Совершенствование системы управления кредитным риском ПАО АКБ «Росбанк» в условиях актуальных регуляторных вызовов и технологической трансформации

Понимание и управление кредитным риском является краеугольным камнем стабильности любой финансовой системы. В условиях беспрецедентной динамики последних лет, когда регуляторные ландшафты постоянно меняются, а технологический прогресс открывает новые горизонты, банки сталкиваются с необходимостью непрерывной адаптации. Так, в январе 2025 года Банк России принял важнейшее решение о порядке формирования резервов по невозмещаемым заблокированным активам, возникшим после февраля 2022 года, классифицировав их в V категорию качества, требующую стопроцентного резервирования, но с возможностью формировать резервы не менее 20% от расчетной базы. Этот факт наглядно демонстрирует, насколько быстро финансовому сектору приходится реагировать на геополитические и экономические изменения, внедряя гибкие, но при этом пруденциально обоснованные подходы к управлению рисками.

Настоящее исследование ставит своей целью не просто констатацию этих изменений, но и их глубокий академический анализ, сфокусированный на методах оценки и регулирования кредитного риска в финансовом секторе РФ. Особое внимание будет уделено ПАО АКБ «Росбанк» как одному из значимых участников рынка. Мы проанализируем текущую практику банка, выявим существующие недостатки и, что самое важное, разработаем конкретные, инновационные мероприятия по совершенствованию системы управления кредитным риском, подкрепив их расчетом ожидаемого экономического эффекта. Это позволит не только соответствовать высоким академическим стандартам, но и предложить практические решения, актуальные для студентов, специализирующихся в области финансов, банковского дела и риск-менеджмента.

Теоретические и нормативно-правовые основы управления кредитным риском в финансовом секторе РФ

Сущность и классификация кредитного риска в современном банковском деле

В основе стабильности банковской системы лежит эффективное управление рисками, ключевым из которых, безусловно, является кредитный риск. Его сущность выходит за рамки простого невозврата долга, охватывая все аспекты, где существует вероятность возникновения финансовых потерь для кредитной организации. Согласно официальному определению Банка России, кредитный риск — это риск возникновения убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств. Это определение, содержащееся в нормативных актах регулятора, подчеркивает фундаментальную роль своевременности и полноты исполнения обязательств, а также определяет границы ответственности банка.

Классификация кредитного риска позволяет более глубоко анализировать его природу и разрабатывать адресные стратегии управления. Различают несколько ключевых критериев классификации:

  • По типу заемщика: выделяют риск по розничным кредитам (физические лица), корпоративным кредитам (юридические лица) и межбанковским кредитам. Каждый сегмент имеет свои особенности, например, розничный риск часто управляется через скоринговые модели и портфельный подход, тогда как корпоративный требует индивидуального анализа кредитоспособности.
  • По сроку: краткосрочный, среднесрочный и долгосрочный риски. Долгосрочные кредиты, как правило, несут более высокий риск из-за большей неопределенности в будущем.
  • По концентрации: риск концентрации на одном заемщике, на группе связанных заемщиков, на определенной отрасли экономики или географическом регионе. Чрезмерная концентрация может привести к системным потерям при неблагоприятном развитии событий в одном из сегментов.
  • По характеру обеспечения: обеспеченные и необеспеченные кредиты. Наличие качественного залога снижает кредитный риск, но не исключает его полностью, так как реализация залога может быть затруднена или его стоимость может упасть.
  • По виду продукта: ипотечные, потребительские, автокредиты, проектное финансирование, торговое финансирование и др. Каждый продукт имеет свой уникальный риск-профиль, обусловленный спецификой его предоставления и использования.

Понимание этих классификационных признаков позволяет банкам строить многоуровневые системы управления кредитным риском, включающие как количественные, так и качественные методы оценки и мониторинга, что является основой для принятия взвешенных решений.

Международные и национальные подходы к количественной оценке кредитного риска

Оценка кредитного риска вышла за рамки интуитивных суждений и превратилась в сложную систему математических моделей и методологий, базирующихся на международных стандартах. Ключевым ориентиром здесь выступают рекомендации Базельского комитета по банковскому надзору, в частности, Базель III и IV, которые предполагают использование продвинутых подходов к оценке риска. Основой для количественной оценки в рамках внутренних рейтинговых подходов (IRB-подход — Internal Ratings-Based Approach) являются три взаимосвязанных компонента:

  • Вероятность дефолта (PD – Probability of Default): Это вероятность того, что заемщик не сможет выполнить свои финансовые обязательства в течение определенного временного горизонта (обычно одного года). PD-модели строятся на основе статистического анализа исторических данных о дефолтах, учитывая финансовое состояние заемщика, отраслевые показатели и макроэкономические факторы.
  • Уровень потерь при дефолте (LGD – Loss Given Default): Этот параметр отражает долю потерь для банка в случае дефолта заемщика после реализации всех возможных мер по взысканию долга и реализации залогового обеспечения. LGD выражается в процентах от общей суммы задолженности на момент дефолта. Факторы, влияющие на LGD, включают тип залога, его ликвидность, юридические аспекты взыскания и затраты на процедуру.
  • Подверженность риску при дефолте (EAD – Exposure At Default): Это ожидаемая сумма задолженности заемщика перед банком на момент его дефолта. Для кредитов с фиксированной суммой (например, срочные кредиты) EAD может быть равно текущей задолженности, но для возобновляемых кредитных линий или гарантий EAD требует более сложного моделирования, учитывающего вероятность использования невыбранных лимитов.

