Управление кредитным риском в коммерческих банках Российской Федерации: комплексный анализ нормативно-правовой базы, AI-технологий и актуальных тенденций (2023–2025 гг.)

метки: Кредитный, Модель, Сегмент, Особенно, Условие, Требовать, Данные, Положение

Введение: Актуальность проблемы и структура исследования

Кредитный риск, по единодушному мнению большинства ведущих экономистов и риск-менеджеров, является не просто одним из рисков, присущих банковской деятельности, но ее системообразующим и крупнейшим элементом, напрямую определяющим финансовую устойчивость и доходность коммерческого банка. Насколько же значим этот риск на практике? Если рассматривать последние данные, то даже в условиях жесткого регулирования, в апреле 2025 года доля проблемных ссуд (IV–V категорий качества) в банковском секторе РФ составляла 3,4%. Эта цифра, казалось бы, невелика, но она скрывает колоссальный объем потенциальных потерь, который в условиях геополитической турбулентности, цифровизации и макроэкономической волатильности требует от кредитных организаций принципиально новых подходов к управлению.

Актуальность настоящего исследования определяется тремя ключевыми факторами:

1. Динамикой нормативного регулирования: Банк России в 2023–2025 гг. радикально изменил подходы к риск-менеджменту, внедрив макропруденциальные лимиты (МПЛ) и ужесточив требования к резервированию, включая специфические требования по невозмещаемым заблокированным активам (НЗА).
2. Технологической трансформацией: Массовое внедрение Big Data, искусственного интеллекта (AI) и машинного обучения (ML) в скоринг требует глубокого анализа их эффективности и перспектив, ведь эти технологии обещают качественно иной уровень управления риском.
3. Стратегическим переходом: Установлен обязательный срок для перехода системно значимых кредитных организаций (СЗКО) на продвинутый подход на основе внутренних рейтингов (ПВР), что кардинально меняет методологию оценки кредитного риска.

Цель работы — провести исчерпывающий анализ современной сущности, классификации и методов управления кредитным риском в РФ, акцентируя внимание на действующих нормативных актах и передовых цифровых технологиях.

Экономическая сущность и теоретические основы кредитного риска

Кредитный риск (Credit Risk) традиционно определяется как риск того, что заемщик или контрагент не выполнит свои обязательства в полном объеме и в установленные сроки, что приведет к финансовым потерям для кредитора. Однако в современной академической и регуляторной практике это определение существенно расширено; оно охватывает не только риск невозврата основной суммы и процентов по ссуде (риск дефолта), но и два не менее важных аспекта, которые часто упускаются из виду.

Анализ и оценка эффективности реального инвестирования: методологические ...

... признанных академических подходах и адаптированной к современным экономическим условиям Российской Федерации, с последующим практическим применением ... января 2025 года основная ставка налога на прибыль организаций для большинства налогоплательщиков увеличивается и составляет $mathbf ... дисконтированных методов, учитывающих временной фактор и риск. При этом, каждый инвестиционный проект должен ...

1. Риск просрочки платежей: Даже временное несоблюдение графика платежей увеличивает операционные расходы и снижает ликвидность банка.
2. Риск качества обеспечения: Снижение рыночной стоимости залога или неликвидность обеспечения в случае дефолта приводит к тому, что ожидаемые потери банка превышают расчетные.
3. Риск контрагента: Возникает в торговых операциях, операциях с ценными бумагами и деривативами, где сторона сделки может не исполнить свои обязательства до завершения расчетов.

Кредитный риск присутствует не только в активных операциях (кредиты), но и во внебалансовых обязательствах, таких как предоставленные гарантии, аккредитивы и акцепты, что подчеркивает его всеобъемлющий характер. В условиях геополитической нестабильности, когда часть активов российских банков оказалась заблокирована за рубежом, кредитный риск приобрел качественно новый, макроэкономический оттенок, требующий отдельного регуляторного подхода.

Классификация ссудной задолженности и резервирование (Положение № 590-П)

Основой управления кредитным риском в России является система классификации ссудной задолженности, установленная Банком России. Доминирующим нормативным актом в этой сфере выступает Положение Банка России № 590-П от 28.06.2017 г. (с последующими изменениями), которое устанавливает правила формирования резервов на возможные потери (РВПС) по ссудам и приравненной к ним задолженности.

