Кредитный риск в современных условиях: Методы оценки, регуляторные стандарты (Базель IV) и цифровая трансформация (ML/AI) в банковском секторе РФ (2022–2025 гг.)

метки: Кредитный, Банковский, Модель, Управление, Подход, Портфель, Менеджмент, Кредит

В 2023 году российский банковский сектор продемонстрировал впечатляющее финансовое восстановление после кризисного 2022 года, достигнув нового рекорда прибыли в 3,3 трлн рублей, что более чем в 16 раз превысило показатель предыдущего периода. Этот феноменальный результат был достигнут на фоне ужесточения регуляторных требований Центрального банка РФ и активного внедрения передовых технологий риск-менеджмента, что подчеркивает критическую важность эффективного управления кредитным риском как ключевого фактора финансовой устойчивости.

Введение: Актуальность, цели и задачи исследования

Рекордная прибыльность российского банковского сектора, зафиксированная в 2023 году, не должна маскировать фундаментальные вызовы, стоящие перед кредитными организациями в период высокой макроэкономической неопределенности (2024–2025 гг.).

Управление кредитным риском — основным источником потерь в банковской деятельности — трансформировалось из рутинной процедуры в сложный, многоуровневый процесс, требующий обязательной интеграции трех составляющих: строгого следования международным стандартам (Базель III/IV), адаптации к жесткой макропруденциальной политике ЦБ РФ и внедрения прорывных технологий машинного обучения (ML/AI).

Целью настоящей выпускной квалификационной работы является разработка и методологическое обоснование комплексного подхода к оценке и регулированию кредитного риска в российском банковском секторе, учитывающего как новейшие регуляторные требования, так и достижения в области цифровой трансформации риск-менеджмента.

Предмет исследования: Теоретические подходы, количественные модели и регуляторные механизмы, используемые для оценки и управления кредитным риском.

Объект исследования: Система управления кредитным риском коммерческих банков Российской Федерации.

Глава 1. Теоретико-методологические основы кредитного риска и эволюция регуляторных подходов

Сущность и классификация кредитного риска в международной и российской практике

Кредитный риск, в его академическом и регуляторном понимании, представляет собой риск возникновения убытка для кредитной организации вследствие неисполнения или ненадлежащего исполнения контрагентом своих обязательств по договору. В контексте современной финансовой архитектуры, под влиянием международных стандартов, этот риск оценивается с позиции ожидаемых кредитных потерь (ECL или EL).

Кредит в рыночной экономике: теоретические основы, динамика и ...

... кредита, а также проведение углубленного анализа современного состояния, динамики и стратегических рисков кредитной системы РФ в период макроэкономической нестабильности (2023–2025 гг.). Для ... трансмиссии ДКП. Современная структура кредитного рынка РФ и анализ кредитных рисков (2023–2025 гг.) Структура кредитного портфеля и ключевые тренды динамики Кредитный рынок Российской Федерации демонстрирует ...

Формула расчета ожидаемых потерь является краеугольным камнем количественной оценки риска, как для целей бухгалтерского учета (МСФО 9), так и для целей регуляторного капитала (Базель III):

ECL = PD × LGD × EAD

Компонент	Определение в контексте ЦБ РФ	Зависимость и факторы
PD (Probability of Default)	Вероятность дефолта контрагента в течение заданного временного горизонта (например, 1 год).	Зависит от кредитоспособности заемщика, его финансовой отчетности, кредитной истории, макроэкономических факторов.
LGD (Loss Given Default)	Потери в случае наступления дефолта, выраженные в процентах от EAD.	Критически зависит от качества и ликвидности предоставленного обеспечения, а также от процедур взыскания.
EAD (Exposure at Default)	Сумма, подверженная кредитному риску, или общий объем обязательств контрагента на момент оценки.	Для балансовых активов равна остатку задолженности; для забалансовых (кредитные линии, гарантии) требует расчета коэффициента кредитной конверсии (CCF).

Эти три компонента служат основой для построения внутренних рейтинговых моделей, позволяющих банкам формировать адекватные резервы на возможные потери (РВПС).

