Управление кредитным риском в ПАО Сбербанк: Актуализация методологии, анализ портфеля (2023–2024 гг.) и критическая оценка стратегий минимизации

метки: Сбербанк, Потеря, Оценка, Обращение, Эффективность, Расчет, Sberbank, Управление

РЕЛЕВАНТНЫЙ ФАКТ: Совокупный кредитный портфель Группы Сбербанк на конец 2024 года достиг колоссальных 45,9 трлн рублей, демонстрируя рост на 16,4% за год. Это не просто цифра, а прямое отражение масштаба кредитного риска, которым крупнейший российский банк должен эффективно управлять, используя самые современные и жестко регулируемые методологии.

Введение: Постановка проблемы, актуальность и методологический аппарат исследования

Управление кредитным риском в условиях высокой волатильности российского финансового рынка, постоянного ужесточения регуляторных требований (Базель III) и ускоренного технологического развития является ключевым фактором финансовой устойчивости любого системно значимого банка. Для ПАО Сбербанк, чьи активы определяют значительную часть отечественной банковской системы, эта задача приобретает стратегическое значение.

Актуальность исследования обусловлена тремя ключевыми факторами: во-первых, необходимостью актуализации анализа в свете последних финансовых отчетов (2023–2024 гг.), демонстрирующих продолжающийся рост кредитного портфеля; во-вторых, кардинальными изменениями в регуляторной среде, связанными с фактическим переходом Сбербанка на использование внутренних рейтингов (ПВР-подход, IRB) для расчета резервов; и в-третьих, необходимостью критической оценки традиционных инструментов минимизации риска, таких как страхование, с учетом современных риск-скорректированных показателей.

Цель работы состоит в глубокой актуализации и критической оценке эффективности действующей системы управления кредитным риском ПАО Сбербанк, включая анализ внедряемых инновационных технологий и методический аудит предложенных стратегий минимизации риска.

Задачи исследования:

1. Систематизировать и проанализировать актуальные требования Банка России (Положение № 483-П, № 590-П) и Базеля III в контексте методологии Сбербанка.
2. Провести структурный и качественный анализ кредитного портфеля Сбербанка на основе данных за 2024 год.
3. Оценить роль технологий Big Data и AI в современном кредитном скоринге.
4. Проанализировать инструменты макроэкономического стресс-тестирования.
5. Провести методологически строгую критическую оценку экономической эффективности модернизации программы страхования с использованием метода цепных подстановок.

Структура работы выстроена в строгом соответствии с поставленными задачами, обеспечивая последовательное раскрытие тем от регуляторного базиса к практическому анализу портфеля и критической оценке эффективности.

Ипотечное кредитование в России (2022–2025 гг.): критический ...

... данным заключенных ипотечных сделок). Этот разрыв создает критический риск: Риск для заемщиков: В случае необходимости продажи заложенного ... ключевым фактором структурного перекоса рынка. Методологической базой исследования послужили системный подход, сравнительный анализ (льготная ... ключевой ставки и регуляторных надбавок на структуру портфеля). Анализ базируется на официальных данных ЦБ РФ, ...

Регуляторно-методологический базис управления кредитным риском ПАО Сбербанк

Управление кредитным риском в крупнейшем российском банке подчинено строгим требованиям, установленным Центральным банком Российской Федерации, которые, в свою очередь, базируются на принципах Базельского комитета по банковскому надзору. Ключевым направлением является переход к более чувствительным к риску внутренним моделям, что является фундаментальным сдвигом в отечественном риск-менеджменте.

Стандарты оценки кредитного риска по внутренним рейтингам (ПВР-подход)

Переход на ПВР-подход (Internal Ratings-Based Approach, IRB) знаменует собой качественный скачок в риск-менеджменте. Вместо стандартизированных взвешиваний активов, банк получает право использовать собственные, тщательно откалиброванные модели для расчета ключевых параметров риска: вероятности дефолта (PD), уровня потерь при дефолте (LGD) и кредитного требования, подверженного риску (EAD).

Ключевым документом, регулирующим этот процесс в России, является **Положение Банка России от 06.08.2015 № 483-П** (с последней редакцией от 07.06.2023).

Согласно этому Положению, банк обязан обеспечить не только точность, но и устойчивость своих внутренних моделей к экономическим циклам.