Классификация осуществляется на основе комплексной оценки, которая включает:

• Финансовое положение заемщика: Анализ его платежеспособности, ликвидности и финансовой устойчивости.
• Качество обслуживания долга: Своевременность и полнота погашения.
• Качество обеспечения: Наличие и ликвидность залога.

На основании этих критериев кредитная организация, используя профессиональное суждение, относит ссуду к одной из пяти категорий качества:

Категория качества (Положение № 590-П)	Определение	Размер расчетного резерва
I. Стандартные (Standard)	Отсутствие кредитного риска (высокое финансовое положение, своевременное обслуживание).	0%
II. Нестандартные (Substandard)	Умеренный риск (имеется незначительное ухудшение финансового положения или нарушения в обслуживании).	1% – 20%
III. Сомнительные (Doubtful)	Значительный риск (финансовое положение ухудшилось, есть существенные просрочки, угроза невозврата).	21% – 50%
IV. Проблемные (Watchlist)	Высокий риск (критическое финансовое положение, высокая вероятность потерь).	51% – 99%
V. Безнадежные (Loss)	Дефолт заемщика или фактическая невозможность взыскания задолженности.	100%

Система резервирования, закрепленная в 590-П, является ключевым микропруденциальным инструментом, поскольку она напрямую влияет на достаточность капитала банка, стимулируя кредиторов к тщательному отбору заемщиков и оперативному списанию безнадежных долгов.

Количественные модели оценки кредитного риска (PD, LGD, EAD)

Современное управление риском, особенно в системно значимых кредитных организациях (СЗКО), базируется на количественных моделях, которые соответствуют требованиям международных стандартов Базель II/III и МСФО-9 (International Financial Reporting Standard 9).

Эти модели позволяют точно рассчитать ожидаемые кредитные потери (EL — Expected Loss).

Формула ожидаемых потерь выглядит следующим образом:

EL = PD × LGD × EAD

Где:

1. PD (Probability of Default) — Вероятность дефолта.
   PD — это оценка вероятности того, что заемщик выйдет на дефолт в течение определенного горизонта времени (как правило, одного года).

   Модели PD являются наиболее проработанными, поскольку основываются на исторической статистике дефолтов, финансовом анализе, кредитной истории и, все чаще, на поведенческих данных (скоринговые модели).

   Внедрение точных моделей PD позволяет банку формировать более гибкие и справедливые ставки, а также эффективно распределять капитал.

2. LGD (Loss Given Default) — Потери при дефолте.
   LGD отражает долю потерь банка, которые он понесет в случае наступления дефолта, после реализации всех процедур взыскания и продажи обеспечения.

LGD = 1 – RR

Где RR (Recovery Rate) — коэффициент возврата. Модели LGD являются одними из самых сложных для построения, поскольку требуют длительной статистики по взысканиям, затрат на судебные процедуры и динамики рыночной стоимости залогов. Часто для сегмента среднего бизнеса или новых продуктов российским банкам не хватает данных для точного расчета LGD, что требует от риск-менеджеров использования консервативных подходов.

3. EAD (Exposure at Default) — Сумма под риском на момент дефолта.
   EAD представляет собой ожидаемую величину требований банка к заемщику на момент, когда произойдет дефолт. Для простых ссуд EAD может быть равно остатку долга, но для кредитных линий, овердрафтов и внебалансовых обязательств EAD требует сложного прогнозирования использования лимита заемщиком.

Использование этих метрик позволяет перейти от стандартного (нормативного) резервирования к внутреннему рейтинговому подходу (ПВР), что является стратегической целью российского регулятора.

Нормативно-правовое регулирование кредитного риска Банком России (2023-2025 гг.)

Период 2023–2025 гг. характеризуется активным вмешательством Банка России в управление кредитным риском, особенно в сегменте розничного кредитования. Регулятор использует как микропруденциальные инструменты (требования к капиталу и резервам), так и мощные макропруденциальные инструменты, направленные на сдерживание системных рисков.

