Совершенствование оценки кредитного риска в потребительском кредитовании РФ: критический анализ устаревших моделей и FinTech-трансформация в условиях макропруденциального регулирования (2023–2025 гг.)

метки: Модель, Кредит, Обращение, Потребительский, Fintech, Лимит, Портфель, Кредитный

По итогам II квартала 2025 года портфель необеспеченных потребительских кредитов в России снизился на 1,6% (после 1,5% в I квартале) и составил 13,4 трлн рублей, что является прямым следствием беспрецедентного ужесточения денежно-кредитной политики и прямого макропруденциального регулирования Банка России.

Эволюция рынка потребительского кредитования в Российской Федерации за последние полтора десятилетия — это не просто история роста объемов, а драматическая хроника перехода от статических, опирающихся на анкетные данные методов оценки риска к динамичным, высокотехнологичным системам, интегрированным с искусственным интеллектом. Если в период 2008–2009 годов банковский риск-менеджмент основывался на относительно простых статистических моделях и экспертных оценках, то к 2025 году он трансформировался под двойным давлением: технологической революции (FinTech и Machine Learning) и жесткого регуляторного контроля со стороны Банка России, направленного на купирование системного риска закредитованности населения.

Данная работа ставит своей целью не просто описать современные методы, но провести критический анализ, используя устаревшую базу знаний (например, выпускные квалификационные работы 2008–2009 гг.) как контрапункт. Это позволяет не только продемонстрировать актуальность современных FinTech-решений, но и обосновать их необходимость в свете современных регуляторных требований (Показатель Долговой Нагрузки, Макропруденциальные Лимиты), которые полностью дезавуируют применимость упрощенных подходов прошлого, потому что сегодняшние риски требуют совершенно иных, более тонких инструментов управления.

Объектом исследования выступают процессы потребительского кредитования физических лиц в РФ. Предметом исследования являются методы и модели оценки кредитного риска и направления их совершенствования в современных условиях.

Цель работы состоит в актуализации и критическом анализе методологий оценки кредитного риска, а также разработке рекомендаций по совершенствованию практики потребительского кредитования на основе современных FinTech-решений и регуляторной политики 2023–2025 гг.

Для достижения поставленной цели необходимо решить следующие задачи:

Деньги и кредит в современной экономике России: комплексный анализ ...

... в области экономики и финансов. Сущность и функции денег в современной экономике РФ Современная экономика России, как и мировая, немыслима без денег. Это не просто металлические ... и охватывает глубокие процессы перераспределения стоимости, стимулирования роста и управления рисками. Без института кредитования невозможно представить полноценный экономический и финансовый оборот, поскольку именно он ...

1. Актуализировать нормативно-правовую базу и раскрыть роль макропруденциальных инструментов ЦБ РФ.
2. Проанализировать современную динамику и структурные сдвиги на рынке потребкредитования.
3. Осуществить критическую оценку устаревших скоринговых подходов и обосновать переход к ML/AI-моделям.
4. Разработать конкретные рекомендации по интеграции FinTech-решений для повышения точности скоринга и борьбы с мошенничеством.

Теоретические и нормативно-правовые основы потребительского кредитования и кредитного риска

Сущность и актуальное законодательное регулирование потребительского кредита

Потребительский кредит (заем) представляет собой денежные средства, предоставленные кредитором заемщику для личных, семейных, домашних или иных нужд, не связанных с осуществлением предпринимательской деятельности. Основополагающим документом, регулирующим эти отношения, является Федеральный закон от 21.12.2013 № 353-ФЗ «О потребительском кредите (займе)», который претерпел ряд критических изменений в 2023–2025 годах. Необходимость государственного регулирования в этой сфере обусловлена асимметрией информации между кредитором и заемщиком, а также системным риском, который неконтролируемый рост долговой нагрузки несет для финансовой стабильности страны; регулятор стремится обеспечить прозрачность условий кредитования (через расчет Полной Стоимости Кредита, ПСК) и защиту прав потребителей.

