Управление кредитным риском коммерческого банка в условиях макропруденциального регулирования и технологической трансформации (2024–2025 гг.)

Введение

Релевантный Факт: Совокупное воздействие санкционных рисков может снизить потенциал роста банковской системы России в перспективе на 1,5–2 процентных пункта ВВП ежегодно, что эквивалентно потерям в размере 3,3–4,3 трлн рублей в текущих ценах. Эти оценки, сделанные ведущими экономистами, подчеркивают, что управление рисками в современной российской банковской системе — это не просто следование нормативам, а критически важный фактор макроэкономической стабильности.

Актуальность настоящего исследования определяется беспрецедентным сочетанием факторов: ужесточением риск-чувствительности регулирования Банка России в рамках имплементации финализированных стандартов Базель III/IV и продолжающимся воздействием геополитических и санкционных факторов, которые трансформируют структуру кредитных рисков в сегментах корпоративного и розничного кредитования в период 2024–2025 годов. Банки вынуждены балансировать между необходимостью наращивания кредитного портфеля для поддержки экономики (в частности, проектов технологического суверенитета) и необходимостью восстановления запаса капитала, который находится под давлением новых пруденциальных надбавок и повышенных риск-весов. Из этого следует ключевая практическая выгода: эффективное управление капиталом в новых условиях становится прямым конкурентным преимуществом, позволяющим высвобождать ресурсы для прибыльного кредитования.

Цель исследования: Проанализировать теоретические основы кредитных рисков, изучить современную нормативно-правовую базу, действующую в Российской Федерации, и исследовать актуальные методы оценки и управления кредитными рисками коммерческого банка с целью разработки практических рекомендаций по их минимизации.

Задачи исследования:

1. Систематизировать теоретические подходы к определению и классификации кредитного риска, а также раскрыть экономический смысл его ключевых компонентов (PD, LGD, EAD).
2. Проанализировать эволюцию пруденциального надзора Банка России, включая введение новых Инструкций (№ 220-И, № 221-И) и макропруденциальных надбавок в 2025 году.
3. Исследовать современные количественные методы оценки кредитного риска, включая роль технологий искусственного интеллекта (ИИ/ML) и трансформерных нейросетей (TNN).
4. Оценить влияние санкционного давления на структуру и уровень кредитных рисков банковского сектора РФ (2022–2025 гг.) с анализом динамики ключевых показателей.
5. Разработать стратегические и организационные рекомендации по совершенствованию системы управления кредитным риском коммерческого банка.

Объект исследования: Процесс управления кредитными рисками в коммерческих банках Российской Федерации.

Предмет исследования: Совокупность теоретических, методологических и практических аспектов оценки и минимизации кредитного риска в условиях современной регуляторной и макроэкономической среды.

Обзор структуры работы и используемой нормативной базы: Работа построена на основе актуальных нормативно-правовых актов РФ, включая Федеральные законы, Положения и Инструкции Банка России, в первую очередь касающиеся имплементации стандартов Базель III/IV. Особое внимание уделено Инструкциям Банка России, вступающим в силу с 18 августа 2025 года, и решениям Совета директоров ЦБ РФ о макропруденциальных надбавках (апрель 2025 г.) и стимулировании проектов технологического суверенитета.

Теоретические основы кредитного риска и его ключевые компоненты

Понятие и классификация кредитного риска в банковской деятельности

Кредитный риск является основным риском, присущим деятельности кредитной организации, поскольку он неразрывно связан с основной функцией банка — кредитованием. В широком смысле, кредитный риск (Credit Risk) — это риск того, что заемщик или контрагент не выполнит свои обязательства по возврату основного долга и/или процентов в полном объеме и в срок, установленный договором, что приведет к финансовым потерям для банка.

Этот риск имеет сложную структуру и может классифицироваться по различным признакам:

• По типу заемщика: Риск корпоративного кредитования (крупный, средний, малый бизнес), риск розничного кредитования (потребительские кредиты, ипотека), риск межбанковского кредитования.
• По характеру потерь: Риск дефолта (полное невыполнение обязательств) и риск снижения кредитного качества (потери, возникающие до наступления дефолта, но связанные со снижением рыночной стоимости требования).
• По масштабу оценки: Портфельный кредитный риск (риск, присущий всему кредитному портфелю, учитывающий корреляции) и риск отдельной сделки.

Система управления кредитным риском в коммерческом банке призвана не только минимизировать потери, но и обеспечивать оптимальное соотношение риска и доходности, обосновывая решение о выдаче займа и определяя кредитный рейтинг заемщиков.

