Управление кредитным риском коммерческого банка в современных условиях (2022–2025 гг.): регуляторный, методологический и практический аспекты

метки: Кредитный, Модель, Россия, Качество, Машинный, Секьюритизация, Дефолт, Положение

Введение

Начало третьего десятилетия XXI века ознаменовалось для российской банковской системы периодом беспрецедентной макроэкономической волатильности и ужесточения санкционного давления. В этих условиях, согласно статистическим данным, кредитный риск остается доминирующим элементом в структуре рисковых активов: еще в 2020 году он составлял около 87,10% от активов, взвешенных по риску (RWA).

Более того, в IV квартале 2024 года рост RWA в секторе был во многом обусловлен приростом именно кредитного риска на сумму около 0,4 трлн руб. Это подчеркивает, что эффективное и проактивное управление кредитным риском является не просто требованием регулятора, но критически важным условием финансовой устойчивости и конкурентоспособности коммерческого банка.

Актуальность настоящего исследования продиктована необходимостью синхронизации внутренних банковских методик с новейшими регуляторными требованиями Банка России, которые, в свою очередь, базируются на принципах «Базеля III». Важнейшим событием стало вступление в силу Положения Банка России № 845-П от 02.11.2024, которое радикально обновило подход к расчету кредитного риска по методикам, основанным на внутренних рейтингах (ПВР/IRB).

Одновременно с этим, стремительная цифровизация требует интеграции продвинутых аналитических инструментов, таких как модели машинного обучения (ML/AI), способных обрабатывать огромные объемы данных и выявлять нелинейные зависимости, недоступные для классических статистических моделей. Практическая выгода очевидна: точность оценки риска напрямую трансформируется в оптимизацию резервов и высвобождение капитала.

Предмет исследования — совокупность теоретических, методологических и практических аспектов управления кредитным риском коммерческого банка.

Объект исследования — система управления кредитным риском в крупном коммерческом банке Российской Федерации в период 2022–2025 гг.

Цель работы состоит в разработке актуальной теоретической базы, критическом анализе современных методик оценки и минимизации кредитного риска, а также формировании комплекса практических рекомендаций по совершенствованию системы управления риском в условиях макроэкономической нестабильности и новых регуляторных требований.

Роль Центрального банка Российской Федерации в кредитной системе: ...

... заказа частично нивелирует сдерживающее влияние ДКП. Глава 3. Системные проблемы кредитной системы и роль Банка России как мегарегулятора после 2022 года Роль "кредитора последней инстанции" ... управлять системными рисками, обеспечивая единый подход к финансовому надзору. Цели и инструменты денежно-кредитной политики в рамках режима таргетирования инфляции С 2014 года Банк России официально ...

Для достижения поставленной цели необходимо решить следующие задачи:

1. Раскрыть сущность кредитного риска и проанализировать новую регуляторную базу Банка России (Положение № 845-П), детализировав ключевые параметры ПВР (PD, LGD, EAD).
2. Сравнить эффективность традиционных и современных количественных моделей (ML/AI) для оценки кредитоспособности заемщиков.
3. Оценить актуальные инструменты минимизации риска, включая секьюритизацию и перспективные механизмы хеджирования (CDS).
4. Проанализировать динамику и структуру кредитного портфеля в 2022–2025 гг., выявив влияние макроэкономических факторов (ключевая ставка) и регуляторных мер (МПР).
5. Сформулировать обоснованные рекомендации по совершенствованию системы управления кредитным риском с учетом новейших регуляторных инициатив (ННКЛ, Н30).

Структура работы соответствует поставленным задачам, обеспечивая последовательное раскрытие теоретических основ, методологического инструментария и практического анализа, завершаясь формированием конкретных рекомендаций.

Теоретико-методологические основы управления кредитным риском в контексте международных стандартов

Сущность и классификация кредитного риска в банковской деятельности

Кредитный риск является краеугольным камнем системы риск-менеджмента любого финансового института. Согласно методологии, адаптированной Банком России, кредитный риск определяется как риск, возникающий в связи с вероятностью невыполнения, неполного или несвоевременного исполнения заемщиком или контрагентом своих договорных обязательств перед банком. По своей природе кредитный риск представляет собой потенциальные потери, связанные с ухудшением кредитного качества активов банка. Следовательно, задача банка — не просто регистрировать потери, а прогнозировать и предотвращать ухудшение качества активов на самых ранних стадиях.

