Кредитная политика ПАО ВТБ (2023-2025): Анализ качества портфеля, влияние макропруденциального регулирования и оценка эффективности AI-моделей риск-менеджмента

метки: Кредитный, Портфель, Менеджмент, Внедрение, Заемщик, Дефолт, Розничный, Ставка

Введение: Актуальность, цели и задачи исследования

Современный российский банковский сектор функционирует в условиях беспрецедентной экономической волатильности, обусловленной геополитической напряженностью и жестким циклом денежно-кредитной политики (ДКП).

Высокая ключевая ставка, достигавшая в 2024 году пиковых значений, и последовательное ужесточение макропруденциального регулирования со стороны Центрального банка Российской Федерации (ЦБ РФ) кардинально изменили ландшафт кредитования. В этих условиях способность крупнейших системно значимых банков, таких как ПАО ВТБ, эффективно управлять кредитным риском становится не просто вопросом устойчивости, но и ключевым фактором конкурентоспособности, что безусловно требует глубокого анализа.

Актуальность темы определяется необходимостью критического анализа трансформации кредитной политики ВТБ в ответ на внешние шоки и регуляторные ограничения (в частности, макропруденциальные лимиты, МПЛ).

Особый интерес представляет внедрение передовых технологий риск-менеджмента, таких как модели машинного обучения (ML) и искусственный интеллект (AI), которые призваны повысить точность прогнозирования дефолта, оптимизировать достаточность капитала и, в конечном счете, обеспечить экономическую эффективность кредитного процесса.

Целью настоящего исследования является проведение глубокого анализа современной кредитной политики ПАО ВТБ, оценка качества его кредитного портфеля в период 2023–2025 годов и разработка комплекса научно обоснованных рекомендаций по совершенствованию системы риск-менеджмента с акцентом на количественной оценке эффективности внедрения AI-моделей.

Для достижения поставленной цели сформулированы следующие задачи:

1. Раскрыть теоретические и нормативно-правовые основы управления кредитным риском в РФ, включая методологию формирования резервов согласно Положению ЦБ РФ № 590-П.
2. Проанализировать макроэкономическое влияние ужесточения ДКП и МПЛ на стратегию кредитования ВТБ и динамику распределения рисков в банковском секторе.
3. Оценить структуру и качество кредитного портфеля ПАО ВТБ (корпоративный vs. розничный, NPL ratio) на основе актуальных данных за 2023–2025 гг.
4. Провести сравнительный анализ современных ML-подходов к кредитному скорингу (XGBoost, Survival Analysis) и обосновать их превосходство над классическими моделями.
5. Осуществить количественную оценку экономической эффективности (NPV, IRR) внедрения продвинутых AI-моделей риск-менеджмента, используя актуальные ставки дисконтирования.
6. Разработать конкретные рекомендации для ПАО ВТБ по совершенствованию риск-менеджмента и оптимизации кредитного портфеля.

Научная новизна исследования заключается в комплексном подходе, объединяющем анализ публичной отчетности ВТБ с методологической строгостью оценки эффективности FinTech-решений, включая применение динамических инвестиционных метрик (NPV, IRR) в контексте высокой стоимости капитала (2024–2025 гг.).

Современные аспекты организации, регулирования и риск-менеджмента ...

... организации, регулирования и риск-менеджмента потребительского кредитования в РФ (2023–2025 гг.) и на этой основе сформулировать обоснованные рекомендации по совершенствованию кредитной политики и продуктовой линейки ... взыскания. LGD выражается в процентах от EAD. Экономический смысл: LGD отражает эффективность процедур взыскания долга, юридическую защиту кредитора и качество залогового обеспечения. ...

Теоретико-методологические основы управления кредитным риском в РФ

Управление кредитным риском в российской банковской практике базируется на строгой нормативной базе, разработанной ЦБ РФ, которая требует от кредитных организаций не только стандартизированного подхода к оценке, но и возможности применения продвинутых внутренних моделей. Главный регуляторный вызов состоит в том, чтобы точно оценить потенциальные потери, не допуская избыточного резервирования, которое снижает операционную прибыльность, или недостаточного, которое угрожает финансовой устойчивости.

