Методический журнал
Риск-менеджмент в кредитной организации

В октябре 2016 года Алексей Лобанов был назначен директором Департамента банковского регулирования Банка России. Спустя некоторое время мы расспросили Алексея о том, какие самые важные шаги в области банковского регулирования были сделаны Департаментом в прошедшем году, о планах по изданию новых и изменению действующих нормативных актов, о работе по реализации «Базеля III» и об иных перспективных направлениях регулирования.

Выбор правильного IT-инструмента способен существенно снизить временные затраты и операционные риски при разработке моделей оценки риск-параметров (PD, LGD, EAD). Каковы характерные особенности разработки моделей для корпоративного сегмента? Какие наиболее популярные opensource-инструменты применимы в рамках проектов по разработке корпоративных моделей? К каким выводам можно прийти, сравнив эти инструменты с коммерческими аналогами?

Внутренний кредитный рейтинг корпоративного заемщика в существенной мере зависит от экспертного мнения специалистов банка. Множество факторов, которые определяют кредитоспособность клиента, сложно четко определить, сложности возникают также и при формализации мнения экспертов банка. Для решения таких задач был разработан инструментарий лингвистических переменных. С их помощью можно приближенно описывать явления, которые не поддаются описанию в общепринятых количественных терминах. В статье рассмотрен один из подходов к применению лингвистических переменных при построении моделей внутренних кредитных рейтингов.

Риск концентрации, характеризующий подверженность кредитных организаций крупным рискам, — один из сложно измеримых рисков. Предлагаемый в статье подход к оценке риска концентрации основан на анализе степени диверсификации кредитного портфеля. Как рассчитать коэффициент концентрации, который может быть использован для идентификации и качественной оценки риска кредитного портфеля? Как проводить стресс-тестирование риска концентрации?

Разработанные шведским регулятором модели оценки рисков концентрации построены по принципу «пропорциональности», исходя из задачи достижения оптимального баланса между простотой вычислений и точностью оценок, и могут, по мнению автора, использоваться в качестве бенчмаркинга не только шведскими, но и российскими банками. Это особенно актуально, учитывая, что по состоянию на 1 апреля 2017 года Банком России будет проведена первая оценка риска концентрации банков.

Основная проблема, с которой сталкивается аналитик, начиная моделировать вероятность дефолта компании, — это отсутствие достаточного числа компаний в выборке для построения устойчивой статистической модели. Зачастую специалистам по моделированию приходится иметь дело с 5–10 дефолтами и применять всевозможные методики работы с низкодефолтными портфелями или ограничиваться экспертными оценками. Модельные риски при этом весьма велики. Для решения этой проблемы мы предприняли попытку создания дженерик-модели на данных не отдельно взятого банка, а всего российского рынка.

Логистическая регрессия чаще всего используется для построения скоринговых карт. Деревья решений обладают большей гибкостью. Как объединить их преимущества, чтобы улучшить модель кредитного скоринга и сохранить ее интерпретируемость? Какие пробелы в методологии встречаются даже у крупных банков? Что такое взаимодействие переменных и почему его нужно учитывать при разработке скоринговых карт? Какими способами это сделать и когда тот или иной способ предпочтительнее?

В статье, опубликованной в предыдущем номере, мы выполнили предварительную подготовку данных. Итогом всех выполненных преобразований становится файл данных «Обучающий набор.sav», который уже можно использовать для моделирования. Как выбрать наиболее оптимальную стратегию построения модели логистической регрессии, дающую наибольшее значение AUC на тестовой выборке?

Предлагаемая в статье методология позволяет на основании фактических данных бухгалтерской отчетности и в оптимальные сроки выявлять уже реализовавшиеся, но по разным причинам не попавшие в отчетность по операционным рискам инциденты, а также сигнализировать о потенциальных рисках, включая риски мошенничества. Помимо этого, с помощью данного инструментария руководство компании получает возможность взглянуть на управление операционными рисками с точки зрения его влияния на бизнес в целом.

Оценка рыночного риска по деривативным портфелям — достаточно сложная задача. При наличии в портфеле нелинейных производных инструментов вычисление показателей риска, таких как VaR, можно производить численными методами, например Монте-Карло, или аналитическими методами с использованием различных способов линеаризации. Мы опишем метод линеаризации, известный как дельта-метод. Эта информация будет полезна рыночным риск-менеджерам и трейдерам на рынке деривативов.