Интеграция этих трех компонентов позволяет банкам рассчитывать ожидаемые потери (EL – Expected Loss), которые представляют собой математическое ожидание потерь от кредитного риска по портфелю. Формула для расчета EL выглядит следующим образом:

EL = PD × LGD × EAD

Помимо ожидаемых потерь, банки также оценивают неожиданные потери (UL – Unexpected Loss), которые отражают волатильность фактических потерь вокруг ожидаемых и требуют формирования экономического капитала. В российской практике, несмотря на формальное отсутствие прямого внедрения продвинутого IRB-подхода для всех банков (он доступен только для Системно Значимых Кредитных Организаций, СЗКО), многие крупные банки, включая Росбанк, активно используют внутренние системы рейтингования, которые по своей сути близки к требованиям IRB. Это позволяет им не только более точно оценивать риски, но и оптимизировать процесс формирования резервов на возможные потери, а также более эффективно управлять капиталом.

Еще одним важным инструментом количественной оценки является стоимость под риском (VaR – Value at Risk). VaR определяет максимальную сумму потерь, которую кредитная организация может понести по своему портфелю с заданной вероятностью (доверительной вероятностью) за определенный период времени. Этот метод широко используется для агрегирования рисков и их сопоставления с имеющимся капиталом.

Анализ ключевых изменений в регуляторной базе Банка России (2022-2025 гг.)

Период с 2022 по 2025 год отмечен беспрецедентными изменениями в регуляторной среде Банка России, вызванными как макроэкономической волатильностью, так и геополитическими факторами. Эти изменения напрямую влияют на методы оценки и порядок формирования резервов под кредитный риск, требуя от банков постоянной адаптации и глубокой перенастройки своих систем.

Ключевым нормативным документом, регулирующим формирование банками резервов на возможные потери, является Положение Банка России № 590-П от 28.06.2017 «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности». Этот документ не является статичным, он регулярно подвергается корректировкам, и изменения 2022-2023 годов, а также готовящиеся к вступлению в силу в 2025 году, имеют особое значение.

Одним из наиболее значимых нововведений стало Указание ЦБ РФ от 15.03.2023 № 6377-У, которое вступило в силу с 30.05.2023. Это указание ввело специальные, более жесткие требования по формированию резервов по ипотечным жилищным ссудам, выданным с 15 марта 2023 года. В частности, банки обязаны увеличить размер формируемого резерва на 30 или 50 процентных пунктов (п.п.) в случае превышения полной стоимости кредита (займа) установленных Банком России индикаторов. Цель этого регулирования — охладить рынок высокорисковой ипотеки и предотвратить накопление системных рисков. Для банков это означает необходимость более тщательного скоринга ипотечных заемщиков и учета повышенных требований к капиталу при выдаче таких кредитов.

Еще одно важнейшее решение было принято Советом директоров Банка России в январе 2025 года относительно порядка формирования резервов по невозмещаемым заблокированным активам (НЗА). Эти активы возникли после февраля 2022 года в результате ограничительных мер иностранных государств и представляют собой уникальный вызов для банковской системы. Согласно данному решению ЦБ РФ, НЗА классифицируются в V категорию качества, что традиционно требует 100% резервирования. Однако, учитывая исключительный характер ситуации, банкам было предоставлено право формировать резервы по НЗА в размере менее 100%, но не менее 20% от расчетной базы. Это решение является компромиссом между пруденциальным подходом и необходимостью минимизации чрезмерной нагрузки на капитал банков, столкнувшихся с форс-мажорными обстоятельствами. Оно требует от банков разработать специальные методики оценки и мониторинга таких активов.

Важные изменения коснулись и сегмента малого и среднего предпринимательства (МСП). С 1 января 2025 года по 31 декабря 2025 года включительно уточнен порядок формирования резервов по Положению № 590-П для субъектов МСП с суммой кредита не более 100 млн рублей. Эти уточнения устанавливают минимальный резерв (например, 2% или 4%) в зависимости от наличия просроченных платежей и использования внутрибанковских оценок кредитоспособности (ВБОК).

Конкретные детали выглядят так:

  • Минимальный размер резерва по портфелям прочих ссуд МСП (до 100 млн рублей) без просроченных платежей составляет 4%, если оценка риска проводится на основе внутрибанковских оценок кредитоспособности (ВБОК) без использования официальной отчетности. Это стимулирует банки к развитию своих внутренних моделей.
  • Для прочих портфелей МСП без просроченных платежей, где ВБОК не применяются или применяются с использованием официальной отчетности, минимальный размер резерва установлен на уровне 2%.

Эти изменения подчеркивают стремление регулятора не только ужесточить требования к высокорисковым сегментам, но и поддержать кредитование МСП, предоставляя гибкость в формировании резервов при условии наличия адекватных внутренних систем оценки риска. Банкам необходимо оперативно интегрировать эти нововведения в свои внутренние положения, методики и IT-системы для корректного расчета резервов и управления капиталом. Иначе, они рискуют столкнуться с неоптимальным формированием резервов и возможными санкциями.