Нормативно-правовое регулирование кредитного риска и понятие NPL

Ключевым регуляторным документом, определяющим подход к формированию резервов на возможные потери, является Положение Банка России от 28.06.2017 № 590-П (в редакции от 15.03.2023).

Этот документ устанавливает, что резерв (РВПС) должен формироваться исходя из принципа приоритета экономического содержания операции над ее юридической формой.

Центральной метрикой для оценки качества активов является классификация ссуд по категориям качества, которая напрямую определяет минимальный размер резерва:

Категория качества ссуды (Положение № 590-П)	Определение риска	Требуемый размер резерва (РВПС), %
I. Стандартные	Риск отсутствует	0
II. Нестандартные	Умеренный риск	До 3
III. Сомнительные	Значительный риск	Свыше 3 до 20
IV. Проблемные	Высокий риск	Свыше 20 до 50
V. Безнадежные	Вероятность потерь свыше 75%	Свыше 50 (часто 75–100)

Понятие Non-Performing Loan (NPL), или неработающий кредит, в российской статистике ЦБ РФ чаще всего эквивалентно ссудной задолженности, просроченной на 90 и более календарных дней (NPL 90+). Согласно МСФО и международной практике, ссуды, классифицированные как IV и V категории, являются неработающими активами, которые требуют формирования существенных резервов, напрямую влияющих на капитал банка.

Эволюция методов оценки риска: От стандартизированного подхода к ПВР и FinTech

Исторически банки использовали стандартизированный подход, при котором взвешивание активов по риску (для расчета нормативов достаточности капитала) определялось исключительно внешними рейтингами или регуляторными предписаниями. Однако для повышения точности оценки и оптимизации капитала крупнейшие банки переходят на методологию Подхода на основе внутренних рейтингов (ПВР).

ПВР позволяет банку использовать собственные, статистически обоснованные модели для оценки ключевых параметров риска:

1. Вероятность дефолта (Probability of Default, PD).
2. Уровень потерь при дефолте (Loss Given Default, LGD).
3. Кредитный эквивалент (Exposure at Default, EAD).

Внедрение ПВР является критически важным шагом, поскольку оно позволяет ВТБ, как и другим лидерам рынка, рассчитывать регуляторный капитал, необходимый для покрытия кредитного риска, более точно, чем при стандартизированном подходе. Именно методологическая база ПВР открывает двери для интеграции продвинутых технологий FinTech и Data Science, в частности, для создания высокоточных AI/ML-моделей скоринга и управления рисками, которые рассматриваются в следующих главах.

Влияние денежно-кредитной политики и макропруденциального регулирования на банковский сектор

Макроэкономический контекст и ужесточение ДКП (2023-2025)

Период 2023–2025 гг. ознаменовался для российского банковского сектора радикальным ужесточением денежно-кредитной политики, направленным на сдерживание инфляции. Ключевая ставка ЦБ РФ неоднократно повышалась, достигая в пиковые моменты в IV квартале 2024 года уровня 21,00% годовых.

Последствия для банковского сектора:

1. Рост стоимости фондирования: Рост ключевой ставки напрямую привел к удорожанию пассивов. Ставки по рублевым вкладам населения в крупнейших банках достигали в среднем 18,7% в III квартале 2024 года. Это создало давление на чистую процентную маржу (Net Interest Margin, NIM), поскольку стоимость привлечения ресурсов резко возросла.
2. Реализация процентного риска: Банки, имеющие значительный портфель активов с фиксированной доходностью (например, ипотека, выданная до 2023 года), столкнулись с проблемой: их пассивы стали дорогими (высокие ставки по вкладам), а доходы по старым активам, к сожалению, остались низкими.
3. Сдерживание кредитования: Высокая стоимость заемных средств заставила банки значительно поднять ставки по кредитам, что естественным образом охладило спрос, особенно в сегменте необеспеченного потребительского кредитования и ипотеки.

