> ## Content Index
> Fetch the complete content index at: https://eclibra.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Замороженные данные: почему риск-модели банков слепы к самым опасным ошибкам
- URL: https://eclibra.com/risk-anomaly-detection-2026/
- Published: 2026-09-17T05:15:51.000Z
- Updated: 2026-09-17T07:05:45.000Z
- Description: Ошибка, которую статистика не видит: замороженный поток данных выглядит как идеальная работа. Разбор препринта EQAF — как ансамбль детекторов и доменные правила поднимают F1 до 61–79% и что это значит для FRTB, Базеля III и контроля качества данных.
- Author: Eclibra
- Tags: Инсайты, #mode-5, #hook-paradox, #track-F, #smm

Данные не предупреждают, когда ломаются. Хуже того: самая опасная поломка выглядит как нормальная работа. Внутри инвестбанка ежедневно исполняется процедура, которая определяет расчёт капитала, кредитные лимиты и отчётность перед регулятором. Если в конвейер попадает «замерзший» поток — вчерашние цифры, повторённые слово в слово, — статистический контроль его не заметит. Потому что замерзшие данные неотличимы от настоящих.

Это не гипотеза. В июне 2026 года на arXiv вышел препринт «Как находить выбросы» (2606.20079): Даниил Пейсахович из UBS и Рафал Серадзки из NYU Stern разобрали проприетарные данные крупного глобального банка по кредитным деривативам — 183 сделки, 129 торговых дней. Вывод обманчиво прост. Одиночный алгоритм аномалий не справляется. Ансамбль из них справляется лучше, но всё равно не заменяет детерминированные правила, которые в риске должны быть зашиты вручную.

```

ХРОНИКА: КАК БАНКИ УЧАТСЯ ВИДЕТЬ ЗАМОРОЖЕННЫЕ ДАННЫЕ
─────────────────────────────────────────────────────────────
  2013 ──────── 2019 ──────── 03.2026 ──────── 06.2026 ──────── 07.2026
  ██████████  ██████████    ██████████    ◉ СЕЙЧАС        ██████████
  BCBS-239:   FRTB:         США: Basel III  18.06 EQAF-     RBI: проект
  принципы    финальный     консультация,   препринт на     правил по
  качества    стандарт      внедрение       arXiv, 2606.   данным и
  данных      рыночного     крупных форм    20079, F1        модели
              риска         2013/19         61–79%          риск

```

Авторская хронология по материалам BIS, Европарламента, ECB и препринта EQAF

Хронология здесь не случайна. С 2013 года регуляторы требовали от банков качества данных через BCBS-239, затем — автоматических аудируемых контролей через FRTB. В 2026 году обе линии сошлись: автоматизация риск-расчетов стала нормой, и одновременно выяснилось, что её страховка — детекторы аномалий — слепа там, где ошибка страшнее всего.

## Конвейер, в котором ошибка молчит

Риск-модель банка — это конвейер. Утром приходят цены, волатильности и кривые; по ним пересчитывается стоимость портфеля; вечером итог уходит в расчёт капитала и к регулятору. На любом из этих шагов возможен сбой: отказ поставщика данных, неправильная конфигурация модели, сбой системы. Проблема в том, что сбой можно спрятать. Большинство детекторов аномалий обучены находить «странные» значения — слишком большие, слишком резкие. А есть отдельный класс ошибок, который они не видят по построению.

Это аномалии stale-value (заморозка значения): поток, в котором сегодняшняя оценка численно совпадает со вчерашней и позавчерашней. Для статистического алгоритма это не выброс, а точное попадание в прошлое — то есть ничего аномального. Цена не двинулась, значит, всё спокойно. Именно поэтому чисто статистические методы системно проваливают их детекцию, и это показано в эксперименте EQAF с контролируемой инъекцией аномалий в восемь реалистичных сценариев.

## Что даёт ансамбль

Авторы построили EQAF — Ensemble Quality Assessment Framework: слоистую ненаблюдаемую архитектуру, которая комбинирует дополняющие друг друга методы поиска выбросов и мониторит целостность риск-расчётов в реальном времени. Они сравнивали её с лучшим одиночным методом на четырёх наборах риск-метрик.

| Параметр    | Лучший одиночный метод                              | Ансамбль EQAF                   |
| ----------- | --------------------------------------------------- | ------------------------------- |
| **F1-мера** | 6–66%                                               | 61–79%                          |
| **AUC-ROC** | базовый                                             | +4–6 п.п. (устойчиво к порогам) |
| **Данные**  | 183 сделки, 129 торговых дней, 8 сценариев инъекции |                                 |

arXiv 2606.20079, 2026

Разброс в 6–66% у одиночных методов — это не калибровочная проблема, а свойство выборки: разные типы аномалий ловятся разными инструментами. Точковый выброс находит один метод, контекстный — другой, коллективный — третий. Ни один не покрывает всё. Ансамбль сглаживает провалы, но, по данным исследования, прирост AUC в 4–6 п.п. сохраняется при любом пороге — улучшение структурное, а не подогнанное.

🎯

**Главный вывод эксперимента**  
  
Статистические детекторы структурно слепы к аномалиям stale-value — ошибке, при которой вчерашняя цифра повторяется как сегодняшняя.  
  
