Машинное обучение в банковском риск-менеджменте: от теории к практической приемке

На прошедшей неделе в рамках программы повышения квалификации «Управление рисками в банковском секторе: новые подходы и продвинутая методология в современных условиях» в Институте банковского дела АРБ я провел блок по машинному обучению в финансах. Полдня интенсивной работы с риск-менеджерами из ведущих российских банков показали, насколько актуальной стала тема практического внедрения ML-решений в кредитные процессы.

От «домодельных» методов к современным алгоритмам

Начали мы с критического разбора традиционных балльно-весовых систем – той самой «домодельной эпохи», которая до сих пор продолжается во многих банках. Участники активно обсуждали проблемы экспертных опросников для оценки корпоративных заемщиков. Выяснилось, что в 2025 году многие банки все еще полагаются на субъективные оценки менеджеров по таким критериям, как «качество менеджмента» или «рыночные позиции», при этом не имея механизмов валидации подобных оценок.

Переход к интерпретируемым алгоритмам вызвал наибольший интерес аудитории. Логистическая регрессия, линейные модели, деревья решений – именно здесь участники задавали больше всего практических вопросов. Риск-менеджеры хотели понимать конкретные критерии приемки таких моделей от подрядчиков. Особенно подробно мы разбирали случаи, когда модели логистической регрессии выдают только крайние вероятности без промежуточных значений – классический признак неправильной настройки или утечки данных.

«Черные ящики» и регуляторные вызовы

Жаркие дискуссии развернулись вокруг неинтерпретируемых алгоритмов. Методы случайного леса и градиентного бустинга показывают отличное качество предсказаний, но имеют серьезные проблемы с объяснимостью решений для клиентов и регулятора.

Обсуждение нейронных сетей выявило весьма противоречивые мнения. С одной стороны, представители крупных банков рассказывают об успешных проектах применения глубокого обучения для анализа транзакционного поведения. С другой стороны, региональные банки справедливо указывают на неоправданную сложность таких решений для простых задач кредитного скоринга и на необходимость привлечения дорогостоящих специалистов.

Типичные ошибки и практические кейсы

Наиболее ценным для участников стал блок разбора реальных ошибок в бустинге, особенно переобучения. Многие сталкивались с ситуациями, когда поставщики демонстрировали на исторических данных «идеальные» результаты, которые полностью «разваливались» в продакшене.

Кейс применения нейросетей с открытым исходным кодом вызвал живой интерес аудитории, что подтвердило важность развития технической грамотности в банковских командах для корректной оценки предлагаемых решений.

Главный инсайт семинара

Наиболее активные дискуссии развернулись вокруг различий в требованиях к качеству интерпретируемых и неинтерпретируемых моделей. Участники хотели понимать конкретные пороговые значения метрик, процедуры валидации и регуляторные ограничения для каждого типа алгоритмов.

Выяснилось, что многие банки применяют одинаковые критерии приемки ко всем типам моделей, что неверно. Для логистической регрессии критичны статистическая значимость коэффициентов и их экономическая интерпретация, тогда как в градиентном бустинге основное внимание должно уделяться кривым обучения и выявлению переобучения.

Практические результаты

Особенно востребованными оказались конкретные пороговые значения метрик для корпоративного кредитования и моделей логистической регрессии.

Что дальше?

Семинар показал острую потребность банковского сообщества в практических инструментах работы с ML-поставщиками. 

Машинное обучение в банковских рисках перестало быть экзотикой и стало инженерной дисциплиной. Теперь важно научиться грамотно управлять этими инструментами, а не слепо доверять поставщикам технологий.

Институт банковского дела АРБ, ноябрь 2025