Кредитный Скоринг в Банковском Секторе РФ: Трансформация Методологии и Регуляторного Ландшафта (Пост-2020)

метки: Модель, Скоринг, Оценка, Банковский, Дефолт, Значение, Внедрение, Особенно

По состоянию на 1 октября 2024 года, доля проблемных кредитов (Non-Performing Loans, NPL 90+) в российском банковском секторе выросла на 0,3 процентных пункта, достигнув критического значения в 7,9%.

Этот факт — не просто статистический показатель; он является индикатором фундаментальных проблем в управлении кредитным риском и прямым обоснованием необходимости постоянного, глубокого совершенствования скоринговых методологий. В условиях геополитической и экономической волатильности, где доходы заемщиков подвержены резким колебаниям, традиционные статические методы оценки кредитоспособности оказываются неэффективными. И что из этого следует? Банковская система вынуждена искать более динамичные, адаптивные инструменты прогнозирования дефолта, чтобы минимизировать риски и обеспечить финансовую устойчивость.

Данная работа посвящена всестороннему исследованию современных моделей кредитного скоринга (физических и юридических лиц) в банковском секторе Российской Федерации. Анализ сфокусирован на актуальной практике применения и направлениях совершенствования методологии, с акцентом на опыт ведущих российских банков (на примере Сбербанка) в условиях текущего экономического и, что критически важно, обновленного регуляторного ландшафта (пост-2020).

Теоретические Основы и Актуальный Регуляторный Базис Кредитного Риска

Сущность и Виды Кредитного Скоринга в Современной Банковской Практике

Кредитный скоринг (от англ. score — балл, оценка) — это автоматизированная система оценки заемщика, использующая статистические и математические модели для прогнозирования вероятности невозврата кредита, или дефолта. Его ключевая функция заключается в минимизации кредитного риска банка при одновременном сокращении операционных издержек и времени на принятие решения. Поэтому, несмотря на усложнение алгоритмов, именно скорость и точность принятия решения остаются главными критериями эффективности скоринговой системы.

В современной банковской практике выделяют несколько ключевых видов скоринга, интегрированных в автоматизированный кредитный конвейер:

Бюро кредитных историй как ключевой инструмент риск-менеджмента ...

... оценить риск дефолта. Цель настоящего исследования — провести комплексный анализ роли Бюро кредитных историй в системе риск-менеджмента ... и инновационные (Big Data, Machine Learning) методы кредитного скоринга, применяемые в РФ. На основе актуальной статистики ... информации имеют решающее значение для принятия решений кредиторами. Состав кредитной истории подразделяется на четыре части: Титульная ...

1. Application Scoring (Скоринг заявки): Применяется на этапе рассмотрения первичной заявки. Использует внешние и внутренние данные (анкетные данные, информацию из БКИ) для принятия решения о выдаче или отказе в кредите.
2. Behavioral Scoring (Поведенческий скоринг): Применяется для оценки действующих клиентов. Анализирует поведенческие паттерны клиента, его историю обслуживания, транзакционную активность, своевременность погашения существующих долгов. Этот вид скоринга критически важен для принятия решений о повышении лимитов, реструктуризации или кросс-продажах.
3. Collection Scoring (Скоринг взыскания): Используется для оценки вероятности успешного возврата долга в случае просрочки. Помогает банку определить оптимальную стратегию работы с просроченной задолженностью (например, мягкое напоминание или немедленная передача коллекторам).
4. Anti-Fraud Scoring (Скоринг против мошенничества): Направлен на выявление признаков мошенничества в заявке или транзакциях, предотвращая убытки, не связанные напрямую с неплатежеспособностью клиента.

Регуляторные Требования ЦБ РФ к Оценке Кредитного Риска (Пост-2020)

Регуляторный ландшафт в России претерпел значительные изменения после 2020 года, что обусловлено стремлением Банка России (ЦБ РФ) повысить устойчивость финансовой системы и унифицировать подходы к оценке рисков в соответствии с международными стандартами (Базель III).

