Разработка методики оценки надзорным органом достаточности величины ожидаемых кредитных убытков, рассчитанных коммерческими банками

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В статье исследуется разработка алгоритма методики оценки достаточности величины ожидаемых кредитных убытков (ОКУ), рассчитанных коммерческими банками, с точки зрения Центрального банка РФ как надзорного органа банковской системы России. Для этого осуществляется моделирование потенциальных потерь для кредитного портфеля физических лиц по ПОС Банка и их сравнение с реально создаваемыми банковскими резервами на возможные потери по ссудам (РВПС). При моделировании ожидаемых кредитных убытков выделяются отдельные независимые компоненты: PD, EAD, LGD-каждый из которых прогнозируется с учетом особенностей показателя и реестра данных, предоставляемых в Банк России от кредитных организаций. В заключении статьи приводятся рекомендации по составлению финального отчета о достаточности резервирования коммерческим банком анализируемого сегмента кредитного портфеля. Целью исследования является разработка алгоритма методики оценки достаточности величины ОКУ, рассчитанных коммерческими банками, с точки зрения Банка России как надзорного органа банковской системы РФ. Для достижения цели в работе решались следующие задачи: 1) Исследованы основные компоненты ОКУ; 2) Проведено математическое моделирование атрибутов кредитного риска с учетом специфики деятельности Банка России; 3) Интерпретированы результаты модели с точки зрения надзорного органа. Материалы и Методы. Для анализа ОКУ была рассмотрена учебная литература и научные публикации, в которых раскрывались теоретические подходы и практические аспекты к построению моделей PD, EAD, LGD, основанные на статистических алгоритмах и методах машинного обучения Выводы: проведено исследование основных компонент ОКУ и их влияния на итоговую величину кредитных потерь; построена модель расчета ОКУ с помощью различных алгоритмов машинного обучения; проведена интерпретация результатов модели ОКУ с точки зрения практического применения в Банке России.

Полный текст

Доступ закрыт

Об авторах

Виталий Владимирович Богданов

Банк России

Email: vit190298@yandex.ru
главный экономист 2 отдела САР УАРКР Москва, Российская Федерация

Наталья Владимировна Гринева

Финансовый университет при Правительстве Российской Федерации

Email: ngrineva@fa.ru
кандидат экономических наук, доцент, доцент Департамента анализа данных и машинного обучения Москва, Российская Федерация

Список литературы

  1. Арис Е. Т. Модели оценки кредитных рисков / Управление кредитным риском-проблемы анализа риска / 2017. -№4. -с. 68-75. -URL: https://www.risk-journal.com/jour/article/viewFile/97/96.
  2. Афанасьев С. Разработка LGD-моделей для розничного кредитования. Часть 1: подготовка данных / Scoring day X-Риск-менеджмент в кредитной организации / 2021/ -№ 3(43). -с. 4-23. -URL: https://www.dvbi.ru/portals/0/DOCUMENTS_SHARE/RISK_MANAGEMENT/Scoring_Day_2021.pdf
  3. S. Landini, M. Uberti, S. Casselina Credit risk migration rates modelling as open systems II: A simulation model and IFRS9-baseline principles / 2019. -№50, c. 175-189. URL: https://ezpro.fa.ru:2603/science/article/pii/S0954349X19301092?via%3Dihub
  4. Рахаев В. А. Развитие методов оценки кредитного риска для формирования резервов на возможные потери по ссудам. Финансы: теория и практика/Finance: Theory and Practice. 2020; 24(6): 82-91. -URL: https://financetp.fa.ru/jour/article/view/1093/765
  5. Полянский Ю. Проблемы оценки качества моделей ПВР. Современные подходы к валидации моделей LGD / Scoring day X-Риск-менеджмент в кредитной организации / 2021/ -№3(43). -с. 4-23. -URL: https://www.dvbi.ru/portals/0/DOCUMENTS_SHARE/RISK_MANAGEMENT/Scoring_Day_2021.pdf
  6. «Методика определения параметров ожидаемых кредитных убытков» -http://bmcenter.ru/Files/R_OK_Svyaz_OK_FS_Metodika_opredeleniya_parametrov_OKU
  7. Положение Банка России от 6 августа 2015 г. N 483-П «О порядке расчета величины кредитного риска на основе внутренних рейтингов»
  8. Коэффициент Джини. Из экономики в машинное обучение. -URL: https://habr.com/ru/company/ods/blog/350440/
  9. CFA-Метод Монте-Карло -URL: https://fin-accounting.ru/cfa/l1/quantitative/cfa-monte-carlo-simulation

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах