Jak algorytmy bankowe oceniają ryzyko depozytów? Wewnętrzna wycena wartości

Depozyt bankowy wydaje się rzeczą prostą – klient wpłaca pieniądze, bank je przechowuje i nalicza odsetki. Pod tymi operacjami kryje się jednak złożony aparat analityczny, którego zadaniem jest przewidzenie jak długo te pieniądze faktycznie zostaną w banku i ile będzie kosztowało ich zatrzymanie. Od odpowiedzi na to pytanie zależy stabilność całego sektora finansowego.

Depozyt – prosty produkt, skomplikowane ryzyko

Aby zrozumieć, dlaczego banki potrzebują zaawansowanych algorytmów do wyceny ryzyka depozytów, trzeba uświadomić sobie pewien paradoks. Depozyt bieżący – na rachunku osobistym czy firmowym – nie ma określonej daty zapadalności. Klient może wypłacić pieniądze w dowolnym momencie, bez uprzedzenia i bez kary. Kontraktowo jest to zatem zobowiązanie banku o zerowym terminie zapadalności i zmiennym oprocentowaniu. W praktyce jednak większość klientów trzyma środki na rachunkach przez miesiące, a nawet lata. Ta rozbieżność między teorią a rzeczywistością jest źródłem zarówno ogromnej wartości depozytów dla banku, jak i poważnego ryzyka, gdy założenia o stabilności tych środków okazują się błędne.

Wystarczy przypomnieć marzec 2023 roku i upadek Silicon Valley Bank w Stanach Zjednoczonych. Bank stracił płynność w ciągu zaledwie 48 godzin, gdy klienci – wspomagani technologią bankowości mobilnej i mediami społecznościowymi – wypłacili dziesiątki miliardów dolarów w tempie, jakiego tradycyjne modele ryzyka po prostu nie przewidywały. Jak ustalił potem raport Rezerwy Federalnej z kwietnia 2023 roku, SVB padł ofiarą „podręcznikowego przypadku złego zarządzania”, w tym niewłaściwego modelowania ryzyka swoich depozytów, z których aż 94% nie było objętych gwarancją FDIC.

Depozyty bez terminu zapadalności

Kluczową kategorią, wokół której koncentrują się algorytmy bankowe, są tak zwane depozyty bez określonego terminu zapadalności (ang. Non-Maturity Deposits, NMD). Należą do nich rachunki bieżące, oszczędnościowe i inne produkty, w których klient nie zobowiązuje się do utrzymania środków przez określony czas. W strefie euro, według danych Europejskiego Banku Centralnego, udział depozytów overnight w łącznej bazie depozytowej systematycznie rósł od globalnego kryzysu finansowego z 2007 roku, co uczyniło modelowanie NMD jeszcze bardziej krytycznym zagadnieniem.

Fundamentalnym wyzwaniem jest przypisanie tym depozytom tak zwanej zapadalności behawioralnej – czyli oszacowanie, jak długo klienci faktycznie będą utrzymywać środki, niezależnie od tego, że kontraktowo mogą je wycofać natychmiast. Badanie ECB opublikowane w styczniu 2026 roku (autorstwa Coulier, Pancaro, Pancotto i Reghezzy, na podstawie danych z 67 znaczących instytucji finansowych strefy euro) ujawniło, że banki traktują jedynie 20% NMD jako zobowiązania o zerowej zapadalności. Około 10% jest przypisywane do koszyków zapadalności przekraczających siedem lat, a średnia szacowana zapadalność behawioralna wynosi blisko 2 lata, przy znacznym zróżnicowaniu między instytucjami.

Trzy filary algorytmicznej wyceny ryzyka depozytów

Systemy wyceny ryzyka depozytów w bankach opierają się na trzech wzajemnie powiązanych elementach: segmentacji behawioralnej, modelowaniu wrażliwości na stopy procentowe (deposit beta) oraz analizie stabilności i odpływów w warunkach skrajnych.

Segmentacja behawioralna depozytów

Pierwszym krokiem każdego modelu jest podział bazy depozytowej na segmenty odzwierciedlające rzeczywiste zachowania klientów, a nie jedynie cechy kontraktowe produktów. Zgodnie z wytycznymi Europejskiego Urzędu Nadzoru Bankowego (EBA/GL/2022/14) oraz standardami IRRBB Komitetu Bazylejskiego, banki muszą rozróżniać depozyty stabilne (tzw. rdzeń – core) od zmiennych (volatile).

Rdzeń depozytowy to ta część salda, która z wysokim prawdopodobieństwem pozostanie w banku przez dłuższy czas. Depozyty zmienne reagują na zmiany stóp procentowych, promocje konkurentów czy wydarzenia rynkowe. Do wyznaczenia granicy między nimi stosuje się metody statystyczne: analizę minimalnych sald w ruchomych oknach czasowych (np. 3, 6 i 12 miesięcy), estymację kwantylową (rdzeń jako piąty percentyl obserwowanych sald) czy analizę skupień (klasteryzację).

