Оценка кредитоспособности заемщика в условиях экономической рецессии: современные методики, инновационные технологии и регуляторные трансформации (на примере российского и зарубежного опыта)

В 2024 году финансовые организации в России инвестировали рекордные 56,8 млрд рублей в искусственный интеллект, что делает финтех лидером по затратам на ИИ в стране. Эта ошеломляющая цифра — не просто свидетельство технологического прогресса, а мощный индикатор глубочайших трансформаций в сфере оценки кредитоспособности, особенно в условиях экономической рецессии. Современный банковский мир сталкивается с беспрецедентными вызовами, требующими отлаженных, адаптивных и высокоточных инструментов для минимизации рисков и обеспечения финансовой стабильности. Что же это означает для каждого из нас? Внедрение ИИ становится неотъемлемой частью банковской стратегии, трансформируя как внутренние процессы, так и взаимодействие с клиентами, а значит, и условия доступа к кредитным продуктам.

Введение

Экономическая рецессия, определяемая как снижение валового внутреннего продукта (ВВП) в течение двух последовательных кварталов, является одним из наиболее дестабилизирующих факторов для финансовой системы. В такие периоды предприятия сокращают расходы, замораживают заработные платы, увольняют персонал, а потребители сталкиваются с падением доходов и ростом неопределенности. Все это напрямую влияет на способность заемщиков своевременно и в полном объеме выполнять свои долговые обязательства, что многократно увеличивает кредитный риск для банков. Актуальность исследования оценки кредитоспособности в этих условиях не просто высока, она критически важна для поддержания устойчивости банковского сектора и всей экономики, ведь от неё зависит стабильность финансовой системы в целом и каждого отдельного заёмщика в частности.

Целью данной курсовой работы является проведение глубокого исследования и анализ современных методик, технологий и регуляторных требований к оценке кредитоспособности заемщика в условиях экономической рецессии, а также сравнение российского и зарубежного опыта.

Для достижения поставленной цели необходимо решить следующие задачи:

  • Рассмотреть теоретические основы и традиционные подходы к оценке кредитоспособности.
  • Проанализировать эволюцию и особенности оценки кредитоспособности в российском банковском секторе в условиях рецессии.
  • Изучить регуляторное влияние и стандарты в оценке кредитного риска.
  • Исследовать инновационные технологии, такие как искусственный интеллект, машинное обучение и Big Data, в контексте кредитного скоринга.
  • Определить особенности оценки и стратегии риск-менеджмента для различных категорий заемщиков в условиях рецессии.
  • Предложить перспективы совершенствования методик оценки кредитоспособности с учетом зарубежного опыта и внедрения инновационных технологий.

Структура исследования включает введение, теоретические основы, анализ российской практики, обзор регуляторных требований, исследование инновационных технологий, дифференциацию подходов к заемщикам, перспективы совершенствования и заключительные выводы.

Ключевые термины, используемые в работе, имеют следующее значение:

  • Кредитоспособность – это способность заемщика полностью и в срок рассчитаться по своим долговым обязательствам (основному долгу и процентам). В отличие от платежеспособности, которая отражает текущее финансовое положение, кредитоспособность является прогностической характеристикой, оценивающей будущую способность к погашению долга.
  • Рецессия – фаза экономического цикла, характеризующаяся снижением темпов экономического роста или абсолютным падением ВВП в течение двух и более кварталов подряд. Эмпирическим критерием глобального кризиса (экономической рецессии) служит сокращение стоимости активов (или ВВП) не менее чем на 5% за год.
  • Кредитный риск – вероятность того, что заемщик не выполнит свои обязательства по кредитному договору, что приведет к финансовым потерям для кредитора.
  • Скоринг – математический метод оценки кредитоспособности физических лиц, основанный на статистическом анализе большого объема данных для присвоения заемщику баллов, определяющих его благонадежность.
  • Андеррайтинг – процесс оценки кредитного риска заемщика (как правило, юридического лица), включающий всесторонний анализ финансового состояния, бизнес-модели, отрасли, менеджмента и других качественных и количественных факторов для принятия решения о выдаче кредита.
  • Финансовая устойчивость – способность предприятия функционировать и развиваться, сохраняя равновесие своих активов и пассивов в изменяющейся внутренней и внешней среде, обеспечивая свою платежеспособность и инвестиционную привлекательность в долгосрочной перспективе.

Теоретические основы и традиционные подходы к оценке кредитоспособности

Понятие кредитоспособности лежит в основе всей банковской деятельности, связанной с кредитованием. Это не просто оценка текущего финансового положения, а прогноз будущей способности заемщика выполнять свои обязательства, и важно понимать, что она отличается от платежеспособности, так как последняя является констатацией факта наличия средств для погашения долга на конкретный момент времени, тогда как кредитоспособность – это динамическая характеристика, ориентированная на перспективу. Кредитоспособность предприятия — это ключевой индикатор его финансового здоровья и устойчивости, влияющий на способность своевременно и полностью погашать краткосрочные долги. Цели оценки кредитоспособности включают минимизацию кредитного риска и определение способности заемщика погашать кредит на основе его текущего и прогнозируемого финансового состояния.

Традиционные методы оценки кредитоспособности основываются на анализе финансовой отчетности и качественных характеристик заемщика. Часто эти критерии обобщаются в так называемые «пять C кредита» (или «5 C’s of Credit»), которые охватывают фундаментальные аспекты оценки:

  • Character (Характер клиента): Репутация заемщика, его деловая этика, история выполнения обязательств, готовность к сотрудничеству.
  • Capacity (Способность заимствовать средства и зарабатывать): Способность генерировать достаточные денежные потоки для обслуживания долга. Оценка финансовых возможностей заемщика.
  • Capital (Капитал): Собственные средства заемщика, его финансовая база, которая служит буфером для покрытия потерь.
  • Collateral (Обеспечение кредита): Активы, которые могут быть предоставлены в залог для уменьшения риска кредитора.
  • Conditions (Условия кредитной операции и макроэкономические условия): Цель кредита, срок, сумма, а также общая экономическая ситуация и отраслевые тренды, в которых действует заемщик. Дополнительно может включаться «Control» – законодательная и регуляторная основа, влияющая на деятельность заемщика.

Метод финансовых коэффициентов

Этот подход является одним из краеугольных камней традиционного кредитного анализа. Он предполагает расчет и интерпретацию ряда финансовых показателей, позволяющих оценить различные аспекты деятельности заемщика. Банки самостоятельно устанавливают пороговые значения и веса этих коэффициентов, а их анализ позволяет оценить ликвидность, финансовый леверидж, оборачиваемость капитала, чистую прибыль компании и способность обеспечивать долг.

