Разработка и экономическое обоснование мероприятий по снижению кредитного риска в потребительском кредитовании АО «Россельхозбанк» на основе современных технологий Machine Learning

метки: Кредитный, Миллиард, Ресурс, Россия, Модель, Объем, Кредит, Мероприятие

Начало 2025 года ознаменовалось усилением регуляторного давления на российский рынок потребительского кредитования. В условиях, когда Банк России вводит национальную антициклическую надбавку к нормативам достаточности капитала, а прогнозируемый рост портфеля необеспеченных ссуд замедляется до 4–9%, от банков требуется не просто наращивание объемов, но ювелирное управление риском. В этой среде эффективность системы риск-менеджмента становится прямым фактором конкурентоспособности и финансовой устойчивости.

АО «Россельхозбанк» (РСХБ), как один из крупнейших системно значимых игроков, демонстрирует значительное улучшение качества активов (снижение NPL до 2,2% в 2024 году), но при этом фиксирует существенное сокращение объема потребительских кредитов на 25,2% за тот же период. Это противоречие — снижение риска ценой потери доли рынка — указывает на потенциальную проблему: чрезмерно консервативная или недостаточно гибкая скоринговая политика, не способная эффективно дифференцировать риски и находить качественных заемщиков. Таким образом, даже в условиях улучшенного качества активов, банк упускает значительную долю прибыли и рыночного влияния.

Цель работы состоит в разработке и научном обосновании комплекса актуальных практических мероприятий, направленных на повышение эффективности системы управления потребительским кредитованием и снижение кредитного риска в деятельности АО «Россельхозбанк» на современном этапе развития финансового рынка России.

Для достижения указанной цели были поставлены следующие задачи:

1. Изучить теоретические и правовые основы потребительского кредитования, включая современные требования регуляторов (Базель III, ЦБ РФ).
2. Провести детальный анализ актуального состояния рынка потребкредитования РФ (2024–2025 гг.) и оценить финансово-экономические показатели АО «Россельхозбанк».
3. Выявить ключевые проблемы в управлении потребительским кредитным портфелем РСХБ, исходя из актуальной динамики его сокращения.
4. Разработать комплекс конкретных мероприятий по совершенствованию скоринговой системы банка на основе технологий Machine Learning.
5. Произвести экономическое обоснование предложенных мероприятий с расчетом ожидаемого эффекта на уровень просроченной задолженности и прибыльность банка.

Объектом исследования выступает процесс управления потребительским кредитованием в АО «Россельхозбанк».
Предметом исследования являются организационно-методические и технологические аспекты совершенствования системы управления кредитным риском в рамках розничного кредитования РСХБ.

Анализ проблем кредитования малого и среднего предпринимательства ...

... кредитного портфеля РСХБ в Главе 2. Глава 2. Анализ рынка кредитования МСП и оценка кредитной деятельности АО «Россельхозбанк» Вторая глава посвящена эмпирическому анализу, где теоретические основы ... ссуд и формирование резервов Фундаментальной основой для анализа качества кредитного портфеля является система нормативного регулирования Центрального Банка РФ, в частности, Положение Банка России от ...

Глава 1. Теоретические и правовые основы управления потребительским кредитованием и риском

Понятие, сущность и классификация потребительского кредита в Российской Федерации

Потребительское кредитование является одним из наиболее динамичных и высокорисковых сегментов банковской деятельности. Академическое определение потребительского кредита закреплено в российском законодательстве.

Согласно Федеральному закону № 353-ФЗ от 21.12.2013 «О потребительском кредите (займе)», потребительский кредит (заем) — это денежные средства, предоставленные кредитором физическому лицу в целях, не связанных с осуществлением предпринимательской деятельности (включая личные нужды или нужды семьи).

Ключевым регуляторным элементом, введенным ФЗ № 353-ФЗ, является Полная Стоимость Кредита (ПСК). ПСК — это индикатор, который отражает все расходы заемщика, связанные с получением, обслуживанием и возвратом кредита, включая проценты, комиссии и платежи третьим лицам (например, страховые премии).

