ОТРАСЛЬ ПОД ДАВЛЕНИЕМ

Ни для кого не секрет, что на сегодняшний день банковский сектор как в России, так и за ее пределами, испытывает значительное давление со стороны трех основных факторов. Во-первых, на способность коммерческих банков генерировать прибыль не может не оказывать влияние снижение темпов мирового экономического роста. Пытаясь стимулировать экономику, центральные банки многих государств стимулируют снижение процентных ставок. В отдельных регионах, таких как Япония и страны Евросоюза, мы можем наблюдать выход процентных ставок в отрицательную зону. В совокупности это приводит к тому, что чистая процентная маржа (NII) балансирует на очень низком уровне, а показатель ROE в банковском секторе развитых стран вплотную приблизился к уровню стоимости капитала. Так, по данным отраслевых исследований KPMG и по информации ЕЦБ, средний уровень показателя NII в Европейских банках за последние 10 лет составлял 1-2%, для мирового же банковского сектора в целом этот показатель в 2015 году составил 3,6%, что более чем на 20% ниже докризисных показателей. Что касается рентабельности капитала, то, по данным McKinsey, до глобального финансового кризиса 2008–2011 годов в среднем по мировой банковской системе данный показатель составлял 14%, а после кризисного периода он так и остался на уровне 9–9,5%.

Безусловно, в отдельных развивающихся странах ситуация может быть чуть лучше в плане темпов роста номинальных объемов прибыли и ROE: так, с 2010 по 2014 год темпы роста выручки банков Китая, стран — «азиатских тигров» и стран Латинской Америки устойчиво превышали порог в 12% ежегодно. Однако более высокие риски и повышенный уровень экономической нестабильности также оказывают значительное негативное воздействие на показатели рентабельности, скорректированные на риск.

Помимо макроэкономических факторов мировой банковский сектор испытывает колоссальное регуляторное давление. Последние инициативы Базельского комитета, такие как новый порядок расчета требований к капиталу в рамках компонента Pillar 2a и новые подходы к расчету резервов на ожидаемые кредитные потери в рамках стандарта IFRS9, также вносят свою лепту в падение доходов банковского сектора. Так, согласно недавним исследованиям ЕЦБ, в среднем у европейских банков рост уровня резервов после внедрения требований стандарта IFRS9 составит 13%, а у 75% респондентов — 18% относительно текущего уровня, что также окажет негативное влияние на прибыль банков.

Наконец, активная диджитализация отрасли банковских услуг ставит абсолютное большинство банков в положение жесткой конкуренции. Финтех-компании во многих странах активно и успешно встраиваются в цепочку банк — потребитель, перехватывая банковских клиентов за счет предложения более удобных и дешевых сервисов. Это заставляет банки кардинально снижать издержки, в первую очередь за счет увеличения инвестиций в автоматизацию и сокращения бэк-офисных подразделений, а также использовать новые цифровые каналы взаимодействия со своими клиентами.

КАК ДОБИТЬСЯ РОСТА ПРИБЫЛИ? КЛЮЧЕВЫЕ ДРАЙВЕРЫ

Согласно исследованиям KPMG, для того чтобы увеличить рентабельность капитала, скорректированного на риск (RAROC), в среднем европейский банк должен:

• увеличить чистую процентную маржу на 2,5%, или

• сократить соотношение «плохих» кредитов и общего объема кредитного портфеля на 2,5%, или

• снизить показатель соотношения доходов и расходов (Cost-To-Income ratio) на 25%;

• скорректировать бизнес-модель (наблюдения за отраслью показывают, что банки, основным драйвером прибыльности которых является доход от транзакционных операций, а не процентный доход, менее подвержены влиянию негативных макроэкономических факторов);

• достичь приемлемых изменений для комбинации указанных факторов.

Как было показано выше, в сложившихся экономических условиях увеличение чистой процентной маржи может оказаться крайне сложной задачей. Фактор сокращения издержек, безусловно, важен, и именно здесь новые информационно-коммуникационные технологии несут в себе колоссальный потенциал для роста рентабельности банка. Что же касается возможностей увеличения прибыли за счет повышения качества портфелей банковской книги и как следствие снижения уровня резервов и буферов капитала, то они лежат по большей части именно в области совершенствования процессов и методологии управления рисками. В контексте отмеченных выше тенденций сегодня можно говорить о том, что технологии и процессы риск-менеджмента в банках должны кардинально трансформироваться. Из контролирующей функции, нескольких «линий защиты» бизнеса, призванных вовремя обнаружить нарушения банковских правил, лимитов и нормативов, они постепенно превращаются в полноценный инструмент принятия правильных бизнес-решений, позволяющий максимизировать прибыль с учетом как регуляторных требований, так и реальной их рентабельности (т.е. скорректированной с учетом риска).

Фактор сокращения издержек, безусловно, важен, и именно здесь новые информационно-коммуникационные технологии несут в себе колоссальный потенциал для роста рентабельности банка

Одним из важнейших факторов успеха здесь может стать оптимизация в области моделирования кредитных рисков. Внед­рение IRB-подхода к оценке требований к капиталу на покрытие кредитных рисков, оптимизация процессов принятия кредитных решений, улучшение моделей оценки вероятности дефолта, используемых для расчета резервов по IFRS9 (lifetime Point-In-Time PD-кривые и динамические модели потерь в случае дефолта — LGD), предиктивный анализ факторов кредитного риска — вот неполный перечень тем, крайне актуальных с позиций увеличения рентабельности банковской деятельности.

РОЛЬ ТЕХНОЛОГИЙ — АКТУАЛЬНЫЕ ТРЕНДЫ

На наш взгляд, именно развитие современных технологий закладывает необходимые основы для успешной трансформации и оптимизации процесса управления рисками. Работая в области автоматизации управления рисками с банками из более чем 15 стран по всем миру, на текущий момент мы выделяем три основных технологических тренда, которые следует отметить в данном контексте.

Во-первых, это хранение и обработка больших данных для построения рисковых хранилищ данных в архитектуре Data Lake, во-вторых, потоковая обработка данных с использованием алгоритмов нейронных сетей, в-третьих, переход на использование ПО с открытым кодом (open source).

BIG DATA НА СЛУЖБЕ РИСК-МЕНЕДЖМЕНТА

Как известно, одни из главных «узких мест» моделирования кредитных рисков — отсутствие данных необходимой глубины, сложность сбора и хранения информации, которая может являться действительно значимой для построения моделей вероятности дефолта, а также трудности с предобработкой (заполнение пропусков, сглаживание, расчет производных показателей) больших объемов данных в случае, если их все-таки удалось собрать. По нашему опыту, решить данный комплекс проблем позволяет построение специализированного Data Lake для моделирования кредитных рисков с использованием технологий Hadoop и Apache Spark. Основными преимуществами здесь являются низкая стоимость хранения больших объемов данных, наличие технологий автоматической адаптации ETL-процессов и структур хранения данных Data Lake к изменениям структуры систем-источников (что очевидным образом снижает стоимость внедрения и сопровождения такого решения), а также высокая производительность и низкая стоимость КТС для масс-параллельных вычислений. Еще одним свидетельством актуальности данного тренда является тот факт, что российские банки из числа топ-10, являющиеся клиентами нашей компании, либо уже начали выполнение подобных проектов, либо активно рассматривают такую возможность.

ОНЛАЙН-МОНИТОРИНГ КРЕДИТНОГО РИСКА

Вторым немаловажным направлением оптимизации управления кредитными рисками является использование комбинации платформ Complex Event Processing и алгоритмов искусственного интеллекта для выявления скрытых факторов кредитного риска. Отличным примером здесь может служить применение технологий Apache Spark Streaming в комбинации с библиотеками машинного обучения Spark MLLib либо с собственными нейросетевыми алгоритмами. Значительный вклад в понимание нами важности этих технологий внес наш опыт реализации подобных систем для компаний логистического и аграрного секторов. Действительно, предиктивный анализ факторов кредитного риска позволяет проактивно реагировать на возможное ухудшение кредитного качества активов и не допускать соответствующего доначисления резервов.

ИСПОЛЬЗОВАНИЕ ПО С ОТКРЫТЫМ КОДОМ

Исторически интеллектуальные информационные системы, автоматизирующие процесс математико-статистического моделирования, были очень дорогими, и их внедрение требовало колоссальных финансовых затрат, а также создавало зависимость от специфической экспертизы консультантов, ответственных за внедрение. Другой стороной данной проблемы являлось наличие разрыва между академическим сообществом, которое традиционно лидирует в разработке методологической основы математического моделирования рисков, и риск-менеджерами банков, которые используют методики моделирования рисков на практике в рамках конкретного ПО. Однако в последнее время наметилась тенденция к переходу профессионального сообщества риск-менеджеров к использованию инструментария на основе open-source-компонентов. Отличным примером здесь может служить широкое распространение фреймворков для моделирования R и Python и средств визуализации данных, таких как Apache Zeppelin и Jupiter. Развиваемые открытым сообществом ученых и практикующих риск-менеджеров данные технологии все активнее вытесняют проприетарное программное обеспечение. Немаловажным фактором здесь является также возможность интеграции данных фреймворков с вычислительными мощностями и системами хранения данных на базе Hadoop и Apache Spark, упомянутыми выше.

По материалам: bosfera.ru