Макропруденциальные лимиты (МПЛ) и надбавки (ПДН/ПСК)

Макропруденциальные лимиты (МПЛ) и надбавки к коэффициентам риска стали ключевым инструментом для охлаждения высокорискованного сегмента необеспеченного потребительского кредитования.

ЦБ РФ использует матричный подход, дифференцируя надбавки по двум основным факторам:

1. Показатель Долговой Нагрузки (ПДН): Соотношение ежемесячных платежей заемщика по всем кредитам к его среднемесячному доходу.
2. Полная Стоимость Кредита (ПСК): Общая стоимость кредита, выраженная в процентах годовых.

Это позволяет точечно регулировать наиболее рискованные выдачи. Например, по кредитам, выданным заемщикам с ПДН свыше 80%, применяются максимальные надбавки, что резко увеличивает нагрузку на капитал банка, делая такие выдачи экономически невыгодными.

Пример ужесточения МПЛ: В целях снижения доли высокорискованных займов, ЦБ РФ последовательно ужесточал МПЛ. К IV кварталу 2024 года допустимый объем выдачи кредитов заемщикам с высокой долговой нагрузкой (ПДН от 50% до 80%) был снижен с 20% до 15% от общего объема выдач. Такое ужесточение направлено на сдерживание роста долговой нагрузки населения, особенно в условиях высокой инфляции и экономической неопределенности, и является прямой реакцией на рост стоимости кредитного риска в розничном сегменте.

Особенности резервирования по невозмещаемым заблокированным активам (НЗА)

Серьезным вызовом для банковской системы РФ стало возникновение невозмещаемых заблокированных активов (НЗА) после введения санкций. Эти активы, несмотря на свою юридическую принадлежность банку, не могут быть реализованы или возвращены в обозримой перспективе.

Банк России отреагировал на этот риск специальным регуляторным решением. В соответствии с Решением Совета директоров Банка России от 22 января 2025 года, НЗА классифицируются в V (безнадежную) категорию качества согласно Положениям № 590-П и № 611-П. Ключевая особенность: регулятор предоставил банкам послабление в части формирования резервов по НЗА, разрешив формировать их в размере менее 100%, но не менее 20% от расчетной базы резерва. Эта мера носит поддерживающий характер и позволяет банкам избежать немедленного значительного давления на капитал, признавая при этом существенный риск потери. Однако отнесение НЗА к V категории подчеркивает их фактическую безнадежность с точки зрения ликвидности.

Стратегия перехода на подход на основе внутренних рейтингов (ПВР)

Стратегическим направлением развития банковского регулирования является переход на подход на основе внутренних рейтингов (ПВР или IRB — Internal Ratings Based).

Этот подход, предусмотренный стандартами Базеля III, позволяет банкам, доказавшим высокий уровень внутренней компетенции, использовать собственные модели PD, LGD и EAD для расчета величины кредитного риска и, соответственно, требований к капиталу. Разве не это является ключом к более точному и справедливому ценообразованию кредитных продуктов?

Преимущества ПВР:

• Снижение регуляторной нагрузки: Банки с более точными моделями могут держать меньше капитала под менее рискованные активы.
• Улучшение управления: Внутренние модели позволяют более тонко настраивать ценовую политику и принимать решения о выдаче кредитов.
• Повышение точности оценки: Собственные модели учитывают специфику российского рынка и конкретного кредитного портфеля.

Банк России установил обязательный срок для перехода всех системно значимых кредитных организаций (СЗКО) на применение ПВР-подхода в регуляторных целях — 1 января 2030 года. На 2025 год переход остается добровольным, однако уже четыре из 13 СЗКО получили соответствующее разрешение, что свидетельствует о необратимости этого процесса. Переход на ПВР требует колоссальных инвестиций в IT-инфраструктуру, данные и высококвалифицированных риск-аналитиков.

Современные методы оценки, классификация и использование PD/LGD/EAD моделей

Внедрение количественных моделей PD/LGD/EAD — это не просто дань международным стандартам, а фундаментальный сдвиг в сторону проактивного и data-driven риск-менеджмента.

Оценка вероятности дефолта (PD)

Модели PD являются краеугольным камнем количественной оценки риска. Их задача — классифицировать заемщиков на шкале риска, присваивая им внутренний рейтинг, который транслируется в годовую вероятность дефолта.