Ключевым инструментом риск-менеджмента для банка остается кредитный скоринг — это математическая модель, позволяющая на основе статистических данных оценить кредитоспособность заемщика и вероятность невыполнения им своих обязательств (дефолта) в течение определенного периода. В современном контексте, скоринг — это не просто отсечение неблагонадежных клиентов, а инструмент точной ценовой дискриминации, позволяющий устанавливать индивидуальные процентные ставки в зависимости от уровня прогнозируемого риска.

Макропруденциальная политика Банка России как ключевой фактор совершенствования

В условиях, когда закредитованность населения начала представлять угрозу для макроэкономической стабильности, Банк России значительно ужесточил макропруденциальную политику. Цель этого регулирования — ограничить выдачу наиболее рискованных кредитов и создать буфер для банковской системы.

Центральным элементом этой политики стал Показатель Долговой Нагрузки (ПДН), закрепленный в статье 5.1 ФЗ № 353-ФЗ. ПДН представляет собой отношение суммы ежемесячных платежей заемщика по всем его обязательствам к его среднемесячному доходу.

Макропруденциальные Лимиты (МПЛ) — это прямые количественные ограничения, устанавливаемые ЦБ РФ на долю выдачи кредитов заемщикам с высоким ПДН и/или низким первоначальным взносом. Этот механизм стал наиболее эффективным рычагом воздействия на кредитную политику банков, поскольку позволяет точечно влиять на сегменты с наибольшими рисками.

Новейшие регуляторные меры 2025 года: расширение МПЛ и «период охлаждения»

2025 год ознаменовался значительным расширением полномочий ЦБ РФ и введением новых, более жестких мер:

1. Расширение МПЛ на обеспеченные кредиты: С апреля 2025 года Банк России получил право устанавливать МПЛ не только по необеспеченным, но и по ипотечным, а также автокредитам. Это стало прямым ответом на рост рисков в этих сегментах.
   • Автокредиты: С 1 июля 2025 года для автокредитов с ПДН свыше 80% лимит выдач на III квартал 2025 года установлен на уровне 5% от общего объема выдач.
   • Ипотека: Для ипотечных кредитов на приобретение строящегося жилья с ПДН более 50% и первоначальным взносом менее 20% лимит установлен на уровне 2% от общего объема выдач на III квартал 2025 года.
2. Введение «периода охлаждения»: С 1 сентября 2025 года вводится обязательный «период охлаждения», призванный дать заемщику время на обдуманный отказ от кредита, что является превентивной мерой против мошенничества и навязывания услуг.
   • Для кредитов на сумму от 50 тыс. до 200 тыс. рублей перевод средств осуществляется не ранее 4 часов после подписания условий.
   • Для кредитов свыше 200 тыс. рублей — не ранее 48 часов.

Эти меры формируют совершенно новую регуляторную среду, в которой выживают только те банки, чьи скоринговые системы способны максимально точно оценить реальный ПДН заемщика и динамически адаптировать кредитную политику под постоянно меняющиеся лимиты ЦБ РФ. Это означает, что погрешность в расчете риска становится критически дорогой.

Анализ современного состояния и ключевых проблем рынка потребительского кредитования в Российской Федерации (2023–2025 гг.)

Динамика и структурные сдвиги рынка

Рынок потребительского кредитования в 2023–2025 годах демонстрирует выраженную реакцию на макроэкономические условия (высокая ключевая ставка) и регуляторное вмешательство. Если ранее рост портфеля был экспоненциальным, то в 2025 году наблюдается замедление и даже коррекция объемов.

Динамика портфеля необеспеченных потребительских кредитов (2024–2025 гг.)

Период	Объем портфеля (трлн руб.)	Динамика к предыдущему периоду	Примечание
Конец I кв. 2024 г.	14,0	+3,7%	Рост до введения жестких МПЛ
Конец II кв. 2024 г.	14,9	+5,9%	Рост за счет кредитных карт
Конец I кв. 2025 г.	13,6	-1,5%	Начало снижения под влиянием МПЛ и ставки
Конец II кв. 2025 г.	13,4	-1,6%	Устойчивое снижение портфеля

Источник: Аналитика Банка России, II квартал 2025 г.

