Управление кредитным риском потребительского кредитования Банка ВТБ (ПАО) в условиях ужесточения макропруденциального регулирования: Эконометрический анализ и совершенствование скоринговых моделей

метки: Модель, Кредит, Кредитный, Портфель, Кредитование, Показывать, Заемщик, Сегмент

На начало 2025 года доля неработающих кредитов (NPL) в розничном портфеле Банка ВТБ (ПАО) достигла критического уровня в 5%, что приближает этот показатель к значениям кризисных лет и сигнализирует о необходимости немедленного пересмотра методологии управления рисками. Эта цифра, полученная на фоне общего ужесточения денежно-кредитной политики и беспрецедентного макропруденциального давления со стороны Банка России, становится отправной точкой для глубокого аналитического исследования.

Данная Выпускная квалификационная работа (ВКР) посвящена деконструкции и актуализации существующих подходов к управлению кредитным риском в сегменте потребительского кредитования Банка ВТБ (ПАО).

Целью исследования является разработка научно обоснованной методологии и практических рекомендаций по совершенствованию скоринговых систем и процессов риск-менеджмента в условиях быстро меняющейся регуляторной и макроэкономической среды, с обязательной оценкой экономического эффекта от их внедрения.

Теоретико-правовые основы управления кредитным риском в банковском секторе РФ

Управление кредитным риском — это не просто функция, а основа финансовой устойчивости любого современного банка. В условиях российской экономики, где регулятор активно использует пруденциальные меры для сдерживания кредитного бума, понимание нормативной базы и ключевых эконометрических параметров риска становится критически важным. Именно способность банка эффективно моделировать эти параметры определяет его устойчивость к внешним шокам.

Эволюция и современная концепция кредитного риска

Кредитный риск традиционно определяется как риск возникновения убытков вследствие неисполнения или ненадлежащего исполнения заемщиком своих обязательств перед кредитной организацией. Однако в контексте розничного (потребительского) кредитования, особенно в условиях развитого рынка, концепция риска существенно эволюционировала.

Современный кредитный риск рассматривается не как бинарное событие («дефолт или не дефолт»), а как многомерная величина, требующая эконометрического моделирования. В сегменте потребительского кредитования кредитный риск имеет высокую степень зависимости от макроэкономических переменных (уровень доходов населения, безработица, инфляция) и напрямую связан с феноменом «закредитованности» (уровень ПДН – показатель долговой нагрузки).

Комплексный финансово-экономический анализ деятельности ПАО «БАНК ...

... 80%) привело к кардинальному изменению кредитной политики банков, заставив их фокусироваться на более качественных заемщиках. Современные модели оценки кредитного риска (Кредитный скоринг) В условиях массового потребительского кредитования ручная оценка кредитоспособности невозможна. ...

Таким образом, управление риском сегодня — это прогнозирование взаимосвязи между платежеспособностью заемщика и состоянием экономики в целом.

Виды кредитного риска в розничном сегменте:

1. Риск индивидуального дефолта: Неспособность конкретного заемщика обслуживать долг.
2. Портфельный риск: Возникновение значительных потерь из-за корреляции дефолтов внутри определенного сегмента (например, кредиты, выданные в определенный период или определенной социальной группе).
3. Риск концентрации: Чрезмерная концентрация кредитного портфеля на заемщиках с высоким ПДН, что усиливает уязвимость банка перед макроэкономическими шоками.

Нормативно-правовая база регулирования кредитного риска

Ключевым элементом в системе управления рисками является не только внутренний регламент банка, но и строгие требования Банка России, которые напрямую влияют на финансовый результат и, что особенно важно, на капитал кредитной организации.

Основным документом, регулирующим порядок формирования резервов, является Положение Банка России от 28.06.2017 № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам…». Последние изменения в этом документе (например, от 15.03.2023 г.) подчеркивают необходимость постоянной актуализации оценки качества ссуд на основе профессионального суждения и данных, адекватных текущему экономическому положению. Размер резервов, формируемых банком, напрямую уменьшает его прибыль и, соответственно, снижает налогооблагаемую базу, что делает точную оценку риска ключевой задачей.

