Методический журнал
Риск-менеджмент в кредитной организации

Проблемы использования специализированных платформ для работы со сложноструктурированной информацией могут быть решены при помощи универсального сервиса векторного представления для базовых сущностей внутри платформы. В терминологии глубокого обучения это представление объектов внутри платформы как предобученных embeddings для внешних потребителей данных платформы. Статья посвящена решению этой задачи с помощью алгоритмов, доступных на рынке или разработанных командой банка (в случае с геоплатформой).

В предыдущей публикации мы выяснили, что не можем использовать для подбора гиперпараметров ни случайное разбиение на обучающую и тестовую выборки, ни k-блочную перекрестную проверку (обычную, повторную, с исключением по одному). Получается, мы используем тестовую выборку (проверочные блоки перекрестной проверки) и для настройки гиперпараметров, и для оценки качества модели. Для преодоления этого недостатка можно воспользоваться комбинированной проверкой, которая сочетает случайное разбиение на обучающий и тестовый наборы и k-блочную перекрестную проверку.

МСФО (IFRS) 9 «Финансовые инструменты» ввел новое понятие — «бизнес-модель», которое ранее в области учета и отчетности отсутствовало. Как описывать бизнес-модели, оценивать риски финансового инструмента для определения бизнес-модели, проверять соответствие бизнес-моделям? Какие бывают исключения из требований МСФО?

Большинство банков оценивают кредитный риск проекта исключительно на основе экспертных характеристик заемщика. Некоторые банки используют только финансовые характеристики. В статье рассматривается подход, учитывающий как финансовые, так и экспертные показатели, что особенно актуально для компаний, созданных для реализации конкретного проекта и имеющих неинформативную финансовую отчетность. Итоговая оценка кредитоспособности зависит от стадии реализации проекта.

Для прогнозирования поведения клиента при использовании финансовых сервисов наиболее значимую группу данных представляют кредитные истории. Несмотря на достаточно большие показатели хит-рейтов, полнота данных зачастую оказывается недостаточной для разработки качественных моделей скоринга, особенно для категории клиентов до 27 лет (unbanked). Прирост же показателей выдачи по этой группе стратегически важен, поскольку эта группа на протяжении длительного периода своей будущей трудоспособности способна сформировать качественное ядро клиентской базы.

Как правило, в силу корпоративной закрытости использование винтажного анализа ограничено уже устоявшимися в банке методиками. При этом специализированная литература, как русско-, так и англоязычная, предлагает откровенно мало практических способов использования винтажных графиков. В статье собраны самые распространенные примеры методик построения и использования винтажного анализа, которые можно назвать типовыми. Все они проверены на практике и могут применяться в кредитной организации любого уровня.

Как смоделировать поведение кредитного портфеля и учесть влияние внешних факторов? Что является детерминированной составляющей в поведении кредитного портфеля (инвариантом), а что требуется определить в сценарии? Как взаимоувязать макроэкономику и поведение кредитного портфеля? Автор предлагает собственные подходы к решению этих вопросов, основываясь на исследовании большого числа кредитных портфелей различных типов и своем практическом опыте.

Распространение принципа гуанси в связи с развитием деловых взаимоотношений с Китаем имеет свои «побочные эффекты».Альтернативой этому принципу при взаимодействии с китайскими контрагентами может служить скоринг. Однако отчетность компаний как основа для принятия решения зачастую недостоверна, что особенно актуально для китайских компаний. Какие инструменты можно использовать для повышения точности скоринга в отсутствие достоверной отчетности? Какие из них применимы и для российских компаний-заемщиков?