|
|
Управление Риском №3 - 2026
Финансы и бизнес
Фантаццини Деан
доктор экономических наук, профессор, заместитель заведующего кафедрой эконометрики и математических методов экономики Московской школы экономики МГУ имени М. В. Ломоносова
Моргунов А. В.
кандидат экономических наук, доцент Школы финансов факультета экономических наук, Национальный исследовательский университет «Высшая школа экономики»
Гусарова А. С.
аспирантка 1-го курса Московской школы экономики МГУ имени М. В. Ломоносова, «Фонд содействия развитию науки «Институт “Вега”»
Моделирование уровня потерь при дефолте российских корпоративных заемщиков: сравнительный анализ эконометрических моделей и методов машинного обучения
В работе проведено сравнение моделей прогнозирования уровня потерь при дефолте на
выборке из 646 российских корпоративных заемщиков, потерпевших дефолт в 2020–2023
годах. Ансамблевые алгоритмы показали лучшее ранжирование, регрессия дробного отклика – лучшую калибровку, интерпретируемое дерево – наивысшую полноту выявления
списаний. Двухэтапные модели конкурентоспособны по ранжированию, но уступают
прямым по калибровке. Ключевые факторы – финансовый леверидж, залоговое покрытие,
размер долга.
LGD потери при дефолте кредитный риск машинное обучение градиентный бустинг IRB МСФО 9
Modeling Loss Given Default for Russian Corporate Borrowers: A Comparative Analysis of Econometric Models and Machine Learning Methods
This paper compares loss given default prediction models on a sample of 646 Russian corporate
borrowers who defaulted in 2020-2023. Ensemble algorithms achieve the best ranking ability, fractional
response regression delivers the best calibration, and the interpretable tree provides the highest recall
for write-off detection. Two-stage models remain competitive in ranking metrics but yield to direct
models in calibration. Key drivers are financial leverage, collateral coverage, and debt size.
LGD loss given default credit risk machine learning gradient boosting IRB IFRS 9
|
