Нет предела совершенству. Стандарт МСФО (IFRS) 18 усиливает требования к качеству финансовой отчетности и «уводит» от формального подхода к ее составлению введением понятия «полезное структурированное обобщение». Во второй части статьи (первая была опубликована в № 1) даны рекомендации по предоставлению полезного структурированного обобщения, агрегированию и дезагрегированию информации, формированию «прочих» статей отчетов, приведены условные примеры ОФР в индивидуальной отчетности банка и в консолидированной отчетности банковской группы. Напомним, что первая отчетность, которая должна быть составлена в соответствии с требованиями стандарта, — это сокращенная промежуточная финансовая отчетность за I квартал 2027 г. При этом отчет о прибылях или убытках в сокращенной промежуточной финансовой отчетности за I квартал 2027 г. должен быть составлен с учетом ожидаемой структуры отчета за 2027 г. в целом, а значит, подготовку к переходу на стандарт желательно начинать в ближайшее время или сразу, как закончится сезон отчетности 2025 г.

У кредитных организаций часто возникают вопросы по отражению отложенного налога, когда он образуется по операциям с капиталом, и тем более если он возникает в отношении одного актива или обязательства и по операциям с капиталом, и по текущим операциям. Ситуаций может быть множество, и хотелось бы иметь универсальный инструмент («модель»), который бы позволял корректно отражать отложенный налог. Автор, опираясь на свои практические наработки как аудитора, предлагает набор подобных правил — «микс» на основе российского и международного стандартов. МСФО (IAS) 12 «Налоги на прибыль», конечно, отличается от нашего российского ПБУ 18/02, но у них имеются одинаковые базовые принципы. В определенных аспектах наш стандарт написан более логично и понятно, не приводя при этом к противоречию с МСФО в итоговом отражении и представлении бухгалтерских записей. Прежде всего, в нашем стандарте есть волшебные формулы взаимоувязки: чистая прибыль по ОФР совпадает с сальдо, сформированным на счетах учета финансовых результатов.

Когда мы выбираем вектор развития, особенно в сфере кредитных технологий, всегда полезно выйти за границы своего непосредственного рынка и посмотреть на опыт смежных отраслей. Там часто уже есть ответы на вопросы, которые часть игроков рынка только начинает для себя формулировать. Сегодня в секторе кредитования юридических лиц активно обсуждается вопрос развития инфраструктуры для принятия решений по кредитным продуктам. Как найти баланс между сложностью проверок, скоростью и качеством выдач? Как снизить издержки и ускорить запуск новых продуктов? Для поиска правильного решения стоит обратиться к опыту розничного кредитования. Независимо от того, оцениваем ли мы заявку на потребительский кредит или сложный инвестиционный проект юридического лица, логика движения данных и трансформации информации остается неизменной. Меняются лишь объекты проверки и источники данных, но архитектура едина. Если система и сам процесс универсальны, то система принятия решений (СПР) перестает быть просто тактическим инструментом для автоматизации отдельного продукта.

При оценке перспектив строительных проектов помимо анализа региона строительства, специфики конкретной локации, а также опыта участников (застройщика, генподрядчика, техзаказчика) и юридических особенностей земельных участков ведущую роль играет подготовка финансовых моделей. В статье рассмотрены ключевые входные параметры моделей для сектора строительства жилой недвижимости. Особое значение подготовка финансовых моделей имеет при работе с региональными застройщиками, когда нет возможности принятия рисков исходя из опыта и масштабов деятельности крупного застройщика, действующего на благоприятном столичном рынке. Ключевыми переменными финансовой модели в доходной части, определяемыми аналитиком, являются стартовый уровень цен, темп их индексации и плановый темп продаж. От корректности выбора этих переменных зависят надежность и достоверность итоговой финансовой модели, а значит, и конечное принятие решения о реализации того или иного строительного проекта.

Несмотря на правовую неопределенность, в России работает более 400 онлайн-криптообменников, а еще десяток криптобирж, которые, в отличие от онлайн-сервисов, в основном имеют дело с наличными. А вот криптообменники, невзирая на все принимаемые банками и регулятором меры, продолжают использовать банковские карты, часто оформленные на дропов, для отправки и получения рублей при операциях обмена криптовалюты. Таким образом (и это ни для кого не секрет), клиенты российских банков активно используют банковские платежные инструменты для купли-продажи криптовалюты. И эта тенденция только усиливается. Банк встает перед выбором: расторгать договор либо пытаться разобраться с конкретной операцией, сохранив клиента. Притом все чаще это необходимо делать и в отношении юрлиц, так как компании давно используют криптовалюты для трансграничных операций. Ряд банков уже знают, как с этим работать, а те, кто не знает, в итоге будут терять клиентов. Инструментов для оценки риска клиента в контексте его криптовалютных операций практически нет. Какие возможности предоставляет для этого AML/KYT-система?

