AI Кредитные модели на развивающихся рынках: от прироста прогнозной силы к управлению, пригодному для финансирования

1. Начните с кредитного решения и денежного результата

Модель AI ценна для кредитора только тогда, когда её решения улучшают скорректированные на риск денежные результаты в рамках утверждённой кредитной стратегии. Доля правильных ответов (accuracy), площадь под кривой, коэффициент Джини, точность (precision) или другой технический показатель могут описывать поведение модели, тогда как финансируемость зависит от одобрения, ценообразования, экспозиции, просрочки, взыскания, убытков, ликвидности и работы с заёмщиком. Поэтому команда дью-дилидженс должна начинать с записи о решении и прослеживать её до договорных и фактических денежных потоков.

Минимальная запись связывает заявку, заёмщика, продукт, сумму, срок, цену, версию модели, снимок входных данных, балл, порог решения, объяснение, ручное переопределение, полномочие на одобрение, выдачу, график погашения, полученные денежные средства, просроченную задолженность, выход из просрочки, реструктуризацию, взыскание и списание. Стабильные идентификаторы должны связывать платформу модели, систему управления кредитами, банковские счета, передачу данных в кредитные бюро и главную книгу. Выборка должна воспроизводиться из исходных данных и кода или из контролируемого скорингового сервиса.

Кредитор должен различать три вопроса. Ранжировала ли модель риск лучше утверждённого базового уровня? Превратила ли организация это ранжирование в разумные лимиты, ценообразование и политические решения? Привели ли эти решения к денежным результатам, соответствующим сценарию андеррайтинга? Положительный ответ на первый вопрос не может компенсировать слабость политики или операционной деятельности.

Первоначальный результат дью-дилидженс должен представлять собой прослеживаемую цепочку от скоринга до денежного потока. Каждое последующее утверждение об охвате, приросте предсказательной силы, эффективности капитала или оценке должно сверяться с ней.

Схема представляет собой структуру управления. Роли, подтверждающие материалы и одобрения должны проверяться для каждой организации и юрисдикции.

2. Определите финансируемость до измерения эффективности модели

Модель, пригодная для финансирования, имеет определённое назначение, ответственного владельца, правомерно полученные данные, контролируемое внедрение, независимую проверку, стабильный мониторинг, объяснимые решения, операционный резервный механизм и подтверждённую связь с денежными потоками портфеля. Эти характеристики должны быть определены до того, как кредитор рассмотрит ключевые показатели эффективности. В противном случае сильный статистический показатель может доминировать в обсуждении, пока ключевые средства контроля остаются непроверенными.

Модель может поддерживать скрининг, одобрение, установление лимитов, ценообразование, выявление мошенничества, взыскание или раннее предупреждение. Каждое применение имеет различную существенность и стоимость ошибки. Ранжирующая модель, используемая как один из входных параметров для старшего кредитного специалиста, отличается от модели автоматического отказа. Модель, поддерживающая небольшие краткосрочные кредиты, отличается от модели, устанавливающей многолетнюю корпоративную кредитную линию. Критерии финансируемости должны зависеть от влияния решения и его обратимости.

Предлагаемые FSB принципы надлежащей практики на 2026 год организуют риск AI в разрезе управления, а также жизненного цикла разработки, внедрения, кибербезопасности, технологий и третьих сторон.[1] Структура управления рисками AI от NIST использует функции руководства, картирования, измерения и управления и требует постоянной оценки, документирования ограничений и процедур отключения систем, показатели которых не соответствуют предполагаемому использованию.[19] Эти структуры могут лечь в основу архитектуры контроля, но местное законодательство и пруденциальные требования остаются определяющими.

Термин «пригодная для финансирования» не означает, что модель идеальна. Он означает, что остаточная неопределённость выявлена, измерена, управляется и отражена в ставке авансирования, резерве, ковенанте, цене и правах кредитора.

3. Определите периметр модели, политики и системы

Одна организация может использовать несколько моделей для формирования одного скорингового балла. Компоненты идентификации, борьбы с мошенничеством, оценки доступности, кредитования, ценообразования, лимитов и взыскания могут быть входными данными для движка политик. Скоринги поставщиков могут преобразовываться или комбинироваться с правилами и суждением человека. Периметр дью-дилидженс должен включать каждый компонент, который влияет на результат для заёмщика или убыток кредитора.

В реестре должны фиксироваться цель, владелец, юридическое лицо, юрисдикция, сегмент заёмщика, продукт, роль в принятии решений, алгоритм, версия модели, период обучения, источники исходных данных, поставщик, дата валидации, существенность, план резервного варианта и вывода из эксплуатации. Теневые модели, тесты «чемпион — челленджер» и корректировки в электронных таблицах должны оставаться видимыми. Модель вне официального реестра является замечанием в сфере управления, даже если её технические результаты выглядят надёжными.

Стандарты управления моделями Центрального банка UAE относят управление, управление данными, разработку, внедрение, использование, мониторинг эффективности и независимую валидацию к ключевым компонентам.[11] Его руководство по обеспечивающим технологиям требует общеорганизационного реестра и охвата жизненного цикла от проектирования до вывода из эксплуатации.[9] Эти принципы поддерживают периметр, который выходит за рамки кода и охватывает политику, людей, данные и операции.

Кредитору также следует определить, какое юридическое лицо владеет моделью, какое юридическое лицо выдаёт и обслуживает кредиты и какое юридическое лицо несёт убытки. Внутригрупповые договорённости о скоринге или обслуживании могут влиять на доступ к данным и непрерывность после сделки или обращения взыскания.