В соответствии с пунктом 12.13 Положения № 483-П, при присвоении внутренних рейтингов заемщикам ПАО Сбербанк должен учитывать долгосрочную перспективу, а также возможное будущее ухудшение экономических условий. Это требование заставляет банк внедрять циклическую корректировку (Point-in-Time, PIT, к Through-the-Cycle, TTC, в определенных элементах) при оценке PD, что обеспечивает стабильность регуляторного капитала и предотвращает резкое снижение нормативов в периоды экономического спада. Таким образом, регулятор стимулирует не просто расчет текущего риска, а прогнозирование его динамики.

Формирование резервов и достаточность капитала

Традиционно, расчет резервов на возможные потери (РВПС) осуществлялся в соответствии с **Положением Банка России № 590-П** от 28 июня 2017 года, основанным на принципах классификации ссуд по категориям качества. Однако самым значимым изменением для Сбербанка в 2024 году стал переход к использованию ПВР-подхода не только для расчета кредитного риска (Risk-Weighted Assets, RWA), но и для формирования самих резервов.

Согласно публичной информации, **ПАО Сбербанк получил разрешение Банка России на применение внутренних методик для расчета резервов, включая ПВР-подход, в конце сентября 2024 года, с началом фактического использования с 10 октября 2024 года** в соответствии с Положением Банка России № 730-П.

Этот переход является ключевым для повышения эффективности управления капиталом. Использование ПВР-моделей позволяет более точно (по сравнению со стандартизированным подходом) оценить ожидаемые потери (EL = PD × LGD × EAD) и, соответственно, более адекватно формировать резервы. Это снижает потенциальные регуляторные арбитражи и оптимизирует распределение капитала, высвобождая его часть для высокодоходных операций, при условии, что внутренние модели демонстрируют высокую прогностическую силу и устойчивость, подтвержденную надзорным органом.

Динамика и структура кредитного портфеля ПАО Сбербанк в 2023–2024 гг.

Анализ кредитного портфеля Сбербанка в период 2023–2024 гг. позволяет оценить эффективность риск-политики на фоне макроэкономического роста и ужесточения монетарных условий.

Анализ структуры и динамики портфеля

На конец 2024 года Группа Сбербанк продемонстрировала уверенный рост совокупного кредитного портфеля по МСФО, который достиг 45,9 трлн рублей, увеличившись на 16,4% за год.

Таблица 1. Структура и динамика кредитного портфеля ПАО Сбербанк (МСФО)

Показатель	Конец 2023 г. (трлн руб.)	Конец 2024 г. (трлн руб.)	Прирост за 2024 г. (%)
Совокупный кредитный портфель	39,4	45,9	16,4%
Корпоративный портфель	~23,3	27,7	19,0%
Розничный портфель	~16,1	18,1	12,7%

Источник: Сокращенные результаты МСФО Q4 2024 год, расчеты автора.

Структура портфеля демонстрирует преобладание корпоративного сегмента (около 60% в 2024 г.).

Примечательно, что в 2024 году корпоративный портфель показал более высокий темп роста (+19,0%), чем розничный (+12,7%).

Это может быть связано с активным проектным финансированием и программами импортозамещения, стимулируемыми государством, что, однако, требует усиленного контроля за концентрацией рисков.

Качество портфеля: Уровень NPL и Стоимость риска (CoR)

Важнейшим индикатором эффективности управления риском является доля проблемной задолженности (NPL) и стоимость риска (Cost of Risk, CoR).

В 2023 году доля обесцененных кредитов (NPL, Stage 3 + POCI) по МСФО снизилась до 3,4%. Однако, по предварительным данным за конец 2024 года, доля кредитов третьей стадии (Stage 3) выросла до 3,7%.

Этот незначительный рост NPL на 0,3 п.п. (с 3,4% до 3,7%) может быть интерпретирован как следствие двух факторов:

1. Повышение процентных ставок: Рост ключевой ставки Банка России сдерживал спрос, но повысил долговую нагрузку на существующих заемщиков, особенно в необеспеченном розничном сегменте.
2. Эффект базы: При значительном росте совокупного портфеля, даже небольшое увеличение абсолютного объема проблемных кредитов может привести к росту доли NPL.

При этом Стоимость риска (CoR) по МСФО за 2024 год составила 1,5% (РПБУ: 1,58 трлн руб. расходов на резервы), что немного выше показателя предыдущего года (1,4%).

