rwa density что это

Rwa density что это

В практике ведущих иностранных регуляторов надзорное стресс-тестирование является важным инструментом обеспечения стабильности банковского сектора и применяется для целей информирования надзорных подразделений о рисках отдельных организаций или портфелей, принятия адресных мер по докапитализации или ограничению использования капитала в отношении организаций с неудовлетворительными результатами стресс-тестирования, а также для повышения за счет большей прозрачности деятельности банков доверия инвесторов и финансового рынка к банковскому сектору.

Для тестирования устойчивости банков (банковских групп) к реалистичным неблагоприятным условиям и прогнозирования достаточности капитала – как правило, основного показателя устойчивости банка в рамках проведения процедуры надзорного стресс-тестирования – необходим комплекс моделей, на основе которых осуществляется прогнозирование достаточности капитала в этих условиях. Роль данных моделей заключается в получении прогноза достаточности капитала отдельного банка на основе параметров стресс-сценария, текущих показателей банка, отражающих структуру его деятельности и профиль рисков, наблюдавшейся в прошлом и ожидаемой в будущем зависимости показателей от параметров стресс-сценария, а также другой информации. Оценку достаточности капитала по банкам в периметре мер надзорного стресс-тестирования целесообразно осуществлять как на стороне Банка России, так и на стороне банков на основе собственного комплекса моделей. Российский регулятор в настоящее время активно развивает комплекс собственных моделей надзорного стресс-тестирования для использования в качестве инструмента проверки стресс-тестов банков и возможного обоснования необходимости корректировки результатов или моделей банков.

Процесс оценки достаточности капитала головного банка банковской группы при проведении надзорного стресс-тестирования можно представить в виде моделирования эффектов от реализации различных видов риска, моделирования динамики активов и обязательств банка, а также расчета RWA, финансового результата банка и итоговой метрики достаточности капитала банка. Под RWA (risk-weighted assets) понимаются суммарные активы банка, взвешенные по уровню кредитного риска, как правило, рассчитываемого по формуле, установленной регулятором.

Реализация каждого вида риска влияет на баланс банка, на его финансовый результат или одновременно на оба показателя. Результирующая статья активов определяет активы, взвешенные по риску, а итоговый финансовый результат банка определяет изменение в его капитале. Общий процесс расчета итоговой метрики достаточности капитала головного банка при проведении надзорного стресс-тестирования является стандартным, однако данный расчет включает ключевой методологический вопрос, который требует особого внимания – расчет RWA по стандартизированному и по базовому или продвинутому подходу на основе внутренних рейтингов.

Целью исследования является формирование нового подхода к расчету величины активов, взвешенных по уровню риска (знаменатель показателя достаточности капитала) для банков, использующих стандартизированный подход к расчету RWA и для банков, использующих базовый или продвинутый подход на основе внутренних рейтингов к расчету RWA.

Материал и методы исследования

В первую очередь, были проанализированы требования Банка России в отношении банков к устанавливаемым нормативам и надбавкам к нормативам достаточности капитала банков с универсальной лицензией [1, 3, 7]. С 2019 года Банк России внедрил новый подход к оценке кредитного риска, который позволяет высвободить капитал банков, данный подход также предусматривает расчет обязательных нормативов по классам контрагентов, а не по группам активов, как было установлено ранее.

Дополнительно проанализированы иные нормативно-правовые акты Банка России, устанавливающие требования к расчету величины кредитного риска на основе внутренних рейтингов [5] и определяющие состав и порядок раскрытия Банком России информации, содержащейся в отчетности кредитных организаций (банковских групп) [6].

Кроме того, в исследовании использованы материалы Обзора банковского сектора Российской Федерации № 201 Банка России за июль 2019 года, а также публикации Афониной С.Г., Богатырёвой Е.А., Косьяненко А.В., Лапшина В.А., Науменко В.В., Смирнова С.Н. по теме сопоставления качества рейтингов российских банков [4].