Таблица 1. Реестр моделей и карта доказательств по уровням риска

Уровень риска должен отражать влияние на принятие решений, подверженность риску, автономность, сложность и заменяемость.

4. Закрепите права на данные, их происхождение и дальнейшую доступность

Альтернативные данные могут включать банковские транзакции, потоки мобильных денег, коммунальные платежи, арендные платежи, продажи на платформе, бухгалтерские записи, сигналы устройства, геолокацию или поведенческую информацию. Кредитор должен проверить правовое основание, уведомление заёмщика, согласие (где требуется), договорное разрешение, происхождение, точность, хранение, передачу и допустимое использование в модели для каждого поля или производного признака.

Доступ к данным может быть временным. Партнёр по платформе может прекратить поток данных, изменить интерфейс прикладного программирования, сузить согласие или изменить определения полей. Модель, обученная на широких данных, может деградировать, когда в промышленную эксплуатацию поступает меньший или более медленный набор. Команда сделки должна сравнить покрытие в разработке и промышленной эксплуатации и протестировать резервный вариант при потере каждого существенного источника.

Рамочные правила RBI по цифровому кредитованию требуют сбора данных, обусловленного потребностями, предварительного и явно выраженного согласия заёмщика, прозрачных аудиторских следов и подотчётности регулируемых организаций за поставщиков услуг.[12][13] Правила Кении для поставщиков цифрового кредитования требуют конфиденциальности информации о клиентах и своевременного, полного и точного представления кредитной информации в лицензированные бюро.[14] Эти требования показывают, почему права на данные и их качество являются вопросами кредитования, а не технической рутины.

Кредитор должен требовать реестр прав на данные, привязанный к признакам модели и заёмщикам. Поля без подтверждённых прав следует удалить или изолировать, модель — повторно протестировать, а любое снижение качества модели должно включаться в кредитное обоснование.

Таблица 2. Реестр прав на данные и доказательств

Применимые требования зависят от местного законодательства, продукта, заёмщика и источника данных.

5. Определяйте целевую переменную и дефолт единообразно

Эффективность модели зависит от прогнозируемого исхода. Целевой переменной может быть пропущенный платёж, просрочка 30 дней, просрочка 90 дней, списание, мошенничество, реструктуризация или чистый денежный убыток за определённый горизонт. Определение, используемое при разработке, должно соответствовать продукту, политике и цели финансирования. Целевая переменная просрочки с коротким горизонтом может ранжировать заёмщиков по раннему платёжному поведению, но не отражать убыток за весь срок.

Окно целевой переменной должно давать достаточно времени для созревания исхода. Недавние кредиты без полной истории обслуживания нельзя помечать как хорошие только потому, что по ним ещё не наступил дефолт. Устранение просрочки, реструктуризацию, урегулирование, мораторий, продажу и списание следует трактовать единообразно. Исходы должны сверяться с договорными сроками платежей, денежными поступлениями и бухгалтерскими записями.

Принципы управления кредитным риском Базельского комитета (2025) подчёркивают важность надёжного предоставления кредитов, администрирования, измерения, мониторинга и контроля.[7] Руководство CBUAE по валидации требует проверки определения дефолта, данных разработки, дизайна модели, допущений, стабильности, различительной способности и калибровки.[10] Эти принципы напрямую применимы к доказательной базе, лежащей в основе целевой переменной.

Кредитору следует повторно оценить эффективность при альтернативных определениях. Если прогнозный прирост исчезает, когда целевая переменная меняется с ранней просрочки на чистый убыток, модель может быть полезна для приоритизации взыскания и непригодна для целей учёта в капитале.

6. Формируйте когорты, позволяющие выявить эффекты отбора и вызревания

Случайное разбиение на обучающую и тестовую выборки может завышать эффективность, когда записи из аналогичных периодов времени, заёмщиков, мерчантов или локаций присутствуют в обеих выборках. Для финансовой пригодности требуются тесты вне времени и вне сегмента. Когорты следует формировать по дате выдачи, продукту, географии, каналу, типу заёмщика, размеру кредита, сроку, диапазону скорингового балла и версии модели при одинаковом количестве месяцев на балансе.

Отбор должен быть видимым. Модель наблюдает исходы только по одобренным кредитам, если у учреждения нет другого источника данных по отклонённым заявкам. Поэтому политика одобрения может создавать смещение выборки из-за отбора. Модель, обученная на предыдущих одобрениях, может показывать плохие результаты при расширении на ранее отклонённые группы или группы с недостаточной кредитной историей. Контролируемые пилоты и консервативные лимиты могут помочь накопить доказательства.

Работа IFC 2026 года по альтернативному кредитованию сообщает, что транзакционные данные являются распространёнными входными данными и что AI используется избирательно в моделях, обслуживающих заёмщиков с ограниченной формальной историей.[16] Эти данные подтверждают наличие возможностей и одновременно подчёркивают необходимость оценки контекста, сегмента и внедрения. Успех модели в одной стране, у одного партнёра или в одном продукте не доказывает её переносимость.

Пакет когорт должен указывать окна наблюдения и оценки эффективности, исключения, долю пропусков, количество счетов и объём экспозиции. Малые выборки следует идентифицировать и объединять только при наличии обоснованной причины.