Небольшой рост CoR на фоне роста NPL свидетельствует о том, что банк продолжает консервативно оценивать будущие потери.

Важно отметить высокий показатель покрытия обесцененных кредитов резервами, который на конец 2024 года составил 125,1% (хотя и снизился с 142,2% в 2023 году).

Показатель выше 100% демонстрирует наличие существенного запаса прочности и способность Сбербанка поглощать непредвиденные кредитные потери без критического влияния на капитал.

Инновационные подходы к оценке риска: Big Data, Machine Learning и AI-скоринг

В условиях жесткой конкуренции и необходимости соответствия требованиям ПВР-подхода, скорость и точность оценки риска становятся критически важными. ПАО Сбербанк активно трансформирует свою систему скоринга, переходя от классических эконометрических моделей к решениям, основанным на Больших Данных (Big Data) и Искусственном Интеллекте (ИИ).

Внедрение Big Data и ML в скоринговые модели

Использование технологий Machine Learning (ML) и Big Data в кредитном скоринге является ключевым конкурентным преимуществом Сбербанка. Эти технологии позволяют обрабатывать неструктурированные и полуструктурированные данные, которые традиционные модели (основанные на анкетах и кредитных бюро) игнорируют.

Центральным элементом этой трансформации стал транзакционный скоринг AI. В отличие от классического подхода, который требует обширной кредитной истории, внутренние ML-модели Сбербанка способны формировать высокоточную оценку вероятности дефолта, основываясь на данных о транзакционной активности клиента.

Аналитический срез: Для полноценного анализа платежного поведения и образа жизни клиента (что напрямую коррелирует с PD) системе достаточно данных всего о 350 транзакциях по карте клиента.

Преимущества AI-скоринга:

1. Скорость принятия решения: Автоматизированный анализ тысяч параметров позволяет принимать решение о выдаче потребительского кредита за секунды или минуты.
2. Детализация оценки: Использование графов связей на основе транзакционных данных позволяет выявить неявные риски и оценить устойчивость финансового положения заемщика, его фактические доходы и обязательства, что повышает точность оценки PD по сравнению с классическими моделями.
3. Охват новых сегментов: AI-скоринг позволяет работать с клиентами, не имеющими обширной кредитной истории (thin file clients), расширяя клиентскую базу при контролируемом уровне риска.

Экономический эффект от использования технологий ИИ в Сбербанке в 2023 году достиг 350 млрд рублей, что подтверждает статус ИИ как ключевого драйвера снижения операционных издержек и минимизации кредитных потерь. Но если ИИ-модель так эффективна, стоит ли банкам вкладывать колоссальные ресурсы в поддержание устаревших, чисто эконометрических моделей расчета риска?

Макроэкономическое стресс-тестирование как инструмент оценки устойчивости

Стресс-тестирование является неотъемлемой частью системы управления кредитным риском, особенно для банков, применяющих ПВР-подход. В соответствии с требованиями Базеля III, банк обязан регулярно оценивать свое положение в гипотетических, но правдоподобных сценариях макроэкономических шоков.

Сценарное моделирование и ключевые шоки

Банк России, в рамках своей Концепции макропруденциального стресс-тестирования, требует от системно значимых банков проводить сценарное моделирование, направленное на оценку влияния значительного ухудшения условий функционирования российской экономики на финансовую устойчивость.

Сценарное моделирование предполагает одновременное изменение нескольких ключевых макроэкономических факторов, которые формируют жесткие, но реалистичные сценарии («Стресс-сценарий»).

Макроэкономические факторы имеют прямое влияние на основные параметры ПВР-моделей.

Ключевые макроэкономические параметры, используемые в моделях ЦБ РФ и Сбербанка:

• Валовой внутренний продукт (ВВП)
• Курс рубля к иностранным валютам (девальвационный шок)
• Инфляция
• Реальные располагаемые доходы населения
• Цена на нефть
• Рыночные процентные ставки (ключевая ставка)

Например, резкое снижение реальных располагаемых доходов населения в стрессовом сценарии прямо ведет к росту вероятности дефолта (PD) в розничном (потребительском и ипотечном) сегменте. Девальвация рубля может вызвать рост PD в корпоративном сегменте, особенно у заемщиков с валютными обязательствами и рублевой выручкой.

