantów. Jeśli zależy ci na końcowym efekcie, warto zlecić sprawdzenie osobie z zewnątrz, która ma świeże oko i znać zasady edycji tekstu naukowego. Podobnie formatowanie – wymogi uczelni co do czcionki, marginesów, numeracji, stylu przypisów i bibliografii (zazwyczaj APA, Chicago albo wewnętrzny standard katedry) różnią się i lepiej sprawdzić je wcześniej niż na dzień przed złożeniem.
Najczesciej zadawane pytania
Jakich aktów prawnych muszę szukać pisząc pracę o bankowości w Polsce?
Podstawy krajowe to ustawa Prawo bankowe z 29 sierpnia 1997 roku (z późniejszymi zmianami) i ustawa o Narodowym Banku Polskim z tego samego dnia. Nadzór nad rynkiem kapitałowym reguluje ustawa z 29 lipca 2005 roku. Rozporządzenia ministra finansów doprecyzowują wymogi dla emitentów, funduszy i domów maklerskich. Na poziomie UE najważniejsze są CRR (rozporządzenie EU 575/2013) i dyrektywy CRD IV/V oraz BRRD. Dla FinTech i ryzyka operacyjnego dodaj DORA (2022/2554).
Co to jest SREP i jak go opisać w pracy?
SREP to Supervisory Review and Evaluation Process – coroczny proces, w którym organ nadzoru (w Polsce KNF) ocenia indywidualny profil ryzyka każdego banku i ustala dodatkowy wymóg kapitałowy ponad minimalne wymogi Bazylei III. Wynik SREP to TSCR (Total SREP Capital Requirement), który bank musi utrzymywać pod rygorem sankcji nadzorczych. W pracy opisujesz go w rozdziale o regulacjach ostrożnościowych, pokazując, że Bazylea III to minimum, a rzeczywiste wymogi są indywidualnie wyższe.
Jak zbudować model scoringowy do pracy magisterskiej bez danych bankowych?
Użyj publicznie dostępnych danych finansowych spółek z KRS albo bazy Orbis/Amadeus (dostępna w bibliotekach uczelnianych). Zbuduj zmienną zależną jako „upadłość/brak upadłości” korzystając z rejestru upadłości Monitor Sądowy i Gospodarczy. Estymuj model logit z kilkoma wskaźnikami finansowymi (wskaźnik płynności bieżącej, dźwignia finansowa, rentowność aktywów, rotacja aktywów). To podejście Altman-style – praca Altmana (1968) to klasyczna referencja, którą musisz znać.
Jakie narzędzia analityczne powinienem/powinnam wymienić w metodologii?
Zależy od tematu. Do szeregów czasowych: R (pakiety rugarch, dynlm, vars) albo Python (biblioteki arch, statsmodels). EViews jest popularny w polskich katedrach i bardzo wygodny do GARCH. Do scoringu kredytowego: R (glm z link=”logit”) lub Python (statsmodels.Logit, sklearn.LogisticRegression). Do analizy rynku kapitałowego: Bloomberg lub Reuters Eikon jeśli uczelnia ma licencję. Do pobrania danych: API NBP StatInfo, API GPW, Stooq.pl. Opisujesz wszystko, czego faktycznie użyłaś/użyłeś.
Czy CBDC to dobry temat dla pracy magisterskiej z bankowości?
Tak, ale musisz go zawęzić. „CBDC w Polsce” jest za szeroki. Lepsze tematy to: analiza potencjalnego wpływu cyfrowego euro na poziom depozytów w polskich bankach komercyjnych, porównanie modeli architektonicznych CBDC (hurtowy vs detaliczny, bezpośredni vs pośredni) z perspektywy polityki monetarnej, albo analiza doświadczeń z e-CNY jako case study. Materiały robocze EBC i BIS to pierwsze źródła literatury – wydały kilkanaście raportów na ten temat między 2020 a 2025 rokiem.