Кроме того, система управления риском неразрывно связана с требованиями к достаточности капитала. Положение Банка России от 04.07.2018 № 646-П («Базель III») устанавливает требования к капиталу, который должен покрывать кредитный риск. Влияние кредитного риска на капитал усиливается за счет макропруденциальных надбавок, которые искусственно повышают риск-веса по высокорискованным кредитам, вынуждая банки держать больше капитала.

Продвинутые подходы к оценке риска (IRB) и их применение в России

Переход к продвинутым подходам, известным как IRB (Internal Rating Based, на основе внутренних рейтингов), регламентирован Положением Банка России от 06.08.2015 № 483-П. Этот документ позволяет банкам, доказавшим высокий уровень методологической зрелости, использовать собственные модели для расчета величины кредитного риска, что, как правило, приводит к более точному и менее консервативному расчету капитала, чем при использовании стандартизированного подхода.

В рамках продвинутых подходов к оценке кредитного риска используются три ключевых параметра, которые формируют основу для расчета ожидаемых и непредвиденных потерь:

1. PD (Probability of Default) – Вероятность дефолта: Оценивает вероятность того, что заемщик не выполнит свои обязательства в течение определенного горизонта (обычно один год).
2. LGD (Loss Given Default) – Потери при дефолте: Оценивает долю убытков от суммы задолженности, которую банк понесет в случае дефолта (после реализации залога и проведения процедур взыскания).
3. EAD (Exposure at Default) – Сумма под риском: Оценивает фактическую сумму задолженности, которая будет находиться под риском в момент дефолта.

Эти три параметра являются базой для расчета Ожидаемых потерь (Expected Loss, EL), которые банк должен покрывать за счет операционных доходов и резервов:

EL = PD * LGD * EAD

Применение Положения 483-П обязывает ВТБ постоянно калибровать и валидировать эти параметры с помощью сложных статистических моделей, основанных на машинном обучении и Big Data, что определяет технические требования к его риск-менеджменту. Разве не очевидно, что без внедрения таких продвинутых систем банк попросту не сможет поддерживать конкурентоспособность в условиях растущего регуляторного давления?

Анализ структуры и динамики кредитного портфеля потребительского кредитования Банка ВТБ (ПАО)

Глубокий эконометрический анализ деятельности Банка ВТБ (ПАО) позволяет выявить конкретные болевые точки, вызванные как агрессивной кредитной политикой прошлых лет, так и внешним регуляторным давлением. Исследование охватывает период 2022–2025 гг., фокусируясь на динамике портфеля и его качестве.

Динамика и структура совокупного кредитного портфеля Группы ВТБ (2022-2025 гг.)

На фоне общего ужесточения денежно-кредитной политики (ДКП) Банка России, динамика кредитного портфеля ВТБ продемонстрировала противоречивые тенденции. Совокупный кредитный портфель Группы ВТБ до вычета резервов на конец 2024 года достиг 23,8 трлн рублей, показав годовой рост на 13,2%. Однако анализ квартальной динамики раскрывает значительное замедление темпов, указывающее на эффективность регуляторных мер:

Показатель	Конец 2023 г.	I кв. 2024 г.	IV кв. 2024 г.	Годовой рост (2024)
Совокупный портфель (трлн руб.)	≈ 21.0	≈ 22.1	23.8	13.2%
Квартальный рост (QoQ)	—	5.4%	0.1%	—

Структурный диссонанс: Замедление роста совокупного портфеля до минимальных 0.1% в IV квартале 2024 года было целиком обусловлено сокращением корпоративного сегмента на 0.6% (15,9 трлн руб.).

В то же время, розничный портфель (кредиты физическим лицам) продолжал расти, прибавив 1.8% за тот же квартал.

На конец 2024 года структура совокупного портфеля ВТБ была следующей:

• Корпоративный сегмент: 67% (15,9 трлн руб.)
• Розничный сегмент: 33% (7,8 трлн руб.)

Объем кредитов физическим лицам в 2024 году вырос на 12.1%, достигнув 7.8 трлн рублей. Этот рост, несмотря на высокие ставки и регуляторные ограничения, показывает сохраняющуюся высокую потребность населения в заемных средствах и агрессивность банка в розничном сегменте.