Банк России скорректировал прогноз по росту портфеля необеспеченного потребкредитования на 2025 год до диапазона от -1% до +2%, что подтверждает переход рынка в фазу стагнации или контролируемого сжатия.

Ключевой структурный сдвиг: Наиболее драматические изменения коснулись структуры выдач. На фоне снижения выдач традиционных кредитов наличными (падение на 16,7% в 2024 году), произошло доминирование кредитных карт.

В первом полугодии 2025 года доля кредитных карт в общем объеме выдач необеспеченных потребительских кредитов составила приблизительно 80% (77% во II квартале).

Это смещение объясняется тем, что граждане ищут инструменты с льготным периодом для управления краткосрочной ликвидностью, а банки видят в карточных продуктах возможность обойти жесткие лимиты, поскольку риск по ним распределяется в течение льготного периода. Однако снижение задолженности по кредитам наличными (-3,6% во II кв. 2025 г.) при продолжающемся росте задолженности по кредитным картам (+2,3%) указывает на то, что риск просто мигрирует в карточный сегмент. Таким образом, банки должны уделять особое внимание именно скорингу карточных продуктов.

Проблема закредитованности и мошенничества как системные риски

Современное потребительское кредитование сталкивается с двумя главными системными рисками: хронической закредитованностью и растущим кибермошенничеством.

Долговая ловушка и экономический тормоз

Проблема закредитованности заключается не только в абсолютном размере долга, но и в его качестве. Значительная часть новых кредитов берется не для стимулирования потребления, а для рефинансирования или консолидации уже существующих долгов. Закредитованность, по оценкам экспертов, трансформировалась из драйвера роста в «тормоз» для российской экономики. Высокие ежемесячные платежи заемщиков сокращают их располагаемый доход, снижая спрос на товары и услуги, не связанные с обслуживанием долга.

Факт: 14% должников, начавших «антикредитный режим» в 2025 году, использовали консолидацию займов. Это подтверждает, что значительная часть населения находится в «долговой ловушке», где новые займы лишь откладывают, но не решают проблему неплатежеспособности.

Кибермошенничество и финансовые потери

Мошенничество в сфере кредитования, регулируемое Статьей 159.1 УК РФ, остается крайне актуальной проблемой. Современные мошеннические схемы используют фишинг, социальную инженерию и утечки персональных данных.

Масштаб проблемы колоссален: в 2023 году злоумышленникам удалось похитить у клиентов банков 15,8 млрд рублей в результате 1,17 млн успешных операций. Однако, еще более показательным является объем предотвращенных операций. В 2023 году российские банки смогли предотвратить хищения на общую сумму 5,8 трлн рублей, при этом один только Сбербанк предотвратил хищение почти 300 млрд рублей средств своих клиентов.

Эти цифры подчеркивают, что борьба с мошенничеством требует не менее сложных и динамичных аналитических систем, чем сам кредитный скоринг. Классические подходы, ориентированные только на кредитную историю, совершенно неспособны противостоять изощренным мошенническим атакам, отсюда и необходимость Machine Learning и AI-скоринга.

Эволюция и современная методология оценки кредитного риска: от классических моделей к AI-скорингу

Критическая оценка устаревших методов оценки кредитного риска

Экономические работы начала 2000-х годов, включая ВКР 2008–2009 гг., фокусировались на классических, интерпретируемых моделях и экспертных системах.

