Методический журнал
Риск-менеджмент в кредитной организации

AutoML (Automated Machine Learning) автоматизирует множество процессов, включая подгонку модели, отбор переменных, подбор гиперпараметров и подготовку данных. За счет автоматизации достаточно сложный и долгий процесс разработки модели превращается в более понятный, недорогой и доступный инструмент, в том числе для самостоятельной работы бизнес-пользователей, не имеющих глубоких знаний в моделировании и математической статистике. В статье приведен алгоритм, по которому банк может разработать свою методику и провести валидацию механизмов AutoML.

Усложнение моделей может заключаться как в применении новых методов машинного обучения, так и во внедрении многомодульной технологии оценки клиента, когда скоринг производится по разным направлениям и использует большое количество внешних данных. Для успешного функционирования таких моделей в команде Альфа-Банка возникла идея реализовать пайплайн для внедрения каскадных онлайн-моделей.

При значительном превосходстве количества недефолтных наблюдений в обучающей выборке логистическая регрессия может сосредоточиться на недефолтном классе, не выявляя характеристики дефолтного. Одним из подходов к решению проблемы может быть увеличение дефолтного класса путем генерации соответствующих синтетических примеров. Для этого могут применяться алгоритмы балансировки данных SMOTE и ADASYN, возможности которых демонстрируются в статье.

Использование AI-моделей, построенных на социально-демографических и поведенческих характеристиках сотрудника, как правило, характерно для детективных инструментов. При разработке таких моделей специалисты по машинному обучению фокусируются на точности и оперативности выявления мошенничества. Такой подход позволяет снизить потери от уже начавшегося внут­реннего мошенничества, но не предотвращает его, то есть не является превентивным. В этой статье мы расскажем о принципах разработки превентивной AI-модели.

Модели оценки кредитного риска являются ключевыми элементами кредитного риск-менеджмента любого банка. В отличие от скоринговых моделей, применяемых в целях бизнеса для принятия кредитных решений, в них прогнозируемая целевая переменная представляет собой не бинарную (да/нет), а непрерывную величину, значение которой необходимо оценить как можно более точно (вероятность дефолта PD, уровень потерь при дефолте LGD и др.). Это существенно усложняет задачу разработки. В статье рассматриваются ключевые этапы разработки этих моделей. Особенное внимание уделяется вопросам калиб­ровки.

Что нужно делать, чтобы запустить в банке процедуру оценки ESG-рейтинга, который будет не только соответствовать рекомендациям Банка России, но и добавлять ценности рейтинговой модели и процессу принятия решений? Рассмотрим экологический блок факторов ESG-рейтинга и покажем на конкретных примерах, какие факторы лучше включить в рейтинг. В статье использованы данные клиентов и Росприроднадзора, которые стали доступны 1–2 месяца назад.

Насколько широко риск-менеджеры могут использовать ChatGPT? Много говорится об ошибках самих генеративных нейросетей, о галлюцинациях искусственного интеллекта. И гораздо меньше внимания уделяется тому, кто находится по эту сторону экрана. В статье приведен наглядный пример — как ошибка пользователя (притом весьма квалифицированного в своей области) влияет на интерпретацию результатов работы ChatGPT в таком «чувствительном» для банковского бизнеса вопросе, как расчет вероятности дефолта.

Пока регуляторных требований по проведению единой политики непрерывности для банков нет. Однако это вопрос недалекого будущего. Соединив установленные Банком России перечни технологических процессов и процессов банка, определенных как критически важные, автор вводит практическую классификацию, позволяющую построить достаточно аргументированный и понятийно прозрачный перечень критически важных процессов, на базе которого можно разрабатывать процедуры обеспечения непрерывности и интегрировать эти процедуры в План ОНиВД.

Проблеме развития «гибких навыков» (Soft Skills) в российской бизнес-практике традиционно уделяется небольшое внимание. Однако прибыльность компаний и уровень развития систем принятия решений тесно связаны, а принятие решений во многом основано на использовании инструментов Soft Skills. Развитие Soft Skills в области моделирования рисков, где традиционно Hard Skills являются приоритетом, может принести дополнительный экономический эффект. О развитии компетенций Soft Skills в Банке ВТБ мы поговорили с Артемом Летиным, руководителем подразделения разработки моделей.

В интервью, опубликованном в этом номере, руководитель подразделения разработки моделей для корпоративного сегмента Банка ВТБ Артем Летин в числе ключевых навыков называет навык подготовки презентации. Как правильно выделить главные тезисы для «отрисовки» структуры презентации (например, для отчета о проделанной работе, запроса на внедрение или бюджет)? Как добиться лаконичного дизайна и не перегрузить слайды цифрами? Как сделать наглядные диаграммы? На эти вопросы отвечают наши эксперты.

На данный момент уже можно считать «джентльменской практикой» использование продуктового подхода для разработки новых продуктов, приложений, систем — словом, решений. Борьба за TTM (time-to-market) привела к конвейеризации данного процесса на основе SDLC (Software Development LifeCycle). Повышенное внимание к кибербезопасности и всем аспектам борьбы за защиту чувствительных данных привело к изменению акронима в пользу Secured Development LifeCycle. Однако цифровая трансформация и построение сквозных, интегрированных процессов поставили ребром вопрос: а как в эту картину мира вписывается управление рисками?