При этом важный нюанс, который часто упускается, заключается в том, что современное управление риском требует прогнозирования не только самого факта дефолта, но и его корреляции с другими заемщиками в портфеле, что критически важно для расчета экономического капитала.

Ключевые компоненты оценки кредитного риска (PD, LGD, EAD, M)

Современные, риск-чувствительные модели оценки кредитного риска, предусмотренные стандартами Базеля (особенно ПВР-подход), базируются на четырех ключевых компонентах, которые позволяют количественно оценить ожидаемые и непредвиденные потери:

Компонент	Обозначение (рус.)	Определение и экономический смысл
PD (Probability of Default)	Вероятность дефолта	Отражает вероятность того, что контрагент или заемщик не выполнит свои обязательства в течение заданного горизонта (обычно одного года). Является ключевым параметром, определяемым скоринговыми моделями.
LGD (Loss Given Default)	Доля убытков в случае дефолта	Процентная доля от суммы требований, которую банк потеряет в случае наступления дефолта, после учета всех процедур взыскания и реализации залогов.
EAD (Exposure At Default)	Сумма под риском в случае дефолта	Ожидаемая сумма требований банка к контрагенту на момент наступления дефолта. Для выданных кредитов — это непогашенный остаток, для лимитов и гарантий — это потенциальная сумма выборки на момент дефолта.
M (Effective Maturity)	Эффективный срок до погашения	Взвешенный по времени срок до погашения для учета временной стоимости денег и риска.

На основе этих компонентов рассчитываются Ожидаемые кредитные потери (EL — Expected Loss) — потери, которые банк предвидит и покрывает за счет операционной прибыли и общих резервов.

Формула расчета Ожидаемых Потерь:

EL = PD × LGD × EAD

Пример применения:
Предположим, банк выдал корпоративный кредит на 100 млн руб. (EAD = 100 млн руб.). На основе внутренних моделей PD для данного заемщика составляет 1% (PD = 0,01), а доля потерь после реализации залога оценивается в 40% (LGD = 0,4).
Таким образом, расчет ожидаемых потерь выглядит следующим образом:
EL = 0,01 × 0,4 × 100 млн руб. = 0,4 млн руб.
Это означает, что банк должен заложить 400 тыс. рублей в резервы под ожидаемые потери по данному кредиту.

Помимо ожидаемых потерь, банк обязан учитывать Непредвиденные (неожиданные) потери (UCL — Unexpected Credit Loss), которые возникают из-за неблагоприятных, но маловероятных событий. UCL покрываются за счет специально выделенного Экономического капитала (ECap), что является фундаментальным требованием для поддержания финансовой устойчивости.

Инструменты прогнозирования кредитного риска: Роль кредитного скоринга и концепция Стоимости Риска (CoR)

Для прогнозирования кредитного риска на горизонте один год ключевым инструментом в розничном и мелкокорпоративном сегментах остается Кредитный скоринг. Это статистическая модель, оценивающая вероятность дефолта (PD) заемщика на основе его финансовых, демографических и поведенческих характеристик.

На основе PD, LGD и EAD формируется концепция Стоимости риска (Cost of Risk, CoR). CoR — это величина потерь, которые несет банк по каждому продукту, выраженная обычно в процентах от среднегодовой задолженности.

CoR = EL / Среднегодовая ссудная задолженность

Стоимость риска является необходимым элементом для корректного ценообразования кредитов. Банк, устанавливая процентную ставку, обязан учесть не только стоимость фондирования, операционные расходы и плату за капитал (для покрытия UCL), но и ожидаемые кредитные потери (CoR). Если ставка ниже, чем сумма этих компонентов, банк работает в убыток, что ведет к накоплению системного кредитного риска. Разве не очевидно, что игнорирование истинной стоимости риска неминуемо подрывает долгосрочную устойчивость финансового учреждения?

Эволюция нормативно-правовой базы и пруденциального надзора Банка России

Финализированный Базель III/IV в РФ: Обзор перехода

Нормативно-правовая база Российской Федерации в сфере банковского надзора в 2024–2025 годах характеризуется ускоренной имплементацией ключевых положений финализированного Базеля III и элементов Базеля IV. Регуляторная политика Банка России направлена на повышение риск-чувствительности и обеспечение восстановления запаса капитала банков, который был временно снижен из-за опережающих темпов кредитования и дивидендных выплат.