Результаты исследования и их обсуждение

На текущий момент в моделях надзорного стресс-тестирования рассчитывается показатель RWA для всех банков на основе стандартизированного подхода по упрощенному алгоритму, который предполагает прогнозирование объема групп активов с однородным риск-весом в соответствии с Инструкцией Банка России от 29.11.2019 № 199-И (ред. от 26.03.2020) «Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией» (далее – Инструкция № 199-И) [1], без учета дополнительных корректировок. При этом часть банков Российской Федерации уже использует базовый или продвинутый подход на основе внутренних рейтингов для расчета RWA по кредитному риску и ожидается, что количество данных банков будет расти [2]. Также Банком России введены корректировки к расчету риск-весов в сегментах потребительского кредитования [3], которые также требуют корректировок к расчету RWA по стандартизированному подходу.

С точки зрения используемой при надзорном стресс-тестировании методологии корректнее рассчитывать показатели достаточности капитала как в базовом, так и в стрессовом сценарии с учетом базового или продвинутого подхода на основе внутренних рейтингов к расчету RWA, поскольку нормативы достаточности капитала формируются на основе значений RWA, рассчитанных с использованием базового или продвинутого подхода на основе внутренних рейтингов.

Рассчитать RWA по кредитному риску по базовому или продвинутому подходу на основе внутренних рейтингов возможно только при наличии моделей оценки кредитного риска (PD – вероятность дефолта контрагента (probability of default), LGD – потери при дефолте контрагента (loss given default), EAD – сумма под риском при дефолте (exposure at default)) на уровне отдельных кредитов, поскольку расчет риск-весов с использованием базового или продвинутого подхода на основе внутренних рейтингов осуществляется на уровне отдельных кредитов с учетом значений PD и LGD. При этом для сопоставимости оценок модели должны быть откалиброваны на соответствующие центральные тенденции отдельных банков, в противном случае оценки могут существенно отличаться от оценок RWA по кредитному риску, которые банки используют для расчета нормативов достаточности капитала.

Таким образом, осуществлять расчет RWA по базовому или продвинутому подходу на основе внутренних рейтингов для каждого отдельного сегмента кредитного портфеля возможно только при условии, что имеются модели на уровне отдельных кредитов и эти модели откалиброваны на центральные тенденции риск-метрик отдельных банков в определенных сегментах. Однако даже при наличии моделей данного типа и соответствующих калибровок решение об использовании базового или продвинутого подхода на основе внутренних рейтингов в расчете RWA в моделях надзорного стресс-тестирования является неоднозначным по двум основным причинам:

1. При расчете RWA по кредитному риску в соответствии с базовым или продвинутым подходом на основе внутренних рейтингов модели банков являются наиболее объективными, в том числе, поскольку они прошли проверку Банка России, и все метрики достаточности капитала рассчитываются именно на основании моделей банков. Даже при наличии моделей оценки кредитного риска на уровне отдельных кредитов высокого качества с собственной калибровкой для каждого отдельного портфеля отдельного банка, результаты расчетов RWA по базовому или продвинутому подходу на основе внутренних рейтингов будут отличаться от результатов банков, поскольку банки для разработки моделей могут использовать другие, как правило, более детальные данные и другие статистические методы, как технические, такие как обработка данных, так и сами эконометрические модели. Таким образом, оценки регулятора даже в базовом сценарии могут отличаться от оценок банков, которые заведомо являются наиболее объективными.

2. В соответствии с базовой концепцией достаточности капитала банка в стрессовом сценарии оценки риск-метрик кредитного риска (PD, LGD) и, как следствие, риск-веса в соответствии с базовым или продвинутым подходом на основе внутренних рейтингов не должны меняться в стрессовом сценарии. Концепция достаточности капитала любого вида (стандартизированный подход, базовый или продвинутый подход на основе внутренних рейтингов или экономический капитал) предполагает, что банк должен держать некоторую величину собственных средств, достаточную для покрытия возможных неожиданных потерь (ожидаемые потери уже учтены в резервах на возможные потери) в некотором проценте возможных сценариев, близком к 100 % для стран с наиболее развитым банковским сектором. Данная величина не должна зависеть от фазы экономического цикла, поскольку все возможные негативные сценарии уже учтены при расчете данной величины. Таким образом, в соответствии с базовым или продвинутым подходом на основе внутренних рейтингов риск-метрики, используемые для расчета риск-весов и сами риск-веса не будут изменяться в условиях стрессового сценария. Однако на практике данная предпосылка не всегда выполняется. В реальности риск-веса, рассчитанные по базовому или продвинутому подходу на основе внутренних рейтингов в стрессовом сценарии, будут меняться. Это происходит из-за того, что при ухудшение макроэкономической ситуации банки при кредитном мониторинге понижают рейтинги заемщиков. В соответствии с теорией достаточности капитала и подхода на основе внутренних рейтингов, они должны производить перекалибровку портфеля на прежние или обновленные вероятности дефолтов TTC (подход TTC предполагает присвоение заемщику рейтинга на основе худшего сценария [4]), однако в реальности они не всегда выполняют данную процедуру или выполняют ее частично.

