Система искусственного интеллекта для прогнозирования финансового риска в банковской сфере в условиях рыночной неопределенности [Текст] / Н. И. Ломакин, О. С. Пескова, К. Вималаратхне [и др.]> // Международная экономика. - 2022. - № 4. - С. 299-311. - Библиогр.: с. 309-310 (13 назв.). - Ref.: p. 310-311 (13 names) . - ISSN 2074-6040
Рубрики: Экономика Кредитно-денежная система--Россия, 2010-2021 гг. Кл.слова (ненормированные): VaR показатель -- банковская сфера -- задолженности по кредитам -- искусственный интеллект -- кредитный портфель -- невозвратные кредиты -- показатель VaR -- прогнозирование финансовых рисков -- просроченные кредиты -- рыночная неопределенность -- стоимостная мера риска -- финансовые риски Аннотация: В статье рассмотрены теоретические основы анализа и прогнозирования финансового риска в банковской сфере в условиях рыночной неопределенности. Актуальность исследования состоит в том, что рост проблемной задолженности коммерческих банков по кредитам юридических лиц, индивидуальных предпринимателей и физических лиц в настоящее время является наиболее актуальным и дискутируемым вопросом в банковском сообществе. Проведен анализ динамики активов и доли просроченных ссуд в 2010-2021 гг., выявлены тенденции изменений портфеля. Авторы рассмотрели преимущества использования в качестве меры риска показателя VaR, отмечая, что его слабой стороной является отсутствие возможности оценки экстремальных потерь в случае реализации риска в диапазоне выше доверительного интервала. Разработана программа Perseptron для прогноза динамики доли просроченных кредитов в портфеле коммерческого банка, которая сформирована на платформе Deductor. Проведена группировка данных с помощью нейросети на платформе Deductor, которая позволила выявить определенные закономерности в изменении качества портфеля. Выявлено, что на величину доли просроченных кредитов коммерческих банков влияет множество факторов, в том числе и включенные в AI-систему: прирост активов, рыночная доля, изменение кредитного портфеля, динамика просроченных кредитов, прогноз доли просроченных кредитов. Рассмотрен предложенный авторами широкий набор инструментов финансовой математики для того, чтобы оценить и минимизировать финансовые риски, в том числе квантильное хеджирование, хеджирование дефицита с минимальным риском и оптимальное квадратичное хеджирование. Доп.точки доступа: Ломакин, Николай Иванович (кандидат экономических наук; доцент); Пескова, Ольга Сергеевна (доктор экономических наук; профессор); Вималаратхне, Канчана (магистрант); Самородова, Ирина Анатольевна (преподаватель); Наумова, Светлана Алексеевна (магистрант); Кращенко, Сергей Анатольевич (доктор экономических наук; профессор); Репин, Ярослав Андреевич (студент); Шабанов, Никита Тимофеевич (магистрант); Ломакин, Иван Николаевич (бакалавр) Нет сведений об экземплярах (Источник в БД не найден) |
AI-cистема, корреляционно-регрессионная и VaR-модель для прогнозирования просроченной задолженности коммерческих банков РФ и анализа финансового риска [Текст] / К. Вималаратхне, Н. И. Ломакин, С. П. Сазонов [и др.]> // Международная экономика. - 2022. - № 6. - С. 450-464. - Библиогр.: с. 461-462 (13 назв.). - References: p. 462-464 (13 names) . - ISSN 2074-6040
Рубрики: Экономика Кредитно-денежная система--Россия, 2013-2021 гг. Кл.слова (ненормированные): коммерческие банки -- корреляционно-регрессионные модели -- невозвратные кредиты -- прогнозирование просроченной задолженности -- просроченная задолженность -- финансовые риски Аннотация: В статье исследованы теоретические основы возникновения просроченной задолженности по кредитам и прогнозирования финансового риска в российских банках в современных условиях. Актуальность исследования в том, что рост проблемной задолженности коммерческих банков по кредитам в настоящее время является одной из наиболее острых проблем. Собранный материал позволил провести анализ динамики объемов просроченной задолженности по кредитам в коммерческих банках РФ за период 2013-2021 гг. В ходе исследования было выявлено, что на объем проблемной задолженности влияет множество факторов. В целях изучения влияния факториальных признаков на результативный признак - объем просроченной задолженности предпринята попытка использовать корреляционно-регрессионные модели AI и VaR. Выдвинута и доказана гипотеза, что с помощью корреляционно-регрессионной, AI- и VaR-моделей можно получить прогноз объема просроченных кредитов в портфеле коммерческих банков РФ. В корреляционно-регрессионную модель помимо результативного признака (темп роста просроченной задолженности) были включены такие факториальные признаки, как: темп роста ВВП на душу населения; темп роста среднедушевого дохода населения; темп роста профицита внешней торговли; индекс инфляции; темп роста оттока капитала; темп роста наличных денежных средств; процентная ставка по кредитам; курс доллара США; цена барреля нефти URLS долларов; рост заработной платы. Исследование показало, что применение различных инструментов прогнозирования обеспечивает получение разных объемов просроченной задолженности. Доп.точки доступа: Вималаратхне, Канчана (магистрант); Ломакин, Николай Иванович (кандидат экономических наук; доцент); Сазонов, Сергей Петрович (доктор экономических наук; профессор); Шабанов, Никита Тимофеевич (магистрант); Крюкова, Светлана Юрьевна (магистрант); Наумова, Светлана Алексеевна (магистрант); Репин, Ярослав Андреевич (студент); Ломакин, Иван Николаевич (бакалавр); Радионова, Елена Александровна (кандидат экономических наук; доцент) Нет сведений об экземплярах (Источник в БД не найден) |