Применение моделей искусственного интеллекта в проблемных и неуспешных сделках с недвижимостью

Практическая методология для крупных девелоперов

 

 

Арин Рауф

Директор по стратегическому развитию и кризисному управлению

 

Рабочий доклад, июль 2025 г.

 

Об авторе

Арин Рауф — директор по стратегическому развитию и кризисному управлению с более чем десятилетним опытом запуска проектов в сфере венчурного капитала, строительства и трансграничных инвестиций. Он занимал должности генерального директора и руководителя строительного дивизиона в московской инвестиционной компании Kama Flow, где построил подразделение от одного сотрудника до коллектива примерно из пятидесяти специалистов и обеспечил рост портфеля контрактов с двенадцати миллионов рублей до одного миллиарда рублей за три года.

Ранее он отвечал за маркетинг первого фонда Kama Flow, управляющего внешним капиталом, и в составе команды участвовал в подготовке заявки, победившей в конкурсе по выбору управляющего Венчурным фондом Национальной технологической инициативы Российской Федерации; объём средств под управлением достиг четырёх миллиардов рублей. Он также работал редактором отдела в Condé Nast Russia, где запускал новые рубрики в печатных и цифровых изданиях издательского дома.

Автор имеет диплом по специальности «Мировая торговля» факультета международных экономических отношений МГИМО МИД РФ и диплом по специальности «Международная журналистика» факультета журналистики МГУ имени М. В. Ломоносова. Рабочие языки — русский, английский (C2), польский (B2), арабский (A1). Его профессиональные интересы лежат на пересечении формирования капитала, реализации строительных проектов и применения вычислительных методов к сделкам, отклонившимся от изначальной модели андеррайтинга.

Настоящая работа основана на непосредственном опыте автора в работе с девелоперами, кредиторами и инвесторами специальных ситуаций, столкнувшимися с проблемными проектами, а также на параллельной исследовательской программе, посвящённой применению машинного обучения в работе с реструктуризацией, рекапитализацией и реализацией сложных сделок с коммерческой недвижимостью.

 

Аннотация

Проблемные сделки с коммерческой недвижимостью предъявляют вычислительные требования, превышающие возможности тех таблично-меморандумных рабочих процессов, на которые отрасль исторически опиралась. Неуспешный проект — это не просто проект с пониженной доходностью: это система, в которой структура капитала, график строительства, лизинговый pipeline, базовое обеспечение, поведение спонсора и опции кредитора меняются одновременно, нередко в сроки, измеряемые днями. В настоящей работе разработана практико-ориентированная методология применения искусственного интеллекта и моделей машинного обучения к таким сделкам, написанная с позиции консультанта со стороны девелопера, который должен формировать обоснованные ответы под давлением.

Доклад состоит из четырёх частей. Первая устанавливает эмпирический ландшафт проблемных активов в цикле после 2022 года, опираясь на данные Федеральной резервной системы, Mortgage Bankers Association и Trepp, и выделяет повторяющиеся в реструктуризациях категории решений: раннее предупреждение, переоценка, реструктуризация капитала, оценка спонсора и выбор exit-стратегии. Вторая часть развивает архитектуру данных, необходимую для поддержки этих решений, с особым вниманием к интеграции структурированных данных по кредитам и рент-роллам с неструктурированными документами — кредитными договорами, межкредиторскими соглашениями, экологическими отчётами и судебными материалами. Третья часть представляет каталог классов моделей: модели выживаемости с градиентным бустингом для прогнозирования дефолтов, гедонические и трансформерные модели оценки, генерирующие сети для моделирования денежных потоков, большие языковые модели для проверки документов, графовые нейронные сети для анализа спонсоров и контрагентов, — и обсуждает, как каждая из них может быть специфицирована, обучена, валидирована и развёрнута в условиях работы с проблемным активом. Четвёртая часть посвящена управлению: управлению модельным риском, предвзятости, объяснимости, ограничениям статистического вывода в условиях скудных данных, а также правовым рискам, возникающим при использовании автоматизированных систем в фидуциарном контексте.

Центральный тезис работы состоит в том, что ценность искусственного интеллекта в проблемной недвижимости заключается не в замене суждения, а в сжатии времени между наблюдением и обоснованным решением. В работе с проблемным активом это сжатие само по себе является продуктом. Модель, сокращающая время до получения достоверной резервационной цены на семьдесят два часа, может стать разницей между рекапитализацией и передачей актива по соглашению об отступном. Доклад завершается дорожной картой внедрения для крупных девелоперов и откровенным обсуждением режимов отказа, наблюдавшихся автором на практике.

Ключевые слова: проблемная недвижимость, реструктуризация, машинное обучение, оценка, структура капитала, специальные ситуации, модельный риск, ипотечные ценные бумаги коммерческой недвижимости, рекапитализация.

 

1. Введение

Словарь проблемной недвижимости является частью рабочего языка отрасли по меньшей мере со времён кризиса ссудо-сберегательных ассоциаций конца восьмидесятых годов прошлого века.[1] Изменился не словарь, а скорость, с которой могут меняться базовые факты сделки. Реструктуризация 1990 года велась на бумаге, в переговорных, с квартальными рент-роллами и оценками, которые уже устаревали на полгода к моменту работы с ними. Реструктуризация 2026 года ведётся на фоне ежедневных котировок ставок капитализации, ежечасных запросов от арендаторов в CRM-системах, еженедельных строительных трансферов, актуальных сравнительных данных по подсегменту и постоянного потока новостей, влияющих и на поведение кредиторов, и на психологию арендаторов.[2]

Девелопер, выступающий заёмщиком в такой сделке, сталкивается с асимметрией. У кредитора — особенно у special servicer или у долгового фонда, действующего в режиме workout-мандата, — есть систематизированный процесс: watchlist, протокол триггеров, шаблон меморандума и кредитный комитет, заседающий по известному графику. Заёмщик, напротив, как правило, ведёт проект теми же сотрудниками и теми же инструментами, которыми проект создавался, в лучшем случае усиленными внешним юридическим советником и workout-консультантом, привлечённым уже после того, как ситуация ухудшилась. Эта асимметрия не интеллектуальная; она вычислительная.[3]

Искусственный интеллект, при правильном применении, сужает эту асимметрию. В отрасли термин используется небрежно — нередко для описания не более чем особенно сложного макроса в Excel. В настоящей работе термин зарезервирован за системами, которые обучаются на данных, — статистическими моделями в широком смысле, включая ансамбли с градиентным бустингом, глубокие нейронные сети и большие языковые модели, ставшие доминирующими в прикладном машинном обучении примерно с 2017 года.[4] Работа не предполагает, что читатель является специалистом по машинному обучению. Она предполагает, что читатель структурировал сделку, наблюдал, как сделка пошла не так, и готов рассмотреть возможность того, что часть ответа на этот опыт поддаётся вычислению.

Аргументация выстроена следующим образом. Раздел второй помещает обсуждение в эмпирический контекст текущего цикла. Раздел третий разрабатывает концептуальную рамку: какие классы решений требует работа с проблемным активом и какие классы моделей соответствуют этим классам. Разделы с четвёртого по девятый представляют сами классы моделей с осознанным акцентом на данные, режимы отказа и практики валидации, отличающие модель, выдерживающую представление кредитному комитету, от той, что не выдерживает. Разделы десятый и одиннадцатый обращаются к двум областям, в которых практическая литература скудна, а консалтинговая — самонадеянна: моделирование контрагентов и кейс-приложения. Раздел двенадцатый посвящён управлению, этике и правовым рискам автоматизированных систем в фидуциарном контексте. Раздел тринадцатый предлагает дорожную карту внедрения и откровенную таксономию режимов отказа, наблюдавшихся автором. Работа завершается коротким размышлением о том, чего искусственный интеллект в этой области сделать не может, и почему это ограничение скорее достоинство, чем недостаток.

2. Эмпирический ландшафт проблемных активов

2.1 Определение проблемности

Единого определения проблемной сделки с недвижимостью не существует, и эта множественность определений сама по себе является проблемой для любых усилий по моделированию. Кредит может быть технически обслуживаемым — оплаченным по графику обслуживания долга, в рамках ковенант, — тогда как базовый актив неспособен поддержать рефинансирование к сроку погашения. И наоборот: кредит может находиться в денежном дефолте по причинам, не имеющим отношения к активу, например из-за нехватки ликвидности у спонсора, возникшей в связи с не связанной сделкой. Литература сошлась на рабочем различении трёх состояний: stressed, distressed и defaulted.[5]

Stressed-сделка — это сделка, в которой прогнозные показатели (debt yield, коэффициент покрытия обслуживания долга, отношение кредита к стоимости при рефинансировании) согласно базовому сценарию должны нарушить пороги кредитора в течение ближайших двенадцати–двадцати четырёх месяцев. Distressed-сделка — это сделка, в которой эти нарушения уже произошли, в которой заёмщик находится в активном диалоге с кредитором о модификации, либо в которой актив был передан в special servicing. Defaulted-сделка — это сделка, в которой заёмщик не произвёл требуемого платежа или вызвал событие дефолта, которое кредитор решил привести в действие. Эти три состояния не являются взаимоисключающими на портфельном уровне, и наиболее интересные задачи моделирования возникают именно на границах между ними.

Интерес девелопера к этим определениям отнюдь не академический. Момент, в который сделка публично признаётся проблемной, — это момент, в который опциональность девелопера схлопывается. Кредиторы повышают ценообразование, партнёры по капиталу инициируют положения о ключевых лицах и bad boy guarantee, партнёры по совместным предприятиям реализуют права buy-sell, а сетевая молва брокеров и консультантов начинает оценивать девелопера, а не сделку. Ценность системы раннего предупреждения состоит именно в том, что она сохраняет период, в котором у девелопера ещё есть варианты.

2.2 Цикл после 2022 года

Цикл, начавшийся с кампании ужесточения Федеральной резервной системы в марте 2022 года, породил наиболее острый эпизод проблемности в коммерческой недвижимости со времён глобального финансового кризиса.[6] Механизм к настоящему моменту хорошо известен. Десятилетие сжатых ставок капитализации и обильного небанковского кредита породило поколение сделок, рассчитанных на рефинансирование в среду доходностей, которая перестала существовать. Офис — наиболее заметная жертва — также является и наиболее обсуждаемой; более интересный сюжет для специалиста по моделированию находится в сегментах, ещё не вышедших на первые полосы: лайфстайл-отелях во вторичных рынках, лабораторных корпусах для life sciences, построенных на пике пандемии, средних многоквартирных портфелях в рынках с концентрированными вводами и хвосте строительных кредитов, профинансировавших стройки с нуля по андеррайтингу 2021 года и завершившихся сейчас.[7]

Для целей настоящей работы цикл важен потому, что он породил данные, на которых могут быть обучены современные модели. Кризис 2007–2012 годов породил собственный набор данных, и поколение моделей было построено на нём; эти модели показали себя удовлетворительно на отдельных задачах и плохо на других. Цикл после 2022 года отличается от предыдущего в трёх отношениях, релевантных для моделирования. Во-первых, в его истоке лежит ставка, а не кредит, что означает: фундаментальные денежные потоки многих проблемных активов по-прежнему интактны, даже там, где структуры капитала вокруг них — нет. Во-вторых, он разворачивается на рынке, на котором небанковский кредит занимает значительно большую долю кредиторской базы, что усложняет workout-процесс, поскольку релевантные контрагенты — это долговые фонды и управляющие CLO, а не регулируемые банки с привычными протоколами.[8] В-третьих, он разворачивается на фоне доступности данных, не существовавшей в предыдущем цикле: гранулярные данные по аренде, почти реальные сравнительные данные по сделкам и публичные раскрытия REIT и CMBS-трастов, сообщающих информацию на уровне отдельных кредитов с частотой, поддерживающей рабочие процессы машинного обучения.

Сочетание это необычно. Достаточно проблемности, чтобы задача стала срочной, достаточно данных, чтобы моделирование стало осуществимым, и достаточно гетерогенности в поведении кредиторов, чтобы модель, осведомлённая о реструктуризационном процессе, оказалась действительно полезной. Остальная часть работы исходит из этого сочетания.