1. Подход на Основе Внутренних Рейтингов (ПВР/IRB): Положение № 845-П.

Ключевым сдвигом в регулировании стало введение в действие Положения Банка России от 02.11.2024 № 845-П. Данный документ устанавливает порядок расчета величины кредитного риска банками с применением собственных банковских методик и моделей количественной оценки кредитного риска в рамках подхода на основе внутренних рейтингов (ПВР/IRB).

Применение ПВР позволяет крупным банкам, доказавшим высокий уровень внутренней компетенции и качества данных, использовать свои скоринговые модели для расчета требуемого капитала под кредитный риск. Это дает существенные конкурентные преимущества. По состоянию на конец 2024 года, четыре крупнейших системообразующих банка России уже применяют ПВР, и ЦБ РФ планирует обязать все 13 Системно Значимых Кредитных Организаций (СЗКО) перейти на этот подход с 2025 года.

2. Формирование Резервов: Положение № 590-П и Указание № 6377-У.

Положение Банка России от 28.06.2017 № 590-П регулирует порядок формирования резервов на возможные потери по ссудам (РВПС).

Критически важно, что оценка финансового положения (ФП) заемщика, на которой базируется скоринг, должна отвечать критериям актуальности и достаточности, а также учитывать приоритет экономического содержания над юридической формой сделки. Какой важный нюанс здесь упускается? Банки должны постоянно актуализировать свои модели, чтобы избежать регуляторного арбитража и обеспечить адекватное покрытие рисков, а не просто следовать формальным критериям.

Системный анализ и моделирование управления кредитным риском ...

... Этот подход позволил банкам не просто накапливать капитал, а связывать его размер с реальной вероятностью потерь, используя собственные модели для оценки ключевых параметров риска: вероятности дефолта (PD), ... например, ужесточение кредитной политики) автоматически отражались в других (например, в модели скоринга, объеме резервирования и достаточности капитала). И что из этого следует? Без такой ...

Значимые изменения были внесены Указанием Банка России от 15.03.2023 № 6377-У, которое, в частности, ужесточило требования к резервированию по ипотечным жилищным ссудам, выданным после этой даты. Это прямо влияет на входные параметры скоринговых моделей, требуя от них более консервативной оценки риска в высокорисковых сегментах.

3. Стимулирующее Регулирование (ТС и САЭ).

С 2025 года ЦБ РФ ввел меры стимулирующего регулирования, направленные на поддержку приоритетных государственных проектов. Изменения в Инструкцию № 199-И и Положение № 483-П позволяют банкам снизить нагрузку на капитал по корпоративным кредитам, связанным с финансированием проектов технологического суверенитета и структурной адаптации экономики РФ (ТС и САЭ).

Банкам-кредиторам по таким проектам разрешено применять пониженный коэффициент риска (75%), что может снизить нагрузку на капитал в два-три раза. Это, в свою очередь, требует от скоринговых моделей ЮЛ не только оценки кредитоспособности, но и верификации соответствия заемщика критериям ТС и САЭ.

Эволюция Моделей Оценки Кредитоспособности: От Эконометрики к Искусственному Интеллекту

Исторически скоринг развивался от экспертных систем и классических статистических методов к сложным алгоритмам машинного обучения. Сегодня в российском банковском секторе наблюдается переход от линейных эконометрических моделей, которые обладают высокой интерпретируемостью, к нелинейным моделям AI/ML, обеспечивающим более высокую точность прогноза.

Классические Эконометрические Модели (Logit/Probit) и Их Место в Скоринге

Классические скоринговые карты строятся на основе дискриминантного анализа, наиболее распространенным видом которого является логистическая регрессия (Logit-модель). Ее основное преимущество — способность преобразовывать линейную комбинацию факторов риска в вероятность наступления бинарного события (дефолт/недефолт), а также ее высокая интерпретируемость. Разве не удивительно, что, несмотря на бурное развитие нейронных сетей, именно эта простая, но надежная модель до сих пор является фундаментом для валидации большинства новых систем?

