ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

ROR

ЕДРПОУ 05481984

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

КАТАЛОГ

Теоретико-методологічні засади моделювання кредитного ризику: компроміс математичної точності, регуляторного комплаєнсу та фінансової інклюзії
Анісімова Л. А., Воронов В. І.

Анісімова Л. А., Воронов В. І. Теоретико-методологічні засади моделювання кредитного ризику: компроміс математичної точності, регуляторного комплаєнсу та фінансової інклюзії. Бізнес Інформ. 2026. №7. C. 169–179.
https://doi.org/10.32983/2222-4459-2026-7-169-179

Розділ: Інформаційні технології в економіці

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 336.717.061.1:330.131.7

Анотація:
Актуальність проблеми постає в силу розвитку математичних методів та обчислювальних можливостей для оцінювання індивідуального кредитного ризику. Перспективи впровадження таких методів у практику ризик-менеджменту кредитної галузі вимагають детального вивчення їх сумісності з принципами макропруденційного нагляду, нормативно-правовою базою та макроекономічними цілями розвитку національної та світової економік. Додаткового вивчення потребує також теоретичне обґрунтування принципів роботи та створення наборів даних для моделювання кредитного ризику (з відповідним конструюванням ознак) з позиції мікроекономічної теорії. Мета статті полягає в теоретико-методологічній концептуалізації моделювання роздрібного кредитного ризику, компромісного балансу між прогностичною здатністю непараметричних алгоритмів, нормативними обмеженнями регуляторного комплаєнсу (Basel III/IV, GDPR) та політикою розширення фінансової інклюзії. Використано методи міждисциплінарного, теоретичного, критичного та порівняльного аналізу; синтезу; концептуалізації та формалізації. За результатами дослідження систематизовано та розкрито сутнісний мікроекономічний і регуляторний зміст емпіричних ознак моделей кредитного ризику (показників боргового навантаження, соціо-демографічних характеристик і параметрів історичної платіжної дисципліни) через призму гіпотези життєвого циклу споживання та Марковських ланцюгів міграції заборгованості. Розроблено та обґрунтовано комплексну чотиривимірну теоретико-методологічну концепцію вибору моделей, яка інтегрує в єдину систему мікроекономічний базис, процеси моделювання ризику, регуляторні обмеження та бажані суспільно-економічні результати. Теоретично обґрунтовано, що використання банками непрозорих алгоритмів ризик-менеджменту посилює ризики жорсткого нормування капіталу та може провокувати системний ефект алгоритмічного виключення маргіналізованих груп позичальників, що стимулює відтік споживчого попиту в нерегульований сектор тіньового банкінгу. Сформульовано концепцію вибору скорингової моделі, яка дозволяє збалансувати точність і прозорість оцінки ризиків. Практичне значення результатів полягає в теоретичному обґрунтуванні доцільності переходу фінансових установ до використання адитивних glass-box архітектур, що сприяє виконанню вимог GDPR і стандартів Базельського комітету без суттєвої втрати якості прогнозування кредитного ризику, сприяючи довгостроковій інституційній стійкості фінансової системи.

Ключові слова: оцінка кредитного ризику; банківський ризик-менеджмент; фінансова інклюзія; інформаційна асиметрія в кредитуванні; регулювання кредитних послуг.

Рис.: 1. Табл.: 2. Формул: 1. Бібл.: 24.

Анісімова Людмила Анатоліївна – кандидат фізико-математичних наук, доцент, заступник декана, економічний факультет, Київський національний університет імені Тараса Шевченка (вул. Володимирська, 60, Київ, 01033, Україна)
Email: [email protected]
Воронов Володимир Ігорьович –

