Обзор аспектов моделирования доли потерь при дефолте при оценке кредитного риска

С введением Банком России новых требований к порядку расчета величины кредитного риска для системно значимых кредитных организаций стало обязательным внедрение внутренних моделей оценки кредитного риска, включая модели доли потерь при дефолте. Цель исследования – систематизация современных подходов к моделированию доли потерь при дефолте в рамках оценки кредитного риска. Для достижения поставленной цели проведен анализ методологических аспектов построения моделей, включая нюансы расчета целевой переменной и формирования выборок разработки; выделены основные исследуемые сегменты моделирования; проанализированы объясняющие переменные. Результаты исследования показывают, что критически важным является учет специфики распределения данных по потерям при дефолте; особое значение имеет корректное формирование выборки разработки с учетом временных срезов до и после наступления стадии дефолта, а также раздельное моделирование для разных сегментов кредитного портфеля. Ключевыми факторами выступают характеристики обеспечения, параметры кредита, данные о заемщике и макроэкономические показатели. На основе анализа разработаны практические рекомендации банкам по учету важных аспектов моделирования доли потерь при дефолте для оценки кредитного риска.

1. Антонова Е. Оценка ставки восстановления по российским корпоративным облигациям // Электронный журнал «Корпоративные финансы». 2012. № 4 (24).

2. Власенко М. Построение моделей LGD для корпоративного сегмента в рамках A-IRB-подхода с использованием алгоритма деревьев решений // Банкaўскi веснiк. 2022. № 4.705.

3. Девайкина А. Разработка модели доли потерь при дефолте (LGD) для оценки кредитного риска коммерческого банка // Global & Regional Research. 2025. Т. 7, № 3. С. 10–15.

4. Кaрминский А., Лозинская А., Ожегов Е. Методы оценки потерь кредитора при ипотечном жилищном кредитовании // Эконом. журн. ВШЭ. 2016. Т. 20, № 1. С. 9–51.

5. Положение Банка России № 845-П от 02.11.2024 «О порядке расчета величины кредитного риска банками с применением банковских методик управления кредитным риском и моделей количественной оценки кредитного риска».

6. Смирнова А., Ахметсафин И., Молоканов И., Афанасьев С. Разработка LGD-моделей для розничного кредитования. Ч. 1: подготовка данных // Риск-менеджмент в кредитной организации. 2021. № 3.

7. Altman E. I., Kalotay E. A. Ultimate recovery mixtures // Journal of Banking & Finance. 2014. Vol. 40. P. 116–129. DOI: 10.1016/j.jbankfin.2013.11.021

8. Baixauli S., Alvarez S. The Role of Market-Implied Severity Modeling for Credit VaR // Annals of Economics and Finance. 2010. Vol. 11. No. 2. Pp. 337–353.

9. Bandyopadhyay A. Loan level loss given default (LGD) study of Indian banks // IIMB Management Review. 2022. Vol. 34. P. 168–177. DOI: 10.1016/j.iimb.2022.06.003

10. Basel Committee on Banking Supervision. 2006. International Convergence of Capital Measurement and Capital Standards.

11. Bastos J. A. Forecasting bank loans loss-given-default // Journal of Banking & Finance. 2010. Vol. 34. P. 2510–2517. DOI: 10.1016/j.jbankfin.2010.04.011

12. Bellotti A., Brigo D., Gambetti P., Vrins F. Forecasting recovery rates on non-performing loans with machine learning // International Journal of Forecasting. 2020.. DOI: 10.1016/j.ijforecast.2020.06.009

13. Bellotti T., Crook J. Loss Given Default models for UK retail credit cards // CRC working paper 09/1. 2009.

14. Betz J., Kellner R., Rosch D. Time matters: How default resolution times impact final loss rates // Journal of the Royal Statistical Society: Series C (Applied Statistics). 2021. Vol. 70. P. 619–644. DOI: 10.1111/rssc.12474

15. Bonini S., de Carvalho G. Econometric Approach for Basel II Loss Given Default Estimation: from Discount Rate to Final Multivariate Model. 2016.

