Совершенствование методик оценки кредитоспособности корпоративных заемщиков: Гибридный скоринг и учет регуляторных требований ЦБ РФ (2025 г.)

метки: Модель, Вероятность, Высокий, Повышение, Условие, Фактор, Заемщик, Корпоративный

В условиях беспрецедентной цифровой трансформации и ужесточения регуляторного надзора, традиционные методики оценки кредитоспособности корпоративных заемщиков, особенно в сегменте малого и среднего предпринимательства (МСП), оказались недостаточными. К 1 сентября 2025 года общая задолженность по корпоративным кредитам в Российской Федерации достигла 79,7 трлн рублей, при этом просроченная задолженность (NPL) составляла значительные 2,828 трлн рублей. Этот масштабный портфель требует не просто ретроспективного, но прогностического и комплексного подхода к оценке риска, что критически важно для финансовой устойчивости банковского сектора.

Настоящая работа представляет собой исчерпывающий анализ и разработку актуальной методологии кредитного скоринга, которая интегрирует последние требования Банка России (ЦБ РФ) по резервированию (Положения 590-П и 611-П), использует возможности Big Data и машинного обучения, а также включает учет нефинансовых (ESG) и отраслевых рисков, критически важных для долгосрочной устойчивости бизнеса в 2025 году.

Теоретико-методологические основы оценки кредитного риска и ее трансформация

Проблема оценки кредитоспособности является центральной в управлении банковскими рисками. Переход от парадигмы фактического анализа к прогностическому стал императивом, вызванным глобальными регуляторными изменениями и технологическим прогрессом. Очевидно, что без внедрения прогностических моделей невозможно эффективно управлять капиталом и резервированием в условиях высокой волатильности рынка.

Классические подходы к скорингу корпоративных заемщиков (Z-score, Logit)

Исторически оценка кредитного риска опиралась на дискриминантные модели, наиболее известной из которых является модель Альтмана (Z-score) и ее многочисленные российские адаптации. Однако для сегмента МСП и крупных корпораций наибольшее распространение получила логистическая регрессия (Logit-модель).

Логистическая регрессия позволяет оценить вероятность наступления события (дефолта) как функцию от совокупности финансовых и нефинансовых переменных. Общая математическая форма Logit-модели выглядит следующим образом:

P = 1 / (1 + e⁻ᶻ)

Где P — вероятность дефолта (Probability of Default, PD), а Z — линейная скоринговая функция:

Методология оценки кредитного портфеля коммерческого банка в ...

... более эффективно, с точки зрения использования капитала, оценивать кредитные риски. Глава 2. Нормативно-методический аппарат оценки и управления кредитным риском Регламентация оценки кредитных рисков и формирования резервов Нормативно-правовая база, разработанная ЦБ ...

Z = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ

Преимущество Logit заключается в ее высокой интерпретируемости. Коэффициенты β_i четко показывают, как изменение конкретного финансового показателя (например, коэффициента автономии X₁) влияет на вероятность дефолта. В российском корпоративном скоринге Logit-модели традиционно используют такие факторы, как коэффициент автономии, рентабельность чистой прибыли, срок оборота дебиторской задолженности и отраслевые индикаторы.

Ключевой недостаток Logit в современных условиях — ее ограниченность в учете нелинейных зависимостей и сложного взаимодействия факторов. Прогностическая способность Logit-моделей в корпоративном скоринге, измеряемая метрикой AUC (Area Under Curve), обычно находится в диапазоне 0,7–0,8. Этот уровень, хотя и считается «хорошим», уступает точности современных алгоритмов машинного обучения, что диктует необходимость перехода к гибридным и более сложным моделям. И что из этого следует? А следует из этого то, что банки, продолжающие полагаться исключительно на Logit, неизбежно несут более высокие операционные убытки из-за недостоверного прогнозирования дефолтов.

Эволюция подходов к оценке кредитного риска: от Базель III к МСФО-9

Трансформация методологии оценки кредитного риска в российском банковском секторе неразрывно связана с международной регуляторной повесткой. Имплементация принципов **Базель III** и переход на стандарт **МСФО-9** (IFRS 9) стали фундаментальными катализаторами изменений.