7. Преобразуйте прогнозный прирост в экономический мост

Прогнозный прирост описывает улучшение относительно базового уровня. Он может означать более высокую различительную способность, лучшую калибровку, более низкие потери при той же доле одобрений или более высокую долю одобрений при тех же потерях. Кредитору следует требовать базовый уровень, отражающий фактическую альтернативу решения, например скоринговый балл бюро, скоринговую карту или правило политики, а не искусственно слабый бенчмарк.

Мост должен удерживать одно бизнес-ограничение постоянным. При одинаковой доле одобрений сравнивайте реализованные потери и вклад. При одинаковых ожидаемых потерях сравнивайте одобрения и профинансированную экспозицию. Анализ должен включать расходы на привлечение, данные, моделирование, верификацию, обслуживание и противодействие мошенничеству, а также стоимость фондирования и капитала. Небольшой статистический выигрыш может иметь ограниченную ценность после учёта затрат на внедрение и неблагоприятного отбора.

Приведённый ниже гипотетический пример начинается со 100 единиц базовых ожидаемых денежных потерь. Улучшение ранжирования снижает потери на 18 единиц, тогда как расширение на сегменты с недостаточной кредитной историей добавляет 7, ослабление политики добавляет 5, операционные затраты на данные и модель добавляют 4, а снижение уровня взысканий добавляет 3. Чистая аналитическая выгода составляет 1 единицу. Каждая сумма является гипотетическим аналитическим допущением и должна быть заменена проверенными данными уровня счёта.

Все значения являются гипотетическими аналитическими допущениями и не описывают кредитора, модель или рыночный прогноз.

8. Проверяйте различительную способность, калибровку и реализованные потери вместе

Дискриминационная способность показывает, получают ли более рискованные заёмщики худшие оценки. Калибровка показывает, соответствуют ли прогнозируемые вероятности наблюдаемым исходам. Модель может правильно ранжировать заёмщиков и при этом систематически занижать убытки. Кредиторам нужны оба показателя, поскольку капитал и ценообразование зависят от уровня риска, а не только от порядка ранжирования.

Валидация должна включать площадь под кривой или коэффициент Джини с доверительными интервалами, точность и полноту там, где это применимо, калибровку по диапазонам баллов, Brier score или log loss, а также соотношение наблюдаемых и ожидаемых исходов. Анализ должен использовать веса по счетам и экспозициям и показывать убытки в денежном выражении, а не только количество дефолтов. Сроки и стоимость восстановления важны для обслуживания долга.

Показатели эффективности следует разделять по периодам разработки, out-of-time, производственной эксплуатации и стрессовым периодам. Отчёт EBA о машинном обучении в моделях внутренних рейтингов подчёркивает осмотрительное применение в рамках системы управления кредитным риском и взаимодействие с правилами защиты данных и AI.[20] Стандарты валидации CBUAE требуют количественной проверки стабильности, разделяющей способности, чувствительности и калибровки.[10]

Пороги одобрения должны проверяться с учётом пропускной способности и ликвидности. Модель, которая принимает больше заёмщиков, может изменить состав пула и перегрузить верификацию или взыскание. Поэтому финансируемость связывает технические проверки с операциями и финансированием.

9. Оценивайте включение заёмщиков с тонкой кредитной историей, не маскируя неблагоприятный отбор

AI может выявлять заёмщиков, чьи операции с денежными средствами не отражены в традиционных кредитных файлах. Анализ BIS отмечает, что альтернативные данные могут улучшить прогнозирование дефолта для недостаточно охваченных групп и выявить заёмщиков, для которых традиционные оценки являются слабыми сигналами.[3] Работа IFC также описывает модели, использующие мобильные деньги, цифровые платежи, данные платформ и бизнес-данные.[16][17]

Кредитор должен измерять включение как контролируемую когорту. Для заёмщиков new-to-credit или thin-file должны быть явные определения, отдельная отчётность по одобрениям, экспозиции, ценообразованию, просрочке, убыткам и жалобам, а также поэтапные лимиты до накопления достаточных данных о фактической эффективности. При сравнениях следует делать поправку на сумму, срок, географию, канал и экономические условия.

Заявления о финансовой инклюзивности должны различать доступ и результаты. Большее число одобрений может сочетаться с недоступным ценообразованием, повторным рефинансированием или слабым пониманием заемщиком условий. Денежные показатели, совокупную стоимость, повторные заимствования, жалобы, финансовые трудности и реструктуризацию следует отслеживать совместно.

Структура финансирования может применять более низкие коэффициенты авансирования или более высокие резервы к непроверенным сегментам и снимать эти ограничения после подтвержденной эффективности когорты. Это позволяет капиталу следовать за доказательствами, не отказываясь от цели инклюзивности.

10. Оценивайте справедливость и риск прокси-переменных в фактическом процессе принятия решений

Исторические данные могут закреплять неравный доступ, неравное обращение и неравные результаты. Альтернативные переменные могут выступать прокси для защищенных или уязвимых характеристик. Поэтому анализ справедливости должен охватывать данные, метки, выходные данные модели, пороговые значения политики, ручные переопределения, ценообразование, лимиты, обслуживание и взыскание.

Учреждению следует вместе с юристами определить законодательно допустимые группы для сравнения. Полезные тесты могут включать одобрение, частоту ошибок, калибровку, ценообразование и убытки по группам с учетом размера выборки и доверительной вероятности. Статистическое различие требует изучения механизма, деловой необходимости, качества данных и потенциальных мер исправления. Один показатель паритета не может служить окончательным основанием для оценки.