Это связано с двумя факторами. Во-первых, у банков часто нет времени для перекалибровки рейтингов, особенно в пределах нескольких кварталов. В любом случае данная перекалибровка происходит с некоторым лагом. Во-вторых, у банков часто нет объективной информации о том, в какой момент и на сколько нужно корректировать их средние рейтинги, поскольку даже если наблюдается ухудшение среднего кредитного качества заемщиков в портфеле, они не знают, происходит ли данное ухудшение из-за ухудшения макроэкономической ситуации или из-за, например, изменения профиля заемщиков, которым они выдают кредиты. В связи с этим, оценки вероятности дефолтов, которые используются банками с базовым или продвинутым подходом на основе внутренних рейтингов, содержат как элементы вероятности дефолтов TTC, так и элементы вероятности дефолтов PIT (рейтинги PIT отражают оценку текущего положения заемщика и (или) наиболее вероятного положения в течение определенного заданного временного горизонта [4]), следовательно, в условиях реального кризиса средние риск-веса в определенной степени будут меняться (увеличиваться).

— Поскольку при расчете риск-веса актива, подверженного кредитному риску, в соответствии с Положением Банка России от 06.08.2015 № 483-П (ред. от 15.04.2020) «О порядке расчета величины кредитного риска на основе внутренних рейтингов» (далее – Положение № 483-П) [5] в базовом или продвинутом подходе на основе внутренних рейтингов используются значения вероятности дефолта (PD) средние за экономический цикл и значения потерь при дефолте (LGD) за период экономического спада независимо от фазы экономического цикла, в которой осуществляется расчет RWA. Изменение риск-метрик в стрессовом сценарии не влияет на значение риск-веса, поэтому риск-вес каждого отдельного актива, подверженного кредитному риску в стрессовом сценарии будет соответствовать его риск-весу на момент проведения оценки. Данная концепция далеко не всегда реализуется на практике, однако для оценки RWA на основе моделей надзорного стресс-тестирования данный подход является допустимым. В этом случае единственной риск-метрикой, влияющей на RWA по кредитному риску в базовом или продвинутом подходе на основе внутренних рейтингов, которая изменяется в условиях стрессового сценария является EAD в соответствии с формулой (1) величины кредитного риска (RWA) по базовому или продвинутому подходу на основе внутренних рейтингов на основании Положения № 483-П [5]:

где КРП – величина кредитного риска по активу, подверженному кредитному риску на основе базового или продвинутого подхода на основе внутренних рейтингов;

— α – поправочный коэффициент, равный 1,06 на основании Указания Банка России от 19.07.2018 № 4869-У «О внесении изменений в пункты 1 и 2 Указания Банка России от 31 августа 2017 года № 4515-У «О составе и порядке раскрытия Банком России информации, содержащейся в отчетности кредитных организаций (банковских групп)» [6];

— К_ПВР – коэффициент риска, рассчитанный по данному активу, подверженному кредитному риску на основе базового или продвинутого подхода на основе внутренних рейтингов в соответствии с Положением № 483-П [5];

— EAD – величина кредитного требования, подверженная риску дефолта, определяемая на основании Положения № 483-П [5].

Исходя из вышесказанного, для надзорного стресс-тестирования не рекомендуется создавать собственные модели оценки RWA по кредитному риску с учетом базового или продвинутого подхода на основе внутренних рейтингов и прогнозировать только изменение величины кредитных требований, подверженного риску дефолта, в стрессовом сценарии, предполагая значение риск-весов неизменным (представлено в формуле (2)):

КРПStress = КРПBaseline* (2)

где КРПStress – величина кредитного риска (RWA) по активу (портфелю активов), подверженному кредитному риску с учетом базового или продвинутого подхода на основе внутренних рейтингов в стрессовом сценарии;

— КРП Baseline – величина кредитного риска (RWA) по активу (портфелю активов), подверженному кредитному риску с учетом базового или продвинутого подхода на основе внутренних рейтингов на момент проведения оценки;

— EAD Stress – величина кредитного требования (портфеля кредитных требований), подверженных кредитному риску в стрессовом сценарии;

— EAD Baseline – величина кредитного требования (портфеля кредитных требований), подверженных кредитному риску на момент проведения оценки.

