Новости и события

23 апреля пройдет семинар «Моделирование доли потерь при дефолте (LGD) для портфеля автокредитов»

06 апреля 2026

23 апреля (четверг) в 11-00 в конференц-зале института пройдет семинар лаборатории моделирования и анализа экономических процессов.

Тема: «Моделирование доли потерь при дефолте (LGD) для портфеля автокредитов».

Докладчик: А.С. Девайкина (аспирант 3 курса НГУ).

Научный руководитель: д.э.н. Н.М. Ибрагимов.

Аннотация:

В докладе будет представлена разработка интерпретируемой модульной модели для оценки доли потерь при дефолте (Loss Given Default, LGD) на примере портфеля автокредитов российского системно-значимого коммерческого банка.
Особенностью LGD как целевой переменной является ярко выраженное U-образное распределение: значительная доля дефолтов завершается либо с минимальными потерями (вблизи 0%), либо с почти полной невозвратностью (вблизи 100%). Это создаёт серьёзные трудности для стандартных регрессионных методов и требует специальных подходов к моделированию.

Предлагаемая модульная архитектура включает три компонента:

модуль низких потерь (neighborhood_0) — классифицирует наблюдения с LGD вблизи нуля;
модуль высоких потерь (neighborhood_1) — идентифицирует случаи с LGD вблизи единицы;
центральный модуль (central) — прогнозирует LGD для промежуточных значений.

Для оптимального разбиения диапазона LGD на модули разработан алгоритм на основе модифицированного индекса Херфиндаля-Хиршмана, нормированного на ширину интервала. Этот показатель минимизирует внутригрупповую концентрацию и позволяет выделить максимально широкую и равномерную центральную зону между двумя областями высокой плотности.
В работе также предложен метод калибровки незавершённых дефолтов (концепция «искусственного закрытия»), позволяющий включать в выборку разработки наиболее актуальную информацию и снижать смещение оценок в сторону устаревших сценариев.
В качестве бенчмарка используется модель случайного леса («чёрный ящик»). Результаты показывают, что разработанная модульная модель демонстрирует конкурентоспособную точность (MAE, MAD на уровне бенчмарка) и дискриминационную способность (SomersD = 0,39–0,46), при этом полностью сохраняя интерпретируемость логики оценивания — ключевое требование регулятора (Положение Банка России № 845-П) для моделей, используемых в расчётах капитала и резервов под кредитный риск.