Моделирование рисков кредитной организации в целях оптимизации процессов принятия решений

Современная деятельность кредитных организаций невозможна без эффективного управления рисками. Особое место среди них занимает кредитный риск – вероятность невозврата заемщиком полученных средств, что напрямую угрожает финансовой устойчивости кредитной организации. В условиях нестабильной макроэкономической среды, характерной для 2020–2025 гг., актуальность точного моделирования таких рисков значительно возросла. По данным Центрального банка РФ, уровень просроченной задолженности по кредитам физическим лицам увеличился на 18 % за последние два года, что свидетельствует о недостаточной адаптивности существующих моделей оценки1.

Проблема заключается в том, что большинство используемых в практике банков систем оценки рисков базируются преимущественно на внутренних данных о заемщике (возраст, доход, кредитная история), но слабо интегрируют внешние макроэкономические факторы и не обла- дают механизмами динамической адаптации. Это приводит к снижению точности прогнозирования в периоды экономических колебаний, что увеличивает как операционные издержки, так и вероятность значительных убытков.

Теоретическая основа управления финансовыми рисками была заложена в работах И.Т. Балабанова [1], А.С. Шапкина [2], А.М. Карминского [3], которые систематизировали подходы к выявлению, оценке и минимизации рисков в финансовых организациях. Особое внимание уделяется методам измерения экономического риска на основе теории вероятностей и статистики, что составляет фундамент для количественного моделирования [2].

В то же время современные требования регулятора, изложенные в Указании Банка России № 5638-У предписывают внедрение комплексной системы управления рисками, включающей стресс-тестирование, оценку достаточности капитала и использование внутренних рейтинговых систем

38 Вестник Российского нового университета38 Серия: Человек и общество. 2026. № 1

(ВРС)1. Международные стандарты, такие как Basel III, также подчеркивают необходимость применения передовых количественных методов для обеспечения устойчивости банковской системы2.

Несмотря на существование разработанных моделей, таких как Z-счет Э. Алтмана [4], structural models Р. Мертона [5] и сравнительный анализ подходов М. Горди [6], в российской практике наблюдается разрыв между теоретическими достижениями и их практической реализацией. Большинство коммерческих банков продолжают использовать упрощённые скоринговые модели, не учитывающие полную картину риска [7].

Критический анализ литературы позволяет выделить следующие пробелы:

• •    недостаточная интеграция макроэкономических и региональных факторов в модели оценки индивидуального риска;

• •    отсутствие гибких механизмов адаптации весов признаков в зависимости от фазы экономического цикла;

• •    низкая интерпретируемость современных моделей машинного обучения, ограничивающая их применение в регулируемой среде.

Наиболее перспективным направлением представляется разработка гибридной модели, сочетающей достоинства классических статистических методов и современных аналитических подходов с учётом требований ГОСТ Р ИСО 31000-2019 по принципам управления рисками3.

Цель данной работы – разработать научно обоснованную модель оценки кредитного риска, обеспечивающую высокую точность прогнозирования и применимую для оптимизации управленческих решений в коммерческом банке.

Для решения поставленной задачи была разработана трехуровневая модель оценки кредитного риска , основанная на интеграции внутренних и внешних факторов.

Первый уровень – анализ заемщика. Используются традиционные показатели: возраст, уровень дохода, занятость, кредитная история, коэффициент долговой нагрузки (ДТИ). Для оценки применяется модифицированная логистическая регрессия, основанная на методологии скоринга, описанной в работах Ю.М. Семуковой [7] и А.М. Карминского [3]. Этот этап обеспечивает прозрачность и соответствие требованиям внутреннего контроля.

Второй уровень – макроэкономическое и региональное моделирование. На этом этапе в модель интегрируются внешние факторы: уровень ключевой ставки ЦБ, инфляция, уровень безработицы, а также региональные показатели (доходы населения, деловая активность), как это предложено в исследовании Е.Е. Васильевой [8]. Данные берутся с временным лагом 3–6 месяцев для учёта запаздывающего эффекта экономических изменений.

Третий уровень – гибридная система принятия решений. Предлагается исполь-

Моделирование рисков кредитной организации в целях оптимизации процессов принятия решений

зовать стекинг-подход, где базовыми моделями выступают:

• •    логистическая регрессия (интерпретируемость);

• •    случайный лес (высокая точность на нелинейных зависимостях).

