Методический журнал
Риск-менеджмент в кредитной организации

В этой статье мы приведем результаты исследования показателей уровня риска кредитных портфелей банков по МСФО и РСБУ и покажем, каким образом они могут быть использованы в практике анализа банков. Какие показатели уровня риска кредитных портфелей банков (метрики рисков) могут быть использованы для анализа банков? Как распределены и изменяются значения метрик рисков во времени? Какие контрольные значения метрик рисков могут быть использованы для выявления и оценки наличия у банка недосозданных резервов? Какие выводы о финансовой устойчивости банка можно сделать на основании анализа его метрик рисков?

Согласно новому МСФО (IFRS) 9 необходимо иметь оценку риска дефолта по кредиту на всем протяжении жизни кредита (lifetime estimation) для своевременного формирования необходимого объема резервов с учетом динамики изменения уровня риска. В нашей статье мы ставим задачу шире и исследуем влияние параметров кредита с учетом их специфики на оценку риска дефолта на всем протяжении его жизненного цикла. Полученную оценку кредита целесообразно использовать при подготовке отчетности по МСФО (IFRS) 9, когда необходимо считать lifetime PD.

Последствия внедрения МСФО (IFRS) 9 неопределенные: может произойти не только увеличение размера резервов, но и рост волатильности этого показателя. В связи с этим очень важно определить базовые подходы, которые позволят произвести плавный переход к новому стандарту с заранее известным эффектом воздействия на ключевые показатели деятельности кредитной организации.

В статье рассматривается практическая реализация на языке R задачи построения оптимального концентрированного портфеля акций с клиентскими ограничениями. Краеугольным камнем любой задачи построения оптимального портфеля является расчет ковариационной матрицы рыночных рисков. В статье представлены три практических подхода для построения ковариационной матрицы в R с использованием многофакторных моделей: многофакторная статистическая модель рыночных рисков, многофакторная фундаментальная и многофакторная макро­экономическая модели.

Прогнозные модели, полученные с помощью случайного леса, обладают высоким качеством, вместе с тем одним из недостатков случайного леса является тот факт, что данный метод строит модели «черного ящика»: мы не можем сразу взглянуть на все деревья в ансамбле и интерпретировать их. В этой статье мы детально расскажем о различных способах заглянуть внутрь «черного ящика»: вычислении важностей предикторов двумя способами, построении графиков частных зависимостей. Параллельно рассмотрим математический аппарат случайного леса и тонкости настройки случайного леса.

Согласно требованиям Банка России кредитные организации должны самостоятельно разработать методологию идентификации значимых рисков, но четкие стандарты такой методологии пока отсутствуют. В статье даны практические рекомендации по ее разработке. Каковы критерии значимости риска? Где пролегает граница «полного» формата управления риском? Какой формат управления незначимыми рисками выбрать? Что эффективнее: рассматривать как единые значимые риски кредитный, рыночный, операционный и пр. или «дробить» эти риски?

В прошлом номере мы изучали риск опционных портфелей типа «бабочка», здесь же рассмотрим аналогичные характеристики портфелей типа «стрэддл» и «спред». Как и в случае портфеля «бабочка», линейное приближение дает совершенно неудовлетворительные результаты. В оценке риска может помочь анализ, проведенный методами исторического моделирования и Монте-Карло. Какие опционные стратегии являются менее рискованными?