Анализ устойчивости: Основная цель стресс-тестирования состоит не только в оценке потенциальных потерь (EL_стресс), но и в соотнесении этих потерь с запасом капитала. Если расчетные потери превышают заданный нормативный уровень достаточности капитала, банк обязан разработать превентивные меры (например, ограничение кредитования высокорисковых сегментов) для обеспечения устойчивости. Ведь без этого, кризис неминуемо приведет к нарушению регуляторных нормативов, что и является главным следствием недостаточного стресс-тестирования.

Критическая оценка экономической эффективности модернизации программы страхования кредитного риска

Один из традиционных методов минимизации кредитного риска в розничном сегменте — это страхование жизни и здоровья заемщика. В ПАО Сбербанк, как и во многих крупных банках, продажа страховых полисов (банкострахование) через аффилированные структуры («СберСтрахование жизни») является не только инструментом снижения риска, но и существенным источником комиссионного дохода.

Предложенная модернизация (переход от единовременной оплаты страхования к ежегодной) требует строгой экономической оценки, чтобы определить, приносит ли она реальную выгоду банку с учетом риска.

Применение методологии RAPM (RAROC) в оценке банковских продуктов

Для объективной оценки эффективности изменений в банковских продуктах, в академической и корпоративной среде принято использовать риск-скорректированные показатели эффективности, такие как Risk-Adjusted Performance Measurement (RAPM), наиболее распространенным из которых является RAROC (Risk-Adjusted Return on Capital).

Формула RAPM (в общем виде) выглядит так:

RAPM = Финансовый Результат / Экономический Капитал (Риск)

В контексте оценки кредитного продукта, RAROC позволяет определить, достаточен ли доход, генерируемый кредитом, для покрытия ожидаемых потерь и компенсации банку за принятый кредитный риск (измеряемый экономическим капиталом).

Если изначально страхование служило в основном целям снижения LGD (потерь при дефолте) и генерации единовременного комиссионного дохода (КДС), то переход к ежегодной оплате может изменить эти параметры.

Расчет изменения чистого финансового результата (ΔЧФР)

Для сравнительного анализа эффективности двух моделей страхования (исходной S_исх — единовременной, и модернизированной S_мод — ежегодной) целесообразно использовать метод цепных подстановок для расчета изменения чистого финансового результата (ЧФР).

Упрощенный Чистый Финансовый Результат кредитного продукта (ЧФР) складывается из Процентного Дохода (ПД), Комиссионного Дохода от Страхования (КДС) и Ожидаемых Потерь (EL):

ЧФР = ПД + КДС - EL

Эффективность модернизации (ΔЧФР):

ΔЧФР = ЧФРмод - ЧФРисх

ΔЧФР = (ПДмод - ПДисх) + (КДСмод - КДСисх) - (ELмод - ELисх)

Разберем влияние модернизации на каждую компоненту:

1. Изменение Комиссионного Дохода (ΔКДС): Переход к ежегодному страхованию может снизить суммарный КДС за счет того, что часть клиентов откажутся от пролонгации. Однако, для банка это означает более равномерное распределение доходов во времени и потенциальное снижение риска досрочного погашения, при котором единовременная комиссия должна быть возвращена. Если комиссия за страховку остается высокой (до 70% от взноса), ежегодная модель может быть выгодна при длительном сроке кредита.
2. Изменение Процентного Дохода (ΔПД): В случае Сбербанка, отказ от страхования ведет к повышению процентной ставки по кредиту. Если доля клиентов, отказавшихся от страховки, растет (и они переходят на более высокую ставку i₃), общий ПД портфеля может увеличиться.
3. Изменение Ожидаемых Потерь (ΔEL): Ожидаемые потери рассчитываются по формуле EL = PD × LGD × EAD.
   • Если клиент соглашается на страхование (S_мод), то LGD снижается, так как страховое покрытие компенсирует часть потерь при дефолте.
   • Если клиент отказывается от страхования, он попадает в сегмент с более высокой ставкой. Клиенты, готовые платить высокую ставку, часто имеют более высокий кредитный риск. Следовательно, в этом сегменте может вырасти PD (Вероятность Дефолта), а LGD останется высоким (без страхового покрытия).

Для розничного необеспеченного кредитования, где PD варьируется в диапазоне **2%–10%** и LGD в диапазоне **30%–60%**, даже небольшое изменение в PD или LGD, вызванное модернизацией, может существенно повлиять на ЧФР.