Критический анализ макропруденциальных лимитов и перераспределение рисков

В дополнение к высокой ключевой ставке, ЦБ РФ активно использовал макропруденциальные лимиты (МПЛ) как инструмент прямого ограничения темпов рискованного кредитования. В 2024 году регулятор последовательно ужесточал МПЛ по необеспеченным потребкредитам с высоким Показателем Долговой Нагрузки (ПДН).

Например, с III квартала 2024 года лимит для банков на выдачу кредитов заемщикам с ПДН от 50% до 80% был снижен, а с июля 2024 года были введены надбавки к коэффициентам риска по автокредитам с ПДН более 50%. Разве регулятор не должен был изначально предвидеть эффект, при котором самые рискованные клиенты будут вытеснены в зону наименьшего контроля?

Аналитический вывод (Перераспределение риска):

Ужесточение требований регулятора, направленное на повышение устойчивости банковского сектора, имело побочный эффект — оно «выдавило» наиболее рискованных заемщиков, которые не могут получить кредит в банке из-за МПЛ (ПДН > 80%), в менее регулируемый сегмент микрофинансовых организаций (МФО). И что из этого следует? Следует то, что общее долговое бремя населения не уменьшилось, а просто стало более концентрированным в небанковском секторе, что потенциально создает системные риски для финансовой стабильности в целом.

Показатель качества кредитного портфеля	Необеспеченные потребкредиты (Банки, начало 2025)	Займы (МФО, конец 2024)
Рост портфеля за 2024 год	Замедление/Сокращение	41%
NPL 90+ (Доля просрочки > 90 дней)	8,9%	28,3%

Сравнительный анализ показывает, что, несмотря на ужесточение политики, уровень NPL 90+ по необеспеченным кредитам в банковском секторе оставался на уровне 8,9%, тогда как в сегменте МФО, куда мигрировали самые рискованные клиенты, просрочка почти в три раза выше, достигая 28,3%. Кредитная политика ПАО ВТБ в этот период отражала стремление минимизировать подверженность этим высоким рискам.

Анализ кредитной политики и качества кредитного портфеля ПАО ВТБ (2023-2025 гг.)

Кредитная политика ПАО ВТБ в рассматриваемый период демонстрирует стратегический сдвиг, направленный на сохранение прибыльности и устойчивости в условиях роста стоимости фондирования и регуляторного давления.

Динамика финансовых результатов и стратегический сдвиг в кредитовании

ПАО ВТБ, являясь одним из крупнейших игроков, демонстрирует значительный рост финансовых показателей, несмотря на макроэкономические сложности.

Чистая прибыль Группы ВТБ (МСФО) за 2024 год составила рекордные 551,4 млрд рублей, что обеспечило высокую рентабельность капитала (ROE) на уровне 22,9%. Этот результат был достигнут за счет эффективного управления активами и ростом кредитного портфеля.

Совокупный кредитный портфель Группы ВТБ (до вычета резервов) на конец 2024 года достиг 23,8 трлн рублей, увеличившись за год на 13,2%. Однако анализ структуры портфеля указывает на четкий стратегический фокус:

Сегмент	Объем на конец 2024 года, трлн руб.	Доля в портфеле, %	Динамика 2024	Динамика I кв. 2025
Корпоративные кредиты (ЮЛ)	15,9	~67%	Рост 13,7%	Рост 2,0%
Розничные кредиты (ФЛ)	7,8	~33%	Умеренный рост	Сокращение 2,3%
Итого	23,8	100%	Рост 13,2%	Рост 0,4%

Стратегический сдвиг: Политика ВТБ явно смещена в сторону корпоративного кредитования, которое занимает две трети портфеля и демонстрирует устойчивый рост, особенно в сегменте кредитования среднего и малого бизнеса (рост 17,1% в 2024 году).

В I квартале 2025 года, в условиях пика высокой ключевой ставки, ВТБ проводил политику сдерживания розничного кредитования, что выразилось в сокращении портфеля физических лиц на 2,3%. Это является прямым следствием регуляторного давления (МПЛ) и стремлением снизить подверженность наиболее рисковым сегментам.