В данном случае гранулярность риск-весов играет большое значение, поскольку предположение о неизменном риск-весе портфеля является необоснованным, если, например, меняется структура активов данного портфеля. Даже если риск-вес отдельных кредитов остается неизменным, средний риск-вес портфеля может измениться, если объем задолженности (EAD) по каждому из кредитов меняется непропорционально. Таким образом, для наибольшей точности моделирования предлагается запрашивать информацию о риск-весах на уровне отдельных кредитов для кредитов юридических лиц и на уровне портфелей для кредитов физических лиц (ипотечное кредитование, кредитные карты, автокредитование и прочее). В качестве упрощенного подхода, создающего меньшую нагрузку для банков, также возможно запрашивать риск-веса только на уровне портфелей, в том числе портфелей кредитов юридических лиц (оптимально отдельно для крупных и средних юридических лиц, малого и среднего бизнеса и прочих сегментов портфеля юридических лиц).

При реализации рекомендуемого подхода ожидается, оценка RWA для банков, использующих базовый или продвинутый подход на основе внутренних рейтингов, полученная на основе моделей надзорного стресс-тестирования, будет ниже, чем соответствующая оценка на основе моделей банков. Это объясняется тем, что банки будут предполагать рост риск-весов, вызванный ростом вероятностей дефолта, в связи с чем оценка регулятора должна являться верхней границей возможного интервала оценок банков. В дальнейшем рекомендуется на основе сравнения результатов банков определить среднее изменение вероятностей дефолта PD TTC в стрессовом сценарии и соответствующее изменение риск-весов с учетом базового или продвинутого подхода на основе внутренних рейтингов.

Что касается стандартизированного подхода, то в данном случае расчет RWA является более однозначным, по крайней мере, по упрощенному алгоритму, который предполагает прогнозирование объема групп активов с однородным риск-весом в соответствии с Инструкцией № 199-И, поскольку в соответствии с Инструкцией № 199-И существует четкое разделение портфеля на категории по уровню риска и риск-вес в каждой категории является однородным. Однако существуют исключения, связанные, например, с введением регулятором ограничений на рост потребительского кредитования [7], которые предполагают различные риск-веса для различных категорий потребительских кредитов. В связи с данными и последующими нововведениями также рекомендуется учитывать индивидуальные риск-веса активов банков в соответствующих портфелях на основании стандартизированного подхода.

В целом прогнозирование RWA и, в частности, риск-весов, является трудоемким процессом, в том числе, при полноценной реализации требований [1] в стандартизированном подходе, который будет иметь ограниченное влияние на итоговые показатели достаточности капитала, поскольку в соответствии с базовой методикой риск-весов, особенно в базовом или продвинутом подходе на основе внутренних рейтингов, предполагается, что риск-веса не должны зависеть от фазы экономического цикла. В связи с этим, не рекомендуется разрабатывать комплексные модели прогнозирования RWA банков или, по крайней мере, приступать к разработке подобных моделей в приоритетном порядке. Однако рекомендуется иметь упрощенные модели, которые будут способны выявить значимые отклонения результатов банков от ожидаемой динамики его RWA, особенно если источником данных отклонений является стремление банка получить наиболее благоприятные для себя результаты надзорного стресс-тестирования.

Источник

ML и DS оттенки кредитного риск-менеджмента

Мы команда Advanced Analytics GlowByte и запускаем цикл статей о моделировании в задачах управления кредитным риском. Цель цикла — кратко рассказать о сфере, расширить словарь профессиональных терминов и дать ссылки на полезные статьи и книги. В вводной статье мы покажем особенности применения ML и DS в сфере кредитного риска, без глубокого погружения в предметную область.

Далее раскроем вопросы методологии моделирования, работы с компонентами кредитного риска, а также подходов к калибровке и валидации, которые учитывают специфику работы моделей в банке.

Основа публикаций — наш проектный опыт по разработке и внедрению аналитических моделей в банковской сфере.

