Управление кредитным риском коммерческого банка в 2025 году: системный анализ, Базель III и инновационные подходы в условиях макроэкономической волатильности

Введение: Актуальность, цели и задачи исследования

Начиная с 2022 года, устойчивость российской банковской системы подвергается беспрецедентному комплексному давлению, вызванному как геополитической напряженностью, так и жёсткой денежно-кредитной политикой Центрального банка Российской Федерации. В этих условиях, управление кредитным риском — ключевым фактором, определяющим платежеспособность и капитализацию кредитных организаций, — трансформировалось из рутинной операционной задачи в стратегический императив.

Актуальность настоящего исследования определяется необходимостью переосмысления традиционных подходов к риск-менеджменту в свете двух доминирующих трендов: ужесточения регуляторных требований (имплементация Базель III и МСФО 9) и ускоренной цифровой трансформации (применение AI и Big Data).

Ключевая проблема: Устаревшие академические модели и методики не способны адекватно оценить и контролировать кредитные риски, возникающие на фоне структурной перестройки экономики, роста концентрации банковского сектора и накопления абсолютной просроченной задолженности в отдельных высокорисковых сегментах, несмотря на общий позитивный фон. И что из этого следует? Если банк не внедряет современные модели, его капитал может оказаться недостаточным для покрытия внезапных убытков, что напрямую угрожает его финансовой устойчивости и выполнению нормативов ЦБ РФ.

Цель исследования заключается в разработке актуального, глубокого и структурированного плана исследования системы управления кредитным риском коммерческого банка, учитывающего современные экономические реалии (2024–2025 гг.) и последние редакции нормативной базы ЦБ РФ.

Объектом исследования выступает система управления кредитными рисками коммерческого банка.

Предметом исследования являются теоретические и методологические подходы, а также практические инструменты (модели, технологии, хеджирование) оценки, измерения и снижения кредитного риска в условиях российской регуляторной среды.

Для достижения поставленной цели были определены следующие задачи:

1. Раскрыть ключевые концепции и нормативные требования ЦБ РФ к оценке и резервированию кредитного риска (Положения 590-П, 199-И).
2. Проанализировать теоретические модели измерения риска (EL, Credit VaR) и роль модели ожидаемых кредитных убытков (ECL) по МСФО 9.
3. Оценить масштаб и экономический эффект от внедрения технологий AI и Big Data в кредитном скоринге.
4. Провести актуальный анализ качества кредитного портфеля в контексте макроэкономических прогнозов ЦБ РФ на 2025 год и политики макропруденциальных лимитов (МПЛ).
5. Исследовать инструменты хеджирования (секьюритизацию) и надзорного контроля (стресс-тестирование) кредитного риска.

Теоретико-правовые основы управления кредитным риском

Понятие и классификация кредитного риска в соответствии с действующей нормативной базой

В российском банковском регулировании подход к кредитному риску строго нормирован. Согласно определению, закрепленному в регуляторных документах, кредитный риск по ссуде — это риск потери ссудой стоимости вследствие неисполнения или ненадлежащего исполнения заемщиком обязательств, либо существование реальной угрозы такого неисполнения. Требует оценки трех ключевых компонентов, управление этим риском, особенно важных в контексте применения продвинутых внутренних рейтинговых систем (ППВР):

1. PD (Probability of Default, Вероятность дефолта): Количественная оценка вероятности того, что контрагент не выполнит свои обязательства в течение определенного горизонта времени (как правило, одного года).
2. LGD (Loss Given Default, Уровень потерь при дефолте): Ожидаемая доля потерь по конкретному кредитному требованию в случае дефолта заемщика, выраженная в процентах от EAD.
3. EAD (Exposure at Default, Величина кредитного требования, подверженная риску дефолта): Прогнозируемая сумма, которую банк будет требовать от заемщика на момент дефолта.

Эти показатели, согласно требованиям ЦБ РФ (в частности, Инструкции № 199-И и Положения № 483-П), являются основой для расчета как требуемого капитала, так и резервов.

