Методический журнал
Риск-менеджмент в кредитной организации

Банк России озвучил планы по регулированию банковских рисков на ежегодной весенней встрече с кредитными организациями. В числе ключевых направлений на 2024 год названы, в частности, развитие стимулирующего регулирования, настройка нормативов концентрации, переработка критериев оценки в проектном финансировании строительства, развитие инструмента ПВФУ (планов восстановления финансовой устойчивости) и разработка национального норматива краткосрочной ликвидности.

Реализация подхода к расчету собственного капитала, основанного на внутренних кредитных рейтингах, предполагает использование собственных подходов к валидации рейтинговых моделей. При этом валидация должна включать в себя как качественные, так и количественные аспекты. В статье предлагается набор валидационных тестов, учитывающих требования Положения № 483-П. Описанную методику можно использовать и не для ПВР-моделей.

Рассмотренные в статье риск-метрики, используемые в АО «Свой Банк» и предлагаемые для использования коллегам из риск-подразделений, являются достаточно универсальными индикаторами состояния кредитного портфеля, простыми и понятными для практиков. Они могут применяться как для текущего и прог­нозного управления кредитным риском, так и для построения бизнес-планов и банковских бюджетов, а также использоваться в качестве базовых KPI для оценки эффективности деятельности бизнес-подразделений (с точки зрения качества генерируемого клиентского потока) и подразделений риск-менеджмента.

Стандартные инструменты управления валютным и процентным рисками не всегда работают в сегодняшних условиях. Расскажем, как управлять принятием кредитных решений на фоне высокой волатильности валютных курсов и процентных ставок, проанализируем примеры управления ситуацией, подробно разберем инструментарий и способы быстрого решения проблем.

Перед командой ML-инженеров Газпромбанка стояла задача организовать переобучение моделей таким образом, чтобы можно было вести несколько процессов параллельно, а также оптимизировать трудозатраты и время на валидацию и поддержку моделей машинного обучения. Нетривиальность задачи заключалась в том, что автоматизировать переобучение моделей нужно было с соблюдением регуляторных требований. Что позволило сократить время переобучения моделей и сделать процесс валидации более быстрым и удобным?

Красной нитью сквозь разработку моделей машинного обучения проходит идея отбора лучших показателей (факторов), которые по отдельности или в совокупности внесут наибольший вклад в итоговый прогноз — а точнее, в улучшение целевой метрики. В этой статье обсудим один из способов отбора факторов — с помощью генетических алгоритмов. Приписываемая Чарльзу Дарвину цитата гласит, что выживает не столько сильнейший, сколько самый адаптированный к условиям окружающего мира. Такие самые адаптированные модели мы и будем искать, меняя множество рассматриваемых факторов в них.

Когда в банке тысячи моделей, всегда встает вопрос: как правильно оценивать результат применения той или иной модели и как приоритизировать проекты? При этом если раньше скорость производства была небольшой и, соответственно, отдачу легко можно было замерить, то сейчас скорость внедрения увеличивается и вариативность AI-инструментов сильно растет, а с учетом скорости развития генеративных моделей проблема усугубилась. Чтобы ее решить, Сбер развивает инструментарий и методы оценки А/В-тестирования и мэтчинга и разработал Python-библиотеку с открытым исходным кодом HypEx (Hypotheses and Experiments).

Начиная с 2022 г. на рынке активизировались, а с 2023 г. перешли в режим бешеного роста технологии нового поколения искусственного интеллекта (ИИ) — генеративный ИИ и большие языковые модели (LLM). Можно сказать, что с их появлением произошел резкий переход количества в качество — рост числа параметров, используемых нейросетью (до миллиардов), обес­печил принципиально новые возможности. На вопросы о том, каковы эти возможности для риск-менеджмента и чего опасаться на этом пути, ответил ИТ-архитектор, генеральный продюсер форума FinCore´24 Алексей Северов.

Объектами атак с использованием квантовых вычислений являются и материальные активы (инфраструктура), и нематериальные активы (данные, коммерческая тайна, интеллектуальная собственность, репутация). Размер ущерба может быть равен размеру активов, особенно для цифровой компании. Как противодействовать квантовой угрозе, учитывая, что стоимость технологических средств защиты высока? Какие решения банки могут себе позволить?

В финансовом секторе Excel-файлы часто используют как самостоятельное программное обеспечение. Но порой получается так, что сложной моделью в электронной таблице не может пользоваться ни один сотрудник, кроме разработчика этой таблицы. Разберем ошибки разработчиков, которые влияют на эффективность применения электронных таблиц, и методы, которые помогут сделать таблицу простой и понятной для пользователей.