2.3 Контуры задачи девелопера

Девелопер, столкнувшийся с проблемностью одного актива или небольшого портфеля, не занят исследовательским упражнением. Вопросы безотлагательны: сколько актив стоит сегодня, сколько он будет стоить через шесть месяцев на каждом из правдоподобных путей, во что верит кредитор, что кредитор примет, какова стоимость различных форм отсрочки, какова стоимость соглашения об отступном, какова стоимость борьбы. У каждого из этих вопросов есть количественное ядро и качественная оболочка. Количественное ядро — естественная область моделирования. Качественная оболочка — личности куратора отношений и special servicer, политика партнёра по капиталу, репутационные последствия публичной реструктуризации — нет. Полезная методология уважает эту границу.[9]

Методология, принятая в настоящей работе, организует задачу девелопера в пять категорий решений. Первая — обнаружение: распознавание того, что сделка вошла в зону проблемности, до того как это распознает кредитор. Вторая — переоценка: формирование обоснованной отметки на актив и на кредит при текущих и прогнозируемых условиях. Третья — реструктуризация: генерация и ранжирование модификаций капитальной структуры, улучшающих совместный результат для заёмщика и кредитора, либо — где совместный излишек отрицателен — распределяющих убыток. Четвёртая — исполнение: управление самим workout-процессом, включая проверку документов, анализ контрагентов и ветвление сценариев. Пятая — exit: выбор между рекапитализацией, продажей, передачей по соглашению об отступном, защитой от обращения взыскания и банкротством. Каждый из классов моделей, представленных в работе, отображается на одну или несколько из этих категорий.

3. Основы моделирования ИИ в данной области

3.1 Что мы понимаем под моделью

Модель в том смысле, в каком термин используется здесь, — это процедура, принимающая данные на вход и выдающая на выходе прогноз, классификацию, ранжирование или сгенерированный артефакт, такой как документ или сценарий. Процедура обучается из данных, а не задаётся аналитиком целиком. В рамках этого широкого определения релевантными подклассами для проблемной недвижимости являются следующие.[10]

Контролируемые регрессионные и классификационные модели — линейная и логистическая регрессия, регуляризированные варианты вроде lasso и ridge, ансамбли решающих деревьев с градиентным бустингом, реализованные в библиотеках вроде XGBoost и LightGBM, а также прямонаправленные нейронные сети — используются для прогнозирования исходов, для которых существуют исторические метки. Дефолт в течение двенадцати месяцев, провал рефинансирования к сроку и вероятность передачи в special servicing являются типичными метками.

Модели выживаемости и времени до события — модели пропорциональных рисков Кокса в их классической форме и современные расширения вроде случайных лесов выживаемости и DeepSurv — используются для прогнозирования не того, произойдёт ли событие, а того, когда оно произойдёт. В контексте работы с проблемным активом сроки дефолта часто более релевантны для решения, чем сам факт его наступления.[11]

Неконтролируемые модели — кластеризация, снижение размерности, обнаружение аномалий — используются там, где метки недоступны или ненадёжны. Они особенно полезны для систем раннего предупреждения, в которых аналитик ищет сделки, начавшие вести себя иначе, чем их когорта, до того как был задействован какой-либо конкретный триггер.

Модели последовательностей и языка — рекуррентные сети, трансформеры и большие языковые модели, построенные на трансформерных архитектурах, — используются для неструктурированных данных: кредитных договоров, договоров аренды, экологических отчётов, новостных статей и корпуса электронной переписки и меморандумов, который порождает работа с проблемным активом. Применение больших языковых моделей к проверке коммерческих документов — недавнее и оспариваемое в юридической литературе явление; работа занимает практическую позицию.[12]

Графовые модели — графовые нейронные сети и более широкое семейство методов реляционного обучения — используются там, где сама структура отношений является сигналом. В коммерческой недвижимости релевантные графы включают графы спонсор-актив, графы кредитор-заёмщик, а также неявные графы, образуемые сетями совместных предприятий и поручителей.

Смысл этой таксономии не в том, чтобы настаивать на технических ярлыках. Он в том, чтобы прояснить: выбор класса модели — не свободный параметр. Задача, которая по сути касается времени, плохо обслуживается бинарным классификатором. Задача, которая по сути касается чтения документов, плохо обслуживается регрессией. Такие несоответствия часто встречаются на практике и ответственны за значительную часть разочарования, которое отрасль выразила по поводу своих ранних экспериментов с машинным обучением.

3.2 Проблема скудных данных

Коммерческую недвижимость часто описывают как индустрию, бедную данными. Описание это верно лишь наполовину. Индустрия захлёбывается в данных одного рода — рент-роллах, отчётах об операциях, сравнительных данных — и испытывает голод в данных другого рода, особенно тех, которые наиболее релевантны для проблемности. Число крупных дефолтов по коммерческим ипотекам в любой данный год невелико в абсолютном выражении, а число завершённых реструктуризаций, по которым публично доступны детализированные данные о потерях, ещё меньше. Данные CMBS, доступные через Trepp, Moody's Analytics и раскрытия на уровне отдельных кредитов самих трастов, — это самое близкое к публичному набору данных, пригодному для моделирования, что есть у отрасли.[13] Однако они нерепрезентативны в отношении полной вселенной коммерческого ипотечного кредитования и особенно слабы именно в тех сегментах — строительных кредитах, бридж-кредитах, мезонинных долгах, — где сосредоточена текущая проблемность.

Импликация для моделирования двойная. Во-первых, аналитик должен быть откровенен относительно размера релевантного набора данных и скептически относиться к любой модели, оценки качества которой не учитывают этот размер. Модель градиентного бустинга, обученная на трёх тысячах наблюдений, выдаст уверенно выглядящую ROC-кривую, которая мало что значит вне выборки.[14] Во-вторых, аналитик должен быть готов комбинировать множество источников данных — публичные данные CMBS, собственную портфельную историю девелопера, рыночные данные третьих сторон и синтетические данные, сгенерированные при явных предпосылках, — и быть прозрачным относительно роли каждого. В контексте работы с проблемным активом такая прозрачность не факультативна, поскольку любой результат работы модели, скорее всего, подвергнется состязательной проверке со стороны кредитора, его юристов и потенциально суда.

Остальная часть работы рассматривает проблему скудных данных как постоянное ограничение, а не как отдельную тему. Рекомендуемые в каждом разделе практики разработаны так, чтобы быть осуществимыми в её рамках.

4. Архитектура данных для проблемных сделок

4.1 Модель данных сделки

Работа с проблемным активом требует единого, внутренне согласованного представления сделки. Создание такого представления само по себе является существенным предприятием, и на практике именно это шаг, на котором проваливаются большинство усилий по моделированию. У девелопера с двадцатью активами, скорее всего, окажется двадцать различных форматов рент-роллов, три различные системы общего учёта, две разные платформы управления недвижимостью и набор кредитных документов, хранящихся в виде сканированных PDF-файлов в папках, организованных по первоначальному юридическому консультанту сделки. Прежде чем какая-либо модель может быть обучена или развёрнута, сделка должна быть загружена в схему, поддерживающую запрос, сравнение и анализ временных рядов.[15]

Принятая в настоящей работе схема построена вокруг трёх ключевых сущностей: актив, кредит и спонсор. С каждым из них связан набор записей с временными метками: для актива — рент-роллы, отчёты об операциях, капитальные затраты, лизинговые запросы, рыночные сравнения и отчёты о физическом состоянии; для кредита — оригинальные документы, история поправок, история платежей, история соответствия ковенантам, история watchlist и любая переписка с кредитором; для спонсора — структура юридических лиц, обязательства поручителей, история судебных разбирательств, история публикаций в прессе и сеть совместных предприятий. Схема намеренно избыточна в некоторых местах — например, рент-роллы хранятся как в исходной форме, так и в нормализованной, — поскольку утрата исходных деталей в контекстах работы с проблемным активом является повторяющимся источником ошибок.

Модель данных сделки — это субстрат, на котором держится всё остальное в этой работе. Девелопер, инвестировавший в неё до прихода проблемности, имеет значимое преимущество; девелопер, который ждал, вынужден строить её в наихудший возможный момент.

4.2 Интеграция структурированных и неструктурированных данных

Большая часть ценности данных по проблемным сделкам — неструктурированная. Кредитный договор неструктурирован. Межкредиторское соглашение неструктурировано. Экологический отчёт неструктурирован. Строительный контракт, отказы от прав удержания субподрядчиков, правовое подтверждение титула, переписка с арендаторами, электронные письма брокеров — всё это неструктурировано. Подход к моделированию, ограничивающийся структурированными рент-роллами и отчётами об операциях, оставляет большую часть релевантной информации за скобками.

Интеграция структурированных и неструктурированных данных — это технический вклад эпохи больших языковых моделей в данную область. До появления полноценных языковых моделей извлечение структурированной информации из неструктурированных документов было ремесленным упражнением: аналитики читали документы и вносили релевантные поля в таблицы. Упражнение было медленным, дорогим, склонным к непоследовательности и, как правило, выполнялось лишь однажды — в момент выдачи кредита. Обновления случались редко. Работа с проблемным активом часто начинается с обнаружения того, что график допустимой задолженности в действующем кредитном договоре — не тот, что помнил кто-либо в команде заёмщика.[16]

Современные языковые модели меняют экономику этого упражнения. Кредитный договор, на извлечение из которого ассоциату прежде требовалось десять часов, теперь может быть обработан за минуты, со структурированным выводом, пригодным для последующего моделирования. Точность не идеальна, и работа посвящает отдельный раздел практикам валидации, необходимым прежде чем результаты такой модели могут стать опорой для решения. Существенное в данный момент состоит в том, что интеграция структурированных и неструктурированных данных, ранее неосуществимая на уровне целого портфеля, теперь осуществима.

Архитектурный паттерн, оформившийся на практике, является многослойным. В основании — хранилище документов: оригинальные PDF, организованные по сделкам. Над ним — слой извлечения, в котором языковые модели заполняют структурированное представление каждого документа. Над ним — слой гармонизации, в котором извлечённые поля из множества документов согласовываются в модель данных сделки. Над ним — аналитический слой, в котором структурированные данные потребляются предсказательными, оценочными и сценарными моделями, обсуждаемыми в остальной части работы. Каждый слой версионируется независимо, и происхождение любого результата модели может быть прослежено вплоть до исходных документов.[17]

Требование происхождения — не педантичная деталь. В контексте работы с проблемным активом достоверность любого количественного результата зависит от способности воспроизвести его из источника. Модель, не способная ответить на вопрос «из какого документа взято это число», непригодна для представления кредитному комитету и не защитима в показаниях.

5. Предсказательные модели для дефолтов и обнаружения проблемности

5.1 Задача раннего предупреждения

Задача раннего предупреждения — каноническая точка входа машинного обучения в проблемную недвижимость. Вопрос прост: учитывая всё, что мы знаем о сделке сегодня, какова вероятность того, что она окажется в дефолте, в special servicing или иным образом обесценена в течение какого-либо прогнозного окна? Литература по аналогичной задаче в жилищной ипотеке огромна и изощрённа, и значительная часть разработанных там методов переносится на коммерческую ипотеку с умеренной адаптацией.[18]

Признаки, входящие в коммерческую модель дефолтов, к настоящему моменту стандартны: отношение кредита к стоимости при выдаче и при последней оценке, коэффициент покрытия обслуживания долга за последние двенадцать месяцев, debt yield, заполняемость, средневзвешенный срок аренды, кредитный профиль арендаторов, географическая и подсегментная экспозиция, опыт спонсора и набор макропеременных, включая релевантную ставку Treasury, форвардную кривую SOFR и индекс цен коммерческой недвижимости Green Street для сегмента актива.[19] Признаки эти необходимы, но, по опыту автора, недостаточны. Признаки, отличающие полезную модель раннего предупреждения от учебного упражнения, — это те, что захватывают динамику сделки, а не её статические свойства.

Среди динамических признаков, доказавших свою полезность на практике: темп изменения лизинговых запросов (опережающий индикатор провала аренды), темп изменения операционных расходов относительно бюджета (опережающий индикатор проблемности в управлении недвижимостью), частота переписки с кредитором (опережающий индикатор того, что внутренний watchlist кредитора был задействован), каденция строительных трансферов относительно графика (опережающий индикатор проблемности по строительному кредиту) и темп изменения подразумеваемой ставки капитализации в недавних сделках в релевантном подсегменте (опережающий индикатор обесценения оценки). Ни один из этих признаков не экзотичен. Все они требуют инфраструктуры для фиксации с такой частотой, при которой они полезны, что возвращает аналитика к проблеме архитектуры данных раздела четвёртого.

