Развитие методологии оценки финансовых рисков в условиях неопределенности и «цифровых ловушек»

Введение

Обеспечение управляемости рисками для участников современного финансового рынка является одной из приоритетных задач в условиях спада объемов венчурного рынка Российской Федерации и сложности реализации политики потребительского подталкивания, несмотря на то, что у потенциальных инвесторов сформировались сбережения, использование которых на финансовом рынке позволяет решать проблемы экономического роста и развития в условиях высоких неопределенностей на мировом рынке. Развитие методологии оценки финансовых рисков направлено на получение эффективного инструмента управления рисками, который направлен на формирование прогнозных характеристик реестра финансовых рисков, с которыми сталкивается типичный инвестор, реализующий свою стратегию управления капиталом через операции на финансовом рынке.

Содержание методов и инструментов оценки рисков представлено как в международных и профессиональных стандартах, так и в учебной и научной литературе. Есть типичный подход к классификации данных методов и инструментов с их делением на качественные и количественные, тем не менее, выстраивание полного цикла оценки через детализацию методологии оценки финансовых рынков требует актуализации и учета современных характеристик неопределенности и феномена «цифровых ловушек».

Ряд зарубежных авторов опубликовал свои исследования по теме неопределенности на финансовом рынке и рисков, с которыми сталкиваются его основные участники. Авторы Хе Ю., Ли В. и другие [35] начали свое исследование 2025 года с характеристики глобальной экономической нестабильности и оценке взаимосвязи неопределенности экономической политики, цифровой трансформации и системного риска для банков как основных представителей национального финансового рынка. В монографии Фирузье Н.Б и Арифф Ф. 2016 года [34] представлены предложения по управлению неопределенностью и снижению рисков за счет развития финансового риск-менеджмента в сторону расширения применения анализа неопределенности, включая экспертные оценки и увеличение широты используемых методов, центральным из которых авторы предлагают сценарный анализ, учитывающий экспертные оценки большого круга специалистов. В исследовании Дону-Адонсу Ф. и Лесли-Пайпер Н. 2026 года [33] представлен результат оценки финансовых рисков в рамках концепции «цифровых ловушек», включая рекомендации по учету при скоринге и управлении рисками поведенческие и цифровые индикаторы, дополняющие кредитную историю, и использование обязательного кредитного отчета по BNPL-платежам («купи сейчас, плати потом»), включая повышение прозрачности алгоритмов таргетирования и «цифрового подталкивания» клиентов для сдерживания импульсивных трат. В России с 01.04.2026 года требование об отражении BNPL-платежей в кредитных историях покупателя, когда оператор сервиса рассрочки обязан передать сведения в бюро кредитных историй, если совокупная сумма обязательств покупателя превышает 50 тыс. руб. в соответствии с Федеральным законом РФ №283-ФЗ «О деятельности по предоставлению сервиса рассрочки» [26].

В работе Янана Ху 2025 года [36] представлен актуализированный состав рисков в финансовой сфере на примере рисков злоупотребления технологиями, информационной безопасности и системной уязвимости из-за ошибок в программном обеспечении и мошеннических действий, решение которых автор видит в развитии трехуровневой системы управления рисками от отдельных участников финансового рынка до государства.

Среди работ российских авторов отметим монографию Ольсевича Ю.Я. 2023 года [17], в которой автор делает акцент на институционально-психологических основах рынка, подрывая один из базовых постулатов финансовой теории и рациональности участников рынка и объясняя этим систематические ошибки инвесторов и их уязвимость для цифровых ловушек. В исследовании Мнацаканян Л.С. и Гамиловской АА [14] раскрыт порядок идентификации рисков цифровых финансовых активов для безопасной интеграции в хозяйственный оборот. В монографии Синявского Н.Г. и Дадалко В.А. [23] управление рисками рассматривается не просто как способ защиты или минимизации, а как один из факторов развития. Исследование Бабанской А.С. и Хрулева М.В. 2026 года [2] интересно как подходом к классификации рисков на примере цифровых финансовых активов, так и предложениями по развитию финансового риск-менеджмента, в том числе с учетом роли операторов информационных систем и валютных рисков для инвесторов в Российской Федерации.