Анализ качества кредитного портфеля: Уровень NPL и покрытие резервами

Именно в розничном сегменте выявляется наиболее острая проблема, связанная с качеством активов. Доля неработающих кредитов (NPL — Non-Performing Loans, просрочка свыше 90 дней) в совокупном портфеле ВТБ на конец 2024 года составляла 3.5%. Однако более глубокий анализ розничного сегмента показывает тревожную динамику.

К маю 2025 года доля NPL в розничном портфеле достигла 5%. Этот показатель является критическим, поскольку приближается к уровням, характерным для периодов выраженного экономического стресса.

Ключевые индикаторы качества портфеля ВТБ:

Показатель	Конец 2023 г.	Конец 2024 г.	Май 2025 г. (Розничный)	Тренд
Доля NPL (Совокупный портфель)	3.6%	3.5%	—	Стабильный/Низкий
Доля NPL (Розничный портфель)	≈ 3.8%	≈ 4.0%	5.0%	Резкий рост
Покрытие NPL резервами (Совокупный)	169.8%	138.7%	—	Снижение

Выводы из анализа качества:

1. Рост риска в рознице: Рост NPL в розничном сегменте на 1.2 п.п. (с 3.8% до 5.0%) за неполные два года является прямым следствием ухудшения платежеспособности заемщиков и, вероятно, недостаточной точности скоринговых моделей при выдаче кредитов в период высоких процентных ставок.
2. Сокращение буфера: Значительное сокращение покрытия неработающих кредитов резервами (с 169.8% до 138.7%) показывает, что банк исчерпал значительную часть своего буфера безопасности. Это означает, что любое дальнейшее ухудшение качества портфеля будет оказывать более сильное и немедленное негативное влияние на капитал и финансовый результат.

Оценка ключевых факторов риска потребительского кредитования ВТБ

Текущее состояние кредитного портфеля ВТБ формируется под действием сложного комплекса внутренних и внешних факторов.

Внешние (Макроэкономические и Регуляторные) Факторы

Ключевым драйвером роста риска в 2023–2025 гг. является ужесточение денежно-кредитной политики (ДКП) Банка России. Сохранение высоких процентных ставок приводит к снижению спроса на кредиты (уменьшая объемы выдач) и, что более критично, увеличивает долговую нагрузку на существующих заемщиков, особенно на тех, кто взял кредиты по плавающей ставке или рефинансировал их.

Второй, не менее важный фактор — макропруденциальное регулирование. Банк России использует лимиты и надбавки к риск-весам по кредитам с высоким показателем долговой нагрузки (ПДН) для «охлаждения» рынка.

Эффект макропруденциальных надбавок (МПН):

• Снижение высокорисковых выдач: Доля выдаваемых необеспеченных потребительских кредитов с ПДН более 50% снизилась с 63% в IV квартале 2022 года до 28% в III квартале 2024 года. Это показывает эффективность регулятора, но одновременно указывает на то, что банки, включая ВТБ, были вынуждены радикально пересмотреть свою кредитную политику.
• Новые матрицы надбавок: С 1 сентября 2024 года и далее с 2 декабря 2024 года Банк России регулярно повышал надбавки к коэффициентам риска. Для ВТБ это означает, что даже при выдаче кредитов с высоким ПДН (например, более 80%) и высокой ПСК (10–15%), банк должен применять надбавку, равную 2.0 к стандартному риск-весу. Это делает такие кредиты чрезвычайно дорогими с точки зрения капитальных затрат.

Внутренние Факторы

Главный внутренний фактор, обуславливающий рост NPL до 5% к маю 2025 года, связан с вызреванием кредитов (Seasoning).

Многие кредиты, выданные в период 2023 года — начале 2024 года, когда ставки уже начали расти, но регуляторные ограничения еще не достигли текущего уровня, сегодня демонстрируют повышенную склонность к просрочке. Эти кредиты были взяты по высоким ставкам, что изначально заложило в них высокую вероятность дефолта. Таким образом, банк столкнулся с последствиями ранее принятых рисковых решений, требующих более точного и оперативного риск-менеджмента. Для минимизации этого эффекта необходимо не просто отказываться от рисковых заемщиков, но и совершенствовать оценку потерь при их дефолте.