Если организации необходимо практически постоянно и в очень сжатые сроки адаптироваться к крутым поворотам внешней среды, волей-неволей возникает ощущение обоснованной потребности в отклонениях от стандартов (ранее незыблемых правил и красных флажков, за которые нельзя). Но чем больше накапливается «временных допущений», тем сложнее их контролировать, и в особенности уловить эффект накопления. Значит, именно в таких обстоятельствах следует быть особенно внимательными к репутационному риску. Но не только. Следует ли управлять конфликтом интересов как самостоятельным риском или для его минимизации достаточно «управиться» с прочими присущими рисками? Имеет ли смысл сохранять на вершине пирамиды рисков (или поставить на нее) репутационный риск и (пере)определить приоритеты корпоративного управления? И наконец, что нового в связке конфликта интересов и репутационного риска может появиться в текущей ситуации? Попробуем разобраться на примере финансовой организации, сохраняющей международный статус в условиях постоянной трансформации и адаптации к вызовам нынешнего времени.

В управлении кредитным риском с применением статистических моделей важным предварительным шагом является нарезка портфеля на группы, достаточно однородные по профилю кредитного риска объектов (заемщиков, ссуд). Состав и правила формирования таких групп могут существенно различаться исходя из цели и типа модели. Подходы к эффективной группировке сейчас наиболее востребованы в отношении моделей ПВР и постепенно распространяются на прочие модели. В документах БКБН и нормативных актах ЦБ эти вопросы раскрыты крайне слабо. Этого явно недостаточно для верного и точного понимания нюансов всех тех групп, которые необходимы для применения ПВР. Участвуя в регуляторных ПВР-валидациях в российских коммерческих банках, автор неоднократно наблюдал логическую путаницу их риск-менеджеров в понимании схожих по смыслу групп портфелей. Сейчас у участников ПВР-проектов уже есть достаточное понимание различий между классами (подклассами) кредитных требований (КТ) и сегментами КТ. Однако в отношении многочисленных сегментов и портфелей такое понимание пока сформировано недостаточно. Поэтому автор видит своей задачей в доступной форме, на конкретных примерах и с учетом собственной практики предложить подходы к группировке КТ в рамках ПВР-моделирования.

Точное прогнозирование объема средств обеспечения участников клиринга критически важно для максимизации чистого процентного дохода финансовой организации. Существующие методы (исторический квантиль-метод) часто не позволяют эффективно управлять ликвидностью и уменьшают чистый процентный доход. Внедрение моделей управления ликвидностью на основе AI-моделей направлено на повышение точности прогнозирования потребностей в ликвидности. Это позволяет оптимизировать использование финансовых ресурсов и увеличивать чистый процентный доход за счет более эффективного размещения ресурсов в активы финансовой организации и снижения затрат на привлечение дополнительных средств. Цель внедрения описанной в статье AI-модели — увеличить доход от инвестирования стабильной части остатков клиентов в облигации и межбанковские кредиты на сроки до 30 дней при сохранении приемлемого уровня риск-защищенности модели, то есть соблюдении ограничений на риск-аппетит и индикативные показатели риска ликвидности и ALM-рисков при благоприятной рыночной конъюнктуре. AI-модель стабильной части строится на горизонте 30 дней (на сроки 7, 14 и 30 дней) .

В июне 2025 г. ВС РФ выпустил Обзор судебной практики, посвященный делам о банкротстве граждан. Документ содержит 65 разъяснений, изложенных на 82 страницах, и является одним из ключевых актов ВС РФ в этой сфере, сравнимым по своему значению с Постановлением Пленума ВС РФ от 17.12.2024 № 40 и Постановлениями Пленума ВАС РФ от 15.12.2004 № 29 и от 22.06.2012 № 35. Обзор структурирован по шести тематическим блокам, последовательно охватывающим все стадии процедуры банкротства, от возбуждения дела до завершения. Отдельный раздел посвящен банкротству наследственной массы. Обзор меняет привычные сценарии работы с проблемной задолженностью: он уточняет, когда кредитор вправе инициировать дело без судебного акта, в каких случаях суд вернет заявление даже при наличии признаков неплатежеспособности и почему реструктуризация долгов становится приоритетной процедурой. В первой части статьи разбираем старт процедуры, выбор между реализацией имущества и реструктуризацией, а также требования к плану, который суд может утвердить даже вопреки воле должника и отдельных кредиторов.