Наиболее часто используемые финансовые коэффициенты:

  1. Коэффициенты ликвидности:
    • Коэффициент текущей ликвидности (Current Ratio): Отношение текущих активов к текущим обязательствам. Формула: Текущие активы / Текущие обязательства. Показывает, насколько легко компания может покрыть свои краткосрочные обязательства за счет краткосрочных активов.
    • Коэффициент срочной ликвидности (Quick Ratio / Acid-Test Ratio): Отношение высоколиквидных активов (текущие активы минус запасы) к текущим обязательствам. Формула: (Текущие активы - Запасы) / Текущие обязательства. Этот показатель более консервативен, так как исключает наименее ликвидную часть текущих активов – запасы.
  2. Коэффициенты финансовой устойчивости (левериджа):
    • Коэффициент автономии (Debt-to-Equity Ratio): Отношение собственного капитала к сумме всех обязательств. Формула: Собственный капитал / Общие обязательства. Показывает долю собственных средств в общей структуре капитала.
    • Коэффициент отношения долга к собственному капиталу (Debt-to-Equity Ratio): Отношение заемного капитала к собственному. Формула: Заемный капитал / Собственный капитал. Отражает зависимость компании от заемных средств.
  3. Коэффициенты рентабельности:
    • Рентабельность продаж (Profit Margin): Отношение чистой прибыли к выручке. Формула: Чистая прибыль / Выручка. Показывает, сколько прибыли приносит каждый рубль продаж.
    • Общая рентабельность (Return on Assets, ROA): Отношение чистой прибыли к общим активам. Формула: Чистая прибыль / Средняя стоимость активов. Отражает эффективность использования всех активов компании для получения прибыли.
  4. Коэффициенты оборачиваемости:
    • Оборачиваемость активов (Asset Turnover): Отношение выручки к средней стоимости активов. Формула: Выручка / Средняя стоимость активов. Показывает, насколько эффективно компания использует свои активы для генерации продаж.
    • Оборачиваемость дебиторской задолженности (Accounts Receivable Turnover): Отношение выручки к средней дебиторской задолженности. Формула: Выручка / Средняя дебиторская задолженность. Отражает скорость инкассации дебиторской задолженности.

Анализ денежных потоков

Метод анализа денежных потоков позволяет оценить реальную способность заемщика генерировать средства для погашения долга, поскольку прибыль не всегда означает наличие наличности. Анализ операционного, инвестиционного и финансового денежных потоков становится индикатором способности погашать долг.

  • Операционный денежный поток: Средства, генерируемые основной деятельностью компании. Это наиболее важный показатель для оценки кредитоспособности, так как он демонстрирует самодостаточность бизнеса в погашении текущих обязательств.
  • Инвестиционный денежный поток: Движение средств, связанное с приобретением или продажей долгосрочных активов. Может указывать на рост или сокращение инвестиционной активности, что важно для долгосрочного прогнозирования.
  • Финансовый денежный поток: Средства, связанные с привлечением или погашением заемного капитала и выплатами дивидендов. Показывает, насколько компания зависима от внешнего финансирования.

Модели прогнозирования банкротства

Наряду с коэффициентами, существуют интегральные модели, которые пытаются предсказать вероятность дефолта или банкротства. Среди них наиболее известной является Z-счет Альтмана.

Z-счет Альтмана: Разработанная Эдвардом Альтманом в 1968 году, эта модель использует мультипликативный дискриминантный анализ для оценки вероятности банкротства компании. Формула для публичных компаний (первоначальная версия):

Z = 1,2 · X1 + 1,4 · X2 + 3,3 · X3 + 0,6 · X4 + 1,0 · X5

Где:

  • X1 = (Оборотный капитал) / (Итог активов) – мера ликвидности.
  • X2 = (Нераспределенная прибыль) / (Итог активов) – мера накопленной рентабельности.
  • X3 = (Прибыль до уплаты налогов и процентов) / (Итог активов) – мера операционной эффективности.
  • X4 = (Рыночная стоимость собственного капитала) / (Балансовая стоимость обязательств) – мера рыночной оценки финансового рычага.
  • X5 = (Выручка) / (Итог активов) – мера оборачиваемости активов.

Интерпретация Z-счета:

  • Z > 2.99: компания находится в «зеленой зоне», вероятность банкротства низка.
  • 1.81 < Z < 2.99: «серая зона», вероятность банкротства существует, но неопределенна.
  • Z < 1.81: «красная зона», высокая вероятность банкротства.

Для непубличных компаний и компаний развивающихся рынков существуют модифицированные версии Z-счета, например, четырехфакторная или пятифакторная модели с использованием балансовой стоимости капитала вместо рыночной. Однако в условиях рецессии, когда финансовые показатели резко ухудшаются, а рыночная капитализация падает, применимость этих моделей может быть ограничена, поскольку они основаны на исторических данных и могут не успевать адаптироваться к стремительно меняющимся условиям. Именно поэтому так важно дополнять их качественными оценками и актуальными данными.

Эволюция и особенности оценки кредитоспособности в российском банковском секторе в условиях рецессии

Российский банковский сектор, развивающийся в условиях высокой волатильности и частых экономических шоков, выработал свои особенности в оценке кредитоспособности. Однако на протяжении многих лет эти методики сталкивались с рядом системных проблем и «слепых зон», которые особенно остро проявляются в периоды рецессии.

Традиционно в российской практике анализа кредитоспособности мало внимания уделяется качественным характеристикам заемщика, что является существенным пробелом. Методики в основном основаны на анализе финансовой отчетности, которая сама по себе часто страдает от искажений. Российские рейтинговые методики могут не учитывать специфику, такую как массовое искажение финансовой отчетности, низкий уровень кредитной культуры и закрытый характер деятельности компаний, что негативно сказывается на статистических данных.

Качественные факторы, которые часто недооцениваются:

  • Деловая репутация: История компании на рынке, отзывы партнеров и клиентов.
  • Качество менеджмента: Опыт, квалификация, стабильность управленческой команды.
  • Юридический статус: Наличие судебных споров, обременений, аффилированных лиц.
  • Отраслевой риск: Чувствительность отрасли к макроэкономическим шокам, конкурентная среда.
  • Зависимость от ключевых контрагентов: Сильная зависимость от крупных покупателей или поставщиков может создавать дополнительные риски.

Например, передовые банки, такие как ВТБ, уже включают в свои методики такие показатели, как срок деятельности контрагента на рынке, региональный и отраслевой риски, зависимость от крупных покупателей/поставщиков, а также наличие и качество кредитной истории. Это свидетельствует о постепенном признании важности качественного анализа.

Российские банки при оценке платежеспособности юридических лиц по-прежнему активно используют метод коэффициентов, позволяющий оценить ликвидность, финансовый леверидж, оборачиваемость капитала, чистую прибыль компании и способность обеспечивать долг. Для крупных и средних предприятий анализ базируется на данных баланса, отчета о прибылях и убытках, кредитной заявке, информации об истории клиента и его менеджерах.

Скоринговые модели для физических лиц: принципы работы, преимущества и недостатки

Для физических лиц ситуация иная: здесь преобладают скоринговые модели — математические методы оценки благонадежности, часто применяемые при быстром кредитовании и выдаче кредитных карт. Оценка кредитоспособности физического лица включает: скоринговую оценку, изучение кредитной истории и оценку по финансовым показателям платежеспособности. Скоринговый метод оценки кредитоспособности заемщиков является наиболее популярной и часто используемой формой в практике отечественных коммерческих банков. Развитие скоринга в России было обусловлено ростом предложения массовых типовых кредитных продуктов и появлением бюро кредитных историй, что обеспечило дополнительный источник информации для анализа данных. Скоринговые системы служат для выбора кредитоспособных клиентов и минимизации влияния человеческого фактора на принятие решения о предоставлении кредита.