Математическая логика модели состоит в том, что вероятность дефолта (P) рассчитывается с использованием сигмоидной (логистической) функции:

P = 1 / (1 + e-(β0 + Σi βi ⋅ Xi))

Где:

• P — вероятность дефолта (значение от 0 до 1).
• e — основание натурального логарифма.
• X_i — характеристики заемщика (возраст, доход, кредитная история).
• β₀ — свободный член.
• β_i — весовые коэффициенты, определяющие вклад каждого фактора в вероятность дефолта.

Роль весовых коэффициентов (β_i): Эти коэффициенты устанавливаются методом максимального правдоподобия на основе исторических данных. Чем выше коэффициент, тем сильнее данный фактор влияет на вероятность дефолта. В скоринговой карте каждому значению X_i присваивается определенное количество баллов (score points), пропорциональное β_i.

Несмотря на появление более сложных моделей, логистическая регрессия остается фундаментальным инструментом, особенно при разработке базовых скоринговых карт и в качестве отправной точки для валидации более сложных моделей.

Применение Моделей Машинного Обучения (ML/AI) в Российском Скоринге

Для повышения точности прогнозирования и извлечения нелинейных зависимостей из Big Data крупные российские банки, такие как Сбербанк, активно переходят к моделям машинного обучения.

Основные ML-модели:

Модель	Характеристика и Применение в Скоринге	Интерпретируемость (XAI)
Random Forest	Композиция большого числа решающих деревьев. Снижает риск переобучения, хорошо работает с разнородными данными. Используется как мощный классификатор.	Средняя (требует дополнительных методов, например, SHAP/LIME)
XGBoost / LightGBM	Алгоритмы градиентного бустинга. Являются наиболее популярными в российском банковском секторе благодаря высочайшей точности прогноза (за счет последовательного исправления ошибок предыдущих моделей). LightGBM оптимизирован для работы с очень большими объемами данных.	Низкая (сложно объяснить неспециалисту)
Глубокие Нейронные Сети (DNN)	Используются редко, в основном для анализа неструктурированных данных (текст, голос) или при наличии циклопических объемов данных. Требуют огромной вычислительной мощности.	Крайне низкая

Критическое Требование Интерпретируемости (XAI).

Переход к сложным нелинейным моделям наталкивается на серьезный регуляторный барьер — проблему «черного ящика». Банк России, особенно при утверждении моделей в рамках ПВР-подхода, предъявляет жесткие требования к интерпретируемости моделей (Explainable AI, XAI).

Банк должен не просто знать, что модель работает, но и понимать, почему она приняла то или иное решение, чтобы обеспечить справедливое и недискриминационное кредитование.

Это требование часто обуславливает выбор в пользу древовидных моделей (Gradient Boosting), которые, хотя и сложны, но поддаются декомпозиции и могут быть объяснены с помощью специальных методов (например, оценка важности признаков).

Регуляторный контроль фокусируется на прозрачности процесса валидации и адекватности используемых данных.

Практика Применения Скоринговых Систем на Примере Крупнейшего Банка РФ (Кейс Сбербанка)

Практика кредитного скоринга в крупнейших российских банках отражает последние мировые тенденции, особенно в части интеграции Big Data и отказа от статических моделей в пользу динамических, поведенческих систем. Сбербанк, как лидер сектора, демонстрирует наиболее инновационный подход.

Особенности Скоринга Физических Лиц (ФЛ) и Внедрение Транзакционных Моделей

Скоринг физических лиц в Сбербанке претерпел кардинальную трансформацию, отвечая на двойной вызов: необходимость ускорения процесса выдачи и проблему «тонкого файла» (отсутствие или недостаточность кредитной истории у новых заемщиков).