Применение принципов Базель III в российском банковском регулировании

Российский банковский сектор с 2014 года последовательно внедряет стандарты Базель III, направленные на повышение устойчивости финансовой системы. Ключевым документом, устанавливающим требования к капиталу, является Инструкция Банка России № 199-И от 29.11.2019 года (в актуальной редакции).

Инструкция 199-И устанавливает обязательные нормативы и надбавки к нормативам достаточности капитала (Н1.0, Н1.1, Н1.2), требуя от банков взвешивания активов с учетом кредитного риска. В зависимости от уровня развития риск-менеджмента, банки могут использовать стандартизированный подход или подход на основе внутренних рейтингов (ПВР/ППВР).

Особое внимание уделяется Продвинутому подходу на основе внутренних рейтингов (ППВР), который позволяет крупным банкам, при условии одобрения ЦБ РФ, использовать собственные оценки PD, LGD и EAD для расчета взвешенных по риску активов.

Важный регуляторный нюанс: В соответствии с нормами ЦБ РФ, для розничных кредитных требований (например, потребительские кредиты, кредитные карты) применяется только продвинутый подход (ППВР). Это означает, что банки, работающие в розничном сегменте, обязаны разрабатывать, калибровать и валидировать собственные модели PD, LGD и EAD, интегрируя их в ключевые бизнес-процессы, включая ценообразование и лимитирование.

Таким образом, Базель III не просто повышает требования к капиталу, но и стимулирует банки к глубокой внутренней аналитике и построению сложной, интегрированной системы управления риском.

Детализация резервирования: категории качества ссуд

Система формирования резервов на возможные потери по ссудам в российских банках регулируется Положением Банка России № 590-П от 28.06.2017 года (в ред. от 15.03.2023). Этот документ является фундаментом для оценки кредитного обесценения и определяет классификацию ссуд по пяти категориям качества.

Классификация ссуд в одну из пяти категорий (I–V) производится на основании профессионального суждения банка с учетом финансового положения заемщика, качества обслуживания долга и обеспечения. Каждой категории соответствует минимальный процент расчетного резерва, отражающий степень обесценения.

Таблица 1. Категории качества ссуд и минимальные проценты резервирования (Положение № 590-П)

Категория качества	Описание степени обесценения	Минимальный процент расчетного резерва для Индивидуальных ссуд (Обесценение)	Минимальный процент резервирования для Портфелей однородных ссуд
I. Стандартные	Отсутствие признаков обесценения.	0%	0%
II. Нестандартные	Признаки обесценения несущественны.	от 1% до 20% включительно	Не более 3%
III. Сомнительные	Умеренное обесценение. Высокая вероятность потерь.	от 21% до 50% включительно	Свыше 3% до 20% включительно
IV. Проблемные	Значительное обесценение. Высокая вероятность полной потери.	от 51% до 100% включительно	Свыше 20% до 50% включительно
V. Безнадежные	Полное или почти полное обесценение.	100%	Свыше 50%

Аналитическое расширение: Разделение подходов к индивидуальным и портфельным ссудам критически важно, поскольку для крупных корпоративных кредитов банк использует профессиональное суждение, тогда как для массовых розничных кредитов применяются статистические модели, позволяющие отнести портфель к той или иной категории качества на основе среднего уровня просрочки и дефолта.

Модели измерения кредитного риска и роль ожидаемых потерь (ECL/МСФО 9)

Концепция ожидаемых и неожиданных потерь (EL и UL)

Современная теория управления кредитным риском строго разделяет прогнозируемые (ожидаемые) и непрогнозируемые (неожиданные) потери, что является ключевым для финансовой устойчивости банка.

Ожидаемые потери (Expected Loss, EL) — это средняя величина потерь, которую банк статистически ожидает по кредитному портфелю за определенный период. EL не является риском в чистом виде, а представляет собой прогнозируемый операционный расход. Эти потери должны быть заложены в ценообразование кредита (процентную ставку) и покрыты формируемыми резервами (РВПС).

