Описание издания | Свежий номер | Архив | Приобрести/Подписаться |
Содержание номера 1/2022 САНКЦИИ Предлагаем краткий обзор первоисточников, по которым можно регулярно оценивать санкции в отношении клиентов с активной внешнеэкономической деятельностью и проверять качество своих систем, работающих с санкционными списками. РЫНОЧНЫЙ РИСК Перед нами первая публично раскрытая модель по прогнозированию резких и сложно поддающихся анализу действий ЦБ. В основе — библиотеки языка R, а в самой модели RNN использовался метод главных компонент для улучшения способности к обучению и понижения переобучения. По сути, решена задача классификации по сценариям ключевой ставки с построением функции плотности распределения на будущий шаг. Модели удалось предсказать зигзаги «довоенного» времени, что дает некоторый оптимизм в попытках применить ее к новой реальности. ОПЕРАЦИОННЫЙ РИСК По мнению некоторых риск-менеджеров, на примере операционного риска регулятор в очередной раз показал, что такая очевидная вещь, как предотвращение мошенничества и ошибок в банках, становится неуклюжей бюрократической машиной с множеством «закладок» и противоречий, а также требований, которые понятны лишь разработчикам документов, и то не всем. Что делать средним банкам: докупать ПО и консалтинг, обучать специалистов или, вчитавшись в Положение, продолжать вести базу событий в Excel? КРЕДИТНЫЙ РИСК Одним из направлений работы Банка России является мониторинг показателя долговой нагрузки (ПДН) заемщиков — физических лиц, что на практике выливается в необходимость проводить комплексные проверки заемщиков по Указанию № 4892-У. Определенный законодательством арсенал средств не всегда позволяет классифицировать хорошего заемщика как имеющего умеренную долговую нагрузку. В такой ситуации банкам проще не брать на себя регулятивный риск, чем кредитовать хорошего заемщика с высоким ПДН. А может быть, кредитовать тех, кто еще не кредитовался? В предыдущих двух статьях мы описали этапы определения целей, подготовки данных и разработки «ядра» модели LGD. В этой статье разберем последние три этапа цикла разработки — калибровку «ядра» модели, расчет надбавок консерватизма и оценку качества финальной модели — и расскажем, как проанализировать влияние оценок LGD на портфель. Статья демонстрирует возможности пакета прикладных программ MATLAB и его надстройки Simulink для построения системно-динамических моделей корпоративных заемщиков. Пакет помогает учесть такие важнейшие в текущих реалиях переменные, как цена на нефть и курс доллара, в моделях кредитоспособности заемщиков. Инструментарий Simulink позволяет реализовывать указанные модели с интерпретируемым графическим представлением. Кредитные аналитики ругают сервисы определения кредитных лимитов заемщика и фактически не пользуются ими при подготовке профсуждения. Данные, мол, старые, неактуальные, а системы неповоротливые. В этой статье мы подключим сервис «Глобас» (№ 2 в рейтинге агентства «Эксперт РА» и лучший балл по экспертной оценке) и посмотрим: отключить ли кредитных аналитиков от ручного расчета лимитов в сегменте МСП? АНАЛИЗ ДАННЫХ Для интегрированного управления рисками (ИУР) необходима технологическая платформа, которая позволит сделать прозрачными и структурированными алгоритмы оценки рисков по сделке и анализ данных. В статье описаны принципы создания платформы, объединяющей инструменты анализа данных, озеро данных, компетенции команд и регламентированные процессы для целей ИУР. Сколько времени банковский датасаентист проводит в блокнотах Jupyter? А сколько горячих клавиш (очевидное увеличение продуктивности) предлагает Jupyter Notebook или JupyterLab? А сколько времени потрачено в настройках NB extensions? Протестируем одну из профессиональных интегрированных сред разработки (Integrated Development Environment, IDE) на примере AutoML-библиотеки Сбера. МИРОВЫЕ ПРАКТИКИ Продолжаем тему объяснимости ML-моделей для регулятора, топ-менеджмента, аудиторов и клиентов. В статье «Объяснимые модели машинного обучения риска потребительского кредитования» известные эксперты Массачусетского технологического института (MIT) популярно объяснили, как строили розничную скоринговую карту. Предлагаем описание исследования, которое поможет вам обосновать собственные модели. ПЕРСОНАЛЬНАЯ ЭФФЕКТИВНОСТЬ Согласно рейтингу Top Database Index, в топ-3 самых популярных баз данных входят Oracle, MySQL и SQL Server, на долю этих решений приходится более 60% пользователей, что делает язык SQL самым популярным для работы с базами данных. Знание SQL часто указано как обязательное требование в описании вакансий, связанных с анализом данных и подготовкой отчетности. Но даже риск-менеджеры с опытом в SQL не всегда могут справиться с простой задачей.
|
|