16. Caselli S., Gatti S., Querci F. The Sensitivity of the Loss Given Default Rate to Systematic Risk: New Empirical Evidence on Bank Loans // Journal of Financial Services Research. 2008. Vol. 34. P. 1–34. DOI: 10.1007/s10693-008-0033-8

17. Chalupka R., Kopecsni J. Modelling bank loan LGD of corporate and SME segments: A case study // IES Working Paper. 2008. No. 27.

18. Dahlin F., Storkitt S. Estimation of Loss Given Default for Low Default Portfolios // Royal Institute of Technology. 2014.

19. Dermine О., de Carvalho C. N. Bank loan losses-given-default: A case study // Journal of Banking & Finance. 2006. Vol. 30. P. 1219–1243. DOI: 10.1016/j.jbankfin.2005.05.005.

20. Fan M., Wu T.-H., Zhao Q. Assessing the Loss Given Default of Bank Loans Using the Hybrid Algorithms Multi-Stage Model // Systems. 2023. Vol. 11. No. 505. DOI: 10.3390/systems11100505

21. Gibilaro L., Mattarocci G. The selection of the discount rate in estimating loss given default // Global Journal of Business Research. 2007. Vol. 1. No. 2. P. 15–33.

22. Grunert J., Weber M. Recovery rates of commercial lending: Empirical evidence for German companies // Journal of Banking & Finance. 2009. Vol. 33. Pp 505–513. DOI: 10.1016/j.jbankfin.2008.09.002

23. Grzybowska U., Karwanski M. Application of Machine Learning Method under IFRS 9 Approach to LGD Modeling // Acta Physica Polonica A. 2020. Vol. 138. No. 1. P. 116–120. DOI: 10.12693/APhysPolA.138.116

24. Gürtler M., Hibbeln M. Pitfalls in Modeling Loss Given Default of Bank Loans // Working paper. 2011. DOI: 10.2139/ssrn.1757714

25. Gürtler M., Hibbeln M. Improvements in loss given default forecasts for bank loans // Journal of Banking & Finance. 2013. Vol. 37. P. 2354–2366. DOI: 10.1016/j.jbankfin.2013.01.031

26. Han C., Jang Y. Effects of debt collection practices on loss given default // Journal of Banking & Finance. 2012. DOI:10.2139/ssrn.2427496

27. Jaber J. J., Ismail N., Ramli S. N. M., Albadareen B., Hamadneh N. N. Estimating Loss Given Default Based on Beta Regression // Computers, Materials & Continua. 2021. Vol. 66. No. 3. DOI: 10.32604/cmc.2021.014509

28. Jacobs Jr. M. Modeling Ultimate Loss-Given-Default and Time-to-Resolution on Corporate Debt // Journal of Financial Risk Management. 2024. Vol. 13. P. 426–459. DOI: 10.4236/jfrm.2024.132020

29. Jobst R., Kellner R., Rosch D. Bayesian loss given default estimation for European sovereign bonds // International Journal of Forecasting. 2020. DOI: 10.1016/j.ijforecast.2019.11.004

30. Joubert M., Verster T., Raubenheimer H., Schutte W. D. Adapting the Default Weighted Survival Analysis Modelling Approach to Model IFRS 9 LGD // Risks. 2021. Vol. 9. No. 103. DOI: 10.3390/risks9060103

31. Kaposty F., Kriebel J., Loderbusch M. Predicting loss given default in leasing: A closer look at models and variable selection // International Journal of Forecasting. 2019. DOI: 10.1016/j.ijforecast.2019.05.009

32. Konecny T., Seidler J., Belyaeva A., Belyaev K. The time dimension of the links between loss given default and the macroeconomy // ECB Working Paper. 2017. No. 2037.

33. Kruger S., Rosch D. Downturn LGD modeling using quantile regression // Journal of Banking & Finance. 2017. Vol. 79. P. 42–56. DOI: 10.1016/j.jbankfin.2017.03.001

34. LaCour-Little M., Zhang Y. Default Probability and Loss Given Default for Home Equity Loans // Economics Working Paper 2014-1.

