Использование искусственного интеллекта для оценки и управления предпринимательскими рисками

Введение

Управление предпринимательскими рисками объединяет разнородные по природе задачи, общим для которых является работа с неопределённостью относительно будущих потерь. Практика риск-менеджмента на большинстве предприятий строится на экспертной оценке: реестр рисков формируется в ходе обсуждения, вероятность и ущерб оцениваются по качественной шкале, результат отображается на карте рисков. Метод обладает существенным достоинством – он применим всегда, – и столь же существенным недостатком: воспроизводимость его результатов невысока, а зависимость от состава участников обсуждения велика.

Появление доступных методов машинного обучения породило ожидание, что экспертная процедура будет замещена расчётной. Ожидание это оправдалось лишь частично и весьма неравномерно по видам риска. Ниже предпринята попытка разграничить области, где алгоритмическая оценка действительно превосходит экспертную, и области, где её применение создаёт видимость точности при фактическом ухудшении качества управления.

Разграничение рисков по пригодности к алгоритмической оценке

Определяющими признаками служат частота реализации риска и наблюдаемость исхода. Их сочетание задаёт четыре области, различающиеся применимостью статистических методов.

Частые события с наблюдаемым исходом. Просрочка платежа контрагентом, сбой оборудования, ошибка при вводе данных, отказ клиента от заказа. Событий много, результат фиксируется, история накапливается. Это область, где машинное обучение работает в полную силу и где его превосходство над экспертной оценкой не вызывает сомнений.

Частые события с ненаблюдаемым или частично наблюдаемым исходом. Ситуации, когда компания видит результат только принятых решений: отказав контрагенту в отсрочке, она никогда не узнает, оплатил бы он вовремя. Данные систематически смещены, и прямое обучение на них воспроизводит логику прошлых решений вместе с их ошибками. Методы коррекции существуют, но требуют квалификации, выходящей за рамки типового аналитического отдела.

Редкие события с тяжёлыми последствиями. Утрата ключевого актива, крупная авария, потеря основного клиента, регуляторный запрет. Наблюдений единицы или ноль, статистическая оценка вероятности невозможна в принципе. Здесь экспертная процедура и сценарный анализ остаются единственными работоспособными инструментами, а попытка приписать таким событиям расчётную вероятность порождает ложную определённость.

Риски с изменяющейся природой. Возникающие вследствие технологических или регуляторных сдвигов, когда прошлые данные описывают среду, которой больше нет. Прогноз, построенный на исторической выборке, здесь систематически ошибается в сторону недооценки.

Практический вывод из этого разграничения состоит в следующем: расширение области применения алгоритмических методов оправдано только в первой группе и, при должной аккуратности, во второй. Перенос их в третью и четвёртую группы, к которому подталкивает стремление к единообразию методологии, ухудшает качество управления, поскольку заменяет осознаваемую неопределённость мнимой точностью.

Оценка контрагентского риска

Оценка надёжности контрагентов представляет собой наиболее развитое направление применения алгоритмических методов в корпоративном риск-менеджменте. Задача формулируется как предсказание вероятности неисполнения обязательств в заданном горизонте.

Источники признаков разнообразны: данные бухгалтерской отчётности, сведения из государственных реестров, судебная история, информация об исполнительных производствах, структура собственности и её изменения, платёжная история во взаимоотношениях с самой компанией. Отдельную ценность представляют динамические признаки – не значение показателя, а направление и скорость его изменения, поскольку ухудшение финансового состояния проявляется в динамике раньше, чем в уровне.

Построение такой оценки естественно приводит к многофакторной конструкции, в которой итоговый показатель формируется из раздельно оцениваемых составляющих с прослеживаемым вкладом каждой. Подход, применяемый при моделировании коммерческих финансовых систем [2, с. 12-16], здесь предпочтителен перед единой непрозрачной моделью по двум причинам. Во-первых, кредитный комитет обязан обосновывать решения, и разложенная оценка допускает обсуждение, тогда как агрегированная – нет. Во-вторых, при изменении внешних условий раздельная структура позволяет скорректировать отдельную составляющую, не перестраивая модель целиком.

Ограничение, о котором говорилось выше, здесь проявляется в полной мере: компания наблюдает платёжное поведение только тех контрагентов, которым отсрочка предоставлялась. Модель, обученная без учёта этого обстоятельства, закрепляет прошлую кредитную политику, включая её консерватизм. Частичным решением служит предоставление небольших лимитов части отклонённых контрагентов – сознательно принимаемые издержки ради получения информации о неизведанной области.

Операционный риск и обнаружение отклонений

Операционный риск, связанный с нарушениями в исполнении процессов, ошибками персонала и сбоями систем, характеризуется высокой частотой реализации при умеренном единичном ущербе. Это делает его удобным объектом для алгоритмических методов.

Основной инструмент – обнаружение отклонений от нормального хода процесса. Модель, обученная на массиве обычных операций, выделяет нетипичные: нехарактерное сочетание параметров, необычное время выполнения, отклонение последовательности шагов от сложившейся практики. Применение охватывает контроль закупочных процедур, выявление ошибок в учёте, обнаружение нарушений регламентов доступа.

Практическая ценность инструмента состоит не в замене контроля, а в его приоритизации. Служба внутреннего контроля располагает ограниченным ресурсом и традиционно распределяет его либо сплошной проверкой малой доли операций, либо проверкой по формальным критериям существенности. Ранжирование по вероятности отклонения позволяет направить тот же ресурс на объекты, где вероятность обнаружить нарушение выше.