Расчет ожидаемых потерь ведется по фундаментальной формуле:

EL = PD × LGD × EAD

Неожиданные потери (Unexpected Loss, UL) — это потери, превышающие среднее статистическое значение EL, возникающие в результате непредсказуемой изменчивости (волатильности) доходов и кредитных событий. Неожиданные потери не покрываются резервами, а требуют покрытия за счет «подушки» — экономического капитала банка. Именно снижение UL является основной задачей риск-менеджмента, в то время как управление EL — это, скорее, задача бухгалтерского учета и ценообразования. Для оценки UL и определения необходимого экономического капитала банки часто используют методы, основанные на теории вероятности, такие как Value-at-Risk (VaR) или Expected Shortfall.

Имплементация МСФО 9 и ожидаемые кредитные убытки (ECL)

С 2018 года российские банки, работающие по Международным стандартам финансовой отчетности (МСФО), перешли на стандарт МСФО 9 «Финансовые инструменты». Центральным изменением, привнесенным этим стандартом, является переход от модели понесенных убытков (Incurred Loss, IL) к модели ожидаемых кредитных убытков (Expected Credit Losses, ECL).

В отличие от старых стандартов, ECL требует от банка прогнозировать убытки на весь срок жизни финансового инструмента, а не только те, которые уже произошли. Это кардинально меняет подход к резервированию, делая его более проактивным и чувствительным к будущим макроэкономическим прогнозам. Банк России активно поддерживает эту практику. В Информационном письме Банка России от 18 марта 2021 г. № ИН-03-36/14 регулятор разработал специальные рекомендации для кредитных организаций по применению модели ECL.

Аналитический вывод: Это письмо призывает банки не просто внедрять формулы, но и проводить самооценку качества используемых моделей и процедур. Валидация моделей ожидаемых потерь (включая прогнозные сценарии и макроэкономические допущения) становится ключевым элементом надзора, гарантируя, что созданные резервы действительно соответствуют будущим рискам.

Влияние цифровой трансформации на управление кредитным риском

Применение Big Data и AI в кредитном скоринге

Цифровая трансформация радикально меняет методы оценки кредитного риска. В России основным направлением использования технологий Больших данных (Big Data) и Искусственного интеллекта (ИИ) является кредитный скоринг, особенно в сегментах розничного и малого корпоративного кредитования. Традиционные скоринговые модели основывались на ограниченном наборе данных (кредитная история, доход, возраст), но современные AI-модели, прежде всего, нейронные сети и ансамблевые методы машинного обучения (Gradient Boosting Machines), способны обрабатывать миллионы неструктурированных точек данных, включая поведенческие паттерны, транзакционную активность, данные из социальных сетей и геолокацию (при наличии согласия клиента).

Ключевые преимущества ИИ в риск-менеджменте:

1. Повышение точности PD: ИИ-модели позволяют прогнозировать вероятность дефолта (PD) с просрочкой 90+ дней с гораздо большей точностью, чем линейные модели, что снижает уровень как ошибок первого рода (отказ надежному клиенту), так и второго рода (выдача кредита недобросовестному клиенту).
2. Антифрод и операционная эффективность: Технологии ИИ применяются для построения сложных антифрод-систем, выявляющих подозрительные заявки, а также для совершенствования процессов сбора просроченной задолженности (например, через роботов-коллекторов и оптимизацию последовательности коммуникаций с должником).

Экономический эффект и масштабы инвестиций в AI в финансовом секторе РФ (2024-2025)

Масштаб внедрения ИИ в российский финансовый сектор подтверждается впечатляющими инвестиционными показателями. Финансовый сектор РФ стал локомотивом цифровизации.

По данным на 2024 год, инвестиции финансового сектора России в искусственный интеллект достигли 56,8 млрд рублей, что является абсолютным рекордом. При этом совокупные инвестиции в цифровую трансформацию за год превысили 1,2 трлн рублей. Российские банки демонстрируют один из самых высоких в мире коэффициентов окупаемости инвестиций (ROI) в ИИ-технологии.

Кейс-стади: Эффективность ИИ у лидеров рынка

Два ведущих российских банка (Сбербанк и ВТБ) осуществляют около 40% от общих расходов банковского сектора на технологии. Топ-5 банков инвестируют порядка 1 млрд долл. США ежегодно в ИИ-технологии.