Nowoczesne podejście, rekomendowane między innymi przez Moody’s Analytics, zakłada przejście od tradycyjnej segmentacji „z góry na dół” (top-down), opartej na typach produktów i progach salda, do modelu „z dołu do góry” (bottom-up), analizującego zachowania na poziomie indywidualnego konta lub relacji z klientem. W ramach takiego podejścia integruje się sześć typów danych: atrybuty demograficzne deponenta, wzorce zachowań transakcyjnych, głębokość relacji bankowej, koncentrację branżową bazy depozytowej, krajobraz konkurencyjny oraz zmienne makroekonomiczne.

Segmentacja uwzględnia także kanał obsługi klienta. Banki z wyższym udziałem depozytów cyfrowych przypisują im krótsze zapadalności behawioralne – co jest uzasadnione, gdyż bankowość mobilna ułatwia natychmiastowe przenoszenie środków do konkurencji oferującej wyższe oprocentowanie.

Deposit beta – wrażliwość na stopy procentowe

Deposit beta to kluczowy parametr algorytmów wyceny ryzyka. Mierzy on, w jakim stopniu i z jakim opóźnieniem bank przenosi zmiany stóp rynkowych na oprocentowanie depozytów. Jeśli bank centralny podnosi stopę referencyjną o 100 punktów bazowych, a bank podwyższa oprocentowanie lokat o 40 punktów bazowych, deposit beta wynosi 0,4 (40%).

Parametr ten jest dynamiczny – zmienia się w zależności od fazy cyklu stóp procentowych, pozycji konkurencyjnej banku i struktury jego bazy klientów. W okresie gwałtownego zacieśniania polityki pieniężnej w latach 2022-2023 wiele banków zostało zaskoczonych szybkością, z jaką deponenci zaczęli przenosić środki w poszukiwaniu wyższych stóp zwrotu. Jak wskazuje badanie Federalnego Banku Rezerwy w Nowym Jorku z kwietnia 2023 roku, deposit bety w cyklu podwyżek lat 2022-2023 rosły szybciej niż w poprzednich cyklach.

Do modelowania deposit beta stosuje się metody ekonometryczne: modele VAR (wektorowej autoregresji), ARIMA oraz analizy regresyjne, w których poziom oprocentowania depozytów jest funkcją stopy referencyjnej, presji konkurencyjnej i struktury salda. Coraz częściej wykorzystuje się też modele uczenia maszynowego – w szczególności gradient boosting i drzewa decyzyjne – do prognozowania zachowań saldowych w zależności od scenariuszy rynkowych.

74% rachunków inwestorów detalicznych odnotowuje straty w wyniku handlu kontraktami CFD u niniejszego dostawcy. Zastanów się, czy rozumiesz, jak działają kontrakty CFD, i czy możesz pozwolić sobie na wysokie ryzyko utraty pieniędzy.

Testy warunków skrajnych i analiza odpływów

Trzecim filarem jest analiza zachowania bazy depozytowej w warunkach skrajnych (stress testing). Banki projektują scenariusze obejmujące gwałtowne podwyżki lub obniżki stóp procentowych, nagłą utratę zaufania prowadzącą do runu na bank, ucieczkę kapitału do bezpiecznych instrumentów (np. obligacji skarbowych) czy dezintermediację spowodowaną ekspansją fintechów.

Regulacje europejskie – w szczególności wytyczne EBA dotyczące IRRBB (ryzyka stopy procentowej w portfelu bankowym) – wymagają od banków regularnego testowania wrażliwości dwóch kluczowych miar: EVE (Economic Value of Equity, wartość ekonomiczna kapitału własnego) oraz NII (Net Interest Income, wynik odsetkowy netto). EVE pokazuje, jak zmiana stóp procentowych wpłynęłaby na wartość rynkową całego bilansu banku, NII – jak przełożyłaby się na bieżące dochody odsetkowe.

W lutym 2025 roku EBA opublikował raport o wdrożeniu tzw. heatmapy IRRBB, w którym szczegółowo opisał oczekiwania nadzorcze wobec modelowania NMD, w tym wymogi dotyczące dokumentacji założeń, walidacji modeli i scenariuszy stresowych.

Wewnętrzna cena depozytów – mechanizm FTP

Algorytmy ryzyka depozytowego nie służą jedynie spełnieniu wymogów regulacyjnych. Stanowią fundament wewnętrznej wyceny wartości depozytów poprzez mechanizm zwany Funds Transfer Pricing (FTP). FTP to system cen transferowych, w którym jednostka pozyskująca depozyty „sprzedaje” je wewnętrznie po ustalonej cenie jednostce udzielającej kredytów. Cena ta uwzględnia szacowany czas utrzymania depozytu (zapadalność behawioralną), wrażliwość na zmiany stóp (deposit beta), premię za płynność oraz koszt gwarancji depozytów.

