Мария Александровна Маркова – соискатель Высшей школы бизнес-инжиниринга
Санкт-Петербург
Maria A. Markova – PhD student of the Graduate School of Business Engineering
St. Petersburg
Анастасия Александровна Григорьева – кандидат экономических наук, доцент Высшей школы бизнес-инжиниринга
Санкт-Петербург
Anastasiia A. Grigoreva – Candidate of Economic Sciences, Associate Professor of the Graduate School of BusinessEngineering
St. Petersburg
В текущей ситуации глобальной цифровизации социально-экономических процессов вопрос разработки актуальных подходов по эффективному управлению рисками в организациях приобретает особую актуальность ввиду необходимости разработки гибких и точных инструментов, способных учитывать многофакторность и большие объемы данных, а также оценивать риск в режиме реального времени еще до его воздействия на социально-экономическую систему. В статье приводится сравнительный анализ трех ключевых численных статистических методов оценки рисков: цепей Маркова (марковского анализа), байесовского анализа и метода Монте-Карло. На основе рассматриваемого кейса по оценке кредитного риска заемщика демонстрируются возможности и ограничения каждого из методов. Обоснована целесообразность использования цепей Маркова для моделирования динамики кредитного портфеля и миграции заемщиков между рейтинговыми категориями. Байесовский анализ используется для пошаговой оценки риска индивидуального заемщика на основе поступающих дискретных данных. Метод Монте-Карло применяется для получения полного распределения вероятностей финансовых исходов с учетом неопределенности ключевых экономических переменных. В результате исследования сделан вывод, что данные методы не являются взаимозаменяемыми, а их совместное использование позволяет повысить обоснованность результатов оценки рисков.
In the context of global digitalization of socio-economic processes, the development of effective approaches to organizational risk management is becoming particularly urgent. This is driven by the need for flexible and ac-curate analytical tools capable of accounting for multiple risk factors and large data volumes, as well as for assessing risks in real time before they impact the socio-economic system. This paper provides a comparative analysis of three key statistical methods for risk assessment: Markov chains, Bayesian analysis, and the Monte Carlo method. Using a case study on borrower credit risk assessment, the capabilities and limitations of each technique are demonstrated. The study substantiates the expediency of applying Markov chains to model credit portfolio dynamics and borrower migration between rating categories. The Bayesian analysis is used for the sequential risk assessment of individual borrowers based on incoming discrete data. The Monte Carlo method is used to obtain a complete probability distribution of financial outcomes, accounting for the uncertainty of key economic variables. The study concludes that these methods are not interchangeable and that their integrated application enhances the robustness of risk assessment results.
The authors declare that there are no conflicts of interest present.