Анализ системы управления и оценка кредитного риска в ПАО АКБ «Росбанк»

Организационно-экономическая характеристика и структура управления рисками ПАО АКБ «Росбанк»

ПАО АКБ «Росбанк» является одним из крупнейших российских универсальных банков, предлагающим широкий спектр финансовых услуг как для розничных, так и для корпоративных клиентов. Исторически банк являлся частью международной финансовой группы Societe Generale, что обусловило внедрение передовых практик корпоративного управления и риск-менеджмента, соответствующих высоким международным стандартам. В последние годы, в условиях трансформации рынка, Росбанк прошел через значительные изменения, включая смену акционеров.

Ключевым стратегическим изменением в организационной структуре Росбанка, одобренным в 2024 году, является его интеграция в состав МКПАО «ТКС Холдинг». Это событие имеет фундаментальное значение для будущего банка, поскольку оно приведет к формированию объединенной структуры, объединяющей традиционную банковскую модель с инновационным финтех-подходом «Тинькофф». Такая интеграция потенциально может изменить риск-профиль, операционные процессы и стратегию управления рисками Росбанка, открывая как новые возможности, так и создавая новые вызовы, требующие оперативной адаптации.

Организационная структура управления риском в Росбанке традиционно строилась на принципах группы Сосьете Женераль, что подразумевает высокий уровень независимости подразделений по управлению рисками от бизнес-подразделений. Этот принцип, известный как «три линии защиты», является основополагающим для эффективного риск-менеджмента:

  1. Первая линия защиты: Бизнес-подразделения, которые принимают риски и отвечают за их первичное управление.
  2. Вторая линия защиты: Подразделения по управлению рисками (например, Департамент управления кредитными рисками, Департамент рыночных и операционных рисков), которые разрабатывают методологии, устанавливают лимиты, осуществляют мониторинг и контроль рисков, обеспечивая их независимую оценку.
  3. Третья линия защиты: Служба внутреннего аудита, которая предоставляет независимую оценку эффективности всей системы управления рисками.

Ключевым коллегиальным органом, утверждающим стратегию управления рисками и капиталом, является Совет директоров банка. При нем функционирует специализированный совещательный орган — Комитет по рискам Совета директоров ПАО РОСБАНК. Этот комитет играет центральную роль в определении риск-аппетита банка, утверждении политик и процедур управления рисками, а также в мониторинге их исполнения.

Управление кредитным риском в Росбанке включает в себя комплексный подход, охватывающий:

  • Идентификацию рисков: выявление всех потенциальных источников кредитного риска.
  • Оценку рисков: количественное и качественное измерение потенциальных потерь.
  • Мониторинг рисков: постоянное отслеживание уровня рисков и соблюдения установленных лимитов.
  • Контроль и митигацию рисков: разработка и внедрение мер по снижению уровня рисков.

Важным аспектом является также анализ и контроль диверсификации рисков по различным отраслям, регионам и группам заемщиков. Это позволяет избегать чрезмерной концентрации и снижать общую уязвимость кредитного портфеля к неблагоприятным шокам.

Анализ динамики кредитного портфеля и качества активов ПАО АКБ «Росбанк» (2022-2024 гг.)

Анализ динамики кредитного портфеля и качества активов Росбанка за последние годы позволяет оценить эффективность его риск-политики и способность адаптироваться к изменяющимся экономическим условиям. Публичная отчетность банка предоставляет ценные данные для такого анализа.

По состоянию на конец первого квартала 2024 года, кредитный портфель Росбанка (до вычета резервов) продемонстрировал устойчивый рост, достигнув 1,48 трлн рублей, что свидетельствует о его активной роли на кредитном рынке. За квартал прирост составил 2,1%, что указывает на продолжающуюся кредитную активность.

Структура портфеля на конец марта 2024 года отражает стратегические приоритеты банка:

  • Розничные ссуды составили 820,7 млрд рублей, показав существенный прирост на 5,3% за квартал. Это свидетельствует о фокусе банка на потребительском кредитовании, ипотеке и других розничных продуктах, которые, как правило, имеют более высокую маржинальность, но и требуют более совершенных систем управления риском.
  • Корпоративные кредиты составили 634 млрд рублей, при этом наблюдалось снижение на 2,3% за квартал. Это может быть связано как с рыночной конъюнктурой, так и с внутренней политикой банка по оптимизации корпоративного портфеля или переориентацией на более качественных заемщиков.

Динамика качества активов является ключевым показателем эффективности управления кредитным риском. Одним из важнейших индикаторов являются расходы на резервы по кредитным убыткам. За первый квартал 2024 года по МСФО Росбанк отчитался о расходах на резервы в размере 290 млн рублей. Это значительно ниже показателя за аналогичный период предыдущего года, когда расходы составляли 544 млн рублей. Конкретно, снижение составило 46,7%. Такое существенное сокращение расходов на резервы может быть интерпретировано по-разному:

  • Положительный сценарий: Улучшение качества кредитного портфеля, эффективная работа по взысканию задолженности и более точное прогнозирование дефолтов.
  • Осторожный сценарий: Отложенное признание потерь или использование регуляторных послаблений, что требует более глубокого анализа.