С 18 августа 2025 года вступают в силу новые Инструкции Банка России (№ 220-И и № 221-И), которые знаменуют переход банков с универсальной лицензией на более риск-чувствительный стандартный подход к расчету нормативов достаточности капитала. Основные изменения включают:

1. Ужесточение критериев инвестиционного класса: Для присвоения заемщику инвестиционного класса (что соответствует более низким риск-весам) теперь требуется наличие кредитного рейтинга не ниже «А» по национальной шкале.
2. Дифференцированные риск-веса: Вводятся более детализированные и дифференцированные риск-веса по кредитам субъектам и муниципальным образованиям РФ.
3. Повышение риск-весов для банков с базовой лицензией: Для банков с базовой лицензией риск-вес по требованиям в иностранной валюте к субъектам РФ и муниципальным образованиям планируется повысить с 50% до 100%, что направлено на сдерживание валютного риска в менее капиталоемких банках.

Эти меры призваны обеспечить более точное отражение фактического кредитного риска в показателях взвешенных по риску активов (RWA) и, как следствие, оказать давление на агрегированные показатели достаточности капитала сектора (достаточность базового капитала Н1.1 по состоянию на 30 июня 2025 года составляла 10,3%).

Макропруденциальные меры 2025 года и их влияние на корпоративный сегмент

Повышенные риск-веса и антициклическая надбавка

Банк России активно использует макропруденциальные инструменты для сдерживания системных рисков. С 1 февраля 2025 года для банков действует антициклическая надбавка на капитал в размере 0,25% от RWA, с планами повышения до 0,5% с 1 июля 2025 года. Цель этой надбавки — создание буфера капитала в периоды избыточного кредитного роста для его использования в период стресса, что является классическим инструментом Базеля III.

Анализ применения макропруденциальной надбавки в 20% к кредитам крупным заемщикам

Ключевым нововведением 2025 года, направленным непосредственно на управление кредитным риском в корпоративном сегменте, стало введение повышенных надбавок к риск-весам с 1 апреля 2025 года в отношении кредитов наиболее закредитованным корпоративным компаниям.

Макропруденциальная надбавка в размере 20% применяется к приросту кредитных требований к крупным заемщикам, удовлетворяющим следующим жестким критериям:

1. Размер заемщика: Долг перед банком составляет более 50 млрд рублей;
2. Значимость для банка: Объем требований превышает 2% от капитала банка;
3. Высокая долговая нагрузка: Коэффициент покрытия процентов операционной прибылью (ICR) составляет менее 3.

Коэффициент ICR, который является ключевым маркером, рассчитывается по следующей формуле:

ICR = Операционная прибыль до вычета процентов и налогов (EBITDA) / Процентные расходы

Эта мера нацелена на снижение потенциальных кредитных рисков, связанных с ростом долговой нагрузки бизнеса на фоне сохраняющегося высокого уровня процентных ставок. Объем кредитов, выданных корпоративным компаниям, платежеспособность которых может снизиться в таких условиях, по оценке регулятора, достигает 20% капитала банковской отрасли. Таким образом, Банк России фактически вынуждает кредитные организации либо снижать объем кредитования таких заемщиков, либо держать под них значительно больший объем капитала.

Стимулирование приоритетного кредитования

Специальный порядок оценки кредитного риска для проектов технологического суверенитета (ТС) и структурной адаптации экономики (САЭ)

В противовес ужесточению пруденциальных требований, Банк России ввел стимулирующие меры для поддержки стратегически важных проектов. Решение Совета директоров от 23.06.2025 года установило специальный порядок оценки кредитного риска по кредитным требованиям, связанным с финансированием проектов ТС и САЭ.

Этот порядок позволяет банкам присваивать кредитным требованиям высокое или максимальное качество, что соответствует более низкому риск-весу при расчете нормативов достаточности капитала (Н1.0, Н1.1, Н1.2).

Критерии присвоения качества по проектам ТС и САЭ:

Качество кредита	Требуемый кредитный рейтинг (АКРА)	Соответствующий риск-вес	Цель
Максимальное	A-(RU) и выше	Низкий	Стимулирование финансирования высоконадежных проектов ТС/САЭ.
Высокое	BBB-(RU) и выше	Сниженный	Поддержка проектов с удовлетворительным уровнем кредитного качества.

Таким образом, регулятор использует дифференцированный подход: ужесточает требования к рискованным заемщикам (ICR < 3) и облегчает их для стратегически значимых, но финансово устойчивых проектов.

Современные методы оценки кредитного риска и роль технологий (ИИ/ML)

Традиционные методы оценки PD/LGD

Традиционные методы оценки кредитного риска в банковском секторе РФ исторически базировались на логистической регрессии, которая позволяет оценить вероятность наступления бинарного события (дефолт/недефолт).