Ансамбль поднимает F1 до 61–79% против 6–66% у лучшего одиночного метода.  
  
Детерминированные доменные правила остаются незаменимыми: машинный слой их дополняет, а не заменяет. 

## Регуляторы догоняют автоматизацию

Выводы EQAF пришлись на момент, когда регуляторы одновременно ужесточили требования к данным и временно ослабили требования к самому расчёту. 4 июня 2026 года Еврокомиссия приняла делегированный акт C(2026)3647 — трёхлетнюю приостановку части правил FRTB по рыночному риску согласно CRR; Европарламент рассматривал его 23 июня. В марте того же года американские банковские агентства опубликовали консультационный пакет по завершению имплементации Базеля III. ECB в отчёте за первый квартал публикует агрегированные таблицы качества данных надзорной отчётности, где прослеживается доля ошибок по каждому банку.

Индия пошла дальше всех: в июле 2026 года RBI выпустила сразу два проекта документов — инструкцию по управлению цифровыми данными (с фокусом на качество, происхождение и lineage данных, до конца линии третьих сторон) и руководство по модельному риску, охватывающее и классические статистические, и AI/ML-модели. Общий знаменатель: от банков требуют автоматических, аудируемых контролей качества внутренних моделей. EQAF даёт именно такие — и показывает их границу.

## Слепое пятно архитектурное

Самая важная мысль препринта лежит не в цифрах, а в типологии. Точковый выброс — это опечатка в данных; его легко найти. Контекстный — значения, нормальные по величине, но странные по обстоятельствам; замороженный поток относится сюда. Коллективный — группа наблюдений, аномальная вместе. Авторы фиксируют: вероятность, что статистика увидит замерзание, падает именно потому, что фид «правильно» повторяет историю. Это не недостаток конкретного алгоритма — это архитектурная слепота класса методов.

Отсюда практическое следствие для тех, кто принимает решения. Растущая автоматизация риск-функций (в банках уже внедряется GenAI-тестирование моделей и LLM-как-судья для валидации) снижает стоимость обнаружения резких ошибок, но ничего не делает со слепотой к медленным. Дополнение машинного слоя детерминированными правилами — проверка заморозки веток данных, сравнение с ожидаемым числом обновлений, явный аудит фидов — остаётся обязательным. Судя по эксперименту EQAF, именно гибрид ансамбля и правил даёт результат, на который регуляторы и ориентируются.

Банк, который заменит правила ансамблем, выиграет в скорости и проиграет в точности на самом дорогом классе ошибок. Банк, который оставит только правила, утонет в ручных переключениях. Решение — в слоистости: статистика ловит резкое, код проверяет факт обновления, человек отвечает за то, что расхождение между двумя слоями не молчит. Именно такой слой описывает EQAF: он не «умнее» детекторов, он устроен так, чтобы между слоями не оставалось зоны тишины.

Показательно другое: тот же принцип — несколько дополняющих взглядов вместо одного «правильного» — месяцами ранее всплыл в самой риск-функции. Параллельно с моделью валидации банки строят управление GenAI-моделями и переводят команды модель-риска с ручной документации на автоматизированный мониторинг. Общая логика одна: риск-инфраструктура перестаёт полагаться на один источник правды. Синтез напрашивается сам. Когда банки начинают доверять рекомендациям агентных систем и LLM-ассистентов в скоринге и валидации, они переносят ту же задачу на другой масштаб: подтверждать, что данные «живые», а решения не застряли в прошлой конфигурации модели. Gartner в своих трендах аналитики на 2026 год добавляет decision governance — это та же идея слоистого контроля, только для советующих алгоритмов. И здесь EQAF даёт готовую типологию: каталог доменных правил плюс ансамбль статистических детекторов плюс явная проверка, что каждый слой реально изменился.

Замороженные данные — это напоминание: в автоматизированном мире самая дешёвая защита не та, что ловит всё, а та, что не даёт ошибке молчать.

## Источники

[ Как находить выбросы: ансамблевый фреймворк качества Препринт EQAF (UBS, NYU Stern): слоистая архитектура мониторинга целостности риск-расчётов, F1 61–79% против 6–66%. arXiv ](https://arxiv.org/abs/2606.20079?ref=eclibra.com) 

Ядро статьи: методология, данные по 183 сделкам и 129 торговым дням, типология аномалий.

[ Разбор делегированного акта по FRTB Записка Европарламента от 23 июня 2026 года о трёхлетней приостановке части правил FRTB по рыночному риску. Европейский парламент ](https://www.europarl.europa.eu/RegData/etudes/BRIE/2026/788649/ECTI%5FBRI%282026%29788649%5FEN.pdf?ref=eclibra.com) 

Регуляторный контекст: почему автоматизированные контроли качества моделей стали требованием.

[ Агрегированные таблицы качества данных за первый квартал ECB, supervisory-отчётность: публичные правила валидации и доля ошибок в данных банков. ECB Banking Supervision ](https://www.bankingsupervision.europa.eu/ecb/pub/pdf/ssm.aggregateddataquality%5Ffirst%5Fquarter%5F2026%5F202606.en.pdf?ref=eclibra.com) 

Контроль качества данных как публичная практика надзора в ЕС.