Законодательство жестко ограничивает предельное значение ПСК, которое не должно превышать среднерыночное значение ПСК соответствующей категории более чем на одну треть.

Особое внимание в регулировании уделяется защите заемщиков от чрезмерно высоких ставок. ФЗ № 353-ФЗ устанавливает, что предельное значение ПСК не может превышать наименьшую из двух величин: среднерыночное значение ПСК, увеличенное на одну треть, или 292% годовых.

В условиях высокой волатильности ключевой ставки и удорожания фондирования, Совет директоров Банка России вынужден был вводить временный мораторий на применение предельных значений ПСК для потребительских кредитов с 1 января по 31 марта 2025 года. Эта мера была направлена на стабилизацию рынка и предотвращение резкого сокращения предложения кредитов, что подчеркивает прямую связь между регуляторными ограничениями, стоимостью фондирования и объемом кредитного портфеля.

Принципы и методы кредитного риск-менеджмента в розничном банкинге

Кредитный риск-менеджмент в розничном сегменте — это непрерывный процесс, направленный на минимизацию потерь от невозврата ссуд, обеспечивая при этом необходимый объем кредитования для поддержания конкурентоспособности банка. Что же является практической выгодой для банка? Максимальное снижение потерь позволяет высвободить капитал, который может быть направлен на развитие бизнеса.

Основные этапы риск-менеджмента:

1. Идентификация риска: Определение потенциальных источников потерь (индивидуальный дефолт, макроэкономический шок).
2. Оценка риска: Количественное измерение вероятности дефолта (PD), потерь при дефолте (LGD) и суммы под риском (EAD).
3. Контроль и минимизация риска: Разработка и применение кредитной политики, скоринговых систем и методов пруденциального надзора.
4. Мониторинг риска: Отслеживание качества портфеля, систем раннего предупреждения и корректировка стратегии.

Внедрение международных стандартов Базель III.

Для российских банков критическое значение имеет адаптация к требованиям Базеля III, которые направлены на повышение устойчивости финансовой системы. Внедрение этих стандартов требует от банков развития внутренних методик оценки рисков (Internal Ratings Based, IRB Approach), что особенно актуально для розничного кредитования, где стандартизированный подход (Standardized Approach) может не давать достаточной гибкости.

Ключевые регуляторные требования Базеля III, применимые в России:

Норматив / Требование	Описание и Актуальные Значения (2025 г.)
Норматив общей достаточности капитала (Н1.0)	Минимально допустимое значение: 8%. Для системно значимых кредитных организаций (СЗКО), к которым относится РСХБ, с учетом восстанавливаемых надбавок минимальный норматив к концу 2025 года вырастет до 10%.
Антициклическая надбавка	Мера ЦБ РФ для охлаждения кредитования. С 1 июля 2025 года установлена на уровне 0,25% от активов, взвешенных по риску. Требует от банков дополнительного резервирования капитала.
Показатель краткосрочной ликвидности (ПКЛ/LCR)	Требует поддержания достаточного объема высоколиквидных активов для покрытия чистого оттока средств в течение 30 дней. Для СЗКО должен составлять 100%.
Норматив чистого стабильного фондирования (ЧФС/NSFR)	Требует, чтобы долгосрочные активы фондировались за счет стабильных источников (свыше 1 года).

Эти требования напрямую влияют на кредитную политику РСХБ. Ужесточение нормативов капитала, в частности, введение антициклической надбавки, заставляет банки более осторожно подходить к выдаче высокорисковых потребительских кредитов, что, как будет показано ниже, стало одной из причин консервативной стратегии РСХБ в 2024 году.

Обзор современных технологий оценки кредитного риска

Современный риск-менеджмент немыслим без высокотехнологичных инструментов. Эволюция от экспертных систем к автоматизированным скоринговым моделям и далее к решениям на базе машинного обучения (Machine Learning, ML) кардинально изменила процесс принятия кредитных решений.

Кредитный скоринг — это статистическая модель, которая присваивает потенциальному заемщику баллы (скоринговые очки) на основе анализа его характеристик, прогнозируя вероятность дефолта (PD) в течение определенного периода.