Методология построения PD-моделей:

1. Статистические модели: Используют логистическую регрессию, дискриминантный анализ и анализ выживаемости (survival analysis) для выявления факторов, наиболее тесно связанных с дефолтом.
2. Поведенческий скоринг: Для оценки существующих клиентов используются данные об их транзакциях, частоте использования продуктов и истории обслуживания долга.
3. Машинное обучение (ML): Современные банки активно применяют нейронные сети, градиентный бустинг (например, XGBoost, LightGBM) и случайные леса, которые способны обнаруживать нелинейные зависимости в массивах Big Data, значительно повышая точность прогнозирования дефолта.

Практический вывод: Модели PD, разработанные на базе Big Data, способны прогнозировать вероятность выхода заемщика на просрочку более 90 дней с точностью, которая значительно превышает традиционные статистические методы, что позволяет банкам снижать фактические потери на этапе отбора.

Сложности в моделировании LGD и EAD

В то время как модели PD относительно стандартизированы, построение точных моделей LGD и EAD сопряжено с рядом практических сложностей, особенно в российской практике:

• Длина цикла взыскания (LGD): Расчет LGD требует не только информации о стоимости залога, но и учета длительности судебных процессов и расходов на взыскание, которые могут занимать несколько лет, что затрудняет сбор полной и однородной исторической выборки.
• Недостаток данных (LGD/EAD): Для многих нерозничных сегментов (например, МСП) количество дефолтов относительно невелико, а данные по фактическим убыткам и сумме под риском на момент дефолта (EAD) разрознены. Это вынуждает банки использовать регуляторные допущения или применять косвенные методы, что снижает точность конечного прогноза.
• Волатильность рынка: В условиях высокой волатильности (как это было в 2022–2024 гг.) рыночная стоимость обеспечения может резко меняться, что требует постоянной перекалибровки LGD-моделей.

Несмотря на сложности, ведущие российские банки и рейтинговые агентства (например, АКРА) активно работают над валидацией и сопровождением этих моделей, что является необходимым условием для перехода на ПВР.

Цифровые технологии (AI/ML, Big Data) как инструмент управления риском

Цифровизация стала мощным катализатором трансформации управления кредитным риском. Применение искусственного интеллекта и машинного обучения перешло из стадии эксперимента в стандартную практику, особенно в розничном сегменте.

Интеграция AI/ML в кредитный скоринг и антифрод-системы

Российский финансовый сектор демонстрирует один из самых высоких в мире уровней проникновения технологий ИИ/МЛ. По оценкам экспертов, уровень проникновения AI/ML в отечественные финансовые компании составляет более 95%.

Применение Big Data и нейросетей:

Ключевое преимущество AI/ML-алгоритмов заключается в их способности обрабатывать огромные объемы неструктурированных данных (Big Data), включая информацию из социальных сетей, историю покупок, геолокацию и паттерны поведения в мобильном банке.

Влияние на скоринг:

• Скорость принятия решений: ИИ позволяет автоматизировать принятие решений по кредитным заявкам, сокращая время рассмотрения с нескольких дней до считанных минут (автоматический скоринг).
• Повышение точности: Использование нейронных сетей и алгоритмов глубинного обучения позволяет выявлять скрытые взаимосвязи и микро-признаки, которые недоступны традиционным скоринговым картам. Это привело к значительному повышению точности прогнозирования выхода на просрочку свыше 90 дней (NPL > 90).

  По оценкам Ассоциации российских банков (АРБ), в отдельных случаях ИИ-модели сократили необходимость в ручном анализе и звонках до одобрения в два раза.

• Антифрод: ML-модели эффективно используются для обнаружения аномалий и мошеннических схем (например, подача заявок с использованием фальшивых или украденных данных), поскольку способны обучаться на паттернах недобросовестного поведения.

Перспективные направления: Федеративное обучение и динамические модели

Современные адаптивные алгоритмы позволяют динамически реагировать на макроэкономические шоки. Например, в периоды кризисов или введения санкций, когда классические статистические модели устаревают, нейросети могут быстрее переобучаться на новых данных, сохраняя высокую прогностическую силу.