Совет по финансовой стабильности (FSB) предупреждал, что исторические данные и непрозрачные альтернативные источники могут способствовать сохранению предвзятости и затруднять исправление ошибок заемщиками.[2] План действий G20 по финансированию МСП отмечает, что автоматизированная оценка кредитоспособности может вносить искажения, а неполные, нерепрезентативные данные могут влиять на группы с недостаточным доступом к услугам.[18]

Кредитору следует требовать ведения реестра признаков, проверки прокси-переменных, тестирования на справедливость, маршрута подачи жалоб и процесса контроля изменений. Если законные групповые метки недоступны, учреждение должно документировать это ограничение и использовать другие доказательства, такие как чувствительность признаков, географические результаты, ручная проверка и обратная связь от заемщиков.

11. Делайте объяснения полезными для заемщиков, кредитных специалистов и валидаторов

Объяснение должно соответствовать своей аудитории. Заемщикам нужны четкие основные причины и возможность исправить данные или запросить пересмотр. Кредитным офицерам нужны драйверы решений, чувствительность и контекст политики. Валидаторам нужны воспроизводимые методы, стабильность и ограничения. Надзорным органам нужны прослеживаемость и подтверждение подотчетности.

Одной лишь глобальной или локальной важности признаков может быть недостаточно. Коррелированные переменные могут обмениваться важностью, а пост-хок объяснения могут варьироваться. Институт должен проверять достоверность, стабильность и практическую применимость. Причина должна отражать фактическое решение и не раскрывать чувствительные меры безопасности или механизмы борьбы с мошенничеством.

Проект Noor БМР разрабатывает объяснимые методы AI, которые могут помочь надзорным органам оценивать прозрачность, справедливость и устойчивость при сохранении конфиденциальности.[5] В выступлении БМР 2026 года отмечается, что институты по-прежнему несут ответственность за объяснимость и качество данных в высокозначимых решениях, таких как кредитные заявки.[6] Эти инициативы поддерживают практическое объяснение при сохранении институциональной ответственности.

Кредитор должен выборочно сопоставлять объяснения с исходными данными, изменениями скоринговых баллов и решениями по политике. Решение, неблагоприятное для заемщика и не поддающееся последовательному объяснению, не должно давать права на автоматическое масштабирование или льготу по капиталу.

12. Управляйте ручными оверрайдами как измеримым компонентом модели

Человеческое суждение может добавлять информацию, которую модель не может наблюдать. Оно также может ослаблять дисциплину, отдавать предпочтение целям роста или скрывать ухудшающийся сегмент. Каждый оверрайд должен фиксировать направление, причину, обоснование, полномочия, отметку времени, балл модели, первоначальное решение, окончательные условия и последующий результат.

Анализ оверрайдов должен отличать оверрайд модели от исключения по политике и исправления данных. Исправление подтвержденной ошибки во входных данных отличается от одобрения заемщика вне аппетита к риску. Оверрайды в сторону повышения и понижения должны отслеживаться отдельно по кредитному офицеру, филиалу, каналу, продукту, географии и диапазону баллов.

Гипотетический анализ должен сравнивать наблюдаемые потери по одобрениям без оверрайдов, положительным оверрайдам и отрицательным оверрайдам при сопоставимом риске модели. Высокая частота оверрайдов может указывать на плохо подобранную модель или слабое внедрение. Концентрация полномочий на оверрайд создает риск поведения и операционный риск. Низкая доля оверрайдов также может вызывать беспокойство, если сотрудники следуют неподходящей модели без оспаривания.

Руководство CBUAE по валидации прямо требует проверки оверрайдов рейтингов, согласованности субъективных входных данных и потенциальной предвзятости.[10] Кредитор может установить триггеры отчетности, независимую выборочную проверку и лимиты, с временной приостановкой, если потери по оверрайдам существенно превышают утвержденный уровень потерь.

Частоты и уровни потерь являются гипотетическими аналитическими допущениями и не описывают какого-либо кредитора или модель.

13. Отслеживайте дрейф данных, баллов, решений и результатов

Дрейф возникает, когда производственная среда отличается от разработки или ранее утвержденных периодов. Дрейф данных меняет распределения или покрытие входных данных. Дрейф концепции меняет взаимосвязь между входными данными и дефолтом. Дрейф политики меняет пороги, правила или поведение людей. Дрейф результатов меняет просрочку, взыскание или потери. Кредитор должен отслеживать все четыре вида, поскольку стабильное распределение баллов может сочетаться с ухудшением денежного потока.

Индекс стабильности популяции, стабильность характеристик, пропуски, перемещение категорий и расстояние распределений могут поддерживать мониторинг данных. Изменения одобрения, отказа, ценообразования и лимитов по диапазонам баллов поддерживают мониторинг решений. Отношение наблюдаемых потерь к ожидаемым, ролл-рейты, винтажные кривые и взыскание поддерживают мониторинг результатов. Метрики должны отображаться по продукту, когорте, каналу, географии и существенному источнику данных.

Пороговые значения должны иметь утверждённый порядок реагирования. Предупреждение может инициировать расследование и усиленную отчётность. Нарушение может ограничить новые выдачи, повысить резервы, снизить коэффициент авансирования, переключить на резервный вариант или потребовать перекалибровки и валидации. При реагировании следует учитывать размер выборки и сезонность, а не полагаться на один изолированный статистический показатель.

Панель ниже использует гипотетические значения для демонстрации системы управления. Она не задаёт универсальных пороговых значений. Каждое учреждение должно калибровать триггеры с учётом подтверждённой исторической волатильности, риска портфеля и регуляторных требований.