В 2024 году технологии искусственного интеллекта (ИИ) стали доминирующим направлением инновационного развития российского финтеха, составив 61% от всех проектов по инновациям. ИИ-решения применяются для:

• Оценки платежеспособности: Более точный анализ кредитной истории, поведенческих данных и транзакций.
• Антифрода: Выявление мошеннических заявок и аномальных операций.
• Автоматизации: Ускорение обработки заявок (кредитный конвейер) и снижение операционных рисках.

Технологии Big Data и Machine Learning.

Современные скоринговые модели используют методы ML (например, логистическую регрессию, случайный лес, градиентный бустинг) для обработки огромных массивов данных (Big Data), включая неструктурированную информацию (социальные сети, геолокация, поведенческие паттерны).

В экспресс-кредитовании и при оценке небольших необеспеченных ссуд все большую популярность приобретает Градиентный бустинг (Gradient Boosting). Его главное преимущество над традиционной логистической регрессией заключается в способности:

1. Находить сложные нелинейные зависимости и взаимодействия между признаками (например, комбинация частоты покупок и суммы долга).
2. Эффективно работать с разнородными и табличными данными, что критично для быстрого и высокоточного прогнозирования дефолта.

Использование ML позволяет банку не только точнее отсеивать недобросовестных заемщиков, но и находить «хороших» клиентов, которых старая, более жесткая скоринговая система могла бы ошибочно отклонить. В этом и заключается ключевой нюанс: высокоточный ML-скоринг превращает потенциальные убытки от «хороших» клиентов, которых ошибочно отсеяли, в чистую прибыль.

Глава 2. Анализ рынка потребительского кредитования и оценка системы риск-менеджмента в АО «Россельхозбанк»

Современное состояние и тенденции развития рынка потребительского кредитования в РФ (2024–2025 гг.)

Рынок потребительского кредитования в России продемонстрировал замедление темпов роста в 2024 году на фоне жесткой денежно-кредитной политики Банка России.
В 2024 году рынок потребкредитования в России вошел в фазу «охлаждения», что было вызвано ужесточением денежно-кредитной политики.

Показатель	Конец 2023 года	Конец 2024 года	Изменение (прирост)
Объем портфеля необеспеченных кредитов	~12,7 трлн руб.	~14,12 трлн руб.	+11,2%
Темп прироста (г/г)	15,7%	11,2%	Замедление
Объем портфеля кредитных карт	~3,3 трлн руб.	~4,4 трлн руб.	+33,3%
Доля кредитных карт в портфеле	~26%	~27%	Рост
Средний размер кредита наличными	~178 тыс. руб.	~142 тыс. руб.	-20%

Ключевые тенденции 2024–2025 гг.:

1. Замедление общего роста: Снижение темпов прироста в 2024 году (+11,2%) и прогноз ЦБ РФ о дальнейшем замедлении до 4–9% в 2025 году указывают на то, что рынок входит в фазу «охлаждения».
2. Сдвиг в структуре: Значительный рост портфеля кредитных карт (на 33%) до 4,4 трлн рублей объясняется тем, что потребители при высоких ставках предпочитали использовать кредитные карты с льготным периодом для покрытия текущих расходов, сохраняя свои средства на высокодоходных депозитах.
3. Концентрация задолженности: Несмотря на сокращение общего числа заемщиков, на заемщиков, имеющих три кредита и более, по-прежнему приходится почти половина задолженности по розничным кредитам (49,6%).

В целом, рынок становится более жестким и требовательным к качеству риск-менеджмента, а банки вынуждены конкурировать не объемом, а качеством и скоростью обслуживания.

Анализ финансово-экономических показателей и кредитного портфеля АО «Россельхозбанк»

АО «Россельхозбанк» (РСХБ) продемонстрировал устойчивое финансовое положение по итогам 2024 года, несмотря на общее ужесточение рынка.