С 2021 года Банк России разрешил банкам, использующим подход на основе внутренних рейтингов (IRB/ПВР), применять собственные методики и модели ECL для формирования РВПС по ссудам физическим лицам и МСП, что знаменует собой важный шаг к полной интеграции международных стандартов. Следовательно, точность оценки этих параметров становится прямым конкурентным преимуществом, определяющим необходимый уровень регуляторного капитала.

Эволюция международных стандартов регулирования (Basel I, II, III, IV)

Эволюция Базельских соглашений отражает непрерывный поиск баланса между стимулированием финансовой активности и обеспечением устойчивости системы. Каждое новое соглашение ужесточает требования к капиталу, заставляя банки более точно оценивать и покрывать свои риски.

Соглашение	Фокус регулирования	Ключевое нововведение
Базель I (1988)	Минимальные требования к капиталу (8%) для покрытия кредитного риска.	Введение стандартизированного подхода (Standardized Approach, SA), где активы взвешивались по риску на основе категорий контрагентов.
Базель II (2004)	Концепция «Трех столпов».	Разделение оценки риска на стандартизированный подход (SA) и подход на основе внутренних рейтингов (IRB-подход), а также включение операционного и рыночного рисков.
Базель III (2010)	Повышение качества капитала и ликвидности.	Ужесточение определения капитала (Common Equity Tier 1, CET1), введение буферов капитала (консервации, контрциклического), нормативов ликвидности (LCR, NSFR).
Базель IV (2017+)	Ограничение использования внутренних моделей.	Пересмотр IRB-подхода, введение "пола" (output floor) для результатов внутренних моделей, что ограничивает возможность банков занижать активы, взвешенные по риску (RWA).

В Российской Федерации внедрение IRB-подхода (ПВР) регламентируется Инструкцией Банка России № 199-И. Этот переход критически важен, поскольку он позволяет крупным банкам, обладающим развитой системой риск-менеджмента и статистической базой, использовать собственные, более чувствительные к риску оценки PD, LGD и EAD, что, в конечном счете, должно привести к более эффективному распределению капитала.

Современная архитектура управления рисками и ее роль в коммерческом банке

Управление кредитным риском не является функцией исключительно одного подразделения; оно требует целостной организационной архитектуры. Современная практика риск-менеджмента строится на концепции «Трех линий защиты» (3LOD). Эта модель обеспечивает четкое распределение ролей, ответственности и независимый надзор, минимизируя конфликт интересов. (Оптимизация этой структуры является одной из ключевых рекомендаций).

1. Первая линия защиты (Операционный менеджмент):
   • Сотрудники, непосредственно осуществляющие кредитование (кредитные менеджеры, фронт-офис).
   • Ответственность: Ежедневное выявление, оценка и управление рисками, принятие рисков в рамках установленных лимитов.
   • Пример: Менеджер по работе с корпоративными клиентами отвечает за первичный анализ финансового состояния заемщика и соблюдение кредитной политики.
2. Вторая линия защиты (Функции Риск-менеджмента и Комплаенс):
   • Специализированные подразделения (Управление рисков, Методология, Эконометрика).
   • Ответственность: Разработка и внедрение методологий оценки рисков (PD, LGD, EAD), установление лимитов, мониторинг соблюдения регуляторных требований (Инструкция 199-И), проведение стресс-тестирования.
   • Роль: Выступает в роли контролера и консультанта для первой линии.
3. Третья линия защиты (Внутренний аудит):
   • Независимое подразделение, подчиняющееся Совету директоров.
   • Ответственность: Предоставление независимой и объективной оценки эффективности системы внутреннего контроля и управления рисками, включая проверку моделей PD/LGD и соблюдения методологий второй линии.

Эффективность 3LOD гарантирует, что риск-культура пронизывает все уровни организации, а методологии (разработанные второй линией) проверяются на корректность и применимость (третьей линией).

Глава 2. Анализ регуляторных требований ЦБ РФ и их влияние на достаточность капитала и резервирование

Нормативы достаточности капитала (Н1.0) и структура активов, взвешенных по риску (RWA)

Ключевым показателем надежности и финансовой устойчивости банка в РФ является норматив достаточности собственных средств (капитала) Н1.0. Он отражает способность банка покрывать потенциальные потери за счет собственного капитала.