Совокупный экономический эффект от внедрения AI-first подхода в течение следующих пяти лет для всей отрасли оценивается в 1,9 трлн рублей. В частности, Сбербанк оценил совокупный эффект от ИИ за 2023 год в сумму более 350 млрд рублей, что подтверждает окупаемость инвестиций, достигающую ROI около 300%.

Несмотря на очевидные преимущества, Банк России выступает за риск-ориентированный подход к регулированию ИИ, выделяя такие потенциальные проблемы, как: «Черный ящик» — непрозрачность принятия решений сложными нейронными сетями, что усложняет надзор; и Ложные срабатывания — риски дискриминации при скоринге или новые типы операционных рисков. Но разве не является ключевой задачей риск-менеджмента разработка инструментов, которые позволят сохранять высокую эффективность ИИ при полной прозрачности его решений?

Актуальный анализ качества кредитного портфеля и макроэкономические риски (2022-2025)

Макроэкономический контекст: замедление роста в 2025 году

Качество кредитного портфеля коммерческих банков неразрывно связано с макроэкономической конъюнктурой. В период 2022–2024 годов российская экономика демонстрировала устойчивость и восстанавливалась быстрее, чем ожидалось. Однако регулятор (ЦБ РФ) неоднократно указывал на риски «перегрева» в отдельных сегментах, что привело к резкому ужесточению денежно-кредитной политики (ДКП) и повышению ключевой ставки.

Ключевой риск 2025 года: Жесткая ДКП и высокие ставки привели к существенному замедлению кредитования во второй половине 2024 года.

Согласно среднесрочному прогнозу ЦБ РФ (актуальному на 24 октября 2025 года), прогноз роста ВВП России в 2024 году сохранен на высоком уровне (3,5–4,0%), однако прогноз роста ВВП на 2025 год понижен до 0,5–1,0% (с 1,0–2,0% в июльской версии).

Это ожидаемое резкое замедление экономической активности является фундаментальным риском для банковского сектора. Снижение темпов роста ВВП и потребительского спроса неизбежно приведет к ухудшению финансового положения заемщиков (как корпоративных, так и розничных), что транслируется в рост вероятности дефолта (PD) и, как следствие, в рост кредитных потерь.

Динамика и структура проблемной задолженности

Для контроля рисков ЦБ РФ активно использует макропруденциальные лимиты (МПЛ), особенно в необеспеченном розничном кредитовании и ипотеке, чтобы ограничить выдачу кредитов заемщикам с высокой долговой нагрузкой (ПДН).

Позитивные результаты МПЛ:

• Ипотечный портфель: Ужесточение регуляторных требований позитивно сказывается на относительном качестве обслуживания долгов. Кредиты с просрочкой 90+ дней в ипотечном портфеле на конец 2024 года составляли менее 1% и были покрыты резервами на 60%.
• Концентрация рынка: К 1 июля 2024 года доля топ-10 крупнейших банков в активах сектора достигла рекордного уровня в 79%, что свидетельствует об усилении концентрации и, потенциально, о большей устойчивости системы в целом.

Накапливающиеся риски (Абсолютный рост просрочки):

Несмотря на низкий относительный уровень просрочки в ипотеке, необходимо учитывать абсолютные цифры. По состоянию на начало августа 2025 года объем просроченной задолженности по ипотечным кредитам достиг 159,3 млрд рублей, показав рост более чем на 48,7% с начала 2025 года.

Таблица 2. Динамика проблемной задолженности в ипотечном сегменте (2025 г.)

Показатель	Значение на 01.01.2025 (Факт)	Значение на 01.08.2025 (Факт)	Изменение (абс.)	Динамика (%)
О��щий объем портфеля	~19,48 трлн руб.	~20,5 трлн руб.	Н/Д	~5%
Просроченная задолженность (90+ дней)	~107,1 млрд руб.	159,3 млрд руб.	52,2 млрд руб.	+48,7%
Доля просрочки в портфеле	~0,55%	~0,82%	0,27 п.п.	Н/Д

Этот рост абсолютного объема просрочки (почти на 50% за 7 месяцев) сигнализирует о том, что, несмотря на низкий процент NPL, в условиях высокой ключевой ставки и замедления ВВП риски накапливаются, требуя от банков усиленного мониторинга и адекватного резервирования в соответствии с моделью ECL.