Логистическая регрессия проста в интерпретации и соответствует регуляторным требованиям в рамках стандартного подхода. Однако ее линейная природа не позволяет эффективно захватывать сложные, нелинейные взаимосвязи между сотнями факторов риска. Поэтому банки, особенно те, кто готовится к переходу на ПВР-подход, активно используют ансамблевые методы (например, случайный лес, градиентный бустинг — XGBoost, LightGBM). Эти методы объединяют результаты множества слабых моделей для достижения более высокой точности и устойчивости, хотя и уступают в прозрачности логистической регрессии.

Применение искусственного интеллекта и машинного обучения (ИИ/ML) в риск-менеджменте

Глобальная трансформация риск-менеджмента связана с внедрением технологий Искусственного интеллекта (ИИ) и Машинного обучения (МЛ). В России ведущие системно значимые банки активно используют эти технологии для повышения точности расчета ключевых параметров PD и LGD, а также для анализа макроэкономических сценариев и стресс-тестирования.

Преимущество трансформерных нейросетей (TNN) в моделировании PD/LGD

В качестве наиболее передового инструмента выделяются Трансформерные нейросети (TNN). Изначально разработанные для обработки естественного языка, они оказались крайне эффективными для анализа сложных временных рядов и слабоструктурированных данных, характерных для кредитного портфеля.

TNN обладают способностью улавливать долгосрочные зависимости и контекстные связи между финансовыми и нефинансовыми характеристиками заемщика (например, динамику платежей, изменения в структуре владения, макроэкономический контекст). Эти модели позволяют банку перейти от простого прогнозирования к глубокому пониманию факторов, влияющих на кредитное качество.

Сравнительный анализ точности (Gini) TNN и классических моделей:

Ключевым показателем эффективности скоринговой или PD-модели является коэффициент Gini (или Gini Index), который отражает дискриминирующую способность модели — ее способность разделять «хороших» заемщиков от «плохих». Чем выше Gini, тем лучше модель.

Модель оценки PD	Дискриминационная способность (Коэффициент Gini)	Преимущества
Логистическая регрессия	30% – 50%	Простота, интерпретируемость.
Ансамблевые методы (Boosting)	55% – 70%	Высокая точность, обработка нелинейности.
Трансформерная нейросеть (TNN)	70% – 85%	Максимальная точность и стабильность, превосходство в анализе сложных и разнородных данных.

Тестирование TNN в российских условиях подтвердило их значительное превосходство над классическими методами с точки зрения дискриминационной способности и стабильности прогнозов, что позволяет банкам формировать более точные резервы и оптимизировать требования к капиталу.

AI как инструмент контроля и предотвращения мисселинга

Помимо прямого моделирования риска, AI-технологии применяются для повышения качества кредитного процесса и снижения операционных рисков. В частности, AI-системы используются для снижения мисселинга (недобросовестной продажи финансовых продуктов). Искусственный интеллект способен быстро анализировать массивы юридических и финансовых документов, извлекая критичные условия кредита, «спрятанные» в сложных договорах, и сопоставлять их с профилем заемщика. Это позволяет банку не только соответствовать регуляторным требованиям, но и снизить репутационные и юридические риски, связанные с недобросовестным кредитованием.

Анализ кредитного риска коммерческих банков РФ в условиях санкционного давления (2022-2025)

Воздействие санкций на кредитный риск

С 2022 года кредитный риск в российском банковском секторе приобрел особую специфику, связанную с прямым и косвенным воздействием геополитических и санкционных факторов. Экономисты оценивают эти потери в триллионы рублей, что свидетельствует о системном характере проблемы.

Наиболее уязвимыми точками, усилившими кредитный риск, стали:

1. Ограничение трансграничных платежей и отключение от SWIFT: Это нарушило логистические и расчетные цепочки крупных корпоративных заемщиков, особенно экспортеров и импортеров, повысив риск их дефолта.
2. Заморозка активов и резервов: Снижение доступности золотовалютных резервов и заморозка активов российских компаний за рубежом приводят к росту нестабильности, нехватке ликвидности и необходимости срочного рефинансирования на внутреннем рынке по более высоким ставкам.
3. Рост стоимости фондирования: Необходимость рефинансирования на внутреннем рынке, а также сохраняющийся высокий уровень ключевой ставки (которая влияла на стоимость привлечения средств) актуализировали кредитный риск для крупных заемщиков с высокой долговой нагрузкой.

