Описание издания | Свежий номер | Архив | Приобрести/Подписаться |
Содержание номера 1/2018 РИСК-МОДЕЛИРОВАНИЕ: НОВЫЕ ТЕХНОЛОГИИ В этом номере мы публикуем статью, рассказывающую об опыте применения Open Source решений и методов машинного обучения в Банке ВТБ. О сложностях интеграции в управлении розничными и корпоративными кредитными рисками и о перспективах продвинутой аналитики в банках мы поговорили с членом правления банка Максимом Кондратенко. Применение методов машинного обучения (Machine Learning), Open Source технологий и инструментов анализа больших данных (Big Data) — одна из самых обсуждаемых тем в области анализа рисков. В подавляющем большинстве случаев дискуссии в данной области касаются розничного сегмента, несмотря на то что корпоративные заемщики составляют значимый сегмент кредитного портфеля крупнейших банков. В статье описан опыт Группы ВТБ, демонстрирующий целесообразность и высокий потенциал применения современных технологий как в корпоративном, так и в розничном сегментах. МЕТОДЫ СПАСЕНИЯ ПРОБЛЕМНЫХ БАНКОВ Конвертация долга в капитал представляет собой не только структурное изменение в пассивах банка (обязательства перед кредиторами сокращаются, а капитал увеличивается), но и оригинальное решение вопроса «спасения» проблемного финансового учреждения, которое теряет свою инвестиционную привлекательность. Конвертируемые в случае событий-триггеров облигации стали особенно популярными в последние годы, поскольку банки стремятся повысить свой потенциал абсорбции убытков. В этой статье мы постараемся объективно рассмотреть данный инструмент, его преимущества и риски. Сегодня чуть ли не каждый российский банк — и частный, и государственный — так или иначе «заражен» токсичными активами. Вопрос заключается в том, готов ли банк признать этот факт, определить размер «дыры» и начать предпринимать действия по ее сокращению в условиях, когда помощь государства, если оно не является акционером банка, фактически означает национализацию. В статье описана одна из базовых схем оздоровления, которая была успешно адаптирована и в настоящее время реализуется некоторыми российскими банками. В этой статье мы проанализируем динамику оборотов по отдельным балансовым статьям банков и покажем, каким образом подобный анализ может использоваться для выявления потенциального риска наличия неликвидных активов в структуре баланса банка. Каким образом проводить агрегирование счетов и расчет оценок отношений оборотов к остаткам по балансовым счетам банков? Какие зависимости могут быть выявлены в динамике оборотов по отдельным балансовым счетам банков? Какие уровни контрольных значений применять при анализе уровня риска банка? АНТИФРОД-ИНСТРУМЕНТЫ Есть два ключевых драйвера развития антифрода: с одной стороны, мошенники быстро адаптируют свои схемы, обходя банковскую защиту, из-за чего та устаревает; с другой стороны — новые банковские продукты и технологии порождают и новые уязвимости. В результате банки вынуждены реагировать на новые вызовы с удвоенной скоростью. Какова роль аналитики в банковском антифроде? Как при помощи аналитических подходов увеличить точность оценки вероятности мошенничества POS-партнеров и повысить эффективность биометрической системы? DIGITAL RISK MANAGEMENT В статье рассмотрены вопросы управления рисками перехода к цифровой экономике в контексте FEBA-подхода. На примере организаций здравоохранения в статье освещена инновационная практика управления данным видом риска с использованием системы аудита лояльности клиентов. Описанная практика может применяться и кредитными организациями. РИСКИ ФОНДОВОГО РЫНКА Использование статистических методов валидации моделей VaR на примере акций высоколиквидных компаний В настоящее время все популярнее становится тема, касающаяся различных способов валидации моделей оценки риска Value at Risk. Причина достаточно проста и однозначна: зачастую на практике весьма сложно объективно определить наиболее эффективную модель оценки риска компании. Каковы же основные способы определения оптимальной модели VaR? Условные распределения широко используются при вычислении прогнозов, построении байесовских выводов и во многих других приложениях. Как это часто бывает, аналитическое решение задачи вычисления условного распределения доступно довольно редко, а численные методы решения требуют значительных вычислительных ресурсов, особенно в условиях высокой размерности. Компромиссом, позволяющим устранить многие препятствия на пути эффективного вычисления условных распределений, оказывается аппарат копул.
|
|