Вывод по оценке: Модернизация программы страхования экономически эффективна только в том случае, если прирост ΔКДС (за счет равномерности и стабильности потока) и потенциальный прирост ΔПД (за счет более высокой ставки для отказавшихся) с лихвой компенсируют рост ΔEL (за счет увеличения риска по сегменту «отказников», не имеющих покрытия).

Проведение такого анализа требует построения двух параллельных внутренних моделей ПВР для сегментов «застрахованных» и «незастрахованных» заемщиков.

Заключение и выводы

Проведенный анализ подтверждает, что система управления кредитным риском в ПАО Сбербанк находится на этапе глубокой трансформации, обусловленной как ужесточением регуляторных требований (Базель III и ЦБ РФ), так и активным внедрением передовых технологий. Сбербанк не просто следует за регулятором, он сам задает темп технологического развития риск-менеджмента.

1. Регуляторная система: Сбербанк успешно завершил процесс перехода на внутренние модели. Фактическое начало использования ПВР-подхода для расчета резервов с октября 2024 года (Положение № 730-П) является критически важным шагом, позволяющим оптимизировать капитал и более точно оценивать ожидаемые потери, что требует от банка поддержания безупречного качества данных и высокой прогностической силы моделей, как того требует Положение № 483-П.
2. Качество портфеля: Кредитный портфель Сбербанка сохраняет высокий запас прочности (покрытие резервами 125,1%), несмотря на рост совокупного объема до 45,9 трлн рублей. Незначительный рост доли проблемной задолженности (Stage 3 до 3,7% в 2024 г.) и Стоимости риска (CoR 1,5%) указывает на необходимость усиленного мониторинга в условиях высоких процентных ставок.
3. Технологическая эффективность: Внедрение AI и Big Data в скоринг, в частности транзакционного скоринга AI, обеспечивает Сбербанку конкурентное преимущество, позволяя принимать решения быстрее и точнее, используя минимальный набор данных (350 транзакций), что является примером реализации принципов ПВР на практике.
4. Оценка стратегии минимизации риска: Критическая оценка модернизации программы страхования показала, что ее экономическая эффективность не может быть оценена без применения риск-скорректированных методологий (RAPM/RAROC) и пофакторного анализа изменения чистого финансового результата (ΔЧФР).

   Модернизация выгодна банку только в том случае, если увеличение КДС и ПД перевешивает потенциальный рост EL в сегменте «отказников» (за счет более высокого PD и LGD без покрытия).

Направления для дальнейших научных исследований:

Учитывая активное внедрение ИИ-скоринга, перспективным направлением является эконометрическая оценка влияния решений, принятых на основе AI-моделей, на фактические параметры кредитного риска. В частности, можно исследовать, как повышение точности скоринга влияет на LGD (снижение потерь за счет более эффективного прогнозирования и раннего вмешательства) и насколько сильно PD, рассчитанный AI-моделями, коррелирует с макроэкономическими шоками, моделируемыми в рамках стресс-тестирования.

Список использованной литературы

1. Аргинбаев К.М. Принятие экономических решений в условиях неопределенности и риска. Учебник. 2-е изд., перераб. и доп. М.: КНОРУС, 2012. 327 с.
2. Афанасьева О.М. Скоринговая оценка финансового состояния заемщика // Банковское дело. 2014. № 3. С. 64–71.
3. Банковские риски: учебник: в 4 т. / под ред. О.И. Лаврушина. 3-е изд., перераб. и доп. М.: КНОРУС, 2016. Т. 1. 256 с.
4. Банковское право: учебник для магистров: в 2 т. / под ред. Д.Г. Алексеевой. 3-е изд., перераб. и доп. М.: ЮРАЙТ, 2012. Т. 1. 1055 с.
5. Белов П.Г. Управление рисками, системный анализ и моделирование. Учебник и практикум: учебник для бакалавриата и магистратуры. 2-е изд., перераб. и доп. М.: ЛЕНАНД, 2016. 211 с.
6. Большие данные (Big Data) в Сбербанке // Tadviser. URL: https://www.tadviser.ru/index.php/Продукт:Большие_данные_(Big_Data)_в_Сбербанке (дата обращения: 08.10.2025).
7. Гатауллин А.Р. Анализ состояние корпоративного кредитования в России // Экономика, социология и право. 2014. № 4. С. 26–30.
8. Годовой отчет ПАО Сбербанк России за 2016 год. URL: https://2016.report-sberbank.ru/ru/management-of-risks/significant-risks#financial-market (дата обращения: 08.10.2025).
9. Долан Э. Деньги, банковское дело и денежно-кредитная политика / пер. с англ. И. Кушнова. СПб.: Автокомп, 2015. 344 с.
10. Жиляков Г.И. Финансово-экономический анализ (предприятие, банк, страховая компания).