Для полного понимания качества активов необходимо также рассмотреть динамику уровня просроченной задолженности (NPL – Non-Performing Loans) и уровня провизирования (покрытия резервами). Хотя конкретные данные по NPL и покрытию не были предоставлены во входных данных, общее снижение расходов на резервы при росте кредитного портфеля косвенно указывает на потенциальное улучшение качества активов или оптимизацию риск-процессов.

Банк, вероятно, активно работает над снижением доли проблемных активов и повышением эффективности взыскания, а также использует внутренние модели для более точного расчета резервов, что позволяет высвобождать капитал. Однако, в свете последних регуляторных изменений (например, по ипотеке и НЗА), банку предстоит интегрировать новые требования, что может повлиять на будущие показатели резервирования. Анализ динамики NPL и покрытия резервами в разрезе розничного и корпоративного сегментов позволит более точно оценить, где банк демонстрирует наибольшую эффективность, а где могут быть «узкие места».

Методы оценки кредитного риска, применяемые в ПАО АКБ «Росбанк»

В своей практике ПАО АКБ «Росбанк» применяет комплекс методов оценки кредитного риска, которые соответствуют как международным передовым практикам, так и требованиям российского регулятора. Эти методы направлены на всесторонний анализ кредитоспособности заемщиков и минимизацию потенциальных потерь.

Одним из ключевых инструментов является внутренняя система рейтингования (ВСР). Эта система используется для оценки вероятности дефолта (PD) заемщиков, что является основой продвинутых подходов к управлению риском, близких к IRB (Internal Ratings-Based Approach), даже если банк не имеет официального статуса IRB-банка по всем требованиям Базеля. Применение ВСР предполагает, что банк самостоятельно разрабатывает модели для присвоения внутренних кредитных рейтингов, которые отражают уровень кредитного риска каждого заемщика. Для обеспечения адекватной сегментации заемщиков по уровню PD, качественная ВСР должна включать достаточное количество классов – обычно 7-10 классов для корпоративных заемщиков и до 20 классов для розничных. Это позволяет тонко различать уровни риска и более точно определять соответствующий уровень резервирования и достаточности капитала.

Методы оценки кредитного риска в Росбанке также включают:

  • Комплексный анализ кредитоспособности: Для корпоративных заемщиков это глубокий финансовый анализ, оценка бизнес-модели, отраслевых рисков, качества менеджмента и структуры собственности. Для розничных клиентов – анализ кредитной истории, платежеспособности, стабильности доходов.
  • Утверждение и мониторинг лимитов кредитного риска: Банк устанавливает индивидуальные лимиты на выдачу кредитов отдельным клиентам и группам клиентов, а также портфельные лимиты по отраслям, продуктам и регионам. Эти лимиты регулярно пересматриваются и мониторятся на предмет соблюдения.
  • Оценка ожидаемого уровня потерь (EL): При определении уровня кредитного риска банк принимает в расчет размер ожидаемого уровня потерь по портфелям ссуд розничных и корпоративных заемщиков. Этот расчет осуществляется в соответствии с требованиями Положения ЦБ РФ № 590-П, что предполагает определение PD, LGD и EAD для каждого сегмента или отдельного кредита. Использование EL позволяет более системно подходить к формированию резервов.
  • В количественных моделях риска учитываются не только вероятность дефолта (PD), но и вероятность возврата оставшейся части долга после выхода в дефолт, которая тесно связана с уровнем потерь при дефолте (LGD). Чем выше вероятность возврата, тем ниже LGD и, соответственно, ожидаемые потери.
  • Система управления кредитным риском также включает процедуры стресс-тестирования. Это позволяет оценить устойчивость кредитного портфеля и капитала банка к неблагоприятным, но правдоподобным макроэкономическим сценариям (например, резкое падение ВВП, рост безработицы, снижение цен на нефть). Стресс-тестирование помогает выявить потенциальные уязвимости и разработать планы действий на случай кризиса.
  • Процедуры управления риском концентрации: Банк активно управляет риском концентрации, анализируя и контролируя диверсификацию кредитного портфеля. Это включает установление лимитов на максимальную долю кредитов в определенной отрасли, регионе или к одному крупному заемщику, чтобы избежать чрезмерной зависимости от нескольких источников риска.

Таким образом, Росбанк демонстрирует достаточно зрелый подход к управлению кредитным риском, опираясь на внутренние модели и регуляторные требования. Однако постоянно меняющаяся среда требует постоянного совершенствования этих методов, чтобы оставаться конкурентоспособным.

Критический анализ недостатков и узких мест системы управления кредитным риском Росбанка

Несмотря на наличие развитой системы управления кредитным риском, базирующейся на передовых подходах и регуляторных требованиях, в ПАО АКБ «Росбанк» (как и в любом крупном банке) могут существовать недостатки и узкие места. Критический анализ позволяет выявить эти области для дальнейшего совершенствования.

Одним из потенциальных недостатков является оперативность адаптации к новейшим регуляторным изменениям. Как было показано в Главе 1, Банк России регулярно вносит значимые корректировки в Положение № 590-П, касающиеся специфических сегментов, таких как ипотека (Указание № 6377-У, требующее увеличения резервов на 30 или 50 п.п.), а также вводит совершенно новые категории, такие как Невозмещаемые Заблокированные Активы (НЗА) с особым порядком резервирования (не менее 20%, но не 100%). Кроме того, с 2025 года меняются требования к резервам по кредитам МСП (2% или 4% при использовании ВБОК).