Инструменты хеджирования и надзорного контроля кредитного риска

Секьюритизация кредитных портфелей как инструмент снижения риска

Секьюритизация — это процесс трансформации неликвидных финансовых активов (кредитов) в ликвидные ценные бумаги (облигации), которые продаются инвесторам. Для банков этот инструмент является важнейшим механизмом хеджирования кредитного риска, поскольку позволяет высвободить капитал (за счет передачи кредитов по схеме «действительной продажи»), привлечь ликвидность и, что не менее важно, снизить регуляторные риски, связанные с концентрацией активов.

Актуальный тренд 2024-2025 гг.: Многотраншевая секьюритизация потребительских кредитов.

Если ранее на рынке доминировала ипотечная секьюритизация, то в 2024 году наблюдается переход к секьюритизации необеспеченных потребительских кредитов. Например, в 2024 году объем многотраншевой секьюритизации (с выпуском облигаций нескольких траншей с разным уровнем риска) достиг 45 млрд рублей, что втрое превысило показатель 2023 года. На конец первого полугодия 2025 года общий объем неипотечной секьюритизации в обращении составил 119 млрд рублей, из которых около 100 млрд рублей приходилось именно на облигации, обеспеченные портфелями потребительских кредитов.

Доминирование ДОМ.РФ в ипотечном сегменте:

Несмотря на рост неипотечной секьюритизации, большая часть общего объема сделок (540,2 млрд руб. в 2024 г.) приходится на однотраншевую ипотечную секьюритизацию (ИЦБ) от АО «ДОМ.РФ». Доля ИЦБ с поручительством ДОМ.РФ в общем объеме ипотечной секьюритизации на рынке составляет более 99,5%.

Практика использования: Ведущие коммерческие банки (например, ВТБ) часто используют ИЦБ не столько для рефинансирования на рынке, сколько в качестве казначейского инструмента для операций репо, что подтверждает их ликвидность, но снижает эффект хеджирования кредитного риска в классическом понимании.

Стресс-тестирование и надзорный процесс (НСТ)

Стресс-тестирование является ключевым инструментом надзорного контроля и оценки устойчивости банка к экстремальным, но вероятным макроэкономическим шокам. Макропруденциальное стресс-тестирование (МПСТ), проводимое ЦБ РФ, оценивает влияние сценариев, таких как резкое падение ВВП, обвал курса рубля или скачок инфляции, на финансовый сектор. МПСТ включает в периметр оценки кредитного риска не только прямое влияние на банки, но и вторичные эффекты через их заемщиков — нефинансовые организации.

Планы по модификации Надзорного Стресс-Тестирования (НСТ):

В 2024-2025 годах ЦБ РФ объявил о планах по модификации инструмента надзорного стресс-тестирования (НСТ) для системно значимых кредитных организаций (СЗКО).

Ключевое изменение: Если раньше результаты НСТ носили рекомендательный характер, то теперь регулятор планирует напрямую учитывать неудовлетворительные итоги стресс-тестирования при оценке достаточности капитала и назначении надзорных мер.

Это изменение многократно повышает значимость внутренних систем стресс-тестирования банков, заставляя их не только моделировать риски, но и иметь четкий план действий (contingency plan) для восстановления капитала в условиях кризиса.

Заключение и рекомендации по совершенствованию системы

Кредитный риск остается центральным вызовом для коммерческих банков в России. Проведенный анализ показывает, что управление этим риском в 2025 году характеризуется сочетанием жестких регуляторных требований (Базель III, 590-П, 199-И) и стремительным внедрением передовых технологий (AI, Big Data).