    Учебник и практикум: учебник для магистратуры. 5-е изд., перераб. и доп. М.: КНОРУС, 2013. 368 с.

11. Иванов В.В. Деньги. Кредит. Банки. Учебник и практикум: учебник для магистрантов. 5-е изд., перераб. и доп. М.: Проспект, 2015. 757 с.
12. Инструкция Банка России от 6 декабря 2017 г. № 183-И “Об обязательных нормативах банков с базовой лицензией”. URL: https://base.garant.ru/71842938/ (дата обращения: 08.10.2025).
13. Казимагомедов А.А. Организация денежно-кредитного регулирования. Учебник для вузов: учебник для бакалавров и магистров. 7-е изд., перераб. и доп. М.: Финансы и статистика, 2013. 272 с.
14. Как Сбербанк использует искусственный интеллект // Big Data School. URL: https://bigdataschool.ru/blog/sberbank-uses-ai.html (дата обращения: 08.10.2025).
15. КОНЦЕПЦИЯ МАКРОПРУДЕНЦИАЛЬНОГО СТРЕСС-ТЕСТИРОВАНИЯ // Банк России. URL: https://www.cbr.ru/Content/Document/File/22757/stress_test.pdf (дата обращения: 08.10.2025).
16. Ковалев П.П. Банковский риск-менеджмент. Учебник: учебник для магистратуры. 2-е изд., перераб. и доп. М.: ИНФРА-М, 2014. 320 с.
17. Кудрявцева М.Г. Базель 2: новые правила игры // Банковское дело. 2014. № 22. С. 32–34.
18. Мадера А.Г. Прогнозирование кредитной благонадежности заемщика // Финансы и кредит. 2015. № 12. С. 2–10.
19. Максимальный размер крупных кредитов. URL: http://base.garant.ru/71721584/8b7b3c1c76e91f88d33c08b3736aa67a/ (дата обращения: 08.10.2025).
20. Мамаева Л.Н. Управление рисками. Учебник: учебник для магистрантов. 2-е изд., перераб. и доп. М.: Дашков и К, 2015. 256 с.
21. Новиков А.И., Солодская Т.И. Теория принятия решений и управление рисками в финансовой и налоговой сферах: учебное пособие для вузов. М.: Дашков и К, 2016. 419 с.
22. О порядке расчета банками величины кредитного риска по сделкам секьюритизации. URL: http://www.cbr.ru/StaticHtml/File/17579/171101-41_1.pdf (дата обращения: 08.10.2025).
23. От чего можно застраховаться при оформлении кредита в Сбербанке и как вернуть страховку, если она не нужна // banki.ru. URL: https://www.banki.ru/insurance/production/detail/47475/ (дата обращения: 08.10.2025).
24. Оценка риска в цене кредитных продуктов // m-economy.ru. URL: https://m-economy.ru/art.php?nArtId=3160 (дата обращения: 08.10.2025).
25. Оценка экономической эффективности с учетом риска // forinsurer.com. URL: https://forinsurer.com/public/15/09/24/49601 (дата обращения: 08.10.2025).
26. Основы международных валютно-финансовых и кредитных отношений: моногр. / под ред. В.В. Круглов. 2-е изд., перераб. и доп. М.: ИНФРА-М, 2016. Т. 1. 350 с.
27. Положение Банка России от 06.08.2015 N 483-П (ред. от 07.06.2023) «О порядке расчета величины кредитного риска на основе внутренних рейтингов» // consultant.ru. URL: https://www.consultant.ru/document/cons_doc_LAW_184851/ (дата обращения: 08.10.2025).
28. Положение Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности» // garant.ru. URL: https://www.garant.ru/products/ipo/prime/doc/71615554/ (дата обращения: 08.10.2025).
29. Положение от 26.03.04. г. № 254 – П «О порядке формирования кредитными организациями резерва на возможные потери по ссудам, по ссудной и приравненной к ней задолженности». URL: http://www.banki.ru/wikibank/polojenie_banka_rossii_n_254-p/ (дата обращения: 08.10.2025).