Чем рискуем?

Простым языком, кредитный риск — риск нарушения клиентами условий выплаты денежных средств по кредитным договорам.

Сфокусируемся на трех задачах, которые возникают в рамках кредитного риск-менеджмента.

Всем труба (pipeline) или схема кредитного процесса

Схематично кредитный процесс выглядит так:

Часть этого процесса от подачи заявления до выдачи именуется кредитным конвейером. В этой схеме есть упрощения. Например, мы рассматриваем процесс в рамках одного кредитного продукта, т.е. остаются за скобками вопросы маркетинга (Marketing Optimization, каннибализации продуктов, оттока клиентов и др). Из pipeline исключены процессы прескоринга, экспертной корректировки рейтинга и применения стоп-факторов андеррайтерами. Под стоп-факторами подразумеваются ограничения, природа которых, в первую очередь, в структуре продукта, который банк предлагает клиенту. Пример — вхождение клиента в список банкротов или наличие просрочки по кредитам в других банках.

Рейтинговое моделирование

Задача рейтингового моделирования (РМ) — это построение модели рейтингования клиентов для последующего ранжирования. Рейтингование производится по отношению к разным негативным событиям — ухудшение кредитоспособности, банкротство и т.д.

В зависимости от контекста, можно по-разному классифицировать эту задачу:

По этапу жизненного цикла клиента:

Из смежных задач стоит упомянуть задачу кредитного офферинга (см. далее) и задачу подбора порога отсечки по скоринговому баллу — определение порога одобрения. Последняя задача не освещается в этой статье, но содержит пространство для cutting-edge ML подходов. Например, есть попытки использования RL [7].

Еще кратко следует упомянуть актуальные тенденции по увеличению качества разрабатываемых моделей рейтингового моделирования:

Кредитный офферинг или как сделать предложение от которого нельзя отказаться

Результат рейтинговой модели (абсолютное значение оценки вероятности дефолта — PD) может быть использован для решения задачи кредитного офферинга. Под кредитным офферингом подразумеваем, в первую очередь, задачу установки первоначального лимита клиенту.

Безусловно, одного значения PD — прогноза вероятности дефолта — для определения оптимального лимита недостаточно. Нужно понимать допустимую область значений лимита, которые разумно предлагать клиентам. Это необходимо, чтобы сумма хотя бы косвенно отражала потребности клиента и его возможности по обслуживанию долга.

Ориентиром в этом случае может быть, например, оборот собственных средств клиента по некредитным продуктам.

Что еще нужно знать? Для лучшего понимания задачи нужно иметь представление о структуре стоимости кредита. Она схематично представлена на следующей диаграмме (подсмотрено в [11]):

«Ресурс» — стоимость денег, за счет которых осуществляется кредитование (например, ставка по депозитам, которая привлекает деньги вкладчиков и обеспечивает требуемую денежную массу). «Маржа» — ожидаемая прибыль от выдачи кредита. «Риск» — отчисление на случай невозврата кредита. «Расходы» — расходы на привлечение и обслуживание.

В этой структуре рейтинговое моделирование может быть использовано для определения размера и структуры блока «Риск». «Ресурс», в значительной степени, определяется ключевой ставкой ЦБ. «Расходы» и «маржа» — продуктовые составляющие, часто указываются в паспорте продукта.

Другими словами, «Риск» является всего лишь одной из компонент, которая влияет на итоговую доходность по сделке.

А как быть с другими? Похоже, возникает оптимизационная задача. Попробуем ее формализовать. Стоит подчеркнуть, что вариантов может быть множество, и опираться, в первую очередь, стоит на бизнес-задачу и контекст процесса разработки.

Начнем с простого варианта и далее покажем потенциальные точки развития решения. Проще всего оптимизировать доходность сделки.

Пусть происходит выдача кредитного договора на сумму L (лимит). У этого договора есть прогнозная вероятность дефолта PD. В первом приближении считаем, что клиент на момент дефолта имеет задолженность равную L.

Тогда оптимизационная задача будет выглядеть следующим образом:

Видим, что PD фиксирован и зависимость от L линейная. Казалось бы, оптимизировать нечего.

