Модернизация методики кредитования физических лиц в коммерческом банке в условиях ужесточения регуляторной политики и цифровой трансформации (на примере Системно Значимой Кредитной Организации)

метки: Данные, Кредит, Снижение, Оценка, Повышение, Политик, Управление, Заемщик

Глава 1. Теоретические основы и современная регуляторная парадигма розничного кредитования в РФ

Актуальность и методологические рамки исследования

Кризисные явления в мировой экономике, последовательное ужесточение денежно-кредитной политики Банка России и стремительная цифровая трансформация банковского сектора создали уникальные условия, требующие немедленной адаптации методик кредитования. По состоянию на октябрь 2025 года, ключевым вызовом для коммерческих банков является необходимость балансирования между сохранением темпов роста розничного портфеля и соблюдением беспрецедентно жестких макропруденциальных лимитов (МПЛ).

Факт, определяющий актуальность: Благодаря последовательному ужесточению регулирования, доля кредитов, которые банки предоставляют заемщикам с повышенной долговой нагрузкой (ПДН более 50%), снизилась с 64% в IV квартале 2022 года до 34% в I квартале 2024 года. Это структурное изменение рынка требует от банков принципиально новых подходов к скорингу и риск-менеджменту, поскольку поиск качественного заемщика в сужающемся пуле становится критически важным для сохранения маржинальности.

Объект исследования — процесс кредитования физических лиц в коммерческом банке.
Предмет исследования — методики оценки кредитоспособности, управления кредитным риском и повышения операционной эффективности в рамках розничного кредитования в условиях цифровизации и регуляторных ограничений 2024–2025 гг.

Цель ВКР — разработка и научное обоснование комплекса мер по модернизации методики кредитования физических лиц, направленных на повышение финансовой устойчивости банка и оптимизацию кредитного процесса в соответствии с требованиями ЦБ РФ.

Эволюция и классификация кредитных продуктов для физических лиц

Розничное кредитование представляет собой фундамент современной банковской системы, обеспечивая население необходимыми финансовыми ресурсами и являясь одним из основных источников дохода для кредитных организаций. Согласно Федеральному закону № 353-ФЗ «О потребительском кредите (займе)», кредитование физических лиц классифицируется по целям и обеспечению. От того, насколько точно определена цель и наличие обеспечения, напрямую зависит уровень риска для банка.

Анализ рынка кредитования физических лиц в России: динамика, ...

... эффективного взаимодействия заемщика с банком. Виды розничных кредитов и их назначение В основе банковского кредитования лежит его деление на розничное (для физических лиц), корпоративное (для юридических ... на защиту прав потребителей. Завершит исследование анализ ключевых вызовов, преобладающих тенденций и прогнозных сценариев до 2030 года, что позволит получить исчерпывающее представление ...

1. Потребительское кредитование (Необеспеченное)

Это наиболее рискованный, но и самый высокодоходный сегмент, включающий нецелевые потребительские кредиты и кредитные карты. Их ключевая особенность — отсутствие залога, что напрямую влияет на параметр Потери при дефолте (LGD), который в данном сегменте традиционно высок. Регуляторные ограничения (МПЛ) наиболее жестко применяются именно здесь для сдерживания долговой нагрузки населения.

2. Автокредитование (Целевое, Обеспеченное)

Кредиты, выдаваемые на покупку транспортного средства, которое выступает в качестве залога. Это снижает кредитный риск. С апреля 2025 года Банк России получил полномочия устанавливать МПЛ и по этому виду кредитов, что указывает на растущее внимание регулятора к качеству данного портфеля, поскольку риски перетекают из необеспеченного сегмента.

3. Ипотечное кредитование (Целевое, Высокообеспеченное)

Крупнейший сегмент по объему, обеспеченный залогом недвижимости (ипотекой).