Баллы представляют собой гипотетические аналитические допущения по шкале мониторинга от 1 до 5 и не являются универсальными лимитами.

14. Проверка эффективности при макроэкономических и локальных шоках

Кредитные портфели развивающихся рынков могут подвергаться воздействию инфляции, обесценения валюты, цен на сырьевые товары, климатических событий, конфликтов, изменений политики, перебоев в работе платформ и локальных шоков занятости. Данные по развитию могут содержать мало сопоставимых периодов. Модель может оставаться статистически стабильной, тогда как способность заёмщиков обслуживать долг меняется под влиянием переменных, которые она не наблюдает.

Стресс-тестирование должно объединять каналы модели и портфеля. Входные параметры можно шокировать там, где существует обоснованная зависимость; пороговые значения политики и денежные результаты также следует тестировать напрямую. Кредитор может применять более высокие ставки переходов, более низкие показатели исправления, задержанное восстановление, более низкий доход, более высокую стоимость рефинансирования и перебои с данными по когортам и географическим регионам. Сценарии должны включать коррелированные эффекты и операционные ограничения.

Исследование BIS по AI и кредитованию на основе взаимоотношений показало, что инвестиции AI поддерживали предложение кредита в нормальные периоды в исследованной выборке, но не обеспечили дополнительного кредитования или защиты от процентных ставок во время кризиса Covid.[4] Этот результат зависит от контекста и иллюстрирует, почему нельзя предполагать, что эффективность в нормальные периоды сохранится при новом шоке.

В сценарии сделки следует сравнивать стрессовые потери и ликвидность с запасом капитала, резервов и кредитной линии. Уверенность в модели должна снижаться, а не повышаться, если шок выходит за пределы опыта, отражённого в разработке.

15. Сверка мониторинга модели с бухгалтерским учётом портфеля и денежными средствами

Отчёты мониторинга часто используют метки просрочки или дефолта, сформированные внутри кредитной системы. Кредитору следует сверять эти метки с договорными графиками, банковскими поступлениями, главной книгой, резервами, списаниями и восстановлениями. Модель может выглядеть откалиброванной, если просроченная задолженность реструктурирована, продлена или списана за пределами данных о результатах.

Сверка должна сохранять первоначальные и пересмотренные графики, валовые и чистые списания, урегулирование, исправление, затраты на взыскание и сроки. Представления по счёту и экспозиции следует показывать вместе. Потери следует относить на версию модели и политику, действовавшие на момент выдачи, а последующие действия по обслуживанию должны учитываться отдельно.

Модели капитала и кредитных линий могут использовать показатели ожидаемых потерь, неожиданных потерь, концентрации или стрессовые показатели, которые отличаются от целевого показателя модели. Связующий анализ должен фиксировать каждое определение и показывать, как диапазоны баллов влияют на вероятность дефолта, уровень потерь при дефолте, экспозицию, резерв или коэффициент авансирования. Неподтверждённые преобразования представляют собой пробел с точки зрения финансируемости.

Корректировки данных должны контролироваться и отражаться в отчётности. Базельская система корпоративного управления подчёркивает ответственность совета директоров за качество данных и ограничения моделей и внешних входных данных.[8] Сверка делает эту подотчётность наблюдаемой.

16. Закрепите подотчётность совета директоров, менеджмента и контрольных функций

Орган управления должен утверждать существенное использование AI, риск-аппетит и подотчётность. Высшее руководство должно отвечать за внедрение, ресурсы, компетенции, мониторинг и устранение недостатков. Кредитные подразделения, подразделения по рискам, комплаенсу, данным, технологиям, безопасности, юридической поддержке, внутреннему аудиту и бизнесу должны иметь определённые роли и механизмы независимой проверки.

Владелец модели не должен утверждать независимую валидацию. Комитет по моделям может рассматривать разработку, изменения, эффективность, ручные корректировки и вывод модели из эксплуатации. Кредитный комитет должен сохранять полномочия в отношении кредитной политики и риска портфеля. Существенные вопросы должны эскалироваться в совет директоров или комитет по рискам совета директоров через установленные пороги.

Руководство CBUAE по обеспечивающим технологиям возлагает ответственность за результаты на орган управления и высшее руководство и требует наличия технических и кредитных специалистов с соответствующей квалификацией.[9] Доклад 2025 года Управления пруденциального надзора и Управления по надзору за финансовым сектором Южной Африки рекомендует комплексное управление, управление данными, управление модельными рисками и надзор на уровне совета директоров.[21]

Кредитор должен изучать протоколы, критическую проверку, решения и закрытие вопросов, а не принимать организационную схему на веру. Управление становится фактором финансируемости, когда полномочия меняют поведение, финансирование и развёртывание.

17. Требуйте независимой валидации с воспроизводимыми доказательствами

Независимая валидация должна проверять концептуальную обоснованность, данные, код, внедрение, использование, эффективность, ограничения и результаты. Независимость может быть организационной или достигаться за счёт внешней проверки при условии, что валидатор имеет доступ, компетенцию и независимость от стимулов, связанных с разработкой. Существенность должна определять глубину и частоту.

Валидация должна воспроизводить выборки, подтверждать построение целевой переменной, проверять утечку данных, сравнивать с базовыми моделями, анализировать настройку и отбор, проводить вневременные и сегментные тесты, оценивать калибровку, справедливость, объяснения, ручные корректировки, стресс, дрейф и резервный механизм. Валидация внедрения должна подтверждать, что утверждённые код, преобразования, пороги и данные работают в продуктивной среде.