В общем виде норматив Н1.0 рассчитывается как соотношение собственных средств (капитала) банка и суммы активов, взвешенных по риску (RWA):

H1.0 = (Собственные средства (Капитал) / (Активы, взвешенные по риску (RWA) × 12,5))

Методологическая Детализация RWA (Инструкция ЦБ РФ № 199-И):

При расчете RWA активы банка делятся на группы риска, к каждой из которых применяется свой коэффициент риска (RWi).

Для стандартизированного подхода эти коэффициенты определяются регулятором:

RWA = Σ (Активi × RWi - РВПСi)

Ключевые аспекты:

1. Резервирование (РВПС): Из величины актива вычитается сформированный резерв на возможные потери (РВПС).

   Чем выше резерв, тем меньше RWA, и тем выше достаточность капитала.

2. Повышение требований: Минимальное значение Н1.0 составляет 8,0%. Однако с учетом всех надбавок (буферов консервации), для банков с универсальной лицензией минимальный уровень составляет 8,25%. С 1 января 2025 года эта планка планируется к повышению до 8,75%, что требует от банков повышенного внимания к эффективности управления RWA.

Механизмы макропруденциального регулирования кредитного риска

В последние годы Центральный банк РФ активно использует макропруденциальные инструменты для сдерживания системных рисков, возникающих из-за чрезмерного роста необеспеченного потребительского кредитования. Главными инструментами являются:

1. Макропруденциальные надбавки (МПН) к коэффициентам риска (RWi): Повышают RWi для кредитов, которые ЦБ считает излишне рискованными.
2. Макропруденциальные лимиты (МПЛ): Прямые количественные ограничения на долю кредитов с высоким показателем долговой нагрузки (ПДН).

Анализ влияния ПДН:
Показатель долговой нагрузки (ПДН) рассчитывается как отношение ежемесячных платежей заемщика по всем кредитам к его среднемесячному доходу. ЦБ РФ ввел МПЛ для ограничения выдачи кредитов заемщикам с ПДН выше 50% (то есть тем, кто тратит более половины дохода на обслуживание долга).

Результаты применения МПЛ, согласно данным ЦБ РФ, впечатляющи: доля кредитов с ПДН более 50% снизилась с 60% во II квартале 2023 года до 26% в IV квартале 2024 года. Это демонстрирует, что регуляторный механизм напрямую трансформирует структуру кредитного портфеля, заставляя банки либо работать с менее рискованными заемщиками, либо резко увеличивать капитальный буфер для покрытия высокорисковых ссуд. Но не приводит ли такой жесткий контроль к снижению доступности кредитов для значимой части населения?

Стресс-тестирование как инструмент оценки устойчивости банковского сектора

Стресс-тестирование — это оценка потенциального воздействия исключительных, но вероятных изменений факторов риска на финансовое состояние банка. Оно служит не только инструментом внутреннего управления, но и ключевым элементом надзорной деятельности ЦБ РФ.

Методы стресс-тестирования в РФ:

Метод	Описание	Применение
Сценарный анализ	Многофакторный анализ, предполагающий одновременное шоковое изменение нескольких макроэкономических переменных (ВВП, инфляция, ключевая ставка, безработица).	Оценка стратегической устойчивости и определение потребности в капитале в долгосрочной перспективе.
Анализ чувствительности	Однофакторный анализ, оценивающий влияние изменения одного параметра (например, роста PD на 20%) на конкретный портфель или финансовый результат.	Оценка краткосрочного воздействия и оперативного реагирования.

Результаты надзорного стресс-тестирования (2023–2024 гг.):

ЦБ РФ регулярно проводит надзорное стресс-тестирование (методом "top-down") крупнейших банков. В 2024 году (на основе данных 2023 года) для оценки устойчивости использовался "Рисковый" сценарий, который предполагал значительные макроэкономические шоки (например, высокая инфляция и ключевая ставка).

