Современные подходы к моделированию рисков и стресс-тестированию, применяемые в практике финансовых институтов

Выбор наилучшей модели для расчета потенциальных кредитных рисков, остается довольно актуальной проблемой для любого финансового института. С активным развитием моделей машинного обучения, меняются и внутренние модели для оценки рисков, становясь сложнее и повышая свою точность. В работе анализируется портфель одного из крупнейших российских банков и применение к нему различных методов оценки ожидаемых убытков от невыплаченных кредитных обязательств. Используются наиболее популярные модели в сфере оценки рисков, как ПВР, CreditMetrics (стандартный подход и модифицированный, с использованием симуляции Монте-Карло), а также CreditRisk+. Каждая из них обладает своими особенностями моделирования. Также важны данные, которые используются в этих подходах: при существенном дисбалансе, точность прогноза может существенно завышать или занижать реальные значения кредитных убытков. Наиболее гибким инструментом оказался подход ПВР, который продемонстрировал высокую точность оценки общего риска портфеля. В работе даны рекомендации по возможной корректировке риск стратегии, с выбором модели с лучшей предсказательной способностью, которой оказалась CreditRisk+. Результаты исследования позволяют также сделать вывод о применимости готовых методологий моделирования кредитных рисков для портфеля с низкой частотой дефолтов. Кроме того, выбранный для анализа сегмент также характеризуется довольно большим отклонением между заемщиками, что сказалось на точности разработанной PD модели. Результаты исследования потенциально могут заинтересовать менеджмент банков, а также регулятора.