Динамика ключевых показателей кредитного портфеля (2022-2025)

Санкционное давление и макропруденциальные ограничения привели к значительной трансформации структуры и концентрации банковских активов.

Концентрация активов и просроченная задолженность (NPL) в корпоративном сегменте

Постсанкционный период характеризуется резким ростом концентрации активов. Это является прямым следствием ухода мелких и средних игроков, а также перераспределения кредитного портфеля в сторону крупнейших системно значимых кредитных организаций (СЗКО), которые обладают большей устойчивостью и доступом к государственным программам. По итогам первой половины 2025 года доля десяти крупнейших банков впервые превысила 80% от совокупных активов, составив 80,9% (по сравнению с 79% годом ранее).

Такая высокая концентрация активов усиливает системный риск. Дефолт одного из крупнейших заемщиков или проблемы одного из СЗКО могут иметь каскадный эффект для всей финансовой системы. Просроченная задолженность (NPL) в корпоративном сегменте остается относительно контролируемой, но демонстрирует медленный рост.

Показатель	Значение (на 01.09.2025 г.)	Динамика и контекст
Объем NPL (ЮЛ и ИП)	2,828 трлн рублей	Совокупная просроченная задолженность.
Уровень NPL (Корпоративный сегмент)	4,2%	Незначительный рост, однако банки активно формируют резервы под потенциально "плохие" кредиты, что отражает ожидание ухудшения качества портфеля.
Рост корпоративного портфеля (Янв.–Нояб. 2024)	+21%	Опережающие темпы роста по сравнению с розничным сегментом (10%), что связано с государственными программами и потребностью бизнеса в рефинансировании.

Регуляторное реагирование на санкционные риски

Банк России до 31 марта 2025 года продлил возможность не учитывать факт блокировки активов при формировании резервов. Эта мера поддержки была критически важна для стабилизации ситуации. Однако, регулятор постепенно сворачивает послабления: на конец 2024 года величина резерва по незаблокированным активам должна была составить 20%, что вынуждает банки постепенно абсорбировать потенциальные потери. Усилия ЦБ направлены на то, чтобы банки к концу 2025 года вернулись к полному и честному отражению рисков в отчетности.

Стратегические направления совершенствования системы управления кредитным риском

Развитие внутренней системы управления рисками (ПВР-подход)

Ключевым стратегическим направлением для крупных и системно значимых кредитных организаций (СЗКО) является окончательный переход на Подход на основе внутренних рейтингов (ПВР-подход, IRB). Этот подход, зафиксированный в Положениях Банка России № 483-П и № 845-П, является основой для дальнейшего развития моделирования кредитного риска. Суть ПВР-подхода заключается в том, что банк использует собственные, детально верифицированные регулятором модели для расчета параметров PD, LGD и EAD. Это позволяет банку:

1. Повысить риск-чувствительность: Более точно отражать реальные риски, присущие конкретным заемщикам и портфелям.
2. Оптимизировать капитал: Снизить требования к капиталу для менее рисковых портфелей, освобождая ресурсы для более доходного кредитования.
3. Улучшить ценообразование: Внедрить концепцию Risk-Adjusted Return on Capital (RAROC), при которой доходность кредитного продукта оценивается с учетом необходимого экономического капитала для покрытия риска.

Интеграция ESG-факторов в оценку кредитного риска

Стремительно набирает обороты тенденция интеграции ESG-факторов (экологических, социальных и корпоративного управления) в оценку кредитного риска корпоративных клиентов. В контексте глобального зеленого перехода и усиления репутационных рисков, нефинансовые показатели становятся критически важными.

Проблема: Традиционные PD/LGD-модели плохо формализованы для учета качественных ESG-характеристик (например, уровень углеродного следа, качество корпоративного управления, соблюдение социальных норм).

Стратегическое направление: Требуется разработка нового инструментария, который позволит трансформировать неформализованные ESG-данные в количественные поправки к вероятности дефолта (PD). Например, низкий рейтинг корпоративного управления (фактор G) может быть интерпретирован как повышение PD на определенную величину, поскольку он указывает на более высокий риск мошенничества или неэффективного менеджмента. Это и есть главное следствие: способность количественно оценить ESG-риски напрямую влияет на стоимость фондирования и долгосрочную устойчивость бизнеса-заемщика.

В России это направление также важно в свете финансирования проектов структурной адаптации и импортозамещения, где устойчивость и качество управления проектом (G-фактор) являются ключевыми для его успеха и, следовательно, для кредитного качества.