Показатель (МСФО)	2023 год	2024 год	Динамика (абс.)	Динамика (%)
Чистая прибыль	31,8 млрд руб.	39,8 млрд руб.	+8,0 млрд руб.	+25,2%
Общий кредитный портфель (до резервов)	3,7 трлн руб.	4,2 трлн руб.	+0,5 трлн руб.	+13,5%
Розничный кредитный портфель	567,2 млрд руб.	580,8 млрд руб.	+13,6 млрд руб.	+2,4%
Потребительские кредиты (без ипотеки)	147,5 млрд руб.	110,0 млрд руб.	-37,5 млрд руб.	-25,2%
NPL (Просроченная задолженность)	3,1%	2,2%	-0,9 п.п.	-29,0%
Стоимость риска (Cost of Risk)	1,2%	0,8%	-0,4 п.п.	-33,3%

Выводы по финансовому анализу:

1. Рекордная прибыль: РСХБ достиг рекордной чистой прибыли в 39,8 млрд рублей, что свидетельствует об общей эффективности бизнес-модели и успешной работе по основным направлениям (в первую очередь, корпоративное и агропромышленное кредитование).
2. Улучшение качества портфеля: Снижение уровня просроченной задолженности (NPL) с 3,1% до 2,2% и снижение Стоимости риска (CoR) с 1,2% до 0,8% являются безусловным положительным результатом. Это говорит о том, что банк эффективно управляет существующими рисками.

Детальная оценка потребительского кредитного портфеля и системы риск-менеджмента РСХБ

Проведенный анализ выявляет критическое противоречие в розничном сегменте:

На фоне общего улучшения финансовых показателей и снижения рисков, АО «Россельхозбанк» в 2024 году существенно сократил объем портфеля необеспеченных потребительских кредитов на 25,2% (с 147,5 млрд руб. до 110 млрд руб.).

Анализ причин сокращения портфеля:

• Консервативная политика: Снижение NPL и CoR достигается за счет ужесточения кредитных стандартов. Банк, вероятно, принял решение о минимизации рисков, сознательно жертвуя долей рынка в высокодоходном, но рисковом сегменте потребкредитования.
• Недостаточная точность скоринга: Чрезмерное сокращение портфеля при сохранении или даже росте спроса свидетельствует о том, что текущая скоринговая модель, скорее всего, обладает низкой разрешающей способностью. Иными словами, она ошибочно отклоняет значительное число потенциально «хороших» заемщиков, которые могли бы быть обслужены с приемлемым уровнем риска. Почему же банк продолжает использовать модель, которая очевидно приводит к потере выручки?
• Операционная неэффективность: Традиционные скоринговые системы (часто основанные на логистической регрессии) могут быть неспособны обрабатывать современные источники данных (Big Data), что замедляет процесс принятия решений и делает его менее конкурентоспособным по сравнению с лидерами рынка.

Таким образом, система риск-менеджмента РСХБ, хотя и эффективна в части контроля уже выданных кредитов, является недостаточно гибкой и точной в части оценки новых заявок. Это приводит к упущенной выгоде и потере рыночной позиции в сегменте, который имеет стратегическое значение для диверсификации доходов.

Глава 3. Разработка и экономическое обоснование мероприятий по совершенствованию управления потребительским кредитованием в РСХБ

На основе выявленной проблемы — консервативной политики и существенного сокращения потребительского портфеля при высоких показателях качества — необходимо разработать комплекс мероприятий, направленных на повышение точности оценки риска (для безопасного увеличения объемов) и оптимизации кредитного конвейера.

Предложения по совершенствованию скоринговой системы АО «Россельхозбанк»

Основным мероприятием по совершенствованию управления кредитным риском в РСХБ является модернизация скоринговой системы путем внедрения алгоритмов машинного обучения, способных обрабатывать более широкий спектр данных и выявлять нелинейные зависимости.

Мероприятие 3.1. Внедрение скоринговой модели на базе Градиентного бустинга (Gradient Boosting)

Традиционно банки используют логистическую регрессию благодаря ее простоте и интерпретируемости. Однако для высококонкурентного рынка потребительского кредитования, где важна скорость и точность, необходимы более мощные инструменты.

