Методический журнал
Риск-менеджмент в кредитной организации

В базу данных ORX впервые попал крупный инцидент мошенничества с использованием AI. Технология deep voice позволила злоумышленникам вывести из компании $35 млн. Какие методы помогут банкам противостоять таким атакам и что должно быть приоритетной задачей при защите от них?

Когда Алексей Лобанов был назначен директором Департамента банковского регулирования, мы провели с ним большое интервью, где узнали о планах и перспективах. Спустя 10 лет с того момента, как Алексей Лобанов начал карьеру в Банке России, и через 5 лет после назначения директором Департамента банковского регулирования мы задали ему вопросы наших коллег-рисковиков: что удалось сделать за эти годы, почему регулятор не использует транзакционные данные для регулятивных моделей, а главное, почему требования Банка России столь тяжелы для восприятия и исполнения?

В предыдущей статье мы разобрали первые три фазы проекта разработки модели LGD согласно стандарту CRISP-DM: понимание целей задачи, изучение данных и подготовка данных. Разработка модели является следующей фазой, которую в рамках методологии ПВР и МСФО (IFRS) 9 можно разделить на три этапа: разработка «ядра» модели, калибровка модели, применение надбавок. Рассмотрим первый этап.

В прошлом номере мы рассматривали ежемесячные отчеты, в этом сосредоточимся на отчетах ежеквартальных и немного на макроэкономике. Приведенные в статье примеры отражают состояние реальных кредитных портфелей и позволяют оценить влияние эпидемии COVID-19. В сочетании с прогнозом макроэкономических показателей представленные модели позволяют строить прогноз факторов поведения кредитных портфелей, что необходимо для расчета ожидаемых кредитных убытков в соответствии с МСФО (IFRS) 9 и стресс-тестирования, направленного на конструирование кредитных продуктов и обеспечение устойчивости банка.

В банковской системе есть сервисы ниже «ватерлинии», которыми почему-то не принято пользоваться. В этой статье мы подключим сервис интеграции «ЗаЧестныйБизнес» (№ 10 в рейтинге «Эксперт РА» и лучший балл по стоимости) по цене ежемесячного утреннего кофе для главного редактора и посмотрим: может, все-таки дать шанс бюджетным решениям и сэкономить миллионы рублей в месяц кредитной организации, которая привыкла считать деньги?

Компания QIWI активно развивает бизнес, основанный на аналитике больших данных. Опыт QIWI говорит о том, что оттачивать лишь одну модель не имеет смысла, важно создать конвейерный подход. Расскажем о топ-6 факторов, влияющих на модельный риск, и трех китах прозрачного процесса разработки. А также о том, как при помощи минимального набора методов построить модели с life time более двух лет.

Европейская служба банковского надзора начинает практику сближения полноценных ML-моделей с регулятивными требованиями к расчету риска на капитал. В связи с тем, что Россия часто впереди планеты всей в имплементации Базеля и продвинутых практик регулирования, банковским датасаентистам, возможно, уже сейчас стоит озаботиться подготовкой к таким изменениям.

В крупных банках мнение инвестиционного комитета все еще превалирует над данными скрупулезного анализа рыночной ситуации и моделями, построенными на них. Разработанная автором на основе MATLAB система принятия решений по активам призвана заменить решения комитета data-driven решения­ми. Для этого члены команды RAMS внимательно изучили мнение каждого эксперта, заменили его моделью и снабдили текущими рыночными данными на основании Мертон-моделей. Заметят ли члены комитета разницу?

Как совместить риск-нейтральную меру ARIMA-GARCH с необходимостью учета тяжелых хвостов, характерных для распределений финансовых временных рядов? В статье на практическом примере показана действующая модификация расширенного принципа Гирсанова, в котором вместо логарифмических приращений берутся относительные, и приведены примеры кода в среде R.

В КНР экономисты и датасаентисты, похоже, наконец пришли к согласию. Они выработали методологию и тип моделей, которые, во-первых, дружат между собой, а во-вторых, не встречаются ни на Github, ни на Kaggle. Попробуем посмотреть, в чем состоял смысл многолетней исследовательской работы в области кредитных рисков и анализа данных.

В прошлый раз мы говорили о том, на что обращать внимание при кредитовании крупных ИТ-компаний. Публикация набрала много положительных отзывов, поэтому мы решили продолжить тему проектных рисков и специфических ИТ-рисков. Сегодня обсудим, как кредитовать ИП и небольшие компании, которые оказывают услуги в сфере ИТ или предлагают какой-то один продукт. Если клиент — ИП, банки, как правило, ограничиваются оценкой финансового положения и часто предлагают потребкредит. Но для таких клиентов можно создать отдельный продукт, сбалансированный по риску.

По итогам нашего анализа hh.ru, в требованиях работодателя SQL занимает место выше Python. А учитывая, что в риск-менеджменте становится все больше данных и методы работы с ними должны знать уже не только рисковики, но и экономисты и кредитные аналитики, — мы, не претендуя на изложение продвинутых подходов, расскажем о том, что пока известно не всем и в чем некоторые допускают ошибки.