Федеративное обучение:

Банк России в своих докладах (2023 г.) обозначил федеративное обучение (Federated Learning) как потенциальный вектор развития ИИ на финансовом рынке. Суть федеративного обучения заключается в том, что модели ИИ обучаются на локальных наборах данных каждого банка, но делятся друг с другом только результатами обучения (обновлениями весов), а не конфиденциальными данными клиентов. Это позволяет повысить точность скоринговых моделей, используя коллективный опыт банковского сектора, но без нарушения коммерческой тайны и требований регулятора о защите персональных данных.

Внедрение таких сложных технологий является прямым путем к реализации продвинутого подхода ПВР, поскольку они обеспечивают необходимый уровень точности и адаптивности для регуляторных моделей.

Актуальные тенденции и проблемы управления кредитным риском (2023-2025 гг.)

Период 2023–2025 гг. характеризуется нарастающим давлением на качество кредитного портфеля, что требует от банков и регулятора применения новых, более тонких инструментов управления.

Анализ качества кредитного портфеля в розничном и корпоративном сегментах

Розничный сегмент:

Несмотря на усилия ЦБ РФ по сдерживанию, в розничном сегменте наблюдается рост кредитного риска. Во II квартале 2024 года стоимость кредитного риска (отношение резервов к среднему объему кредитного портфеля) превысила среднеисторический уровень (~2%), достигнув отметки 2,4 п.п.

Основная причина этого роста — «вызревание» кредитов, выданных высокорискованным заемщикам (с ПДН > 80%) в конце 2023 – начале 2024 года, до того как макропруденциальные лимиты начали действовать в полную силу. Во II квартале 2024 года доля выдач с ПДН свыше 80% составляла 12%, что остается предметом особого внимания ЦБ РФ.

Корпоративный сегмент (МСП):

Ухудшение кредитного качества особенно заметно в сегменте малого и среднего предпринимательства (МСП), в частности, микропредприятий. Доля кредитов, отнесенных к IV–V категориям качества (проблемные и безнадежные), выросла с 5,9% на конец 2024 года до 6,5% к апрелю 2025 года. Это обусловлено сохраняющимся инфляционным давлением, ростом издержек и трудностями в логистике, что негативно сказывается на финансовой устойчивости малых предприятий. Таким образом, регулятору необходимо искать новые инструменты поддержки МСП, не снижая требований к риск-менеджменту.

Инструменты снижения и распределения кредитного риска (Секьюритизация и Синдицирование)

В условиях ограниченного доступа российских банков к внешним рынкам капитала и инструментов перестрахования, механизмы распределения риска внутри страны приобретают стратегическое значение.

1. Секьюритизация кредитных требований:
   Этот механизм позволяет банку-оригинатору перевести часть кредитного риска на инвесторов путем выпуска ценных бумаг, обеспеченных пулом кредитов (например, ипотечных или автокредитов).

   Секьюритизация осуществляется через специализированные финансовые общества (СФО).

   Банк России активно поддерживает развитие этого рынка. Например, агентство АКРА присваивает высокие рейтинги выпускам облигаций, обеспеченных кредитным портфелем СФО, что свидетельствует о надежности механизма. Секьюритизация позволяет банку высвободить капитал, снизить концентрацию риска и улучшить показатели ликвидности.

2. Синдицирование кредитов:
   Синдицирование — это форма совместного кредитования, при которой крупный кредит предоставляется заемщику несколькими банками (синдикатом).

   Это позволяет распределить риск дефолта между участниками, особенно при финансировании масштабных корпоративных проектов.

Регулирование процентного риска: ограничения плавающих ставок

В 2024–2025 гг. наблюдался значительный рост доли кредитов с плавающими процентными ставками (до 65% в 2025 году), особенно в корпоративном сегменте. Для банков это выгодно, так как переносит процентный риск (риск роста стоимости фондирования) на заемщика. Однако бесконтрольное применение плавающих ставок в розничном сегменте создает социальный и системный кредитный риск, поскольку резкий рост ставки может привести к массовому дефолту заемщиков.

В ответ на этот риск, в 2024 году был принят закон, который ограничивает использование плавающих ставок в потребительском кредитовании:

• Запрет по срокам: Плавающие ставки запрещены для розничных кредитов (включая ипотеку) сроком менее одного года и более 20 лет.
• Запрет по сумме: Плавающая ставка также запрещена для ипотечных и потребительских кредитов, сумма которых не превышает установленного законодательством лимита (1000 среднемесячных заработных плат).