Обоснование выбора модели:

• Градиентный бустинг (например, CatBoost, XGBoost) — это ансамблевый метод, который последовательно строит слабые прогностические модели (деревья решений), каждая из которых корректирует ошибки предыдущей.
• Преимущества перед логит-регрессией: Бустинг способен эффективнее находить сложные нелинейные зависимости и взаимодействия в разнородных данных (например, сочетание частоты использования дебетовой карты и истории погашения старых кредитов), что позволяет точнее прогнозировать вероятность дефолта (PD).

Критерий	Логистическая Регрессия (Текущая модель)	Градиентный Бустинг (Предлагаемая модель)
Точность прогноза (ROC AUC)	Удовлетворительная, зависит от линейности данных.	Высокая, эффективно работает с нелинейностью.
Обработка нелинейности	Низкая, требует ручного инжиниринга признаков.	Высокая, автоматический поиск сложных зависимостей.
Применение	Стандартный скоринг, долгосрочное кредитование.	Экспресс-кредитование, антифрод, точечная выдача.
Риск упущенной выгоды	Высокий (отсеивает много «хороших» клиентов).	Низкий (более точная дифференциация рисков).

Ожидаемый результат: Повышение точности прогнозирования PD (например, рост ROC AUC на 5–10%), что позволит РСХБ снизить уровень кредитного порога для качественных заемщиков, тем самым безопасно увеличивая объем выдачи.

Оптимизация процесса принятия кредитных решений через интеграцию Big Data и Open API

Для реализации потенциала новой ML-модели необходимо обеспечить ее интеграцию с актуальными и разнообразными источниками данных.

Мероприятие 3.2. Создание «Единого Кредитного Конвейера» с использованием Open API.

Современный «кредитный конвейер» должен обеспечивать мгновенный сбор данных и автоматизированное принятие решения.

Ключевые элементы оптимизации:

1. Интеграция с внешними источниками: Использование технологий Open API для получения данных из Бюро кредитных историй (БКИ), Федеральной налоговой службы (ФНС), Госуслуг (по согласию клиента) и других внешних сервисов. Это позволяет верифицировать доходы, занятость и идентифицировать рисковые паттерны в режиме реального времени.
2. Использование внутренних Big Data: Включение в скоринговую модель данных о поведении клиента внутри экосистемы РСХБ: история транзакций по дебетовым счетам, частота использования мобильного банка, история обращений в контакт-центр. Эти поведенческие признаки значительно повышают прогностическую силу модели.
3. Автоматизация принятия решений: Внедрение системы, которая позволяет настраивать бизнес-правила и уровни кредитного лимита в зависимости от скорингового балла без непосредственного участия IT-специалистов.

Ожидаемый результат: Сокращение среднего времени рассмотрения заявки на потребительский кредит с 2–3 дней до 15–30 минут (для 80% заявок), снижение операционных затрат и повышение клиентской лояльности. Этого результата можно добиться, только создав единый конвейер, где ручные операции сведены к абсолютному минимуму.

Расчет ожидаемого экономического эффекта от внедрения предложенных мероприятий

Экономическое обоснование направлено на демонстрацию того, как повышение точности скоринга позволяет банку увеличить прибыльность, сохраняя при этом требуемый уровень достаточности капитала.

Исходные данные и предположения (на основе данных 2024 г.):

• Текущий объем потребительского портфеля РСХБ (P₀): 110 млрд руб.
• Текущий уровень просроченной задолженности (NPL₀): 2,2%.
• Текущая стоимость риска (CoR₀): 0,8%.
• Средняя ставка по потребительским кредитам (R): 20% годовых (гипотетически).
• Прогнозный эффект от внедрения ML-скоринга: Ожидаемое снижение NPL за счет более точной фильтрации рисков на 10% от текущего уровня.
• Прогнозный рост портфеля: За счет безопасного расширения кредитных стандартов, ожидается рост портфеля на 15% за первый год (покрытие части потерянной в 2024 году доли).