Несмотря на низкий уровень дефолтов (NPL 90+ в ипотеке держится на уровне около 0,7%), Банк России жестко регулирует выдачи ипотеки с низким первоначальным взносом и с высоким ПДН заемщика, применяя повышенные макропруденциальные надбавки для капитализации риска. Доля ипотечных кредитов с ПДН более 80% снизилась с пиковых 47% (III квартал 2023 г.) до 6% (I квартал 2025 г.).

Новая регуляторная политика Банка России: Макропруденциальное ужесточение (2024–2025 гг.)

Современная методика кредитования не может быть разработана без глубокого понимания макропруденциальной политики, проводимой ЦБ РФ с целью снижения системных рисков и предотвращения «пузырей» на кредитном рынке. Банкам необходимо воспринимать эти ограничения не как препятствие, а как четкую рамку для построения финансово устойчивого бизнеса.

Механизм Макропруденциальных Лимитов (МПЛ) и ПДН

МПЛ — это прямой, неценовой инструмент регулирования, который ограничивает долю высокорисковых кредитов, выдаваемых банком, привязывая этот лимит к Показателю Долговой Нагрузки (ПДН) заемщика. ПДН рассчитывается как отношение ежемесячных платежей по всем кредитным обязательствам заемщика к его среднемесячному доходу.

Таблица 1. Динамика ужесточения Макропруденциальных Лимитов (МПЛ)

Сегмент ПДН	МПЛ (Доля выдач от общего объема) С 1 июля 2024 г.	МПЛ (Доля выдач от общего объема) С 1 октября 2025 г.	Цель ужесточения
ПДН от 50% до 80%	20% (Снижено с 25%)	10%	Резкое ограничение выдач клиентам с умеренно высокой нагрузкой.
ПДН > 80%	5%	0%	Полный запрет или крайне жесткое ограничение выдачи необеспеченных кредитов наиболее перекредитованным заемщикам.

С 1 октября 2025 года, фактически, банки не смогут выдавать необеспеченные потребительские кредиты заемщикам с ПДН, превышающим 80%. Это означает, что банки должны полностью перестроить процесс скоринга, фокусируясь на точной верификации дохода, чтобы избежать как нарушения МПЛ, так и потери потенциально качественного клиента.

Влияние на стратегию банка. Ужесточение МПЛ имеет прямое влияние на операционную стратегию:

1. Сдвиг фокуса: Банки вынуждены смещать фокус с высокодоходных, но рискованных кредитов (ПДН > 50%) на заемщиков с низким и средним уровнем долговой нагрузки.
2. Повышение требований: Для сохранения объема портфеля банки вынуждены повышать требования к кредитному скорингу и верификации доходов, чтобы точнее находить качественных заемщиков в оставшемся пуле (ПДН < 50%).
3. Оздоровление портфеля: Цель ЦБ достигнута: структурное улучшение портфеля очевидно, о чем свидетельствует снижение доли рискованных кредитов с 64% до 34%.

Теоретические основы оценки кредитного риска в розничном кредитовании

Центральным элементом современной методологии кредитования является управление кредитным риском. В соответствии с Положением Банка России № 483-П и международными стандартами (МСФО 9), ожидаемые кредитные потери (Expected Loss, EL) рассчитываются как произведение трех ключевых параметров:

$$
EL = PD \times LGD \times EAD
$$

Где:

• PD (Probability of Default, Вероятность дефолта) — это ключевой параметр, который напрямую зависит от качества скоринговой модели. Чем точнее модель прогнозирует невозврат, тем ниже неконтролируемые потери.
• LGD (Loss Given Default, Потери при дефолте) — выражает долю потерь (от суммы EAD) в случае неисполнения обязательств, после реализации обеспечения (залога).

  Для ипотеки LGD низкий; для необеспеченных ссуд — высокий.

• EAD (Exposure at Default, Сумма обязательств, подверженная риску) — сумма обязательств, подверженная риску на момент дефолта. Для стандартных кредитов EAD равен остатку долга, но для кредитных линий или овердрафтов EAD включает неиспользованный лимит, что может потребовать применения коэффициентов кредитной конверсии (CCF).