Валидатор должен указывать выводы, степень серьёзности, компенсирующие меры контроля и условия использования. Модель с неустранённым критическим замечанием не должна получать такой же режим в отношении капитала или кредитного продукта, как полностью валидированная модель. Устранение недостатков должно быть повторно проверено независимой стороной.

Стандарты CBUAE относят стабильность, дискриминирующую способность, чувствительность, калибровку, управление, ручные корректировки, документацию и данные к областям валидации.[10][11] Отчёт о валидации должен передаваться кредитору на условиях конфиденциальности с достаточной детализацией для независимой оценки.

Таблица 3. Программа тестирования независимой валидации

Объём и периодичность должны определяться существенностью модели, юрисдикцией и риском портфеля.

18. Проводите дью-дилидженс моделей поставщиков и концентрированных технологических зависимостей

Поставщик может предоставлять оценки, данные, признаки, код, хостинг или мониторинг. Регулируемая организация и кредитор по-прежнему подвержены риску модели и непрерывности, даже если интеллектуальная собственность находится у внешней стороны. Команда дью-дилидженса должна определить, какие предусмотренные договором права на доступ к доказательствам, аудит, валидацию и внесение изменений существуют.

Соглашение должно охватывать использование данных, право собственности на них, конфиденциальность, безопасность, изменения модели, производительность, уровни обслуживания, уведомление об инцидентах, субподряд, доступ регулятора, доступ кредитора при необходимости, прекращение, переход и хранение записей. Услуга типа «чёрный ящик» может ограничить способность организации объяснять решения или воспроизводить исторические оценки. Договорный доступ следует проверять на соответствие фактической практике поставщика.

Концентрация может возникать, когда многие кредиторы используют один и тот же агрегатор данных, облачный сервис или модель. Общее изменение или сбой может одновременно затронуть несколько портфелей. Предложенные FSB надлежащие практики включают риски третьих сторон, киберриски и технологические риски.[1] NIST также рассматривает программное обеспечение, оборудование и данные третьих сторон на протяжении жизненного цикла.[19]

Финансовое обоснование должно включать время замены, переносимость данных, параллельную работу и резервный механизм. Прекращение работы поставщика, которое делает невозможным андеррайтинг, должно быть сценарием ликвидности и непрерывности бизнеса.

19. Защищайте конфиденциальность, безопасность и права заёмщиков на средства правовой защиты

Кредитные модели могут обрабатывать конфиденциальную финансовую информацию, поведенческие данные и сведения об устройствах. Организация должна собирать только данные, необходимые для утверждённой цели, защищать их, хранить в течение обоснованного периода и предоставлять заёмщикам применимые права на доступ, исправление и пересмотр. Согласие должно быть осмысленным, когда на него полагаются, и не должно скрывать ненужный сбор данных.

В рамках дью-дилидженса безопасности следует картировать данные при хранении и передаче, идентичности, привилегированный доступ, шифрование, ключи, журналы, среды разработки, артефакты моделей, резервные копии и поставщиков. Извлечение модели, отравление данных, состязательные входные данные и несанкционированные изменения признаков должны включаться в модель угроз. Инциденты должны связываться с затронутыми решениями и заёмщиками.

Руководство Всемирного банка по ответственному доступу к финансовым услугам подчёркивает защиту потребителей в цифровых финансах и надзор на основе риска.[15] Рамки RBI требуют чёткой политики конфиденциальности, ограниченного хранения у поставщиков услуг и контроля со стороны регулируемой организации.[12][13] Кенийские нормативы требуют конфиденциальности и обработки жалоб.[14]

Кредитор должен требовать уведомления о существенных инцидентах, связанных с данными, безопасностью или обращением с заёмщиками, с указанием мер по устранению и финансового воздействия. Право заёмщиков на средства правовой защиты способствует как соблюдению законодательства, так и качеству кредитных данных, поскольку исправленные записи улучшают будущие решения.

20. Составьте матрицу регулирования с учётом особенностей конкретной юрисдикции

Развивающиеся рынки различаются по лицензированию, защите потребителей, автоматизированным решениям, локализации данных, отчётности перед кредитными бюро, аутсорсингу, стандартам моделей и доступу надзорных органов. Региональная платформа не должна предполагать, что одну модель и один процесс согласия можно внедрить без изменений. Правовой и операционный периметр следует определять по стране, продукту, заёмщику и юридическому лицу.

В UAE действуют стандарты управления моделями и обеспечивающих технологий, охватывающие управление, данные, валидацию и контроль жизненного цикла.[9][10][11] Индия закрепляет ответственность регулируемого лица, согласие, аудиторский след и контроль цифрового кредитования применительно к поставщикам услуг.[12][13] Кения лицензирует и надзирает за поставщиками цифрового кредитования, а также регулирует использование кредитной информации и защиту потребителей.[14] Руководящие принципы открытого банкинга Нигерии включают управление данными, утверждённое советом директоров, и учёт алгоритмических систем.[22]

Матрица должна определять требования к одобрению, уведомлению, документации, объяснению, передаче данных, хранению, аудиту и рассмотрению жалоб. Изменения должны контролироваться по версиям и увязываться с конфигурацией системы. Местным юристам и регуляторам может потребоваться подтвердить толкование.

Юрисдикция без предписывающих правил AI всё равно требует соблюдения требований к кредитованию, данным, поведению, аутсорсингу и управлению. Кредитор должен закладывать неопределённость в цену и требовать доказательств, а не рассматривать регуляторное молчание как разрешение.