Управление кредитным риском представляет собой сложную, многоуровневую систему, которая включает идентификацию, оценку, мониторинг, контроль и минимизацию риска. В современном крупном коммерческом банке эта система имеет следующую структурную схему:

Уровень управления	Функции и задачи	Ключевые инструменты
Стратегический (Совет директоров)	Утверждение риск-аппетита, лимитов, стратегии кредитования и общего профиля риска.	Утверждение лимитов концентрации, политика кредитования, стресс-тестирование.
Тактический (Комитет по управлению рисками)	Разработка и внедрение методологий оценки, мониторинг портфельного риска, принятие решений по крупным сделкам.	Внутренние рейтинговые системы (ПВР), модели PD/LGD/EAD, лимиты по отраслям и регионам.
Операционный (Кредитный департамент, Риск-подразделения)	Ежедневная оценка кредитоспособности заемщиков, скоринг, андеррайтинг, мониторинг исполнения обязательств.	Скоринговые модели, системы раннего предупреждения, коллекторские процедуры.

Кредитоспособность заемщика — это его юридическая и финансовая способность полностью и в срок рассчитаться по своим обязательствам. Оценка кредитоспособности является центральной задачей операционного уровня и базируется на анализе множества факторов, включая финансовое положение, деловую репутацию, отраслевой риск и качество обеспечения.

Ключевые параметры оценки кредитного риска по подходу ПВР (IRB)

Внедрение международных стандартов «Базель III» в России, особенно в части расчета достаточности капитала, потребовало перехода к более чувствительным к риску методологиям. Центральным элементом этого перехода является Подход, основанный на внутренних рейтингах (ПВР или IRB — Internal Ratings-Based).

Регуляторная база для применения ПВР в России кардинально обновилась с вступлением в силу Положения Банка России № 845-П от 02.11.2024 (действует с 18 февраля 2025 года), которое заменило устаревшее Положение № 483-П. Положение 845-П устанавливает жесткие требования к банкам, применяющим IRB-методики, включая требования к качеству данных, точности моделей и минимальной доле активов, оцениваемых по этим методикам.

Ключевыми параметрами, лежащими в основе расчета ожидаемых потерь (Expected Loss, EL) и непредвиденных потерь (Unexpected Loss, UL), являются:

1. PD (Probability of Default) — Вероятность дефолта

PD — это центральный параметр, представляющий собой оценку вероятности того, что заемщик или контрагент допустит дефолт в течение определенного горизонта времени (обычно одного года).

В рамках ПВР:

• Методология: PD определяется на основе внутренней системы присвоения рейтингов банка, которая группирует заемщиков по уровню кредитного качества.
• Требования 845-П: Новое Положение строго регламентирует процесс валидации PD-моделей. Банк должен продемонстрировать не только статистическую точность модели (например, с помощью метрики AUC-ROC), но и ее прогностическую способность в различных экономических циклах.

2. LGD (Loss Given Default) — Уровень потерь при дефолте

LGD — это доля убытков, которую банк понесет в случае дефолта заемщика, выраженная в процентах от величины требования, подверженной риску дефолта (EAD).

В рамках ПВР:

• Оценка: Определение LGD — сложный процесс, требующий учета всех расходов, связанных с взысканием задолженности, а также стоимости и ликвидности обеспечения. LGD напрямую зависит от структуры обеспечения и юридической силы залоговых документов.
• Требования 845-П: Методики определения LGD должны включать детальное описание процесса оценки убытков, затрат на взыскание, а также оценки влияния рыночных условий на стоимость обеспечения.

3. EAD (Exposure at Default) — Величина кредитного требования, подверженная риску дефолта

EAD — это ожидаемая величина непогашенного требования банка к заемщику в момент, когда наступает дефолт. Для кредитов с фиксированной суммой (например, срочные кредиты) EAD обычно совпадает с непогашенным остатком. Для внебалансовых позиций (кредитные линии, гарантии) требуется использование коэффициентов кредитной конверсии (CCF), которые оценивают вероятность использования заемщиком оставшегося лимита перед дефолтом.