Практические рекомендации по минимизации кредитного риска для коммерческого банка

Эффективность управления кредитным риском в российских коммерческих банках часто зависит от индивидуальных особенностей, принятых в каждом конкретном банке, что указывает на отсутствие единообразной технологии управляющих воздействий. Для минимизации кредитного риска в текущих условиях (2025 г.) рекомендуется комплексный подход:

Направление	Рекомендация	Механизм минимизации риска
Технологии и Оценка	Переход на TNN-моделирование PD/LGD	Повышение точности прогнозирования PD (Gini > 75%), что позволяет формировать более адекватные резервы и снижать неожиданные потери (UCL).
Портфельная Диверсификация	Балансировка портфеля	Снижение риска концентрации (особенно критичного в 2025 году), избегая чрезмерного накопления требований к крупным заемщикам с высоким ICR, подпадающим под макропруденциальные надбавки.
Кредитная Политика	Ужесточение лимитов и ковенантов	Введение более жестких ковенантов для корпоративных заемщиков, особенно в отношении коэффициента ICR и заимствования на внешних рынках.
Операционный Контроль	Использование AI для контроля мисселинга	Автоматическое извлечение и проверка критических условий кредита, снижение юридических и репутационных рисков.
Стратегическое кредитование	Приоритет проектов ТС/САЭ	Активное участие в финансировании проектов технологического суверенитета для использования льготного режима оценки кредитного риска (низкие риск-веса при наличии рейтинга A-(RU) или BBB-(RU)).

Заключение

Проведенное исследование подтверждает, что система управления кредитным риском в коммерческих банках Российской Федерации в 2024–2025 годах находится на этапе глубокой трансформации, обусловленной двумя основными векторами: ужесточением макропруденциального регулирования и необходимостью адаптации к геополитическим вызовам.

Краткие выводы по результатам исследования:

1. Теоретическая база кредитного риска остается неизменной (EL = PD × LGD × EAD), однако регуляторные требования Базеля III/IV заставляют банки переходить от простых моделей к сложным, риск-чувствительным подходам (ПВР), требующим высокой точности оценки всех ключевых компонентов.
2. Нормативная среда значительно усложнилась. Банк России активно применяет макропруденциальные инструменты (антициклическая надбавка, надбавка в 20% к кредитам крупных, закредитованных компаний) для охлаждения перегрева в корпоративном сегменте и восстановления капитала. При этом регулятор стимулирует финансирование приоритетных проектов (ТС/САЭ) через присвоение им максимального качества кредитного требования при наличии инвестиционного рейтинга.
3. Технологическая трансформация является не просто опцией, а требованием времени. Применение передовых моделей (Трансформерные нейросети) доказало свое превосходство над классическими методами, обеспечивая более высокую дискриминационную способность (Gini) и стабильность прогнозов PD/LGD.
4. Санкционное давление привело к рекордному росту концентрации активов (80,9% в топ-10 банков) и актуализировало риски фондирования и рефинансирования для крупных заемщиков, несмотря на умеренный уровень корпоративной NPL (4,2%) на фоне активного резервирования.

Практическая значимость итоговых рекомендаций для коммерческого банка:

Разработанные рекомендации фокусируются на интеграции передовых технологий и адаптации к новому регуляторному ландшафту. Для минимизации кредитного риска коммерческому банку необходимо: инвестировать в ИИ/ML-моделирование для повышения точности PD/LGD; строго следовать новым критериям макропруденциальных надбавок (ICR < 3) при работе с крупнейшими корпоративными заемщиками; и стратегически использовать льготный режим кредитования проектов ТС/САЭ, одновременно разрабатывая методологию для интеграции ESG-факторов в процесс оценки кредитного риска, что позволит обеспечить устойчивую конкурентоспособность и финансовую стабильность в долгосрочной перспективе.