5.2 Выбор модели

Для задачи раннего предупреждения ансамбли решающих деревьев с градиентным бустингом стали выбором по умолчанию. Причины практические. Они работают со смешанными типами данных без обширной предобработки, толерантны к пропущенным значениям, устойчивы к масштабу признаков, и их качество на табличных данных умеренного размера в целом конкурентоспособно с подходами глубокого обучения, более затратными в обучении и более трудными для интерпретации.[20] Для бинарного варианта задачи — окажется ли сделка обесценённой в течение двенадцати месяцев, да или нет — классификатор градиентного бустинга с тщательной перекрёстной проверкой является обоснованным выбором по умолчанию.

Для временной версии задачи аналитик должен обратиться к модели выживаемости. Различие важнее, чем может показаться. Бинарный классификатор сообщит workout-команде, что сделка имеет повышенный риск; модель выживаемости сообщит, как этот риск распределён во времени, — что и есть тот вопрос, на который кредитный комитет на самом деле хочет получить ответ. Случайные леса выживаемости и более новые нейронные модели выживаемости вроде DeepSurv и DeepHit являются подходящими инструментами.[21] Рамка конкурирующих рисков, в которой дефолт, досрочное погашение, модификация и рефинансирование рассматриваются как конкурирующие исходы, является правильной спецификацией для коммерческих ипотек и существенно улучшает бинарную альтернативу.

Замечание о калибровке. Хорошо откалиброванная модель — это та, чьи предсказанные вероятности соответствуют, в совокупности, наблюдаемым частотам; модель, предсказывающая пятнадцатипроцентную вероятность дефолта для сотни сделок, должна увидеть около пятнадцати дефолтов среди них. Калибровка отлична от дискриминации, измеряющей способность модели ранжировать сделки по риску. Оба свойства важны, но калибровка важнее в контексте работы с проблемным активом, потому что абсолютный уровень вероятности определяет резерв на потери, экономику модификации и переговорную позицию. Калибровка хрупка в моделях машинного обучения, обученных на несбалансированных данных, и аналитик должен исходить из того, что калибровка нарушена, пока обратное не было продемонстрировано. Изотоническая регрессия и шкалирование Платта — стандартные средства; их следует применять как обычную практику.[22]

5.3 Валидация в контексте работы с проблемным активом

Стандартный протокол валидации в машинном обучении — случайное разделение на обучение и тест, перекрёстная проверка, отложенная выборка — недостаточен для моделей дефолтов в коммерческой недвижимости. Причины — время и структура. Случайные разделения протекают будущей информацией в обучающую выборку; требуется временное разделение, с обучением на сделках, выданных до некоторой даты отсечения, и тестированием на сделках, выданных после. Сделки также кластеризованы по спонсору, по подсегменту и по кредитору, и модель, запомнившая поведение конкретного спонсора в обучающей выборке, будет казаться хорошо работающей при случайной валидации, не обобщая при этом. Групповая валидация, при которой целые кластеры спонсоров или подсегментов удерживаются, является более честной проверкой.[23]

Дополнительное требование валидации, специфическое для контекста работы с проблемным активом, — это устойчивость при сдвиге распределения. Распределение сделок в workout-pipeline, по построению, не является распределением сделок в общей популяции. Модель, обученная на общей популяции, будет систематически неверно оценивать риск на workout-pipeline, как правило, в направлении его недооценки. Средство — обучить отдельную модель на workout-подвыборке либо применить технику адаптации области, корректирующую общую модель с учётом сдвига. Любой из подходов предпочтительнее распространённой практики игнорирования вопроса.

Рабочее правило автора состоит в том, что модель дефолтов не разворачивается в контексте работы с проблемным активом, пока она не была валидирована по крайней мере на трёх годах данных вне выборки, на групповом разделении и с отдельно подтверждённой калибровкой. Правило консервативно. Оно отсеивает часть моделей, выглядящих перспективно при разработке, — что и есть его назначение.

6. Оценка в условиях проблемности

6.1 Почему оценка проблемного актива сложна

Оценка в проблемных контекстах отличается от оценки в нормальных контекстах в трёх отношениях, существенных для моделирования. Во-первых, релевантный набор сравнимых сделок мал и заражён. Сделки, закрывшиеся в релевантном подсегменте за прошедшие двенадцать месяцев, диспропорционально часто сами являются проблемными, что означает: сравнимые ставки капитализации не репрезентативны для равновесной цены. Во-вторых, сам актив может находиться в нестабилизированном состоянии — с вакансией, отложенным ремонтом или приостановленной стройкой, — что осложняет применение капитализации дохода. В-третьих, релевантный вопрос оценки — не точка, а распределение: заёмщику нужно знать не только ожидаемую стоимость, но и стоимость в десятом, двадцать пятом, пятидесятом, семьдесят пятом и девяностом процентилях правдоподобных исходов, поскольку workout-переговоры ведутся на языке этих процентилей.[24]

Классический инструментарий оценщика — затратный подход, сравнительный подход, доходный подход — обращается к этим вызовам несовершенно. Затратный подход в значительной мере иррелевантен, как только актив находится в эксплуатации. Сравнительный подход подорван заражением сравниваемого набора. Доходный подход требует прогнозов чистого операционного дохода и ставки выхода, а это и есть те самые переменные, от которых зависит работа с проблемным активом. Ничто из сказанного не означает, что классический инструментарий неверен; это означает лишь, что контекст работы с проблемным активом требует дополнения, а не замены.

6.2 Гедоническая и машинно-обученная оценка

Гедонические модели оценки — статистические модели, разлагающие цену на вклад отдельных характеристик актива, — имеют долгую историю в исследованиях недвижимости и более недавнюю — в коммерческой практике.[25] Переход от классических гедонических моделей к машинно-обученным — относительно недавнее явление. Методологический ход состоит в замене линейной или лог-линейной функциональной формы классической модели на гибкую непараметрическую форму, как правило ансамбль с градиентным бустингом или нейронную сеть, при сохранении основополагающей интерпретации цены как функции характеристик актива.

Преимущество машинно-обученной версии — её способность улавливать взаимодействия и нелинейности, упускаемые классической формой. Гедоническая модель градиентного бустинга, например, автоматически обнаруживает, что предельная стоимость квадратного фута офисной площади зависит от эффективности этажа, шага колонн и высоты потолков, причём эти факторы взаимодействуют, а не складываются. Недостаток — интерпретируемость: предельный вклад любого отдельного признака больше не является коэффициентом, который можно сообщить в сноске.

Средство — семейство методов апостериорной интерпретации (значения SHAP, графики частичной зависимости, графики индивидуального условного ожидания), ставших стандартом в прикладном машинном обучении примерно с 2017 года.[26] Декомпозиция SHAP гедонической оценки, применённая к каждой сделке отдельно, даёт аналитику возможность атрибутировать оценку модели её составным признакам понятным для нетехнической аудитории и защитимым перед кредитным комитетом образом. Однако аналитик не должен принимать апостериорную интерпретацию за каузальное объяснение. Декомпозиция — это описание поведения модели, а не мира.

Для проблемных контекстов в особенности гедонический подход обладает дополнительным достоинством: он может использоваться для выявления компонентов стоимости, сместившихся при проблемности. Модель, обученная на непроблемном сравнимом наборе и применённая к проблемному активу, выдаст значение, в которое сама модель верит; отклонение от фактических отметок, наблюдаемых в workout-pipeline, является измеримой величиной и может отслеживаться во времени как рыночный сигнал. Автор использовал такой подход на практике как дополнение к традиционной оценке, а не замену ей.

6.3 Вероятностная оценка

Точечные оценки недостаточны в контекстах работы с проблемным активом. Аналитику нужно распределение. Методы получения распределения варьируются от простого — моделирование Монте-Карло над входами модели дисконтированных денежных потоков — до изощрённого — условные генеративные модели, выдающие целые траектории чистого операционного дохода, лизингового поглощения и ставок выхода, обусловленные текущим состоянием рынка.[27]

Практический компромисс, который автор использовал с клиентами-девелоперами, таков. Модель дисконтированных денежных потоков строится обычным образом. Входы модели — рост арендной платы, вакансия, рост расходов, ставка выхода — заменяются распределениями, чьи параметры оценены по данным релевантного подсегмента и собственной портфельной истории девелопера. Выполняется моделирование Монте-Карло над совместным распределением входов, с корреляциями, оцененными по данным, а не предположенными. На выходе — распределение стоимостей актива, из которого может быть прочитан любой процентиль.

Упражнение звучит просто и часто выполняется плохо. Наиболее распространённые ошибки — предположение независимости между входами, которые в действительности коррелированы (рост арендной платы и вакансия, например, отрицательно коррелированы способом, существенно влияющим на хвосты распределения); предположение нормального распределения для входов, которые на самом деле имеют тяжёлые хвосты (движения ставок капитализации в моменты рыночных дислокаций ненормальны); и пренебрежение модельной неопределённостью — неопределённостью самих параметров входных распределений. Средства — моделирование зависимостей через копулы, тяжёлохвостые распределения, байесовская трактовка параметрической неопределённости — не экзотичны, но требуют осознанных усилий.[28]

7. Реструктуризация структуры капитала с применением ИИ

7.1 Задача реструктуризации как оптимизация

Реструктуризация капитальной структуры — формально задача оптимизации. Цель — максимизировать совместный излишек заёмщика и кредитора (или минимизировать совместный убыток) при ограничениях, налагаемых существующими документами, регуляторной средой и резервационными значениями участников. Переменные оптимизации включают основную сумму каждого транша, процентную ставку и порядок начисления, срок, график амортизации, защиту от досрочного погашения, пакет ковенант, договорённости по управлению денежными средствами, структуру lockbox, размывание капитала и распределение любого нового капитала, который стороны соглашаются привлечь.

Число переменных велико, но конечно. Число допустимых комбинаций колоссально. Стандартная практика в реструктуризациях — рассмотреть три или четыре сценария, построенных вручную (структура A/B-нот, дисконтированное погашение, продление срока, передача по соглашению об отступном), и вести переговоры вокруг них. Стандартная практика оставляет ценность на столе, поскольку пространство допустимых реструктуризаций намного шире, чем пространство, которое могут охватить ручные сценарии.[29]

Подход к задаче реструктуризации, основанный на моделях, рассматривает её как поиск в пространстве допустимых решений с явной целевой функцией и явными ограничениями. Целевая функция — совместный ожидаемый излишек, вычисленный в рамках вероятностной оценки раздела шестого. Ограничения — это документарные ограничения, которые могут быть извлечены из кредитного договора при помощи языковых моделей раздела девятого, и ограничения участников — резервационные значения, которые аналитик выводит из наблюдаемого поведения или из прямого раскрытия.

Сам поиск может вестись любым из нескольких методов. Для малых задач — путём исчерпывающего перебора по дискретизированному пространству. Для более крупных задач — с использованием смешанного целочисленного программирования, эволюционных алгоритмов или методов обучения с подкреплением, обучающих политику предложения реструктуризаций и обновления их в ответ на реакции контрагентов. Выбор метода менее важен, чем дисциплина рассматривать реструктуризацию как оптимизацию, а не как переговоры, — по крайней мере на аналитической стадии.

7.2 Резервационная кривая заёмщика

Полезный артефакт, возникающий из оптимизационной рамки, — резервационная кривая заёмщика: функция, отображающая каждый возможный исход реструктуризации в чистую экономическую позицию заёмщика. Кривая строится путём вычисления — для каждой кандидатной реструктуризации — ожидаемой приведённой стоимости её принятия для заёмщика, с учётом регрессной экспозиции по существующим поручительствам, налоговых последствий дохода от прощения долга, альтернативной стоимости капитала, который потребуется для поддержки реструктуризации, и защиты от снижения стоимости, которую заёмщик сохраняет в существующей структуре.[30]

Кривая полезна двумя способами. Во-первых, она даёт заёмщику количественную базу для оценки любого предложения кредитора в форме единственного числа — позиции на кривой, агрегирующей релевантные компромиссы. Во-вторых, она даёт заёмщику базу для предложения альтернатив. Распространённый паттерн в реструктуризациях — кредитор предлагает структуру, приемлемую для кредитора, но субоптимальную для заёмщика способом, который заёмщик может задокументировать; задокументированная альтернатива, представленная как контрпредложение, часто сдвигает переговоры так, как чистая риторика не способна.