Хотя Росбанк, безусловно, внедряет эти изменения, процесс их полной интеграции в IT-системы, внутренние методики, обучение персонала и валидацию новых моделей может занимать значительное время. Это может приводить к:

  • Отложенному признанию рисков: Банк может не успевать своевременно и в полной мере отражать новые требования в своей отчетности и внутренних оценках, что искажает реальный риск-профиль.
  • Неоптимальному использованию капитала: Недостаточно оперативное применение новых правил может привести к формированию либо избыточных, либо недостаточных резервов, что влияет на достаточность капитала и возможности по кредитованию.
  • Повышению операционных рисков: Ручное применение сложных новых правил или их некорректная интерпретация увеличивает вероятность ошибок.

Еще одним потенциальным узким местом может быть недостаточный уровень независимой валидации внутренних моделей. Применение внутренней системы рейтингования (ВСР) для оценки вероятности дефолта (PD) и других параметров является признаком зрелого риск-менеджмента. Однако, чтобы эти модели были действительно эффективными и надежными, они требуют регулярной и независимой валидации. Валидация включает в себя проверку качества исходных данных, методологии построения модели, ее прогнозной силы (например, с использованием метрик Gini/AUC), а также стабильности ее работы во времени.

В отсутствие или при недостаточном уровне независимой валидации, модели могут:

  • Стать неактуальными: Изменения в макроэкономической среде или в профиле заемщиков могут привести к тому, что старые модели перестанут адекватно прогнозировать риски.
  • Содержать скрытые ошибки: Без сторонней проверки могут быть упущены методологические ошибки или смещения, приводящие к систематическому недооцениванию или переоцениванию рисков.
  • Не соответствовать пруденциальным требованиям: Регуляторы все больше требуют от банков иметь надежные системы валидации внутренних моделей, чтобы убедиться в их корректности и отсутствии манипуляций.

Наконец, в контексте текущей макроэкономической конъюнктуры, характеризующейся высокой инфляцией, изменением процентных ставок и геополитической неопределенностью, система управления кредитным риском должна быть особенно гибкой. Возможно, текущие модели недостаточно быстро адаптируются к новым данным или не учитывают в полной мере специфические риски, такие как риски цепочек поставок, валютные риски, или риски, связанные с переориентацией экспорта/импорта. Например, стресс-тестирование может не охватывать все новые типы шоков, которые стали актуальны после 2022 года. Почему это критично? Потому что неадекватное тестирование может привести к неожиданным потерям, угрожающим стабильности банка.

Выявление этих недостатков служит отправной точкой для разработки конкретных мероприятий по совершенствованию, которые будут представлены в следующей главе.

Разработка мероприятий по совершенствованию управления кредитным риском и расчет экономического эффекта

Внедрение технологий ИИ/ML в процессы скоринга и мониторинга

Современный банковский сектор находится на пороге глубокой технологической трансформации, и управление кредитным риском не является исключением. Внедрение технологий искусственного интеллекта (ИИ) и машинного обучения (ML) представляет собой одно из наиболее перспективных направлений для повышения эффективности и точности оценки кредитоспособности и мониторинга портфеля. В российском банковском секторе уже есть примеры успешного применения ИИ/ML, подтверждающие их высокую эффективность.

Конкретные шаги по внедрению продвинутых ML-алгоритмов:

  1. Разработка и внедрение ML-моделей для кредитного скоринга:
    • Применение нейронных сетей и ансамблевых моделей: Вместо традиционных логистических регрессий, которые могут упускать сложные нелинейные зависимости, следует использовать более продвинутые ML-алгоритмы, такие как нейронные сети, градиентный бустинг (например, XGBoost, LightGBM) или случайный лес (Random Forest). Эти модели способны анализировать большие объемы финансовых и нефинансовых данных, включая транзакционные данные, информацию из социальных сетей (при соблюдении законодательства), геолокацию и поведенческие паттерны, что значительно улучшает прогнозирование вероятности дефолта (PD).
    • Обогащение данных: Расширение источников данных для моделей. Помимо стандартной кредитной истории и финансовой отчетности, следует интегрировать альтернативные данные: данные о транзакциях по дебетовым картам, активность в мобильном банке, данные от телеком-операторов (с согласия клиента), активность в социальных сетях.
    • Повышение точности PD-моделей: Как показывают исследования (например, кейс НБКИ), применение нейронных сетей позволило повысить прогнозную силу индустриального скоринга Национального бюро кредитных историй (НБКИ) на 2,67 п.п., достигнув значения 64,84 Gini для новых кредитов. Целью Росбанка должно стать достижение аналогичных или более высоких показателей Gini/AUC для своих внутренних моделей.
  2. ML-модели для предиктивного мониторинга и раннего предупреждения дефолтов:
    • Прогнозирование ухудшения финансового состояния: Разработка моделей, которые на основе анализа транзакций, платежного поведения, изменения среднего чека, изменения активности по счету, а также макроэкономических показателей, могут заранее (за несколько месяцев) прогнозировать возможное ухудшение платежеспособности заемщика.
    • Автоматизация пересмотра лимитов и условий: На основе прогнозов ML-моделей можно автоматизировать процесс пересмотра кредитных лимитов, предлагать индивидуальные программы реструктуризации или направлять предупреждения клиентам с повышенным риском.
  3. Создание независимого центра валидации ML-моделей:
    • Пруденциальные требования: Регулятор все больше внимания уделяет валидации внутренних моделей. Поэтому критически важно создать в банке независимое подразделение или выделить команду экспертов, отвечающих за валидацию всех разработанных и используемых ML-моделей.
    • Функции центра: Валидация должна включать: проверку качества данных, анализ методологии разработки, тестирование прогнозной силы (Gini, AUC, KS-статистика), стабильности модели, чувствительности к изменениям входных данных, а также интерпретируемости (explainability) сложных моделей («черных ящиков») для соответствия требованиям регулятора и внутреннего контроля.
    • Регулярный пересмотр: Модели должны пересматриваться и перекалибровываться на регулярной основе (например, ежегодно) или при существенных изменениях рыночных условий.

