Потенциал "цифры" в банковском надзоре: возможность упреждающей идентификации Банком России проблемных кредитных организаций банковского сектора с использованием методов Data Science
Журнал «KANT» №4(37) 2020 [стр. 205]
DOI: 10.24923/2222-243X.2020-37.44
Ключевые слова: Банк России; Data Science; моделирование; надзорная деятельность; анализ данных; обязательные нормативы Банка России.
В статье рассматривается возможность построения модели машинного обучения для анализа состояния конкретных кредитных организаций по показателям их деятельности и оценки вероятности отзыва лицензии у отдельно взятого участника. Сделан вывод о возможности использования модели машинного обучения в надзорной деятельности Банка России в качестве вспомогательного инструмента.
Литература:
1. Брюс П. Практическая статистика для специалистов Data Science : пер. с англ. / П. Брюс, Э. Брюс. – СПб. : БХВ-Петербург, 2018. – 304 с.
2. Стерликова А.Д. Big Data, Data Science и Банк России: потенциал "цифры" в банковском регулировании и надзоре / А.Д. Стерликова // Российская наука: актуальные исследования и разработки. – 2020. – Ч.2. – С. 234-237.
3. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. – 2016. – С. 785-794.
4. Grus J. Data science from scratch: first principles with python. – O'Reilly Media, 2019.
5. Narkhede S. Understanding AUC-ROC Curve // Towards Data Science. – 2018. – Т. 26.
6. Zheng A., Casari A. Feature engineering for machine learning: principles and techniques for data scientists. – "O'Reilly Media, Inc.", 2018.
7. Инструкция Банка России от 29.11.2019 № 199-И (ред. от 03.08.2020) "Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией" (Зарегистрировано в Минюсте России 27.12.2019 № 57008). [Электронный ресурс]. Режим доступа: http://www.cbr.ru/ (Дата обращения: 17.06.2020)
8. Указание Банка России от 08.10.2018 № 4927-У "О перечне, формах и порядке составления и представления форм отчетности кредитных организаций в Центральный банк Российской Федерации". [Электронный ресурс]. Режим доступа http://base.garant.ru/72074044/#ixzz6d0cLMbyo (Дата обращения: 17.06.2020)
9. Логистическая регрессия и ROC-анализ – математический аппарат // Материалы онлайн-конференции по продвинутой аналитике Loginom days 2020 [Электронный ресурс]. Режим доступа: https://loginom.ru/blog/logistic-regression-roc-auc (Дата обращения: 26.08.2020).
10. Официальный сайт Банка России. Отчетность кредитных организаций. [Электронный ресурс]. Режим доступа: http://www.cbr.ru/banking_sector/otchetnost-kreditnykh-organizaciy/ (Дата обращения: 03.06.2020)
11. Официальный сайт "ИТ Банк". Годовой отчет "ИТ Банк". [Электронный ресурс]. Режим доступа: https://itbank.ru/otchet2.php. (Дата обращения: 02.11.2020).
1. Брюс П. Практическая статистика для специалистов Data Science : пер. с англ. / П. Брюс, Э. Брюс. – СПб. : БХВ-Петербург, 2018. – 304 с.
2. Стерликова А.Д. Big Data, Data Science и Банк России: потенциал "цифры" в банковском регулировании и надзоре / А.Д. Стерликова // Российская наука: актуальные исследования и разработки. – 2020. – Ч.2. – С. 234-237.
3. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. – 2016. – С. 785-794.
4. Grus J. Data science from scratch: first principles with python. – O'Reilly Media, 2019.
5. Narkhede S. Understanding AUC-ROC Curve // Towards Data Science. – 2018. – Т. 26.
6. Zheng A., Casari A. Feature engineering for machine learning: principles and techniques for data scientists. – "O'Reilly Media, Inc.", 2018.
7. Инструкция Банка России от 29.11.2019 № 199-И (ред. от 03.08.2020) "Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией" (Зарегистрировано в Минюсте России 27.12.2019 № 57008). [Электронный ресурс]. Режим доступа: http://www.cbr.ru/ (Дата обращения: 17.06.2020)
8. Указание Банка России от 08.10.2018 № 4927-У "О перечне, формах и порядке составления и представления форм отчетности кредитных организаций в Центральный банк Российской Федерации". [Электронный ресурс]. Режим доступа http://base.garant.ru/72074044/#ixzz6d0cLMbyo (Дата обращения: 17.06.2020)
9. Логистическая регрессия и ROC-анализ – математический аппарат // Материалы онлайн-конференции по продвинутой аналитике Loginom days 2020 [Электронный ресурс]. Режим доступа: https://loginom.ru/blog/logistic-regression-roc-auc (Дата обращения: 26.08.2020).
10. Официальный сайт Банка России. Отчетность кредитных организаций. [Электронный ресурс]. Режим доступа: http://www.cbr.ru/banking_sector/otchetnost-kreditnykh-organizaciy/ (Дата обращения: 03.06.2020)
11. Официальный сайт "ИТ Банк". Годовой отчет "ИТ Банк". [Электронный ресурс]. Режим доступа: https://itbank.ru/otchet2.php. (Дата обращения: 02.11.2020).
The Potential of "numerical approaches" in banking supervision: Possibility of proactive identification by the bank of Russia for problem credit institutions in the banking sector using data science methods
Keywords: Bank of Russia; Data Science; modeling; supervisory activities; data analysis; reserves.
The article discusses the possibility of machine learning model for analyzing the state of credit institutions by their performance indicators and assessing the likelihood of revoking a license from a single participant. The conclusion is made about the possibility of using the machine learning model in the supervisory activities of the Bank of Russia as an auxiliary tool.