Машинное обучение в управлении ликвидностью банка: методы оценки точности прогнозов
30 календарных дней — горизонт стрессового сценария, для которого стандарт Базель III задаёт требование к коэффициенту покрытия ликвидности LCR.
Макар Литвинов·Обновлено: 15 октября 2026 г.·8 мин
Минимум в 100% означает, что запас необременённых высококачественных ликвидных активов должен покрывать ожидаемый чистый отток средств в этом сценарии. Это нормативный показатель ликвидности. Он не измеряет точность прогноза.
Для машинного обучения в управлении ликвидностью банка методы оценки начинаются с другого вопроса: насколько прогноз совпадает с фактическим денежным потоком на заданном горизонте. Один итоговый процент здесь малоинформативен. Ошибка на следующий день и ошибка на тридцатый день имеют разный операционный смысл. Средняя оценка за весь горизонт может скрыть оба случая.
Модель прогнозирования денежных потоков банка с помощью ИИ может использовать исторические остатки, платежные события и другие доступные признаки. Но качество её прогноза определяется не сложностью алгоритма и не количеством входных данных. Оно определяется тем, выдерживает ли модель сравнение с простыми базовыми прогнозами на последовательных отрезках времени, включая стрессовые периоды.
Прогноз ликвидности и нормативный контур
Управление ликвидностью требует заранее оценивать потребность в средствах и обеспечивать доступ к денежным средствам или залогу для ожидаемых и неожиданных потоков. Оценка должна охватывать обычные условия и стрессовые сценарии. Эта задача не сводится к предсказанию одного остатка на конец месяца.
Прогноз строится на временном ряде. В зависимости от постановки задачи целевой переменной может быть остаток, приток, отток или чистый денежный поток. Эти варианты нельзя смешивать в одном отчёте о качестве. Ошибка в прогнозе остатка может выглядеть небольшой при крупной базе, тогда как та же ошибка в оценке чистого оттока способна изменить потребность в ликвидном буфере.
LCR отвечает на вопрос о достаточности запаса ликвидных активов в нормативном стрессовом сценарии. Метрика ошибки отвечает на вопрос о расхождении прогноза и факта. Это разные уровни контроля. Подмена одного другим приводит к неверному чтению результатов: модель может иметь небольшой средний промах, но систематически недооценивать оттоки в отдельные периоды. Сам коэффициент LCR такой дефект прогнозирования не показывает.
В системе моделирования банковских рисков ликвидности нужно фиксировать как минимум объект прогноза, горизонт, частоту пересчёта и сценарий, на котором проверяется результат. Без этих параметров число ошибки нельзя интерпретировать. MAE в денежных единицах для дневного оттока и MAE для месячного остатка описывают разные задачи.
LCR оценивает запас ликвидности в заданном стрессовом сценарии. MAE и RMSE оценивают ошибку прогноза. Сводить их в одну метрику нельзя.
Что показывают MAE, RMSE и MAPE
Для сравнения прогнозных и фактических значений используют несколько метрик. Они по-разному реагируют на масштаб ряда, крупные отклонения и малые фактические значения. Метрики качества алгоритмов управления капиталом нужно читать в контексте целевой переменной и распределения ошибок.
MAE, средняя абсолютная ошибка, усредняет абсолютные разницы между прогнозом и фактом. Она выражается в единицах исходного ряда. Если прогнозируется отток в денежных единицах, MAE показывает средний абсолютный размер промаха в тех же единицах. Положительные и отрицательные ошибки учитываются симметрично после взятия модуля.
Симметрия здесь относится к знаку ошибки, а не к последствиям для банка. Недооценка оттока может требовать дополнительного буфера, а переоценка — приводить к избыточному резервированию. MAE одинаково считает их величину. Поэтому среднее значение стоит дополнять разбором направления ошибок.
RMSE, среднеквадратичная ошибка, сначала возводит отклонения в квадрат, затем усредняет их и извлекает корень. Крупные промахи сильнее влияют на результат, чем при MAE. Такая чувствительность полезна, когда редкие большие ошибки имеют существенное значение. Она также делает RMSE уязвимой к отдельным выбросам. Один аномальный период способен заметно изменить итог.