Внедрение и оценка эффективности современных скоринговых моделей на основе AI/ML

В условиях, когда регуляторные ограничения и ухудшение макроэкономической среды делают традиционные методы оценки кредитоспособности недостаточными, критическую роль приобретают технологии машинного обучения и искусственного интеллекта. Банк ВТБ активно использует эти инструменты для сохранения конкурентоспособности и повышения точности прогнозов PD и LGD.

Применение технологий машинного обучения в оценке кредитоспособности заемщиков ВТБ

ВТБ интегрировал ИИ-технологии в сквозной процесс выдачи потребительских кредитов. Цель — не только повышение скорости принятия решений, но и радикальное улучшение точности прогнозирования риска.

1. Автоматизированное Машинное Обучение (AutoML):

ВТБ перешел на использование AutoML для разработки и калибровки моделей оценки вероятности дефолта (PD).

• Проблема деградации моделей: В условиях высокой волатильности рынка и быстро меняющегося регуляторного ландшафта (например, введение новых МПН, изменение уровня ставок), традиционные модели, разработанные вручную, быстро теряют свою прогностическую силу (деградируют).
• Решение ВТБ: AutoML автоматизирует весь цикл моделирования — от выбора признаков и архитектуры до регулярного переобучения. Это позволяет банку сократить время на обновление моделей и гарантировать, что скоринг всегда адаптирован к текущим рыночным условиям, предотвращая накопление высокорисковых активов.

2. ИИ в борьбе с мошенничеством и социальной инженерией:

Для защиты розничного портфеля и снижения операционного риска, ВТБ внедрил собственные ИИ-системы, направленные на выявление мошенничества и дипфейков. При онлайн-заявках на кредит биометрические сервисы анализируют изображение клиента по более чем 2000 параметров. Это позволяет:

• Проверять подлинность клиента и исключать использование дипфейков или масок.
• Оценивать нетипичное поведение клиента (например, внезапный запрос на крупный кредит) и пресекать случаи социальной инженерии, предотвращая выдачу кредитов злоумышленникам.

Роль Big Data и транзакционного анализа в раннем выявлении риска

Ключевым преимуществом современных моделей перед традиционными скоринговыми картами является возможность использования Big Data, включая транзакционные данные, для получения немедленных и более точных сигналов о финансовом здоровье заемщика. Опыт Банка России и ведущих игроков рынка, включая ВТБ, показывает, что модели PD, основанные на анализе транзакционных данных (платежи, обороты по счетам, поведенческие паттерны), позволяют получить прогноз дефолта на три месяца раньше, чем модели, основанные только на годовой бухгалтерской отчетности или кредитной истории. Это критическое преимущество для оперативного управления риском.

Основные источники данных для скоринга ВТБ:

1. Традиционные: Кредитная история, доход (2-НДФЛ), демография.
2. Big Data/Транзакционные: Внутренние обороты по счетам, регулярность платежей (Behavioral Scoring), паттерны использования банковских продуктов.
3. Неструктурированные (ИИ-анализ): Данные из социальных сетей (при согласии клиента), биометрические данные, информация о геолокации и устройстве.

Методы валидации скоринговых моделей

Чтобы гарантировать надежность моделей PD, LGD и EAD, они должны проходить строгую процедуру валидации в соответствии с требованиями Положения 483-П. Валидация включает в себя оценку дискриминирующей способности (насколько хорошо модель разделяет «хороших» и «плохих» заемщиков) и калибровки (насколько точно прогнозируемая вероятность совпадает с фактической частотой дефолтов).

Основными метриками для оценки дискриминирующей способности являются:

1. Кривая ROC (Receiver Operating Characteristic): Графически показывает компромисс между долей верно классифицированных дефолтов (True Positive Rate) и долей неверно классифицированных не-дефолтов (False Positive Rate).

   Площадь под кривой (AUC_ROC) является интегральной мерой качества модели.

