Методический журнал
Риск-менеджмент в кредитной организации

Прошедший квартал ознаменовался бурными дискуссиями о макроэкономических прогнозах — во многом благодаря двум крупным событиям: конференции «Инвестиции 2026» Forbes и XXIII Российскому облигационному конгрессу Cbonds. Эти мероприятия собрали элиту экономической мысли России, и дискуссии получились действительно насыщенными. Казалось бы, макропрогнозирование — область довольно далекая от непосредственных вопросов риск-менеджмента. Однако нас, профессионалов отрасли, все же интересуют основные макропараметры на 2026 год.

Участвуя в регуляторных ПВР-валидациях в российских коммерческих банках, автор неоднократно наблюдал логическую путаницу их риск-менеджеров в понимании схожих по смыслу групп портфелей. Сейчас у участников ПВР-проектов уже есть достаточное понимание различий между классами (подклассами) кредитных требований (КТ) и сегментами КТ. Однако в отношении многочисленных сегментов и портфелей такое понимание пока сформировано недостаточно. Поэтому автор видит своей задачей в доступной форме, на конкретных примерах и с учетом собственной практики предложить подходы к группировке КТ в рамках ПВР‑моделирования.

Снижение качества прогноза вероятности дефолта выражается в статистически значимом отклонении реализовавшейся частоты дефолтов (DR) от прогнозного уровня (PD) и может быть обусловлено как внутренними факторами (снижение ранжирующей способности модели, волатильность DR в разрезе риск-грейдов), так и внешними, включая изменение уровня риска на рынке или качества потока заявок. В статье представлен метод факторной декомпозиции отклонения DR от PD, позволяющий разложить изменение метрики Parity (DR/PD) на компоненты и обоснованно приоритизировать меры для стабилизации качества прогноза в зависимости от вклада каждого фактора.

Авторы решают важную практическую задачу — на примере нефинансовых компаний строят модели кредитного риска в условиях отсутствия или недостатка внутренней статистики дефолтов, что особенно актуально для небольших банков. Статья демонстрирует сбалансированный подход: финальный выбор сделан в пользу логистической регрессии, что является хорошим решением с учетом регуляторных требований и распространенного пожелания риск-менеджеров об интерпретируемости оценок.

Цель внедрения описанной в статье AI-модели — увеличить доход от инвестирования стабильной части остатков клиентов в облигации и межбанковские кредиты (МБК) на сроки до 30 дней при сохранении приемлемого уровня риск-защищенности модели, то есть соблюдении ограничений на риск-аппетит и индикативные показатели риска ликвидности и ALM-рисков при благоприятной рыночной конъюнктуре.

Финансовые рынки меняются быстрее, чем успевают обновляться модели принятия решений: данные дрейфуют, взаимосвязи меняются, рыночная среда трансформируется, а процессы перестроения моделей остаются сложными и трудоемкими. Как оценить финансовую цену деградации моделей? Какие этапы жизненного цикла можно автоматизировать — от постановки задачи до мониторинга? И как выстроить экосистему данных, позволяющую адаптироваться к рынку в режиме, близком к реальному времени?

Для чего российские банки используют сценарный анализ операционного риска? Автор провел неформальный опрос руководителей подразделений операционных рисков семи крупных (из топ-20) российских банков. По результатам опроса можно констатировать, что сценарный анализ на практике используется не только для целей, определенных регулятором, но и для управленческих целей, например для идентификации и оценки рисков с малой вероятностью, но высокими потерями и разработки мер реагирования и предотвращения таких потерь. Статья поможет сориентироваться в лучших практиках сценарного анализа.

Сегодня ИИ перестает быть просто инструментом и становится самостоятельным источником риска. С учетом лучших практик и в соответствии с активно развивающимися нормативными актами Московская Биржа (МосБиржа) разработала комплексный подход по управлению такими рисками. Управление рисками ИИ интегрировано в уже существующую систему управления рисками и учитывает классические три линии защиты. Это позволяет использовать уже отработанные механизмы, адаптируя их под специфику искусственного интеллекта.