Оценка качества кредитного портфеля и стоимости риска

Ключевым индикатором здоровья кредитного портфеля является доля неработающих кредитов (NPL) и стоимость риска (CoR).

Доля NPL: На конец 2024 года доля NPL в совокупном портфеле ВТБ составила 3,5%. Однако в начале 2025 года наблюдалась тенденция к умеренной нормализации, отражающей ухудшение платежеспособности части заемщиков в условиях высокой ставки. К 31 мая 2025 года показатель NPL увеличился до 4,0%.

Это увеличение, хотя и является контролируемым, требует повышенного внимания к резервированию. Сравнительно низкий NPL ratio ВТБ (по сравнению со среднерыночным показателем NPL 90+ в необеспеченной рознице, который составляет 8,9%) свидетельствует о достаточно консервативной и эффективной политике андеррайтинга.

Стоимость риска (Cost of Risk, CoR): CoR отражает расходы банка на формирование резервов относительно среднегодового рабочего актива. За 5 месяцев 2025 года CoR Группы ВТБ составила 0,9%.

CoR = Резервы на возможные потери / Среднегодовой рабочий актив

Увеличение CoR на 30 базисных пунктов по сравнению с аналогичным периодом 2024 года подтверждает, что банк готовится к росту кредитных потерь в условиях замедления экономики и высокого долгового бремени заемщиков. Эффективность системы риск-менеджмента ВТБ, в том числе, оценивается по способности удерживать этот показатель на контролируемом уровне, минимизируя влияние на норматив достаточности совокупного капитала Н20.0 (который на 31 марта 2025 года составлял 8,1% при минимально допустимом значении 7,0%).

Совершенствование риск-менеджмента на основе современных ML-технологий

Традиционные подходы к оценке кредитного риска, основанные на логистической регрессии и экспертных правилах, перестали соответствовать требованиям скорости и точности в условиях высококонкурентного и волатильного рынка. Ответ на этот вызов — интеграция технологий Data Science и AI.

Сравнительный анализ моделей кредитного скоринга (ML vs. Классика)

Классический подход, представленный логистической регрессией, прост, интерпретируем и регуляторно приемлем. Однако он имеет ряд существенных недостатков:

1. Предполагает линейную зависимость между предикторами и вероятностью дефолта (PD).
2. Сложно обрабатывает большие массивы нелинейных и высококоррелированных данных.
3. Ограничен в использовании разнообразных, нефинансовых данных (транзакционные данные, телеком-скоринг).

Современные модели машинного обучения (ML), такие как градиентный бустинг (например, XGBoost) и случайный лес (Random Forest), демонстрируют превосходство в прогнозировании PD:

Характеристика	Логистическая регрессия	Градиентный бустинг (XGBoost)	Преимущество ML
Обработка данных	Линейная зависимость	Нелинейные и сложные зависимости	Значительно выше точность
Источники данных	Ограниченный набор, в основном финансовые	Высокая размерность, включая транзакционные данные и телеком-скоринг	Повышение предиктивной силы
Интерпретируемость	Высокая	Умеренная (требует SHAP-анализа)	Компромисс между точностью и объяснимостью
Точность (AUC)	Умеренная	Высокая (превосходит классику на 10-15%)	Снижение числа ошибок I и II рода

Использование нефинансовых данных, таких как телеком-скоринг (анализ активности абонента, его перемещений и трат), позволяет банкам получать более полную картину о поведенческой стабильности клиента, особенно в сегментах с ограниченной кредитной историей. Как подтверждают исследования ЦБ РФ, каждый рубль, затраченный банком на анализ кредитного отчета (основы скоринга), может уменьшить просроченную задолженность более чем на 200 рублей, что подчеркивает прямую финансовую выгоду от повышения точности скоринга.

