СРАВНИТЕЛЬНАЯ ОЦЕНКА ЭКОНОМЕТРИЧЕСКИХ И МАШИННО-ОБУЧАЕМЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ РИСКА МАРЖИН-КОЛЛА НА СПОТОВОМ РЫНКЕ

Abstract

Рост числа розничных инвесторов и расширение маржинального кредитования на российском спотовом рынке усилили значимость индивидуальной оценки кредитоспособности участников торгов, поскольку действующий нормативно-пороговый контроль обеспечения носит преимущественно реактивный характер и слабо учитывает структуру портфеля и поведение клиента. Целью статьи является сравнительная оценка прогнозной способности эконометрических и машинно-обучаемых моделей применительно к задаче раннего выявления маржин-колла. Научная новизна заключается в построении панельной аналитической витрины «клиент – дата», включающей портфельные, маржинальные, поведенческие, рыночные и институционально-стрессовые признаки российского рынка 2022–2025 гг., а также в эмпирической демонстрации проблемы переносимости моделей между периодами. В качестве методов использованы нормативно-пороговое правило, логистическая регрессия, случайный лес и градиентный бустинг; качество оценивалось по метрикам ROC-AUC, PR-AUC, precision, recall и F1-score при хронологическом разделении выборки. Результаты показали, что ансамблевые модели достигают высокого качества на обучающем периоде (ROC-AUC до 0,99), однако резко теряют прогнозную силу на тестовом периоде 2025 г., тогда как логистическая регрессия сохраняет умеренную, но более устойчивую ранжирующую способность. Практическая значимость состоит в обосновании комбинированного подхода «нормативный контроль плюс интерпретируемый скоринг» для брокерского риск-менеджмента. Перспективы дальнейших исследований связаны с регулярной перекалибровкой порогов, сегментной настройкой моделей и интеграцией прогнозной оценки в надзорную аналитику. The growth of retail investing and the expansion of margin lending in the Russian spot market have increased the importance of an individual assessment of traders' creditworthiness, since the current threshold-based collateral control is largely reactive and poorly accounts for portfolio structure and client behaviour. The aim of the article is a comparative evaluation of the predictive ability of econometric and machine-learning models for the early detection of a margin call. The scientific novelty lies in constructing a panel «client–date» analytical dataset that combines portfolio, margin, behavioural, market and institutional-stress features of the Russian market in 2022–2025, and in the empirical demonstration of the cross-period transferability problem. The methods include a threshold rule, logistic regression, random forest and gradient boosting; quality was assessed by ROC-AUC, PR-AUC, precision, recall and F1-score under a chronological train-test split. The results show that ensemble models achieve high quality on the training period (ROC-AUC up to 0.99) but lose predictive power sharply on the 2025 test period, whereas logistic regression retains a moderate yet more stable ranking ability. The practical significance is the justification of a combined «regulatory control plus interpretable scoring» approach for broker risk management. Further research is associated with regular threshold recalibration, segment-specific tuning and integration of predictive scoring into supervisory analytics.