30. Политика управления рисками Банка России. URL: http://www.cbr.ru/today/?PrtId=risk (дата обращения: 08.10.2025).
31. Развитие банковского страхования в ПАО “Сбербанк России” // pnzgu.ru. URL: https://izvestia.pnzgu.ru/files/izv/2018/48/25.pdf (дата обращения: 08.10.2025).
32. Романюк К.А. Метод оценки кредитоспособности физических лиц по непрерывной шкале // Экономические науки. 2015. № 125. С. 109–116.
33. Сигел Д. Портфельные стратегии, управление рисками и арбитраж / пер. с англ. Б. Колчак. СПб.: Альпина Паблишер, 2015. 627 с.
34. Сокращенные результаты ПАО Сбербанк по РПБУ за 12М 2023 года // sberbank.com. URL: https://www.sberbank.com/common/img/uploaded/files/investor_relations/reporting/RPBU_2023_12M_rus.pdf (дата обращения: 08.10.2025).
35. Сокращенные результаты МСФО Q4 2024 год // sberbank.com. URL: https://www.sberbank.com/common/img/uploaded/files/investor_relations/reporting/IFRS_Q4_2024_rus.pdf (дата обращения: 08.10.2025).
36. Сокращенные результаты Сбербанка по МСФО за 2023 г. // financemarker.ru. URL: https://financemarker.ru/sberbank-msfo-2023/ (дата обращения: 08.10.2025).
37. Страхование жизни заемщиков кредитов Сбербанка. URL: https://www.sberbankinsurance.ru/products/sberbankdebtor-insurance (дата обращения: 08.10.2025).
38. СТРЕСС-ТЕСТИРОВАНИЕ В БАНКОВСКОЙ СФЕРЕ // eduherald.ru. URL: https://eduherald.ru/ru/article/view?id=17953 (дата обращения: 08.10.2025).
39. Ушанов А.Е. Оптимизация кредитного процесса в условиях вызовов // Финансы и кредит. 2015. № 21. С. 37–43.
40. Федорова Т.А. Управление рисками и страхование. Учебник: учебник для магистрантов. 6-е изд., перераб. и доп. М.: НИЦ ИНФРА-М, 2014. 193 с.
41. Финансовые результаты «Сбера»: результаты по РПБУ за 2024 год // aton.ru. URL: https://aton.ru/blog/sber-rpbu-2024 (дата обращения: 08.10.2025).
42. Ханжин С.В. Математическая модель кредитного скоринга потенциальных клиентов банка // Фундаментальные и прикладные исследования: проблемы и результаты. 2015. № 20. С. 180–188.
43. Шапкин А.С. Экономические и финансовые риски: оценка, управление, портфель инвестиций. Учебник: учебник для вузов. 9-е изд., перераб. и доп. М.: Дашков и К, 2013. 543 с.
44. Ширяев В.И. Модели финансовых рынков: Оптимальные портфели, управление финансами и рисками. Учебник и практикум: учебник для вузов. 9-е изд., перераб. и доп. М.: КД Либроком, 2015. 2016 с.
45. АНАЛИЗ КРЕДИТНОГО РИСКА ПАО «СБЕРБАНК» // cyberleninka.ru. URL: https://cyberleninka.ru/article/n/analiz-kreditnogo-riska-pao-sberbank/viewer (дата обращения: 08.10.2025).
46. ОЦЕНКА ВЛИЯНИЯ РИСКОВ ПОТРЕБИТЕЛЬСКОГО КРЕДИТОВАНИЯ НА ДЕЯТЕЛЬНОСТЬ ПАО СБЕРБАНК В МЕНЯЮЩИХСЯ МАКРОЭКОНОМИЧЕСКИХ УСЛОВИЯХ // cyberleninka.ru. URL: https://cyberleninka.ru/article/n/otsenka-vliyaniya-riskov-potrebitelskogo-kreditovaniya-na-deyatelnost-pao-sberbank-v-menyayuschihsya-makroekonomicheskih/viewer (дата обращения: 08.10.2025).
47. макроэкономическое стресс-тестирование // msu.ru. URL: https://macroeconomics.msu.ru/files/presentations/2021-02-18_stress_test.pdf (дата обращения: 08.10.2025).