Однако в реальной жизни PD зависит от L по следующим соображениям: чем больше лимит, тем сложнее обслуживать долг и, соответственно, тем выше вероятность дефолта. В этом случае наша задача, действительно, превращается в оптимизационную. Однако и тут есть нюанс. В выборке бывают клиенты с разными доходами, поэтому абсолютных значений будет недостаточно. Лучше всего строить зависимости не от лимита, а от уровня закредитованности, т.е. параметра :

Зависимость может быть восстановлена на исторических данных или данных пилота.

Также на оптимизационную задачу могут влиять продуктовые стопы. Например, в паспорте продукта могут быть указаны допустимые границы уровня риска (вероятности дефолта). Тогда оптимизация производится только до указанной границы.

В целом, и особенно для других индустрий (телеком, например) оценка дохода и дебиторской задолженности (по-другому, EAD — Exposure at default — величина кредита на дату дефолта) в виде лимита являются слишком консервативными. Кроме того, стоит учесть, что часть средств может быть возвращена (та доля EAD, которая не будет возвращена, обозначается LGD – Loss Given Default). Тогда

Обычно для выручки и EAD разрабатываются отдельные модели. LGD чаще всего заменяется консервативным значением, которое зависит от отрасли (банки, телеком и т.д.) и типа продукта (может оценивается как средний LGD по продукту). Для ориентира можно посоветовать использовать любимое число в диапазоне 0.9-1.

До сих пор мы считали, что только PD зависит от . Но такой зависимостью могут обладать и другие компоненты:

Далее, если мы хотим учитывать другие продукты в офферинге (например, для выбора оптимального предложения клиенту), то дополнительно следует учитывать вероятность отклика клиента на продукт и вероятность оттока, если клиент уже обслуживается:

«Отклик» — вероятность взятия продукта, «Отток» — вероятность оттока клиента. В этом случае можно сравнивать доходности между разными продуктами и решать задачи Marketing Optimization.

Все что здесь перечислено — лишь канва для решения задачи. Пока мы не учитывали расходы на каждый продукт, стоимость привлечения ресурсов, стоимость кампании, вероятность мошенничества и т.д.

В общем случае их надо также включать в оптимизатор. Все зависит от контекста и приемлемого уровня приближения для решения бизнес-задачи.

Что еще погуглить? Ключевые слова risk-based limit, credit-limit management profit-based approach.

Итак, деньги предложены и выданы клиентам. Но часть из них начинает уходить в просрочку. Как управлять ситуацией? Берем паяльник. Собираем подушку безопасности в виде резерва денег. Как это сделать, расскажем прямо сейчас.

Резервы и роль DS для их расчета

Определение величины риска является ключевым в деятельности банка: в зависимости от аппетита к риску банк определяет с какими клиентами готов работать. Но в любом случае для минимизации возможных потерь формируется денежный резерв в виде наличности или ликвидных ценных бумаг. В худшем случае банк теряет весь портфель, однако это маловероятно, поэтому иметь полный резерв не слишком эффективно. Нужен некоторый баланс.

Для этого надо точно определить объем денег, который следует зарезервировать. Так появляется задача обеспечения достаточности капитала (required capital) под ожидаемые потери. (Expected Loss — EL). Требования достаточности капитала определяются и отслеживаются регулятором (Центральный банк).

Интуицией для регулятора служит международный опыт, отраженный в разных нормативных документах. Международный опыт спроецирован на отечественную реальность в ряд положений и указаний. Но об этом чуть позже.

Взглянем на эволюцию подхода, чтобы подчеркнуть как именно возрастала роль DS и ML в контексте данной задачи.

В 1974 году при банке международных расчетов в Базеле был сформирован Базельский комитет по банковскому надзору, который и по сей день занимается внедрением единых стандартов в сфере банковского регулирования.

Первым принятым соглашением было Базельское соглашение о капитале Basel I в 1988 году. В Basel I основное внимание уделялось кредитному риску и было установлено, что размер капитала должен превышать 8% активов банка, взвешенных с учетом риска (Активы, взвешенные с учетом риска – Risk-weighted Assets (RWA)).

Например, рассмотрим Ипотеку за 100кР (да-да, пример в вакууме):

Т.е. банку под данный договор необходимо зарезервировать не менее 4кР.

Подход очень прост и в этом его большое преимущество. Но и недостаток тоже: не применить XGBoost не учитываются, например, поведение клиента и общая экономическая ситуация.