Андеррайтинг для корпоративных клиентов: особенности применения и причины отказа от массового скоринга в кризис

В последние годы российские банки больше ориентируются на андеррайтинговый принцип анализа, а не на скоринговую систему оценки для корпоративных клиентов. Это связано с тем, что скоринговая методика показала наибольшее число просроченных кредитов во время кризиса. Корпоративное кредитование требует более глубокого, индивидуального подхода, учитывающего специфику бизнеса, отрасли и макроэкономического окружения. В условиях высокой неопределенности, характерной для рецессии, стандартные скоринговые модели, основанные на исторических данных, могут быть недостаточно чувствительны к новым рискам.

Влияние кризисных явлений на российскую практику

Мировой финансовый кризис 2008 года стал переломным моментом, обнажив несовершенство методик оценки кредитоспособности заемщиков. Он выявил кризис доверия и кредитоспособности, что привело к резкому сокращению доступа к кредитам для реального сектора. После кризиса были ужесточены требования к заемщикам, включая увеличение первоначальных взносов по ипотеке (часто до 20% и выше) и более глубокий анализ доходов и финансовых обязательств. Анализ только прошлых событий оказался недостаточным для полноценной оценки рисков, поскольку кризисы часто характеризуются одновременными изменениями множества факторов. Каков же важный нюанс здесь упускается? Исторические данные, сколь бы обширными они ни были, не способны полностью предсказать пове��енческие изменения в условиях беспрецедентных шоков.

В условиях кризисов традиционные скоринговые модели могут демонстрировать снижение точности. Например, в 2025 году прогнозируется рост доли просроченной задолженности малого и среднего бизнеса (МСБ) с 4,4% до 5%. В период пандемии COVID-19 наблюдалась так называемая «зомбификация» кредитов. Это явление, когда банки рефинансировали займы наименее качественным заемщикам, чтобы избежать дефолта, искусственно поддерживая на плаву нежизнеспособные компании. Такая практика могла искажать реальное качество кредитных портфелей, откладывая неизбежные проблемы, но не решая их.

В современной банковской практике отсутствует единая стандартизированная методика оценки кредитоспособности, и каждый банк самостоятельно разрабатывает свои индивидуальные программы анализа заемщиков. Это отражает как стремление к конкурентному преимуществу, так и необходимость адаптировать методики к уникальным условиям и риск-аппетиту каждого финансового учреждения.

Регуляторное влияние и стандарты в оценке кредитного риска в условиях рецессии

Регулирование банковского сектора играет ключевую роль в формировании подходов к оценке кредитного риска, особенно в периоды экономической нестабильности. Центральный банк Российской Федерации (ЦБ РФ) и международные стандарты, такие как Базельские соглашения, устанавливают рамки, внутри которых банки строят свои системы риск-менеджмента.

Регуляторные требования ЦБ РФ: В России основными документами, регулирующими оценку кредитного риска и формирование резервов, являются Положение Банка России № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности» и № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности». Эти положения устанавливают строгие требования к классификации ссуд по категориям качества и формированию соответствующих резервов, что напрямую влияет на финансовое положение банков и их способность к кредитованию.

Международные стандарты: Базельский комитет по банковскому надзору разработал ряд соглашений (Базель I, II, III), направленных на повышение стабильности и устойчивости мировой банковской системы. Базель I сфокусировался на минимальных требованиях к капиталу. Базель II углубил подход, предложив три опоры: минимальные требования к капиталу (с учетом различных видов рисков), надзорный процесс и рыночную дисциплину. Базель III, принятый после мирового финансового кризиса 2008 года, еще больше ужесточил требования к достаточности капитала, ввел новые буферы капитала (консервации и контрциклический), а также нормативы ликвидности (коэффициент покрытия ликвидности LCR и коэффициент чистого стабильного фондирования NSFR). Российские банки активно адаптируют эти стандарты, что требует постоянной доработки внутренних методик оценки рисков.

Новая методика оценки экономического положения (ОЭП) Банка России

Банк России предлагает скорректировать методику оценки экономического положения (ОЭП) банков, которая является важным надзорным инструментом для классификации банков по уровню риска для вкладчиков и кредиторов. Действующая методика ОЭП была разработана в 2008 году и, как отмечается, утратила необходимую риск-чувствительность из-за эволюции банковского бизнеса. В частности, большинство кредитных организаций попадают в одну классификационную группу со «средним риском», несмотря на существенные различия в их реальных риск-профилях, что затрудняет эффективный надзор. Текущая ОЭП в основном отражает уже накопленные проблемы и не обладает достаточной прогностической способностью, что особенно опасно в преддверии или в разгар рецессии.

Новая методика ОЭП должна быть понятна банкам, и Банк России планирует раскрывать все алгоритмы в нормативном акте и публиковать разъяснения. ЦБ РФ также планирует пересмотреть критерии финансового положения банков для уплаты повышенной ставки страховых взносов с учетом новой ОЭП, а также подготовит изменения в законодательство, которые вступят в силу в 2027-2028 годах. Действующие критерии для уплаты повышенных страховых взносов связаны с финансовым положением банка, определяемым нормативным актом Банка России. Однако в настоящее время большинство банков уплачивают базовые страховые взносы, а повышенные ставки применяются только при серьезных нарушениях или ограничительных мерах. ЦБ РФ планирует установить дифференцированные ставки взносов в Фонд обязательного страхования вкладов (ФОСВ) с учетом новой ОЭП. С 2025 года для специальных долгосрочных вкладов лимит страхового возмещения может достигать 2,8 млн рублей, по сравнению с общим лимитом в 1,4 млн рублей, что увеличивает ответственность банков и требует более точной оценки рисков.

Влияние макроэкономических факторов: Снижение прогнозов экономического роста является предвестником роста вероятности дефолта и ожидаемых кредитных потерь (ECL), включая падение стоимости залогов. Макроэкономические факторы, такие как инфляция, темпы роста ВВП и ключевая ставка Банка России, значительно влияют на кредитный риск. Высокая инфляция, в сочетании с нестабильными показателями доходов, может усугубить влияние долговой нагрузки на экономический рост. Рецессия, определяемая как снижение ВВП в течение двух последовательных кварталов, приводит к экономии компаний, замораживанию зарплат, сокращению персонала и проблемам со сбытом, что повышает вероятность дефолтов. Опережающие индикаторы системных кредитных рисков в России уже сигнализируют о возможном ухудшении качества кредитного портфелей банков.

Ограничения моделей ожидаемых кредитных убытков (ECL) по МСФО 9 в кризисных условиях

Переход на модель ожидаемых кредитных убытков (ECL) по МСФО 9 (Международный стандарт финансовой отчетности 9 «Финансовые инструменты») был обусловлен тем, что во время финансового кризиса 2008 года признание кредитных убытков было «слишком малым и слишком поздним». МСФО 9 требует от банков прогнозировать будущие кредитные убытки, а не только признавать уже понесенные. Однако в кризисных условиях эффективность моделей ECL может быть ограничена высокой неопределенностью и сложностью точного прогнозирования будущих экономических условий. Что же из этого следует? Банкам требуется постоянная адаптация и совершенствование моделей, чтобы они могли корректно отражать реальное положение дел.