Использование Survival Analysis для динамической оценки PD

Одной из наиболее продвинутых методологий в кредитном риск-менеджменте является Анализ Выживаемости (Survival Analysis). В отличие от традиционных моделей, которые прогнозируют бинарный исход («дефолт»/»не-дефолт») на фиксированном горизонте, Survival Analysis позволяет:

1. Динамически оценить PD: Модель предсказывает не только факт дефолта, но и время до наступления дефолта.
2. Учитывать цензурированные данные: Это позволяет корректно обрабатывать данные заемщиков, которые не совершили дефолт, но чья кредитная история была прервана (например, из-за досрочного погашения или продажи портфеля).

Математический аппарат Survival Analysis оперирует функцией выживаемости S(t) и функцией риска λ(t):

λ(t) = f(t) / S(t)

где f(t) — плотность вероятности дефолта во времени t, а S(t) — вероятность «выживания» (отсутствия дефолта) до м��мента t.

Применение этого метода, часто реализуемого через модели пропорциональных рисков Кокса (Cox Proportional Hazards Model) или их ML-расширения, позволяет ВТБ осуществлять более точное и гибкое управление лимитами и резервированием, обеспечивая максимальное соответствие требованиям ПВР.

Экономическая эффективность внедрения AI-моделей и разработка рекомендаций

Самый сложный, но критически важный этап внедрения новых технологий — это количественная оценка их экономической целесообразности. Для банка, работающего с миллиардными потоками, необходимо доказать, что инвестиции в AI-риск-менеджмент окупятся.

Методология оценки инвестиционного проекта (NPV и IRR)

Экономическая эффективность внедрения AI-моделей скоринга оценивается с помощью динамических методов инвестиционного анализа, которые учитывают временную стоимость денег: Чистая Приведенная Стоимость (Net Present Value, NPV) и Внутренняя Норма Доходности (Internal Rate of Return, IRR).

NPV (Чистая Приведенная Стоимость) — это разница между приведенной стоимостью будущих денежных потоков и первоначальными инвестициями.

NPV = Σ [CFt / (1 + r)t] - IC0

где:

• CF_t — чистый денежный поток (Net Cash Flow) в период t, который в данном контексте представляет собой экономический эффект:
  CFt = (Снижение потерь от дефолтов + Дополнительный доход от точных одобрений) - Операционные расходы на модель
• r — ставка дисконтирования (Cost of Capital).
• IC₀ — первоначальные инвестиции (разработка, внедрение, обучение персонала).

IRR (Внутренняя Норма Доходности) — это ставка дисконтирования, при которой NPV проекта равен нулю.

Критически важный аспект (Ставка дисконтирования): В условиях жесткой ДКП (ключевая ставка ЦБ РФ в 2024–2025 гг. находилась в диапазоне 15,00%–21,00%), стоимость привлечения капитала (r) для ВТБ крайне высока. Для консервативной оценки необходимо выбирать ставку дисконтирования, которая превышает безрисковую ставку и отражает требуемую норму доходности.

Если принять ставку дисконтирования на уровне $r = 18,00\%$ (учитывая высокий риск и высокую стоимость фондирования), то проект считается эффективным, только если NPV > 0 и IRR > 18,00%.

Прогнозный расчет экономического эффекта от внедрения AI-скоринга

Используем обобщенные данные и успешный опыт крупнейших игроков (например, эффект от внедрения AI-решений в Сбербанке превысил 1,3 трлн рублей за 2020–2024 гг.) для демонстрации потенциала ВТБ.

Предположим гипотетический проект по внедрению продвинутой ML-модели скоринга для розничного портфеля ВТБ (объем ≈ ₽7,8 трлн).

Гипотетические исходные данные:

• IC₀ (Первоначальные инвестиции в ML-платформу) = 1 500 млн руб.
• Прогнозный срок окупаемости (n) = 3 года.
• Ставка дисконтирования (r) = 18,0% (отражает высокую стоимость капитала 2024/2025 гг.).
• Ожидаемое снижение потерь от дефолтов (за счет повышения точности скоринга) = 0,1% от розничного портфеля в год.
• Розничный портфель = ₽7,8 трлн.
• Операционные расходы на поддержку модели (в год) = 150 млн руб.