Сравнение с предыдущей методологией (483-П)

Положение № 845-П представляет собой качественный скачок в сторону более глубокой интеграции Базельских принципов. Если старое Положение № 483-П допускало более гибкий, а иногда и упрощенный подход к оценке, то 845-П:

1. Ужесточает требования к данным: Акцент делается на исторической глубине и качестве данных, используемых для калибровки PD и LGD.
2. Усиливает валидацию: Вводятся более строгие требования к независимой валидации всех моделей ПВР и регулярному стресс-тестированию.
3. Повышает прозрачность: Требует большей прозрачности в документировании всех этапов построения и применения рейтинговых систем, что крайне важно для надзорных органов.

Этот переход вынуждает банки инвестировать значительные средства в IT-инфраструктуру, аналитические кадры и, что наиболее важно, в разработку продвинутых количественных моделей. В конечном счете, повышение точности моделей напрямую снижает регуляторный капитал, необходимый для покрытия кредитных рисков, что является важнейшим стимулом для банков.

Современные количественные модели и инструменты минимизации кредитного риска

Применение моделей машинного обучения (AI/ML) в кредитном скоринге

В условиях насыщения рынка данными и ужесточения конкуренции классические статистические модели кредитного скоринга (например, простая логистическая регрессия) часто демонстрируют недостаточную прогностическую силу, особенно в отношении выявления тонких, нелинейных зависимостей, характерных для современного заемщика. Современные российские банки, стремясь соответствовать высоким стандартам точности ПВР, активно внедряют модели машинного обучения (ML).

Модель	Преимущества	Недостатки	Типичное применение	Метрики качества (Пример)
Логистическая регрессия	Прозрачность, высокая интерпретируемость (легко соответствует регуляторным требованиям).	Низкая точность при наличии сложных нелинейных связей.	Базовый скоринг, регуляторные модели PD.	AUC-ROC: 0.70 – 0.85
Метод случайного леса (Random Forest)	Устойчивость к переобучению, способность обрабатывать большое количество признаков.	Более низкая интерпретируемость по сравнению с регрессией.	Корпоративный скоринг, оценка LGD.	AUC-ROC: 0.85 – 0.92
Градиентный бустинг (XGBoost, CatBoost)	Высочайшая предсказательная сила, эффективное выявление сложных паттернов.	Высокая вычислительная сложность, низкая интерпретируемость («черный ящик»).	Высокоточный розничный скоринг, раннее предупреждение дефолта.	AUC-ROC: до 0.965

Сравнительный анализ и метрики качества

Для оценки качества скоринговых ML-моделей используются специфические метрики, которые позволяют оценить способность модели разделять «хороших» и «плохих» заемщиков:

1. AUC-ROC (Area Under the Receiver Operating Characteristic Curve): Площадь под кривой ошибок. Это ключевая метрика для оценки PD-моделей. Чем ближе значение к 1, тем лучше модель разделяет классы. Как показывают прикладные исследования, модели, основанные на алгоритмах градиентного бустинга (например, CatBoost), демонстрируют значительно более высокую предсказательную силу, достигая в некоторых случаях AUC-ROC до 0,965, в то время как классическая логистическая регрессия редко превышает 0,85.
2. F1-score: Гармоническое среднее между точностью (Precision) и полнотой (Recall).

   Эта метрика важна, когда необходимо найти баланс между минимизацией ложноположительных (кредит выдан дефолтному заемщику) и ложноотрицательных (отказ надежному заемщику) ошибок.

Внедрение моделей машинного обучения способствует большей объективности кредитных решений, поскольку они способны учитывать широкий спектр факторов, включая поведенческие данные и транзакционную историю, выявляя скрытые закономерности в больших объемах данных, что критически важно для соблюдения требований нового Положения № 845-П по точности оценки PD. Но не приведет ли это повышение сложности моделей к снижению их прозрачности для надзорных органов, и как банки смогут доказать регулятору валидность «черного ящика»?

Инновационные инструменты минимизации кредитного риска: секьюритизация и хеджирование

Помимо совершенствования методологии оценки, банки активно используют инструменты для непосредственной передачи или снижения риска. Два наиболее актуальных направления в 2024–2025 годах — это секьюритизация и хеджирование через деривативы.