Внедрение ИИ/ML позволит не только снизить уровень потерь по ссудам, но и оптимизировать операционные затраты, связанные с ручной обработкой заявок, мониторингом и взысканием. Кроме того, это обеспечит банку значительное конкурентное преимущество на быстро меняющемся рынке.

Организационно-стратегические мероприятия с учетом интеграции с МКПАО «ТКС Холдинг»

Предстоящая интеграция ПАО «РОСБАНК» в состав МКПАО «ТКС Холдинг» является ключевым стратегическим событием, которое потребует глубокой трансформации всех систем, включая управление кредитным риском. Это не просто слияние активов, а синергия двух разных культур и бизнес-моделей: традиционного универсального банка и инновационного финтех-игрока. Для эффективного управления кредитным риском в объединенной структуре предлагаются следующие организационно-стратегические мероприятия:

  1. Гармонизация риск-стратегии и риск-аппетита:
    • Единая методология: Разработка единой риск-стратегии и политики управления кредитным риском для объединенной группы, учитывающей лучшие практики обеих организаций. Это предполагает унификацию подходов к оценке PD, LGD, EAD, стресс-тестированию и управлению концентрацией.
    • Пересмотр риск-аппетита: Корректировка риск-аппетита группы с учетом нового, более диверсифицированного кредитного портфеля и потенциального смещения в сторону более технологичного и, возможно, более агрессивного (в части скорости принятия решений) подхода к кредитованию, характерного для финтех-компаний. Учесть новые требования к риску концентрации (нормативы Н6 и Н21 Банка России) для объединенной структуры.
  2. Интеграция и унификация IT-архитектуры и данных:
    • Объединение кредитных конвейеров: Создание единой технологической платформы для кредитных процессов, объединяющей мощь аналитических инструментов «Тинькофф» с экспертизой Росбанка в работе с крупными корпоративными клиентами.
    • Единое хранилище данных и Big Data: Формирование централизованного хранилища данных (Data Lake) для агрегации всей доступной информации о клиентах, их транзакциях, кредитной истории из обеих организаций. Это позволит построить более мощные ML-модели и проводить более глубокий анализ.
    • Стандартизация данных: Разработка единых стандартов для сбора, хранения и обработки данных о кредитных рисках, что критически важно для корректной работы интегрированных моделей.
  3. Перестройка организационной структуры управления риском:
    • Централизация и специализация: Возможно, создание единого центра компетенций по анализу кредитного риска, который будет объединять экспертизу специалистов обеих структур. При этом важно сохранить принцип независимости риск-подразделений.
    • Культура риск-менеджмента: Разработка программы по формированию единой риск-культуры, которая будет сочетать пруденциальный подход Росбанка с инновационным и быстрым принятием решений «Тинькофф».
    • Обучение и развитие персонала: Инвестиции в обучение сотрудников новым технологиям (ИИ/ML), а также в развитие компетенций в области анализа больших данных и кибербезопасности.
  4. Адаптация к регуляторным требованиям в условиях интеграции:
    • Резервирование по НЗА и МСП: Убедиться, что интегрированные системы способны корректно применять новые правила Банка России по формированию резервов по НЗА и кредитам МСП с 2025 года, а также по ипотеке, своевременно учитывая все нюансы.
    • Контроль концентрации: В объединенной группе могут измениться показатели концентрации рисков (например, на отдельных отраслях или заемщиках). Необходимо оперативно пересчитать и установить новые лимиты для соблюдения нормативов Н6 и Н21.

Эти мероприятия позволят объединенной структуре не только эффективно управлять текущими кредитными рисками, но и использовать синергию для создания конкурентного преимущества на рынке, что в конечном итоге повысит её капитализацию.

Расчет экономического эффекта от внедрения предложенных мероприятий

Расчет экономического эффекта от внедрения инновационных мероприятий в систему управления кредитным риском является критически важным для обоснования инвестиций и демонстрации их целесообразности. Экономический эффект (Э) в данном контексте представляет собой прирост чистой прибыли, достигаемый за счет снижения потерь по ссудам, высвобождения капитала и/или экономии операционных затрат.

Общая формула для расчета экономического эффекта от внедрения ИИ/ML в кредитный скоринг (за счет повышения точности PD-модели и автоматизации) базируется на принципе снижения ожидаемых потерь (EL) и экономии операционных затрат (СОп):

Э ≈ (ΔEL · Портфель) + ΔСОп

где:

  • Э — экономический эффект (в денежном выражении);
  • ΔEL — разница в уровне ожидаемых потерь (PD · LGD) до и после внедрения мероприятий;
  • Портфель — общий объем кредитного портфеля, на который распространяется действие улучшенных моделей;
  • ΔСОп — экономия операционных затрат за счет автоматизации процессов.

