Методический журнал
Риск-менеджмент в кредитной организации

Существуют ли готовые антикризисные рецепты? Как рядовому рисковику пробиться в правление крупного банка? Какова роль риск-менеджмента в сделках слияния и поглощения банков? «Внутренняя кухня» профессии — в материале эксперта по антикризисному риск-менеджменту, раннему предупреждению нестабильности корпоративного портфеля и построению риск-стратегии в условиях российских коротких циклов.

Одна из классических проблем моделирования — при кардинальных изменениях в экономике нужно ждать накопления статистики. Как интегрировать скоринг и макропоказатели для быстрого реагирования на изменение внешних обстоятельств? Для этого нужно декомпозировать привычные винтажи на «атомы», с которыми можно работать сколь угодно часто. В статье показано, что такой подход довольно прост.

На форуме Scoring Day 11 прозвучало несколько докладов о добавлении динамичности при отслеживании качества моделей, что особенно актуально в кризисное время. Традиционно в скоринге используется длинная просрочка — d4p12 (клиенты допустили 4 просрочки за 12 платежей). Модель для такой просрочки понятна и устойчива, но в периоды кризиса не может отследить изменение поведения и потока клиентов — приходится ждать (как правило, несколько кварталов), чтобы оценить, верно ли работает модель. Докладчики форума предлагают бороться с этой проблемой с помощью ансамбля просрочек разной длительности.

Два очевидных шоковых события на рынке в 2022 г. — это внешние ограничения и мобилизация. Проанализируем, как они сказались на рынке кредитования в наиболее адаптивных сегментах — рознице и кредитовании малого и среднего бизнеса, а также в сегменте кредитования крупного бизнеса. Кроме того, ответим на вопрос, поможет ли залоговое кредитование справиться с кризисом банковского кредитования.

Описанный подход к валидации риск-менеджмента розничного портфеля применялся в крупнейших банках и дал безупречно обос­нованный результат, ускоривший коррекцию риск-политик в существенных сегментах розничных продуктов вплоть до закрытия одних и расширения планов размещения других. На основе оценки экономической выгоды от усиления риск-менеджмента с учетом текущих и плановых объемов могут быть обоснованно увеличены бюджеты на расширение аналитического штата и ИТ-платформ.

Продолжаем традиционную рубрику с разбором успехов и фейлов участников рейтинга информационно-аналитических систем (ИАС). В этот раз проверим известную компанию, стабильно входящую в первую десятку рейтинга, а по экспертным оценкам — в первую пятерку: «Коммерсант Картотека». Спойлер: может быть, переименовать этот известный сервис проверки контрагентов в «сервис перепроверки данных»?

Продукт «льготная ипотека от застройщика» недавно привлек внимание Банка России: регулятор рассматривает различные сопряженные с ним риски. В частности, отмечается, что банки могут недооценивать процентные риски ипотеки с низкой ставкой. Эта недооценка, по мнению автора, происходит из общей парадигмы ценообразования ипотеки в российских банках, основанной на прогнозах случайных процессов, а не на их моделировании.

Казалось бы, в продвинутом инструментарии Data Mining/Data Science нет недостатка. Но все не так просто. Дело не только в том, что почти все программные продукты на рынке — иностранного производства. Есть и проблемы, связанные с несоответствием аналитических средств программирования банковским задачам. Кроме того, опыт регуляторных валидаций банковских моделей в рамках внедрения подхода на основе внутренних рейтингов (ПВР) показал необходимость более легитимного и проверенного аналитического инструментария.

Три года назад в банке «Ренессанс Кредит» было выделено направление моделирования, связанное с обработкой естественного языка (Natural Language Processing, NLP). Пока ИТ-подразделение занималось разработкой платформы для внедрения нейронных сетей, NLP-моделистов нужно было чем-то занять. Расскажем о трех кейсах, которые банк реализовал без существенных ИТ-доработок и инвестиций в ИТ-инфраструктуру, и о том, как будет выглядеть новая NLP-платформа.

В Газпромбанке создана самодостаточная платформа управления качеством данных, построенная на основе открытого программного обеспечения. Эта задача решена без перестройки ИТ-ландшафта, в краткие сроки и без значительных финансовых затрат. Рассказываем о ключевых инструментах, с помощью которых это было сделано, о видах проверок качества данных и способах их настройки.

Хорошие признаки не всегда удается получить сразу. Подобрать их поможет тестирование Data Quality — проверка данных на качество. Расскажем, как проводить такое тестирование и каким принципам в работе с данными надо следовать, чтобы повысить качество моделей.

В последнее время развивается тенденция использования технологий машинного обучения (ML) для анализа динамики цен и создания инвестиционных систем, которые могут превзойти менеджеров фондов в практическом управлении инвестициями. Авторы журнала Risks представили подробный обзор методов машинного обучения в области управления активами, на основе которого и сделана наша подборка литературы.

Кто из нас не мечтал заменить повседневную работу в табличных редакторах мощью Python с его библиотеками? С 1995 г. благодаря макрорекордеру VBA миллионы людей узнали, что такое программирование, и начали писать код. Автокод — это мостик между мирами доменной экспертизы и автоматизации. Рассмотрим библиотеку Mito1, которая не только имеет продвинутый табличный интерфейс для Pandas, но и способна генерировать код и строить графики, а также использовать Excel-подобные формулы прямо в Jupyter.