35. Larney J., Grobler G. L., Allison J. S. Introducing Two Parsimonious Standard Power Mixture Models for Bimodal Proportional Data with Application to Loss Given Default // Mathematics. 2022. Vol. 10. No. 4520. DOI: 10.3390/ math10234520

36. Leow M., Mues C. Predicting loss given default (LGD) for residential mortgage loans: A two-stage model and empirical evidence for UK bank data // International Journal of Forecasting. 2012. Vol. 28. P. 183–195. DOI: 10.1016/j.ijforecast.2011.01.010.

37. Li K., Zhou F., Li Z., Yao X., Zhang Y. Predicting loss given default using post-default information // Knowledge-Based Systems. 2021. Vol. 224. 107068. DOI: 10.1016/j.knosys.2021.107068

38. Miller P., Tows E. Loss Given Default Adjusted Workout Processes for Leases // Journal of Banking & Finance. 2017. DOI: 10.1016/j.jbankfin.2017.01.020

39. Nazemi A., Fabozzi F. J. Macroeconomic variable selection for creditor recovery rates // Journal of Banking & Finance. 2018. Vol. 89. P. 14–25. DOI: 10.1016/j.jbankfin.2018.01.006

40. Nazemi A., Heidenreich K., Fabozzi F. J. Improving corporate bond recovery rate prediction using multi-factor support vector regressions // European Journal of Operational Research. 2018. DOI: 10.1016/j.ejor.2018.05.024

41. Ptak-Chmielewska A., Kopciuszewski P., Matuszyk A. Application of the kNNBased Method and Survival Approach in Estimating Loss Given Default for Unresolved Cases // Risks. 2023. Vol. 11. No. 42. P. 1–14. DOI: 10.3390/risks11020042

42. Qi M., Yang X. Loss given default of high loan-to-value residential mortgages // Journal of Banking & Finance. 2009. Vol. 33. P. 788–799. DOI: 10.1016/j.jbankfin.2008.09.010

43. Qi M., Zhao X. Comparison of modeling methods for Loss Given Default // Journal of Banking & Finance. 2011. Vol. 35. P. 2842–2855. DOI: 10.1016/j.jbankfin.2011.03.011

44. Rantanen J. Modeling Loss Given Default On Unsecured Consumer Loans – Case Study Of A Finnish Financial Institution // Master’s Programme in Strategic Finance and Analytics, Master’s thesis. Lappeenranta–Lahti University of Technology LUT. 2023.

45. Rapisarda G., Echeverry D. A Non-parametric Approach to Incorporating Incomplete Workouts Into Loss Given Default Estimates // MPRA Paper No. 26797. 2010.

46. Schmit M., Stuyck J. Recovery Rates in the Leasing Industry. 2002.

47. Sopitpongstorn N., Silvapulle P., Gao J., Fenech J.-P. Local logit regression for loan recovery rate // Journal of Banking & Finance. 2021. Vol. 126. 106093. DOI: 10.1016/j.jbankfin.2021.106093

48. Tong E. N. C., Mues C., Thoma L. A zero-adjusted gamma model for mortgage loan loss given default // International Journal of Forecasting. 2013. Vol. 29. P. 548–562. DOI: 10.1016/j.ijforecast.2013.03.003

49. Wang H., Forbes C. S., Fenech J.-P., Vaz J. The determinants of bank loan recovery rates in good times and bad – New evidence // Journal of Economic Behavior and Organization. 2020. Vol. 177. P. 875–897. DOI: 10.1016/j.jebo.2020.06.001.

50. Yao X., Crook J., Andreeva G. Enhancing Two-Stage Modelling Methodology for Loss Given Default with Support Vector Machines // European Journal of Operational Research. 2017. DOI: 10.1016/j.ejor.2017.05.017

51. Yashkir O., Yashkir Y. Loss given default modeling: a comparative analysis // Journal of Risk Model Validation. 2013. Vol. 7. No. 1. P. 25–59. DOI:10.21314/ JRMV.2013.101