Подход на основе внутренних рейтингов (IRB-подход). Положение № 483-П позволяет крупнейшим российским банкам использовать IRB-подход, при котором банк самостоятельно рассчитывает и обосновывает перед регулятором свои внутренние параметры PD, LGD, EAD. Этот подход стимулирует банки к инвестициям в высокоточные скоринговые модели и системы риск-менеджмента, что является основой для нашей модернизации. Внедрение IRB-подхода позволяет банку более тонко настраивать свой капитал, высвобождая его для более эффективного использования, что является прямым конкурентным преимуществом.

Глава 2. Анализ текущего состояния кредитного процесса и качества портфеля Системно Значимой Кредитной Организации

Ключевой тезис

Для обоснования необходимости модернизации необходимо провести всесторонний анализ деятельности целевого банка, используя метод бенчмаркинга с крупнейшими конкурентами. Анализ должен акцентировать внимание на финансовых показателях 2024 года и текущем качестве портфеля, особенно в контексте растущего Cost of Risk (CoR), как индикатора реализации рисков.

Сравнительный анализ финансовых результатов и динамики портфеля (Бенчмаркинг 2024 г.)

Для оценки эффективности кредитной деятельности используются ключевые показатели рентабельности и роста. В качестве бенчмарка возьмем крупнейшие СЗКО РФ, демонстрирующие высокие стандарты управления.

Таблица 2. Сравнительный анализ финансовых показателей крупнейших СЗКО (2024 год, РСБУ)

Показатель	Сбербанк	Альфа-Банк	СЗКО (Целевой Банк)
Чистая прибыль (трлн/млрд руб.)	1,5624 трлн руб.	205 млрд руб.	X (Определяется для ВКР)
Рентабельность капитала (ROE)	23,4%	27,0%	Y (Определяется для ВКР)
Рост розничного портфеля (2024/2025)	Среднерыночный	24%	Z (Определяется для ВКР)
Cost to Income Ratio (CIR)	Низкий (Около 30%)	37%	W (Определяется для ВКР)

Примечание: Показатели Y, Z, W определяются на этапе практического анализа ВКР, но должны быть сопоставимы с лидерами рынка.

Аналитические выводы из бенчмаркинга:

1. Высокая рентабельность: Показатели ROE крупнейших игроков (23,4% – 27,0%) свидетельствуют о высокой маржинальности российского банковского бизнеса, особенно при эффективном управлении капиталом и кредитным риском. Высокий ROE Альфа-Банка (27%) указывает на агрессивный, но контролируемый рост.
2. Рост портфеля: Несмотря на ужесточение политики ЦБ РФ, крупнейшие банки продолжают демонстрировать уверенный рост розничного портфеля, что достигается за счет точечного таргетирования качественных заемщиков и активного использования цифровых каналов.
3. Операционная эффективность (CIR): Низкий показатель CIR (Cost to Income Ratio), который у лидеров рынка держится ниже 40% (например, 37% в Альфа-Банке), является прямым следствием масштабной цифровизации, автоматизации скоринга и оптимизации клиентского пути.

Оценка качества кредитного портфеля и стоимости риска в условиях ужесточения МПЛ

Одним из наиболее тревожных индикаторов в 2024 году, несмотря на снижение доли рисковых кредитов, стал рост стоимости кредитного риска. Это явление отражает «вызревание» кредитов, выданных в периоды более мягкой политики, а также ухудшение риск-профиля заемщиков в условиях высокой инфляции и ставок.

Динамика проблемной задолженности (NPL 90+)

По итогам 9 месяцев 2024 года, общая доля NPL 90+ в розничном портфеле составляла 4,1%. Однако необходимо дифференцировать сегменты:

• Ипотека: NPL сохраняется на низком уровне (около 0,7%).
• Необеспеченное потребкредитование: NPL достигает критического уровня в 7,6%.

Анализ Cost of Risk (CoR)

Cost of Risk (Стоимость риска) — это отношение чистых отчислений в резервы под возможные потери по ссудам к среднему объему кредитного портфеля. Это ключевой индикатор, отражающий реализованные потери банка.