Результаты показали, что 27 крупнейших банков в совокупности способны выдержать шок: их достаточность капитала (Н1.0) снизится на 2,8 процентного пункта, но сохранится на уровне 9,6%, что выше минимального регуляторного норматива. Это подтверждает, что, несмотря на потрясения, система обладает достаточным запасом прочности, во многом благодаря буферам капитала, накопленным после ужесточения Базельских требований, и эти запасы необходимо использовать для стратегического управления.

Глава 3. Применение технологий машинного обучения (ML) для модернизации кредитного скоринга

Сравнительный анализ классических и ML-моделей оценки кредитоспособности

Традиционные методы кредитного скоринга (Z-Score, модели Чессера, логистическая регрессия) долгое время были стандартом, поскольку они обладают высокой интерпретируемостью (прозрачностью).

Однако они имеют существенные ограничения: линейность, чувствительность к выбросам и неспособность эффективно обрабатывать нелинейные зависимости в больших массивах данных (Big Data).

Цифровая трансформация привела к доминированию ML-моделей, особенно ансамблевых методов (градиентный бустинг, XGBoost, CatBoost), которые демонстрируют значительно более высокую прогностическую силу.

Критерий	Традиционные Модели (Логит)	Современные Модели (XGBoost, CatBoost)
Прогностическая сила (AUC)	Ниже 0,70	Выше 0,75 (вплоть до 0,81)
Точность прогноза	Около 65–70%	Выше 80%
Возможность обработки нелинейностей	Низкая	Высокая, способность выявлять сложные взаимодействия признаков.
Скорость принятия решения	До нескольких часов/дней	До нескольких минут (автоматизированный конвейер).
Влияние на дефолты	Стандартное	Снижение уровня дефолтов на 18–22%.

Метрика ROC-AUC является ключевой для оценки качества алгоритмов. Превышение порога 0,75, достигаемое современными моделями, подтверждает их высокую прогностическую силу и способность эффективно разделять добросовестных заемщиков и потенциальных дефолтеров. Применение ML-моделей позволяет банкам не только снизить риски, но и значительно ускорить процесс принятия кредитного решения, что является критическим конкурентным преимуществом.

Моделирование компонентов кредитного риска (PD, LGD, EAD) на основе Big Data

ML-модели используются не только для бинарного скоринга (одобрить/отказать), но и для более точного моделирования всех трех компонентов ожидаемых потерь (PD, LGD, EAD), что критически важно для банков, применяющих IRB-подход.

Источники Big Data для моделирования:

Помимо традиционных данных (кредитная история, финансовая отчетность), современные модели кредитного риска в РФ активно используют экосистемные и поведенческие данные:

1. Транзакционная активность: Анализ паттернов расходования средств, стабильности поступлений, частоты овердрафтов.
2. Поведенческий скоринг (Behavioral Scoring): Применяется для действующих клиентов. Оценка риска на основе изменения их текущего финансового поведения, использования нефинансовых продуктов банка (экосистемные данные) и даже геолокации. Динамическая оценка позволяет банку оперативно корректировать кредитные лимиты.
3. Внешние данные: Публично доступная финансовая отчетность (ФНС), данные о судебных исках, информация о социальных связях (при условии соблюдения регуляторных норм).

Машинное обучение позволяет эффективно интегрировать эти широкие и разнородные наборы данных, что невозможно в рамках линейной регрессии, повышая точность прогнозирования PD и LGD.

Проблемы интерпретации и «Объяснимый ИИ» (Explainable AI) в банковском регулировании

Повышенная точность ML-моделей имеет свою цену: снижение прозрачности. Модели градиентного бустинга часто выступают как «черный ящик», что создает серьезные регуляторные и этические проблемы.

1. Регуляторный риск: Банк России и Базельский комитет требуют от банков возможности валидации и объяснения результатов моделей, особенно если они используются для расчета регуляторного капитала (IRB-подход).

   Если банк не может объяснить, почему модель присвоила клиенту высокий PD, модель не может быть утверждена.

2. Этический риск: Клиент, получивший отказ в кредите, имеет право знать причину (требование законодательства РФ).

Для решения этой проблемы активно развивается нап��авление Объяснимого ИИ (Explainable AI, XAI). XAI-методы (например, SHAP-values, LIME) позволяют декомпозировать прогноз сложной ML-модели и определить вклад каждого отдельного признака в конечное решение. Внедрение XAI-инструментов в банковский риск-менеджмент является не просто технологическим трендом, а обязательным условием для использования ML-моделей в регулируемой финансовой среде, что критически важно для дальнейшей цифровизации банковского сектора.

Глава 4. Анализ актуальной динамики кредитного портфеля российских банков и рекомендации по совершенствованию риск-процессов

Макроэкономические детерминанты качества кредитного портфеля (2022–2025 гг.)

Период 2022–2025 гг. характеризуется беспрецедентной макроэкономической волатильностью, которая напрямую влияет на качество кредитного портфеля.

Сегмент кредитования	Динамика (2022–2025)	Ключевые факторы риска
Корпоративное кредитование	Рост, замедление годового темпа прироста до 10,3% (на 01.09.2025).	Высокая ключевая ставка, геополитические риски, перестройка логистических цепочек, снижение инвестиционной активности.
Ипотечное кредитование	Бурный рост, поддерживаемый государственными программами.	Риск "пузыря" на рынке жилья, зависимость от гос. субсидий.
Необеспеченное потреб. кредитование	Стагнация или снижение (портфель необеспеченных кредитов физлицам снизился на 1,5% в I кв. 2025 г.).	Активное использование МПЛ/МПН ЦБ РФ, высокая ключевая ставка, снижение реальных доходов населения.

Ключевая ставка ЦБ РФ, используемая для борьбы с инфляцией, является мощнейшим фактором, сдерживающим рост кредитного портфеля, особенно в необеспеченном сегменте. Снижение объема необеспеченных кредитов в 2025 году является прямым следствием не только высоких ставок, но и жесткого регуляторного воздействия через МПЛ, ограничивающих долю высокорисковых заемщиков.

Оценка стоимости риска и резервирования по основным сегментам кредитования

Стоимость риска (Cost of Risk, CoR) — показатель, отражающий отношение созданных резервов к среднему размеру кредитного портфеля — является критическим индикатором качества управления риском.

В условиях 2025 года аналитики прогнозируют следующее:

• Корпоративный сегмент: Ожидается рост стоимости риска до средних исторических уровней. Несмотря на то, что просроченная задолженность в сегменте МСП временно снизилась, замедление темпов роста корпоративного портфеля (до 10,3% на 01.09.2025) в сочетании с высокой стоимостью фондирования и давлением санкций может привести к ухудшению финансового состояния ряда заемщиков.
• Розничный сегмент: Прогнозируется повышенный объем резервирования (CoR) в необеспеченных кредитах. Это связано с тем, что, хотя ЦБ РФ ограничил выдачу новых высокорисковых ссуд, старые портфели, выданные до введения жестких МПЛ, продолжают нести повышенный риск дефолта в условиях высокой инфляции, снижающей покупательскую способность населения.

Банки, использующие IRB-подход, должны будут оперативно калибровать свои модели ECL, чтобы отразить эти макроэкономические сдвиги и обеспечить адекватность формируемых РВПС.

Стратегические и операционные рекомендации для крупного коммерческого банка

На основе проведенного анализа, для повышения конкурентоспособности и финансовой устойчивости крупному коммерческому банку могут быть предложены следующие стратегические и операционные рекомендации:

1. Интеграция XAI в процесс принятия решений

   Рекомендация: Принудительное внедрение XAI-инструментов (например, SHAP-анализа) во все кредитные конвейеры, использующие ML-модели.

   Эффект: Обеспечение прозрачности "черного ящика" для регулятора (ЦБ РФ) и внутреннего аудита (третья линия защиты), минимизация регуляторных рисков, связанных с оспариванием решений.

2. Оптимизация структуры «Трех линий защиты» (3LOD) под ML-модели

   Рекомендация: Усиление второй линии защиты (Риск-менеджмент) специалистами по Data Science и эконометрике для непрерывной валидации и рекалибровки ML-моделей (PD, LGD).

   Эффект: Повышение оперативности реагирования на изменение макроэкономических факторов и обеспечение методологической корректности моделей, используемых для расчета RWA и РВПС.

3. Интеграция Стресс-тестирования в стратегическое планирование

   Рекомендация: Переход от чисто надзорного стресс-тестирования к его интеграции в процесс лимитирования и стратегического планирования капитала. Банк должен использовать "Рисковые" сценарии ЦБ РФ для установления внутренних буферов капитала и определения максимальных лимитов по высокорисковым сегментам (например, по кредитам с высоким ПДН).

   Эффект: Упреждающее управление капиталом, обеспечение соответствия нормативам Н1.0 даже в условиях системного шока.

4. Развитие Поведенческого Скоринга

   Рекомендация: Максимальное использование данных экосистемы для построения динамических, "живых" моделей кредитного риска (Behavioral Scoring), которые позволяют не только принимать решение о выдаче, но и постоянно мониторить риск действующих клиентов.

   Эффект: Снижение LGD за счет раннего выявления признаков ухудшения финансового состояния клиента и своевременного принятия мер по взысканию или реструктуризации.

Заключение

Синтез результатов исследования

Управление кредитным риском в современном российском банковском секторе (2022–2025 гг.) представляет собой сложную систему, находящуюся на пересечении трех ключевых областей:

1. Регуляторная строгость: Неукоснительное следование принципам Базель III/IV, закрепленным в национальном законодательстве (Инструкция ЦБ РФ № 199-И), с акцентом на расчет компонентов ECL (PD, LGD, EAD) и соблюдение нормативов достаточности капитала (Н1.0), который будет повышен до 8,75% с 2025 года.
2. Макропруденциальное давление: Активное и эффективное использование ЦБ РФ инструментов макропруденциального регулирования (МПН, МПЛ, ПДН) для целенаправленного ограничения системного риска в наиболее уязвимых сегментах (необеспеченное потребительское кредитование), что напрямую меняет структуру кредитного портфеля.
3. Технологическая модернизация: Необходимость полного перехода от традиционных скоринговых методов к моделям машинного обучения (XGBoost, CatBoost), которые, демонстрируя прогностическую силу (ROC-AUC > 0,75) и снижение дефолтов (на 18–22%), требуют обязательного внедрения XAI-инструментов для обеспечения регуляторной прозрачности.

Практическая значимость

Данная работа имеет высокую практическую значимость для банковского сообщества и регуляторов. Предложенный комплексный анализ и рекомендации по внедрению XAI-моделей и оптимизации архитектуры 3LOD позволяют коммерческим банкам:

• Обеспечить методологическую корректность расчета ECL и RWA в соответствии с требованиями ЦБ РФ.
• Повысить эффективность принятия кредитных решений, минимизируя стоимость риска.
• Усилить финансовую устойчивость, интегрировав надзорное стресс-тестирование в стратегическое управление капиталом.