Построение резервационной кривой — упражнение в честном учёте. Соблазн — игнорировать издержки, неопределённые или политически неудобные: регрессную экспозицию по поручительствам, лично подписанным заёмщиком; репутационные издержки определённых workout-исходов; операционные издержки управления долгим хвостом возврата по активу, из которого заёмщик предпочёл бы выйти. По мнению автора, кривая полезнее, когда эти издержки включены, чем когда они опущены, — даже если включение неудобно.

7.3 Моделирование кредитора

Оптимизация реструктуризации, игнорирующая кредитора, — это упражнение в самопоздравлении. Интересная версия задачи — та, в которой аналитик построил достоверную модель собственного процесса принятия решений кредитором и использует эту модель для выявления предложений, приемлемых для обеих сторон. Упражнение неудобно, поскольку процесс принятия решений кредитором отчасти неизвестен и отчасти стратегичен, но полезные приближения возможны.

Модель кредитора начинается с идентификации типа кредитора. Регулируемый банк, держащий кредит на своём балансе, имеет иные стимулы, чем special servicer CMBS, действующий по pooling and servicing agreement; иные, чем долговой фонд с определённым сроком жизни и инвесторской базой, требующей распределений; иные, чем CLO-управляющий, ограниченный тестами overcollateralization.[31] Каждый тип кредитора имеет характерный набор ограничений, которые могут быть закодированы в модели: трактовка регуляторного капитала для банка, обязательства по сервисному стандарту для CMBS-сервисера, потребности фонда в денежных потоках для долгового фонда, арифметика OC-теста для CLO-управляющего.

В рамках одного типа кредитора у конкретного кредитора есть набор раскрытых предпочтений, выводимых из наблюдаемого workout-поведения по сходным сделкам. Вывод труднее, чем кажется, поскольку релевантные данные в значительной мере приватны, но тщательный обзор публичных исходов CMBS-реструктуризаций, судебных материалов и материалов отраслевой прессы порождает пригодный априор. Рабочий подход автора — поддерживать структурированную базу поведения кредитора на уровне учреждения и индивида, обновляемую из публичных источников и из собственного опыта девелопера, и использовать эту базу как вход в байесовскую модель, обновляемую по мере продвижения работы с активом.

8. Сценарное моделирование и выбор пути работы с проблемным активом

8.1 Задача ветвления

Работа с проблемным активом — не одно решение, а последовательность решений, принимаемых в условиях неопределённости, в которой каждое решение ограничивает множество, доступное позднее. Аналитическая структура — это дерево решений, а практическая задача — построить, оценить и обновлять дерево по мере поступления новой информации. Дерево умеренно сложной работы имеет сотни узлов; для сложной работы с несколькими кредиторами, поручителями, потенциальными источниками капитала и юридическими форумами — тысячи.

Ручное построение такого дерева неосуществимо. Поддерживаемое программой построение, в котором аналитик задаёт структуру на высоком уровне, а программа перечисляет ветви, осуществимо и всё более доступно в коммерческих инструментах. Машинное обучение входит в построение в двух местах: в оценке вероятностей переходов в каждом узле, что может быть подкреплено предсказательными моделями раздела пятого, и в политике, выбирающей, какие ветви заслуживают развёртывания, — это задача обучения с подкреплением в её общей форме.[32]

Опыт автора состоит в том, что ценность подхода, основанного на дереве, не в точном численном выходе, а в дисциплине, которую он налагает на workout-команду. Команда, построившая дерево, по построению рассмотрела ветви, которые иначе проигнорировала бы. Самые дорогие ошибки в реструктуризациях — это не ошибки расчёта; это ошибки воображения, в которых возможность, которая должна была быть на столе, никогда не попала в повестку. Дерево, даже когда его числа неопределённы, является защитой от такого провала.

8.2 Генеративное сценарное моделирование

Более новый вклад в сценарную задачу приходит из генеративных моделей. Идея состоит в том, чтобы обучить модель на исторических последовательностях рыночных и активовых состояний и использовать обученную модель для генерации правдоподобных будущих траекторий, которые workout-команда может использовать как входы в свой анализ решений. Траектории — не прогнозы в классическом смысле; это выборки из распределения будущих состояний, и ценность множественности их в том, что команда может стресс-тестировать предлагаемые действия по широкому диапазону возможностей.

Техническая литература по генеративному моделированию временных рядов быстро развивается. Вариационные автоэнкодеры, генеративно-состязательные сети и в последнее время диффузионные модели применялись к финансовым временным рядам со смешанными результатами.[33] По мнению автора, для контекста работы с проблемным активом генеративный подход наиболее полезен на уровне подсегмента, а не отдельного актива. Модель, генерирующая правдоподобные траектории ставок капитализации подсегмента, вакансии и поглощения, может быть скомбинирована с детерминированными моделями отклика актива на эти траектории, чтобы выдать полезное распределение исходов. Модель, пытающаяся генерировать траекторию конкретного актива напрямую, как правило, переparameterized для доступных данных.

Валидация генеративных моделей необычайно сложна, поскольку нет истины, с которой можно сравнить. Стандартная практика — оценивать сгенерированные траектории по сводным статистикам, которые должны соответствовать историческому распределению (автокорреляция, кросс-корреляция, распределение просадок, поведение переключения режимов), и требовать, чтобы модель воспроизводила эти статистики, прежде чем какие-либо её результаты будут использованы для решений. Даже при этой дисциплине аналитик должен относиться к генеративным выходам как к генерации гипотез, а не как к прогнозу.

9. Языковые модели для кредитных и титульных документов

9.1 Задача проверки документов

Каждая работа с проблемным активом начинается с проверки документов. Релевантные документы — это кредитный договор, простой вексель, ипотека или deed of trust, переуступка договоров аренды и арендной платы, поручительства, экологическая компенсация, межкредиторское соглашение (если таковое имеется), сервисное соглашение (если применимо) и операционные документы по совместному предприятию и капиталу. Число страниц редко бывает менее нескольких сотен и часто составляет несколько тысяч. Вопросы, на которые workout-команде нужны ответы, конкретны: что является триггером дефолта, какие существуют права на устранение, какова регрессная экспозиция, каковы средства защиты кредитора, каковы положения об управлении денежными средствами, какова структура lockbox, каковы положения о существенных неблагоприятных изменениях, каковы триггеры подспудного регресса, каков приоритет между кредиторами и каковы положения о приостановке.

Традиционно на эти вопросы отвечали юристы уровня associate, читавшие документы и составлявшие меморандумы. Издержки значительны, время оборота измеряется неделями, а согласованность между документами неровная. Большие языковые модели предлагают иной фронт затрат, времени и согласованности. Способная модель может извлечь релевантные положения из кредитного договора за минуты, со структурированным выводом, отображающимся непосредственно в рамку решений workout-команды. Точность не идеальна, и работа серьёзно относится к рискам чрезмерной опоры, но улучшение по сравнению с базовой линией существенно.[34]

9.2 Извлечение с дополненным поиском

Архитектурный паттерн, оказавшийся наиболее надёжным для проверки кредитной документации, — это извлечение, дополненное поиском. Паттерн работает следующим образом. Документ сегментируется на чанки — как правило по разделам, с некоторым перекрытием, — и каждый чанк встраивается в векторное представление с использованием модели, обученной для семантического сходства. Запрос — например, «каковы триггеры подспудного регресса в этом кредитном договоре» — сам встраивается и сравнивается с эмбеддингами чанков для идентификации наиболее релевантных чанков. Релевантные чанки затем передаются генеративной языковой модели вместе с запросом, и модель выдаёт структурированный ответ, включающий как содержательный отклик, так и цитирования исходных чанков.[35]

Преимущества этого паттерна перед однократным подходом, в котором весь документ подаётся модели, многочисленны. Релевантный контекст идентифицируется явно и может быть проверен аналитиком. Ответ модели опирается на идентифицируемые разделы исходного документа, что поддерживает верификацию. Паттерн масштабируется на документы, превышающие контекстное окно модели. И паттерн порождает аудит-след, необходимый для того, чтобы выходы модели были пригодны в контексте работы с проблемным активом.

Валидация выходов языковой модели в этой области следует иному протоколу, чем валидация предсказательных моделей. Релевантный вопрос — не точность численного прогноза, а верность извлечённого ответа исходному документу. Верность оценивается выборкой извлечений, сравнением их с исходником и отслеживанием частоты ошибок. Рабочий стандарт автора состоит в том, что pipeline извлечения не разворачивается в производство, пока он не достиг по крайней мере девяноста пяти процентов верности на отложенной выборке из ста извлечений, с задокументированным протоколом проверки человеком оставшихся пяти процентов в любом производственном использовании.

9.3 Галлюцинации и их смягчение

Наиболее обсуждаемый риск языковых моделей в правовых контекстах — это галлюцинация: производство правдоподобно звучащего текста, не подкреплённого источником. Риск реален, и юридическая профессия пережила публичные примеры его последствий.[36] Стратегии смягчения — комбинация архитектурных решений и процедурной дисциплины. Архитектурные смягчения включают паттерн извлечения с дополненным поиском, описанный выше, который ограничивает ответ модели обоснованным контекстом; явное указание модели отказаться отвечать, когда контекст недостаточен; и требования цитирования, заставляющие модель указывать конкретный исходный текст, подкрепляющий каждое утверждение.

Процедурные смягчения важнее. Рабочее правило автора состоит в том, что ни один выход языковой модели не используется в workout-решении без человеческой верификации цитирований источников, и ни один выход языковой модели не включается в документ, представляемый суду, кредитору или регулятору, без независимой юридической проверки. Правило замедляет рабочий процесс, но исключает наиболее значимый режим отказа. Замедление, по опыту автора, меньше, чем время, сэкономленное первоначальным извлечением модели, так что чистое влияние на сроки работы с проблемным активом остаётся положительным.

Замечание о выборе модели. Не все языковые модели подходят для проверки правовых документов. Релевантные критерии — это размер контекстного окна, качество базовых данных обучения в отношении правовых документов, доступность модели на условиях, совместимых с обязательствами по конфиденциальности, и зрелость окружающего инструментария. Рынок сошёлся на небольшом числе передовых моделей от небольшого числа поставщиков, и выбор между ними определяется в первую очередь соображениями закупок и конфиденциальности, а не различиями в производительности на релевантных задачах.

10. Моделирование рисков контрагентов и спонсоров

10.1 Реляционный взгляд

Риск того, что сделка провалится, — отчасти функция актива, отчасти функция людей вокруг него. Люди включают спонсора, партнёров по капиталу, строительного управляющего, управляющего недвижимостью, брокеров, кредиторов, поручителей и различных профессиональных консультантов. В типичной сделке с коммерческой недвижимостью никто из них не независим. Спонсоры разделяют активы в совместных предприятиях. Партнёры по капиталу со-инвестируют с несколькими спонсорами. Кредиторы имеют повторяющиеся отношения со всеми вышеперечисленными. Множество отношений образует граф, и граф содержит информацию, не схватываемую стандартными финансовыми признаками сделки.[37]

Графовая нейронная сеть — естественный класс моделей для реляционных данных такого рода. Узлы графа — это сущности (спонсоры, кредиторы, активы), а рёбра — отношения (собственность, долг, совместное предприятие, поручительство). Модель обучается представлениям каждого узла, включающим информацию из окрестности узла в графе, и эти представления могут использоваться как признаки в последующих задачах прогнозирования. Автор использовал такой подход для прогнозирования проблемности на уровне спонсора, с признаками, включающими статические финансовые характеристики портфеля спонсора, динамические индикаторы проблемности в любой из отдельных сделок спонсора и топологическое положение спонсора в более широкой сети.

Валидация реляционных моделей представляет особую трудность, поскольку сам граф эволюционирует во времени, а релевантная истина — провалы спонсоров — редка и кластеризована. Подход автора — валидировать на временных срезах, обучаясь на сети, как она существовала на одну дату, и тестируя на исходах, наблюдаемых в последующий период, с явным учётом смещения выживания.

10.2 Поведенческие сигналы

Более спорный источник информации о контрагентах — поведенческий. Паттерн коммуникации спонсора, его юридических подач, публичных заявлений и операционных решений содержит сигналы о состоянии спонсора, не схватываемые финансовыми данными. Автор обнаружил на практике, что темп изменения паттернов коммуникации спонсора — частота электронных писем, длина встреч, готовность делиться информацией — является одним из более надёжных опережающих индикаторов проблемности на уровне спонсора. Сигнал трудно систематизировать, поскольку базовые данные приватны, но там, где они доступны, он заслуживает веса.