Dzięki FTP bank może precyzyjnie ocenić, ile faktycznie zarabia na każdym depozycie i każdym kredycie, a także które segmenty klientów generują stabilne, tanie finansowanie, a które przynoszą drogi, niestabilny kapitał.

Ryzyko depozytowe w Polsce

W Polsce ramy nadzorcze dotyczące ryzyka depozytowego kształtuje przede wszystkim Komisja Nadzoru Finansowego (KNF). Kluczowym dokumentem jest Rekomendacja G z lutego 2024 roku, dotycząca zarządzania ryzykiem stopy procentowej w bankach. Dokument ten – implementujący wytyczne EBA w polskich realiach – nakłada na banki obowiązek posiadania wiarygodnych systemów identyfikacji, pomiaru i monitorowania ryzyka stopy procentowej, w tym ryzyko wynikające z charakterystyki depozytów NMD. Rekomendacja wymaga także regularnych testów warunków skrajnych, niezależnej walidacji modeli oraz transparentnego raportowania.

KNF ocenia jakość zarządzania ryzykiem w ramach procesu BION (Badanie i Ocena Nadzorcza), uwzględniając adekwatność modeli behawioralnych stosowanych przez banki. Od końca 2024 roku banki działające w Polsce zostały zobowiązane do wdrożenia w określonych przez KNF terminach przejściowych.

Istotnym elementem polskiego ekosystemu jest również Bankowy Fundusz Gwarancyjny (BFG), który gwarantuje depozyty do równowartości 100 000 euro na osobę w danym banku. Składki wnoszone przez banki na fundusz gwarancyjny BFG są uzależnione od profilu ryzyka instytucji – co stanowi swoisty zewnętrzny algorytm wyceny ryzyka depozytowego na poziomie systemu. W 2025 roku łączna kwota składek na fundusze bankowe BFG wyniosła 2 706 mln zł, z czego 893 mln zł przypadło na fundusz gwarancyjny.

Sztuczna inteligencja i dane w czasie rzeczywistym

Branża bankowa wkracza w erę, w której tradycyjne modele statystyczne ustępują miejsca algorytmom uczenia maszynowego. Jeden z opisanych publicznie przypadków dotyczy regionalnego banku w USA, który za pomocą modeli ML zidentyfikował miliony dolarów w depozytach zagrożonych odpływem – znacznie wcześniej, niż wskazywałyby na to tradycyjne metody.

Modele oparte na sieciach neuronowych i algorytmach gradient boosting potrafią analizować setki zmiennych jednocześnie: od historii transakcyjnej i aktywności w aplikacji mobilnej, przez wzorce logowań, po wskaźniki makroekonomiczne i sentyment w mediach społecznościowych. Pozwalają one na przejście od kwartalnego raportowania ryzyka do monitoringu w czasie zbliżonym do rzeczywistego.

Jednak postęp technologiczny rodzi też nowe wyzwania. Raport Bostońskiego Banku Rezerwy Federalnej z września 2025 roku ostrzega, że instytucje bankowe z wyższymi inwestycjami w AI mogą być jednocześnie narażone na wyższe ryzyko operacyjne – związane z błędami modeli, ich nieprzejrzystością (problem tzw. czarnej skrzynki) i trudnością walidacji. EBA w swoich wytycznych podkreśla konieczność silnego zarządzania ryzykiem modeli (Model Risk Management), obejmującego jasną dokumentację, niezależną walidację, roczne przeglądy kalibracji oraz ścieżkę audytu.

Lekcja, która ciągle powraca

W okresie zacieśniania polityki pieniężnej w strefie euro (2022–2023) banki posiadające bardziej wrażliwe i zmienne depozyty nie skróciły przypisywanych im zapadalności behawioralnych ani nie zaktualizowały swoich modeli wewnętrznych. Oznacza to, że nawet gdy algorytmy istnieją i są dobrze zaprojektowane, ich skuteczność zależy od gotowości banku do bieżącej rekalibracji w odpowiedzi na zmieniające się warunki rynkowe.

To lekcja, która po upadku SVB i kryzysie bankowym 2023 roku powinna być już utrwalona w świadomości sektora. Depozyty, przez dekady traktowane jako „lepkie” i niemal darmowe źródło finansowania, okazały się znacznie bardziej wrażliwe i mobilne, niż zakładały modele kalibrowane w epoce ultraniskich stóp procentowych.

Algorytmy wyceny ryzyka depozytów – od prostych modeli luki przeszacowania po zaawansowane systemy uczenia maszynowego – są dziś nie tyle narzędziem compliance’u, ile rdzeniem strategicznego zarządzania bankiem. Ich jakość decyduje o tym, czy instytucja trafnie wyceni koszt swojego finansowania, odpowiednio zabezpieczy bilans i przetrwa następny szok rynkowy. W świecie, w którym klient może przenieść oszczędności życia do innego banku jednym kliknięciem w aplikacji, precyzja tych algorytmów ma znaczenie, jakiego nie miała nigdy wcześniej.