Белорусские авторы Пискун Е.С., Азизов А.А. и Крячев Е.В. в работе 2026 года [18] представили результаты разработки инновационного подхода к оценке финансовых рисков на основе архитектуры Isolated Multiagent Arbitration, направленной на снижение операционных рисков, связанных с внедрением автономных интеллектуальных агентов и LLM. В работе Кушниренко М.Р. 2023 года [11] акцент делается на рисках снижения качества банковского кредитного портфеля из-за сложившейся в России экономической нестабильности, цифровые финансовые активы представлены как инновационный инструмент для нивелирования этого риска. В статье Ионцева М.А. 2025 года [8] представлена разработанная автором комплексная концептуальная модель оценки финансовых рисков, включая внедрение «встроенного надзора» в смарт-контракты, классификацию рисков, являющихся основой для появления «цифровых ловушек». Исследование Милосердова А.А. 2006 года [13] важно в связи с использованием двух разных подходов к характеристике состояния неопределенности за счет введения ситуации «квазириска» и применения математической базы теории возможностей и нечетких множеств для ее описания и измерения.

Все это подчеркивает актуальность темы исследования трендов цифровизации финансового рынка, создающих новую архитектуру неопределенности, дополненную феноменами «цифровых ловушек» от алгоритмического подталкивания к высокорискованным инвестиционным решениям до операционных сбоев платформ, а значит и востребованность расширения методологии оценки финансовых рисков.

Цель исследования – разработать систему мер по совершенствованию методологии оценки финансовых рисков с учетом современного содержания неопределенности на цифровом финансовом рынке и усилении эффектов «цифровых ловушек», с которыми сталкиваются участники национального финансового рынка.

Научная новизна состоит в формализации матрицы идентификации уровней неопределенности и измеримости финансовых рисков, включая ситуации квазириска, нерационального поведения участников финансового рынка, эффекты «цифровой ловушки», на основе этого результата сформирована комплексная многоуровневая методология оценки финансовых рисков, включающая индексы «цифровой ловушки», цифровой со-экспозиции, поведенческий индикатор импульсивности, коэффициент неуправляемости и корректирующий поведенческий коэффициент.

Гипотеза исследования определена следующим образом: для качественной оценки и эффективного управления финансовыми рисками необходимо использование гибридной модели оценки, включающей использование методов и инструментов, учитывающих поведенческие и цифровые индикаторы, корректировку результатов оценки с учетом внешних и внутренних шоков национального финансового рынка. Ее разработка и внедрение позволит повысить обоснованность инвестиционных решений на рынке цифровых финансовых активов и снизить негативные эффекты «цифровых ловушек», носящих системный характер.

Материалы и методы

Материалами исследования выступили статистические данные Банка России по рынку цифровых финансовых активов (ЦФА), в том числе реестр операторов информационных систем (ОИС) [21], нормативно-правовые акты, регулирующие обращение ЦФА, о порядке расчета величины кредитного риска, по деятельности, связанной с предоставлением сервиса рассрочки (BNPL), данные информационных платформ (например, Cbonds [27]), международные стандарты (Базельские соглашения, включая «Amendment to the Capital Accord to Incorporate Market Risks» (1996/1998) [29], Базель II (2004), Базель III (нормативы LCR, NSFR) [30], принципы IOSCO ( [31] и [32]).

Особое место в используемых материалах занимают результаты исследования по теории неопределенности, финансовому риск-менеджменту и цифровым финансам. Исследование основано на теоретических методах систематизации и обобщения используемой научной литературы, контент-анализ, типологии и классификации, моделей индексного анализа и динамических рядов, расчете коэффициентов и индикаторов.

Система управления финансовыми рисками на российском рынке цифровых финансовых активов

Отталкиваясь от теоретических основ содержания неопределенности и рисков можно констатировать, что и в действующих международных, национальных и профессиональных стандартах, и в работах классиков риск-менеджмента (пример работы Ф.Найта 1921 года «Риск, неопределенность и прибыль» [15]) риск связывают с неопределенностью, одновременно подчеркивая различия между ними в оценке, так как ситуация риска позволяет определить вероятность исходов на основе расчетов по статистическим данным или теоретическим моделям, тогда как в ситуации неопределенности информация о вероятностях исходов отсутствует или не может быть получена.

