Методический журнал
Риск-менеджмент в кредитной организации

В 1987 году американский Security Pacific National Bank первым в банковской сфере использовал искусственный интеллект — нейронные сети для моделирования подозрительных событий и действий. Сегодня, спустя уже почти 40 лет, мы наблюдаем стремительное развитие технологий искусственного интеллекта — особенно генеративного ИИ, больших языковых моделей (LLM), глубокого обучения (DL), — которые интегрированы практически во все аспекты деятельности банков. С появлением сверхбольших объемов данных в последние годы AI-алгоритмы открыли буквально новую эру возможностей для развития систем управления рисками, способствуя, в частности, эффективному распознаванию закономерностей в полуструктурированных, неструктурированных и высокочастотных транзакционных данных. Однако сложная и непредсказуемая природа AI-моделей приводит к результатам, которые не всегда легко понять, — из-за чего их называют «черными ящиками», моделями, в которых входные и выходные данные известны, но внутренняя работа остается в значительной степени непрозрачной — что увеличивает модельный риск, потенциально ведет к неверному толкованию риск-сигналов, некорректной оценке риска заемщиков и в конечном итоге к несоблюдению регуляторных требований и финансовым потерям. В этом номере журнала мы попытались обозначить актуальную AI-проблематику и предложить возможные прикладные решения: мы поговорим о уязвимости LLM-технологий в банковском секторе (Сергей Афанасьев), различных методах интерпретации для решения задач кредитного скоринга (Александр Дьяконов), влиянии дрейфа данных и Gini скоринговых моделей на банковскую прибыль (Леонид Гарин и соавторы), использовании гетерогенных графовых нейросетей в моделировании рисков корпоративных заемщиков.

Как банкам оперативно оценить влияние деградации скоринговых моделей и дрейфа данных на ключевой финансовый показатель — прибыль? Статья отвечает на этот вопрос, представляя модельный фреймворк на базе двух взаимосвязанных регрессий: MPP для прогноза Gini до созревания данных о дефолтах и MEP для прогноза средней прибыли на сделку. Модели построены на основе агрегированных метрик в скользящих окнах. Представлены результаты эксперимента на данных Lending Club. Решение предлагает прототип инструмента для проактивного управления модельным риском и прибыльностью кредитного портфеля.

Гетерогенные графовые нейросети превосходят традиционные методы кредитного риск-моделирования в разных сценариях и по разным метрикам качества. Их способность распознавать сложные хронологические паттерны, моделировать запутанные взаимосвязи внутри групп компаний и в финансовых данных, давать интерпретируемые прогнозы делает эти алгоритмы многообещающим инструментом для реальных задач управления корпоративными кредитными рисками.

В этом обзоре мы разберем последние исследования, посвященные уязвимостям LLM, и покажем: почему традиционные методы защиты от ботов (например, CAPTCHA) больше не эффективны? как злоумышленники используют нейросети для подделки документов и обхода процедур идентификации клиентов? какие уязвимости остались в «защищенных» языковых моделях? почему даже «безобидные» изображения или ASCII-арт могут взломать LLM? Статья поможет оценить риски внедрения LLM-приложений и выбрать стратегии защиты, не требующие полного переобучения больших языковых моделей.

Представляем обзор методов интерпретации в банковской отрасли, сделанный на основе доклада на Форуме риск-менеджеров. В статье показано использование различных методов интерпретации для решения задач кредитного скоринга, приводятся примеры из других отраслей, а также рассматриваются новые тренды в интерпретации.

В статье на практическом примере в отношении розничного сегмента необеспеченных потребительских кредитов рассмотрена возможность использования макрофакторов для повышения качества моделей количественной оценки вероятности дефолта (PD), применяемых в рамках подхода на основе внутренних рейтингов (ПВР) Базеля II/III. Обсуждаются подходы к структурированию модели PD и формированию обучающих выборок. Показаны существенность влияния макрофакторов на локальную точность модели PD (в отношении скользящих краткосрочных периодов истории) и незначительность их влияния на ее глобальную точность (в отношении долгосрочных периодов истории).

Потребительские займы стали неотъемлемой частью жизни многих россиян, однако удобство кредитования сопровождается ростом рисков. Банки пересматривают профиль своей целевой аудитории и ограничивают работу с заемщиками с повышенным уровнем риска. В данной статье мы рассмотрим ключевые тенденции и проблемы, связанные с долговой нагрузкой граждан и ее влиянием на динамику розничного кредитования в 2024– 2025 годах.

Как выявить проблемные места в системе управления операционными рисками банка, сравнивая данные о его убытках с усредненными данными иных банков? На основании реальных рыночных данных 2024–2025 гг. рассмотрим динамику потерь от операционных рисков для банков РФ, далее опишем порядок шагов при проведении сравнительной аналитики, расскажем о наиболее полезных ее инструментах и показателях, а также поделимся способами повышения ценности ее результатов.

В 2025 году Банк России пересмотрел и (или) уточнил некоторые нормы Положения № 787-П1, и с 3 мая 2025 года в силу вступил новый нормативный акт, устанавливающий для кредитных организаций требования к операционной надежности при осуществлении банковской деятельности, — Положение № 850-П2. Хотя нормативный акт и был заменен, регуляторные подходы, которые были установлены в Положении № 787-П, сохранены, существенно новых требований не так уж и много. Остановимся на некоторых наиболее важных из них.

15 мая ИД «Регламент» провел онлайн-митап «Как создавать успешные DS-модели в финансовой сфере?». В продолжение темы митапа поэтапно разберем жизненный цикл риск-моделей в Ренессанс Банке — от постановки задачи до мониторинга качества уже разработанной модели — вместе с участником митапа Андреем Могорасом, директором департамента статистического анализа. Основное внимание уделим тому, какие сложности могут возникать и какие подходы использовать для их преодоления.