Например, во время пандемии COVID-19 модели сталкивались с трудностями в адаптации к быстрым изменениям, что приводило к менее точному расчету резервов. Это связано с тем, что стандартные модели ECL часто опираются на исторические данные и линейные зависимости, которые могут не работать в условиях беспрецедентных шоков. Некоторые регуляторные послабления, позволяющие банкам использовать оценки активов или кредитных рейтингов, действовавшие до кризиса, также могли создавать расхождения между отчетными данными и фактическим финансовым состоянием банков. Это подчеркивает необходимость постоянного совершенствования и адаптации моделей ECL, а также использования более продвинутых аналитических инструментов в периоды нестабильности.

Инновационные технологии в оценке кредитоспособности и управлении рисками

Эпоха цифровизации кардинально меняет ландшафт финансовой индустрии, и оценка кредитоспособности не является исключением. Внедрение новых технологий в деятельность банков жизненно важно для устойчивой работы, особенно в условиях сложной экономической ситуации. Искусственный интеллект, машинное обучение и Big Data становятся не просто инструментами, а движущими силами трансформации риск-менеджмента.

Искусственный интеллект (ИИ) и машинное обучение (ML) в кредитном скоринге

Искусственный интеллект позволяет банкам более эффективно управлять кредитными рисками и улучшать прогнозирование дефолтов. Одним из ярких примеров является разработка Национальным бюро кредитных историй (НБКИ) PD-скоринга.

Прогнозирование вероятности дефолта (PD-скоринг): НБКИ применило искусственный интеллект для создания PD-скоринга — оценки вероятности невыплаты кредита (дефолта), предсказывающего просрочки более 90 дней, на основе последовательностей событий кредитных историй (заявки, выдачи, платежи) с помощью нейронной сети. Новая система НБКИ, основанная на ИИ, призвана снизить дефолтность розничных кредитов в 1,6 раза. Она позволяет повысить точность прогнозирования вероятности дефолта на 15-20% и уменьшить долю просроченной задолженности в кредитном портфеле более чем в полтора раза, например, со среднего показателя 3,5% до 2,2%. PD-модель более точно прогнозирует событие дефолта на горизонте один год по сравнению с альтернативными метриками, такими как метка качества кредита и кредитный спред по процентной ставке. Это достигается за счет выявления статистически значимых связей между финансовыми коэффициентами и последующими дефолтами. Несмотря на высокую точность сложных методов машинного обучения, таких как градиентный бустинг и нейронные сети, банки часто отдают предпочтение линейным классификаторам (например, логистической регрессии) из-за их прозрачности и интерпретируемости, хотя интерес к более сложным моделям растет.

Применение ИИ для обнаружения мошеннических действий и оптимизации бизнес-процессов: ИИ применяется в банках для прогнозирования вероятности дефолта заемщика, оптимизации рекламных стратегий, гиперперсонализированного обслуживания, распознавания документов, обслуживания клиентов через чат-ботов/голосовых помощников, алгоритмической торговли, систем фрод-мониторинга и информационной безопасности. Банк ВТБ, например, активно развивает технологии искусственного интеллекта, внедрив их в более чем 300 процессов, а доходы от применения моделей ИИ в 5.1 раза превышают затраты. ИИ будет использоваться для обнаружения и предотвращения мошеннических действий в кредитовании путем анализа поведения клиентов и выявления аномальных паттернов.

Инвестиции в ИИ в российском финансовом секторе: Банки увеличивают расходы на генеративный искусственный интеллект (GenAI) для улучшения качества обслуживания клиентов и повышения эффективности. В 2024 году финансовые организации в России инвестировали рекордные 56,8 млрд рублей в искусственный интеллект, что делает финтех лидером по затратам на ИИ в стране. По оценкам, крупные российские банки ежегодно инвестируют около $1 млрд в развитие ИИ, при этом прибыль от этих вложений достигает $3 млрд в год. Исследование «Рексофт» показало, что 48% финансовых организаций в России уже внедряют ИИ-решения, а потенциальный базовый экономический эффект для отрасли составляет 385 млрд рублей. При переходе к стратегии «AI-first», эта цифра может вырасти до 1,9 триллиона рублей для российских банков в течение 2-5 лет. К 2030 году коммерческие ИИ-проекты могут принести банкам в общей сложности $300 млрд дополнительной капитализации. Аналитики ЦБ РФ отмечают рост ожиданий использования машинного обучения в сфере управления кредитными рисками, предполагая автоматизацию большинства работы андеррайтеров.

Big Data в оценке кредитоспособности

Big Data характеризуется большими объемами, разнообразием, достоверностью, ценностью и быстрорастущим характером данных. Эта технология открывает новые горизонты для кредитного скоринга, позволяя анализировать гораздо более широкий спектр информации, чем традиционные финансовые показатели.

Использование альтернативных источников данных: В кредитном скоринге, помимо традиционных данных (финансовая отчетность, кредитная история), используются альтернативные источники, такие как:

  • Данные мобильных операторов (траты на связь, роуминг, геолокация).
  • Активность в различных онлайн-сервисах (такси, доставка, маркетплейсы).
  • Анализ SMS-сообщений для выявления контактов с коллекторскими агентствами или нежелательными контрагентами.
  • Данные из социальных сетей и истории интернет-покупок.

Технологии Big Data позволяют формулировать персонализированные предложения для клиента, автоматизировать и ускорять процессы скоринга, а также интегрировать новые источники информации, обеспечивая более полное представление о финансовом поведении заемщика.

Нейрокогнитивные факторы в кредитном анализе

В условиях возрастающей конкуренции и сложности рынков, банки ищут новые способы повышения точности оценки рисков. Учет нейрокогнитивных факторов (когнитивные особенности, эмоции, ментальные ловушки) в процессе оценки кредитоспособности может предоставить банкам дополнительные инструменты для выявления потенциальных рисков и более точной сегментации клиентов. Использование нейрокогнитивных факторов способствует развитию более индивидуализированного подхода к заемщикам. Например, анализ поведенческих паттернов в онлайн-активности или реакций на определенные стимулы может помочь выявить склонность к рискованному поведению или, наоборот, к финансовой дисциплине.

Роль Auto ML в оптимизации моделей оценки дефолта в кризис

В условиях кризиса, вызванного пандемией COVID-19, подходы, основанные на алгоритмах машинного обучения и концепции Auto ML (автоматизированное машинное обучение), вышли на первый план для оптимизации моделей оценки вероятности дефолта. Auto ML позволяет автоматизировать многие этапы построения моделей (выбор алгоритма, настройка гиперпараметров, создание новых признаков), что значительно ускоряет процесс и повышает их адаптивность к быстро меняющимся макроэкономическим условиям.

Во время пандемии COVID-19 математические модели, включая модификации SEIR (Susceptible-Exposed-Infectious-Recovered), использовались для прогнозирования распространения заболевания и калибровались на основе реальных данных. Методы машинного обучения, такие как CatBoost, показали преимущество перед линейной регрессией в точности прогнозирования инфляции в кризисных условиях, особенно для густонаселенных регионов. Создание новых признаков на основе существующих данных (feature engineering) в ML-алгоритмах позволяет выявлять больше закономерностей и повышать точность прогнозирования, что критически важно для оперативной оценки кредитного риска в периоды нестабильности. Современные скоринговые системы, основанные на машинном обучении (ML), являются мощными инструментами анализа рисков, способными определять кредитоспособность клиентов и выявлять угрозы для бизнеса на ранних стадиях. ML позволяет анализировать больше факторов, включая поведение клиента, макроэкономические условия и другие непрямые признаки, выходя за рамки стандартных моделей.

Особенности оценки и стратегии риск-менеджмента для различных категорий заемщиков в условиях рецессии

Подходы к оценке кредитоспособности существенно различаются в зависимости от категории заемщика. Критерии, которые учитывают банки, зависят от того, кто является потенциальным заемщиком — физическое или юридическое лицо, а также от масштаба бизнеса.

Дифференциация подходов:

  • Крупный бизнес: Оценка кредитоспособности крупных корпораций требует комплексного андеррайтинга, включающего глубокий анализ финансовой отчетности, бизнес-планов, отраслевых рисков, корпоративного управления, структуры собственности, кредитной истории и макроэкономического окружения. Важен также анализ проектного финансирования, слияний и поглощений, а также структуры обеспечения.
  • Малый и средний бизнес (МСБ): Для МСБ, особенно в условиях рецессии, характерны повышенные риски из-за меньшей финансовой подушки, высокой зависимости от локального рынка и ограниченного доступа к капиталу. Оценка фокусируется на денежных потоках, финансовой отчетности (часто упрощенной), бизнес-модели, опыте менеджмента и кредитной истории учредителей. Скоринговые модели могут применяться, но обычно дополняются ручным андеррайтингом.
  • Физические лица: Здесь доминируют автоматизированные скоринговые системы, оценивающие кредитную историю, уровень дохода, долговую нагрузку, социально-демографические данные. В условиях рецессии ключевое значение приобретают стабильность занятости, диверсификация источников дохода и наличие финансовых резервов.

Влияние макроэкономических индикаторов: Макроэкономические индикаторы, такие как уровень занятости, доходы населения, инфляция, темпы роста ВВП и ключевая ставка Банка России, учитываются для контекста кредитных рисков и существенно влияют на все категории заемщиков. Высокая инфляция, в сочетании с нестабильными показателями доходов, может усугублять негативное влияние высокой долговой нагрузки на экономический рост. Снижение прогнозов экономического роста является предвестником роста вероятности дефолта по многим заемщикам. Опережающие индикаторы системных кредитных рисков в России уже сигнализируют о возможном ухудшении качества кредитного портфелей банков. Например, падение потребительского спроса сильнее ударит по малому бизнесу, а снижение цен на сырье — по крупным экспортерам.

Стратегии риск-менеджмента и инструменты поддержки заемщиков в условиях кризиса

В условиях кризисов, рецессий, девальваций и сокращения доходов для поддержки заемщиков предусматривается разработка совокупности инструментов по облегчению их финансового бремени. Эти меры направлены на предотвращение массовых дефолтов и поддержание стабильности финансовой системы.

Обзор антикризисных мер:

  • Рефинансирование: Пересмотр условий существующих кредитов с целью снижения процентной ставки или увеличения срока погашения, что уменьшает ежемесячную долговую нагрузку.
  • Снижение процентной ставки: Прямое уменьшение стоимости обслуживания долга.
  • Сокращение ежемесячных платежей: Может достигаться за счет удлинения срока кредита или временного снижения основного долга.
  • Кредитные каникулы: Временное освобождение заемщика от уплаты основного долга и/или процентов на определенный период.
  • Реструктуризация займов: Более глубокий пересмотр условий кредита, включая изменение графика платежей, суммы долга, процентной ставки.
  • Дополнительная выдача реабилитационных кредитов: Предоставление нового финансирования для поддержания деятельности заемщика, испытывающего временные трудности.

Примеры поддержки в период COVID-19: В период пандемии COVID-19 (2020-2021 гг.) Банк России рекомендовал реструктурировать кредиты для физических лиц и субъектов МСП, столкнувшихся с финансовыми трудностями. Было реструктурировано более 2,2 млн кредитных договоров физических лиц на сумму 1047,9 млрд рублей и 110,1 тыс. договоров МСП на сумму 1045,8 млрд рублей. Меры включали кредитные каникулы (до 6 месяцев) для граждан с доходом, упавшим более чем на 30%. Для МСБ действовали льготные кредитные программы с субсидированными процентными ставками (например, 8,5% годовых для заемщика, 4% для банка от ЦБ) и требованиями по сохранению занятости. Также предоставлялись ипотечные каникулы (до 6 месяцев) при условии, что сумма кредита не превышала 15 млн рублей, а жилье было единственным для заемщика.

Оценка эффективности и долгосрочные последствия: Эти меры, безусловно, помогли смягчить непосредственный удар кризиса, предотвратив волну дефолтов и банкротств. Однако, несмотря на эти меры, некоторые заемщики, воспользовавшиеся каникулами, столкнулись с трудностями при возобновлении платежей. Это указывает на то, что такие меры могут лишь отсрочить проблемы, а не решить их фундаментально. Долгосрочные последствия могут включать «зомбификацию» кредитов, когда нежизнеспособные заемщики искусственно поддерживаются на плаву, что может искажать реальное качество активов банков и создавать отложенные риски. Кроме того, массовая реструктуризация может привести к снижению доходности кредитных портфелей для банков.

Перспективы совершенствования методик оценки кредитоспособности и зарубежный опыт

Внедрение новых технологий в деятельность банков жизненно важно для устойчивой работы, особенно в условиях сложной экономической ситуации. Анализируя зарубежный опыт, можно выделить ключевые направления для совершенствования российских методик.

Сравнительный анализ отечественного и зарубежного опыта

Для зарубежных стран характерны сложные и дифференцированные по клиентам и банкам методики оценки кредитоспособности. В целом, инструменты для оценки кредитоспособности корпоративного клиента в России и за рубежом используются аналогичные, но зарубежные методики более сложные и дифференцированные. Зарубежные модели прогнозирования банкротства и оценки кредитного риска не всегда соответствуют условиям развития экономики России из-за различий в правовой системе, структуре экономики и уровне развития финансовых рынков.

Среди методик оценки, применяемых зарубежными банками, наиболее известной является система CAMEL(S), базирующаяся на рейтинговой системе и оценивающая шесть ключевых компонентов финансового состояния банка:

  • Capital adequacy (Достаточность капитала)
  • Asset quality (Качество активов)
  • Management capability (Качество управления)
  • Earnings (Доходность)
  • Liquidity (Ликвидность)
  • Sensitivity to market risk (Чувствительность к рыночному риску)

Эта система была разработана в США в 1978 году и используется для оценки общего финансового состояния банка. Показатель «S» был добавлен в 1995 году для оценки влияния рыночных рисков, в частности процентных ставок, на прибыльность и капитал банка. Рейтинги по каждому из шести компонентов выставляются по шкале от 1 (лучший) до 5 (худший), что позволяет сформировать комплексное представление о надежности банка.