В результате неопределенность сводится к риску через развитие вероятностных моделей, приращение статистической базы, применение стохастического моделирования методами VaR, стресс-тестированием и Монте-Карло. Главными недостатками такого подхода считают игнорирование институциональных и психологических основ финансового рынка, что требует объединения поведенческих теорий, экономической истории психологии (Ольсевич Ю.Я. [17], Миловидов В.Д. [12]), такой вывод целесообразно дополнить концепцией квазирисков, представленной в работах Милосердова А.А. (пример [13]), и на рис.1 получивший дополнительные интерпретации в соответствии с матричным методом. В полученной матрице можно видеть 4 типичные для финансового рынка ситуации:

- первая – ситуация нерационального поведения, когда на фоне полной определенности параметров финансовой операции и измеримости риска негативных последствий участник финансового рынка поступает нерационально;

Рисунок 1. Матрица идентификации уровня неопределенности и измеримости риска на финансовом рынке

Источник: составлено авторами.

- вторая – ситуация неуправляемости, когда несмотря на определенность условий и ситуации по сделке риски остаются неизмеримыми (и неидентифицируемыми) из-за отсутствия институциональных инструментов управления, в том числе по причине отставания регулирования от нововведений финансового рынка;

- третья – типичная ситуация риска с обоснованными причинами неопределенности и измеримостью всех возможных исходов ситуации в соответствии со стандартным аппаратом теории вероятности для оценки ожидаемых потерь;

- четвертая – ситуация квазириска, для которой доступной информации недостаточно и используется иная математическая база (теории возможностей и нечетких множеств).

Дополнить концепцию фундаментальной неопределенности следует понятием «цифровой ловушки» как проявляемых вследствие цифровизации новых механизмов перехода неопределенности в реальные финансовые потери участников рынка. В работе [33] дается следующее определение «цифровой ловушки» - это «ситуация, в которой комбинация алгоритмического таргетинга в цифровых экосистемах и беспрепятственного доступа к кредитным продуктам (BNPL) приводит к формированию порочного круга, усиливающего финансовую нестабильность потребителей и подрывающего их способность к самоконтролю». То, что в основе «цифровой ловушки» заложен поведенческий механизм, снижающий видимые барьеры к нерациональной покупке, потребителя финансовой услуги приводит к ситуации отсутствия явных финансовых препятствий, цифровой доступности и удобства технологий кредитования с конечным результатом – ростом долговой нагрузки, что требует учета поведенческих и цифровых индикаторов оценки финансовых рисков. Оригинальность подхода по преодолению эффекта «цифровой ловушки» заключается в применении «цифрового подталкивания» в направлении не стимулирования, а сдерживания импульсивных операций на финансовом рынке. Уточнение понятия «цифровая ловушка» в данном исследовании заключение в определении ситуации, в которой цифровые технологии системно снижают восприятие риска у участников финансового рынка, уровень самоконтроля за последствиями принимаемых решений, что может привести к финансовым потерям, превышающим приемлемый уровень. Следует также отметить необходимость дифференцированного подхода к раскрытию «цифровой ловушки» для разных участников финансового рынка:

- для физических лиц – розничных клиентов, проявление эффектов «цифровой ловушки» связано с наличием на финансовом рыке легкодоступных кредитных продуктов и упрощенных процедур их одобрения, действия персонализированного маркетинга, что стимулирует импульсивные траты и рост долговой нагрузки;

- для юридических лиц – институциональных участников финансового рынка эффекты «цифровой ловушки» могут проявляться в операционных сбоях цифровых платформ, ошибках алгоритмических стратегий, недостаточной прозрачности смарт-контрактов, отсутствием долгосрочных историй наблюдений на рынке (на примере ЦФА).

