Методический журнал
Риск-менеджмент в кредитной организации

Банки замерли в ожидании последствий массовых пролонгаций и кредитных каникул корпоративных заемщиков. Что может дать ранее не наблюдаемый вид кризиса в плане последствий? «Бегство в качество»? Массовое использование гарантийных механизмов? Требования по докапитализации? Чтобы снизить количество вопросов без ответов, попробуем создать прогноз NPL 90+ на посткризисный период, пользуясь теориями, специализирующимися на исследовании хвостов распределений — редких значений, срабатывающих в кризисные времена. GEVT- и POT-моделирование созданы как раз для таких ситуаций.

Использование существующих подходов к моделированию ожидаемых кредитных убытков во время кризиса, вызванного пандемией COVID-19, может привести к менее точному расчету резервов ECL, что станет причиной чрезмерной или, наоборот, недостаточной аллокации капитала на покрытие кредитных потерь. По мнению авторов, в ближайшее время на первый план выйдут подходы, основанные на алгоритмах машинного обучения и использовании концепции Auto ML. В статье на реальных примерах из практики банков описаны модели, учитывающие специфику кризисного периода.

В ближайшей перспективе отчетность банков не будет отражать реального положения дел, усугубляя и без того большую неопределенность. Введенные Банком России послабления позволяют не только скрыть реальные потери, но даже повысить рентабельность операций. Можно резервировать меньше средств под кредитные операции, благодаря чему возрастает показатель рентабельности капитала. Поэтому формально, на уровне отчетности, на горизонте ближайшего квартала или двух банки могут демонстрировать несокрушимое финансовое здоровье. Какие методы позволят оценить реальное состояние банка?

Тема, освещаемая в статье, возникла из жизненной необходимости организовать конвейер по подготовке и внедрению математических моделей в банковские процессы. Два года назад, организовывая подразделение, которое является владельцем процесса управления жизненным циклом моделей (ЖЦМ) и отвечает за все банковские ML-модели, мы столкнулись с тремя ключевыми вопросами: как правильно распределить функционал, какие роли необходимы в процессе разработки и внедрения модели, как минимизировать модельный риск при замене ручного функционала на автоматические расчеты и решения.

Ключевая проблема мониторинга моделей — существенный временной разрыв между датой прогноза и наблюдением фактического значения целевой переменной. «Классические» подходы к решению данной проблемы имеют ряд недостатков, главный из которых — контроль стабильности маржинальных (одномерных) распределений факторов, а не совместного (многомерного) распределения. Одним из наиболее перспективных решений, позволяющих исключить эти недостатки, является применение методов машинного обучения для задачи прогнозирования ошибки — концепция Model Performance Predictor (MPP).

В этой статье мы обобщим ошибки, с которыми наиболее часто сталкиваются банки при построении системы ВПОДК, проанализируем позицию Банка России по некоторым спорным вопросам и определим пути решения проблем. В чем особенности учета фазы цикла деловой активности при стресс-тестировании и планировании капитала в рамках ВПОДК? Как учесть итоги стресс-тестирования при планировании капитала? Проводить ли стресс-тестирование по всем значимым рискам? Какие проблемы связаны со сроками рассмотрения отчетности по ВПОДК?

Цель статьи — помочь риск-менеджерам вывести объективные оценки ожидаемых и неожидаемых потерь, чтобы руководство могло выбрать оптимальный аппетит к риску для получения требуемой маржи. Автор рассматривает вызревание винтажа как случайный процесс, подчиняющийся определенным законам. Задав правила его развития, можно с помощью метода Монте-Карло получить оценку распределения значений винтажа на любом горизонте наблюдения. Хотя в статье рассматриваются только нецелевые необеспеченные розничные кредиты, предлагаемые методы можно использовать и для прочих категорий кредитов.

Кризис заставляет эффективнее проверять контрагентов, не выходя за рамки прежних бюджетов. Рассмотрим, какие пути для этого существуют. Как интегрировать внутренние и внешние данные? В каких ситуациях могут применяться кастомизированные скоринги? Нужно ли перестраивать модель при поступлении новых подтвержденных данных о контрагенте?

В статье предложены методы оценки и управления макроэкономическими, рыночными и структурными рисками портфеля синдицированных кредитов. Категория макроэкономических рисков включает валютные и процентные риски; к рыночным рискам относятся риски изменения стоимости синдицированных кредитов и изменения кредитных рейтингов заемщиков; структурные риски содержат риски досрочного погашения и реструктуризации кредитов. Также в статье описаны подходы к моделированию рыночных сценариев для получения количественных оценок влияния данных рисков на показатели портфеля.