Методический журнал
Риск-менеджмент в кредитной организации

Стабильность является важным свойством моделей машинного обучения и напрямую влияет на устойчивость бизнеса и функционирование компании, использующей модели в своих бизнес-процессах. Стабильность моделей кредитного риска — центральная тема продвинутых подходов ПВР и МСФО (IFRS) 9, где стабильности моделей уделяется особое внимание со стороны подразделений валидации и банковского надзора. Разберем несколько подходов к оценке стабильности моделей, опишем плюсы и минусы предложенных методов и покажем результаты экспериментов и промышленных расчетов стабильности для банковских моделей.

Как проверить, являются ли две незначительно различающиеся записи в реестре кредитного портфеля записями об одном и том же человеке? Раньше в практике Управления анализа розничных кредитных рисков Банка России идентификаторы анализировались вручную. С учетом роста объемов кредитных портфелей была поставлена задача автоматизировать этот процесс. Способ объединения записей об одном заемщике был найден в теории графов.

При создании промышленного процесса автоматизация проводится по упрощенным требованиям, которые не позволяют в полной мере отслеживать как «ручные» ошибки, так и ошибки в алгоритмах. Особенно критичны ошибки и пробелы в требованиях к системе при внедрении процесса выдачи кредитных продуктов. А дополнительные процедуры проверки задерживают выдачу денег и снижают привлекательность продукта. Чтобы решить проблему, в «Открытии» разработали полноценный дубль процесса на стороне одного проверочного скрипта, что значительно ускорило выдачу экспресс-кредитов.

Удачные прототипы ML-моделей все еще не запущены в эксплуатацию? В вашей команде, занимающейся проектами на базе машинного обучения, много исследователей и ни одного инженера? Как организовать работу так, чтобы не только видеть результат, но и с каждой новой функцией модели развивать внутренние наработки и data-продукты? И главный вопрос — как и какими силами поддерживать все созданные артефакты?

Банки все больше инвестируют в машинное обучение, поскольку оно обеспечивает эффективное управление большими данными и помогает в прогнозировании и анализе сложных тенденций. Разберемся, на какие четыре ключевые области применения машинного обучения стоит обратить внимание банкам и какие четыре инструмента могут быть полезны в первую очередь. А попутно обсудим достоинства и недостатки популярных моделей GPT.

В статье обсуждается кейс построения скоринговых моделей в ПАО Банк ЗЕНИТ, которые позволили достичь 81,7% Gini в сегменте электронных банковских гарантий до 3 млн руб. и 80,2% Gini в сегменте от 3 млн руб. Внедрение двух моделей в эксплуатацию сократило время рассмотрения заявки и снизило риски, связанные с выдачей гарантий.

Продолжаем традиционную рубрику об успехах и провалах участников рейтинга информационно-аналитических систем RAEX. В этот раз проверим находящийся на седьмом месте Casebook — сервис для мониторинга судебных дел и проверки контрагентов, созданный разработчиком «Картотеки арбитражных дел» и «Электронного правосудия».

Как выясняется, даже те банки дружественных стран, которые склонны сотрудничать с кредитными организациями из РФ, зачастую предпочитают делать это в рамках кредитного лимита, установленного российским партнером. С учетом того, что активы многих банков могут оказаться под риском этих юрисдикций, предлагаем внимательнее приглядеться к дружественным банковским системам и расставить приоритеты.

Такие резонансные кейсы, как банкротство Silicon Valley Bank, нужно внимательно изучать и делать выводы: что нужно изменить в своем банке, чтобы не допустить подобных ошибок? Проведем ретроспективный анализ на основе данных годового отчета SVB.

В российских реалиях Excel — это не просто офисная программа, не аналог Word или PowerPoint по своей функциональности. Это скорее «комбайн», то есть гибкая программа, используемая в огромном спектре задач и ценящаяся за свою универсальность. Тестируем аналоги MS Excel — лидирующие на рынке програм­мные продукты — и анализируем возможности замены Excel на другие инструменты при решении задач малой автоматизации, анализа данных, их оперативной обработки и обмена данными.

Копулы обеспечивают высокий уровень гибкости при моделировании случайных событий. Именно поэтому их широко используют при управлении портфельным риском. В статье представлен краткий обзор теории копул и показаны наиболее полезные результаты, которые может дать на практике их использование. Давайте освежим свои знания и проверим себя вместе с родоначальником ARPM — пожалуй, наиболее элитного образовательного ресурса для «квантов».

В последнее время появляются сервисы и библиотеки на основе современных моделей искусственного интеллекта, призванные облегчить и автоматизировать труд программистов, аналитиков и др. Возьмем код с платформы Kaggle, в котором анализируются данные твитов, посвященных банковской тематике. Попробуем разобраться, как автор кода работал с данными и может ли неопытный пользователь проделать аналогичные действия с помощью библиотеки Sketch.

Мы, 90% времени проводя в корпоративных программах, постоянно говорим об искусственном интеллекте и Kaggle. А как же чемпионаты по Excel и, например, финансовому моделированию? О чемпионате FMWC (Financial Modeling and Excel Competitions) в России знают незаслуженно мало. Еще до событий 2022 года там можно было встретить всего двоих-троих российских участников. Что дает участие в чемпионате с профессиональной точки зрения — рассказывает Максим Сагайдак, занявший в 2022 году 32-ю строчку мирового рэнкинга по финансовому моделиро­ванию.

Управление по развитию инфокоммуникационных СМИ и Комиссия по защите персональных данных Сингапура разработали и опубликовали модель управления искусственным интеллектом (ИИ) A.I. Verify, преобразующую этические принципы ИИ в реализуемые меры; руководство по внедрению модели и самооценке; сборник примеров использования модели организациями из разных секторов на местном и международном уровнях. Сейчас A.I. Verify доступна в виде минимально жизнеспособного продукта (MVP), предложенного для пилотирования разработчикам и владельцам систем ИИ.

На конференциях все чаще поднимается вопрос о необходимости прилагать совместные усилия для монетизации больших внутренних данных. Докладчики утверждают, что в партнерских проектах возникает множество проблем, связанных с выполнением требований законодательства. Ответом на эти вызовы может стать создание криптоанклавов — систем, которые позволяют объединять данные из разных источников для получения максимально точных результатов.