Секьюритизация кредитных активов

Секьюритизация представляет собой процесс переупаковки пула однородных активов (например, ипотечных или потребительских кредитов) в свободно обращающиеся ценные бумаги, обеспеченные этими активами (ABS — Asset-Backed Securities).

Этот механизм позволяет банку:

1. Снизить кредитный риск: Риск дефолта по секьюритизированным активам переносится на инвесторов.
2. Высвободить капитал: Секьюритизация позволяет вывести активы с баланса, тем самым снижая RWA и улучшая показатели достаточности капитала.
3. Привлечь ликвидность: Получение финансирования от широкого круга инвесторов.

Тренды в России (2024–2025 гг.):

• Ипотечная секьюритизация (ИЦБ): Рынок ИЦБ с поручительством ДОМ.РФ демонстрирует устойчивый рост. Объем ИЦБ в обращении по итогам 2024 года достиг 1,8 трлн рублей, а доля секьюритизированного портфеля ипотечных кредитов выросла до 7,9%.
• Секьюритизация необеспеченных потребительских кредитов (НПК): Это один из наиболее заметных трендов с 2021 года. В 2024 году объем секьюритизации необеспеченных потребительских кредитов достиг рекордных 37,2 млрд руб., что составило более 82% от общего объема многотраншевой секьюритизации в том году. Банки используют этот инструмент для снижения рисков, связанных с высокомаржинальными, но более рисковыми розничными портфелями.

Хеджирование и учет Кредитных Дефолтных Свопов (CDS)

Для снижения риска концентрации — риска, возникающего из-за чрезмерной зависимости от одного заемщика, группы связанных заемщиков или отрасли — Банк России активно работает над внедрением новых регуляторных механизмов.

Кредитный Дефолтный Своп (Credit Default Swap, CDS) — это финансовый дериватив, в котором покупатель защиты передает кредитный риск третьей стороне (продавцу) в обмен на регулярные платежи. Продавец (банк-хеджер) получает компенсацию в случае дефолта базового актива.

Перспективы регулирования: В рамках концепции регулирования рисков концентрации Банк России планирует внедрить механизм учета CDS как инструмента снижения риска при расчете нового норматива концентрации Н30 для системно значимых кредитных организаций (СЗКО).

Этот механизм должен быть внедрен с 2026 года. Это позволит банкам легально использовать CDS для снижения экспозиции на крупных заемщиков, что является критически важным шагом для повышения устойчивости крупнейших игроков рынка. Тем самым, банки получат возможность управлять крупнейшими рисками без необходимости кардинального сокращения кредитования стратегически важных клиентов.

Анализ тенденций и практические проблемы управления кредитным портфелем коммерческого банка РФ (2022–2025 гг.)

Период 2022–2025 годов характеризуется высокой степенью неопределенности, что оказывает разнонаправленное влияние на кредитный портфель, усиливая необходимость в глубоком и оперативном анализе.

Динамика и структура кредитного портфеля в корпоративном и розничном сегментах

Корпоративный сегмент

На 01.09.2025 года совокупная задолженность юридических лиц (ЮЛ) и индивидуальных предпринимателей (ИП) достигла 79,7 трлн рублей. При этом наблюдается рост кредитного риска:

• Просроченная задолженность (NPL): Общий объем просроченной задолженности (NPL, как правило, свыше 90 дней) по кредитам ЮЛ и ИП на 01.09.2025 составил 2,828 трлн рублей. Это соответствует доле NPL на уровне около 3,55% от совокупной задолженности.
• Доля проблемных заемщиков: Доля заемщиков с просроченной задолженностью (по любым срокам) возросла до 23,2%. Это свидетельствует об ухудшении финансового положения значительной части корпоративного сектора, что требует от банков более тщательного мониторинга и создания дополнительных резервов.

Розничный сегмент

В розничном кредитовании основной вклад в рост просроченной задолженности традиционно приходится на необеспеченный потребительский кредит.