МСФО-9, вступивший в силу в 2018 году, ввел концепцию **ожидаемых кредитных убытков (Expected Credit Loss, ECL)**. В отличие от предыдущего стандарта (МСФО-39), который требовал формировать резервы только при наступлении убытка, МСФО-9 обязывает кредитные организации учитывать прогностический элемент, формируя резервы на основе ожидаемых потерь на протяжении всего срока действия финансового инструмента.

Концепция ECL требует от банков:

1. Прогноз PD: Расчет вероятности дефолта (Probability of Default).
2. Прогноз LGD: Оценка потерь в случае дефолта (Loss Given Default).
3. Прогноз EAD: Оценка подверженности риску дефолта (Exposure at Default).

Формула расчета ожидаемых кредитных убытков (ECL):

ECL = PD × LGD × EAD

Этот переход вынудил банки вложить значительные ресурсы в совершенствование своих моделей PD, требуя не просто оценки текущего состояния, но и прогнозирования будущих макро- и микроэкономических условий. Таким образом, регуляторный императив создал спрос на более точные, прогностические и динамические скоринговые модели, способные учитывать не только финансовые, но и нефинансовые факторы, влияющие на долгосрочную устойчивость заемщика.

Регуляторный императив Банка России: Комплексный учет требований 2025 года

Ключевые изменения в регуляторной базе Банка России, вступающие в силу или актуализированные в 2025 году, нацелены на повышение консервативности банковского капитала и сближение отечественных нормативов с требованиями МСФО-9. Анализ Положений № 590-П и № 611-П (с последними изменениями) показывает, что регулятор активно вмешивается в оценку наиболее рискованных портфелей.

Гармонизация с МСФО-9 и изменения в резервировании

Положения Банка России № 590-П и № 611-П, регулирующие порядок формирования резервов на возможные потери, являются краеугольным камнем оценки кредитного риска. С 1 января 2025 года и далее вводятся критически важные изменения, прямо влияющие на оценку кредитоспособности МСП.

В частности, для формирования резервов по портфелям прочих ссуд субъектам МСП (сумма которых не превышает 100 млн рублей) без просроченных платежей, минимальный резерв составляет 2% (согласно Таблице 4 п. 5.1 Положения № 590-П).

Это усиливает капитальные требования к банкам, активно работающим в сегменте МСП.

Наиболее значимое изменение касается реструктурированных ссуд. С 1 октября 2025 года планируется поэтапное повышение минимального размера резерва по реструктурированным ссудам компаний и ИП, классифицированным во II категорию качества (с учетом обеспечения):

Дата введения	Минимальный резерв (II категория качества)	Назначение
01.10.2025	Не менее 1%	Повышение консервативности
01.10.2026	Не менее 2%	Постепенное ужесточение
01.10.2027	Не менее 3%	Снижение стимулирования реструктуризаций
01.10.2028	Не менее 4%	Полное соответствие ужесточенным требованиям

Таблица 1. Поэтапное повышение минимального резерва по реструктурированным ссудам (Проект изменений в Положение № 590-П)

Это изменение требует от банков не только совершенствовать модели PD, но и прогнозировать вероятность успешной реструктуризации и риск повторного дефолта, что невозможно без глубокого анализа причин ухудшения финансового состояния заемщика, включая нефинансовые факторы. Каков важный нюанс здесь упускается? Упускается тот факт, что прогнозирование успешности реструктуризации требует создания отдельной, более сложной поведенческой модели, использующей элементы Big Data, нежели простая Logit-модель, которая просто фиксирует дефолт.

Повышение консервативности оценки: Новые индикаторы и макропруденциальные меры

В 2025 году ЦБ РФ вводит несколько новых инструментов, направленных на снижение системных рисков и повышение консервативности оценки.

1. Новый критерий нерыночной ставки: Взамен прежнего критерия (2/5 ключевой ставки) планируется ввести норму, согласно которой ставки по ссудам будут признаваться нерыночными (и требующими дополнительных резервов), если они ниже 4/5 усредненной за 3 месяца доходности ОФЗ сопоставимой срочности. Этот сдвиг отражает стремление регулятора к более точному отражению рыночной стоимости фондирования, которое должно учитывать кредитный риск, затраты на капитал и операционные расходы. Банки должны будут пересмотреть свои подходы к ценообразованию, особенно для долгосрочных корпоративных кредитов.
2. Макропруденциальная надбавка: С 1 апреля 2025 года ЦБ РФ ввел макропруденциальную надбавку в размере 20% к коэффициентам риска на прирост требований к крупным компаниям с высокой долговой нагрузкой (показатель покрытия процентов, ICR).

   Эта мера прямо направлена на охлаждение кредитования наиболее закредитованных сегментов, что требует от банков включения макропруденциальных фильтров в свои скоринговые системы. Фактически, скоринговая модель должна не только оценить вероятность дефолта, но и определить, насколько данная сделка попадает под регуляторные ограничения, связанные с системным риском.

Профессиональное суждение против «чистого» скоринга

Важным методологическим моментом, заложенным в Положении № 590-П, является приоритет профессионального суждения кредитной организации над автоматическими скоринговыми баллами.

Позиция ЦБ РФ гласит, что скоринговые модели могут служить лишь вспомогательным инструментом для оценки кредитного риска. Окончательное определение размера резерва и категории качества ссуды должно основываться на всестороннем и объективном анализе финансового положения заемщика, его деловой репутации и способности генерировать денежные потоки.

Этот регуляторный принцип является прямым обоснованием необходимости перехода к гибридным скоринговым моделям. Чистые ML/AI модели, обладая высокой точностью, зачастую лишены интерпретируемости, что делает их непригодными для прямого обоснования профессионального суждения перед регулятором. Необходим механизм, который позволяет аналитику «заглянуть» внутрь прогноза. Не кажется ли, что попытка совместить высокую точность ML-моделей с требованием прозрачности — это ключевой вызов, стоящий сегодня перед каждым риск-менеджером?

Интеграция цифровых технологий и Big Data в гибридные скоринговые модели

Цифровизация кредитного процесса — это не просто автоматизация, а фундаментальный сдвиг в сторону использования нелинейных прогностических алгоритмов и больших объемов данных.

Сравнительный анализ точности Logit и ML-алгоритмов

В то время как классическая логистическая регрессия остается основой для интерпретируемости, современные алгоритмы машинного обучения (ML) показывают значительное превосходство в прогностической точности.

Методы, такие как Градиентный Бустинг (например, XGBoost) и гибридные нейронные сети, демонстрируют способность улавливать сложные нелинейные зависимости между сотнями переменных, которые Logit-модель игнорирует.

Модель	Типичный показатель прогностической способности (AUC)	Преимущества	Недостатки
Logit-регрессия	0,7–0,8	Интерпретируемость, простота валидации, регуляторное признание	Ограничение в нелинейных зависимостях, низкая точность
ML-алгоритмы (XGBoost, NN)	Точность до 81%	Высокая прогностическая точность, учет нелинейностей, снижение уровня дефолта на 18–22% (в кейсах)	Низкая интерпретируемость (проблема «черного ящика»), сложность валидации

Таблица 2. Сравнительная характеристика Logit и ML-моделей в корпоративном скоринге

Для кредитного портфеля крупного банка повышение точности прогноза на 3–5 процентных пунктов может означать экономию сотен миллионов рублей на резервах и предотвращенных убытках. Однако внедрение ML-моделей в корпоративном сегменте (особенно МСП) сталкивается с проблемой, обозначенной ЦБ РФ: отсутствием интерпретируемости.

Гибридные модели и проблема интерпретируемости в корпоративном скоринге

Решение проблемы «черного ящика» в ML-скоринге лежит в плоскости гибридных подходов. Гибридная модель сочетает высокую прогностическую силу ML с требованием интерпретируемости, необходимой для профессионального суждения.