Ключевой факт реализации риска: Стоимость кредитного риска (CoR) в розничном сегменте в III квартале 2024 года достигла 3,2% — это рекордный уровень за последние несколько лет.

$$
CoR = \frac{Отчисления\ в\ резервы\ (P\&L)}{Средний\ объем\ портфеля} \times 100\%
$$

Проблематика для Целевого Банка: Если CoR Целевого Банка сопоставим или превышает этот рекордный рыночный показатель (3,2%), это сигнализирует о серьезных недостатках. Почему так происходит, если регуляторная политика стала жестче? Это указывает на то, что не смогли отсеять заемщиков, дефолтировавших спустя 1-2 года, и о неадекватной оценке параметров PD и LGD для формирования адекватных резервов. Кроме того, это может быть следствием высокой доли рискованных кредитов, которые были выданы до вступления в силу самых жестких МПЛ.

Снижение CoR должно стать главной финансовой целью модернизации методики кредитования.

Критический анализ существующей методики оценки кредитоспособности

Традиционная методика оценки кредитоспособности физических лиц в коммерческих банках основана на двух столпах: Заявочный скоринг (Application Scoring) и Поведенческий скоринг (Behavioral Scoring).

1. Заявочный скоринг (Application Scoring)

Применяется для новых клиентов или новых заявок. Основан на статических данных (возраст, доход, профессия, кредитная история).

Ограничения:

• Неполнота данных: Зависимость от сведений, предоставленных клиентом, и данных Бюро кредитных историй (БКИ).
• Проблема ПДН: Если банк не использует самые актуальные и полные данные о доходе, расчет ПДН может быть неточным, что приводит к нарушению МПЛ или, наоборот, к отказу платежеспособному клиенту.

2. Поведенческий скоринг (Behavioral Scoring)

Применяется для действующих клиентов и основан на анализе истории их взаимодействия с банком (платежная дисциплина, использование продуктов).

Ограничения:

• Отсутствие Big Data: Многие банки ограничиваются только собственными данными, игнорируя возможности анализа неструктурированных данных (геолокация, данные мобильных операторов с согласия клиента), которые существенно повышают предсказательную силу модели.
• Медленное внедрение ИИ: Использование традиционных статистических моделей (логистическая регрессия) вместо современных алгоритмов машинного обучения (ML) приводит к снижению точности PD-оценки.

Таким образом, ключевое ограничение текущей методологии заключается в недостаточно глубокой интеграции инфраструктурных решений ЦБ РФ и передовых технологий ИИ/Big Data для формирования точного и релевантного риск-профиля заемщика, соответствующего жестким требованиям ПДН. Если банки продолжат работать с устаревшими моделями, как они смогут выявлять качественных заемщиков в условиях постоянно ужесточающегося регулирования?

Глава 3. Разработка предложений по совершенствованию методики кредитования на основе цифровизации и риск-менеджмента

Ключевой тезис

Совершенствование методики кредитования должно быть реализовано через двухвекторную стратегию: повышение точности риск-оценки за счет цифровой интеграции и снижение операционных издержек за счет оптимизации клиентского пути и автоматизации.

Модернизация скоринговой модели с интеграцией инфраструктуры ЦБ РФ

Основной путь к повышению точности PD — использование максимально полных и верифицированных данных. Регуляторная инфраструктура ЦБ РФ («Цифровой профиль» и ПКР) предоставляет для этого идеальную основу.