Традиционный скоринг ФЛ основывался на трех столпах:

1. Анкетные данные (доход, занятость).
2. Кредитная история из БКИ.
3. Социально-демографические факторы (возраст, семейное положение).

Инновация: Транзакционный Скоринг.

С 2020 года Сбербанк активно внедряет модели, основанные на анализе внутренних банковских транзакций клиента. Банк подал заявку на патент для системы «транзакционного скоринга» 21 сентября 2020 года, разработав ее на основе анализа более 200 миллионов транзакций 740 тысяч клиентов.

Суть транзакционного скоринга заключается в следующем:

Традиционный Фактор	Транзакционный Фактор	Аналитическое Значение
Официальный доход (справка 2-НДФЛ)	Регулярность и размер поступлений на счет (поведенческий доход)	Позволяет оценить реальную платежеспособность, включая «серые» доходы.
Наличие автомобиля (по анкете)	Регулярные траты на топливо, автосервис	Свидетельствует о наличии актива и стабильности образа жизни.
Кредитная история (БКИ)	Баланс расходов и остатков на счетах	Оценка уровня благонадежности, склонности к сбережениям, а не только к потреблению.

Такая система позволяет формировать надежный скоринговый балл, даже если клиент не имеет длительной кредитной истории, но является активным клиентом банка. Это ключевое решение проблемы «тонкого файла» в условиях российского рынка.

Методика Комплексной Оценки Кредитоспособности Юридических Лиц (ЮЛ)

Скоринг юридических лиц в России, в том числе в Сбербанке, остается более консервативным и комплексным, поскольку кредитные риски ЮЛ значительно выше и зависят от макроэкономической конъюнктуры и специфики отрасли. Методика оценки ЮЛ включает три ключевых блока:

1. Анализ Финансового Состояния.

Оценка базируется на системе финансовых коэффициентов, которые классифицируют по группам (ликвидность, финансовая устойчивость, деловая активность, рентабельность).

Группа Коэффициентов	Ключевые Показатели	Применение в Скоринге ЮЛ
Ликвидность	Коэффициент текущей, быстрой ликвидности	Оценка способности компании своевременно покрывать краткосрочные обязательства.
Финансовая устойчивость	Коэффициент автономии, плечо финансового рычага	Оценка структуры капитала и степени зависимости от заемных средств.
Деловая активность	Оборачиваемость активов, кредиторской задолженности	Оценка эффективности использования ресурсов и скорости бизнес-цикла.
Рентабельность	Рентабельность продаж (ROS), активов (ROA)	Оценка прибыльности деятельности.

Банки также анализируют Выручку, Прибыль, Чистый денежный поток, Точку безубыточности и Оборотный капитал, которые являются основными финансовыми показателями для определения кредитного рейтинга ЮЛ.

2. Анализ Делового Риска (Качественные Факторы).

Включает оценку таких факторов, как:

• Отраслевой риск (положение отрасли в экономическом цикле).
• Менеджмент и репутация компании.
• Наличие государственных контрактов (для снижения риска).
• Опыт работы на рынке.

3. Рейтинговая Система.

Банк присваивает каждому ЮЛ внутренний кредитный рейтинг (Рейтинг Надежности), классифицируя их по кластерам кредитоспособности (например, от ААА до D).

Общая сумма баллов рассчитывается путем взвешенного умножения значения показателя на его коэффициент значимости.

Рейтинг = Σj=1n (Значение показателяj ⋅ Весовой коэффициентj)

В отличие от скоринга ФЛ, скоринг ЮЛ менее автоматизирован и требует участия кредитного аналитика, особенно при оценке крупных корпоративных заемщиков.

Проблемы, Метрики Эффективности и Перспективы Совершенствования Скоринговой Методологии

Актуальные Проблемы и Риски Применения Скоринга в РФ

Несмотря на технологический прогресс, скоринговые системы в российской экономике сталкиваются с рядом специфических вызовов:

1. Волатильность Доходов и Качество Данных.