1. Расчет снижения уровня просроченной задолженности (NPL) и стоимости риска (CoR)

Повышение точности скоринга позволяет снизить долю дефолтов в новом портфеле.

Прогнозное снижение NPL:

NPL₁ = NPL₀ × (1 - Эффект снижения NPL)
NPL₁ = 2,2% × (1 - 0,10) = 1,98%

Прогнозное снижение Стоимости риска (CoR):
Предполагается, что CoR снизится пропорционально NPL.

CoR₁ = CoR₀ × (1 - Эффект снижения CoR)
CoR₁ = 0,8% × (1 - 0,10) = 0,72%

Снижение стоимости риска на 0,08 п.п. (с 0,8% до 0,72%) является прямым источником экономии резервов и увеличения операционной прибыли.

2. Расчет дополнительной прибыли от роста портфеля

Благодаря внедрению точного скоринга, РСХБ сможет безопасно нарастить портфель.

Прогнозный объем портфеля (P₁):

P₁ = P₀ × (1 + Прогнозный рост)
P₁ = 110 млрд руб. × (1 + 0,15) = 126,5 млрд руб.

Дополнительный объем портфеля:

ΔP = 126,5 млрд руб. - 110 млрд руб. = 16,5 млрд руб.

Расчет дополнительного процентного дохода (до вычета рисков):

Доход = ΔP × R
Доход = 16,5 млрд руб. × 20% = 3,3 млрд руб.

Расчет дополнительных кредитных потерь по новому объему (с учетом CoR₁):

Потери = ΔP × CoR₁
Потери = 16,5 млрд руб. × 0,72% = 0,1188 млрд руб.

Ожидаемый чистый доход от роста портфеля (до операционных расходов):

Чистый доход = Доход - Потери
Чистый доход = 3,3 млрд руб. - 0,1188 млрд руб. = 3,1812 млрд руб.

Таблица экономического эффекта

Показатель	До внедрения (2024 г.)	После внедрения (Прогноз)	Экономический эффект
Объем потреб. портфеля	110,0 млрд руб.	126,5 млрд руб.	+16,5 млрд руб.
Стоимость риска (CoR)	0,80%	0,72%	Снижение на 0,08 п.п.
Просроченная задолженность (NPL)	2,20%	1,98%	Снижение на 0,22 п.п.
Дополнительный чистый доход от прироста портфеля	–	3,1812 млрд руб.	3,1812 млрд руб.

Внедрение предложенных мероприятий позволит АО «Россельхозбанк» решить проблему чрезмерной консервативности, увеличив потребительский кредитный портфель на 15% за счет привлечения высококачественных клиентов, при этом сохраняя и даже улучшая показатели качества портфеля (снижение CoR до 0,72%).

Ожидаемый дополнительный чистый доход составит более 3,1 млрд рублей.

Заключение

Проведенное исследование выявило ключевые проблемы и возможности для совершенствования управления потребительским кредитованием в АО «Россельхозбанк» в условиях ужесточения регуляторной политики (Базель III, антициклическая надбавка ЦБ РФ 2025 г.) и замедления рынка.

Основные теоретические выводы:

1. Правовая база потребительского кредитования (ФЗ № 353-ФЗ) и пруденциальное регулирование (требования к капиталу Н1.0 и нормативы ликвидности) формируют жесткие рамки, требующие от СЗКО, таких как РСХБ, применения продвинутых внутренних методик оценки рисков.
2. Современный кредитный риск-менеджмент должен базироваться на технологиях Big Data и Machine Learning, поскольку традиционные статистические модели не обеспечивают необходимой точности и скорости для эффективной конкуренции в условиях цифровизации.

Результаты проведенного анализа:

1. Несмотря на рекордную чистую прибыль (39,8 млрд руб.) и значительное улучшение качества активов (снижение NPL до 2,2%, CoR до 0,8%) в 2024 году, в розничном сегменте РСХБ зафиксировано критическое сокращение объема потребительских кредитов на 25,2%.
2. Это сокращение обусловлено чрезмерно консервативной стратегией, что приводит к упущенной выгоде и потере рыночной доли. Основным узким местом была определена недостаточная разрешающая способность текущей скоринговой системы.