Схема интеграции данных и расчета ПКР

Предлагается создание новой ступени в Application Scoring — Интегрированная Платформа Верификации (ИПВ), которая будет работать по следующему алгоритму:

1. Запрос согласия: Клиент в мобильном приложении или отделении дает согласие на доступ к данным через «Цифровой профиль».
2. Получение структурированных данных: ИПВ мгновенно получает из государственных систем (ФНС, ПФР, Росреестр) до 39 видов сведений о клиенте (подтвержденный доход, имущество, налоговая история).
3. Расчет Персонального Кредитного Рейтинга (ПКР): Банк использует унифицированную методологию ЦБ для расчета ПКР (число от 1 до 999).
   • ПКР, установленный ЦБ, служит обязательным внешним верификатором кредитоспособности, позволяя банку провести бенчмаркинг своего внутреннего скорингового балла.
   • Преимущество: Если ПКР высокий (978-999), это позволяет банку более гибко использовать оставшиеся МПЛ для выдачи кредита, даже если его внутренний скоринг был консервативен.

Повышение точности ПДН: Использование подтвержденных данных о доходе из «Цифрового профиля» исключает манипуляции и повышает точность расчета ПДН, минимизируя риск нарушения МПЛ.

Повышение операционной эффективности через омниканальную стратегию

Цифровая трансформация — это не только про скоринг, но и про эффективность доставки продукта. Внедрение омниканальной стратег��и, ориентированной на Phygital-модель, позволяет сократить издержки и увеличить частотность взаимодействия.

Оптимизация показателя CIR (Cost to Income Ratio)

Целевой Банк должен стремиться к снижению CIR до уровня ниже 35% (в сравнении с лидерами рынка).

Это достигается через:

1. Автоматизация сквозного процесса: Перевод 90% заявок на потребительские кредиты в digital-канал с полным автоматическим принятием решений (Straight Through Processing, STP), исключая участие операциониста на этапах андеррайтинга.
2. Внедрение Phygital-модели: Сохранение физических отделений, но с функциями «цифровых консультантов», где сложные продукты (ипотека, крупные автокредиты) оформляются с помощью сотрудника, использующего те же цифровые инструменты и платформы, что и мобильное приложение.
3. Повышение частотности использования: Использование ИИ для таргетированного маркетинга и персонализации предложений в мобильном приложении, чтобы увеличить частотность ежедневного использования цифровых поверхностей (например, до 55%, как у Сбербанка).

   Каждое дополнительное касание клиента снижает необходимость в дорогостоящем привлечении через традиционные каналы.

Совершенствование системы управления кредитным риском

Учитывая рекордный рост CoR до 3,2% (III квартал 2024 г.), банк обязан пересмотреть методологию управления риском. Это требует более детального подхода к расчету ожидаемых потерь.

1. Учет параметров PD и LGD для высокорискованных групп

Необходимо дифференцировать параметры PD и LGD не только по типу продукта, но и по уровню ПДН:

• Ужесточение PD: Для заемщиков с ПДН от 50% до 80% (которые теперь составляют 10% от лимита выдач с октября 2025 г.) следует применять более консервативные (высокие) оценки PD.
• Снижение LGD через обеспечение: В сегменте необеспеченного кредитования необходимо активно предлагать продукты с дополнительным обеспечением (например, поручительство или страхование) для снижения LGD.
• Резервирование: Пересмотр внутренней политики формирования резервов (в соответствии с Положением № 483-П) для более жесткого учета параметров PD/LGD для групп с ПДН > 50%.

2. Раннее предупреждение дефолта (Early Warning System)

Внедрение Behavioral Scoring на основе ИИ, который анализирует не только просрочки, но и косвенные индикаторы ухудшения финансового положения (например, резкое снижение остатков на счетах, увеличение количества запросов в БКИ).

Это позволяет предпринять превентивные меры (реструктуризация, снижение ставок) до того, как кредит перейдет в категорию NPL 90+. Разве не очевидно, что превентивные меры обходятся банку значительно дешевле, чем работа с уже реализованным дефолтом?

Расчет экономического эффекта от внедрения предложенных мероприятий

Практическая значимость модернизации подтверждается прогнозными расчетами экономического эффекта, который является ключевым требованием ВКР.

Сценарий расчета эффекта от снижения CoR

Предположим, что благодаря внедрению более точного скоринга (ПКР + Цифровой профиль) и ужесточению риск-политики, Целевому Банку удастся снизить Cost of Risk с текущего уровня 3,2% до целевого 2,8% в течение года.