Если наложить матрицу идентификации уровня неопределенности и измеримости риска на финансовом рынке на содержание эффекта «цифровой ловушки» для участников современного финансового рынка, то можно увидеть, что только для ситуации риска с прозрачной измеримостью и типичной неопределенностью с учетом особенностей финансовых операций эффект «цифровой ловушки» будет практически несвойственен (рис.2).

Рисунок 2. Корреляция рисковых ситуаций финансового рынка и эффекта «цифровой ловушки» для потребителей финансовых услуг

Источник: составлено авторами.

В диапазоне от нерационального поведения до ситуации неуправляемости (по матрице) требуется учитывать последствия таких негативных эффектов «цифровой ловушки» на оценку финансовых рисков:

- в ситуации нерационального поведения для учета поведенческих критериев и показателей при оценке финансовых рисков;

- в ситуации неуправляемости – для учета последствий цифровизации как в положительных эффектах повышения управляемости принимаемых решений, так и в негативных в рамках «цифровых ловушек».

На примере российского рынка цифровых финансовых активов, правовое регулирование которого связано с принятием в январе 2021 года Федерального закона №259-ФЗ «О цифровых финансовых активах» [25], дадим характеристику основных участников современного цифрового финансового рынка, от деятельности которых в том числе зависит выбор подхода к оценке финансовых рисков.

Определяя цифровые финансовые активы как «цифровые права (аналоги ценных бумаг, долей в капитале или денежных требований), выпуск и учет которых осуществляется в информационных системах на основе распределенного реестра», в свою очередь этими информационными системами управляют операторы информационных систем, зарегистрированные в Центральном банке, отметим, что за время функционирования рынок продемонстрировал стремительный рост. Объем рынка ЦФА России, находящихся непосредственно в обращении на апрель 2026 года, составил 754 млрд. руб. при 1223 выпусках. Совокупный объем всех выпущенных с начала развития рынка ЦФА на апрель 2026 года достиг 3,6 трлн руб. [5] На рис.3 представлена информация о росте объемов отечественного рынка ЦФА с апреля 2025 года.

Рисунок 3. Динамика объема рынка цифровых финансовых активов Российской Федерации за апрель 2025-апрель 2026гг.

Источник: составлено авторами по данным [5].

По данным об операторах информационных систем рынка ЦФА России по состоянию на 2026 год можно видеть сильную концентрацию объемов размещения у Альфа-Банка (см. табл.1). По состоянию на начало июня 2026 года в Реестре операторов информационных систем, в которых осуществляется выпуск цифровых финансовых активов, зафиксировано 21 оператора, в том числе 8 коммерческих банков (38,1% от общего количества) [21].

Таблица 1. Рэнкинг операторов информационных систем рынка ЦФА Российской Федерации в промежутке дат с 01.01.2026 по 31.05.2026гг.

Источник: составлено авторами по данным [27].

К исходным данным были добавлены расчеты индекса Херфиндаля-Хиршмана (Н = 4 046) и Топ-3 как сумма долей самых крупных операторов (89%), по шкале интерпретации полученных значений можно сделать вывод, что современный рынок цифровых финансовых активов сосредоточен среду операторов информационных систем, функционирующих в условиях высокой степени концентрации (Н > 2000, CR3 > 80) с явно выраженным олигополистическим характером.

Рост количества эмитентов цифровых финансовых активов также имеет устойчивую тенденцию, если на конец 2024 года их было 244, то на 30.04.2026г. количество эмитентов российского рынка ЦФА выросло до 408, при этом 71% из них не выпускал ранее традиционные корпоративные облигации [5]. Это свидетельствует о том, что ЦФА открыли доступ на финансовый рынок для широкого круга компаний, которые ранее не имели возможности привлекать долговое финансирование через традиционные инструменты фондового рынка. Высокая концентрация эмиссии ЦФА среди коммерческих банков свидетельствует об особенностях национальной модели использования ЦФА, связанных с внутригрупповым финансированием и использованием ЦФА как альтернативы традиционным депозитам и межбанковским кредитам, а не как механизма привлечения инвестиций в реальный сектор экономики от широкого круга частных инвесторов. Это подтверждается данными Банка России по рынку корпоративных облигаций, на котором за май 2026 года наибольшее снижение наблюдалось у эмитентов из банковского сектора (объем облигаций данной отрасли сократился на 109 млрд руб.) [16].

