AI-СИСТЕМА КВАНТОВАНИЯ ДАННЫХ ДЛЯ ИССЛЕДОВАНИЯ ВЛИЯНИЯ КАЧЕСТВА КРЕДИТНОГО ПОРТФЕЛЯ НА ФИНАНСОВЫЕ РЕЗУЛЬТАТЫ БАНКА В УСЛОВИЯХ РЫНОЧНОЙ НЕОПРЕДЕЛЕННОСТИ И РИСКА
DOI:
https://doi.org/10.25806/uu6-22021395-404Ключевые слова:
Квантование данных, рыночная неопределенность, финансовый риск, AI-система, качество кредитного портфеля.Аннотация
В работе исследуются теоретические вопросы управления финансовыми рисками. Рассмотрена система управления финансовыми рисками коммерческого банка ВТБ. Важное значение для банка имеет функция консолидированного управления рисками на уровне группе ВТБ, которая централизована и осуществляется ГКО.В статье представлены результаты поиска закономерностей нейросетью путем квантования BigData. Квантование данных проведено системой искусственного интеллекта, сформированной на платформе Deduktor. Результаты квантования BigData представленные на многомерной диаграмме обеспечивают высокий уровень визуализации и позволяют выполнить поиск закономерностей в обработанных данных. Так, например, просматриваются зависимости в динамике факторов, представленных по осям: ОХ – прирост активов, %; ОУ – изменение доли просроченных кредитов, %; OZ – прирост чистой прибыли, %. Актуальность исследования состоит в том, что в современных условиях важное значение имеет совершенствование риск-менеджмента в коммерческих банках в целях поддержки принятия управленческих решений касательно оценки и управления кредитным риском, что обуславливает практическую значимость. Рассматриваемой проблеме посвящены многие труды современных ученых, однако, отдельные ее аспекты остаются недостаточно изученными и требуют дальнейших научных исследований. Изучены теоретические основы оценки качества кредитного портфеля банка, касательно доли просроченных кредитов. Предпринята попытка выявить зависимость динамики финансовых результатов деятельности отечественных коммерческих банков от изменения доли просроченных кредитов в кредитных портфелях. Выдвинута и доказана гипотеза, что с помощью AI-системы, можно получить прогноз величины изменения чистой прибыли кредитной организации под действием включенных в модель параметров: прирост активов (%), прирост чистой прибыли (%), прирост нематериальных активов (%), доля просроченных кредитов в портфеле (%), изменение доли просроченных кредитов (%).Предложенная AI-система имеет большое практическое значение, поскольку обеспечивает поддержку принятия управленческих решений касательно качества кредитного портфеля.
Список литературы
Управление рисками: система управления рисками банка [Электронный ресурс]. URL: https://www.vtb.ru/akcionery-i-investory/raskrytie-informacii/upravlenie-riskami/ (Дата обращения 19 мая 2021 г.)
Методы оценки риска VаR (value at risk). рыночный риск. пример расчета в Excel URL: https://finzz.ru/metody-ocenki-riska-var-value-risk.html (дата обращения 25.04.2021)
Рэнкинги банков [Электронный ресурс]. URL: https://kuap.ru/banks/ranks/ (Дата обращения 19 мая 2021 г.)
Российские банки показали рекордный рост активов за шесть лет [Электронный ресурс]. URL: https://www.rbc.ru/finances/25/12/2020/5fe482489a79476ad2ed7afd (Дата обращения 19 мая 2021 г.)
Квантование (обработка сигналов) [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/% (Дата обращения 19 мая 2021 г.)
Felmer, G. and Shid, A. (2008) "Introduction to stochastic finance. Discrete time". M .: ICMNO : 496.
Ruppert D. Statistics and data analysis for financial engineering // Springer. 2019.
Jensen M., Fischer V. and Myron V. The Capital Asset Pricing Model: some empirical tests // Praeger Publishers Inc. 1972.
Eugene F. Fama and James D. MacBeth Risk, Return and Equilibrium: Empirical Tests // Journal of Political Economy, 1973. Vol. 81(3)
Frazzini A. and Pedersen L.H. Betting Against Beta. // NBER Working Paper. 2010.
Kulachinskaya A., Kravchenko V., Bezdenezhnykh T. Organizational mechanisms of allocation of subsidies for public transport in St. Petersburg // Proceedings of the 31st International Business Information Management Association Conference.– 2018.– С. 4706-4711
Demidenko D.S. Malevskaia-Malevich E.D., Dubolazova Y.A., Victorova N.G. Optimization of the innovation process management at a manufacturing enterprise // Proceedings of the 31st International Business Information Management Association Conference. – 2018. – С. 996-1003.