Резюме предложенных мероприятий:

Для устранения выявленной проблемы был разработан комплекс мероприятий, центральным из которых является модернизация скоринговой системы на базе алгоритмов Градиентного бустинга (Gradient Boosting). Эта мера позволит РСХБ:

• Повысить точность прогнозирования дефолта, эффективно дифференцируя риски.
• Безопасно расширить диапазон кредитования для качественных заемщиков.
• Оптимизировать кредитный конвейер за счет интеграции ML-модели с внешними источниками данных (Open API), сокращая время принятия решений.

Экономическое обоснование подтверждает целесообразность внедрения предложений. Прогнозный расчет показал, что за первый год РСХБ сможет безопасно увеличить потребительский кредитный портфель на 15% (+16,5 млрд руб.), при этом снизив Стоимость риска (CoR) до 0,72% и получив дополнительный чистый доход в размере более 3,18 млрд рублей.

Таким образом, цель, поставленная в работе — разработка комплекса актуальных практических мероприятий — была полностью достигнута, а их экономическая обоснованность подтверждена расчетами.

Список использованной литературы

1. Федеральный закон от 21.12.2013 N 353-ФЗ «О потребительском кредите (займе)» (с изменениями и дополнениями) [Электронный ресурс]. – Режим доступа: https://garant.ru (дата обращения: 08.10.2025).
2. РСХБ в 2024 г. увеличил прибыль по МСФО на 25%, до рекордных 39,8 млрд рублей [Электронный ресурс] // Интерфакс. – 2024. – Режим доступа: https://interfax.ru (дата обращения: 08.10.2025).
3. Рост потребительского кредитования в РФ в 2024 году замедлился до 11,2% [Электронный ресурс] // Финмаркет. – 2024. – Режим доступа: https://finmarket.ru (дата обращения: 08.10.2025).
4. Банк России повысил прогноз по росту потребкредитования в 2024 году до 12-17% [Электронный ресурс] // Интерфакс. – 2024. – Режим доступа: https://interfax.ru (дата обращения: 08.10.2025).
5. Второе полугодие 2024 года — АНАЛИЗ ТЕНДЕНЦИЙ В СЕГМЕНТЕ РОЗНИЧНОГО КРЕДИТОВАНИЯ НА ОСНОВЕ ДАННЫХ БЮРО КРЕДИТНЫХ ИСТОРИЙ [Электронный ресурс] // Банк России. – 2024. – Режим доступа: https://cbr.ru (дата обращения: 08.10.2025).
6. Ретроспектива подходов к оценке кредитного риска: Базель I, II, III [Электронный ресурс] // CyberLeninka. – Режим доступа: https://cyberleninka.ru (дата обращения: 08.10.2025).
7. Подходы к оценке рыночного риска на основе Базеля III [Электронный ресурс] // CyberLeninka. – Режим доступа: https://cyberleninka.ru (дата обращения: 08.10.2025).
8. О приведении банковского регулирования в соответствие со стандартами базельского комитета по банковскому надзору (Базель III) [Электронный ресурс] // МГИМО. – Режим доступа: https://mgimo.ru (дата обращения: 08.10.2025).
9. Современный скоринг: использование big data и machine learning [Электронный ресурс] // Национальный Банковский Журнал. – Режим доступа: https://nbj.ru (дата обращения: 08.10.2025).
10. От робота-бухгалтера к финансовому агенту [Электронный ресурс] // Ведомости. – Режим доступа: https://vedomosti.ru (дата обращения: 08.10.2025).
11. Что такое кредитный скоринг: настоящее и будущее скоринговой системы банка [Электронный ресурс]. – Режим доступа: https://fisgroup.ru (дата обращения: 08.10.2025).
12. Зень Д. А. Современные информационные технологии кредитного скоринга [Электронный ресурс] // Белорусский государственный университет. – Режим доступа: https://bsu.by (дата обращения: 08.10.2025).