1. Недостаточность классических моделей:
   Традиционные подходы, такие как модель «5С» (Character, Capacity, Capital, Collateral, Conditions), служили основой для принятия решений, но они были статичны и сильно зависели от субъективной оценки кредитного инспектора. В условиях массового розничного кредитования и необходимости мгновенного решения (Online-кредитование), такие методы стали анахронизмом.
2. Нерелевантность устаревшего ПО:
   Если в исходной ВКР 2008–2009 гг. предлагалось использование ПО вроде Deductor для построения нейронных сетей или других статических моделей, то в контексте 2025 года подобные предложения являются нерелевантными. Во-первых, многие инструменты той эпохи устарели методологически. Во-вторых, они не способны обрабатывать тот объем и разнообразие данных, который требуется современному банку.
3. Несоответствие регуляторным требованиям:
   Критический недостаток устаревших моделей заключается в их неспособности интегрировать ключевые регуляторные параметры, такие как ПДН. Современный скоринг должен не только прогнозировать вероятность дефолта (PD), но и точно рассчитывать ПДН заемщика, используя данные из БКИ и информацию о доходах. Упрощенные статические модели не могут обеспечить комплексный, динамический и, главное, нелинейный анализ риска, который требуется ЦБ РФ. Любая рекомендация, не учитывающая Макропруденциальные Лимиты и ПДН, не имеет практической ценности в современной банковской среде.

Machine Learning и AI-скоринг как стандарт современной банковской практики

Современные скоринговые системы российских банков перешли на методологию Data Mining и Machine Learning (ML), что обеспечивает как высокую точность прогнозирования, так и возможность обработки неструктурированных данных.

Применение ML-моделей

В банковской практике используются как интерпретируемые, так и «черные ящики» ML-модели:

1. Логистическая регрессия (Logistic Regression): Сохраняет свою актуальность благодаря высокой интерпретируемости результатов и скорости работы. Используется для построения базового «отсекающего» скоринга и оценки кредитного лимита.
2. Случайный лес (Random Forest) и Градиентный бустинг (Gradient Boosting): Эти модели, относящиеся к ансамблевым методам, обеспечивают максимально высокую точность прогноза, обрабатывая сотни факторов (поведенческие данные, транзакционная активность, история запросов в БКИ, геоданные).

   Они критически важны для оценки «кредитно-невидимых» заемщиков — тех, кто не имеет обширной кредитной истории, но чья кредитоспособность может быть оценена по альтернативным данным.

Связь ML-моделей со стандартами Базельского комитета

Современный риск-менеджмент, особенно для банков, применяющих внутренние рейтинговые модели (IRB-подход), требует прогнозирования трех ключевых переменных риска, соответствующих стандартам Базельского комитета:

1. Вероятность Дефолта (PD, Probability of Default): Вероятность того, что заемщик не выполнит свои обязательства в течение года. Именно для прогнозирования PD наиболее эффективно используются ML-модели.
2. Уровень Потерь при Дефолте (LGD, Loss Given Default): Доля потерь, которую понесет банк в случае дефолта (после реализации обеспечения).
3. Абсолютная Величина Требований на Момент Дефолта (EAD, Exposure at Default): Ожидаемая сумма задолженности на момент дефолта.

Величина Ожидаемых Потерь (EL), являющаяся основой для формирования резервов, рассчитывается по формуле:

EL = PD × LGD × EAD

ML-модели позволяют значительно повысить точность прогнозирования PD и LGD, что напрямую влияет на достаточность капитала банка и его способность соответствовать нормативам ЦБ РФ.

Метрики качества скоринговых моделей

Для оценки эффективности скоринговых моделей в банковской сфере используются стандартные метрики, отражающие способность модели разделять «хороших» и «плохих» заемщиков:

Метрика	Описание	Значимость в риск-менеджменте
Площадь под ROC-кривой (AUC)	Вероятность того, что модель оценит случайно выбранного дефолтного заемщика ниже, чем случайно выбранного не-дефолтного.	Показывает общую дискриминационную способность модели.
Коэффициент Джини (Gini Index)	Отражает степень концентрации прогнозируемого риска.	Является производным от AUC и удобен для сравнения моделей. Gini = 2 × AUC - 1.

Успешные ML-модели демонстрируют коэффициент Джини, значительно превышающий показатели классической логистической регрессии, что позволяет банкам более агрессивно (но контролируемо) работать с рыночным риском.

Направления совершенствования практики потребительского кредитования и управления рисками

Совершенствование кредитной практики в 2025 году должно идти по двум ключевым направлениям: технологическое усиление (FinTech) и стратегическое следование регуляторным требованиям.