Исходные данные:

• Текущий CoR (База): $CoR_{0}$ = 3,2%
• Прогнозный CoR (Цель): $CoR_{1}$ = 2,8%
• Среднегодовой объем розничного портфеля (на начало периода): $P$ = 500 млрд руб.
• Снижение CoR: ΔCoR = 3,2% − 2,8% = 0,4%

Формула расчета экономического эффекта от снижения CoR:

$$
Экономический\ эффект\ (Э_{CoR}) = P \times \Delta CoR
$$

ЭCoR = 500 млрд руб. × 0,004 = 2 млрд руб.

Вывод: Снижение стоимости риска на 0,4 процентных пункта позволит банку сэкономить на отчислениях в резервы 2 миллиарда рублей в год, что напрямую увеличит чистую прибыль и, следовательно, повысит рентабельность капитала (ROE).

Сценарий расчета эффекта от повышения операционной эффективности (CIR)

Предположим, Целевой Банк достигнет снижения CIR с текущих 40% до 37% (уровень Альфа-Банка) за счет автоматизации.

Исходные данные:

• Текущий CIR (База): $CIR_{0}$ = 40%
• Прогнозный CIR (Цель): $CIR_{1}$ = 37%
• Операционный доход банка ($I$): $I$ = 100 млрд руб.

Формула расчета снижения операционных расходов ($Exp$):

$$
CIR = \frac{Exp}{I}
$$

Exp0 = I × CIR0 = 100 млрд руб. × 0,40 = 40 млрд руб.

Exp1 = I × CIR1 = 100 млрд руб. × 0,37 = 37 млрд руб.

Экономический эффект от оптимизации расходов ($Э_{CIR}$):

ЭCIR = Exp0 − Exp1 = 40 млрд руб. − 37 млрд руб. = 3 млрд руб.

Вывод: Оптимизация кредитного процесса через цифровую трансформацию и омниканальную модель позволяет сократить операционные расходы на 3 миллиарда рублей в год, что является мощным стимулом для инвестиций в IT-инфраструктуру.

Заключение

Проведенное исследование подтвердило, что современная методика кредитования физических лиц в коммерческом банке находится в критической точке эволюции, определяемой жесткой регуляторной политикой Банка России (МПЛ и ПДН) и необходимостью масштабной цифровой трансформации. Выполнение поставленных задач позволяет сформулировать ключевые выводы.

Достижение целей и задач:

1. Теоретический анализ показал, что многоэтапное ужесточение МПЛ (снижение лимитов для ПДН > 80% до 0%) прямо ограничило долю рискованных выдач, вынуждая банки искать новые, более качественные сегменты.
2. Аналитический раздел выявил ключевую проблему: реализацию кредитных рисков, о чем свидетельствует рекордный рост Cost of Risk до 3,2% в III квартале 2024 года, несмотря на общее улучшение структуры портфеля.
3. Проектно-практический раздел предложил конкретные меры по модернизации, основанные на интеграции инфраструктуры ЦБ РФ («Цифровой профиль» и ПКР) в скоринговую модель, что обеспечит высокую точность оценки PD.
4. Экономическое обоснование подтвердило практическую значимость предложений. Прогнозный расчет показал, что снижение CoR на 0,4 п.п. и оптимизация CIR на 3 п.п. могут принести целевому банку совокупный экономический эффект в размере 5 миллиардов рублей в год.

Научная новизна работы заключается в разработке комплексной, двухвекторной модели совершенствования, которая одновременно решает проблемы соответствия жестким регуляторным требованиям (ПДН/МПЛ) и повышения операционной эффективности (CIR) за счет интеграции новейших цифровых технологий и инфраструктурных решений ЦБ РФ (ПКР).

Практическая значимость заключается в предоставлении коммерческому банку готового инструментария для принятия управленческих решений, направленных на снижение кредитного риска, стабилизацию показателя CoR и повышение конкурентоспособности на фоне продолжающейся макропруденциальной политики ужесточения.