MAPE, средняя абсолютная процентная ошибка, выражает расхождение относительно фактического значения. На рядах с малыми значениями результат может резко увеличиваться. При нулевом факте вычисление становится проблематичным. Распределение MAPE может быть сильно асимметричным, особенно при выбросах и малых значениях.
| Метрика | Что измеряет | Ограничение для денежных рядов |
|---|---|---|
| MAE | Средний абсолютный промах в единицах исходного ряда | Не показывает направление ошибки и зависит от масштаба ряда |
| RMSE | Ошибку с повышенным весом крупных отклонений | Чувствительна к выбросам |
| MAPE | Абсолютное расхождение относительно факта в процентах | Нестабильна при малых значениях и неприменима без оговорок при нуле |
| RMAE | MAE относительно выбранного базового прогноза | Зависит от определения базы и протокола сравнения |
Практический отчёт может показывать MAE и RMSE вместе. Первая даёт читаемый средний размер ошибки, вторая подчёркивает крупные промахи. Если денежный поток часто приближается к нулю, MAPE не должна быть единственным критерием. Для сравнения рядов разных масштабов может применяться относительная метрика, но её знаменатель и базовый прогноз требуется описать явно.
У измерительной системы есть общий принцип: результат зависит от того, как фиксируются сигнал, частота и протокол передачи данных. Это видно и в задачах датчиков, где протоколы связи нагрудных датчиков пульса влияют на сопоставимость измерений. В банковском прогнозе роль такого протокола играет спецификация ряда и процедуры расчёта ошибки. Смысл аналогии ограничен методикой измерения; сами финансовые и спортивные данные несопоставимы.
Базовый прогноз нужен раньше сложного алгоритма
Оценка эффективности ML-моделей ликвидности требует точки отсчёта. Сложная модель может выглядеть убедительно по собственной метрике, но без простого ориентира невозможно понять, даёт ли она практический выигрыш.
В исследовании прогнозирования корпоративной ликвидности сравнивались наивный прогноз, ARIMA и алгоритм Cubist. Для относительного сравнения использовалась RMAE. Авторы рассчитывали точность как 1 − RMAE. Это схема конкретной работы, а не универсальное определение точности банковской модели. Исследование касается ликвидности компании, поэтому его результаты нельзя напрямую переносить на банковские потоки.
Наивная модель задаёт минимальную линию сравнения. В простом случае она использует последнее наблюдение как прогноз следующего периода. ARIMA учитывает временную структуру ряда в рамках статистической модели. ML-алгоритм может использовать более широкий набор признаков. Однако дополнительные входы и сложность не доказывают улучшения автоматически. Проверяется только фактическая ошибка на данных, которые не участвовали в обучении.
Корректное сравнение требует одинаковых условий для всех вариантов:
- одной целевой переменной и одинаковой частоты данных;
- одного набора временных отрезков для обучения и проверки;
- одинакового горизонта прогноза;
- одинаковых правил обработки пропусков и аномальных значений;
- отдельной фиксации ошибок по шагам горизонта.
Если ML-модель выигрывает по MAE, но проигрывает по RMSE, результат зависит от отношения к редким крупным промахам. Если она улучшает среднее значение, но часто недооценивает отток, итоговая оценка должна показывать это отдельно. Сведение всех свойств к единому баллу скрывает профиль риска.
Временная проверка: источник прогноза сдвигается
Для временных данных случайное перемешивание наблюдений между обучением и тестом может нарушить хронологию. Модель получит при обучении информацию из периода, который в реальном прогнозе ещё не наступил. Поэтому оценка строится на последовательных временных отрезках.
При фиксированном источнике прогноза модель формирует прогноз из одной точки времени на заданный горизонт. При скользящем источнике точка начала последовательно сдвигается по ряду, а горизонт сохраняется. Такой подход позволяет проверять качество на нескольких моментах времени, а не на единственном разбиении.