Рекомендации по интеграции FinTech-решений в риск-менеджмент

Для повышения точности оценки риска и минимизации потерь банкам необходимо внедрить следующие FinTech-решения:

1. Продвинутые модели обнаружения мошенничества (Fraud Detection)

Системы Fraud Detection должны использовать ML-алгоритмы, работающие в режиме реального времени, для анализа транзакционных и поведенческих данных.

• Использование поведенческой биометрии: Анализ скорости набора текста, перемещения курсора, геолокации в момент подачи заявки. Аномалии в этих паттернах могут сигнализировать о мошенничестве или действиях третьих лиц.
• Графовые нейронные сети: Построение связей между заемщиками, адресами, телефонами и IP-адресами для выявления мошеннических кластеров (например, оформление кредитов через одну и ту же сеть или с использованием одинаковых наборов украденных данных).
• Интеграция с государственными и БКИ-сервисами: Мгновенная проверка паспортов и СНИЛС на предмет недействительности или утечки.

2. Расширенное использование альтернативных данных (Alternative Data)

Для повышения точности скоринга, особенно для «кредитно-невидимых» групп, необходимо обогащение данных:

• Транзакционный скоринг: Анализ движения средств на счетах (при условии согласия клиента) для более точного определения реального дохода и его стабильности.
• Оценка цифрового следа: Анализ использования телекоммуникационных услуг, данных от операторов фискальных данных (ОФД) и агрегаторов услуг, что позволяет получить более полную картину финансового поведения заемщика.

В рамках IRB-подхода, эти альтернативные данные могут использоваться для калибровки внутренних моделей PD и LGD, обеспечивая более точный расчет ожидаемых потерь и оптимизацию требований к капиталу. Так неужели банки могут позволить себе игнорировать такие мощные инструменты повышения точности?

Прогноз влияния регуляторных мер на снижение системного риска

Введенные Банком России макропруденциальные инструменты (МПЛ, ПДН, «период охлаждения») оказывают прямое воздействие на рынок, принуждая банки к самосовершенствованию и оздоровлению портфеля.

1. Снижение закредитованности и улучшение качества портфеля:
   Ужесточение МПЛ, особенно введение лимитов на ипотеку и автокредиты, ведет к снижению доли высокорисковых заемщиков в общем объеме выдач. Прогнозное снижение портфеля необеспеченных кредитов (до -1%… +2% в 2025 г.) свидетельствует о том, что регулятор успешно «охлаждает» рынок. В долгосрочной перспективе это приведет к снижению уровня просроченной задолженности и повышению стабильности банковской системы.
2. Повышение финансовой дисциплины и информированности:
   «Период охлаждения», вступающий в силу с сентября 2025 года, направлен на снижение импульсивного и мошеннического кредитования. Предоставление заемщику 4 или 48 часов для отказа от кредита, особенно на крупные суммы, способствует более осознанному принятию финансовых решений. Это косвенно снижает риск дефолта, вызванного эмоциональным или мошенническим давлением.
3. Стимулирование технологического развития:
   МПЛ заставляют банки инвестировать в ML/AI-системы, поскольку для соответствия лимитам необходимо максимально точно измерять ПДН каждого заемщика. Банки, обладающие лучшим скорингом, смогут выдавать кредиты тем немногим рисковым клиентам, которые попадают в рамки установленных лимитов, получая конкурентное преимущество. Таким образом, регуляторное давление стимулирует технологическое превосходство в риск-менеджменте.

Выводы и Заключение

Совершенствование практики потребительского кредитования в Российской Федерации в период 2023–2025 годов — это многомерный процесс, обусловленный не только стремлением банков к повышению прибыли, но и жестким макропруденциальным контролем со стороны Банка России.