Список использованной литературы

1. Конституция Российской Федерации: [принята на всенародном голосовании 12 декабря 1993 г.]. Москва, 1993.
2. Гражданский кодекс Российской Федерации. Часть 1 от 30.11.1994 г. № 51-ФЗ (в ред. от 13.05.2010 г.).

   Опубликован в «Российской газете», 15.05.2011.

3. Федеральный закон РФ № 395-1 «О банках и банковской деятельности» от 02.12.1990 г. (в ред. Федерального закона от 06.12.2011 г. № 409-ФЗ).
4. Инструкция ЦБ РФ № 110-и от 16.01.2004 г. «Об обязательных нормативах банков» (в ред. Указания ЦБ РФ от 13.08.2004 N 1489-У).
5. Положение Банка России № 254-П от 26.03.2006 г. «О порядке формировании кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности».
6. Письмо Банка России от 29 декабря 2012 г. № 192-Т «О Методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков».
7. Информация ЦБ РФ от 24 апреля 2025 года. БАНК РОССИИ ПРИНЯЛ РЯД РЕШЕНИЙ ПО МАКРОПРУДЕНЦИАЛЬНОЙ ПОЛИТИКЕ // КонсультантПлюс.
8. Итоги работы Банка России 2024: коротко о главном // Банк России. URL: cbr.ru.
9. Российские банки: финансовые итоги 9 месяцев 2024 года // Finversia.ru.
10. Российский рынок цифровизации банков. Обзор TAdviser 2025 // TAdviser.ru.
11. Цифровая трансформация и банковские технологии: статус 2024», 6-я ежегодная очная и онлайн конференция // ABPMP.org.ru.
12. Банк России обновил макропруденциальные лимиты (МПЛ) в отношении отдельных видов потребительских и ипотечных кредитов (займов) // Consultant.ru.
13. Макропруденциальные лимиты // Банк России. URL: cbr.ru.
14. ЦБ упростит требования к макропруденциальным лимитам для банков // Frankmedia.ru.
15. ЦБ РФ изменит макропруденциальные лимиты для повышения гибкости кредитов // Refinanc.ru.
16. БАНКОВСКИЙ СЕКТОР // Банк России. URL: cbr.ru.
17. Обзор финансовой стабильности // Банк России. URL: cbr.ru.
18. Искусственный интеллект и большие данные в скоринговых моделях // MSU.ru.
19. Скоринг и верификация данных на основе Big Data: о чем нужно знать // Beeline.ru.
20. Лекция 13. Симуляция и оценка кредитного риска в проектном финансировании // MGIMO.ru.
21. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend // Jetlend.ru.
22. ИСПОЛЬЗОВАНИЕ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В БАНКОВСКОЙ СФЕРЕ // Cyberleninka.ru.
23. Портфельный кредитный риск (расчет PD, LGD, Cost of Risk) // Isbd.ru.
24. Что такое скоринг в банке: как работает и зачем нужен // СберБанк. URL: sberbank.com.
25. Кредитный скоринг: что это и как работает // Газпромбанк. URL: gazprombank.ru.
26. Скоринг: что это такое, какие данные оценивает скоринговая система, как повысить свой балл // Финансовая культура. URL: fincult.info.
27. Скоринг: что это такое, какие данные оценивает скоринговая система, как повысить свой балл // Home Credit Bank. URL: home.kz.
28. Новый рекорд маловероятен // АКРА. URL: acra-ratings.ru.
29. Рейтинговое агентство «Эксперт РА» подтвердило рейтинг кредитоспособности Альфа-Банка на уровне ruAA+ со стабильным прогнозом // Alfabank.ru.