Для устранения недостатков соглашения Basel I было введено соглашение Basel II. Во-первых, Basel II учел другие типы рисков (операционные и рыночные) для резервирования, а во вторых, что более важно для нас, декомпозировал расчет на компоненты. В этот момент и появляется простор для Xgboost ML и DS.

Basel III было введено как прямой результат глобального экономического кризиса. Добавились риски и усложнились расчеты. Для рассуждений нам хватит первых двух соглашений. Чуть подробнее для первого ознакомления можно погрузиться в первые страницы [6].

Так как же посчитать? В России, аналогично базельской системе, есть несколько подходов к оценке RWA:

1. Стандартный подход– наиболее простой. Основа — положение ЦБ 590-П.
Далее цитата (подслушано в [12]):

«Концепция оценки кредитного риска, описанная в Положении 590-п, не предполагает непосредственного расчета параметров кредитного риска. Размер формируемого резерва определяется на основании профессионального суждения в соответствии с критериями, заданными регулятором по отдельным ссудам или на основании методики оценки кредитного риска по портфелям однородных ссуд, при этом ссуда (портфель однородных ссуд) относится к одной из пяти категорий качества. Для каждой категории банком России определены диапазоны обесценения в процентах от балансовой стоимости финансового инструмента.»

Иными словами, все ссуды экспертно классифицируются на 5 категорий качества, и в зависимости от категории определяется объем резервирования. Кроме того, определяются так называемые индивидуальные признаки обесценения (например, ухудшение финансового положения), на основе которых кредитный договор может быть выведен из ПОС (портфель однородных ссуд) с дальнейшей оценкой резервов на индивидуальной основе.

2. Подходы на основе Внутренних Рейтингов(ПВР, регламентируется положением ЦБ 483-П) уже подразумевают наличие компонент PD, LGD и EAD.
На иллюстрации ниже отражены зоны ответственности банка и регулятора при разных подходах:

Как видно из таблицы выше, в случае использования базового или продвинутого ПВР, задача по оценке отдельных компонент проводится банками самостоятельно, в связи с чем возникает необходимость построения предиктивных моделей на основе исторических данных. А с учетом того, что для отдельных кредитных продуктов зачастую используются различные сегменты клиентов и, соответственно, необходимо строить отдельные модели, появляется простор для работы data scientist’ов.

При имеющихся рассчитанных значениях указанных компонент можно определить ожидаемые потери (Expected Loss – EL) и неожиданные потери (Unexpected Loss – UL).

Потери в рублях представляют собой произведение трех компонент:

еще встретится нам неоднократно в цикле статей — это рефрен задачи резервирования в кредитном риске.

После такого рода декомпозиции EL (ECL), возникает возможность смоделировать (DS и ML, привет!) ) каждую из упомянутых величин PD (модель бинарной классификации), LGD (модель регрессии), EAD (модель регрессии), где, в рамках указанных регулятором требований на разных этапах моделирования (разработка, калибровка и валидация) появляется возможность для использования статистических методов и алгоритмов машинного обучения.

Сумма EL и UL формирует величину стоимости под риском (Value at Risk – VaR) – меру, которую с заданной вероятностью (по базельским соглашениям 99%) не превысят потери в течение определенного периода времени.

Подробнее об особенностях моделирования компонент PD, LGD, EAD расскажем в следующей статье цикла, а пока рассмотрим еще один способ оценки суммы для формирования резервов.

3. Методология МСФО9. Кратко.
Методология МСФО9 для определения резервов использует:

В подходе МСФО9 ещё больше простора для DS и ML-экспериментов.

Что еще почитать?

Выводы

Основной вывод после написания вводной статьи для нас (abv_gbc, alisaalisa, artysav, eienkotowaru) таков: крайне сложно коротко рассказать даже о трех задачах, возникающих в расчете кредитного риска. Почему?

Для этих задач разработана детальная методология, что дает хорошую пищу для ML и DS размышлений. Эти размышления развивают подходы для ответа на все более сложные вызовы рынка. Инструменты, основанные на таких подходах, из комплементарных постепенно становятся основными при принятии решения. Все это вместе позволяет переносить лучшие практики и интуиции риск-моделирования в другие индустрии (телеком, страхование, промышленность). Какие именно? Расскажем в следующих статьях цикла.

Источник