Рассмотрим примерный расчет экономического эффекта, используя данные Росбанка из Главы 2 и гипотетические, но обоснованные улучшения от внедрения ИИ/ML.

Исходные данные для расчета (на основе I квартала 2024 года):

  • Кредитный портфель Росбанка (на конец I кв. 2024) = 1,48 трлн рублей.
  • Расходы на резервы по кредитным убыткам (EL) за I кв. 2024 = 290 млн рублей.
  • Допустим, текущий средний уровень ожидаемых потерь (ELдо) по всему портфелю (условно, годовой) составляет 0,5% от портфеля (это 7,4 млрд рублей в год при текущем портфеле, или 1,85 млрд рублей в квартал, что соответствует расходам на резервы).

Предполагаемые улучшения от внедрения ИИ/ML:

  1. Снижение ожидаемых потерь (ΔEL):
    • Внедрение продвинутых ML-моделей для скоринга и мониторинга, а также более точной оценки PD, LGD, позволит снизить среднегодовой уровень ожидаемых потерь по кредитному портфелю.
    • На основе кейса НБКИ, где прогнозная сила увеличилась на 2,67 п.п. Gini, можно гипотетически предположить снижение фактических дефолтов и, как следствие, ожидаемых потерь на 0,1 процентных пункта от объема портфеля.
    • Тогда ELпосле = ELдо — 0,1% = 0,5% — 0,1% = 0,4%.
    • ΔEL = ELдо — ELпосле = 0,5% — 0,4% = 0,1%.
    • Экономия на снижении потерь = 0,1% × 1,48 трлн рублей = 1,48 млрд рублей в год.
  2. Экономия операционных затрат (ΔСОп):
    • Автоматизация кредитного скоринга: Уменьшение времени на обработку заявок, снижение ошибок, сокращение потребности в ручном труде андеррайтеров.
    • Автоматизация мониторинга: Раннее выявление проблемных клиентов, оптимизация работы по взысканию.
    • Предположим, что за счет автоматизации банк сможет сэкономить 500 млн рублей в год на операционных расходах (зарплаты, административные расходы, IT-поддержка текущих систем).

Расчет общего экономического эффекта:

Э ≈ (1,48 млрд рублей) + (500 млн рублей) = 1,98 млрд рублей в год.

Более детализированный подход к расчету снижения NPL:

Простейший расчет экономического эффекта от снижения уровня просроченной задолженности (ΔNPL) может быть представлен формулой, отражающей снижение требуемого резервирования и потерь:

Экономический эффект ≈ ΔNPL × Портфель × (1 - LGD)

Допустим, текущий уровень NPL в Росбанке (по гипотезе) составляет 5% от портфеля, а средний LGD по портфелю равен 40%. Внедрение ИИ/ML позволит снизить NPL на 0,5 п.п., то есть NPLпосле = 4,5%.

ΔNPL = 0,5%.

Экономический эффект от снижения NPL ≈ 0,5% × 1,48 трлн рублей × (1 - 0,4) = 0,5% × 1,48 трлн рублей × 0,6 = 0,005 × 1 480 000 000 000 × 0,6 = 4,44 млрд рублей в год.

Важно отметить, что оба расчета являются упрощенными. В реальной практике требуется более глубокий анализ влияния каждого мероприятия на PD, LGD, EAD для каждого сегмента портфеля, а также детальный расчет затрат на внедрение технологий (капитальные и операционные расходы на IT-инфраструктуру, лицензии, персонал). Однако, даже эти упрощенные примеры демонстрируют значительный потенциальный экономический эффект от внедрения инновационных мероприятий. Дополнительно следует учесть эффект высвобождения капитала, который может быть реинвестирован в прибыльные операции, принося дополнительные доходы.

Заключение

Проведенное исследование позволило глубоко проанализировать методы оценки и регулирования кредитного риска в финансовом секторе Российской Федерации, акцентируя внимание на ПАО АКБ «Росбанк» в условиях непрерывной регуляторной и технологической трансформации.

В первой главе были заложены фундаментальные теоретические основы, определена сущность и классификация кредитного риска согласно актуальным нормативным актам Банка России. Особое внимание было уделено международным и национальным подходам к количественной оценке, раскрывающим такие ключевые параметры, как вероятность дефолта (PD), уровень потерь при дефолте (LGD) и подверженность риску при дефолте (EAD) в рамках Базельских принципов. Критический анализ последних регуляторных изменений (2022-2025 гг.) выявил их значительное влияние на практику формирования резервов, в частности, ужесточение требований к ипотечным кредитам (Указание № 6377-У), введение порядка резервирования по Невозмещаемым Заблокированным Активам (НЗА) и уточнения для кредитов МСП с 2025 года. Эти изменения подчеркивают динамичный характер среды, требующей от банков постоянной адаптации.