Публичные поведенческие сигналы легче инкорпорировать. Частота новостных упоминаний, тональность этих упоминаний, темп новых судебных подач, называющих спонсора или его аффилиатов, темп текучести персонала, наблюдаемый в профессиональных сетях, и темп, с которым объекты спонсора меняют управляющих недвижимостью, — все наблюдаемы. Ни один из них не является решающим в одиночку. В комбинации, обработанной моделью, способной взвешивать их соответствующим образом, они порождают сигнал, существенно улучшивший модели раннего предупреждения, построенные автором.

Замечание предостережения. Поведенческое моделирование контрагентов поднимает законные вопросы о конфиденциальности, справедливости и правовой экспозиции действий на основе выведенной информации. По мнению автора, использование публичной информации о коммерческих контрагентах для целей оценки кредитного риска укладывается в установленные нормы, но грань между моделированием коммерческих контрагентов и навязчивым наблюдением за индивидами не всегда чёткая, и аналитик должен осознанно подходить к тому, где эта грань проходит в любом конкретном применении. Раздел двенадцатый возвращается к этим заботам подробно.

11. Кейс-исследования

Кейс-исследования в этом разделе являются композитами. Каждый собран из элементов нескольких реальных сделок с достаточными модификациями для защиты конфиденциальности участвующих сторон. Композиты сохраняют структурные особенности базовых ситуаций и предназначены для иллюстрации того, как методология, разработанная в предыдущих разделах, применяется на практике.

11.1 Композит A: приостановленная среднеэтажная жилая застройка

Региональный девелопер завершил восемьдесят процентов строительства двухсотквартирного среднеэтажного жилого проекта во вторичном подсегменте, когда строительный кредит достиг первоначального срока. Изначальный бюджет предполагал рефинансирование при стабилизации в постоянный долг по ставке, согласующейся с андеррайтингом 2021 года. К моменту срока такого финансирования не существовало ни по какой цене, которую проект мог бы поддержать. Строительный кредитор — небанковский специалист с определённым сроком жизни фонда — не имел аппетита к продлению на изначальных условиях и готовился объявить дефолт.

Первой задачей workout-команды стала обоснованная отметка на актив. Гедоническая модель, обученная на региональных сделках по жилой недвижимости за прошедшие тридцать шесть месяцев и скорректированная на специфические характеристики актива, выдала точечную оценку приблизительно на четырнадцать процентов ниже изначально андеррайтированной стоимости. Вероятностная версия той же модели выдала распределение со значением десятого процентиля приблизительно на двадцать восемь процентов ниже исходного. Внутренняя отметка кредитора, узнанная по запасному каналу и подтверждённая против общего поведения кредитора по сравнимым сделкам, была приблизительно на шестнадцать процентов ниже исходной. Сходимость трёх независимых оценок в узкой полосе дала команде уверенность в том, что релевантный вопрос оценки был адресован.

Оптимизация реструктуризации рассмотрела примерно сорок различных комбинаций продления срока, корректировки процентной ставки, погашения основного долга из капитала спонсора и вливания капитала от нового партнёра. Оптимизация выявила три комбинации, лежащие на совместной паретто-границе между исходами заёмщика и кредитора. Резервационная кривая заёмщика, вычисленная по методологии раздела седьмого, идентифицировала вторую из трёх как предпочтительный исход для заёмщика. Предложение было сделано кредитору с документацией анализа. После приблизительно шести недель переговоров стороны согласились на структуру, близко следующую предложению, со скорректированными уступками с обеих сторон.

Подход, основанный на моделях, не изменил фундаменталий ситуации. Актив стоил столько, сколько стоил, а опции кредитора были такими, какими были. Что подход сделал — он сжал время от первоначального признания проблемности до согласованной реструктуризации с того, что было бы многомесячным разведочным процессом, до сосредоточенных шестинедельных переговоров, причём каждая сторона действовала с защитимой количественной базы. Это сжатие и было продуктом.

11.2 Композит B: офисная башня в дефолте по сроку

Национальный девелопер удерживал семидесятипроцентную долю в офисной башне класса A в крупном центральном деловом районе, профинансированной первой ипотекой CMBS и мезонинным кредитом, удерживаемым долговым фондом. Первая ипотека достигла срока с активом в дефолте по сроку, и кредит был передан в special servicing. Актив был сдан примерно на шестьдесят процентов; крупный арендатор освободил помещения по окончании срока, а другой арендатор уведомил о намерении освободить в конце следующего года.

Workout-задача была структурно более сложной, чем композит A, из-за наличия двух кредиторских групп с конфликтующими стимулами, участия CMBS-special servicer, действующего по pooling and servicing agreement, и существенно проблемного состояния офисного сегмента в релевантном рынке. Вопрос оценки был острым: подход капитализации дохода выдавал разные значения в зависимости от предположений о заполнении и уступках, а сравнительный подход был заражён небольшим числом недавних сделок, несколько из которых сами были проблемными.

Подход команды состоял в построении вероятностной оценки, обусловленной каждым из трёх лизинговых сценариев: базовый случай, в котором здание достигает восьмидесятипроцентной заполняемости в течение тридцати месяцев; downside, в котором оно остаётся ниже семидесяти процентов на том же горизонте; и upside, в котором крупный арендатор переезжает в здание из конкурирующего актива. Три сценария были взвешены вероятностями, оценёнными по опросу лизинговых брокеров, активных в подсегменте, и собственной оценкой команды физических и локационных характеристик здания. Получившееся распределение стоимости имело гораздо более широкий диапазон, чем точечная оценка, с которой работал special servicer, и более широкий диапазон оказался полезен в переговорах, поскольку он сместил разговор от точечных разногласий к лежащим в основе предположениям.

Оптимизация реструктуризации в данном случае была ограничена структурой CMBS: гибкость special servicer была ограничена требованиями pooling and servicing agreement относительно модификаций, и любая реструктуризация, на которую сервисер согласится, должна была быть оправданной по сервисному стандарту. Подход команды заключался в построении небольшого числа опций реструктуризации, чётко укладывающихся в сервисный стандарт, документировании совместного излишка, генерируемого каждой, и представлении опций как пакета, а не как последовательности отдельных предложений. К мезонинному кредитору обратились отдельно, с параллельным анализом, показывающим, что его позиция улучшается по любой из предложенных структур относительно альтернативы обращения взыскания.

В итоге результатом стало продление срока по первой ипотеке, частичное погашение, профинансированное новым вливанием капитала от стратегического партнёра, модификация мезонинного кредита, включающая условный платёж, привязанный к лизинговым вехам, и пересмотренная договорённость по управлению денежными средствами, дающая старшему кредитору дополнительную защиту в течение периода заполнения. Структура была сложной и требовала обширной документации. Подход на основе моделей внёс вклад в трёх точках: в начальной оценке, задавшей рамку для переговоров; в оптимизации реструктуризации, сгенерировавшей начальный набор опций; и в проверке документов, обеспечившей согласованность предложенных модификаций с ограничениями в действующих документах.

11.3 Композит C: реструктуризация строительного кредита в pipeline девелопмента

Региональный девелопер с портфелем из пятнадцати жилых проектов с нуля на различных стадиях строительства столкнулся с кризисом ликвидности на уровне портфеля, когда его основной строительный кредитор — региональный банк — оказался под давлением регулятора с целью сокращения экспозиции к коммерческой недвижимости. Банк уведомил девелопера, что не будет продлевать строительные кредиты по трём проектам, приближающимся к сроку, и ожидает, что девелопер рефинансирует кредиты у другого кредитора или погасит их.

Портфельный контекст сделал этот случай отличным от двух предыдущих. Решения по отдельным проектам не были независимыми: рефинансирование одного проекта потребляло бы ёмкость у нового кредитора, которая иначе могла бы быть доступна для другого проекта; продажа завершённого проекта генерировала бы наличность, которая может быть направлена на обслуживание долга другого проекта; отсрочка строительства проекта на ранней стадии освободила бы ресурсы для более продвинутого проекта. Задача естественным образом была портфельной оптимизацией, а не последовательностью отдельных реструктуризаций.

Команда построила модель уровня портфеля, которая захватывала денежные потоки, потребности в финансировании и распределения стоимости каждого проекта, а также отношения между ними. Модель использовалась для генерации набора планов действий, каждый из которых задавал последовательность решений по портфелю на следующие двадцать четыре месяца. Планы ранжировались по портфельной целевой функции, включающей ожидаемую стоимость капитала на конец периода, дисперсию этой стоимости и вероятность портфельного денежного дефицита в любой момент периода.

Выбранный план включал продажу двух завершённых проектов для генерации наличности, рефинансирование двух строительных кредитов у другого кредитора на немного менее благоприятных условиях, чем исходные, отсрочку строительства трёх проектов ранней стадии и пересмотр договоров покупки земли по двум проектам, ещё не закрытым. План был представлен банку как комплексный ответ на уведомление банка с документацией портфельной экономики. Банк, готовившийся реализовать свои права по трём проблемным кредитам, принял план как более упорядоченное разрешение и согласился на краткосрочные продления по кредитам, адресуемым через рефинансирование.

Урок этого кейса состоит в том, что ценность портфельной модели не в каком-то одном числе, а в дисциплине рассмотрения ситуации девелопера как системы. Уведомление банка было для девелопера возмущением этой системы, и реакция системы лучше всего разрабатывалась с учётом всех её компонентов, а не одного проекта за раз.

11.4 Композит D: рекапитализация в гостиничной сфере

Национальный девелопер гостиничного бизнеса удерживал портфель из семи отелей select-service сегмента в третичных рынках, профинансированный смесью первых ипотек CMBS и корпоративной кредитной линии регионального банка. Отели восстановились после пандемического срыва до уровней заполняемости, сравнимых с допандемическими нормами, но восстановление было неравномерным по портфелю, и корпоративная кредитная линия приближалась к сроку, на котором банк указал, что не будет продлевать на существующих условиях. Опции девелопера включали рефинансирование корпоративной линии, продажу одного или нескольких отелей для генерации наличности под погашение, рекапитализацию с новым партнёром по капиталу или некоторую комбинацию этих опций.

Работа по моделированию началась с оценки на уровне объекта каждого отеля с использованием специализированной для гостиничного сегмента версии гедонической и вероятностной методологии оценки раздела шестого. Гостиничная версия отличается от общей методологии трактовкой выручки на доступный номер как первичного входа, моделированием отношения между заполняемостью и средней дневной ставкой и учётом брендовых и франчайзинговых соображений, влияющих как на операционную производительность, так и на стоимость выхода. Семь отелей показали существенное варьирование в распределениях стоимости: два явно недопроизводили относительно среднего по портфелю, а один явно превосходил.

Следующим шагом стала оптимизация на уровне портфеля, рассматривающая полное множество допустимых действий по семи отелям. Переменные оптимизации включали: какие отели продавать, в каком порядке, по каким целевым ценам и с каким использованием выручки; какие отели держать и рефинансировать индивидуально; рекапитализировать ли на корпоративном уровне с новым партнёром по капиталу и, если да, на каких условиях; и как тактовать каждое действие против стены сроков существующего долга. Целевой функцией была ожидаемая приведённая стоимость позиции капитала девелопера на горизонте тридцати шести месяцев с явным штрафом за денежные дефициты и за концентрации портфельного риска.

Оптимизация выявила план действий, включающий продажу двух недопроизводящих отелей в брокерском процессе, рефинансирование четырёх из оставшихся пяти отелей у небанковского кредитора, специализирующегося на гостиничном сегменте, удержание превосходящего отеля без обременения как источника гибкости для более широкого бизнеса девелопера и использование выручки от продажи для погашения корпоративной кредитной линии до уровня, на котором региональный банк готов был продлить на модифицированных условиях. План был представлен и региональному банку, и предполагаемому небанковскому кредитору как единое скоординированное предложение, с моделированным выходом, поддерживающим каждый компонент.

