Аннотация
Статья посвящена валидации моделей оценки риска банкротства коммерческих банков Казахстана в условиях повышенной волатильности финансового сектора. Определена цель исследования в проверке адекватности, прогностической способности и устойчивости классических и современных моделей диагностики финансовой несостоятельности банков. Проанализированы методы эконометрического моделирования вероятности банкротства, модели Э. Альтмана и Р. Таффлера, регуляторная модель CAMELS, современные методы машинного обучения, в частности Random Forest. Определены модели логистической регрессии и Random Forest, которые обеспечили более высокие показатели точности и устойчивости прогнозов, особенно при использовании расширенного набора финансовых и макроэкономических показателей. Выявлены результаты показателей стресс-тестирования, которые подтвердили рост вероятности банкротства банков при реализации неблагоприятных сценариев. Разработан алгоритм комплексной оценки риска банкротства. Продемонстрирована практическая применимость и валидность, обеспечивающая более надежное и своевременное выявление рисков финансовой несостоятельности коммерческих банков Казахстана. Эмпирическая база исследования включает данные действующего банка и коммерческих банков Казахстана, прекративших деятельность вследствие банкротства. Научная новизна работы заключается в комплексной валидации моделей и формировании многоэтапного алгоритма оценки риска банкротства, адаптированного к национальной банковской системе. Результаты исследования подтверждают целесообразность интеграции традиционных регуляторных подходов с методами машинного обучения для повышения точности и надежности прогнозирования финансовой несостоятельности банков. The article is devoted to the validation of models for assessing the bankruptcy risk of commercial banks in Kazakhstan in conditions of increased volatility of the financial sector. The purpose of the study is to verify the adequacy, predictive ability and stability of classical and modern models for diagnosing financial insolvency of banks. The methods of econometric modeling of bankruptcy probability, E. Altman and R. Taffler models, CAMELS regulatory model, modern machine learning methods, in particular Random Forest, are analyzed. Logistic regression and Random Forest models have been identified, which have provided higher indicators of accuracy and stability of forecasts, especially when using an expanded set of financial and macroeconomic indicators. The results of stress testing indicators have been revealed, which confirmed the increased likelihood of bank bankruptcy in the implementation of adverse scenarios. An algorithm for a comprehensive bankruptcy risk assessment has been developed. The practical applicability and validity are demonstrated, ensuring a more reliable and timely identification of the risks of financial insolvency of commercial banks in Kazakhstan. The empirical base of the study includes data from an existing bank and commercial banks in Kazakhstan that have ceased operations due to bankruptcy. The scientific novelty of the work lies in the comprehensive validation of models and the formation of a multi-stage algorithm for assessing bankruptcy risk, adapted to the national banking system. The results of the study confirm the feasibility of integrating traditional regulatory approaches with machine learning methods to improve the accuracy and reliability of forecasting financial insolvency of banks.