Методология гибридного скоринга:

1. ML-прогноз (Прогнозная сила): На первом этапе используется ML-алгоритм (например, XGBoost), который рассчитывает первичную, высокоточную вероятность дефолта (PD_ML).
2. Интерпретационный слой (Прозрачность): Применяются методы объяснимого искусственного интеллекта (Explainable AI, XAI), такие как SHAP values (Shapley Additive Explanations). SHAP values позволяют декомпозировать прогноз ML-модели, показывая, какой вклад внесла каждая переменная в итоговый балл. Это позволяет кредитному аналитику понять, почему именно этот заемщик получил высокий или низкий риск.
3. Экспертная корректировка (Профессиональное суждение): Аналитик использует SHAP values и другие метрики для обоснования своей корректировки PD_ML, формируя финальную оценку PD_Final. Это позволяет соблюсти требование Положения № 590-П о приоритете профессионального суждения.

Big Data как ранний индикатор кредитного риска

Традиционный скоринг базируется на финансовой отчетности, которая публикуется с существенным лагом. Внедрение Big Data, в частности, анализа транзакционных данных, позволяет получить оценку риска на месяцы раньше.

Исследования Банка России подтверждают, что использование данных платежной системы ЦБ РФ (элементы Big Data) позволяет прогнозировать вероятность дефолта российских компаний на три месяца раньше, чем на основе годовой бухгалтерской отчетности.

Наиболее значимые переменные Big Data для раннего прогнозирования дефолта:

• Волатильность денежных потоков: Чем выше колебания входящих и исходящих платежей, тем выше риск.
• Доля транзакций с аффилированными лицами: Непрозрачные транзакции, связанные с выводом средств или скрытым финансированием.
• Метрики платежной дисциплины: Частота и размер отклонений от среднего уровня платежей, свидетельствующие о нарастающих операционных проблемах.

Интеграция этих ранних индикаторов в гибридную модель позволяет банку не только точнее оценить риск, но и применить упреждающие меры (например, снижение лимита, увеличение обеспечения) до того, как ухудшение отразится в официальной отчетности.

Учет нефинансовых и отраслевых рисков в актуализированной методологии

Кредитоспособность в 2025 году определяется не только финансовым здоровьем, но и способностью компании адаптироваться к макроэкономическим, геополитическим и экологическим вызовам.

ESG-факторы и национальная таксономия

Внедрение ESG-оценки (Environmental, Social, Governance) стало неотъемлемой частью риск-менеджмента в России. Агрегированный портфель ESG-кредитов к началу 2025 года достиг 7 трлн рублей, что составляет около 8% от суммарного корпоративного портфеля.

Регуляторная база для ESG-финансирования в РФ основана на:

1. Национальной таксономии: Постановление Правительства РФ № 1587 от 21.09.2021 утверждает критерии зеленых, адаптационных и социальных проектов. Это позволяет банкам стандартизировать, какие именно проекты могут быть признаны устойчивыми.
2. Рекомендациях ЦБ РФ: Информационные письма № ИН-06-28/96 (2021) и № ИН-02-28/145 (2022) рекомендуют финансовым организациям интегрировать ESG-факторы в системы корпоративного управления и оценки рисков.

Механизм интеграции ESG в скоринг:

ESG-оценка не заменяет финансовый скоринг, а выступает в качестве корректирующего фактора к вероятности дефолта (PD).

• Заемщик с высоким ESG-рейтингом (например, соответствующий критериям Национальной таксономии) получает премию: его PD снижается. Это отражает его более высокую долгосрочную устойчивость и меньший риск регуляторных штрафов или операционных сбоев, связанных с экологическими или социальными проблемами.
• Заемщик с низким ESG-рейтингом получает штраф: его PD увеличивается.

Сегодня уже 39% крупнейших российских банков проводят собственную оценку соответствия проектов критериям национальной таксономии, что подтверждает переход от деклараций к практическому внедрению.

Актуальный анализ отраслевых рисков в РФ (2025 г.)

Макроэкономическая конъюнктура 2024–2025 годов показала неравномерное распределение кредитного риска по отраслям. Оценка кредитоспособности должна учитывать специфические отраслевые нормативы и актуальную динамику долговой нагрузки.