Основные выводы по работе:

1. Регуляторный императив: Нормативно-правовая база, центрированная вокруг ФЗ № 353-ФЗ, и новые меры ЦБ РФ (ПДН, МПЛ на все виды розничных кредитов, «период охлаждения» 4/48 часов) стали определяющими факторами. Они принудительно трансформировали рынок, ограничив долю рискованных выдач и заставив банки внедрять более точные инструменты оценки.
2. Структурная коррекция рынка: Рынок перешел в фазу контролируемого сжатия (портфель необеспеченных кредитов снизился на 1,6% во II кв. 2025 г.), а фокус выдач критически сместился в сторону кредитных карт (80% выдач), что требует от банков пересмотра стратегий управления риском в этом сегменте.
3. Критическая нерелевантность устаревших методов: Предложения из ВКР 2008–2009 гг., основанные на классических статистических моделях и устаревшем ПО, являются полностью нерелевантными. Они не могут учитывать динамические регуляторные требования (ПДН, МПЛ) и не обладают необходимой точностью для работы в условиях высокой конкуренции и системного риска.
4. Технологическая трансформация: Современное управление кредитным риском невозможно без перехода на Advanced Machine Learning и AI-скоринг. Применение моделей вроде Случайного леса позволяет банкам точно прогнозировать ключевые переменные Базельского комитета (PD, LGD, EL), работать с «кредитно-невидимыми» заемщиками и эффективно бороться с мошенничеством, что подтверждается предотвращением хищений на триллионы рублей.
5. Направления совершенствования: Дальнейшее повышение эффективности кредитования требует полной интеграции FinTech-решений (поведенческая биометрия, графовые нейронные сети) для Fraud Detection и использования альтернативных данных для повышения точности скоринга в рамках IRB-подхода.

Научная и практическая ценность работы заключается в системном анализе актуальной регуляторной базы 2025 года и критическом сопоставлении эволюции методов оценки риска, что позволяет определить эффективные стратегические направления для банковской деятельности в условиях ужесточения макропруденциальной политики.

Список использованной литературы

1. Гражданский кодекс Российской Федерации (часть I) от 30.11.1994 N 51-ФЗ (ред. от 09.02.2009).

   Доступ из справ.-правовой системы «КонсультантПлюс». URL: http://www.consultant.ru (дата обращения: 10.03.2009).

2. Гражданский кодекс Российской Федерации (часть II) от 26.01.1996 N 14-ФЗ (ред. от 09.04.2009).

   Доступ из справ.-правовой системы «КонсультантПлюс». URL: http://www.consultant.ru (дата обращения: 10.05.2009).

3. О банках и банковской деятельности: федер. закон от 02.12.1990 г. N 395-1 ФЗ (ред. от 28.02.2009).

   Доступ из справ.-правовой системы «КонсультантПлюс». URL: http://www.consultant.ru (дата обращения: 10.05.2009).

4. О дополнительных мерах для укрепления стабильности банковской системы в период до 31 декабря 2011 года: федер. закон от 27 октября 2008 г. N 175-ФЗ. Доступ из справ.-правовой системы «КонсультантПлюс». URL: http://www.consultant.ru (дата обращения: 10.05.2009).
5. О порядке расчета и доведения до заемщика полной стоимости кредита: указание ЦБР от 13 мая 2008 г. № 2008-У. Доступ из справ.-правовой системы «КонсультантПлюс». URL: http://www.consultant.ru (дата обращения: 10.05.2009).
6. О Центральном банке Российской Федерации (Банке России): федер. закон от 10 июля 2002 г. N 86-ФЗ (с изм. от 30.12.2008).
7. О потребительском кредите (займе): федер. закон от 21.12.2013 N 353-ФЗ (последняя редакция).

   Доступ из справ.-правовой системы «КонсультантПлюс».

