На этой неделе главный материал — практическое исследование корпоративных дефолтов по сетям покупателей и поставщиков. DefaultGNN показывает потенциал транзакционных сетей как дополнительного источника информации к традиционным финансовым и скоринговым признакам. Отдельный блок материалов посвящён контролю GenAI и многоагентных систем в регулируемых финансовых процессах. Новых сильных публикаций по IFRS 9 lifetime PD, LGD/EAD, hazard-моделям и винтажному анализу не обнаружено.
DefaultGNN: A Dual-Perspective GNN Framework for Predicting Corporate Default from Buyer-Seller Transaction Networks
Транзакционные сети и прогнозирование дефолта · Junghoon Kim, Hyunsung Kim, Seungyoon Choi, KyoungYong Park, Jihun Lee, YongGu Ji, Chanyoung Park · CIKM 2026 Applied Research Track / arXiv
На шестилетней истории электронных налоговых счетов авторы строят две связанные сети — компанию как покупателя и как поставщика — и моделируют передачу риска через проблемных контрагентов. DefaultGNN особенно улучшает прогноз для компаний с недостаточными собственными финансовыми признаками; совместное использование с действующим скорингом рейтингового агентства повысило approval rate на 7–11 п.п. без увеличения риска одобренных клиентов.
Why it matters
Это сильная гипотеза для транзакционной модели МСБ: качество клиента можно оценивать не только по его оборотам, но и по концентрации, устойчивости и ухудшению состояния его плательщиков и получателей. Первый реалистичный тест — сформировать признаки концентрации контрагентов, доли оборота с ухудшающимися компаниями, churn партнёров и изменения сетевого окружения, а затем проверить добавочную силу относительно текущей application PD на out-of-time выборке.
EnterpriseVal: Quantifying the Efficacy, Reliability and Value of Generative AI in the Enterprise
GenAI evaluation и контроль · Abbas Raza Ali, Muhammad Ajmal Siddiqui, Moona Zahid · arXiv preprint
Предложена система проверки конкретного AI-процесса с фиксацией модели, промптов, источников, инструментов, ограничений и человеческого контроля. Для подготовки кредитных заключений лучшая конфигурация показала 88% точности ссылок и 1,6% галлюцинаций; итоговое решение принимается через формализованные статусы REJECT / CONDITIONAL / SCALE с доверительными границами по метрикам.
Why it matters
Подход можно перенести на AI-модуль кредитной фабрики: до промышленного запуска устанавливать пороги полноты данных, достоверности выводов, воспроизводимости, доли исправлений экспертом и пропущенных им ошибок.
Compliant with Local Controls, Collectively Discriminatory. A Governance Architecture for Multi-Agent AI in Regulated Finance
AI governance в регулируемых финансах · Jose Manuel de la Chica Rodriguez, Juan Manuel Vera Diaz, Pablo Delgado Romero · arXiv conceptual preprint
Авторы показывают, что отдельные агенты могут проходить локальную валидацию, но их последовательное взаимодействие всё равно создавать систематическое исключение thin-file клиентов или неконтролируемое смещение решений. Архитектура ARIA предусматривает ограничения полномочий, наблюдение фактического результата относительно ожидаемого, runtime-контроль, журналирование изменений и сохранение реальной способности человека вмешаться.
Why it matters
При автоматизации цепочки «сбор данных → скоринг → лимит → решение → объяснение» необходимо тестировать не только каждый компонент, но и сквозной результат по сегментам, причинам отказа и частоте ручных переопределений.
Loan Portfolio Optimization with Variational Quantum Algorithms
Задача отбора кредитов формализуется с учётом ожидаемых и неожиданных потерь, ограничений и корреляций дефолтов. Эксперимент проведён на 2 012 микрофинансовых заёмщиках, однако вариационный квантовый алгоритм пока отстаёт от классического Google OR-Tools примерно на 40% по целевой функции.
Why it matters
Полезна сама постановка оптимизации выдач с корреляциями и портфельными ограничениями, но квантовая реализация пока не даёт оснований заменять классические методы целочисленной оптимизации.
Visual summaries
Темы недели
GenAI и AI governance
2
Оптимизация кредитного портфеля
1
Транзакционные сети и прогнозирование дефолта
1
Ключевые выводы недели
Транзакционное окружение клиента может давать добавочную силу к традиционному application scoring, особенно для компаний с ограниченными собственными финансовыми признаками.
Для применения GenAI в кредитном процессе следует оценивать не только модель, но весь зафиксированный workflow: данные, prompts, retrieval, tools, controls и human oversight.
При использовании нескольких AI-агентов необходимо контролировать сквозной результат системы, поскольку локально приемлемые компоненты могут совместно создавать нежелательное смещение.
Практический приоритет недели — тест сетевых признаков контрагентов относительно текущей application PD на out-of-time выборке.