Ключевые выводы исследования:

1. Регуляторный фокус на ППВР и ECL: Регулирование ЦБ РФ (в частности, для розничных портфелей) сместилось в сторону продвинутого подхода на основе внутренних рейтингов (ППВР), требуя от банков самостоятельной, качественной оценки PD, LGD, EAD и проактивного резервирования по модели ожидаемых убытков (ECL/МСФО 9).
2. Экономическая эффективность ИИ доказана: Инвестиции в ИИ (более 56,8 млрд руб. в 2024 г.) приносят крупнейшим российским банкам значительный экономический эффект (ROI до 300%), повышая точность скоринга и снижая операционные расходы.
3. Макропруденциальные риски нарастают: Несмотря на низкий уровень относительной просрочки, замедление роста ВВП (прогноз ЦБ РФ: 0,5–1,0% на 2025 г.) и абсолютный рост просрочки по ипотеке (+48,7% до 159,3 млрд руб. к августу 2025) сигнализируют о накоплении кредитного риска, требующего внимания.
4. Трансформация хеджирования и надзора: Рынок секьюритизации смещается к необеспеченным потребительским кредитам. В надзоре ЦБ РФ планирует сделать результаты стресс-тестирования (НСТ) обязательным фактором для оценки достаточности капитала СЗКО.

Практические рекомендации по совершенствованию системы управления кредитным риском:

1. Усиление Валидации Моделей (ППВР и ECL): Банкам необходимо уделить приоритетное внимание независимой и регулярной валидации моделей PD, LGD и EAD. Валидационные процедуры должны строго соответствовать рекомендациям ЦБ РФ (Информационное письмо № ИН-03-36/14) и включать анализ устойчивости моделей к шоковым макроэкономическим сценариям.
2. Интеграция ИИ в LGD-моделирование: Необходимо расширить применение ИИ не только для скоринга (PD), но и для более точного прогнозирования LGD (уровня потерь), используя данные о взыскании и реализации залогов, что позволит более эффективно управлять капиталом и резервированием.
3. Учет Макропруденциальных Рисков: Внутренние процедуры стресс-тестирования должны быть синхронизированы с макроэкономическими прогнозами ЦБ РФ (в частности, с пониженным прогнозом ВВП на 2025 год). Банкам следует разработать сценарии, учитывающие риски, связанные с высокой долей кредитов с господдержкой, которая искажает рыночную эффективность ДКП.
4. Диверсификация Инструментов Хеджирования: Необходимо развивать не только ипотечную, но и неипотечную секьюритизацию (потребительских кредитов) как эффективный инструмент снижения кредитного риска и высвобождения капитала, а также активнее использовать финансовые деривативы (кредитные дефолтные свопы) для хеджирования корпоративных рисков.
5. Повышение Прозрачности ИИ-решений: В свете регуляторных опасений по поводу «черного ящика» (например, в Положении 483-П), банкам следует внедрять объяснимые модели ИИ (Explainable AI, XAI), которые позволяют риск-менеджерам и регулятору отслеживать логику принятия кредитных решений, обеспечивая методологическую корректность.