30. Анализ финансово-экономической деятельности предприятия: Учебное пособие / Под ред. Н.П. Любушкина. М.: ЮНИТИ-ДАНА, 2012. 471 с.
31. Банковское дело: Учебник / Под ред. О.И. Лаврушина. М.: Финансы и статистика, 2011. 360 с.
32. Банковское дело / Под ред. Г.Н. Белоглазовой, Л.П. Кролииецкой. 5-е изд. М.: Финансы и статистика, 2013. 270 с.
33. Банк Р.В., Банк С.В., Тараскина А.В. Финансовый анализ: Учебное пособие. М.: ТК Велби, Проспект, 2013. 344 с.
34. Блумфильд А. Как взять кредит в банке. М.: Инфра-М, 2011. 201 с.
35. Буевич С. Ю. Анализ финансовых результатов банковской деятельности. М.: КНОРУС, 2010. 170 с.
36. Ван Хорн Дж. К. Основы управления финансами: Пер. с англ. / Гл. ред. серии Я. В. Соколов. М.: Финансы и статистика, 2012. 310 с.
37. Деньги, кредит, банки: Учебник / Под ред. Г.Н. Белоглазовой. М.: Юрайт-издат, 2011. 320 c.
38. Деньги, кредит, банки / Под ред. В.В. Иванова, Е.И. Соколова. М.: Проспект, 2010. 200 с.
39. Дробозина, Поляк. Финансы. Денежное обращение. Кредит. М.: Юнити, 2013. 214 с.
40. Дубова С.Е. Анализ рискообразующих факторов в системе управления рисками // Финансы и кредит. 2011. № 7. С. 38.
41. Дыбаль С.В. Финансовый анализ: теория и практика: Учебное пособие. СПб: Издательский дом «Бизнес-пресса», 2011. 304 с.
42. Кейнс, Дж. М. Общая теория занятости, процента и денег. М.: ЮНИТИ, 2010. 27 с.
43. Ковалев А.И., Привалов В.П. Анализ финансового состояния предприятия. М.: ЦЭМ, 2010. 216 с.
44. Ковалев П.П. Некоторые аспекты управления рисками // Деньги и кредит. 2011. № 1. С. 47.
45. Кукунина М.Т. Учет и анализ банкротства. М.: Финансы и статистика, 2010. 342 с.
46. Масленчеков Ю. Банковский кредит и возможность снижения кредитных рисков // Бизнес и банки. 2012. 78 с.
47. Миллер Н.Н. Финансовый анализ в вопросах и ответах: Учебное пособие. М: ТК Велби, Проспект, 2011. 224 с.
48. Михеев, А.С. Деньги и кредит: учебник для вузов. М.: ИНФРА-М, 2010. 201 с.
49. Несостоятельность (банкротство) в Российской Федерации. Правовое регулирование конкурсных отношений / Под ред. В.Н. Ткачева. М.: Книжный мир, 2011. 324 с.
50. Пещанская И. В. Организация деятельности коммерческого банка. М.: Инфра-М, 2010. 56 c.
51. Проблемы прогнозирования банкротства на отечественных Предприятиях // Люди дела. 2010. С. 15-24.
52. Финансово-кредитный словарь. М.: ИНФРА-М, 2011. 180 c.
53. Финансы и кредит: учебное пособие / Под ред. О.И. Лаврушина. М.: Кнорус, 2012. 212 c.
54. Финансы, деньги, кредит: Учебник / Под ред. О.В. Соколовой. М.: Юристъ, 2010. 578 с.
55. Финансы, деньги, кредит: Учебник / Под ред. О.В. Соколовой. М.: Юристъ, 2010. 152 c.
56. Челноков В. А. Банки и банковские операции: букварь кредитования. М.: Высшая школа, 2012. 30 c.
57. Черкасов, В.Е. Финансовый анализ в коммерческом банке: учебное пособие. М.: ИНФРА-М, 2010. 96 c.
58. Четыркин, Е.М. Финансовый анализ производственных инвестиций. М.: Дело, 2011. 144 c.
59. Ширинская Е.Б. Операции коммерческих банков: российский и зарубежный опыт. М.: Финансы и статистика, 2013. 111 c.
60. Шустер Л. Управление банковским рисками // Проблемы теории и практики управления. 2010. 7 с.