Методический журнал
Риск-менеджмент в кредитной организации

В крупных банках рисковики не имеют возможности проводить полноценную исследовательскую работу, последовательно улучшать применяемые модели и в целом зажаты значительным количеством внутренних правил и внешних ограничений. Одним из них являются ограниченные возможности по выбору признаков для построения моделей, предсказывающих дефолты заемщиков. Что в текущих условиях рынка может дать импульс бизнесу банка и при этом быть риск-консервативной метрикой, понятной всем? Модель, построенная на результатах других моделей по ограниченному признаковому пространству.

Структурные модели оценки вероятности дефолта организаций обычно основаны на анализе рыночной информации. Однако невысокая ликвидность российского биржевого рынка, его манипулируемость и то, что не так много банков используют эти площадки для своего финансирования, ограничивает применение таких моделей. В статье предлагается модель, использующая данные публикуемой финансовой отчетности, которая может быть использована как для оценки вероятности дефолта, так и для оценки стоимости акционерного капитала кредитной организации.

Традиционный для финансовых организаций подход — запрос информации о клиенте перед подачей заявки на продукт — не обеспечивает банк необходимым набором атрибутов для формирования релевантных стратегий коммуникации и оптимизации результата управления. Единственный возможный способ получения необходимой атрибуции по клиенту — это использование данных его мобильного устройства.

По мнению автора, внутренние методики определения дохода эффективнее алгоритмов, предложенных регулятором для расчета дохода для учета в ПДН. В статье приведены графики, стимулирующие других участников к созданию таких альтернативных моделей и возможной их валидации со стороны регулятора.

В статье представлены методологические приемы тестирования, основанные на практике пользователей различных систем противодействия недобросовестным заемщикам. Описаны процессы построения матрицы правил, классификации по риску, объекту и событию, вычисления итоговых значений риска. Для наглядности некоторые приемы иллюстрируются витринами «НБКИ-AFS».

В статье представлены авторские методики моделирования денежных потоков для построения динамического баланса, бюджетирования и оценки резервов в соответствии с МСФО (IFRS) 9. Дополнительно предложены методики оценки сбора просроченной задолженности (recovery model) и оценки ожидаемых платежей для произвольного (контрактного) денежного потока, а также даны рекомендации по выбору риск-классов кредитного портфеля для построения моделей движения основного долга.

Методология оценки ожидаемых кредитных потерь по банковским гарантиям отличается от методологии для кредитных продуктов. Оценка суммы потери по гарантии на исполнение контракта зависит прежде всего от суммы требования, поданного бенефициаром к гаранту, а не от чистых потерь гаранта после возмещения регресса. Исходя из этого, авторы предлагают собственный подход к оценке, уточняющий терминологию МСФО (IFRS) 9 и Базеля II для более точного соответствия экономическому смыслу гарантии.

Мы продолжаем цикл статей о видах перекрестной проверки моделей. В банковской практике часто бывают случаи, когда есть несколько наблюдений по одному и тому же клиенту (например, несколько платежей), но необходимо обобщить результаты на новых клиентов. Как можно реализовать данный вид перекрестной проверки в Python? Как учесть при построении модели временную структуру данных и избежать «утечки» данных о будущем в модель?

В прошлом году компания КПМГ провела глобальный опрос среди крупных банков с целью определить подходы к управлению модельным риском. Несмотря на то что вопрос регулирования модельного риска не является первоочередным в повестке Банка России, в ближайшее время стоит ожидать повышенного внимания к этой теме, в том числе из-за широкого внедрения моделей, участвующих в принятии управленческих решений, и ожидаемого роста внедрения моделей ПВР. Банкам необходимо проактивно сформировать общерыночные стандарты и подходы к управлению модельным риском, адаптировав мировой опыт (в первую очередь опыт банков Северной Америки и Европы).