Рынок BNPL («купи сейчас, плати потом») представляет интерес с позиции проявления в его функционировании негативных эффектов «цифровых ловушек». В России он переживает стремительный рост, который будет остановлен законодательными нововведениями в регулировании операций и участников рынка. В актуальных реалиях 2026 года рынок BNPL в основном представлен сервисами, интегрированными в крупные банковские и маркетплейсные экосистемы [10]. Ключевые BNPL-сервисы на российском рынке представлены «Долями» (Т-банк), «Сплит» (Яндекс), «Подели» (Альфа-банк), «Плати частями» (Сбербанк), а также «Частями» от маркетплейса Wildberries. С 1 апреля 2026 года в России вступил в силу Федеральный закон от 31 июля 2025 года №283-ФЗ «О деятельности по предоставлению сервиса рассрочки» [26]. Этот документ кардинально меняет правила работы рынка BNPL и вводит жесткое регулирование этой сферы:

- включение операторов рынка в реестр Центрального банка;

- сокращение максимального срока рассрочки с 01.04.2026г. не более 6 месяцев, с 01.04.2028г. – не более 4 месяцев;

- при задолженности более 50 тыс. руб. сведения должны быть переданы оператором в бюро кредитных историй;

- запрет на дополнительные вознаграждения и скрытые комиссии

- запрет на дифференцированный подход к стоимости товара, теперь цена должна быть одинаковой при любой форме оплаты, в том числе в рассрочку.

По мнению экспертов, от таких норм пострадают компании, реализующие дорогостоящие услуги (образование, медицина, недвижимость, где рассрочка достигала двух лет и более), в результате предприниматели начнут дробить одну услугу на несколько для обхода лимита. Формируемая цифровой средой система стимулов к потреблению, подталкивающая потребителя к неконтролируемым тратам получила свое правовое ограничение, что соответствует тренду повышения прозрачности рынка BNPL и снижения рисков потери персональных данных, импульсивных покупок, переплаты из-за иллюзии бесплатности услуги, неплатежеспособности из-за невозможности перенести дату платежа.

Многоуровневый подход к оценке финансовых рисков

Наиболее подходящим способом измерения параметров финансовых рисков можно считать многоуровневую модель оценки неопределенности и рисков, учитывающую матрицу идентификации уровня неопределенности и измеримости риска на финансовом рынке:

1) в первую очередь, модель оценки ориентирована на оценку уровня риска с идентифицируемой неопределенностью с достаточной базой данных для построения вероятностных моделей, такой подход традиционен для оценки рисков тех финансовых инструментов, по которым уже есть длительная история наблюдений и опыт применения стресс-тестирования, VaR и т.п.

Применяется к финансовым инструментам с длительной историей наблюдений с возможностью построения статистически достоверных вероятностных моделей (например, акции, облигации, валютные пары). Для российского рынка ЦФА этот уровень может использоваться ограниченно, но будет применим к базовым активам, лежащим в основе ЦФА, и к традиционным инструментам в портфеле инвестора. Расчетная база будет включать:

1.1. Стандартный показатель относительного рыночного риска VaR (Value at Risk) [37], рассчитываемый по формуле:

где μ – ожидаемая доходность;

σ – волатильность;

Φ−1(α) – квантиль стандартного нормального распределения для доверительной вероятности α (обычно 95% или 99%).

1.2. Ожидаемые потери сверх VaR - CVaR (Conditional Value at Risk) – рассчитываются по формуле:

где L – величина убытка [28].

1.3. Ожидаемые потери для кредитного риска (EL):

EL=PD×LGD

где PD – вероятность дефолта эмитента (оценивается по кредитным рейтингам или историческим частотам дефолтов);

LGD – доля потерь при дефолте [20].