Высокая волатильность доходов значительной части населения, особенно в условиях макроэкономических шоков, снижает долгосрочную прогностическую силу традиционных моделей, основанных на статических данных о доходе. Даже при использовании поведенческого скоринга, резкое изменение платежеспособности может быть не учтено.

2. Проблема «Тонкого Файла» (Thin File).

Эта проблема остается острой, особенно для молодых заемщиков и новых сегментов. В I квартале 2024 года 8% граждан, получивших займы в МФО, ранее никогда не пользовались заемными средствами. Для таких клиентов невозможно построить скоринговую модель на основе БКИ.

Для компенсации дефицита статистической информации банки вынуждены активно использовать Big Data и некредитные источники:

• Данные операторов связи (мобильные платежи, геолокация).
• Данные маркетплейсов и агрегаторов (поведенческие паттерны покупок).
• Информация из государственных баз данных (ФНС, ПФР).

3. Недостоверность Сведений.

Остается проблема предоставления недостоверных сведений в анкетах, особенно при попытке получения крупного займа, что требует от банков постоянного совершенствования методов Anti-Fraud скоринга и перекрестной верификации данных.

Экономическая Эффективность и Метрики Качества Скоринговых Моделей

Эффективность внедрения скоринга оценивается по двум ключевым направлениям: операционному и риск-орие��тированному.

Операционная Эффективность:

Ключевой показатель — сокращение времени андеррайтинга. Применение скоринга позволяет сократить время на принятие предварительного решения по крупным кредитам (например, ипотеке) с «около суток» до нескольких минут. Это радикально ускоряет кредитный конвейер и позволяет банку расширять клиентскую базу.

Риск-Ориентированная Эффективность:

Основная цель — снижение кредитного риска, то есть уменьшение уровня NPL (Non-Performing Loans).

Снижение NPL на 1% в масштабах крупного банка может сэкономить миллиарды рублей на резервировании. Чтобы добиться этого, необходимо постоянно следить за метриками качества модели.

Метрики Качества Модели

Для оценки качества и дискриминирующей способности скоринговых моделей используются статистические метрики:

1. AUC-ROC (Area Under Curve — Receiver Operating Characteristic).

AUC-ROC измеряет способность модели отличать «хороших» заемщиков от «плохих». Это площадь под кривой, которая строится на сопоставлении Чувствительности (True Positive Rate, TPR) и (1 — Специфичности) (False Positive Rate, FPR).

TPR = TP / (TP + FN) и FPR = FP / (FP + TN)

Где TP (True Positive) — корректно предсказанный дефолт, TN (True Negative) — корректно предсказанный недефолт.

• Значение AUC_ROC = 0,5 соответствует случайному прогнозу.
• Значение AUC_ROC = 1,0 — идеальная модель.
• В банковской практике целевой уровень AUC_ROC обычно находится в диапазоне 0,75–0,85.

2. Коэффициент Джини (Gini-коэффициент).

Коэффициент Джини является производным от AUC_ROC и также измеряет дискриминирующую способность модели. Он более интуитивен для финансового анализа.

Формула связи:

GINI = 2 ⋅ AUCROC - 1

Значение GINI = 0 означает отсутствие дискриминирующей способности, а GINI = 1 — идеальную модель. Современные поведенческие скоринговые модели (Behavioral Scoring) в российских банках, построенные на ML-алгоритмах, демонстрируют коэффициент GINI в диапазоне 0,60–0,70 (или 60%–70%), что является показателем высокой устойчивости и точности прогноза.

Направления Совершенствования: Развитие Open Banking и БКИ

Будущее скоринга в РФ неразрывно связано с расширением доступа к данным и их стандартизацией.

1. Внедрение Открытого Банкинга (Open Banking).

Ключевым вектором развития является внедрение технологий Open Banking (Открытых API), которые позволят клиентам безопасно и с их согласия делиться своими финансовыми данными (остатки по счетам, транзакции) с третьими сторонами (другими банками, финтех-компаниями).