8. Порядок выдачи ООО «Юниаструм Банк» и его филиалами кредитов физическим лицам под залог мерных слитков драгоценных металлов № 717-1-р от 18.07.2006. – 50 с.
9. Правила кредитования физических лиц ОАО «Альфа – Банк» и его филиалами. № 229-3-р от 30.05.2008. – 50 с.
10. Приложение № 9 к Договору о комплексном обслуживание физических лиц в ООО «Юниаструм Банк», утвержденному приказом от 06.02.2009 № 112. 1. – 30 с.
11. Порядок выдачи и обслуживания потребительской карты от 06.02.2008. – 25 с.
12. Агарков М. М. Основы банковского права. Москва: Финансы и статистика, 2007. 364 с.
13. Азрилиян А. Н., Азрилиян О. М., Калашникова Е. В. Большой экономический словарь: 24.8 тыс. терминов. Москва: Институт новой экономики, 2007. 180 с.
14. Андреева Г. И. Скоринг как метод оценки кредитного риска // Банковские технологии. 2005. 365 с.
15. Балахничева Л. Н. Финансы, денежное обращение и кредит. Новосибирск: СибАГС, 2007. 352 с.
16. Жуков Е. Ф. (ред.) Банки и банковские операции: учебник для вузов. Москва: Банки и биржи, ЮНИТИ, 2008. 471 с.
17. Банковские учреждения в развивающихся странах. Москва: Институт экономического развития Всемирного Банка, 2007. Т. 1. 126 с.
18. Бабичева Ю. А. (ред.) Банковское дело. Справочное пособие. Москва: Экономика, 2007. 364 с.
19. Богданкевич О. А. Анализ деятельности банков. Минск: Высшая школа, 2007. 411 с.
20. Жуков Е. Ф. Деньги, кредит, банки, ценные бумаги. Москва: ЮНИТИ-ДАНА, 2007. 310 с.
21. Кабушкин С. Н. Управление банковскими кредитными рисками. Москва: Новое знание, 2007. 270 с.
22. Лаврушин О. И. Банковское дело. Современная система кредитования. Москва: КноРус, 2007. 453 с.
23. Ольшаный А. И. Банковское кредитование: российский и зарубежный опыт. Москва: ЮНИТИ, 2008. 366 с.
24. Севрук В. Т. Банковские риски. Москва: Дело, 2006. 245 с.
25. Севрук И. О., Спицын Я. О. Маркетинг в банке. Москва: Тарнекс, 2007. 242 с.
26. Тосунян Г. А. Банковское дело в России: опыт проблемы, перспективы. Москва: Наука, 2007. 364 с.
27. Дробозина Л. А. (ред.) Финансы. Денежное обращение. Кредит: учебник для вузов. Москва: Финансы, ЮНИТИ, 2007. 479 с.
28. Човушан Э. О. Управление риском и устойчивое развитие: учеб. пос. Москва: РЭА, 2006. 526 с.
29. Ясинская Ю. М. Денежно-кредитная система и банковский контролинг. Минск: БГУ, 2008. 146 с.
30. Антонов А. А. Банк сегодня // Экономика и Бизнес. 2008. № 3. С. 14–18.
31. Банковская система США // Бизнес и право. 2006. № 20. С. 10.
32. Вишняков И. В. Методы и модели оценки кредитоспособности заемщика. СПб.: Издательство СПбУЭФ, 2007. С. 5.
33. Григорьев Л. Г. Современное состояние Российских банков // Бюллетень финансовой информации. 2008. № 6. С. 5–12.
34. Захаров В. С. Коммерческие банки: проблемы и пути развития // Экономика и Бизнес. 2008. № 9. С. 9–13.
35. Коган М. А. Коммерческие банки и предприятия. Расчетные и кредитные взаимоотношения. Выпуск третий. Москва: Центр деловой информации газеты «Экономика и жизнь», 2007. 120 с.
36. Крупнов Ю. С. Банковский потребительский кредит в России // Бизнес и Банки. 2007. № 42–43. С. 5–8.
37. Кушуев А. А. Показатели платежеспособности и ликвидности в оценке кредитоспособности заемщика // Деньги и кредит. 2007. № 12. С. 52–66.
38. Лазарова Л. Б. Ипотечное кредитование в России: Вчера и сегодня // Бизнес и банки. 2008. № 38–39. С. 4–5.
39. Новикова Е. В. Об оценке кредитоспособности заемщиков // Деньги и кредит. 2008. № 10. С. 31–35.
40. Проскурин В. А. Скоринговый метод оценки кредитоспособности частных лиц // Бизнес и банки. 2008. № 30. С. 11.
41. Сажина М. А. Банковскую систему России необходимо совершенствовать // Финансы. 2008. № 7. С. 10–13.
42. Худякова Е. В. Об оценке кредитоспособности заемщиков // Деньги и кредит. 2008. № 10. С. 31–35.
43. Федеральный закон от 21.12.2013 N 353-ФЗ «О потребительском кредите (займе)» (последняя редакция).