2. Коэффициент Gini (Accuracy Ratio, AR): Наиболее распространенная метрика в финансовом скоринге, непосредственно связанная с AUC_ROC. Он показывает, насколько лучше данная модель способна ранжировать заемщиков по риску по сравнению со случайным выбором.

Количественная формула для расчета коэффициента Gini:

Gini = 2 * AUCROC - 1

Значение Gini, близкое к 1, указывает на идеальную дискриминирующую способность, а значение, близкое к 0, — на случайное угадывание.

3. KS-тест (Колмогорова-Смирнова): Измеряет максимальное расстояние между кумулятивными распределениями скоринговых баллов для дефолтных и не-дефолтных заемщиков, указывая на максимальную точку, в которой модель лучше всего разделяет эти группы.

Разработка практических рекомендаций по совершенствованию системы управления рисками и оценка их экономического эффекта

Учитывая рост NPL в розничном портфеле ВТБ до 5% и ужесточение регуляторной среды, совершенствование системы управления рисками должно быть направлено на повышение точности прогнозирования потерь (LGD) и оптимизацию структуры выдач под действием макропруденциальных ограничений.

Совершенствование оценки потерь при дефолте (LGD) через поведенческий скоринг

На сегодняшний день традиционные модели LGD часто основываются на оценке залогового обеспечения и общих исторических данных. Однако для необеспеченного потребительского кредитования, где обеспечение отсутствует, более точным и актуальным является применение Поведенческого скоринга (Behavioral Scoring).

Предложение: Внедрение углубленного Behavioral Scoring для оценки Workout LGD (LGD, учитывающий пост-дефолтные события).

• Механизм: Модель должна анализировать не только факт наличия просрочки, но и платежную дисциплину клиента по всем внутренним продуктам ВТБ (депозиты, карты, переводы), частоту и суммы пополнений счетов, а также реакцию на ранние стадии взыскания.
• Эффект: Поведенческий скоринг позволяет более точно прогнозировать фактический уровень потерь с учетом вероятности успешного взыскания, реструктуризации или списания. Точное прогнозирование LGD позволяет банку оптимизировать размер резервов, формируемых по Положению 590-П. Если текущие резервы завышены, оптимизация LGD высвобождает капитал. Если занижены, точное LGD предотвращает непредвиденные потери и снижает волатильность финансового результата.

Предложения по адаптации скоринга к новым регуляторным ограничениям

Жесткие макропруденциальные надбавки, введенные с сентября и декабря 2024 года, делают кредиты с высоким ПДН (более 50%) экономически невыгодными из-за высоких требований к капиталу.

Рекомендация: ВТБ должен настроить свои скоринговые модели и политику выдачи таким образом, чтобы минимизировать долю выдач, попадающих в самые высокие категории макропруденциальных надбавок.

1. Интеграция ПДН в скоринг-карту: Модели PD должны быть модифицированы, чтобы не просто предсказывать дефолт, но и учитывать вероятность попадания заемщика в группу с ПДН выше 50% или 80%.
2. Оптимизация кредитного предложения: Вместо отказа высокорисковому заемщику, ВТБ может предложить ему кредит на меньшую сумму или на более длительный срок (что снижает ПДН), или под более высокий процент, который будет экономически оправдывать повышенный риск-вес, налагаемый регулятором. Цель — сократить долю выдач с ПДН > 50% (которая в 2024 году составляла 28%) до уровня ниже 15%.

Расчет ожидаемого экономического эффекта от внедрения рекомендаций

Экономический эффект от совершенствования системы управления рисками оценивается через снижение показателя Стоимости риска (Cost of Risk, CoR). Стоимость риска – это отношение ожидаемых потерь (EL) к среднему объему кредитного портфеля.

CoR = Expected Loss (EL) / Средний объем портфеля

Снижение EL напрямую зависит от повышения точности моделей PD и LGD.

Сценарное моделирование эффекта повышения точности (Gini):

Предположим, что в результате внедрения усовершенствованного поведенческого скоринга и AutoML, точность модели PD/LGD ВТБ (измеряемая коэффициентом Gini) увеличивается на 10% (например, с 0.45 до 0.50).