Банк России с 2020 года активно разрабатывает стандарты для Открытых API. К актуальным стандартам безопасности, вступившим в силу с 1 января 2025 года, относятся СТО БР ФАПИ.СЕК-1.6-2024 и СТО БР ФАПИ.ПАОК-1.0-2024. Ключевой особенностью является использование отечественной суверенной криптографии. Внедрение Open Banking позволит банкам получать более полную и актуальную информацию о финансовом поведении потенциального заемщика, существенно повышая точность Application Scoring.

2. Развитие Национальных Бюро Кредитных Историй (БКИ).

Развитие БКИ идет по пути создания Единой системы оценивания. С 1 января 2022 года на основании требований ЦБ РФ была введена Единая шкала Персонального Кредитного Рейтинга (ПКР) в диапазоне от 1 до 999 баллов для всех БКИ. Это способствует унификации оценки заемщиков и упрощает принятие решений для небольших банков, не имеющих ресурсов для разработки сложных внутренних моделей.

Заключение и Выводы

Проведенное исследование подтверждает, что методология кредитного скоринга в банковском секторе РФ находится на этапе быстрой и глубокой трансформации, обусловленной новыми регуляторными требованиями, технологическим прогрессом и макроэкономическими вызовами (рост NPL до 7,9%).

Цель работы — всесторонний анализ современных методов скоринга — была достигнута.

Ключевые выводы исследования:

1. Критическая Роль Регулятора: Современный скоринг жестко регулируется ЦБ РФ. Ключевым требованием является переход системообразующих банков на подход ПВР/IRB (Положение № 845-П), что требует от банков не только точности, но и интерпретируемости (XAI) моделей. Стимулирующее регулирование (пониженный коэффициент риска 75% для ТС и САЭ) формирует новые критерии оценки корпоративных заемщиков.
2. Доминирование AI/ML-Моделей: Произошел окончательный сдвиг от классической логистической регрессии к нелинейным моделям машинного обучения (прежде всего, XGBoost и LightGBM).

   Эти модели демонстрируют высокие показатели точности ($GINI$ в диапазоне 0,60–0,70), что критически важно для эффективного управления риском.

3. Инновация в Скоринге ФЛ: На примере Сбербанка выявлена ключевая инновация — внедрение транзакционного скоринга (патент 2020 года).

   Этот метод, основанный на анализе банковских операций, является наиболее эффективным ответом на проблему «тонкого файла» и позволяет оценивать реальную, а не только декларируемую платежеспособность.

4. Вектор Развития — Open Banking: Главным направлением совершенствования методологии является внедрение Открытого Банкинга (стандарты СТО БР ФАПИ, 2025).

   Это обеспечит безопасный, стандартизированный доступ к широкому спектру финансовых данных клиента, что станет основой для нового, более точного поколения скоринговых моделей.

Таким образом, современные модели кредитного скоринга в России представляют собой высокотехнологичный комплекс, сочетающий статистическую строгость эконометрики, прогностическую мощь искусственного интеллекта и строгие требования регулятора к прозрачности и устойчивости.