    Доступ из справ.-правовой системы «Гарант».

44. ЦБ предложил новые правила для макропруденциальных лимитов. URL: https://x-compliance.ru/tsb-predlozhil-novye-pravila-dlya-makroprudentsialnykh-limitov (дата обращения: 09.10.2025).
45. ЦБ установит макропруденциальные лимиты на выдачу ипотеки заемщикам с ПДН более 80%. URL: https://www.interfax.ru/business/970897 (дата обращения: 09.10.2025).
46. Machine learning в риск-менеджменте: стоимость входа. URL: https://raexpert.ru/researches/risk_management_ml/ (дата обращения: 09.10.2025).
47. СОВРЕМЕННЫЕ ПРОБЛЕМЫ РОССИЙСКОГО РЫНКА ПОТРЕБИТЕЛЬСКОГО КРЕДИТОВАНИЯ. URL: https://cyberleninka.ru/article/n/sovremennye-problemy-rossiyskogo-rynka-potrebitelskogo-kreditovaniya (дата обращения: 09.10.2025).
48. Проблема закредитованности населения России. URL: https://cyberleninka.ru/article/n/problema-zakreditovannosti-naseleniya-rossii (дата обращения: 09.10.2025).
49. По итогам марта 2025 года объем выдач кредитов составил 611 млрд руб. URL: https://frankrg.com/49527 (дата обращения: 09.10.2025).
50. Банк России установил макропруденциальные лимиты по потребительским кредитам. URL: https://arb.ru/b2b/bank_russia/bank_rossii_ustanovil_makroprudentsialnye_limity_po_potrebitelskim_kred-10818292/ (дата обращения: 09.10.2025).
51. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? URL: https://habr.com/ru/companies/banki/articles/691074/ (дата обращения: 09.10.2025).
52. Оценка кредитных рисков с применением методов машинного обучения: магистерская диссертация. URL: https://elar.urfu.ru/bitstream/10995/133544/1/mag_2023_Kondrashov_AA.pdf (дата обращения: 09.10.2025).
53. МАШИННОЕ ОБУЧЕНИЕ ДЛЯ РИСК-МЕНЕДЖМЕНТА В БАНКЕ: ВОЗМОЖНОСТИ И ВЫЗОВЫ. URL: https://cyberleninka.ru/article/n/mashinnoe-obuchenie-dlya-risk-menedzhmenta-v-banke-vozmozhnosti-i-vyzovy (дата обращения: 09.10.2025).
54. Прогноз Банка России по росту потребкредитования на 2024 г. повышен до 7-12%. URL: https://www.interfax.ru/business/972101 (дата обращения: 09.10.2025).
55. Мошенничество в сфере кредитования (Статья 159.1 УК РФ).

    URL: https://la-yurist.ru/stati/moshennichestvo-v-sfere-kreditovaniya-statya-159-1-uk-rf/ (дата обращения: 09.10.2025).

56. Статья 159.1 УК РФ – мошенничество в сфере кредитования. URL: https://searchinform.ru/poleznye-materialy/stati/ugolovnyj-kodeks/st-159-1-uk-rf-moshennichestvo-v-sfere-kreditovaniya/ (дата обращения: 09.10.2025).
57. Макропруденциальные лимиты. URL: https://cbr.ru/faq/mp_limits/ (дата обращения: 09.10.2025).
58. Официальный сайт ООО «Юниаструм банк». URL: http://www.uniastrum.ru/ (дата обращения: 09.10.2025).
59. Официальный сайт Центрального банка РФ. URL: http://www.banki.ru/ (дата обращения: 09.10.2025).