Сделка закрылась примерно через пять месяцев после первоначального признания того, что корпоративная кредитная линия не будет продлена на исходных условиях. Сжатие сроков было приблизительно в равной мере отнесено: к предшествующим инвестициям в архитектуру данных и pipeline извлечения документов, что позволило быстрый и точный базис портфеля; к методологии моделирования, что позволило быструю оценку допустимого набора действий; и к отношениям девелопера с релевантными кредиторами и брокерами, что позволило исполнить выбранный план в доступные сроки. Модель не заменила отношения, а отношения не заменили модель. Комбинация дала результат, которого ни одна из них не дала бы в одиночку.

12. Управление, предвзятость и пределы вывода

12.1 Управление модельным риском

Использование статистических моделей для значимых финансовых решений в регулируемых финансовых учреждениях подвергалось формальному управлению более десяти лет. Федеральная резервная система и Управление контролёра денежного обращения выпустили совместное руководство по управлению модельным риском, известное как SR 11-7, в 2011 году, и принципы, сформулированные там, стали де-факто стандартом во всей финансовой индустрии.[38] Девелопер, использующий модели машинного обучения для работы с проблемными сделками, прямо не подпадает под SR 11-7, но этот стандарт является естественной точкой отсчёта для любой защиты использования таких моделей перед кредитным комитетом, судом или регулятором.

Ключевые элементы SR 11-7 — поддержание инвентаря всех используемых моделей, документирование цели и методологии каждой модели, валидация каждой модели сторонами, независимыми от её разработчиков, установление политик использования выходов моделей в решениях и непрерывный мониторинг производительности модели против фактических результатов. Ничто из этого технически не сложно. Всё это требует организационной дисциплины, не возникающей спонтанно в workout-команде девелопера и нуждающейся в осознанном установлении.

Рабочий подход автора — поддерживать письменную карточку модели для каждой используемой модели в формате, ставшем стандартным в литературе по машинному обучению.[39] Карточка включает цель модели, данные, на которых она обучена, результаты валидации, известные ограничения, предполагаемые случаи использования и противопоказанные случаи использования. Карточка просматривается и обновляется при каждом переобучении модели или расширении её использования на новый контекст. Дисциплина лёгкая, но не тривиальная, и она является основанием для любого защитимого развёртывания.

12.2 Предвзятость и справедливость

Литература по справедливости в машинном обучении развивалась преимущественно вокруг применения в потребительском кредите, жилье и уголовном правосудии, где затрагиваемые выходами моделей популяции — это индивиды с защищаемыми характеристиками по гражданскому праву.[40] Применение к коммерческой недвижимости менее прямое. Контрагенты в коммерческих сделках — это юридические лица, а не индивиды, и защиты, применимые к индивидуальным заёмщикам по Equal Credit Opportunity Act и Fair Housing Act, в общем случае не применимы к коммерческим контрагентам.

Это не означает, что предвзятость иррелевантна в коммерческом контексте. Релевантные предвзятости в моделировании проблемных сделок отличаются по характеру. Они включают географическую предвзятость, привнесённую сверхпредставленностью определённых подсегментов в обучающих данных; сегментную предвзятость, привнесённую сверхпредставленностью определённых классов активов; цикловую предвзятость, привнесённую обучением на данных конкретной фазы цикла; и предвзятость выживших, привнесённую отсутствием данных от сделок, провалившихся до того, как были наблюдаемы. Каждая из этих предвзятостей порождает систематические ошибки в прогнозах модели, и каждая требует специфического внимания при валидации.

Более тонкая форма предвзятости возникает в реляционных и поведенческих моделях, обсуждавшихся в разделе десятом. Использование сетевой позиции и поведенческих сигналов для оценки риска контрагента создаёт возможность того, что модель закодирует паттерны, коррелирующие с характеристиками, которые аналитик при размышлении не хотел бы использовать как основу для решений. По мнению автора, этот риск лучше всего управляется через явные аудиты признаков, в которых решения модели на отложенном наборе случаев разлагаются на вклады отдельных признаков и проверяются на паттерны, предполагающие непреднамеренное кодирование чувствительных характеристик. Аудиты не устраняют риск, но делают его видимым.

12.3 Пределы вывода

Замечание о том, чего модели сделать не могут. Статистическая модель может научиться лишь паттернам, присутствующим в её обучающих данных. В проблемной коммерческой недвижимости наиболее важные события редки, а редкие события часто и есть те, что движут результатами. Модель, обученная на тысяче реструктуризаций, увидит, возможно, дюжину примеров любой конкретной workout-стратегии, и её выводы об этой стратегии будут соответственно слабы. Наиболее значимые workout-решения — именно те, по которым у модели наименьшее, что сказать.

Импликация не в том, что модели бесполезны. Она в том, что модели наиболее полезны для частых, низкоставочных частей работы с проблемным активом — извлечения данных, рутинных прогнозов, генерации сценариев, — и наименее полезны для редких, высокоставочных частей — крупных стратегических выборов, определяющих итоговый исход. Соблазн в любой работе по моделированию — расширить охват модели за пределы диапазона, в котором она может быть валидирована. Дисциплина сопротивления этому соблазну сама по себе является вкладом в успех работы с проблемным активом.[41]

Рабочий принцип автора состоит в том, что модели поддерживают суждение, но не заменяют его. Модель выдаёт результат. Аналитик просматривает результат, рассматривает причины, по которым он может быть неверен, и решает, какой вес ему придать. Окончательное решение — это человеческое решение, принимаемое человеком, ответственным за него, информированное моделью, но не определяемое ею. Принцип не нов и не оспаривается среди тщательных практиков. Его стоит повторить, поскольку соблазн делегировать ответственность модели реален и является частым режимом отказа в менее тщательных средах.

13. Дорожная карта внедрения

13.1 С чего начать

Девелопер, прочитавший до этого места и убедившийся, что искусственный интеллект имеет роль в его работе с проблемными сделками, стоит перед практическим вопросом: с чего начать. Ответ зависит от текущего состояния готовности девелопера, но из опыта автора с клиентами-девелоперами различных размеров возникла общая последовательность.

Первая инвестиция, до какого-либо моделирования, — это архитектура данных, описанная в разделе четвёртом. Архитектура неблагодарна и не выдаёт никакого видимого результата в краткосрочной перспективе. Однако она является ограничивающим фактором всего, что следует. Девелопер, пытающийся применять модели машинного обучения, не построив прежде пригодной модели данных сделки, обнаружит, что модели медленны, хрупки и недостаточно доверены, чтобы использоваться в реальных решениях. Архитектура данных — не одноразовый проект; это постоянная способность, требующая укомплектования и бюджета.

Вторая инвестиция — pipeline извлечения документов, описанный в разделе девятом. Pipeline производит немедленную ценность, сокращая время и стоимость проверки кредитных документов по всему портфелю девелопера, и порождает структурированное представление условий кредита, необходимое для оптимизации реструктуризации раздела седьмого. Техническая сложность построения такого pipeline существенно снизилась с созреванием языковых моделей и окружающего инструментария, и девелопер теперь может построить пригодный pipeline небольшой командой и с бюджетом, скромным относительно потенциальной экономии.

Третья инвестиция — система раннего предупреждения, описанная в разделе пятом. Система построена на архитектуре данных и pipeline извлечения и выдаёт непрерывный результат, по которому workout-команда может действовать. Разработка системы раннего предупреждения требует более специализированной статистической экспертизы, чем предыдущие шаги, и большинству девелоперов потребуется либо нанять эту экспертизу, либо партнёрствовать с поставщиком, её предоставляющим. Выбор между внутренней разработкой и поставщиком зависит от масштаба девелопера, чувствительности базовых данных и общего подхода девелопера к разработке технологий.

Четвёртая и последующие инвестиции — это более специализированные модели, обсуждавшиеся в предыдущих разделах: модели оценки, оптимизация реструктуризации, генерация сценариев, моделирование контрагентов. Они построены на основании, заложенном предыдущими шагами, и к ним лучше всего подходить индивидуально, в порядке, диктуемом конкретным портфелем девелопера.

13.2 Организационные соображения

Техническая работа — не самая трудная часть. Самая трудная часть — это интеграция выходов моделей в реальные процессы принятия решений девелопера таким способом, которому доверяют люди, ответственные за эти решения. Вызов интеграции имеет как структурное, так и культурное измерение.

Структурно функция моделирования должна находиться достаточно близко к функции работы с проблемным активом, чтобы модели строились для адресации реальных workout-вопросов и чтобы их результаты доставлялись вовремя для использования. Команда моделирования, действующая по исследовательскому графику, выдаст результаты, прибывающие после того, как релевантные решения уже приняты, и вклад команды будет оценён соответственно. По мнению автора, функция моделирования лучше всего встраивается прямо внутрь workout-команды, с линией подчинения, поддерживающей приоритеты workout-команды, и бюджетом, распределяемым по workout-результатам, а не по исследовательским вехам.

Культурно workout-команда должна быть готова действовать по выходу модели там, где он указывает прочь от интуиции команды, а команда моделирования должна быть готова уступить workout-суждению там, где охват модели превышает её хватку. Взаимная уступка труднее установить, чем звучит, и обычно она устанавливается лишь через повторяющийся опыт, в котором каждая сторона была вынуждена признать собственные ошибки. Ранняя фаза любого развёртывания моделирования в этом смысле — это упражнение по построению отношений в той же мере, что и техническое.

Замечание о найме. Сочетание навыков, требуемых для качественного выполнения этой работы, нечасто. Релевантный человек комфортно чувствует себя как со статистическими методами, так и с коммерческой недвижимостью, имеет терпение для работы с данными и суждение для транзакционной работы и может коммуницировать как с количественной, так и с неколичественной аудиторией. Такие люди существуют, но не в изобилии. По мнению автора, обычно проще взять сильного профессионала по недвижимости и обучить его релевантным вычислительным методам, чем взять сильного практика машинного обучения и обучить его недвижимости, но стратегия зависит от индивида.

13.3 Режимы отказа

Список режимов отказа, наблюдавшихся автором на практике, в приблизительно убывающем порядке частоты.

Первый режим отказа — отказ архитектуры данных: усилия по моделированию начинаются до того, как базовые данные приведены в пригодную форму, модели строятся на хрупком фундаменте, и всё усилие рушится под весом проблем качества данных в течение первых шести месяцев. Средство — инвестировать в архитектуру данных в первую очередь и сопротивляться соблазну продемонстрировать прогресс в моделировании до того, как фундамент готов.

Второй режим отказа — отказ валидации: модели разворачиваются без надлежащей валидации, плохо работают на реальных workout-кейсах, и workout-команда теряет к ним доверие. Средство — дисциплина валидации раздела пятого, применённая с терпением.

Третий режим отказа — отказ интеграции: модели выдают результаты, которые workout-команда не потребляет, либо потому что результаты прибывают в неверное время, в неверном формате, либо с неверным уровнем уверенности для поддержки решения. Средство — структурная и культурная интеграция, обсуждавшаяся выше.

Четвёртый режим отказа — отказ переразвёртывания: модель, хорошо работающая в обученной области, расширяется на область, в которой её предположения не выполняются, с предсказуемо плохими результатами. Средство — дисциплина карточек моделей и явная документация противопоказанных случаев использования.

Пятый режим отказа — отказ управления: модели разворачиваются без надлежащей документации, валидации или мониторинга, и когда они в конце концов отказывают значимым образом, нет защитимой записи мер контроля, которые были на месте. Средство — управление в стиле SR 11-7 с самого начала, даже если девелопер формально ему не подчинён.

Шестой режим отказа, и наиболее коварный, — отказ замещения: workout-команда начинает полагаться на модель вместо суждения, и коллективное суждение команды атрофируется. Средство — дисциплина раздела двенадцатого: модель поддерживает суждение, но не заменяет его, и команда, использующая её, должна продолжать развивать суждение, позволяющее ей оценивать выходы модели.

13A. Налоговые, юридические и учётные сопряжения

13A.1 Доход от прощения долга

Реструктуризация, включающая прощение основного долга — будь то через дисконтированное погашение, структуру A/B-нот с hope note или передачу по соглашению об отступном, сопровождаемую освобождением от регресса, — порождает у заёмщика доход от прощения долга по статье 61(a)(11) Кодекса внутренних доходов. Сумма и сроки этого дохода, наличие исключений по статье 108 и последствия для базы заёмщика в базовом имуществе и для любых переносимых вперёд чистых операционных убытков заёмщика являются центральными для экономики реструктуризации и часто моделируются неверно аналитиками, рассматривающими модификацию кредита как чисто финансовое событие.[42]

Релевантные исключения для заёмщиков в недвижимости — это исключение для квалифицированной задолженности по бизнесу с реальной собственностью по статье 108(a)(1)(D), доступное некорпоративным налогоплательщикам и снижающее базу имущества на исключённую сумму; исключение по неплатёжеспособности по статье 108(a)(1)(B), доступное в той мере, в какой заёмщик неплатёжеспособен непосредственно перед прощением; и исключение по банкротству по статье 108(a)(1)(A), доступное при прощении, происходящем в деле по Title 11. Каждое исключение имеет иной нисходящий эффект, и выбор между ними не всегда очевиден.