Вторая глава была посвящена детальному анализу системы управления и оценки кредитного риска в ПАО АКБ «Росбанк». Была охарактеризована организационно-экономическая структура банка и его подход к риск-менеджменту, исторически основанный на принципах группы Societe Generale. Анализ динамики кредитного портфеля (рост розничного сегмента и снижение корпоративного) и качества активов показал положительную динамику в части снижения расходов на резервы в I квартале 2024 года, что свидетельствует об эффективности действующих процессов. Были описаны применяемые методы оценки, включая внутреннюю систему рейтингования (ВСР) для оценки PD, стресс-тестирование и учет ожидаемых потерь (EL). Однако, критический анализ выявил потенциальные недостатки, такие как необходимость более оперативной адаптации к новейшим регуляторным изменениям и потребность в усилении независимой валидации внутренних моделей, особенно в условиях текущей макроэкономической конъюнктуры.

Третья глава предложила конкретные, инновационные мероприятия по совершенствованию системы управления кредитным риском. Основной акцент сделан на внедрении технологий искусственного интеллекта (ИИ) и машинного обучения (ML) в процессы скоринга и мониторинга, что, как показывает опыт НБКИ, может значительно повысить прогнозную точность PD-моделей. В качестве ключевого организационно-стратегического мероприятия предложена гармонизация риск-стратегии и IT-архитектуры Росбанка в свете его предстоящей интеграции с МКПАО «ТКС Холдинг», что требует корректировки риск-аппетита и унификации подходов к управлению рисками концентрации (Н6, Н21). Расчет экономического эффекта, представленный в завершающем разделе, наглядно продемонстрировал значительную потенциальную выгоду от внедрения предложенных мероприятий. Прогнозное снижение ожидаемых потерь и оптимизация операционных затрат могут привести к приросту прибыли в миллиарды рублей ежегодно, подтверждая экономическую целесообразность инвестиций в технологическую трансформацию риск-менеджмента.

Перспективы дальнейших исследований включают более детальное моделирование влияния интеграции Росбанка и ТКС на риск-профиль объединенной группы, разработку конкретных алгоритмов машинного обучения для специфических сегментов кредитного портфеля, а также глубокий анализ вопросов кибербезопасности и этических аспектов применения ИИ в кредитовании.

Список использованной литературы

  1. Байдина О. С., Байдин Е. В. Финансовые риски: природа и взаимосвязь // Деньги и кредит. 2010. № 7. С. 29-32.
  2. Васильева Е.Е. Кредитный риск: актуальные проблемы моделирования // Финансы и кредит. 2015. № 7 (631). С. 45-53.
  3. Долгова Е.В. Распознавание ситуаций в оперативном управлении предприятием // Вестник ПГТУ. Электротехника, информационные технологии, системы управления. 2008. № 2. С. 185-192.
  4. Костюченко Н.С. Анализ кредитных рисков. СПб.: ИТД «Скифия», 2010. 440 с.
  5. Кричевский М.Л. Финансовые риски. М.: КНОРУС, 2013. 247 с.
  6. Меркулова И. В., Герасименко М. А. Анализ и оценка рынка кредитования физических лиц г. Ставрополя // Финансы и кредит. 2010. № 39 (423). С. 37-43.
  7. Моисеев А.В., Поправко Е.А., Федотов Н.Г. Построение системы факторов для распознавания риска // Труды международного симпозиума Надежность и качество. 2012. Т. 1. С. 130.
  8. Моисеев А.В., Поправко Е.А., Федотов Н.Г. Сравнительный анализ моделей распознавания риска // Известия высших учебных заведений. Поволжский регион. Технические науки. 2013. № 4 (28). С. 19-31.
  9. О внесении изменений в Положение Банка России от 28 июня 2017 года N 590-П. URL: https://cntd.ru
  10. Положение Банка России от 28.06.2017 N 590-П (ред. от 15.03.2023) «О порядке формирования кредитными организациями резервов на возможные потери…». URL: https://consultant.ru
  11. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ФИНАНСОВОМ РЫНКЕ. Банк России. URL: https://cbr.ru
  12. РАСКРЫТИЕ ИНФОРМАЦИИ О ПРИНИМАЕМЫХ РИСКАХ, ПРОЦЕДУРАХ ИХ ОЦЕНКИ, УПРАВЛЕНИИ РИСКАМИ И КАПИТАЛОМ по состоянию на 01 января 2021 года. URL: https://rosbank-auto.ru
  13. Решение Совета директоров Банка России о формировании кредитными организациями резервов на возможные потери по невозмещаемым заблокированным активам. URL: https://cbr.ru
  14. Росбанк в I квартале сократил чистую прибыль по МСФО на 17%. URL: https://interfax.ru
  15. Росбанк представил финансовые результаты за первое полугодие 2024 года по МСФО. URL: https://banki.ru
  16. Русецкая Э. А., Куренная И. В. Страхование кредитных рисков // Финансы и кредит. 2007. № 48 (288). С. 12-19.
  17. Сафронова Т. Е. Методы минимизации кредитных рисков на основе оценки кредитоспособности заемщиков // Известия ПГПУ им. В. Г. Белинского. 2011. № 24. URL: http://cyberleninka.ru/article/n/metody-minimizatsii-kreditnyh-riskov
  18. С 1 января 2025 года до 31 декабря 2025 года включительно уточняется порядок формирования резервов… URL: https://consultant.ru
  19. Четыркин Е.М. Финансовые риски: науч.-практич. пособие. М.: Издательство «Дело» АНХ, 2008. 176 с.

Похожие записи