Методический журнал
Риск-менеджмент в кредитной организации

ВТБ стал первым банком в РФ, прошедшим проверку системы управления операционным риском (СУОР) на соответствие Положению № 716-П и получившим разрешение перейти на расчет требований к капиталу под операционный риск в соответствии с Положением № 744-П. Расскажем о том опыте, который приобрел банк, вопросах, с которыми пришлось столкнуться, и возможных путях их решения.

В 2020 году Ситибанк потерял больше $900 млн из-за ошибки менеджера, который не проставил галочки в нужных полях при отправке перевода, притом транзакция контролировалась по принципу «шесть глаз». Что поможет предотвратить такие случаи? Что нужно для выполнения требований Положения № 716-П, кроме автоматизации и сбора базы данных? Как сделать бизнес-подразделения своими союзниками и мотивировать сообщать об инцидентах? Какие внешние данные учитывать при моделировании?

Отличительными чертами топовых команд Data Science являются не только развитые технические навыки и знание предметной области, но и умение общаться с бизнесом на одном языке. Один из инструментов, позволяющих выстроить такой диалог, — придание моделям интерпретируемости. Какие принципы позволяют обеспечить интерпретируемость? Какие модели хорошо поддаются интерпретации? Какие сложности возникают при интерпретации, казалось бы, понятных и простых моделей?

Что-то на R, что-то на Python — вот обычная реальность разработки моделей в банках. Однако приходящие молодые сотрудники почти не знают R. Да и продакшн, а также в целом «боевое» окружение модели все больше склоняют к выбору Python в качестве основного языка разработки моделей. Но так ли он безальтернативно хорош в прикладных банковских задачах? Чтобы разобраться, сравним быстродействие наиболее известных табличных интерфейсов в двух средах.

В большинстве случаев методы моделирования, применяемые для оценки кредитного риска, не выходят за рамки классических методов машинного обучения. Однако спектр перспективных математических подходов и вычислительных инструментов может быть шире. В статье рассмотрены возможности пакета прикладных программ MATLAB для построения системно-динамических моделей, которые учитывают структуру компаний и могут применяться при обратном стресс-тестировании, а также при оценке вероятности дефолта.

В этом номере рассмотрим систему «БИР-Аналитик» агентства ПРАЙМ, занявшую третье место в рейтинге RAEX. Это единственный игрок, который предоставляет возможность прямых запросов к своей базе. Основной интерес для нас представляет безлимитная выгрузка из базы. Несколько скриптов позволили нам быстро выгрузить финансовую и нефинансовую информацию, на получение которой из других систем уходят недели.

Возмещаемая стоимость кредита корпоративного заемщика прямо пропорциональна будущим потокам денежных средств. Лучший вариант — использовать денежные средства от операционной деятельности. Менее приемлемый — использовать денежные средства от инвестиционной деятельности. Совсем неинтересный — использовать средства от деятельности финансовой. В связи с этим необходимо тестировать прогнозные отчеты о движении денежных средств на предмет их реальности.

Как руководителю отдела рисков подбирать специалистов, которые могут применять современные методы машинного обучения для решения «боевых» задач? Что делать, если бюджет на Data Science ограничен и банк предлагает зарплату немного ниже рынка? Откуда брать новичков: из студентов, экономистов или ИТ-специалистов, которые не связаны с ML, но имеют большой опыт в Python? Предлагаем рекомендации одного из лучших специалистов в прикладном анализе данных.