Список использованной литературы

1. Губер Т. Как читать баланс. М.: МАКИЗ, 2011.
2. Дембинский Н.В. Вопросы теории экономического анализа. М.: Финансы и статистика, 2009.
3. Долан Дж. Деньги, банковское дело и денежно-кредитная политика. С.-Пб., 2011.
4. Донцова Л.В., Никифорова Н.А. Комплексный анализ бухгалтерской отчетности. М.: Дело и сервис, 2009.
5. Златкис Б.И. Российский рынок государственных ценных бумаг // Финансы, 2009. №8.
6. Крупнов Ю.С. О некоторых тенденциях развития коммерческого кредита // Деньги и кредит. 2009. №3.
7. Основы договорных отношений в экономическом пространстве СНГ. Энциклопедия международных контрактных отношений / Под ред. М.Б. Биржакова. М.—СПб.: ФИЛИНЪ, 2011.
8. «ПИФ info» №6 от 12 февраля 2007 г.
9. Осипова О.А. Финансовый рынок и особенности его развития в России // Финансы, 2006. №1.
10. Павлов В.С. Финансы — наша главная забота. М., 2010.
11. Российская банковская энциклопедия / Гл. ред. О.И. Лаврушин. М., 1995. 551 с.
12. Сальников К. Кредитная политика банка // Банковское дело в Москве. 2005. № 6.
13. Ширинская Е.Б. Операции коммерческих банков и зарубежный опыт. М.: Финансы и статистика, 2010.
14. Методы оценки кредитоспособности юридических лиц — Методика кредитного скоринга заемщиков: практика применения, направления совершенствования на примере Сбербанка // Studbooks.net. URL: https://studbooks.net/ (дата обращения: 08.10.2025).
15. ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ И ROC-АНАЛИЗ В СКОРИНГЕ // Scienceforum.ru. URL: https://scienceforum.ru/ (дата обращения: 08.10.2025).
16. СНИЖЕНИЕ ЭКОНОМИЧЕСКИХ РИСКОВ ПРИ КРЕДИТОВАНИИ С ИСПОЛЬЗОВАНИЕМ СКОРИНГОВЫХ МОДЕЛЕЙ // Izron.ru. URL: https://izron.ru/ (дата обращения: 08.10.2025).
17. Сбербанк Система оценки клиентов (скоринг) // TAdviser. URL: https://www.tadviser.ru/ (дата обращения: 08.10.2025).
18. Скоринг Сбербанка: что это такое и по каким показателям Сбер оценивают заемщика // Fcbg.ru. URL: https://fcbg.ru/ (дата обращения: 08.10.2025).
19. К вопросу валидации модели логистической регрессии в кредитном скори // Naukovedenie.ru. URL: https://naukovedenie.ru/ (дата обращения: 08.10.2025).
20. Gini & ROC & Precision-Recall: проблемы метрик в банковском моделировании // Futurebanking.ru. URL: https://futurebanking.ru/ (дата обращения: 08.10.2025).
21. Методы оценки кредитоспособности юридических лиц — Кредитоспособность юридических лиц по методике ОАО «Сбербанк России» // Financelimit.ru. URL: https://financelimit.ru/ (дата обращения: 08.10.2025).
22. Положение ЦБ РФ от 02.11.2024 N 845-П // Kontur.ru. URL: https://www.kontur.ru/ (дата обращения: 08.10.2025).
23. Что такое скоринг в банке: как работает и зачем нужен // Sberbank.com. URL: https://www.sberbank.com/ (дата обращения: 08.10.2025).
24. Построение скоринговых карт с использованием модели логистической регрессии // Cyberleninka.ru. URL: https://cyberleninka.ru/ (дата обращения: 08.10.2025).
25. Решение Совета директоров Банка России об оценке кредитного риска… // Cbr.ru. URL: https://cbr.ru/ (дата обращения: 08.10.2025).
26. Что такое NPL (проблемные кредиты) и как ими управлять? // Spectrumcollection.uz. URL: https://spectrumcollection.uz/ (дата обращения: 08.10.2025).
27. Положение Банка России от 28.06.2017 N 590-П (ред. от 15.03.2023) // Consultant.ru. URL: https://www.consultant.ru/ (дата обращения: 08.10.2025).
28. Указание Центрального Банка Российской Федерации (Банк России, ЦБР) от 03 марта 2025 г. №7005-У // Garant.ru. URL: https://www.garant.ru/ (дата обращения: 08.10.2025).
29. Развитие и внедрение открытого банкинга в России. Стандарты открытых банковских программных интерфейсов // Fintechru.org. URL: https://fintechru.org/ (дата обращения: 08.10.2025).