Список использованной литературы

1. Налоговый кодекс Российской Федерации: части первая и вторая. М.: НОРМА-ИНФРА-М, 2005. 546 с.
2. Гражданский кодекс Российской Федерации: части первая, вторая и третья. М.: НОРМА-ИНФРА-М, 2005. 546 с.
3. Бюджетный кодекс Российской Федерации от 31 июля 1998 г. N 145-ФЗ. М.: НОРМА-ИНФРА, 2005. 651 с.
4. О банках и банковской деятельности: федеральный закон от 2 декабря 1990 г. N 395-I // Собрание законодательства Российской Федерации. 1992. №50. Ст.251.
5. О Центральном банке Российской Федерации (Банке России): федеральный закон от 10 июля 2002 г. N 86-ФЗ // Собрание законодательства. 2002. №125. Ст.236.
6. Указание Банка России от 15 января 2024 г. N 6674-У. URL: https://base.garant.ru/71057396/ (дата обращения: 23.10.2025).
7. Об организации управления правовым риском и риском потери деловой репутации в кредитных организациях и банковских группах: письмо от 30 июня 2005 г. N 92-Т // Бизнес и банки. 2005. № 29.
8. Изменяется порядок расчета размера операционного риска («Базель III») // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_469443/ (дата обращения: 23.10.2025).
9. Решение Совета директоров Банка России об оценке кредитного риска. URL: https://www.cbr.ru/press/pr/?file=23062025_201550_rsd.htm (дата обращения: 23.10.2025).
10. Банки и банковские операции: учебник для вузов / Е.Ф. Жуков [и др.]; ред. Е.Ф. Жуков. М.: Банки и биржи, ЮНИТИ, 2008. 471 с.
11. Беляков А.В., Ломакина Е.В. Кредитный риск: оценка, анализ, управление // Финансы и кредит. 2008. №9. С.69-75.
12. Буянов В.П., Алексеева Д.Г. Анализ нормативного обеспечения банковских расчетов: учеб. пособие. М.: Экзамен, 2008. 414 с.
13. Вавилов А.С. Банки-2007 и проблемы управления рисками // Управление кредитной организацией. 2008. №3. С.45-54.
14. Галяпина Л.В., Трускова Т.М. Финансы и кредит: Учеб. пособие. М.: Издат. – торг. Корпорация «Дашков и К», 2008. 348 с.
15. Деньги. Кредит. Банки: Учебник для Вузов / А.С. Селищев. СПб.: Питер, 2007. 432 с.
16. Деньги. Кредит. Банки: учебник / О.И. Лаврушин [и др.]; ред. О.И. Лаврушин. М.: Финансы и статистика, 2008. 460 с.
17. Кабушкин С.Н. Классификация и факторы банковского кредитного риска // Банковское дело. 2005. №21. С.15.
18. Квасова Т.А. Кредитный риск и оценка кредитоспособности заемщика — предприятия малого бизнеса // Банковские услуги. 2007. N 7. С. 20-25.
19. Кто принимает на себя кредитный риск? : международный опыт // Образование в документах. 2007. N 5. С. 75-80.
20. Помазанов М.В. Кредитный риск-менеджмент и моделирование нового актива в портфеле // Финансы и кредит. 2007. N 6. С. 12-18.
21. Финансы. Денежное обращение. Кредит: Учеб. для вузов / ред. М.В. Романовский; О.В. Врублевская. 2-е изд. М.: ЮНИТИ – ДАНА, 2007. 512 с.
22. Финансы. Денежное обращение. Кредит: учебник для вузов / Л.А. Дробозина, Окунева Л.П., Андросова Л.Д. и др.; под ред. Л.А. Дробозиной. М.: ЮНИТИ, 2007. 425 с.
23. Система управления рисками в российских банках. Проблемы и пути развития. URL: http://www.elibrary.ru/item.asp?id=45759325 (дата обращения: 23.10.2025).
24. Актуальные проблемы управления кредитными рисками в коммерческом банке // Cyberleninka. URL: https://cyberleninka.ru/article/n/aktualnye-problemy-upravleniya-kreditnymi-riskami-v-kommercheskom-banke (дата обращения: 23.10.2025).
25. Кредитные риски российских коммерческих банков: новые подходы к управлению. URL: https://fa.ru/science/for_researchers/publications/Documents/2022/Credit_Risks_of_Russian_Commercial_Banks_New_Approaches_to_Management.pdf (дата обращения: 23.10.2025).
26. Банковский сектор | Эксперт РА. URL: https://raexpert.ru/researches/banks/2025/# (дата обращения: 23.10.2025).
27. Проблемы управления кредитными рисками в коммерческом банке и пути их минимизации // Cyberleninka. URL: https://cyberleninka.ru/article/n/problemy-upravleniya-kreditnymi-riskami-v-kommercheskom-banke-i-puti-ih-minimizatsii (дата обращения: 23.10.2025).