Это регулирование призвано защитить наиболее уязвимых розничных заемщиков от непредвиденного роста долговой нагрузки, тем самым снижая потенциальный системный кредитный риск для всего банковского сектора.

Заключение и перспективы развития

Проведенный анализ подтверждает, что управление кредитным риском в коммерческих банках Российской Федерации в 2023–2025 гг. находится на этапе глубокой трансформации, обусловленной сочетанием ужесточения регуляторных требований и стремительным внедрением цифровых технологий.

Ключевые выводы исследования:

1. Регулятор как стратегический драйвер: Банк России, используя матрицу ПДН/ПСК и макропруденциальные лимиты, перешел от общего контроля к точечному, сдерживая системные риски в розничном сегменте. Критически важным изменением стало регулирование НЗА (невозмещаемых заблокированных активов), требующее формирования минимального резерва в 20%.
2. Стратегическое значение ПВР: Установленный срок обязательного перехода СЗКО на подход на основе внутренних рейтингов (ПВР) к 1 января 2030 года делает развитие моделей PD/LGD/EAD приоритетом для всего банковского сектора.
3. Цифровая трансформация риска: ИИ/МЛ-технологии, демонстрирующие проникновение в сектор свыше 95%, не только повышают точность скоринга и сокращают операционное время, но и позволяют моделям динамично адаптироваться к макроэкономическим шокам.
4. Смещенный фокус риска: При сохранении относительно стабильной доли NPL, наблюдается рост стоимости кредитного риска в рознице (до 2,4 п.п.) и ухудшение качества портфеля МСП (рост IV-V категорий до 6,5%).
5. Новые инструменты минимизации: Внутренние механизмы, такие как секьюритизация через СФО и синдицирование, становятся ключевыми для распределения и снижения концентрации риска в условиях изоляции от внешних рынков.

Перспективы развития управления кредитным риском:

1. Дальнейшее ужесточение МПЛ: Вероятно продолжение политики регулятора по снижению доли высокорискованных кредитов (ПДН > 80%) через дальнейшее сокращение МПЛ.
2. Развитие экосистемы ПВР: В ближайшие годы ключевым направлением будет разработка и валидация моделей LGD и EAD, которые до сих пор остаются наименее проработанными.
3. Внедрение федеративного скоринга: Концепция федеративного обучения, отмеченная ЦБ РФ, может стать основой для создания общеотраслевых, но децентрализованных моделей оценки риска, что повысит точность скоринга при сохранении конфиденциальности данных.
4. Комплексное управление процентным риском: После введения ограничений на плавающие ставки, банки будут искать новые, регуляторно допустимые способы управления процентным риском, не перекладывая его полностью на розничного заемщика.

В целом, российская банковская система демонстрирует готовность к внедрению передовых методологий и технологий в управлении кредитным риском, что является необходимым условием для сохранения финансовой стабильности и устойчивого кредитования экономики.