Роль финтех-компаний и технологических гигантов

Развитие финтеха в России имеет свои особенности. В России финтех развивается за счет ведущих банков («Сбербанк России», «Т-Банк», «Альфа-банк»), которые инвестируют в создание собственных экосистем и инновационных решений. Это отличается от Запада, где движущей силой финтеха часто выступают стартапы, предлагающие нишевые и прорывные продукты.

Конкурентное преимущество технологических компаний с Big Data: Современные технологии позволяют анализировать широкий спектр альтернативных данных, включая информацию из социальных сетей, онлайн-платежей и мобильных приложений, для более полного представления о финансовом поведении заемщика и его кредитоспособности. Крупные технологические компании и операторы связи, вышедшие на рынок финансовых услуг, могут получить конкурентное преимущество в кредитовании с применением Big Data, монетизируя накопленные массивы данных о потребителях.

В России ряд крупных технологических компаний и мобильных операторов активно участвуют в секторе финансовых услуг. Например, «Билайн» предоставляет банкам и МФО услуги «Скоринг и Верификация», используя обширные данные абонентов (траты на связь, роуминг, геолокация, активность в различных онлайн-сервисах, анализ SMS-сообщений). «Т-Банк» и «Сбербанк» имеют собственные мобильные операторы, интегрируя телекоммуникационные и финансовые услуги. Эти компании используют свои обширные массивы данных о поведении потребителей для персонализации финансовых продуктов и оптимизации кредитных решений.

Некоторые российские финтех-проекты используют ИИ для оценки риска заемщиков, признанных нежелательными традиционными методами (например, совместный проект Mail.ru Group и БКИ «Эквифакс», ныне «Скоринг Бюро» в России). Этот проект, разработанный в 2016 году, использует машинное обучение для выявления кредитоспособных заемщиков среди тех, кто был отклонен традиционными методами, и нацелен на десятикратную экономию на рисках для банков. Российский финтех-стартап FscoreLab запустил пилотный проект скоринга, основанный на анализе фотографии заемщика с помощью нейросети, обученной на 600 тысячах реальных случаев по выплате кредитов, что, хотя и имеет низкую точность (AUC 0,63), превосходит случайное предсказание.

Предложения по совершенствованию методик оценки кредитоспособности в РФ:

  1. Интеграция качественных факторов: Включение в методики оценки не только финансовых показателей, но и деловой репутации, качества менеджмента, юридического статуса и отраслевых рисков с использованием структурированных данных и экспертных оценок.
  2. Расширение использования альтернативных данных: Активное внедрение Big Data и ML для анализа данных из социальных сетей, онлайн-активности, мобильных операторов, геолокации и других нетрадиционных источников для формирования более полной картины о заемщике.
  3. Адаптация зарубежного опыта: Детальный анализ и адаптация элементов систем, таких как CAMEL(S), для оценки не только банков, но и корпоративных заемщиков, с учетом российской специфики.
  4. Развитие предиктивных моделей: Усиление работы над моделями вероятности дефолта (PD) с применением продвинутых алгоритмов машинного обучения и Auto ML, способных быстро адаптироваться к меняющимся макроэкономическим условиям и прогнозировать риски на ранних стадиях.
  5. Учет нейрокогнитивных факторов: Пилотные проекты по включению в скоринговые модели нейрокогнитивных аспектов для более глубокого понимания поведенческих паттернов заемщиков.
  6. Повышение прозрачности и стандартизации: Разработка Банком России и банковским сообществом более унифицированных подходов к оценке, особенно для малого и среднего бизнеса, с учетом специфики их отчетности.

Построение автоматизированной модели оценки надежности заемщика с помощью машинного обучения является актуальной задачей в связи с быстрым развитием информационных технологий и ростом конкуренции на рынке кредитных услуг. Основными преимуществами цифровых технологий в оценке кредитоспособности являются высокий потенциал применения и эффективность, недостатками — высокая сложность и стоимость разработки/внедрения. Однако долгосрочные выгоды от повышения точности, скорости и объективности оценки рисков значительно перевешивают первоначальные затраты.

Выводы

Проведенное исследование оценки кредитоспособности заемщика в условиях экономической рецессии выявило сложный и динамичный ландшафт, где традиционные подходы переплетаются с инновационными технологиями, а регуляторные требования постоянно адаптируются к новым вызовам.

Ключевые выводы исследования:

  1. Теоретические основы неизменны, но их применение меняется: Понятие кредитоспособности и базовые критерии (5 C’s) остаются фундаментальными, однако методы их оценки, будь то финансовые коэффициенты или модели прогнозирования банкротства (например, Z-счет Альтмана), требуют постоянной калибровки и осторожного применения в периоды рецессии, когда исторические данные могут быть искажены.
  2. Российская практика нуждается в углублении: Российский банковский сектор сталкивается с проблемами недооценки качественных характеристик заемщиков, влиянием искаженной финансовой отчетности и «зомбификацией» кредитов в кризисы. Отказ от массового скоринга для корпоративных клиентов в пользу андеррайтинга после кризисов подтверждает потребность в более тонком и индивидуальном подходе.
  3. Регуляторные изменения – двигатель прогресса: Пересмотр методики оценки экономического положения (ОЭП) Банка России и ужесточение требований к ECL по МСФО 9 демонстрируют стремление регулятора повысить риск-чувствительность надзора. Однако модели ECL в кризис могут сталкиваться с проблемами точности, что требует дальнейших доработок.
  4. Технологии – ключ к точности и адаптации: Искусственный интеллект, машинное обучение и Big Data радикально трансформируют процесс оценки. PD-скоринг НБКИ, применение ИИ в ВТБ и Сбербанке, а также использование альтернативных данных (мобильные операторы, соцсети) значительно повышают точность прогнозирования дефолтов и эффективность риск-менеджмента. Инвестиции в ИИ в российском финтехе достигают рекордных значений, что свидетельствует о признании его критической роли.
  5. Дифференцированный подход к заемщикам – основа стабильности: Различные категории заемщиков (крупный бизнес, МСБ, физические лица) требуют уникальных подходов к оценке и управлению рисками. Антикризисные меры, такие как кредитные каникулы и реструктуризация, хотя и помогают в краткосрочной перспективе, могут иметь долгосрочные последствия для качества кредитных портфелей.
  6. Зарубежный опыт и финтех-инновации – ориентиры для совершенствования: Изучение таких систем, как CAMEL(S), и анализ развития финтеха (особенно роли технологических гигантов с Big Data) предоставляют ценные уроки для российского банковского сектора, подчеркивая актуальность автоматизации и внедрения ML-моделей.

Практические рекомендации по улучшению систем оценки кредитоспособности:

  • Гибридные модели оценки: Разработка и внедрение гибридных моделей, сочетающих традиционный финансовый анализ с качественными экспертными оценками и данными, полученными с помощью ИИ и Big Data.
  • Динамическая калибровка моделей: Постоянная перекалибровка скоринговых и PD-моделей с учетом текущих макроэкономических показателей и изменения поведения заемщиков в условиях экономической нестабильности. Активное использование Auto ML для ускорения этого процесса.
  • Расширение источников данных: Интеграция альтернативных источников данных (мобильная активность, онлайн-поведение, социальные сети) в скоринговые системы для получения более полной и актуальной информации о заемщике.
  • Обучение и развитие персонала: Инвестиции в подготовку специалистов, способных работать с новыми технологиями (Data Scientists, ML-инженеры), а также андеррайтеров, способных интерпретировать результаты сложных моделей.
  • Сотрудничество с финтех-компаниями: Использование опыта и решений финтех-стартапов и технологических гигантов для внедрения передовых инструментов риск-менеджмента.
  • Проактивный риск-менеджмент: Разработка сценариев стресс-тестирования, учитывающих различные варианты развития рецессии, для своевременного формирования резервов и корректировки кредитной политики.