Расчет годового экономического эффекта (ЭЭ) CF_t:

1. Снижение кредитных потерь: ₽7,8 трлн × 0,1% = 7 800 млн руб.
2. Чистый денежный поток (CF_t): 7 800 млн руб. – 150 млн руб. = 7 650 млн руб. (в год).

Расчет NPV за 3 года:

NPV = [7 650 / (1 + 0,18)¹] + [7 650 / (1 + 0,18)²] + [7 650 / (1 + 0,18)³] - 1 500

NPV ≈ 6 483 + 5 494 + 4 656 - 1 500

NPV ≈ 15 133 млн руб.

Вывод: Поскольку NPV > 0 (15,133 млрд руб.), проект по внедрению продвинутого AI-скоринга является экономически эффективным даже при высокой ставке дисконтирования. Расчет IRR для данного проекта показывает, что внутренняя норма доходности значительно превышает 18,0%, доказывая высокую целесообразность инвестиций.

Рекомендации по стратегическому управлению кредитным портфелем

На основе проведенного анализа и оценки экономической эффективности предлагаются следующие конкретные рекомендации для ПАО ВТБ по совершенствованию системы риск-менеджмента:

1. Ускоренное внедрение и масштабирование ML-моделей на основе Survival Analysis: ВТБ необходимо перейти от логистической регрессии к моделям градиентного бустинга и Survival Analysis, особенно в сегментах необеспеченного розничного кредитования и кредитования МСБ. Это позволит не только снизить Cost of Risk (CoR) за счет более точного отсева рискованных заемщиков, но и оптимизировать нормативы достаточности капитала (Н1) в рамках ПВР-подхода.
2. Интеграция альтернативных данных (Телеком-скоринг): Для повышения точности оценки PD, особенно для молодых заемщиков и клиентов с тонкой кредитной историей, необходимо расширить использование транзакционных данных и данных операторов связи, как это уже активно практикуется лидерами рынка.
3. Стратегическая ребалансировка портфеля с учетом МПЛ: В условиях сохранения жестких макропруденциальных лимитов, ВТБ следует продолжать фокус на корпоративном кредитовании (особенно в секторах, поддерживаемых государством), но при этом активно развивать менее рискованные ипотечные продукты (где МПЛ мягче) и продукты рефинансирования для консолидации долга, что поможет стабилизировать качество существующего розничного портфеля и снизить общий NPL ratio.
4. Усиление стресс-тестирования процентного риска: Учитывая чувствительность баланса к процентному риску (высокая стоимость фондирования), необходимо регулярно проводить стресс-тестирование, моделируя сценарии длительного сохранения ключевой ставки на уровне 15% и выше, с целью своевременного хеджирования рисков.

Заключение

Проведенный анализ подтверждает, что ПАО ВТБ демонстрирует высокую финансовую устойчивость, достигнув рекордной чистой прибыли в 2024 году (₽551,4 млрд) и сохранив высокий уровень достаточности капитала. Кредитная политика банка в 2023–2025 гг. характеризуется стратегическим сдвигом в сторону консервативного корпоративного кредитования (67% портфеля) и сдерживания розничного сегмента, что является адекватным ответом на жесткое макропруденциальное регулирование ЦБ РФ.

Качество кредитного портфеля ВТБ остается контролируемым, хотя и наблюдается умеренное увеличение NPL (до 4,0% к середине 2025 года) и рост Cost of Risk (до 0,9%), что отражает общую нормализацию рисков в экономике. Была подтверждена рабочая гипотеза о том, что ужесточение МПЛ привело к перераспределению самых высоких рисков в сегмент МФО (NPL 90+ у которых достигает 28,3%), что косвенно подтверждает правильность консервативной стратегии ВТБ в рознице.