Список использованной литературы

1. Белоглазова Г.Н., Кроливецкая Л.П. Банковское дело: учебник. М.: Финансы и статистика, 2005. 592 с.
2. Габеева М. Как в капле воды. Проблемы и перспективы развития банковской системы региона // Банковское дело. 2005. № 8. 128 с.
3. Ермаков С.Л. Работа коммерческого банка по кредитованию заемщиков: методические рекомендации. М.: Алес, 2002. С. 35-36.
4. Коробова Г.Г. Банковское дело: учебник. М.: Экономистъ, 2004. 751 с.
5. Кредитные риски коммерческого банка и организация управления рисками [Электронный ресурс] // CyberLeninka. URL: https://cyberleninka.ru/article/n/kreditnye-riski-kommercheskogo-banka-i-organizatsiya-upravleniya-riskami (дата обращения: 08.10.2025).
6. Лаврушина О.И. Деньги, кредит, банки: учебник. М.: Финансы и статистика, 2004. 22 с.
7. Модели вероятности дефолта: практические аспекты разработки и подводные камни [Электронный ресурс] // Habr. URL: https://habr.com/ru/articles/803029/ (дата обращения: 08.10.2025).
8. Модель вероятности дефолта (PD) для оценки прогнозируемого кредитного риска: оперативный обзор. Банк России. Департамент финансовой стабильности. 2021. № 38. [Электронный ресурс]. URL: https://www.cbr.ru/eng/Content/Document/File/122097/op_2021-38.pdf (дата обращения: 08.10.2025).
9. О формировании резервов по отдельным ссудам, требованиям и условным обязательствам кредитного характера (вместе с Приложением №1) [Электронный ресурс]. URL: https://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=EXP&n=863032 (дата обращения: 08.10.2025).
10. Основные направления развития финансового рынка Российской Федерации на 2025 год и период 2026 и 2027 годов [Электронный ресурс]. URL: https://base.garant.ru/408821033/ (дата обращения: 08.10.2025).
11. Перспективные направления развития банковского регулирования и надзора: текущий статус и новые задачи. Банк России. 2025. [Электронный ресурс]. URL: https://cbr.ru/Collection/Collection/File/47352/250825_perspectives.pdf (дата обращения: 08.10.2025).
12. Пещанская И.В. Организация деятельности коммерческого банка. М.: ИНФРА-М, 2001. 320 с.
13. Положение Банка России от 28.06.2017 N 590-П (ред. от 15.03.2023) «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной задолженности и приравненной к ней задолженности» [Электронный ресурс] // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_220295/ (дата обращения: 08.10.2025).
14. Применение ИИ в банках: как применяется искусственный интеллект в финансовой сфере [Электронный ресурс] // Beeline Business. URL: https://beeline.ru/business/bdata/analytics/articles/primenenie-ii-v-bankah-kak-primenyaetsya-iskusstvennyy-intellekt-v-finansovoy-sfere/ (дата обращения: 08.10.2025).
15. Применение искусственного интеллекта — сферы использования и технологии Сбера AI [Электронный ресурс] // Sber Developers. URL: https://developers.sber.ru/portal/catalog/article/primenenie-iskusstvennogo-intellekta-sfery-ispolzovaniya-i-tehnologii-sbera-ai (дата обращения: 08.10.2025).
16. Российский рынок цифровизации банков. Обзор TAdviser 2025 [Электронный ресурс] // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Российский_рынок_цифровизации_банков._Обзор_TAdviser_2025 (дата обращения: 08.10.2025).
17. Севрук В.Т. Банковские риски. М.: Дело ЛТД, 2006. 95 с.
18. Секьюритизация: теория, международные практики и условия применения в России: Аналитическая записка. Банк России. Департамент финансовой стабильности. 2022. [Электронный ресурс]. URL: https://www.cbr.ru/Content/Document/File/141044/analytical_note_20220616_r.pdf (дата обращения: 08.10.2025).
19. Соколинская Н.Э. Кредитные риски в российском банковском секторе: факторы и менеджмент // Банковские услуги. 2006. № 5. С. 2-28.
20. Текущие технологии и методы кредитного скоринга в ПАО «Сбербанк» [Электронный ресурс] // Kampus.ai. URL: https://kampus.ai/referat/tekushie-tehnologii-i-metody-kreditnogo-skoringa-v-pao-sberbank (дата обращения: 08.10.2025).
21. Указание ЦБ РФ от 17.04.2025 N 7046-У «О внесении изменений в Положение Банка России от 28.06.2017 N 590-П» [Электронный ресурс] // Контур. Норматив. URL: https://normativ.kontur.ru/document?moduleId=1&documentId=477209 (дата обращения: 08.10.2025).
22. ЦБ: риски по кредитам физлиц превысили среднеисторический уровень [Электронный ресурс] // Банки.ру. URL: https://www.banki.ru/news/lenta/?id=11099197 (дата обращения: 08.10.2025).
23. РЕГУЛИРОВАНИЕ БАНКОВСКИХ РИСКОВ В УСЛОВИЯХ НЕСТАБИЛЬНОСТИ РОССИЙСКОЙ ЭКОНОМИКИ [Электронный ресурс] // Core.ac.uk. URL: https://core.ac.uk/download/pdf/308691880.pdf (дата обращения: 08.10.2025).