Модель, поддерживающая workout-решение, должна инкорпорировать налоговые последствия каждой кандидатной реструктуризации не как запоздалую мысль, а как первоклассный компонент резервационной кривой заёмщика. Автор видел реструктуризации, в которых структура, выглядевшая оптимальной до налогов, оказывалась хуже альтернативы при учёте налогов, и наоборот. Интеграция технически проста — релевантные налоговые расчёты детерминированы при заданных входах, — но требует, чтобы команда моделирования и налоговые консультанты работали из одного и того же представления сделки.

13A.2 Банкротство как стратегическая опция

Подача по Главе 11 для многих заёмщиков в проблемной недвижимости — опция последнего средства, но всё же опция. Стратегическая ценность подачи исходит из автоматического приостановления, останавливающего действия по взысканию и процедуры обращения взыскания; из возможности использовать положения cramdown статьи 1129(b) для подтверждения плана над возражением обеспеченного кредитора; и из возможности отказаться от обременительных исполнительных контрактов по статье 365.[43] Положения о single-asset real estate статьи 362(d)(3) ограничивают длительность автоматического приостановления в делах, где должник по существу является холдинговой компанией с одним объектом, что ограничивает стратегическую ценность подачи во многих workout-делах в недвижимости, но не устраняет её.

Моделирование банкротной опции требует иного набора входов, чем моделирование консенсуальной реструктуризации. Релевантные переменные включают приоритетную структуру существующих требований, вероятную трактовку необеспеченных требований по любому подтверждаемому плану, стоимость и длительность процедуры, доступность DIP-финансирования, вероятную трактовку инсайдерских требований и вероятность того, что дело будет преобразовано в Главу 7 или прекращено. Каждая из этих переменных неопределённа, а релевантные данные для их оценки — это исторический реестр сравнимых подач, публично доступный через PACER и через различные коммерческие базы данных, агрегирующие данные по банкротствам.

Опыт автора состоит в том, что банкротная опция наиболее полезна как достоверная угроза, формирующая консенсуальную реструктуризацию, а не как исход, преследуемый сам по себе. Модель, количественно оценивающая позицию заёмщика в гипотетическом банкротстве, поэтому ценна не потому, что предсказывает фактическую подачу, которая обычно не происходит, а потому, что дисциплинирует переговоры, давая заёмщику защитимую альтернативу любому предложению кредитора. Та же модель, выполняемая с перспективы кредитора, даёт кредитору защитимую альтернативу, и сходимость двух анализов на сходной оценке банкротной опции часто является предусловием урегулирования.

13A.3 Учётные последствия для кредитора

Учётная трактовка, применяемая кредитором к кредиту, на удивление часто является ограничивающим фактором того, на что кредитор может согласиться. Банк-кредитор, держащий кредит в портфеле, удерживаемом для инвестирования, подпадает под стандарт ожидаемых кредитных потерь (CECL), требующий от банка признавать ожидаемые потери на протяжении срока жизни при выдаче и обновлять их по мере изменения условий.[44] Модификация, отвечающая определению troubled debt restructuring по предыдущему стандарту или модификации кредита по текущему стандарту, имеет специфические учётные последствия, взаимодействующие с регуляторной капитальной позицией банка.

Долговой фонд, держащий кредит в фондовом средстве, подпадает под учёт по справедливой стоимости по релевантной фондовой учётной рамке, и любая модификация будет отражена в отчётной чистой стоимости активов фонда, что в свою очередь влияет на управленческие и performance-комиссии и на отчётный track record фонда. Стимулы фонда в реструктуризации формируются этими отчётными последствиями способами, не всегда очевидными для заёмщика, чьё внимание сосредоточено на денежной экономике.

CMBS-траст, держащий кредит, подпадает под требования pooling and servicing agreement, ограничивающего гибкость special servicer способами, варьирующимися от траста к трасту. Сервисный стандарт требует, чтобы сервисер действовал в наилучших интересах держателей сертификатов, что на практике означает максимизацию приведённой стоимости возвратов для траста в целом, но реализация этого стандарта варьируется и иногда становится предметом тяжб между держателями сертификатов.

Модель кредитора, не инкорпорирующая учётные и регуляторные ограничения, будет систематически неверно оценивать резервационную кривую кредитора. Средство — поддерживать наряду с финансовой моделью каждого кредитора представление релевантной учётной и регуляторной рамки и использовать и то и другое в оптимизации реструктуризации.

13B. Климатический риск и ESG-соображения

Климатический риск переместился с периферии в центр анализа коммерческой недвижимости за последние несколько лет, и любая методология моделирования, его игнорирующая, неполна. Релевантные климатические риски для проблемных сделок попадают в две широкие категории: физический риск — риск того, что сам актив подвержен климатически-обусловленным опасностям, таким как наводнения, лесные пожары, повышение уровня моря или тепловое стрессирование, — и риск перехода — риск того, что регуляторные или рыночные ответы на изменение климата снизят стоимость актива через ценообразование на углерод, мандаты на энергоэффективность или сдвиги в спросе арендаторов.[45]

Для моделирования проблемных сделок релевантность климатического риска конкретна. Многоквартирный актив в прибрежном подсегменте Флориды несёт риск наводнения, который исторически недооценивался и который в последние несколько лет начал отражаться как в страховых премиях, так и в аппетите кредиторов. Офисное здание класса A в юрисдикции, принявшей стандарт по выбросам зданий, такой как Local Law 97 в Нью-Йорке, сталкивается с прямыми издержками соответствия, перетекающими в чистый операционный доход.[46] Логистический актив в рынке с высокой физической климатической экспозицией может иметь иную ставку выхода сегодня, чем имел бы пять лет назад, даже при контроле других факторов.

Интеграция климатического риска в предсказательные и оценочные модели данной работы технически проста в принципе и трудна на практике. Принцип в том, что переменные климатического риска (зона наводнения, прогнозируемое повышение уровня моря, регуляторная экспозиция, энергетическая интенсивность) добавляются как признаки в релевантные модели, и модели обучаются взвешивать их соответственно. Трудность в том, что данные фрагментированы, релевантные климатические прогнозы неопределённы, регуляторная среда в потоке, а исторический реестр содержит мало примеров проблемных исходов, чисто отнесённых к климатическим факторам. Рабочий подход автора — инкорпорировать климатические переменные там, где они хорошо измерены, и быть прозрачным относительно случаев, в которых данные не поддерживают точную количественную оценку.

ESG-измерение простирается за пределы климата. Соображения управления влияют на моделирование контрагентов, в частности на оценку спонсоров, чей track record включает сделки со связанными сторонами, нераскрытые конфликты или иные паттерны, влияющие на надёжность их представлений. Социальные соображения, включая обращение с арендаторами в реструктуризациях многоквартирной недвижимости и эффекты вытеснения от обращения взыскания, всё более релевантны в юрисдикциях, принявших статуты защиты арендаторов и подвергающих проблемные сделки усиленному регуляторному контролю.

Методология моделирования, серьёзно относящаяся к ESG-соображениям, не есть то же самое, что методология, подчиняющая экономический анализ ESG-исходам. По мнению автора, релевантные ESG-факторы являются входами в экономический анализ, а не ограничениями на него, и их инкорпорирование порождает лучшие экономические ответы, а не худшие.

13C. Трансграничные соображения

Методология настоящей работы написана преимущественно с американской перспективы. Однако многие проблемные сделки с недвижимостью включают трансграничные элементы: иностранные источники капитала, иностранных спонсоров, активы, расположенные за пределами Соединённых Штатов, или холдинговые структуры, охватывающие несколько юрисдикций по налоговым причинам или причинам защиты активов. Трансграничные элементы привносят осложнения, к которым методология моделирования должна быть готова.

Первое осложнение — документарное. Кредитный договор, регулируемый английским правом, исполненный в связи с имуществом, расположенным в континентальной европейской юрисдикции, с обеспечением, предоставленным по праву этой юрисдикции, и с поручителем, базирующимся в третьей юрисдикции, — это иная задача проверки документов, чем американский кредитный договор, регулируемый правом штата Нью-Йорк. Подход языковой модели раздела девятого переносится в принципе, но базовые модели работают неровно по правовым традициям, и дисциплина валидации должна быть адаптирована соответственно. Автор обнаружил, что извлечение с дополненным поиском хорошо работает на континентальных европейских кредитных документах в их оригинальном языке, хуже — на переводах, и плохо — на документах, составленных в юрисдикциях с ограниченной представленностью в обучающих данных модели.

Второе осложнение — приведение в исполнение. Средства защиты, доступные обеспеченному кредитору в реструктуризации, зависят от юрисдикции, в которой расположено имущество, и варьирование между юрисдикциями существенно. Юрисдикция power of sale разрешает несудебное обращение взыскания, которое может быть завершено за месяцы; юрисдикция судебного обращения взыскания может потребовать годы. Юрисдикция с дефицитными суждениями сохраняет регресс к иным активам заёмщика; юрисдикция с антидефицитными статутами — нет. Юрисдикция с надёжной несостоятельной рамкой предлагает заёмщикам достоверную альтернативу реорганизации; юрисдикция без таковой — нет. Модель резервационной кривой кредитора должна инкорпорировать эти варьирования, и модель опций заёмщика должна делать то же.

Третье осложнение — валютная и процентная экспозиция. Сделка, в которой кредит деноминирован в одной валюте, аренда поступает в другой, а капитал держится в третьей, имеет набор рисков, в значительной мере отсутствующих в одновалютных сделках. Риски могут быть хеджированы, но стоимость хеджирования — это реальный экономический вход, а остаточный риск после хеджирования — это реальная экономическая экспозиция.

Четвёртое осложнение — налоги. Налоговая трактовка трансграничной собственности на недвижимость и трансграничных реструктуризаций долга является одной из наиболее сложных областей международного налогообложения, и релевантные правила варьируются между юрисдикциями, договорными сетями и конкретной структурой каждой сделки. По мнению автора, трансграничные проблемные сделки должны моделироваться совместно с международным налоговым консультантом с самого начала, а не как финансовое упражнение, к которому налоговые соображения добавляются в конце.

13D. Источники данных и ландшафт поставщиков

Методология моделирования полезна лишь настолько, насколько полезны питающие её данные, и источники данных, доступные девелоперу, занятому работой с проблемными сделками, существенно изменились за последнее десятилетие. Цель этого раздела — дать ориентированную на практика карту ландшафта с вниманием к компромиссам, важным в реальной работе с проблемным активом. Карта неполна и устареет к моменту, когда будет прочитана; читатель должен относиться к ней как к отправной точке, а не как к окончательному каталогу.

Первая категория данных — информация на уровне отдельных кредитов по коммерческим ипотекам. Ведущий публичный источник — вселенная CMBS, доступная через Trepp, Moody's Analytics и раскрытия на уровне отдельных кредитов, подаваемые CMBS-трастами по Regulation AB. Данные включают характеристики при выдаче, историю платежей, передачи в watchlist и в special servicing, модификации и данные по потерям по разрешённым кредитам. Сильные стороны данных CMBS — их широта, стандартизация и публичная доступность. Ограничения — в том, что они охватывают только секьюритизированные кредиты, являющиеся нерепрезентативной подвыборкой более широкой вселенной коммерческого ипотечного кредитования, и в том, что поля на уровне кредита заполняются неровно различными сервисерами.

Вторая категория — данные о сделках на уровне объектов. Ведущие источники — CoStar, Real Capital Analytics и Green Street Advisors, каждый со своей методологией и своей силой. Охват CoStar — наиболее широкий, в особенности в подсегментах ниже основных институциональных порогов; Real Capital Analytics акцентирует внимание на институциональных сделках и порождает наиболее цитируемые ценовые индексы; Green Street производит прогнозную аналитику, особенно полезную для входов траектории ставок капитализации и стоимости в моделях оценки раздела шестого. Выбор между ними зависит от конкретного случая использования.

