Выступление с докладом «Как построить систему управления модельным риском в банке на базе платформы Polymatica ML» на Риск-конференции
15-16 октября 2024 года на Риск-конференции выступили Роман Соловьев, председатель правления RBDATA Group, и Светлана Белова, Ведущий менеджер по работе с клиентами Polymatica с докладом «Как построить систему управления модельным риском в банке на базе платформы Polymatica ML». В своем докладе они подробно рассмотрели ключевые аспекты построения системы управления модельным риском, используя платформу Polymatica ML.
1. Зачем управлять модельным риском?
Первый блок доклада был сосредоточен на определении модельного риска и его значимости для банков. Модельный риск представляет собой потенциальные убытки, возникающие из-за ошибок в моделях, которые могут негативно сказаться на финансовых результатах банка. Основные источники модельного риска включают ошибки в данных, недостаточную валидацию моделей и изменения в экономической среде.
Докладчики отметили важность соблюдения актуальных требований регулирующих органов, таких как Банк России, Basel Committee и US Federal Reserve. Они подчеркнули, что международные подходы к управлению модельным риском включают лучшие практики и стандарты, которые помогают обеспечить надежность моделей и минимизировать финансовые потери.
Примеры из банковского сектора продемонстрировали необходимость создания системы, которая будет отслеживать поведение моделей и предупреждать о возможных событиях, связанных с модельным риском. Это позволяет не только избежать потерь, но и повысить доверие к используемым моделям.
2. Как управлять модельным риском?
Во втором блоке доклада внимание было уделено практическим аспектам управления модельным риском. Докладчики предложили дизайн и ролевое моделирование системы, выделив ключевые роли и функции в процессе управления модельным риском. Это включает владельцев моделей, аналитиков и контролеров, каждый из которых играет важную роль в обеспечении надежности моделей.
Сбор информации о моделях и участниках процесса является следующим шагом. Создание базы данных для учета всех моделей и их пользователей с описанием назначения и области применения позволит обеспечить прозрачность и доступность информации.
Процесс анализа и оценки был представлен как важный элемент системы управления модельным риском. Учет уникальных особенностей банка для более точной оценки рисков, включая регулярные ревизии моделей, поможет выявить потенциальные проблемы на ранних стадиях.
Выступление Романа Соловьева и Светланы Беловой на Риск-конференции стало важным вкладом в обсуждение вопросов управления модельным риском в банковской сфере. Использование платформы Polymatica ML для построения системы управления модельным риском открывает новые возможности для повышения эффективности и надежности моделей, что является критически важным в условиях современного финансового рынка.