21. Преобразование доказательств по модели в пороговые условия допуска к капиталу

Допуск к капиталу означает, что экспозиция кредитора или инвестора получает согласованные доступность, ставку авансирования, резерв, ценообразование или режим портфельного учёта, поскольку имеются определённые доказательства. Пороговое условие не должно опираться на ярлык поставщика или технический показатель. Оно должно объединять правовые, данные, модельные, портфельные и операционные контроли.

Первое пороговое условие подтверждает права, инвентаризацию, управление и воспроизводимость. Второе подтверждает независимую валидацию, прирост относительно базовой линии и калибровку. Третье подтверждает внедрение в промышленную эксплуатацию, объяснения, ручные переопределения и мониторинг. Четвёртое подтверждает фактические убытки по зрелым портфелям и результаты стресс-тестирования. Пятое подтверждает продолжающееся соответствие, доступ поставщика, резервный механизм и отчётность по ковенантам.

Модель может пройти отдельные пороговые условия и получить ограниченный режим. Для незрелых когорт могут применяться более низкие ставки авансирования или более высокие резервы. Нарушение может остановить новый допуск, пока существующие экспозиции амортизируются в рамках контролируемого обслуживания. Восстановление должно требовать подтверждённого устранения нарушения и независимого утверждения.

Приведённая ниже гипотетическая схема пороговых условий показывает поэтапный доступ к капиталу. Проценты являются аналитическими допущениями и не отражают рыночные условия. Фактический режим зависит от подтверждённых доказательств, юридической структуры и аппетита к риску.

Ставки авансирования являются гипотетическими аналитическими допущениями и не представляют условия кредитора или рыночные котировки.

22. Встраивание модельного риска в структуру кредитной линии и ковенанты

Документы по кредитной линии должны определять кредиты, соответствующие критериям, версии моделей, одобренные продукты, требования к данным, концентрацию, зрелость, просроченную задолженность, реструктуризацию, мошенничество и документацию. Допуск на основе моделей может быть обусловлен валидацией, мониторингом и доступом. Заёмщик не должен изменять существенную модель, порог или политику без согласованного уведомления и, когда это уместно, одобрения.

Отчётность может включать распределение скоринговых оценок, одобрения, переопределения, покрытие данных, дрейф, отношение фактических убытков к ожидаемым, показатели по винтажам, индикаторы справедливости или поведения, инциденты и результаты валидации. Триггеры должны предусматривать определённые действия: расширенная отчётность, резерв, снижение ставки авансирования, приостановка, устранение нарушений или резервный механизм. Пороги существенности и сроки устранения нарушений требуют тщательной проработки.

Контроль денежных потоков остаётся критически важным. Модель не может заменить право собственности на дебиторскую задолженность, возможность принудительного взыскания, контролируемый сбор платежей, сверку базы заимствования, ликвидность и капитал. Кредитная линия должна связывать модельный риск с обычной кредитной архитектурой.

Кредитор должен получить права на аудит и доступ, достаточные для проверки подтверждающих материалов, при защите данных заёмщика и интеллектуальной собственности поставщика. Независимые эксперты могут содействовать деликатной проверке в рамках согласованных договорённостей о конфиденциальности.

Таблица 4. Ковенант по модельному риску и рамки отчётности

Условия носят иллюстративный характер и требуют юридической и регуляторной экспертизы с учётом конкретной сделки.

23. Применяйте методику при дью-дилидженсе сделки и кредитора

Инвестор или кредитор должен запросить реестр моделей, политики, карту данных, договоры, файлы разработки, валидацию, журналы промышленной эксплуатации, записи о решениях, портфельную выгрузку, сверку денежных средств и данных бухгалтерского учёта, жалобы, инциденты, переписку с регулятором и протоколы комитета. Презентации менеджмента должны проверяться на соответствие первичным документам и независимо воспроизведённым выборкам.

Реестр проблем дью-дилидженса должен связывать каждое замечание со стоимостью, кредитной структурой, условием закрытия, ковенантом, ответственным за устранение и мониторингом. Модель, которая улучшает показатели одобрения, но не имеет долгосрочных прав на данные, может снижать стоимость. Модель с умеренным приростом и сильным управлением может поддерживать контролируемое выделение капитала. В выводе должны быть указаны механизм и доказательства.

Защитные механизмы сделки могут включать условия проведения валидации, согласие на использование данных или согласие поставщика, устранение нарушений, эскроу, возмещение убытков и удержание. При оценке следует вычитать требуемые инвестиции и использовать подтверждённый вклад и убыток. Будущая стоимость модели должна признаваться через достижение ключевых этапов, а не через неподтверждённые утверждения.

Обзор должен включать оценку способности учреждения работать при недоступности модели. Контролируемый ручной или резервный вариант на основе упрощённой скоринговой карты защищает заёмщиков, взыскание задолженности и денежные средства кредитора при сбое или оспаривании.

24. Выполните 100-дневный план обеспечения финансируемости

В первые 30 дней следует зафиксировать реестр, прослеживаемость решений, права на данные, версии моделей, результаты валидации, сверку портфеля и критические инциденты. Учреждение должно заморозить несанкционированные изменения и установить управление, ответственность за проблемы и отчётность перед кредиторами. Когорты высокого риска или с недостаточным обоснованием могут получить временные лимиты.