Список использованной литературы

1. Гражданский кодекс Российской Федерации от 30.11.1994 № 51-ФЗ (ред. от 17.07.2009 № 145-ФЗ).
2. Федеральный закон от 03.02.1996 года № 17-ФЗ «О банках и банковской деятельности» (ред. от 28.04.2009 № 73-ФЗ).
3. Федеральный закон от 10.06.2002 № 86-ФЗ «О Центральном Банке Российской Федерации (Банке России)» (ред. от 29.07.2004).
4. Федеральный закон от 23.12.2003 № 177-ФЗ «О страховании вкладов физических лиц в банках Российской Федерации» (ред. от 22.12.2008).
5. Инструкция Банка России от 16.01.2004 г. № 110-И «Об обязательных нормативах банков» (ред. от 14.06.2007).
6. Инструкция ЦБ РФ от 29.11.2019 N 199-И «О порядке оценки кредитного риска по ссудам, ссудной и приравненной к ней задолженности» (ред. от 06.06.2023).
7. Положение ЦБ РФ от 16.12.2003 № 242-П «Об организации внутреннего контроля в кредитных организациях и банковских группах».
8. Положение ЦБ РФ от 29.03.2004 № 255-П «Об обязательных резервах кредитных организаций».
9. Положение ЦБ РФ от 14.11.2007 № 313-П «О порядке расчета кредитными организациями размера рыночных рисков».
10. Указание ЦБ РФ от 16.01.2004 № 1379-У «Об оценке финансовой устойчивости банка в целях признания ее достаточной для участия в системе страхования вкладов».
11. Банковская система России. Настольная книга банкира. М.: ДеКА, 2007.
12. Банковское дело / Под ред. Белоглазовой Г.Н., Кроливецкой Л.П. СПб.: Питер, 2008.
13. Банковское дело / Под ред. О.И. Лаврушина. М.: Финансы и статистика, 2008. 420 с.
14. Беляков А.В. Банковские риски: проблемы учета, управления и регулирования. М.: БДЦ-Пресс, 2008. 341 с.
15. Буевич С.Ю., Королев О.Г. Анализ финансовых результатов банковской деятельности. М.: 2005.
16. Бурдина Е.В., Ковалёв В.Л., Криштопенко О.С. Статистический анализ состояния и тенденций развития банковской системы // Вопросы статистики. 2008. № 6.
17. В ЦБ оценили результаты стресс-теста банковского сектора // Forbes.ru. URL: [URL скрыт].
18. Глава 2. Норматив достаточности собственных средств (капитала) банка (Н1) // Garant.ru. URL: [URL скрыт].
19. Глава 2. Нормативы достаточности капитала банка, рассчитанные в соответствии со стандартным подходом // КонсультантПлюс. URL: [URL скрыт].
20. Додинов В.Н., Крылова М.А., Шестаков А.В. Финансовое и банковское право. Словарь-справочник / Под ред. О.Н. Горбуновой. М.: ИНФРА-М, 2006. 277 с.
21. Ежов Ю.А. Банкротство коммерческих организаций: учебное пособие. М.: Дашков и К, 2008.
22. Жарковская Е.П., Арендс И.О. Банковское дело: Курс лекций. М.: Омега-Л, 2009.
23. Жуков Е.Ф. Банковский менеджмент: учебник. 2-е изд. М.: ЮНИТИ-ДАНА, 2007.
24. Кабушкин С.Н. Управление банковским кредитным риском: учебное пособие. М.: 2009.
25. Казимагомедов А.А., Ильясов С.М. Организация денежно-кредитного регулирования. М.: Финансы и статистика, 2007.
26. Как банки используют искусственный интеллект в обслуживании бизнеса // vedomosti.ru. URL: [URL скрыт].
27. Коблев М.С. Итоги и тенденции развития банков и кредитного риск-менеджмента // Финансы и кредит. 2009. № 10. С. 46–49.
28. Ковалев П.П. Стратегия банковского риск-менеджмента // Финансы и кредит. 2009. № 15. С. 12–17.
29. Колесников В.И., Кроливецкая Л.П. Банковское дело. М.: Финансы и статистика, 2008.
30. Комплекс рекомендаций по сокращению кредитных рисков в ОАО «Банке24.ру».
31. Корнилов Ю.А. Некоторые вопросы управления кредитным риском в кризисных условиях // Деньги и кредит. 2009. № 5. С. 33–37.
32. Котина О.И. Системы страхования вкладов: обзор зарубежной практики // Деньги. 2008. № 3.
33. Кредитование юридических лиц и индивидуальных предпринимателей в августе 2025 года // Банк России. URL: [URL скрыт].
34. Лаврушин О.И. Банковское дело. Учебник. М.: КНОРУС, 2008. 768 с.
35. Литук О.Н. Стратегический подход к реструктуризации коммерческих банков // Деньги и кредит. 2008. № 7. С. 17–22.
36. Львин Б. О некоторых вопросах банковской и денежной системы // Вопросы экономики. 2008. № 11.
