Методический журнал
Риск-менеджмент в кредитной организации

Кредитоспособность заемщиков существенно различается от региона к региону, при этом построить скоринговую модель для каждого региона невозможно. Для калибровки скоринговых моделей с учетом региона необходимо учесть макроэкономические факторы, оказывающие влияние на вероятность дефолта (PD). Какими могут быть подходы к построению макроэкономических моделей для получения прогнозов вероятности дефолта в регионах? Как использовать метод фильтрации задолженности (в т.ч. просроченной) для получения динамики PD по потребительским кредитам?

Подход на основе внутренних рейтингов (ПВР) может принести банку заметные финансовые результаты. Это выражается в первую очередь в потенциальном повышении норматива достаточности капитала (Н1.0). Рассказываем о кейсе построения системы управления качеством данных при применении ПВР-подхода и о том, что нужно сделать банкам для перехода на ПВР в области качества данных.

Как предсказывать влияние кризисных факторов на риски портфеля и управлять потерями? Метод Age-Period-Cohort-анализа (APC-анализа) позволяет раскладывать любые винтажные метрики на компоненты. Результат этого разложения можно использовать для формирования риск-стратегии. Из каких компонент состоит рисковый винтаж и с какими проблемами при его прогнозировании можно столкнуться?

Разработка моделей машинного обучения для банковского антифрода имеет ряд фундаментальных сложностей, с которыми сталкиваются датасаентисты и эксперты по банковскому антифроду. Британские статистики Ричард Болтон и Дэвид Хэнд в обзоре 2002 г. обозначили проблемы антифрод-моделирования, которые актуальны по сей день, несмотря на бурное развитие машинного обучения. В этой статье мы разберем несколько приемов машинного обучения для решения этих проблем.

В статье разберем построение быстрого и конкурентоспособного бейзлайна для решения задачи бинарной классификации на базе библиотеки Optbinning и модели логистической регрессии. Все это сделаем на общедоступном наборе данных из мира кредитного скоринга, сравним результаты работы с open-source AutoML-решением с LightGBM «под капотом» и поделимся нашим кодом.

При разработке скоринговой модели для маркетинговой кампании стандартный жизненный цикл модели составляет от трех до шести месяцев и требует немалых человеческих ресурсов. Команда ВТБ поставила перед собой задачу сократить время разработки типовых моделей прогнозирования поведения клиента до 1–2 дней и разработать LowCode-инструментарий, позволяющий выполнять разработку моделей на стороне бизнес-подразделений. Эту задачу удалось решить за счет сервиса для бизнес-аналитиков.

В прошлой статье мы сравнивали авторский алгоритм подбора гиперпараметров Helena.2.0 с наиболее популярными алгоритмами: RandomSearch, HyperOpt и Optuna. Сравнение показало его высокую конкурентоспособность. В продолжение темы в статье приведены подробное описание новой версии алгоритма — Helena.4.0 — и результаты сравнительных тестов с алгоритмами-конкурентами.

База Enron (Enron Corpus), размещенная в облачном хранилище Amazon S3, — это 15 770 корпоративных Excel-файлов. По ним можно посмотреть, как делаются финансовые расчеты. И хотя обанкротившаяся компания не может рассматриваться как эталон при формировании расчетных документов, мы используем эти данные потому, что книги наглядны, расчетно сложны и находятся в открытом доступе. Именно на них мы протестируем лидеров наших прошлых проектов по импортозамещению электронных таблиц — «Р7-Офис» и Libre Office.

Автор с конца 2020 г. решает в своем банке задачу трансформации риск-менеджмента в условиях ограниченных ресурсов. При этом речь о региональном банке, находящемся за пределами первой сотни в рэнкинге по активам. Ситуация в 2020 г. осложнялась негативным прогнозом по кредитному рейтингу, сменой менеджмента и другими факторами, подробно рассмотренными в статье. Как удалось за три года достичь требуемых бизнес-планом финансовых параметров, обеспечить стабильный рейтинг BBB и отвечающую нуждам бизнеса риск-методологию?

Представляем критический обзор современных практик, применяемых для решения задач банковского скоринга и других финансовых задач, от представителя академического сообщества специалистов по машинному обучению. Какие методы и данные сейчас наиболее популярны? Какие ошибки допускают исследователи? Что интересного в последних работах?