1.4. Стресс-тестирование может быть определено как «оценка потенциального воздействия на финансовое состояние кредитной организации ряда заданных изменений в факторах риска, которые соответствуют исключительным, но вероятным событиям» [19]. В соответствии с Дополнением по оценке рыночных рисков к Базельскому соглашению по капиталу (Amendment to the Capital Accord to Incorporate Market Risks - Basel Committee on Banking Supervision, January 1996 (updated to April 1998)) [29] стресс-тестирование - это процесс моделирования сценариев, который включает:

- идентификацию факторов риска (процентные ставки, курсы валют, цены на товары);

- разработку гипотетических или исторических стресс-сценариев (например, резкое повышение ключевой ставки, падение индекса акций);

- оценку влияния этих сценариев на стоимость портфеля или конкретного актива.

Для проведения подобных оценок можно использовать базу данных Банка России. Московской биржи, Cbonds.

2) следующий уровень оценки касается финансовых квазирисков с отсутствием данных для вероятностных оценок неопределенности, но наличием качественной информации о возможных ситуациях, их исходах, а данном случае основой оценки будут инструменты теории нечетких множеств, сценарных анализ с экспертными оценками, и наличие спроса на такие оценки для новых финансовых инструментов и операций на примере цифровых финансовых активов, BNPL-портфелей, токенов, по которым отсутствует статистическая база для вероятностных моделей, но есть качественная информация о возможных исходах. В аналитической базе, основанной на аппарате нечетких множеств и теории возможностей, рекомендуется применять:

2.1. Моделирование квазириска через функцию возможности [13]:

- определяется возможность наступления неблагоприятного события П(А):

где А – множество значений фактора, приводящих к убытку.

Для каждого фактора риска x задается функция принадлежности μ(x) к нечеткому множеству «опасное значение».

- определяется необходимость события:

Возможность наступления неблагоприятного события П(А) показывает, насколько вероятен (в качественном смысле) сценарий, необходимость события П(А) – насколько он неизбежен.

2.2. Расчет нечеткого аналога VaR (Possibilistic VaR (PVaR)):

- на первом шаге определяется функция распределения потерь L, которая задана нечетко с функцией принадлежности μ_L​(l). Тогда PVaR для уровня доверия θ – это наименьшее число lθ​ такое, что:

Альтернативный способ расчета возможен по формуле:

Этот показатель можно рассчитывать даже при отсутствии статистики, используя экспертные оценки граничных значений.

2.3. Сценарный анализ с экспертными оценками:

- разрабатываются сценарии развития для каждого типа ЦФА (базовый, оптимистичный, пессимистичный, кризисный);

- привлеченные эксперты (риск-менеджеры, аналитики ОИС – оператора информационых систем) оценивают вероятность каждого сценария (по шкале «низкая», «средняя», «высокая» с присвоением числовых значений в диапазоне от 0 до 1), величину потерь при реализации сценария;

- рассчитываются ожидаемые квазипотери по формуле:

где w_i​ – экспертный вес (нормированная возможность) сценария i;

Li​ – оценка потерь.

Для проведения подобных оценок можно использовать базу данных операторов информационных систем на рынке ЦФА (экспертные опросы аналитиков, регламенты и отчетность о кибер-инцидентах, данные Банка России по операционной надежности ОИС, публичные реестры ЦФА, методики агентств по рейтингованию ЦФА (Эксперт РА, АКРА).

3) третий уровень оценки касается влияния цифровизации на уровень измеримости финансовых рисков, в этом направлении выделяется 2 подуровня оценки:

3.1. По оценке рисков в ситуации неуправляемости, когда цифровизация приводит как к положительным эффектам от внедрения на финансовом рынке, так и к появлению негативных эффектов «цифровых ловушек», которые могут нивелировать все достижения цифрового финансового рынка:

- индекс «цифровой ловушки» (DTI) - интегральный показатель, рассчитываемый для сегмента финансового рынка (ЦФА или BNPL):

где Iaccess​ – доступность кредита / инвестирования (доля одобренных заявок без проверки, скорость принятия решения). Нормализуется от 0 до 1;

Itarget​ – интенсивность алгоритмического таргетинга (число рекламных контактов на пользователя в месяц / базовая норма);

Ilock​ – сложность выхода / погашения (наличие штрафов, невозможность досрочного погашения, автосписание);

веса wi​ – определяются экспертным путем.

