Вестник финансовых технологий (аналитическая статья)
Аннотация. В статье представлена комплексная система оценки кредитного риска, построенная на основе IRB-методологии (Базель III/IV), гибридных моделей прогнозирования (ARIMA + XGBoost), методов объяснимого искусственного интеллекта (SHAP) и MLOps-инфраструктуры. Система интегрирована с подготовкой регуляторной отчётности (формы 111 и 106) и учитывает климатические сценарии NGFS. На примере пяти обезличенных компаний-заёмщиков продемонстрирована работоспособность модели, проведён SHAP-анализ факторов риска. Результаты могут быть полезны специалистам по управлению рисками, аналитикам и разработчикам автоматизированных систем в финансовом секторе.
Ключевые слова: кредитный риск, IRB, PD, LGD, XGBoost, SHAP, MLOps, форма 111, форма 106, NGFS, риск-ориентированное ценообразование.
1. Введение
Современное управление кредитным риском требует соблюдения регуляторных норм (Базель III/IV, положения Банка России) и внедрения передовых методов прогнозирования. Цифровизация и рост неопределённости (макроэкономические шоки, климатические риски) стимулируют переход от экспертных оценок к статистическим и машинно-обучаемым моделям, интегрированным в единую технологическую платформу.
Цель исследования – разработать методологию построения комплексной системы кредитного риск-менеджмента, которая базируется на IRB-подходе, использует гибридные модели прогнозирования, обеспечивает прозрачность через SHAP, автоматизирует расчёт форм 111 и 106, а также учитывает климатические риски NGFS. Гипотеза: применение ARIMA+XGBoost в сочетании с IRB-калибровкой и SHAP-интерпретацией повышает точность и обоснованность решений.
2. Методология
2.1. Данные и выборка
Использованы обезличенные данные пяти российских компаний-заёмщиков (2022–2024). Источники: бухгалтерская отчётность, реестры МСП, госзакупки, арбитражные дела. Выборка охватывает отрасли (оптовая торговля, строительство, аренда) и финансовые состояния – от устойчивого до кризисного.
| Код | Отрасль | Уровень выручки | Уровень чистой прибыли | Особенности |
|---|---|---|---|---|
| A | Оптовая торговля | Низкий | Минимальная | Многочисленные арбитражные дела, убыточность |
| Б | Электромонтаж | Средний | Умеренная | Стабильная прибыль, отсутствие кредитов |
| В | Оптовая торговля | Высокий | Высокая | Крупнейший, значительное число госзакупок |
| Г | Торговля машинами | Средний | Умеренная | Молодая компания, быстрый рост |
| Д | Аренда | Низкий | Небольшая | Высокая ликвидность, чистые активы существенно превышают выручку |
2.2. Модель расчёта вероятности дефолта (IRB)
IRB-подход (Базель III/IV): дефолт = просрочка 90+ дней, реструктуризация, банкротство. Горизонт PD – 12 месяцев. Сегментация на основе roll-rate анализа, преобразование факторов через WOE, калибровка TTC с downturn factor. Пятифакторная модель с весами: прибыльность (0,40), ликвидность (0,20), юридический риск (0,15), стабильность выручки (0,10), корпоративный риск (0,15). Баллы (0–100) → PD через логистическую функцию.
2.3. Прогнозирование (ARIMA+XGBoost) и MLOps
Гибридная модель ARIMA (линейная компонента) + XGBoost (нелинейные зависимости) обеспечила высокую точность (MAPE <5%). Инфраструктура: GitLab CI, Kubernetes, MLflow, мониторинг PSI, микросервисы FastAPI+Kafka. Код и обезличенные данные депонированы в OSF для воспроизводимости.
2.4. SHAP и климатические сценарии
Для объяснимости применён SHAP (waterfall-анализ). Климатические риски оценены по сценариям NGFS (Net Zero 2050, Current Policies).
3. Результаты
3.1. Оценка PD и ставок
Наибольший риск у компании А (очень высокий PD) из-за отрицательной рентабельности и юридических рисков. Наименьший – у компании Д (минимальный PD, высокая ликвидность). Ставки дифференцированы от 16–17% до 35–40% годовых.
3.2. SHAP-анализ (водопад факторов)
Основные драйверы риска: убыточность (+18 п.п.), падение выручки (+6 п.п.), юридические риски (+4 п.п.), низкая ликвидность (+2 п.п.).
3.3. Форма 111 (RWA) и форма 106 (процентный риск)
Совокупный RWA соответствует нормативу Н1.0 > 8%. При параллельном сдвиге +200 б.п. изменение экономической стоимости капитала (ΔEVE) в пределах лимита 25% от капитала. Чистый процентный доход увеличивается за счёт плавающей части портфеля.
3.4. Климатические риски (NGFS)
Для компании А риск перехода (Net Zero 2050) приводит к существенному увеличению VaR (>15%). Для остальных заёмщиков влияние умеренное. Динамические лимиты самоинвестирования скорректированы с учётом PD и VaR.
4. Обсуждение
Полученные результаты подтверждают гипотезу: гибридное прогнозирование + IRB + SHAP повышают точность и прозрачность. Юридический риск и стабильность выручки позволили точнее идентифицировать проблемного заёмщика А, который по классическим коэффициентам ликвидности мог бы быть недооценён. MLOps-инфраструктура гарантирует воспроизводимость и соответствие IRB-требованиям.
Ограничения: малая выборка (5 компаний); модель не учитывает макрошоки; данные о юридических рисках не включают уголовные дела; климатические сценарии требуют отраслевой детализации.
Практические импликации: предложенная методология может быть использована банками для построения внутренних рейтинговых систем, автоматизации форм 111 и 106, а также для риск-ориентированного ценообразования.
5. Заключение
Разработана и апробирована комплексная система управления кредитным риском, интегрирующая IRB, гибридные модели, SHAP, MLOps и регуляторную отчётность. Система позволяет дифференцировать PD, рассчитывать RWA, управлять процентным риском и учитывать климатические сценарии. Результаты могут быть внедрены в практику финансовых институтов для повышения качества риск-менеджмента.
Благодарности. Автор выражает благодарность коллегам за ценные замечания, способствовавшие улучшению работы.
Конфликт интересов. Отсутствует.
Этическое заявление. Исследование выполнено на основе публичных обезличенных данных, соответствующих 152-ФЗ.
Декларация об использовании ИИ. При подготовке статьи использовалась модель YandexGPT для стилистической правки и проверки соответствия 168-ФЗ. Все научные выводы и расчёты выполнены автором самостоятельно.