Внедрение продвинутых AI/ML-моделей (таких как градиентный бустинг и Survival Analysis) является не просто технологическим трендом, но и прямой экономической необходимостью. Количественный расчет показал, что при высокой стоимости капитала (ставке дисконтирования 18,0%) проект по внедрению AI-скоринга для розничного портфеля обеспечивает значительный положительный эффект (NPV ≈ 15,133 млрд руб.), что доказывает целесообразность инвестирования в FinTech-решения для оптимизации риск-менеджмента и повышения конкурентоспособности ПАО ВТБ.

Список использованной литературы

1. Официальный сайт ВТБ 24(ЗАО).

   URL: http://www.vtb24.ru (дата обращения: 08.10.2025).

2. Годовой отчет банка ВТБ 24 (ЗАО) за 2007 год, Годовой отчет банка ВТБ 24 (ЗАО) за 2008 год, Годовой отчет банка ВТБ 24 (ЗАО) за 2009 год.
3. Еремина Н. Банки заманивают вкладчиков и отваживают заемщиков. URL: http://www.gazeta.ru/financial/2008/10/08/2851648.shtml (дата обращения: 08.10.2025).
4. Бычков В.П., Бердышев А.В. О банковских резервах // Банковское дело. 2008. № 4. С. 25.
5. Жуков Е.Ф. Деньги. Кредит. Банки: учебник для вузов / под ред. Е.Ф. Жукова. М.: ЮНИТИ-ДАНА, 2008. С. 115.
6. Моисеев Б.С. О методике стресс-тестирования банка // Деньги и кредит. 2008. №9. С. 35.
7. Бакунц А.Б., Макаев А.М. Современные технологии на рынке розничных банковских услуг: опыт Сбербанка России // Расчеты и операционная работа в коммерческом банке. 2008. № 4. С. 28.
8. Горшков Г. Потребительское кредитование. Тенденции и практика // Банковское дело в Москве. 2008. № 1. С. 29.
9. Калугин С.П. Банковский сектор и малый бизнес в регионе // Деньги и кредит. 2008. №9. С. 20.
10. ВТБ сообщает о финансовых итогах 2023 года // tbank.ru. (дата обращения: 08.10.2025).
11. ВТБ отчитался о рекордной чистой прибыли за 2024 год // forbes.ru. (дата обращения: 08.10.2025).
12. Группа ВТБ объявляет финансовые результаты по МСФО за первый квартал 2025 года // asros.ru. (дата обращения: 08.10.2025).
13. Отчет ВТБ за 5 месяцев 2025. Слабый рост прибыли // bcs-express.ru. (дата обращения: 08.10.2025).
14. 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, по ссудной и приравненной к ней задолженности». Доступ из справ.-правовой системы «КонсультантПлюс». (дата обращения: 08.10.2025).
15. Применение методов искусственного интеллекта в системе риск-менеджмента банка: Текст научной статьи // cyberleninka.ru. (дата обращения: 08.10.2025).
16. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ФИНАНСОВОМ РЫНКЕ. Банк России. (дата обращения: 08.10.2025).
17. Оценка кредитных рисков с применением методов машинного обучения // urfu.ru. (дата обращения: 08.10.2025).
18. Предсказание кредитных рисков с помощью машинного обучения // urfu.ru. (дата обращения: 08.10.2025).
19. Совершенствование моделей оценки банковских рисков кредитования с применением технологий искусственного интеллекта: диссертация. dissercat.com. (дата обращения: 08.10.2025).
20. Инвестиционные показатели NPV и IRR в Excel // finalytics.pro. (дата обращения: 08.10.2025).
21. Рассчитываем финансовые метрики на примерах: NPV, IRR, PV, XIRR // Главбух. (дата обращения: 08.10.2025).
22. Оценка эффективности инвестиционного проекта с помощью NPV и IRR // fd.ru. (дата обращения: 08.10.2025).
23. Особенности критериев оценки экономической эффективности // hse.ru. (дата обращения: 08.10.2025).
24. Банковский прогноз 2024 // ratings.ru. (дата обращения: 08.10.2025).
25. Рынок банковских услуг в России: итоги 2023 и прогнозы // frankrg.com. (дата обращения: 08.10.2025).
26. Банковский сектор // Банк России. (дата обращения: 08.10.2025).