Список использованной литературы

1. Федеральный закон от 10.07.2002 г. № 86-ФЗ «О Центральном банке Российской Федерации (Банке России)» (с изм. и доп. от 21.11.2011 № 327-ФЗ).
2. Федеральный закон от 02.12.1990 г. № 395-I «О банках и банковской деятельности» (с изм. и доп. от 11.07.2011 г. № 200-ФЗ).
3. Положение Банка России от 28.06.2017 N 590-П (ред. от 15.03.2023) «О порядке формирования кредитными организациями резервов на возможные потери по ссудам…».
4. Инструкция ЦБ РФ от 29.11.2019 N 199-И (ред. от 06.06.2023).
5. Положение Банка России от 06.08.2015 N 483-П «О порядке расчета величины кредитного риска на основе внутренних рейтингов».
6. Разъяснения ЦБ РФ от 27.12.2019 N 483-P-2019/1.
7. Письмо Банка России от 29.12.2012 г. № 192-Т «О Методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков».
8. О порядке расчета размера операционного риска («Базель III») и осуществления Банком России надзора за его соблюдением от 07 декабря 2020 г. [Электронный ресурс] // КонсультантПлюс. URL: cntd.ru (дата обращения: 24.10.2025).
9. Банковское дело: 100 экзаменационных ответов / Ю. Свиридов. — 3-е изд., испр. и доп. — Ростов н/Д: МарТ; Феникс, 2010.
10. Ван Грюнинг Х., Братанович С. Б. Анализ банковських рисков. Система оценки корпоративного управления и управления финансовым риском: учеб. пособие / пер. с англ. К.Р. Тагипбекова. – М.: Весь мир, 2010.
11. Евсейчев А.И. Управление кредитным риском: учебное пособие. – Тамбов : Изд-во Тамб. гос. техн. ун-та, 2009.
12. Жариков В.В., Жарикова М.В. Управление кредитными рисками: учебное пособие. – 2010.
13. Костюченко Н. С. Анализ кредитных рисков. — СПб.: ИТД «Скифия», 2010.
14. Осипенко Т. В. О системе рисков банковской деятельности // Деньги и кредит. — 2010. — № 4. — С. 45–50.
15. Примостка Л.О. Кредитный риск банка: проблемы оценки и управления // Финансы. – 2009. — №8. — С. 58–62.
16. Хмеленко О.В., Вовк В.Я. Кредитование и контроль: Учебное пособие. – Финансы. – 2009.
17. ОБЗОР БАНКОВСКОГО РЕГУЛИРОВАНИЯ III квартал 2024. [Электронный ресурс] // Банк России. URL: cbr.ru (дата обращения: 24.10.2025).
18. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ФИНАНСОВОМ РЫНКЕ. [Электронный ресурс] // Банк России. URL: cbr.ru (дата обращения: 24.10.2025).
19. Секьюритизация: теория, международные практики и условия применения в России. [Электронный ресурс] // Банк России. URL: cbr.ru (дата обращения: 24.10.2025).
20. Что такое стресс-тестирование. [Электронный ресурс] // Банк России. URL: cbr.ru (дата обращения: 24.10.2025).
21. Банк России предложил новый порядок стресс-тестирования банков [Электронный ресурс] // Forbes.ru. URL: forbes.ru (дата обращения: 24.10.2025).
22. Банки стали чаще превращать необеспеченные кредиты в ценные бумаги [Электронный ресурс] // RAEX. URL: raexpert.ru (дата обращения: 24.10.2025).
23. ДОМ.РФ: анализ бизнес-направлений и перспективы секьюритизации в России [Электронный ресурс] // T-Bank. URL: tbank.ru (дата обращения: 24.10.2025).
24. Искусственный интеллект в банках [Электронный ресурс] // Tadviser. URL: tadviser.ru (дата обращения: 24.10.2025).
25. Искусственный интеллект в российских банках [Электронный ресурс] // Banki.ru. URL: bosfera.ru (дата обращения: 24.10.2025).
26. Итоги банковского сектора за 1-е полугодие 2024 года: обреченные на концентрацию [Электронный ресурс] // RAEX. URL: raexpert.ru (дата обращения: 24.10.2025).
27. Оценка кредитных рисков с помощью скоринговой модели с изменяющимися во времени параметрами [Электронный ресурс] // Финансовая издательская группа. URL: fin-izdat.ru (дата обращения: 24.10.2025).
28. РОССИЙСКАЯ И ЗАРУБЕЖНАЯ ПРАКТИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В БАНКОВСКОЙ СФЕРЕ [Электронный ресурс] // Elpub.ru. URL: elpub.ru (дата обращения: 24.10.2025).
29. Рынок банковских услуг в России: итоги 2023 и прогнозы [Электронный ресурс] // Frank RG. URL: frankrg.com (дата обращения: 24.10.2025).
30. СОВЕРШЕНСТВОВАНИЕ ПРОГНОЗНОЙ ОЦЕНКИ ОЖИДАЕМЫХ КРЕДИТНЫХ УБЫТКОВ ПРИ МОНИТОРИНГЕ КРЕДИТНОГО РИСКА… [Электронный ресурс] // Cyberleninka.ru. URL: cyberleninka.ru (дата обращения: 24.10.2025).
31. ЦБ предложил новый порядок стресс-тестирования банков [Электронный ресурс] // Expert.ru. URL: expert.ru (дата обращения: 24.10.2025).
32. В 2024 году банки выпустили на 20% меньше ипотечных облигаций, чем в 2023 году [Электронный ресурс] // Frank Media. URL: frankmedia.ru (дата обращения: 24.10.2025).