Сегмент	Просроченная задолженность (NPL)	Стабилизация качества (Апрель 2025)	Проблема
Необеспеченные потребкредиты	Рост просрочки на 16% по итогам 2022 года.	Доля просроченной задолженности свыше 30 дней на третий месяц с момента выдачи составила 1,6%.	Высокая долговая нагрузка населения.
Ипотека	Низкий уровень NPL.	Стабильно высокое качество.	Риск процентной ставки для кредитов с плавающей ставкой.

Влияние макропруденциального регулирования (МПР): Стабилизация качества вновь выдаваемых кредитов наличными (просрочка на 3-й месяц всего 1,6% для кредитов, выданных в апреле 2025 года) является прямым следствием ужесточения макропруденциальных мер Банка России. Регулятор, увеличивая надбавки к коэффициентам риска в зависимости от показателя долговой нагрузки (ПДН), фактически сдерживает выдачу кредитов наиболее закредитованным слоям населения, тем самым ограничивая системный риск.

Сегмент МСП

Прогнозируется рост доли просроченных кредитов в сегменте малого и среднего предпринимательства (МСП) впервые с 2021 года — до 5% на конец 2025 года. Сегмент МСП наиболее чувствителен к замедлению экономического роста и ужесточению денежно-кредитной политики.

Влияние макроэкономических факторов и регуляторных мер

Ключевая ставка Банка России и макропруденциальные меры являются двумя основными рычагами, влияющими на кредитный риск.

Влияние ключевой ставки

Повышение ключевой ставки (ДКП) оказывает прямое влияние на стоимость фондирования для банков и, как следствие, на ставки по кредитам. Однако его влияние на объем новых выдач кредитов в 2024–2025 гг. оказалось ограниченным из-за широкой доступности льготного кредитования.

• На 01.09.2025 года задолженность по предоставленным льготным кредитам в корпоративном сегменте достигла 4,3 трлн рублей, составляя 6,0% в общем объеме рублевой задолженности ЮЛ и ИП.
• Изменение средневзвешенной ставки по кредитам на 1 п.п. (вызванное изменением ключевой ставки) приводит к изменению объема кредита экономике примерно на 1,5% с лагом в один квартал.

Критический риск плавающей ставки: Наиболее острым фактором риска ухудшения качества портфеля в корпоративном сегменте является рекордная доля кредитов с плавающей ставкой. По состоянию на 01.02.2024, доля кредитов с плавающей ставкой в корпоративном портфеле банков достигла исторического рекорда — 49,87%. Резкие повышения ключевой ставки приводят к автоматическому росту платежной нагрузки на заемщиков с плавающей ставкой, что напрямую повышает вероятность их дефолта и, соответственно, увеличивает кредитный риск для банка. Потому банкам необходимо срочно разработать механизмы проактивной реструктуризации для таких заемщиков.

Макропруденциальные меры (МПР)

В 2024–2025 гг. Банк России активно использовал МПР (увеличение надбавок к коэффициентам риска) как более точечный и эффективный инструмент сдерживания темпов роста кредитования, особенно в розничном сегменте.

МПР оказывают более сильное влияние на качество и структуру кредитного портфеля, чем прямое повышение ключевой ставки, поскольку они принуждают банки к более осторожной выдаче кредитов высокорисковым заемщикам, требуя от них держать больший капитал, взвешенный по риску.

Пути совершенствования системы управления кредитным риском

Современная система управления кредитным риском должна быть адаптивной, прогностической и полностью соответствовать жестким требованиям обновленной регуляторной базы (Положение 845-П, Указание 7005-У).

Предложенные рекомендации охватывают методологический, инструментальный и стратегический уровни.

1. Интеграция передовых ML-моделей в процесс принятия решений и мониторинга

Для повышения точности оценки PD и LGD, что является ключевым требованием 845-П, банку необходимо:

• Внедрение бустинговых моделей (CatBoost, XGBoost): Полностью перейти на использование моделей градиентного бустинга для розничного и, частично, для корпоративного скоринга. Цель — достижение стабильного показателя AUC-ROC выше 0.90, что позволит более точно калибровать PD и снизить требования к резервам при сохранении качества портфеля.
• Разработка объяснимых AI (XAI) решений: Поскольку регулятор требует интерпретируемости (прозрачности) моделей, необходимо внедрять XAI-инструменты (например, SHAP-значения), которые объясняют вклад каждого фактора в итоговый рейтинг дефолта, обеспечивая тем самым соответствие требованиям надзора.
• Автоматизация мониторинга кредитов с плавающей ставкой: Создать систему раннего предупреждения, которая оперативно (ежемесячно) рассчитывает изменение платежной нагрузки и ПДН для всех корпоративных заемщиков с плавающей ставкой, особенно в периоды повышения ключевой ставки. Это позволит банку проактивно реструктурировать задолженность, предотвращая массовые дефолты.