Перспективы дальнейших исследований:

  • Влияние геополитических факторов: Дальнейшее изучение влияния геополитической нестабильности на кредитоспособность заемщиков и разработка специфических риск-моделей.
  • Развитие моделей с нейрокогнитивными факторами: Углубленное исследование применения нейрокогнитивных факторов в кредитном анализе и их интеграции в существующие скоринговые системы.
  • Регулирование ИИ в финансах: Изучение вопросов этики, прозрачности и регулирования использования ИИ в кредитном скоринге, включая проблему «черного ящика» алгоритмов.
  • Влияние «зеленого» финансирования: Анализ того, как ESG-факторы и «зеленое» финансирование влияют на кредитоспособность компаний и методологии ее оценки.
  • Цифровой профиль гражданина: Исследование перспектив использования унифицированного цифрового профиля гражданина для упрощения и повышения точности оценки кредитоспособности в РФ.

В заключение, оценка кредитоспособности в условиях экономической рецессии – это постоянно развивающаяся область, требующая гибкости, инновационного мышления и готовности к изменениям. Внедрение передовых технологий, адаптация к новым регуляторным требованиям и учет специфики различных категорий заемщиков станут ключевыми факторами успеха для банков в обеспечении их устойчивости и финансовой стабильности в будущем.

Список использованной литературы

  1. Апевалова Е. Банкротства 2009-2011 гг.: динамика и тенденции. URL: http://www.vedi.ru/recl_r/2011/ecl110111_bankrot.pclf (дата обращения: 08.08.2015).
  2. Афанасьева О. Н. Скоринговая (рейтинговая) оценка финансового состояния заемщика // Банковское дело. 2014. № 3. С. 64-71.
  3. Бабич А.И. УДК 336, студент магистратуры 2 курс, Экономический факультет // Аллея науки. URL: https://alley-science.ru/domains_data/files/4April2019/UDK%20336.%20Babich%20A.I.,%20student%20magistratury%202%20kurs,%20Ekonomicheskiy%20fakultet.pdf
  4. Большие данные и машинное обучение / Big Data and Machine Learning. URL: https://itmo.ru/ru/viewpoints/73/bolshie_dannye_i_mashinnoe_obuchenie_big_data_and_machine_learning.htm
  5. Вишняков И.В. Методы и модели оценки кредитоспособности заемщиков: учеб. пособие. СПб., 1998.
  6. Войтоловский Н.В. Комплексный экономический анализ предприятия: Учебник. СПб.: Питер, 2010. 576 с.
  7. Ендовицкий Д.А., Бахтин К.В., Ковтун Д.В. Анализ кредитоспособности организации и группы компаний: учебно-практическое пособие. М.: Кнорус, 2012.
  8. Жукова Е.Ф. Деньги. Кредит. Банки. Ценные бумаги: практикум: учеб. пособие для вузов / под ред. Е.Ф. Жукова. М.: ЮНИТИ-ДАНА, 2011.
  9. ИИ «опрозрачил» кредитные истории россиян // ComNews. 2024. 1 марта. URL: https://www.comnews.ru/content/231362/2024-03-01/2024-w09/ii-oproazrachil-kreditnye-istorii-rossiyan
  10. Инновации в сфере кредитных рейтингов: новые подходы и технологии // kubcenter.ru. URL: https://kubcenter.ru/blog/innovatsii-v-sferakh-kreditnykh-reytingov-novye-podkhody-i-tekhnologii
  11. Искусственный интеллект в банках // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Искусственный_интеллект_в_банках
  12. Использование AI в банке — подходы, области применения, кейсы // VC.ru. URL: https://vc.ru/finance/200057-ispolzovanie-ai-v-banke-podhody-oblasti-primeneniya-keysy
  13. Казакова И. И. О методах оценки кредитоспособности заемщика // Деньги и кредит. 2007. № 6. С. 57-68.
  14. Как банки оценивают кредитоспособность своих клиентов // Элитариум. URL: https://www.elitarium.ru/banki-kreditosposobnost-ocenka-klientov/
  15. Как искусственный интеллект изменит банковский сектор // Forbes. URL: https://www.forbes.ru/expertise/finansy/490892-kak-iskusstvennyj-intellekt-izmenit-bankovskij-sektor
  16. Как искусственный интеллект меняет рынок финансовых услуг // Ведомости. 2024. 16 октября. URL: https://www.vedomosti.ru/finance/articles/2024/10/16/1063636-iskusstvennii-intellekt-menyaet-finansovih-uslug
  17. Ковшова М.В. Кредитное бюро и использование баз данных в управление кредитными рисками // Фундаментальные и прикладные исследования кооперативного сектора экономики: научно-теоретический журнал. 2008. № 12.
  18. Ковшова М.В. Развитие финансово-кредитных отношений в рамках интеграционных объединений постсоветского пространства // Фундаментальные и прикладные исследования кооперативного сектора экономики: научно-теоретический журнал. 2013. № 1.
  19. Кредитоспособность: понятие, методы оценки, отличия от платёжеспособности // Ренессанс Банк. URL: https://rencredit.ru/articles/kreditosposobnost/
  20. Курбат А. Российский банковский сектор. Скрытое ухудшение качества кредитных портфелей. URL: http://st.finam.ru/ipo/comments/_Russian%20Banking%20Sector-Shadowed%20decrease%20in%20quality__RUS.pdf (дата обращения: 09.08.2015).
  21. Лаврушин И. О. Банковское дело / под ред. О. И. Лаврушина. 3-е изд., перераб. и доп. М.: Кнорус, 2014.
  22. Ларина Л.Б. Информационные основы налогового консультирования // Лизинг. М., 2010. № 1.
  23. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? // Habr. URL: https://habr.com/ru/companies/data_light/articles/867622/
  24. МЕТОДЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ КОРПОРАТИВНЫХ КЛИЕНТОВ КОММЕРЧЕСКОГО БАНКА: РОССИЙСКИЙ И ЗАРУБЕЖНЫЙ ОПЫТ // Международный журнал прикладных и фундаментальных исследований. URL: https://applied-research.ru/ru/article/view?id=9898
  25. Методика оценки кредитоспособности заемщика в современных условиях // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metodika-otsenki-kreditosposobnosti-zaemschika-v-sovremennyh-usloviyah
  26. Методы оценки кредитоспособности заемщиков-физических лиц (на примере ПАО «Банк ВТБ 24») // Томский политехнический университет. URL: https://earchive.tpu.ru/bitstream/11683/32952/1/TPU2016-1606.pdf
  27. Морсман Э. Управление кредитным портфелем: пер. с англ. М.: Альпина Бизнес Букс, 2005. 208 с.
