доктор экономических наук;
doctor of economic sciences;
Доля потерь банка в случае реализации дефолта заемщика – это безусловно критически важный показатель, без точного прогнозирования которого невозможно корректно оценить уровень кредитного риска, адекватно сформировать резервы под ожидаемые кредитные убытки и рассчитать достаточный объем капитала, необходимого для защиты финансовой устойчивости учреждения от непредвиденных потерь, связанных с невозвратом кредитов. Этот показатель, известный как Loss Given Default (LGD), в частности отражает долю невозвращённого долга относительно его суммы и напрямую влияет на уровень резервирования, нормативные требования и стратегическое планирование банковской деятельности. Прогнозирование доли потерь при дефолте однозначно требует учета ряда специфических свойств данных, таких как мультимодальность и асимметричность распределения, ограничение значений интервалом от 0% до 100%+, нелинейность влияния объясняющих факторов. В статье проанализированы исследования, посвящённые моделированию доли потерь в случае дефолта в рамках оценки кредитного риска. Описаны метрики качества модели в разрезе четырёх ключевых критериев: точности, дискриминационной способности, стабильности и интерпретируемости. Сделаны выводы и даны рекомендации по разработке и внедрению моделей в банковские процессы. Главный итоговый вывод заключается в том, что гибридные модели, сочетающие преимущества параметрических и непараметрических подходов, а также интерпретируемые непараметрические модели набирают популярность благодаря способности сохранять как точность прогнозов, так и интерпретируемость. Тем не менее, параметрические модели остаются базовым инструментом анализа и бенчмарком для оценки прироста качества более сложных моделей.
The bank’s loss given default (LGD) – the proportion of losses incurred when a borrower defaults – is a critically important metric. Without its accurate forecasting, it is impossible to correctly assess the level of credit risk, adequately form reserves for expected credit losses, or calculate the sufficient amount of capital required to safeguard the institution’s financial stability against unexpected credit losses arising from loan defaults. This metric reflects the proportion of unpaid debt relative to its total amount and directly influences the level of provisioning, regulatory requirements, and strategic planning of banking operations. Predicting the losses given default requires considering several specific data properties, including multimodality, asymmetric distribution, constraints within the interval [0,1], and nonlinear relationships with explanatory factors. This article reviews studies focused on modeling the share of default losses within the credit risk assessment. Model quality metrics are discussed based on four key criteria: accuracy, discriminative ability, stability, and interpretability. The article provides with recommendations for model development and implementation. Hybrid models that combine the advantages of parametric and non-parametric approaches, as well as interpretable non-parametric models, are becoming increasingly popular in credit risk assessment due to their ability to offer both predictive accuracy and interpretability. Nevertheless, parametric models remain the base analytical tool and benchmark against which the performance gains of more sophisticated models can be compared.