На 01.09.2025, при общем росте корпоративного портфеля на 10,3% за год, ЦБ РФ отмечает существенное ухудшение финансового положения в ряде ключевых секторов.

Отрасль	Уровень риска (2025 г.)	Ключевой фактор ухудшения	Долговая нагрузка (Доля процентных расходов в затратах)
Горная добыча	Высокий	Волатильность цен на сырье, санкционное давление	Н/Д
Торговля	Высокий	Снижение потребительского спроса, высокая конкуренция	Н/Д
Машиностроение	Высокий	Зависимость от импорта комплектующих, логистические риски	Н/Д
Транспорт	Средне-высокий	Увеличение операционных расходов, логистические барьеры	10,6%
Энергетика	Средний	Капиталоемкость, регулирование тарифов	10,1%

Таблица 3. Отраслевые риски и долговая нагрузка (2025 г.)

Для отраслей с высокой долговой нагрузкой (Транспорт, Энергетика) и ухудшающимся финансовым положением (Горная добыча, Торговля) скоринговая модель должна применять отраслевые корректировки к финансовым коэффициентам, устанавливая более строгие нормативы рентабельности и ликвидности. Именно поэтому, в отличие от Logit-подхода, актуализированная методология вносит эти корректировки уже на этапе расчета PD, а не после него.

Разработка предложений по совершенствованию скоринговой модели (на примере крупного банка)

Для перехода к интегрированной методологии необходимо создать структуру, которая объединит финансовый скоринг (Logit/ML), регуляторные требования 2025 года и нефинансовые факторы.

Методика включения ESG-оценок и отраслевых корректировок

Предлагаемая методика основывается на расчете корректирующего коэффициента K_Адапт, который модифицирует базовую вероятность дефолта PD_Баз, полученную гибридной ML/Logit-моделью.

Финальная вероятность дефолта рассчитывается как:

PDФин = PDБаз × KАдапт

Где K_Адапт включает в себя три ключевых элемента: ESG-фактор, Отраслевой фактор и Регуляторный фактор:

KАдапт = KESG × KОтрасль × KРегулятор

1. Коэффициент K_ESG:

• K_ESG < 1 (скидка) — если заемщик соответствует Национальной таксономии или имеет высокий внутренний ESG-рейтинг (например, 70+ баллов).
• K_ESG = 1 — нейтральный рейтинг.
• K_ESG > 1 (штраф) — если выявлены критические экологические или социальные риски (например, судебные иски, связанные с загрязнением).

2. Коэффициент K_{Отрасль}:

Отражает специфику отрасли и ее текущее состояние (см. Таблицу 3).

• Для высокорисковых отраслей (Горная добыча, Торговля): K_{Отрасль} = 1,05 — 1,15.
• Для устойчивых отраслей (например, IT): K_{Отрасль} = 0,95 — 1,0.

3. Коэффициент K_{Регулятор} (Макропруденциальный фильтр):

Этот коэффициент необходим для учета требования ЦБ РФ о макропруденциальной надбавке (20% с 01.04.2025).

• Если заемщик является крупной компанией с высокой долговой нагрузкой (попадающей под критерии ЦБ): K_{Регулятор} = 1,20 (что соответствует 20% надбавке).
• В противном случае: K_{Регулятор} = 1,0.

Результат: Финальная вероятность дефолта PD_Фин становится основой для классификации ссуды и формирования резервов, полностью соответствуя требованиям ЦБ РФ и используя передовые прогностические возможности.

Экономический эффект от внедрения гибридных моделей

Внедрение описанной интегрированной гибридной методологии обеспечивает значительный экономический эффект для крупного банка за счет трех ключевых факторов:

1. Снижение убытков от дефолтов (NPL): Использование ML-алгоритмов вместо классического Logit позволяет повысить точность прогноза. Если ML-модель позволяет снизить уровень дефолта в портфеле МСП на 18–22% (как показывают мировые кейсы), это приводит к прямому сокращению потерь. Например, при портфеле МСП в 1 трлн рублей и ожидаемых потерях 20 млрд рублей, предотвращение 20% дефолтов дает экономию в 4 млрд рублей ежегодно.
2. Оптимизация резервирования: Более точная оценка PD, скорректированная на ESG-факторы, позволяет банку более точно формировать резервы. Заемщики с низким риском требуют меньших резервов, что высвобождает капитал. Более раннее выявление проблемных заемщиков через Big Data позволяет своевременно реструктурировать или прекратить финансирование, снижая объем ссуд, попадающих под ужесточенные регуляторные требования 2025 года (например, поэтапное повышение резерва до 4% по реструктурированным ссудам).
3. Ускорение принятия решений: Автоматизация сбора и анализа Big Data, а также использование ML-скоринга, сокращают время на принятие решения с нескольких дней до часов, что критически важно для конкуренции в сегменте МСП.

Выводы и направления дальнейших исследований

Проведенное исследование подтверждает необходимость кардинального совершенствования методик оценки кредитоспособности корпоративных заемщиков коммерческого банка в условиях ужесточения регуляторных требований и цифровой трансформации">заемщиков в условиях 2025 года. Устаревшие подходы, основанные исключительно на ретроспективном финансовом анализе (Logit), не способны обеспечить требуемую прогностическую точность и не соответствуют новым регуляторным императивам ЦБ РФ.

Основные достижения работы:

• Интегрированная Регуляторная База: Методология полностью адаптирована к актуальным (01.10.2025) требованиям ЦБ РФ (590-П, 611-П), включая учет поэтапного повышения резервов по реструктурированным ссудам и применение макропруденциальных надбавок.
• Гибридный Скоринг: Обоснован переход к гибридным моделям (ML/AI + Logit) для сочетания высокой прогностической точности (до 81%) с необходимой интерпретируемостью (через SHAP values), что критически важно для обоснования профессионального суждения.
• Комплексный Риск-Профиль: Разработан механизм включения нефинансовых (ESG-факторов, основанных на Национальной таксономии) и актуальных отраслевых рисков (Горная добыча, Торговля, Транспорт) через корректирующие коэффициенты к вероятности дефолта.
• Раннее Прогнозирование: Подтверждена ценность Big Data (транзакционных данных) как инструмента раннего выявления риска, позволяющего получить оценку на три месяца раньше, чем на основе отчетности.

Направления дальнейших исследований:

Перспективы дальнейших исследований лежат в области более глубокой автоматизации процесса принятия решений. К ним относятся:

1. Разработка динамической системы весов: Создание алгоритма, который автоматически корректирует веса финансовых и нефинансовых факторов в скоринговой модели в зависимости от макроэкономического цикла и отраслевой конъюнктуры.
2. Использование генеративных нейронных сетей: Применение GNN (Graph Neural Networks) для моделирования взаимосвязей между заемщиками, их поставщиками и контрагентами, что позволит точнее оценивать риск домино-эффекта и системный риск в сегменте МСП.
3. Комплексная валидация ECL-моделей: Разработка унифицированного подхода к валидации всех трех компонентов ожидаемых убытков (PD, LGD, EAD) в условиях ограниченного объема корпоративных дефолтов.