Отдельное направление – анализ договорной документации. Модели обработки текста выявляют в проектах договоров условия, отклоняющиеся от типовых: нестандартные сроки, необычное распределение ответственности, отсутствие обычно присутствующих положений. Архитектура ассистентов, применяемых для подобных задач, включая требования к прослеживаемости вывода, рассмотрена в работе В. В. Осадчего [1, с. 42-50]. Существенным здесь остаётся то, что вывод такой системы служит основанием для внимания юриста, а не заменяет правовую экспертизу: пропуск существенного условия обходится значительно дороже, чем лишняя проверка.

Проблема редких событий

Наиболее серьёзное методическое затруднение связано с рисками, которые редки, но способны причинить критический ущерб. Именно они определяют устойчивость предприятия, и именно для них статистические методы наименее пригодны.

Формальная сторона затруднения очевидна: оценить вероятность события, произошедшего ноль раз, по частоте невозможно. Менее очевидна и более опасна другая сторона. Модель, обученная на выборке, где редкое событие практически отсутствует, демонстрирует превосходные показатели качества – она предсказывает отсутствие события и почти всегда оказывается права. Формальные метрики выглядят убедительно, практическая ценность нулевая. Такая модель не просто бесполезна: она вытесняет внимание руководства от области, ради которой создавалась.

Работоспособные подходы лежат вне области статистического обучения. Анализ предвестников – событий, предшествующих реализации риска и происходящих чаще самого риска, – позволяет строить наблюдаемые индикаторы. Стресс-тестирование задаёт условия экспертно и оценивает последствия расчётом. Анализ реализовавшихся случаев на других предприятиях отрасли расширяет фактическую базу за пределы собственного опыта. Все три подхода требуют экспертной работы и не поддаются автоматизации в той степени, в какой этого хотелось бы.

Встраивание расчётных оценок в контур управления

Наличие модели, дающей корректную оценку риска, не означает, что оценка влияет на решения. Разрыв между расчётным контуром и контуром принятия решений – распространённая причина того, что технически исправные системы не меняют практику.

Типичная конфигурация: модель формирует оценку, риск-менеджер включает её в отчёт, отчёт рассматривается на комитете, решение принимается по совокупности соображений, среди которых расчётная оценка занимает место одного из многих. Формально она учтена, фактически влияние её на исход близко к нулю, поскольку не определён порядок, в котором оценка обязывает к действию.

Работоспособная схема требует закрепления связи между значением оценки и последующим действием: превышение установленного уровня влечёт определённую процедуру – пересмотр лимита, обязательное согласование, дополнительное обеспечение. Порог задаётся заранее, исходя из готовности организации принимать риск, а не подбирается после получения результата под уже сложившееся мнение. Отступление от этого правила лишает расчётный контур управленческого содержания.

Существенно и обратное движение. Реализовавшиеся события должны возвращаться в систему как обучающий материал, а решения об отклонении от расчётной рекомендации – фиксироваться с указанием оснований. Организации, не ведущие такого учёта, лишены возможности установить, превосходит ли экспертное суждение расчётное или уступает ему, и спор о применимости моделей ведут в отсутствие фактических данных.

Модельный риск

Внедрение алгоритмических систем оценки само порождает категорию риска, ранее отсутствовавшую. Существенно, что этот риск в реестрах предприятий, как правило, не отражён.

Первая его составляющая – деградация вследствие изменения условий. Модель, обученная на данных определённого периода, теряет применимость по мере изменения среды. Опасность состоит в характере деградации: система продолжает выдавать оценки в прежнем формате, признаков неисправности не подаёт, доверие пользователей сохраняется, качество падает. Обнаружение происходит по последствиям.

Вторая – концентрация решений. Если оценка контрагентов централизована в единой модели, её систематическая ошибка распространяется на весь портфель одновременно. Прежняя схема, при которой решения принимались несколькими экспертами с различающимися суждениями, обладала свойством, ценность которого обнаруживается только при её утрате: ошибки были некоррелированы.

Третья – утрата компетенции. По мере передачи оценки системе сотрудники теряют навык самостоятельного суждения. При отказе системы или при появлении ситуации, выходящей за пределы её применимости, организация оказывается без способности к оценке – притом, что формально процедура существует.

Управление модельным риском требует регулярной проверки качества на свежих данных, сохранения независимого экспертного контура для выборочной перепроверки и явного определения границ применимости модели с процедурой эскалации за их пределами.

Заключение

Применимость алгоритмических методов в риск-менеджменте определяется частотой реализации риска и наблюдаемостью исхода. Расширение их использования оправдано в области частых событий с фиксируемым результатом; перенос в область редких событий с тяжёлыми последствиями замещает осознаваемую неопределённость мнимой точностью и ухудшает качество управления.

В оценке контрагентского риска многофакторная конструкция с раздельно оцениваемыми составляющими предпочтительна перед единой моделью, поскольку обеспечивает обоснованность решения и допускает частичную корректировку при изменении условий.

Смещение обучающей выборки, возникающее из-за наблюдаемости исходов только принятых решений, представляет собой систематическое, а не случайное искажение и требует специальных мер, включая сознательное принятие ограниченных издержек ради получения информации.

Модельный риск подлежит включению в реестр рисков предприятия наравне с прочими и требует собственных процедур контроля – регулярной проверки качества, сохранения независимого экспертного контура и явного определения границ применимости.

Дальнейшая работа по теме представляется целесообразной в направлении разработки методик оценки достаточности данных для перехода от экспертной процедуры к расчётной применительно к отдельным категориям рисков – вопрос, решаемый сегодня преимущественно интуитивно.