- коэффициент неуправляемости (k_uncontrol) применяется для каждого конкретного инструмента финансового рынка и определяется по формуле:

где объем предупреждений – это число случаев, когда система риск-менеджмента не смогла предотвратить убыток из-за автоматизации.

Базовое значение при отсутствии данных – 1.

3.2. По оценке рисков в ситуации нерационального поведения, в которой негативное влияние эффектов «цифровых ловушек» носит максимальный характер и требует учета в методологии оценки:

- поведенческий индикатор импульсивности (PII) может применяться для оценки склонности пользователя к попаданию в ловушку маркетплейсов и BNPL:

Нормализуется от 0 до 1, где >0,6 – высокий риск.

- индекс цифровой со-экспозиции (DCEI), который измеряется в долях:

- корректирующий поведенческий коэффициент (Kbeh​) для оценки потерь от нерациональных решений:

где β1​,β2​,β3​ – коэффициенты, определяемые по эмпирическим данным.

На основе исследования [33] можно принять их значения, равные: β₁​=0,15, β₂=0,20, β₃​=0,10.

- итоговый скорректированный риск для финансового инструмента с учетом всех трех уровней оценки можно представить в следующей формуле:

Для проведения подобных оценок можно использовать базу данных Банка России по операционным инцидентам операторов информационных систем (на основе реестра ОИС), социологические опросы пользователей ЦФА и BNPL для оценки импульсивности поведения участников рынков.

В таблице 2 представлен результат апробации 3 уровня оценки (авторская система показателей) на примере российского рынка BNPL-сервисов. Выбор данного сегмента обусловлен наличием эмпирических данных, отражающих как количественные параметры рынка, так и поведенческие аспекты потребителей, что позволяет верифицировать предложенные индикаторы.

Таблица 2. Результаты апробации третьего уровня оценки финансовых рисков

Источник: составлено авторами с использованием данных [1], [3], [4], [7], [9], [22], [24], [26] и [33].

Проведенный расчет авторских индексов и коэффициентов третьего уровня оценки на основе данных российского рынка BNPL по 2024-2025 гг. (до ужесточения регуляторной политики Банка России с 01.04.2026г.) подтверждает высокий уровень влияния «цифровых ловушек» на участников рынка:

- высокая доступность BNPL-сервисов в сочетании с интенсивным алгоритмическим таргетингом создают условия для импульсивного потребительского поведения;

- поведенческая уязвимость потребителей (PII = 0,473) усугубляется эффектом цифровой со-экспозиции (DCEI = 0,778), когда пользователи BNPL одновременно подвержены воздействию социальных сетей;

- автоматизированные системы риск-менеджмента не всегда способны предотвратить негативные последствия, что требует учета поведенческих корректировок при оценке рисков.

Полученные результаты подтверждают практическую значимость предложенного многоуровневого подхода и обосновывают его востребованность для адекватной оценки финансовых рисков в условиях цифровизации.

Заключение

В ходе исследования авторами была проделана работа по расширению классической концепции неопределенности за счет включения квазирисков и эффектов «цифровых ловушек» в многоуровневую методологию оценки финансовых рисков для учета современных вызовов неопределенности на российском рынке. Предложенная матрица идентификации рисковых ситуаций позволяет реализовывать системный подход к их классификации и определять уровень негативного влияния «цифровых ловушек».

Проведенный анализ российского рынка цифровых финансовых активов показал высокий уровень концентрации (по индексу Херфиндаля-Хиршмана), что формирует олигополистическую структуру рынка и может провоцировать системные риски. На примере рынка BNPL даны оценки его развития России с учетом развития финансового законодательства, в сторону ужесточения требований и вводимых ограничений, направленных на защиту клиентов.

Предложенные индексы и коэффициенты оценки финансовых рисков имеют практическое значение и могут быть включены в финансовый риск-менеджмент в условиях его адаптации к трендам цифровизации финансового рынка и его отдельных сегментов. Предложенная многоуровневая методология требует апробации для уточнения весов отдельных показателей и автоматизации расчетов с перспективой применения на других сегментах финансового цифрового рынка (краудфандинг, децентрализованные финансы).