Методический журнал
Риск-менеджмент в кредитной организации

Традиционно считается, что если в банке существует функция управления активами и пассивами, то банк защищен от рисков ALM и ликвидности. Однако практически никогда не поднимается вопрос о том, корректно ли осуществляется ALM, нет ли конфликта интересов в данном процессе и при взаимодействии с другими подразделениями. По какой операционной модели может быть организована функция ALM? Как построить линию подчинения между различными функциональными блоками банка, чтобы избежать конфликта интересов?

В этой статье мы проанализируем структуру использования банками собственного капитала с точки зрения его распределения по различным видам рисков, которым подвержены банки в процессе своей деятельности, и покажем, каким образом подобный анализ может использоваться для выявления потенциального наличия повышенных рисков в структуре баланса банка. Какой подход может использоваться для определения степени отклонения структуры использования банками собственного капитала от «среднерыночной» структуры? Какие уровни контрольных значений применять при анализе уровня риска банков?

По мере того как блокчейн-технология развивается и все больше новых проектов с ее использованием готовятся к вводу в промышленную эксплуатацию, представляется необходимым сфокусироваться на менее обсуждаемых вопросах. Порождают ли бизнес-модели на основе блокчейна новые типы рисков для компании и отрасли в целом? Если да, то что необходимо делать для предупреждения и смягчения этих рисков?

Cкоринг взыскания уже стал привычным инструментом работы с просроченной задолженностью. С помощью статистических моделей банк оценивает процент возврата по кредитам, находящимся уже в дефолте, а также целесообразность передачи прав требования по кредиту третьим лицам. На каждую из стадий работы можно создать свои классифицирующие модели, расcматривая каждое событие как целевую переменную для модели. Как построить модели скоринга взыскания для клиентов, находящихся в состоянии просрочки разной глубины? Как оценить вероятность возврата в график платежей либо полного погашения кредита?

Кредитование МСБ становится все более интересным сегментом банковского бизнеса. Многие микрофинансовые организации также видят в этом направлении собственную нишу. Причем до недавнего времени рынок не имел индустриального инструмента, позволяющего на основе предиктивных моделей сегментировать клиентов МСБ и прогнозировать их дефолтность. В статье представлена модель, позволяющая решить данную задачу. Особенность модели заключается в синергии трех видов информации: коммерческой информации о МСБ, знания кредитора о клиенте и кредитных историй, хранящихся в бюро.

Как было сказано в предыдущей части статьи, один из недостатков прогнозных моделей случайного леса заключается в том, что мы не можем сразу взглянуть на все деревья в ансамбле и интерпретировать их, то есть создается модель «черного ящика». В этом номере мы продолжим искать способы заглянуть внутрь «черного ящика» и построим модель случайного леса в среде статистического программирования R.

При оценке кривой бескупонной доходности используют разные методы. Вне зависимости от выбранной модели ее параметры обычно находятся путем минимизации суммы квадратов ошибок приближения цен отдельных облигаций. При этом ошибки в приближении разных облигаций часто учитывают с разными весами: пропорционально дюрации, обратно пропорционально bid-ask спреду и т.д. Мы проводим численный эксперимент, чтобы понять, имеют ли практический смысл подобные модификации.

В случаях, когда при анализе доходности акций не удается применить аналитические методы вычисления вероятностных характеристик, применяют методы статистического моделирования, среди которых наибольшую популярность приобрели метод Монте-Карло и метод исторического моделирования. В стандартном варианте метода исторического моделирования обычно утрачивается информация об автокорреляции временных рядов наблюдений. Какими методами можно преодолеть этот недостаток исторического подхода?