28. Российские банки теряют 3,3-4,3 трлн руб. ежегодно из-за санкций: оценка экономистов // Frank Media. 18.09.2025. URL: https://frankmedia.ru/2025/09/18/rossijskie-banki-teryayut-3-3-4-3-trln-rub-ezhegodno-iz-za-sankcij-ocenka-ekonomistov/ (дата обращения: 23.10.2025).
29. Экономисты оценили влияние санкций на банковскую систему России // Финансист. 19.09.2025. URL: https://finansist-kras.ru/news/2025-09-19-finansovyy-universitet-vliyanie-sankciy/ (дата обращения: 23.10.2025).
30. Между устойчивостью и новыми рисками // Банковское обозрение. URL: https://bosfera.ru/bo/mezhdu-ustojchivostyu-i-novymi-riskami (дата обращения: 23.10.2025).
31. Управление кредитным риском коммерческого банка // Riorpub. URL: https://riorpub.com/article/upravlenie-kreditnym-riskom-kommercheskogo-banka-36423 (дата обращения: 23.10.2025).
32. Портфельный кредитный риск (расчет PD, LGD, Cost of Risk) // ISBD. URL: https://isbd.ru/seminars/portfolio_credit_risk_pd_lgd_cost_of_risk/ (дата обращения: 23.10.2025).
33. AI и low-code существенно трансформируют банковский риск-менеджмент // Банковское обозрение. URL: https://bosfera.ru/bo/ai-i-low-code-sushchestvenno-transformiruyut-bankovskij-risk-menedzhment (дата обращения: 23.10.2025).
34. Влияние санкционных ограничений на финансовый и банковский секторы Российской Федерации // Cyberleninka. URL: https://cyberleninka.ru/article/n/vliyanie-sanktsionnyh-ogranicheniy-na-finansovyy-i-bankovskiy-sektory-rossiyskoy-federatsii (дата обращения: 23.10.2025).
35. Искусственный интеллект в банках — применение и кейсы AI // Scand. URL: https://scand.com/ru/company/blog/ai-in-banking/ (дата обращения: 23.10.2025).
36. Ограниченная достаточность // АКРА. URL: https://acra-ratings.ru/upload/iblock/c38/c38260a92d194511d7f57476834b6b15.pdf (дата обращения: 23.10.2025).
37. ВТБ: Итоги 2024 года и перспективы 2025 года // Тинькофф Пульс. URL: https://tbank.ru/investments/pulse/market/vtb-itogi-2024-goda-i-perspektivy-2025-goda-4948/ (дата обращения: 23.10.2025).
38. Трансформация системы управления рисками с использованием ИИ в финансовых организациях // Банк России. 31.05.2023. URL: https://www.cbr.ru/Content/Document/File/147427/20230531_analytic_ai.pdf (дата обращения: 23.10.2025).
39. Модель вероятности дефолта (PD) для оценки прогнозируемого кредитного риска // Банк России. URL: https://www.cbr.ru/analytics/research/PD_model/ (дата обращения: 23.10.2025).
40. Три кейса, как российские банки заставили ИИ пахать // Innova News. URL: https://innovanews.ru/science/tri-kejsa-kak-rossijskie-banki-zastavili-ii-pa/ (дата обращения: 23.10.2025).
41. Моделирование кредитного риска // ИБДА. URL: https://ibdarb.ru/course/modelirovanie-kreditnogo-riska-8472 (дата обращения: 23.10.2025).
42. БАНКОВСКИЙ СЕКТОР // Банк России. URL: https://www.cbr.ru/Collection/Collection/File/49159/obs_2509.pdf (дата обращения: 23.10.2025).
43. Обзор банковского регулирования III квартал 2024 // Банк России. URL: https://www.cbr.ru/Content/Document/File/158784/2024_Q3_BRR.pdf (дата обращения: 23.10.2025).
44. Как оценить кредитные риски с помощью трансформерной нейросети и зачем это нужно // IBS. URL: https://www.ibs.ru/news/kak-otsenit-kreditnye-riski-s-pomoshchyu-transformernoy-neyroseti/ (дата обращения: 23.10.2025).
45. Совкомбанк предложил использовать ИИ для радикального снижения мисселинга // Fomag. URL: https://fomag.ru/news-streem/sovkom-predlozhil-ispolzovat-ii-dlya-radikalnogo-snizheniya-misselinga/ (дата обращения: 23.10.2025).
46. В 2025 году ЦБ будет пристально следить за капиталом банков // Ведомости. 28.02.2025. URL: https://www.vedomosti.ru/finance/articles/2025/02/28/1023772-tsb-budet-pristalno-sledit-za-kapitalom-bankov (дата обращения: 23.10.2025).
47. Российский банковский сектор — прогноз на 2025 год // Ассоциация российских банков. URL: https://asros.ru/analytics/rossiyskiy-bankovskiy-sektor-prognoz-na-2025-god/ (дата обращения: 23.10.2025).