Список використаних у статті джерел

Feess E., Schieble M. Credit Scoring and Incentives for Loan Officers in a Principal Agent Model. Working Paper Series: Finance and Accounting. No. 30. Department of Finance, Goethe University Frankfurt am Main, 1998. URL: https://d-nb.info/1180332466/34
Shah S. The Principal-Agent Problem in Finance. Social Science Research Network. Rochester, NY, 2014. URL: https://papers.ssrn.com/abstract=2574742
Stiglitz J. E., Weiss A. Credit Rationing in Markets with Imperfect Information. The American Economic Review. 1981. Vol. 71. No. 3. P. 393–410. URL: https://www.jstor.org/stable/1802787
Baiden J. E. The 5 C's of Credit in the Lending Industry. SSRN Journal. 2011. DOI: https://doi.org/10.2139/ssrn.1872804
Furletti M. J. An Overview and History of Credit Reporting. SSRN Journal. 2002. DOI: https://doi.org/10.2139/ssrn.927487
Altman E. I. A Fifty-Year Retrospective on Credit Risk Models, the Altman Z-Score Family of Models and Their Applications to Financial Markets and Managerial Strategies. Journal of Credit Risk. 2018. Vol. 14. No. 4. P. 1–34. DOI: https://doi.org/10.21314/JCR.2018.243
Frank Y. Credit Scoring as a Credit Risk Management Technique: Introduction. 2025. URL: https://www.academia.edu/7490103/Credit_Scoring_as_a_Credit_Risk_Management_Technique_Introduction
Altman E. I. Revisiting Credit Scoring Models in a Basel 2 Environment. NYU Working Paper. No. S-FI-02-11. 2002. URL: https://ssrn.com/abstract=1298829
Basel Committee on Banking Supervision. An Explanatory Note on the Basel II IRB Risk Weight Functions. 2005. URL: https://www.bis.org/bcbs/irbriskweight.pdf
Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework – Comprehensive Version. 2006. URL: https://www.bis.org/publ/bcbs128.htm
Basel Calculation of RWA for Credit Risk 36.68. URL: https://www.bis.org/basel_framework/chapter/CRE/36.htm
KPMG China. Basel IV Update: SA and IRB. KPMG Insights, 2024. URL: https://kpmg.com/cn/en/insights/2024/03/basel-iv-update-sa-and-irb.html
Ajike P. O. Assessing the Impact of Debt Ratio Variability on Corporate Solvency, Credit Risk Exposure, and Investment Decision-Making Efficiency. International Journal of Advance Research Publication and Reviews. 2025. Vol. 2. Iss. 10. P. 424–439. DOI: https://doi.org/10.55248/gengpi.6.1025.3669
Amberg N., Jacobson T., Quadrini V., Picco A. R. Dynamic Credit Constraints: Theory and Evidence from Credit Lines. Sveriges Riksbank Working Paper Series. No. 422. 2023. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp3216~87bce3b9cf.en.pdf
Fulford S., Schuh S. Consumer Revolving Credit and Debt over the Life Cycle and Business Cycle. Federal Reserve Bank of Boston. Research Department Working Papers. 2015. No. 15–17. URL: https://www.bostonfed.org/publications/research-department-working-paper/2015/consumer-revolving-credit-and-debt-over-the-life-cycle-and-business-cycle.aspx
Gourinchas P.-O., Parker J. A. Consumption Over the Life Cycle. Econometrica. 2002. Vol. 70. Iss. 1. P. 47–89. DOI: https://doi.org/10.1111/1468-0262.00269
Coulson A., Review of «The Two-Income Trap: Why Middle-Class Mothers and Fathers are Going Broke». Financial Counseling and Planning. 2003. Vol. 14. Iss. 2. URL: https://www.afcpe.org/news-and-publications/journal-of-financial-counseling-and-planning/volume-14-2/book-reivews-of-the-two-income-trap-why-middle-class-mothers-and-fathers-are-going-broke/
Blackburn B. How to Pinpoint What Drives Early-Stage Delinquency Roll Rate. dotData. August 14, 2025. URL: https://dotdata.com/blog/early-stage-delinquency-roll-rate-in-subprime-lending/
Bhalla D. Roll Rate Analysis. Listen Data. 2019. URL: https://www.listendata.com/2019/09/roll-rate-analysis.html
Cihak M., Mare D. S., Melecky M. Financial Inclusion and Stability: Review of Theoretical and Empirical Links. The World Bank Research Observer. 2021. Vol. 36. Iss. 2. P. 197–233. DOI: https://doi.org/10.1093/wbro/lkaa006
Mehrotra A., Yetman J. Financial Inclusion – Issues for Central Banks. BIS. 2015. URL: https://www.bis.org/publ/qtrpdf/r_qt1503h.htm
Bello O. A. Machine Learning Algorithms for Credit Risk Assessment: An Economic and Financial Analysis. International Journal of Management Technology. 2023. Vol. 10. Iss. 1. URL: https://eajournals.org/ijmt/vol10-issue-1-2023/machine-learning-algorithms-for-credit-risk-assessment-an-economic-and-financial-analysis/
Bussmann N., Giudici P., Marinelli D., Papenbrock J. Explainable Machine Learning in Credit Risk Management. Computational Economics. 2021. Vol. 57. Iss. 1. P. 203–216. DOI: https://doi.org/10.1007/s10614-020-10042-0
Montevechi A. A., de Carvalho Miranda R., Medeiros A. L., Montevechi J. A. B. Advancing Credit Risk Modelling with Machine Learning: A Comprehensive Review of the State-of-the-Art. Engineering Applications of Artificial Intelligence. 2024. Vol. 137. Part A. Art. 109082. DOI: https://doi.org/10.1016/j.engappai.2024.109082