  28. Оптимизация моделей оценки вероятности дефолта в кризисных условиях // Neoflex. URL: https://neoflex.ru/resources/articles/optimizaciya-modelej-ocenki-veroyatnosti-defolta-v-krizisnyh-usloviyah/
  29. ОЦЕНКА КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА: ОТЕЧЕСТВЕННЫЙ И ЗАРУБЕЖНЫЙ ОПЫТ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-kreditosposobnosti-zaemschika-otechestvennyy-i-zarubezhnyy-opyt
  30. Оценка кредитоспособности заемщиков с помощью big data: проблемы и перспективы внедрения в России // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-kreditosposobnosti-zaemschikov-s-pomoschyu-big-data-problemy-i-perspektivy-vnedreniya-v-rossii
  31. Оценка кредитоспособности заёмщика при помощи методов машинного обучения // Санкт-Петербургский государственный университет телекоммуникаций. URL: https://ru-conf.domnit.ru/wp-content/uploads/2021/05/Янбеков-Р.Р..pdf
  32. Оценка кредитоспособности заёмщика с учётом нейрокогнитивных факторов // Уральский федеральный университет. URL: https://elar.urfu.ru/bitstream/10995/83431/1/978-5-7996-2636-6_2019_106.pdf
  33. ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ НОВЫХ ЦИФРОВЫХ ТЕХНОЛОГИЙ В СФЕРЕ УПРАВЛЕНИЯ КРЕДИТНЫМ РИСКОМ И ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/perspektivy-ispolzovaniya-novyh-tsifrovyh-tehnologiy-v-sfere-upravleniya-kreditnym-riskom-i-otsenki-kreditosposobnosti
  34. Поздеев В. Л., Винокурова Е.А. Система опережающих показателей розничного бизнеса коммерческого банка // Аудиторские ведомости. 2012. № 7. С. 53-60.
  35. Попков В.В, Берг Д.Б., Кузнецов Р.О. Эволюционное измерение стратегического банковского менеджмента. Екатеринбург: Уральский рабочий, 2002. 320 с.
  36. Предприятия-банкроты // Сайт аудиторской компании IT Audit. URL: http://www.law-soft.ru/BankruDtcy (дата обращения: 04.08.2015).
  37. Применение модели вероятности дефолта для оценки прогнозируемого кредитного риска // ДЕНЬГИ И КРЕДИТ (Банк России). URL: https://www.cbr.ru/Collection/Collection/File/33319/article_03_03.pdf
  38. Простая модель предсказания финансовых кризисов // Экономический журнал ВШЭ. 2014. URL: https://ej.hse.ru/data/2014/11/17/1101962386/14-3-3.pdf
  39. Рудой Н. Система оценки кредитоспособности для ИНТЕРПРОМБАНКА // Банковские технологии. 2013. № 4.
  40. Сагайдачная О. В. Экономическое регулирование аграрного сектора на основе совершенствования кредитных отношений // Экономические науки. Научно-информационный журнал. М.: 2008. № 5.
  41. Сравнительная характеристика методов оценки кредитоспособности заемщиков коммерческого банка – физических лиц // Владивостокский государственный университет. URL: https://vsu.ru/ru/science/publishing/documents/2019/2/2019-2-005.pdf
  42. Сравнительный анализ методик оценки кредитоспособности заемщиков: российский и зарубежный опыт // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-metodik-otsenki-kreditosposobnosti-zaemschikov-rossiyskiy-i-zarubezhnyy-opyt
  43. Синельникова Е. В. Оценка кредитоспособности индивидуальных предпринимателей коммерческими банками // Вестник Самарского государственного экономического университета. 2011. № 1. С. 77-81.
  44. Скоринг и верификация данных на основе Big Data: о чем нужно знать // beeline.ru/b2b/bigdata. URL: https://beeline.ru/b2b/bigdata/blog/skoring-i-verifikaciya-dannyh-na-osnove-big-data-o-chem-nuzhno-znat
  45. Совершенствование методики оценки кредитоспособности заемщиков // Российское предпринимательство. URL: https://cyberleninka.ru/article/n/sovershenstvovanie-metodiki-otsenki-kreditosposobnosti-zaemschikov
  46. Современные банковские технологии оценки кредитоспособности заемщика // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sovremennye-bankovskie-tehnologii-otsenki-kreditosposobnosti-zaemschika
  47. Современные методы анализа кредитоспособности бизнеса // Финансовая компания «Третий Рим». URL: https://trrd.ru/analiz-kreditosposobnosti-predpriyatiya/
  48. Соложенцев Е. Д., Степанова Н. В., Карасев В.В. Прозрачность методик оценки кредитных рисков и рейтингов. СПб.: Изд-во С.-Петерб. ун-та, 2006.
  49. Тен В.В. Проблемы анализа кредитоспособности заемщиков // Банковское дело. 2006. № 3. С. 49.
  50. Финогеев Д. Г., Щербаков Е. М. Оценка кредитоспособности юридических лиц на примере крупнейших банков Российской Федерации // Современные проблемы науки и образования. 2013. № 6. С. 64-65.
  51. ЦБ предложил изменить способ оценки экономического положения банков // Эксперт. 2025. 25 июня. URL: https://expert.ru/2025/06/25/cb-predlozhil-izmenit-sposob-ocenki-ekonomicheskogo-polozheniya-bankov/
  52. Шаталова Б. П. Кредитоспособность и кризисный риск в банковском риск-менеджменте // Финансы и кредит. 2010. № 17. С. 46-53.
  53. Шаталова Е. П., Шаталов А. Н. Оценка кредитоспособности заемщиков в банковском риск-менеджменте: учебное пособие. 2-е изд. стер. М.: КНОРУС, 2011. С. 50-65.
  54. Шеремет А.Д., Сайфулин Р.С., Негашев Е.В. Методика финансового анализа. М.: ИНФРА-М, 2010.
  55. Abdou H., Pointon J. Credit scoring, statistical techniques and evaluation criteria: A review of the literature // Intelligent Systems in Accounting, Finance & Management. 2011. P. 2-3.
  56. АКРА ПОДТВЕРДИЛО КРЕДИТНЫЙ РЕЙТИНГ ООО «НОВЫЕ ТЕХНОЛОГИИ» НА УРОВНЕ А-(RU), ИЗМЕНИВ ПРОГНОЗ НА «СТАБИЛЬНЫЙ» // АКРА. URL: https://www.acra-ratings.ru/press-releases/4134-akra-podtverdilo-kreditnyy-reyting-ooo-novye-tekhnologii-na-urovne-a-ru-izmeniv-prognoz-na-stabilnyy
  57. Alistair Graham Framework for: Credit Risk Management Global Professional Publishi, 2000.
  58. ИЗМЕНЕНИЕ ПОДХОДА К ОЦЕНКЕ ЭКОНОМИЧЕСКОГО ПОЛОЖЕНИЯ БАНКОВ // Банк России. 2025. URL: https://www.cbr.ru/Content/Document/File/172600/analytical_note_20250625_dbr_01.pdf
  59. Модель вероятности дефолта (PD) для оценки прогнозируемого кредитного риска // Банк России. 2021. URL: https://www.cbr.ru/Content/Document/File/120614/pb_2021-06-11.pdf

Похожие записи