Почему модели подвели банки и кредитные потери почти удвоились?

На Scoring Day Сергей Турищев, директор по портфельному анализу ОКБ, на Scoring Day, оценил со стороны бизнес-заказчика то, как решения из области Data Science работают в реальности и к каким неожиданным эффектам они могут приводить в кредитовании.

Рынок необеспеченного потребительского кредитования в 2023–2025 годах уверенно рос: количество кредитных сделок увеличивалось, портфель расширялся — с примерно 25 до 28 млн активных кредитов. Казалось бы, что ситуация развивается стабильно: уровень кредитных потерь держался в диапазоне около 4,5–4,8% годовых.

На основе PD-моделей и более сложных инструментов прогнозирования ожидалось, что эта динамика сохранится. Однако в начале 2024 года ситуация резко изменилась: уровень потерь начал быстро расти и достиг примерно 8–9%.

Проблема оказалась в горизонте моделей. Классические PD-модели ориентируются на длительный период — обычно 12 месяцев до дефолта. Даже если используются промежуточные метрики, горизонт все равно остается достаточно длинным.

Эффект «зеркала заднего вида»
В результате решения принимались на основе данных прошлого, тогда как реальность уже изменилась. Модели показывают стабильность, но фактическое качество портфеля стремительно ухудшается.

Так реализовался модельный риск. Особенно это проявилось в новых выдачах — кредитах, оформленных начиная с третьего квартала 2023 года. Более старые портфели вели себя стабильно даже позже, в 2025 году.

Логика управления предполагала, что новый поток кредитов будет сопоставим по качеству с предыдущим. Но этого не произошло: новые выдачи показали значительно более высокий уровень потерь. Причина — модели были обучены на данных предыдущего периода, а условия на рынке и в экономике уже существенно изменились.

Материально это выразилось в ощутимых отклонениях. Например, в сегменте с наименьшим ожидаемым риском прогнозируемые потери должны были составлять около 1,5% годовых. Фактически же они превысили 3%. Ошибка — более чем двукратная, почти трехкратная.

Возникает закономерный вопрос: что с этим делать?
Полностью предсказать будущее невозможно — и это признается прямо. Поэтому ключевая задача смещается: не «угадать всё», а помочь лучше принимать решения в условиях неопределенности.

Подход, к которому пришли в ОКБ, — это максимальная прозрачность данных. Чем больше информации о рынке, поведении заемщиков и текущих изменениях доступно, тем более осознанно можно оценивать, насколько моделям стоит доверять.

Здесь уместна аналогия с Bloomberg Terminal: система не принимает решения за пользователя, но дает максимально полную картину происходящего. Ответственность за риск остается на стороне того, кто принимает решение — но качество этих решений становится выше.

В кредитном риске это особенно важно: горизонты длинные, эффект от решений проявляется не сразу, а изменения на рынке могут происходить быстро.

Поэтому основной фокус — на том, чтобы:
— своевременно замечать дрейф моделей;
— корректно оценивать уровень доверия к ним;
— принимать решения о рекалибровке;
— при необходимости добавлять экспертные поправки.

Именно такой подход позволяет снижать последствия модельного риска в условиях быстро меняющейся среды.

Лайфхаки по сокращению лага между появлением данных в проде и включением модели в бизнес-процесс - см. в предыдущем посте