С 31-го по 60-й день следует воспроизвести результаты, провести перекалибровку там, где это оправдано, протестировать объяснения и переопределения, закрыть пробелы в данных, провести валидацию в продуктивной среде, установить пороги дрейфа и отработать резервный сценарий. Юридические меры, меры по обеспечению конфиденциальности и безопасности, а также действия в отношении поставщиков должны выполняться параллельно с контролируемыми зависимостями.

С 61-го по 100-й день следует протестировать исправленные средства контроля, обеспечить вызревание новых когорт, внедрить капитальные контрольные точки и ковенанты, подтвердить право регресса к заёмщику и получить независимое заверение. Масштабирование должно следовать за подтверждёнными результатами, а не за календарём.

Для каждой инициативы нужны ответственный, подтверждающие данные, стоимость, контрольная точка для принятия решения и принятый остаточный риск. План должен отражать результаты по денежным средствам и заёмщикам наряду с техническим завершением.

Таблица 5. Иллюстративный 100-дневный план обеспечения финансируемости модели

Сроки должны определяться риском, зрелостью портфеля, регуляторными требованиями и операционной готовностью.

25. Структура принятия решений для инвестиционного комитета

Инвестиционный комитет должен получить связный ответ на шесть вопросов. Имеет ли учреждение право использовать каждый существенный входной параметр и продолжать его получать? Можно ли воспроизвести модель и решение? Превышают ли показатели прозрачный базовый уровень вне выборки по времени и в разрезе сегментов? Откалибрована ли вероятность по фактическим денежным убыткам? Управляются ли пояснения, ручные корректировки, справедливость, дрейф и резервные механизмы? Превращает ли кредитная линия эти механизмы контроля в обязательные к исполнению пороговые критерии капитала?

В рекомендации следует различать подтверждённые данные, открытые вопросы и гипотетические аналитические допущения. Каждый существенный вывод должен влиять на стоимость, коэффициент авансирования, резерв, ковенант, условие, мониторинг или решение о прекращении. Технический балл модели никогда не должен использоваться изолированно в инвестиционном выводе.

AI кредитные модели могут расширять информацию и поддерживать расширение доступа там, где официальные записи ограничены. Их ценность становится устойчивой, когда права на данные, валидация, политика, операции и денежные результаты остаются связанными на протяжении жизненного цикла. Управление, обеспечивающее финансируемость, делает эту связь видимой для заёмщиков, руководства, регуляторов и поставщиков капитала.

Самый убедительный пакет доказательств воспроизводим. Рецензент должен иметь возможность перейти от результата по кредитной линии или оценки обратно к показателям когорты, записям о решениях, версии модели, входным данным, согласиям, договорам и фактическим денежным поступлениям. Эта цепочка поддерживает ответственное масштабирование и защищает капитал при изменении условий.

Источники

1. Совет по финансовой стабильности, Надлежащие практики ответственного внедрения искусственного интеллекта: консультационный доклад, 10 июня 2026 г., https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. Совет по финансовой стабильности, Влияние искусственного интеллекта на финансовую стабильность, 14 ноября 2024 г., https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. Банк международных расчётов, Искусственный интеллект и экономика: последствия для центральных банков, Ежегодный экономический отчёт 2024, https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. Банк международных расчётов, Искусственный интеллект и кредитование на основе взаимоотношений, Рабочий документ № 1244, 19 февраля 2025 г., https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. Инновационный центр БМР, проект Noor, https://www.bis.org/project/noor
6. Банк международных расчётов, Регулирование и надзор за финансовым сектором в эпоху искусственного интеллекта, 20 мая 2026 г., https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. Базельский комитет по банковскому надзору, Принципы управления кредитным риском, 2025 г., https://www.bis.org/bcbs/publ/d595.pdf
8. Базельский комитет по банковскому надзору, Принципы корпоративного управления для банков, консолидированная редакция, https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. Центральный банк UAE, Руководящие указания для финансовых организаций, внедряющих обеспечивающие технологии: аналитика больших данных и искусственный интеллект, https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. Центральный банк UAE, Стандарты управления моделями: мониторинг и валидация, https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. Центральный банк UAE, Стандарты управления моделями, https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. Резервный банк Индии, Руководящие указания по цифровому кредитованию, 2 сентября 2022 г., https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. Резервный банк Индии, Справочник по нормативным требованиям: краткий обзор, 2025 г., https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. Центральный банк Кении, Положения о поставщиках цифрового кредита 2022 года, https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. Всемирный банк, Ресурсы по ответственному доступу к финансовым услугам и защите прав финансовых потребителей, https://responsiblefinance.worldbank.org/en/responsible-finance
16. Международная финансовая корпорация, Раскрытие кредитного кода: альтернативные данные и AI для финансовой инклюзии, 2026 г., https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. Международная финансовая корпорация, Банковское обслуживание ММСП в цифровую эпоху, 2025 г., https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. Глобальное партнёрство G20 по финансовой инклюзии, План действий по финансированию ММСП, 2025 г., https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. Национальный институт стандартов и технологий, Структура управления рисками искусственного интеллекта 1.0, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. Европейское банковское управление, Последующий отчёт об использовании машинного обучения для моделей на основе внутренних рейтингов, 4 августа 2023 г., https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. Южноафриканский резервный банк и Управление по контролю за поведением в финансовом секторе, Искусственный интеллект в южноафриканском финансовом секторе, 24 ноября 2025 г., https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. Центральный банк Нигерии, Операционные руководящие принципы по открытому банкингу в Нигерии, https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf