Методический журнал
Риск-менеджмент в кредитной организации

После дефолта в марте 2021 г. фонда Archegos Capital Management банк Credit Suisse (CS) понес убытки на сумму около $5,5 млрд. Подверженность риску в CS контролировали несколько линий защиты, в ежегодных кредитных обзорах неизменно отмечались недостатки фонда. Почему же такие потери стали возможными и как должен был себя вести риск-менеджмент банка, чтобы их избежать?

В ходе регуляторных ПВР-валидаций банков были неоднократно выявлены проблемы, связанные с оценкой прогностической силы моделей LGD. В статье приведено практическое статистическое доказательство правильного порядка расчета, конкретизированы и исследованы инструменты, применяемые при оценке дискриминационной силы и точности моделей LGD, даны рекомендации по оценке стабильности ПВР-моделей.

Банк России в Информационном письме от 18.03.2021 № ИН-03-36/14 рекомендовал кредитным организациям проводить оценку ожидаемых кредитных убытков в соответствии с лучшими международными и российскими практиками применения принципов МСФО (IFRS) 9. В статье описан процесс подготовки данных для разработки моделей LGD с учетом требований Базеля II и Положения № 483-П (ПВР).

Розничные кредитные портфели представляют одно из наиболее доходных (по показателю доходности с учетом риска) направлений банковского бизнеса. Форматы отчетности — это важнейший элемент системы управления банком, эффективность которого проверяется в рамках анализа ВПОДК. В статье представлены форматы отчетности, описаны методы ее интерпретации и возможные решения по управлению кредитными портфелями.

В то время как мы согласовывали публикацию об уязвимостях с нашими юристами, статья о сервисе «БИР-Аналитик» восхитила руководителей сервиса, которые направили нам письмо с положительным отзывом. Готовя эту статью, мы рассчитываем на то, что критика в своем экстремуме не смутит постоянных спикеров банковских конференций. На очереди — разбор сервисов от «Контур.Фокус» — единственной компании, которая предлагает в качестве типовой услуги выезд к клиентам по всей России. Отправим дорогостоящий сервис в Магадан, Якутию и Апшеронск и заодно сравним его с бесплатным Google.

Несколько лет назад мы внедрили big data платформу, которую активно развиваем. Сейчас ее используют практически все подразделения банка, включая антифрод-направление. С самого начала мы пошли путем комбинации обработки аналитических данных (батч-процессинг) и потоковых событий. Поскольку архитектура это позволяет, мы активно генерируем сценарии для работы с потоковой информацией. Для антифрод-кейса наиболее важная информация, о которой пойдет речь, — это данные, собираемые с веб- и мобильных фронтов банка.

В ходе ежедневной работы с десятками тысяч числовых и категориальных признаков, описывающих клиентов банка, возникла идея создать представления (эмбеддинги) клиентов методом многозадачного обучения, который придал бы представлениям определенную универсальность для эффективного решения широкого спектра задач. Статья посвящена реализации этой идеи и описывает результаты поставленных экспериментов.

Коллеги, отстаивающие право R на существование в разработке, в прошлом номере говорили о том, что R расчетно быстрее Python. Чаще всего это так, но разработка не сводится к расчетам. Больше всего времени тратится на подготовку данных и действия, предшествующие непосредственно моделированию. И здесь Python гораздо динамичнее своего конкурента. Попробуем показать, в чем именно.

В очередном бюллетене за II квартал 2021 года НБКИ представило свое видение ситуации на рынке розничного кредитования. Предлагаем наиболее интересные аналитические данные из бюллетеня с комментариями директора по маркетингу НБКИ Алексея Волкова. Можно ли говорить о том, что автокредиты безопаснее ипотеки? В каких регионах будет развиваться розничный банковский бизнес? Как изменился портрет идеального заемщика в кризис и оправданы ли претензии к работе скоринга FICO?