37. Макропруденциальное стресс-тестирование // Банк России. URL: [URL скрыт].
38. Максютов А.А. Банковский менеджмент: учебно-практическое пособие. М.: Альфа-Пресс, 2009.
39. Макеев С.Р. Денежно-кредитная политика: теория и практика. М.: Экономистъ, 2007.
40. Мелкумов Я.С. Теоретическое и практическое пособие по финансовым вычислениям. М.: ИНФРА-М, 2009.
41. Методика оценки Кредитного риска контрагента // naufor.ru. URL: [URL скрыт].
42. Модель «Три линии защиты» в риск-менеджменте // Академия бизнеса EY. URL: [URL скрыт].
43. Модель трех линий защиты — Финансовый анализ // 1fin.ru. URL: [URL скрыт].
44. Моисеев Б.С. О методике стресс-тестирования банка // Деньги и кредит. 2008. № 9. С. 22–26.
45. Никонова И.А., Шамгунов Р.Н. Стратегия и стоимость коммерческого банка. М.: Альпина Бизнес БУКС, 2007.
46. Норматив достаточности капитала // Банки.ру. URL: [URL скрыт].
47. О ПРОЕКТИРОВАНИИ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ БАНКОВСКОГО СКОРИНГА // cyberleninka.ru. URL: [URL скрыт].
48. Официальный сайт Министерства Финансов РФ. URL: www.minfln.ru.
49. Официальный сайт ОАО «Банк24.ру». URL: www.bank24.ru.
50. Официальный сайт Федеральной службы государственной статистики. URL: www.gks.ru.
51. Петров А.Ю., Петрова В.И. Комплексный анализ финансовой деятельности банка. М.: Финансы и статистика, 2008.
52. Подходы к организации стресс-тестирования в кредитных организациях // Банк России. URL: [URL скрыт].
53. Полищук А.И. Кредитная система: опыт, новые явления, прогнозы и перспективы. М.: Финансы и статистика, 2008.
54. Полфреман Д., Форд Ф. Основы банковского дела. М.: ИНФРА-М, 2007.
55. Применение методов машинного обучения для решения задачи кредитного скоринга // hse.ru. URL: [URL скрыт].
56. Ретроспектива подходов к оценке кредитного риска: Базель I, II, III // cyberleninka.ru. URL: [URL скрыт].
57. Рыбин Е.В. Риск-менеджмент в банках и банковских группах: проблемы и тенденции // Банковское дело. 2009. № 9. С. 34–38.
58. Сагитдинов М.Ш., Марданов Р.Х., Кощегулова И.Р. О необходимости статистического подхода к разработки концепции развития банковской системы России // Деньги и кредит. 2008. № 7.
59. Сведения об обязательных нормативах, показателе финансового рычага и нормативе краткосрочной ликвидности (публикуемая форма) на 1.10.2024 // Банк России. URL: [URL скрыт].
60. Симуляция и оценка кредитного риска в проектном финансировании // mgimo.ru. URL: [URL скрыт].
61. Современный экономический словарь / Под. ред. Б.А. Райзберг, Л.Ш. Лозовский, Е.Б. Стародубцева. М., 2007.
62. Солнцев О. Российская банковская система: смена модели развития // Проблемы прогнозирования. 2009. № 2.
63. Стресс-тестирование. Методы анализа рисков в банке // snauka.ru. URL: [URL скрыт].
64. Стресс-тестирование как метод анализа банковских рисков в РФ // elibrary.ru. URL: [URL скрыт].
65. Татаринова Л.Ю. Роль организации информационной безопасности в предотвращении рисков в банковской деятельности // Финансы и кредит. 2009. № 30. С. 18–22.
66. Трех линии защиты»: эволюция модели управления рисками и внутреннего контроля // PWC. URL: [URL скрыт].
67. Трофимова Е.С. Характеристика отдельных рисков банковской системы Российской Федерации // Рынок ценных бумаг. 2008. № 8. С. 56–59.
68. Тысячникова Н.А. Тенденции и приоритеты развития систем риск-менеджмента в российских банках // Банковское дело. 2009. № 7. С. 15–18.
69. Фетисов Г.Г. Устойчивость банковской системы. М.: Финансовая академия, 2008.
70. Финансы. Денежное обращение. Кредит. Учебник для вузов / Под ред. Л.А. Дробзиной. М., 2007.
71. ЦБ раскрыл итоги 2022 года для банковского сектора // t-j.ru. URL: [URL скрыт].
72. Черкасов В.Е. Финансовый менеджмент в кредитных организациях. М.: МЭСИ, 2008.
73. Шульгин А.В. Внутренний контроль и управление рисками в коммерческом банке // Финансы и кредит. 2009. № 2. С. 14–18.