Повышение точности приводит к:

1. Снижению ошибочных отказов (Type I Error): Банк не отказывает надежным заемщикам, увеличивая прибыльный портфель.
2. Снижению ошибочных выдач (Type II Error): Банк не выдает кредиты тем, кто с высокой вероятностью дефолтнет, что напрямую снижает фактический уровень PD.

Предположим, что текущие ожидаемые потери (EL) ВТБ в розничном портфеле (7.8 трлн руб.) составляют 3% от портфеля.

EL_текущ. = 7.8 трлн × 0.03 = 234 млрд руб.

Если повышение точности моделей позволяет снизить фактический уровень дефолтов (PD) на 0.2 п.п. и снизить LGD на 0.5 п.п., то новые ожидаемые потери EL_нов. снижаются.

Параметр	Исходное значение	Прогнозное снижение
PD	8.0%	0.2 п.п.
LGD	40.0%	0.5 п.п.
EAD	7.8 трлн руб.	—

Исходное EL = 0.08 × 0.40 × 7.8 трлн ≈ 249.6 млрд руб.

Новое EL = 0.078 × 0.395 × 7.8 трлн ≈ 239.9 млрд руб.

Экономический эффект: Экономия на ожидаемых потерях составит ≈ 9.7 млрд руб. в год.

Кроме того, более точное прогнозирование LGD позволяет оптимизировать резервы (по 590-П).

Снижение LGD на 0.5 п.п. (до 39.5%) означает, что банку не нужно формировать резервы на эту часть потенциальных потерь, что высвобождает капитал. Внедрение предложенных рекомендаций (углубленный Behavioral Scoring и адаптация к МПН) практически реализуемо, поскольку технологическая база (AI/ML, AutoML) уже присутствует в ВТБ, а требования к постоянной калибровке моделей (483-П) стимулируют банк к этим действиям.

Заключение

Проведенное исследование выявило критическую актуальность проблемы управления кредитным риском потребительского кредитования в Банке ВТБ (ПАО).

Анализ показал, что, несмотря на общее замедление кредитования на рынке, розничный портфель ВТБ продолжает расти, что в сочетании с резким увеличением доли NPL до 5% к маю 2025 года и снижением покрытия резервами до 138.7% указывает на высокую степень стресса в сегменте.

Для обеспечения долгосрочной финансовой устойчивости и повышения качества кредитного портфеля, Банку ВТБ (ПАО) необходимо продолжить инвестиции в развитие собственных AI/ML моделей, фокусируясь на параметрах PD, LGD и EAD, что является обязательным условием для эффективного управления риском в условиях высокой регуляторной неопределенности.

Основные выводы исследования:

1. Регуляторное давление — ключевой внешний фактор: Ужесточение ДКП и введение новых матриц макропруденциальных надбавок (сентябрь/декабрь 2024 г.) стало определяющим фактором, требующим немедленной адаптации скоринговых политик для минимизации капитальных затрат.
2. Технологическая зрелость ВТБ — основа для решений: Банк активно использует передовые методы (AutoML, ИИ для борьбы с мошенничеством, анализ 2000+ биометрических параметров), что создает надежную технологическую базу для внедрения более сложных моделей риска (483-П).
3. Необходимость повышения точности LGD: Основной проблемой является вызревание высокорисковых кредитов 2023–2024 гг. Для минимизации будущих потерь критически важно улучшить прогнозирование LGD.

Практическая значимость и реализуемость предложенных рекомендаций:

Предложенные рекомендации — совершенствование оценки LGD через Поведенческий скоринг и адаптация скоринга под макропруденциальные надбавки — обладают высокой практической значимостью. Сценарное моделирование показало, что повышение точности моделей PD/LGD может принести экономический эффект, выраженный в снижении ожидаемых потерь (EL) на сумму ≈ 9.7 млрд руб. в год, а также позволит оптимизировать капитальные требования за счет более точного формирования резервов.

Список использованной литературы

1. Федеральный закон Российской Федерации от 10.07.2002 № 86-ФЗ «О Центральном банке Российской Федерации (Банке России)» // Собрание законодательства РФ. 2002. № 28. Ст. 2790.