Метамоделью служит линейная комбинация, корректируемая на основе фазы экономического цикла (рецессия/рост), определяемой по индексу деловой активности. Такой подход соответствует концепции процессного управления в условиях неопределённости, изложенной А.Г. Мадерой [9].

Выбор именно этих методов обусловлен их соответствием требованиям нормативных документов (Положение Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности» (с изменениями и дополнениями)1 и международных стандартов (Basel III), а также возможностью их реализации в рамках существующих информационных систем [10].

Модель была протестирована на выборке из 100000 кредитных заявок одного из российских банков (период 2020–2024 гг.), данные анонимизированы. Оценка проводилась по метрикам AUC-ROC, precision, recall и F1-мере (см. Таблицу 1).

Как видно из Таблицы, предложенная модель демонстрирует наилучшие результаты по всем метрикам. Особенно заметно её преимущество в кризисный период (2022–2023 гг.), когда AUC-ROC оставался стабильным (0,85–0,87), в то время как у других моделей наблюдалось падение до 0,74.

Анализ SHAP-значений подтвердил, что в условиях экономической нестабильности модель автоматически повышала вес макроэкономических факторов (ключевая ставка, уровень безработицы), что согласуется с выводами Д. Горди о важности контекста при выборе модели [6].

Полученные результаты позволяют сделать следующие выводы.

• 1.    Интеграция макроэкономических и региональных факторов значительно повышает устойчивость модели.

• 2.    Гибридный подход позволяет достичь баланса между точностью и интерпретируемостью, что критично для прохождения внутреннего аудита и соответствия требованиям регулятора.

• 3.    Механизм адаптивного взвешивания признаков обеспечивает «самонастройку» модели, что соответствует принципам процессного управления, изложенным в монографии А.Г. Мадеры [9].

Таблица

Сравнение эффективности моделей оценки кредитного риска

Модель	AUC-ROC	Precision	Recall	F1-мера
Логистическая регрессия	0,76	0,63	0,60	0,61
Случайный лес	0,81	0,69	0,66	0,67
Предложенная гибридная модель	0,86	0,74	0,71	0,72

Источник: таблица составлена автором.

1 Положение Банка России от 28.06.2017 № 590-П (ред. от 15.03.2023) «О порядке и сроках направления уведомлений лицами, распоряжающимися (владеющими) или осуществляющими доверительное управление акциями (долями) отдельных некредитных финансовых организаций, в Банк России и (или) указанные некредитные финансовые организации и порядке направления Банком России запроса и получения информации об указанных лицах» (Зарегистрировано в Минюсте России 12.01.2021 № 62052) // КонсультантПлюс. URL: cons_doc_LAW_220089/?ysclid=ml48g6fwuw866234707 (дата обращения: 02.02.2026).

40 Вестник Российского нового университета 40 Серия: Человек и общество. 2026. № 1

Эффективность решения подтверждается также его соответствием передовому международному опыту. Например, подход Федеральной резервной системы США к комплексному анализу и оценке капитала (CCAR) также предусматривает сценарное моделирование и стресс-тестирование, что аналогично предложенной методологии [11].

В ходе исследования разработана и проверена трёхуровневая гибридная модель оценки кредитного риска, интегрирующая данные о заемщике, макроэкономическую динамику и механизмы адаптивного принятия решений. Модель продемонстрировала высокую предсказательную способность (AUC-ROC = 0,86) и устойчивость в условиях экономической нестабильности.

Научная новизна работы заключается:

• •    в комплексном подходе к моделированию риска, объединяющем микро- и макроуровни анализа;

• •    разработке адаптивного алгоритма взвешивания факторов на основе фазы экономического цикла;

• •    создании интерпретируемой модели, соответствующей требованиям как бизнеса, так и регулятора.

Полученные результаты могут быть использованы кредитными организациями для оптимизации процессов андеррайтинга, формирования резервов на возможные потери (ECL) и стресс-те-стирования, что напрямую связано с требованиями Положения Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности»1 и международных стан-дартов2.

Перспективы дальнейших исследований включают:

• •    расширение модели на другие типы рисков (операционный, рыночный);

• •    интеграцию с системами BI и аналитики для визуализации рисков [10];

• •    разработку цифрового двойника кредитной организации для сквозного моделирования