Список использованной литературы

1. «Гражданский кодекс Российской Федерации (часть первая)» от 30.11.1994 №51-ФЗ (ред. от 05.05.2014).
2. Федеральный закон о кредитных историях N 218-ФЗ от 30 декабря 2004 г.
3. Федеральный закон РФ от 18.07.2009 г. № 190-ФЗ «О кредитной кооперации».
4. Федеральный закон РФ от 02.2.1990 г. № 395-1 (ред. от 29.12.2014 г.) «О банках и банковской деятельности».
5. Федеральный закон РФ от 30.12.2004 №218-ФЗ (ред. от 28.06.2014 г.) «О кредитных историях».
6. Положение Банка России от 23.10.2017 N 611-П (ред. от 26.06.2023) «О порядке формирования кредитными организациями резервов на возможные потери».
7. Указание ЦБ РФ от 17.04.2025 N 7046-У.
8. Банки и небанковские кредитные организации и их операции: Учебник. – 3-е изд., перераб. и доп. / под ред. Жукова Е.Ф. – М.: Вузовский учебник: ИНФРА – М, 2011. – 528 с.
9. Белоглазова Г.Н. Деньги, кредиты, банки: учебник. – Высшее образование, 2009. – 285 с.
10. Деньги, кредит, банки: Учебник для вузов / Коллектив авторов: Жуков Е.Ф. и др. — 4-е изд., перераб. и доп. — М.: ЮНИТИ-ДАНА, 2011. — 783 с.
11. Лаврушин И.О. Банковское дело: учебник. – 11-е изд. – Конкурс, 2014. – 350 с.
12. Лаврушин О.И. Банковское дело: учебник / под ред. Г.Г. Коробовой. – Экономистъ, 2005. – 317 с.
13. Савицкая Г.В. Экономический анализ: учеб. — 11-е изд., испр. и доп. — М.: Новое знание, 2005. — 651 с.
14. Свиридов О.Ю. Финансы, денежное обращение, кредит: 100 экзаменационных ответов. – 3-е изд. – МарТ, 2010. – 151 с.
15. Устойчивость банковской системы России в условиях экономических кризисов: монография / под ред. Соколова Ю.А. – Саратов: Научная книга, 2013. – 372 с.
16. БАНКОВСКИЙ СЕКТОР. URL: https://cbr.ru
17. Банковский сектор в 2020 году. URL: https://banki.ru
18. Банк России внёс изменения в Положение 611-П «О порядке формирования кредитными организациями резервов на возможные потери» Указанием № 6465-У. URL: https://profbanking.com
19. Банки зеленеют, ESG блестит. URL: https://bosfera.ru
20. Влияние ESG на банковский сектор: новые возможности. URL: https://cyberleninka.ru
21. К вопросу валидации модели логистической регрессии в кредитном скоринге. URL: https://cyberleninka.ru
22. Кредитование юридических лиц и индивидуальных предпринимателей в августе 2025 года. URL: https://cbr.ru
23. логистические модели (logit-модели) оценки риска банкротства предприятия. URL: https://zenodo.org
24. Методы диагностики и прогнозирования кредитоспособности субъектов МСП с применением искусственного интеллекта. URL: https://cyberleninka.ru
25. Моделирование вероятности дефолта корпоративных заемщиков с учетом макроэкономической конъюнктуры. URL: https://cyberleninka.ru
26. Модель вероятности дефолта с использованием транзакционных данных российских компаний. URL: https://cbr.ru
27. Модель оценки вероятности дефолта по корпоративным облигациям предприятий торговли. URL: https://e-rej.ru
28. О ПРОЕКТИРОВАНИИ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ БАНКОВСКОГО СКОРИНГА. URL: https://cyberleninka.ru
29. Положение ЦБ РФ от 28.06.2017 N 590-П — Редакция от 15.03.2023. URL: https://kontur.ru
30. по итогам 2025 года темпы роста кредитования не превысят 10 процентов. URL: https://asros.ru
31. Прогнозирование вероятности дефолта корпоративных заемщиков. URL: https://cyberleninka.ru
32. ПроГноЗироВание ВероЯтности деФолта КорПоратиВнЫх ЗаеМЩиКоВ*. URL: https://fa.ru
33. Проект Указания Банка России “О внесении изменений в Положение Банка России от 28 июня 2017 года № 590-П. URL: https://garant.ru
34. Разъяснения ЦБ РФ по Положению 590-П. URL: https://profbanking.com
35. Рекомендации по учету ESG-факторов. URL: https://cbr.ru
36. Рынок банковских услуг в России: итоги 2024 и прогнозы. URL: https://frankrg.com
37. С 1 января 2025 года до 31 декабря 2025 года включительно уточняется порядок формирования резервов по отдельным ссудам, требованиям и условным обязательствам кредитного характера. URL: https://consultant.ru
38. Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга. URL: https://elibrary.ru
39. Что такое кредитный скоринг: настоящее и будущее скоринговой системы банка. URL: https://fisgroup.ru
40. ESG-портфель российского банковского сектора: бремя первых. URL: https://acra-ratings.ru