В исследовании корпоративной ликвидности применялся скользящий прогноз на шесть месяцев вперёд. Пересчёт выполнялся ежемесячно, а ошибки анализировались отдельно для каждого шага горизонта. Обучающая выборка начиналась с января 2014 года. Валидационный период охватывал январь 2017 — декабрь 2018 года. При каждом повторе обучающая выборка увеличивалась на месяц.
Эта схема демонстрирует принцип, но не задаёт готовую конфигурацию для банка. Горизонт должен соответствовать задаче управления. Дневной прогноз и прогноз на несколько месяцев проверяются отдельно. Иначе хорошая ошибка на коротком шаге может компенсировать слабый результат на дальнем горизонте.
Вложенная временная проверка разделяет настройку модели и оценку её качества. Внутренние временные отрезки используют для выбора параметров. Внешний отрезок сохраняют для итоговой проверки. Это снижает риск подгонки конфигурации под один удобный период. При каждом цикле границы времени сдвигаются вперёд, сохраняя порядок событий.
Набор результатов лучше представлять не одним средним числом, а таблицей по шагам прогноза и периодам:
| Разрез оценки | Что становится видно |
|---|---|
| Ошибка по каждому шагу горизонта | Насколько быстро ухудшается прогноз с удалением от даты расчёта |
| Ошибка по временным окнам | Зависит ли результат от конкретного периода |
| Знак ошибки | Есть ли систематическая недооценка или переоценка потоков |
| MAE и RMSE вместе | Отличается ли типичный промах от влияния крупных отклонений |
| Сравнение с базовой моделью | Даёт ли сложный алгоритм улучшение относительно простого ориентира |
Такой формат не превращает проверку в нормативный рейтинг. Он раскрывает поведение модели. Для системы управления ликвидностью это важнее универсального ярлыка «точная» или «неточная».
Нулевые значения и асимметрия ошибок
Денежные ряды могут содержать малые и нулевые значения. Для процентной ошибки это техническое ограничение, а не мелкая оговорка в документации. При факте, близком к нулю, отношение ошибки к фактическому значению резко растёт. При нуле MAPE не даёт обычного результата.
Проблема затрагивает и интерпретацию. Процентный промах по малому потоку может выглядеть экстремальным, хотя абсолютное отклонение невелико. И наоборот, крупная абсолютная ошибка на большом потоке может иметь умеренный процентный размер. Поэтому метрика должна соответствовать вопросу, который решает подразделение ликвидности.
Полезно разделять три вида анализа:
1. Размер ошибки. MAE показывает средний абсолютный промах в единицах ряда. RMSE сильнее реагирует на крупные отклонения.
2. Направление ошибки. Отдельный разбор знака показывает, систематически ли модель недооценивает или переоценивает поток.
3. Распределение по условиям. Ошибки рассматриваются по временным окнам и шагам горизонта, чтобы среднее не скрывало проблемный сегмент.
Эти срезы не заменяют друг друга. MAE не раскрывает асимметрию последствий. RMSE не объясняет, в какую сторону возник промах. MAPE не устраняет различие масштабов, если фактические значения приближаются к нулю.
Универсального порога MAE, RMSE, MAPE или RMAE, после которого прогноз банковской ликвидности можно считать достаточно точным, приведённые исследования не устанавливают. Не установлен и общий рейтинг алгоритмов для этой задачи. Поэтому качество следует трактовать относительно базового прогноза, выбранного горизонта и набора временных проверок. Формула 1 − RMAE может быть частью конкретного протокола, но сама по себе не становится общим стандартом.
Машинное обучение в прогнозировании ликвидности оценивается по измеримому расхождению прогноза и факта. Рабочий протокол фиксирует целевую переменную, горизонт, временные окна, базовую модель и метрики. MAE и RMSE дают разные срезы ошибки. MAPE требует осторожности при нулевых и малых значениях. LCR остаётся показателем покрытия ликвидности, а не точности алгоритма. Разделение этих уровней делает результат проверяемым и пригодным для операционного решения.