2. Подготовка к новым нормативам ликвидности и концентрации

Банку необходимо проактивно внедрять стандарты, которые станут обязательными в ближайшем будущем, чтобы получить конкурентное преимущество и обеспечить устойчивость.

Учет Национального норматива краткосрочной ликвидности (ННКЛ)

С 30 октября 2025 года Банк России внедряет для системно значимых кредитных организаций (СЗКО) новый Национальный норматив краткосрочной ликвидности (ННКЛ) с минимальным значением 80% на начальном этапе.

• Рекомендация: Даже если банк не является СЗКО, целесообразно уже сейчас внедрить внутренние стандарты по расчету и поддержанию ННКЛ (равного или близкого 100%).

  Это позволит оптимизировать управление высоколиквидными активами и снизить риск ликвидности, который тесно коррелирует с кредитным риском в условиях нестабильности.

Использование CDS для снижения риска концентрации (Норматив Н30)

В связи с планами ЦБ РФ по учету Кредитных Дефолтных Свопов (CDS) с 2026 года для расчета норматива Н30 (нового норматива концентрации):

• Рекомендация: Банку следует разработать внутреннюю методику оценки и учета стоимости CDS как инструмента снижения риска. Это позволит эффективно управлять риском концентрации на крупнейших заемщиках, не снижая при этом объем кредитования стратегически важных клиентов, и оптимизировать расчет RWA.

3. Оптимизация структуры кредитного портфеля

• Увеличение доли секьюритизации: Учитывая успешный опыт секьюритизации необеспеченных потребительских кредитов (37,2 млрд руб. в 2024 г.), банку следует регулярно использовать этот инструмент не только для ипотеки, но и для НПК, что позволит регулярно «разгружать» капитал от наиболее рисковых активов.
• Снижение зависимости от плавающей ставки: Для минимизации процентного риска, который может перерасти в кредитный риск, необходимо разработать программы стимулирования для корпоративных заемщиков к переходу на фиксированную ставку, особенно для долгосрочных проектов.

Заключение

Проведенное исследование подтвердило, что управление кредитным риском в коммерческом банке Российской Федерации в период 2022–2025 гг. представляет собой комплексную задачу, требующую постоянной адаптации к меняющейся макроэкономической конъюнктуре и радикально обновляющейся регуляторной базе. Цель дипломной работы — разработка актуализированной теоретической и практической базы для управления кредитным риском — полностью достигнута.

Ключевые выводы по достижению поставленной цели:

1. Теоретический и Регуляторный Аспекты: Была сформирована актуальная теоретико-методологическая база, основанная на принципах Базель III. Выявлена критическая важность перехода на новые стандарты, установленные Положением Банка России № 845-П, которое ужесточило требования к точности и валидации ключевых параметров ПВР (PD, LGD, EAD).
2. Методологический Аспект: Доказана необходимость перехода от классических скоринговых моделей к продвинутым моделям машинного обучения. Модели градиентного бустинга, демонстрирующие AUC-ROC до 0,965, обладают значительно большей прогностической силой по сравнению с логистической регрессией, что критически важно для соответствия повышенным требованиям регулятора к точности оценки PD.
3. Инструментальный Аспект: Установлено, что секьюритизация, особенно необеспеченных потребительских кредитов (37,2 млрд руб. в 2024 г.), является эффективным инструментом снижения кредитного риска и высвобождения капитала. В стратегическом плане, учет Кредитных Дефолтных Свопов (CDS) с 2026 года станет ключевым механизмом для управления риском концентрации (норматив Н30).
4. Практический Аспект: Проведенный анализ выявил основные угрозы: рост NPL в корпоративном сегменте (3,55% на 01.09.2025) и исторический рекорд доли кредитов с плавающей ставкой (49,87%), который создает системный риск при высокой ключевой ставке.
5. Рекомендации: Разработан комплекс обоснованных рекомендаций, направленных на совершенствование системы управления риском, включая внедрение ML-моделей с элементами XAI и проактивную подготовку к обязательному введению ННКЛ (Национальный норматив краткосрочной ликвидности), что обеспечит не только соответствие регуляторным нормам, но и повысит общую финансовую устойчивость банка.

Список использованной литературы

1. Ольшаный А.И. Банковское кредитование. М.: РДЛ, 1998.
2. Банковское дело / под ред. Ю.А. Бабичевой. М.: Экономика, 1994.
3. Жарковская Е.П. Банковское дело. М.: Омега – Л, 2003.
4. Питер С. Роуз. Банковский менеджмент. М.: Дело Лтд., 1995.
5. Положение Банка России от 10.01.2020 N 710-П «Об отдельных требованиях к финансовой устойчивости и платежеспособности страховщиков» [Электронный ресурс]. Доступ из справ.-правовой системы «КонсультантПлюс». URL: consultant.ru
6. Указание Центрального Банка Российской Федерации (Банк России, ЦБР) от 03 марта 2025 г. №7005-У «О порядке получения банком разрешения на применение банковских методик…» [Электронный ресурс]. Доступ из справ.-правовой системы «Гарант». URL: garant.ru
7. Влияние процентных ставок на кредитование, сбережения, инвестиции и потребление [Электронный ресурс]. Доступ из справ.-правовой системы «КонсультантПлюс». URL: consultant.ru
8. Кредитование в период высоких ставок [Электронный ресурс] // АКРА. URL: acra-ratings.ru
9. Кредитование юридических лиц и индивидуальных предпринимателей в августе 2025 года [Электронный ресурс] // Банк России. URL: cbr.ru
10. Малые и средние просрочили портфель [Электронный ресурс] // RAEX. URL: raexpert.ru
11. Меры поддержки от ЦБ: чего ждать в 2025 году [Электронный ресурс] // Legal Academy. URL: legalacademy.ru
12. Penikas_IRB_these_02.pdf (Факультет экономических наук) [Электронный ресурс] // НИУ ВШЭ. URL: hse.ru
13. Перспективные направления развития банковского регулирования и надзора: текущий статус и новые задачи [Электронный ресурс] // Банк России. URL: cbr.ru
14. ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДСКАЗАНИЯ ДЕФОЛ [Электронный ресурс] // ИТМО. URL: itmo.ru
15. Применение методов машинного обучения для решения задачи кредитного скоринга [Электронный ресурс] // НИУ ВШЭ. URL: hse.ru
16. Просроченная задолженность по ипотечным кредитам [Электронный ресурс] // Frank RG. URL: frankrg.com
17. Просроченные кредиты в России [Электронный ресурс] // Tadviser. URL: tadviser.ru
18. РЕГУЛИРОВАНИЕ РИСКОВ КРЕДИТНОЙ КОНЦЕНТРАЦИИ [Электронный ресурс] // Банк России. URL: cbr.ru
19. Российский банковский сектор — прогноз на 2025 год [Электронный ресурс] // Ассоциация банков России (АСРОС).

    URL: asros.ru

20. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ЗАДАЧ КРЕДИТНОГО СКОРИНГА [Электронный ресурс] // Fundamental Research. URL: fundamental-research.ru
21. Управление кредитным риском в банке: подход внутренних рейтингов (ПВР) [Электронный ресурс] // Юрайт. URL: urait.ru
22. ЦБ готовит новые требования к рынку секьюритизации [Электронный ресурс] // Frank Media. URL: frankmedia.ru
23. Банки стали чаще превращать необеспеченные кредиты в ценные бумаги [Электронный ресурс] // RAEX. URL: raexpert.ru
24. В ДОМ.РФ оценили потенциал развития рынка ипотечной секьюритизации [Электронный ресурс] // ДОМ.РФ. URL: xn--d1aqf.xn--p1ai
25. Ипотечная секьюритизация как инструмент управления структурой баланса банков [Электронный ресурс] // RAEX. URL: raexpert.ru
26. Разработка системы кредитного скоринга на основе моделей машинного обучения [Электронный ресурс] // УрФУ. URL: urfu.ru