Третья категория — операционные данные на уровне объектов. Эти данные в значительной мере приватны для собственников и операторов релевантных активов, а публичные источники ограничены агрегированными бенчмарками, публикуемыми отраслевыми ассоциациями. Отчёты Income/Expense Analysis Института управления недвижимостью являются стандартной ссылкой для многоквартирной недвижимости; Building Owners and Managers Association производит аналогичные отчёты для офиса; Urban Land Institute публикует периодические отчёты по операционным метрикам по типам имущества. Ни один из этих отчётов недостаточно гранулярен, чтобы заменить собственные портфельные данные девелопера, но они полезны как бенчмарки.

Четвёртая категория — данные о спонсорах и контрагентах. Публичные источники включают подачи в SEC для публичных REIT и других зарегистрированных лиц, судебные подачи, доступные через PACER, новостное освещение и различные профессиональные базы данных, отслеживающие руководителей в недвижимости, сделки и отношения юридических лиц. Приватные источники включают собственный опыт девелопера с каждым контрагентом и институциональную память брокеров, юристов и консультантов, работавших по индустрии. Комбинация публичных и приватных источников — основание для моделирования контрагентов раздела десятого.

Пятая категория — данные о климате и ESG. Данные о физическом климате доступны из комбинации публичных источников (FEMA для карт наводнений, NOAA для прогнозов повышения уровня моря, USGS для сейсмической опасности) и коммерческих поставщиков, упаковывающих и проецирующих базовые публичные данные в форматы, более пригодные для финансовых аналитиков. Данные о риске перехода более фрагментированы и сильно зависят от регуляторной среды каждой юрисдикции.

Шестая категория — неструктурированные данные, протекающие через сам workout: документы, переписка, заметки встреч, телефонные записи, новостное освещение конкретной сделки. Эти данные генерируются непрерывно и наиболее прямо релевантны для фактического хода работы с активом, но их также наиболее трудно систематизировать. Рабочий подход автора — поддерживать единое workout-дело для каждой проблемной сделки, со всеми релевантными неструктурированными данными, загруженными в хранилище документов раздела четвёртого, и применять pipeline извлечения языковой модели раздела девятого непрерывно, а не дискретными интервалами.

Замечание о выборе поставщиков. Соблазн в любом проекте, интенсивном по данным, — выбрать наиболее всеобъемлющего поставщика в каждой категории и интегрировать всё с самого начала. Соблазну следует сопротивляться. Опыт автора состоит в том, что издержки интеграции каждого дополнительного поставщика существенны и часто превышают предельную ценность дополнительных данных, в особенности на ранних фазах построения возможности моделирования. Более продуктивный подход — начать с малого числа высококачественных источников, привести pipeline моделирования к пригодному состоянию и добавлять дополнительные источники лишь когда существующий pipeline достаточно зрел, чтобы поглотить их без хрупкости.

13E. Операционная интеграция и ситуационная комната работы с проблемным активом

Методология, представленная в этой работе, операциональна лишь если она может быть приведена в действие в условиях временного давления реальной работы с проблемным активом. Опыт автора с клиентами-девелоперами предполагает, что операционная интеграция — единственный наиболее недооценённый компонент всего усилия. Возможность моделирования, существующая в исследовательской среде, доступная лишь через команду моделирования и со временем оборота, измеряемым днями, — это не то же самое, что возможность моделирования, существующая в ситуационной комнате работы с проблемным активом, доступная workout-команде в реальном времени и обновляемая непрерывно по мере эволюции ситуации. Две возможности требуют разных архитектур, разных моделей укомплектования и разного управления.

Концепция ситуационной комнаты заимствована из военной сферы и из литературы по кризисному управлению, и заимствование намеренно. Workout — это кризис в техническом смысле: ситуация, в которой решения значимых последствий должны приниматься на неполной информации под временным давлением, с асимметрично большими последствиями ошибки. Институциональный ответ на такие ситуации, отточенный десятилетиями в областях от неотложной медицины до расследования авиационных аварий, — это выделенная комната с релевантными людьми, релевантными данными и полномочием действовать. Автор устанавливал такие комнаты для клиентов-девелоперов в нескольких случаях, со смешанными результатами, и уроки этих опытов стоит зафиксировать.

Первый урок физический. Комната имеет значение. Workout-команда, рассеянная по большому офисному зданию, с моделирующими в одном месте, управляющими активами — в другом, а юридическими и финансовыми командами — в третьем, не будет функционировать со скоростью, требуемой ситуацией. Простой акт помещения релевантных людей в одну комнату, с общими экранами и общей доской, порождает существенное улучшение эффективной скорости команды. Улучшение не связано с какой-либо технической способностью и часто является наиболее экономически эффективным вмешательством во всей методологии.

Второй урок информационный. Комната должна иметь доступ к живому состоянию pipeline моделирования. Состояние включает текущие выходы предсказательных и оценочных моделей, текущие результаты извлечения документов, текущее состояние оптимизации реструктуризации и текущий взгляд на поведение кредитора и сеть контрагентов. Отображение этого состояния — само по себе задача дизайна, и решения, лучше всего работающие на практике, немодно просты: большие экраны с непрерывно обновляемыми дашбордами, с лежащей в основе детализацией в одном клике и с прослеживаемостью происхождения любого отображаемого числа до его источника.

Третий урок управленческий. Комната должна иметь чёткий протокол принятия решений. Кто предлагает курс действий, кто имеет полномочие его одобрить, каков порог эскалации к старшему руководству, каков протокол привлечения внешних юристов и внешних консультантов, каков стандарт документации для любого решения, принятого в комнате. Эти вопросы звучат бюрократически и были бы излишними в нормальном бизнес-решении. В работе с проблемным активом, в которой те же вопросы возникают повторно под временным давлением, отсутствие протокола порождает задержку и ошибку.

Четвёртый урок — укомплектование. Комната должна быть укомплектована людьми, чьё внимание неразделено. Workout, конкурирующий за внимание сотрудников, одновременно ответственных за другие дела, не получит внимания, в котором нуждается. Модель укомплектования, лучше всего работающая на практике, — идентифицировать малое число людей (workout-принципала, ведущего моделировщика, ведущего управляющего активами и одного-двух других) и формально освободить их от других обязанностей на длительность работы с активом. Освобождение неудобно для более широких операций девелопера и часто встречает сопротивление, но является предусловием скорости, которую методология моделирования предназначена обеспечить.

Пятый урок — ритм. Комната должна иметь регулярную каденцию. Стандартная практика автора — ежедневный утренний брифинг, на котором обозреваются ночные изменения в релевантных данных и согласовываются дневные действия; полуденная контрольная точка, на которой адресуются любые развития; и брифинг конца дня, на котором документируются дневные действия и любые открытые вопросы помечаются для следующего утра. Каденция звучит обременительно и фактически устойчива на длительность типичной работы с активом.

Шестой урок — отношения с более широкой организацией. Ситуационная комната с необходимостью замкнута, и замкнутость порождает риск того, что команда потеряет связь с более широкими заботами бизнеса девелопера: влияние работы с активом на отношения с другими кредиторами, влияние на репутацию девелопера в брокерском сообществе, влияние на другие сделки девелопера в работе, влияние на инвесторов девелопера. Средство — намеренная функция связи, в которой один член ситуационной комнаты ответственен за поддержание связи с более широкой организацией.

Методология, представленная в этой работе, поддерживает ситуационную комнату, но не составляет её. Ситуационная комната — это человеческая и организационная конструкция, и ценность методологии зависит от её интеграции в эту конструкцию. Девелопер, построивший методологию, не построив ситуационной комнаты, будет иметь возможность, технически впечатляющую и операционно инертную. Девелопер, построивший и то и другое, будет иметь возможность, порождающую измеримые улучшения в исходах проблемных сделок, и измеримые улучшения, в конечном счёте, являются единственным тестом методологии, который имеет значение.

14. Ограничения и открытые вопросы

Настоящая работа представила методологию, а не законченный продукт, и методология имеет ограничения, которые практик должен понимать прежде чем на неё опираться.

Первое ограничение — эмпирическое. Модели, обсуждаемые в работе, обучены и валидированы на данных, доступных автору и клиентам-девелоперам, с которыми автор работал. Данные с необходимостью неполны, и качество моделей на сделках вне эмпирического опыта, их породившего, неопределённо. Средство — непрерывная валидация против новых исходов, а не одноразовая верификация при развёртывании.

Второе ограничение — методологическое. Литература по машинному обучению развивалась необычным темпом за последнее десятилетие, и методы, являющиеся лучшими практиками сегодня, не являются методами, которые будут лучшими практиками через пять лет. Методология устойчива к замене лучших методов вместо описанных, но практик должен ожидать, что конкретные реализации потребуют периодического пересмотра.

Третье ограничение — институциональное. Методология предполагает, что у девелопера есть ресурсы, укомплектование и организационная дисциплина для её исполнения. Предположение удовлетворяется не каждым девелопером, и девелоперу, для которого предположение не удовлетворяется, лучше служит более ограниченное применение методологии, чем попытка реализовать всю её сразу. Дорожная карта раздела тринадцатого предназначена для поддержки поэтапного подхода.

Четвёртое ограничение — юрисдикционное. Правовая и регуляторная среда коммерческих сделок с недвижимостью варьируется между юрисдикциями способами, влияющими как на содержание работы с активом, так и на использование автоматизированных систем в ней. Работа написана преимущественно с американской перспективы, с вниманием к американским правовым и регуляторным ссылкам. Практикам в других юрисдикциях потребуется адаптировать конкретику, хотя общая методология должна переноситься.

Ряд вопросов остаётся открытым. Интеграция больших языковых моделей с предсказательными и оптимизационными моделями находится на ранней стадии; архитектурные паттерны ещё не стабильны. Трактовка климатического риска в моделях оценки проблемных активов — область активного развития и ещё не готова к общему применению. Применение обучения с подкреплением к выбору workout-стратегии технически осуществимо, но, насколько известно автору, не было развёрнуто ни в одной значимой работе с проблемным активом. Роль синтетических данных в смягчении проблемы скудных данных оспаривается в академической литературе и не разрешена.

Автор ожидает, что некоторые из этих вопросов будут отвечены в течение следующих нескольких лет, и что методология, представленная здесь, потребует пересмотра в ответ. Ожидание само по себе является особенностью текущего состояния поля, а не причиной для отсрочки.

15. Заключение

Неуспешная сделка с недвижимостью — это система в потоке. Структура капитала, актив, люди и рынок — всё движется, и девелопер, которому приходится отвечать на это движение, исторически делал это инструментами, разработанными для более статичного мира. Тезис настоящей работы состоит в том, что искусственный интеллект, правильно понятый и правильно управляемый, даёт девелоперу новый набор инструментов, лучше соответствующих фактической задаче. Соответствие не идеально. Инструменты не магия. Они не заменяют суждение, не устраняют фундаментальных ограничений ситуации и не освобождают девелопера от трудных разговоров, которых требует работа с проблемным активом. Что они делают — они сжимают время между наблюдением и обоснованным решением, и в работе с проблемным активом это сжатие само по себе является продуктом.

Методология, разработанная здесь, организует задачу девелопера в пять категорий решений — обнаружение, переоценка, реструктуризация, исполнение и exit — и представляет класс моделей для каждой. Методология предназначена быть практической: каждый класс моделей был выбран потому, что может быть развёрнут в рамках ограничений данных, укомплектования и сроков, фактически имеющих место в ситуациях работы с проблемным активом. Автор использовал каждую из моделей в методологии с клиентами-девелоперами, и кейс-исследования раздела одиннадцатого, хотя и композитные в целях конфиденциальности, точно отражают тот род работы, который методология поддерживает.

Методология также имеет пределы. Она не заменяет экспертизу. Она не заменяет отношения, необходимые для успеха любой работы с проблемным активом. Она не является защитой от режимов отказа — отказов данных, отказов валидации, отказов интеграции, отказов управления и прежде всего отказов замещения, — которые автор наблюдал на практике и от которых любое развёртывание должно будет защищаться. Дисциплина практика — ограничивающий фактор ценности методологии, и наиболее тщательно построенная модель не лучше команды, её использующей.

Заключительное наблюдение. Ценность методологии наибольшая в момент наибольшего давления, когда workout-команда принимает решения на неполной информации в сроки, не допускающие неторопливого анализа. Однако инвестиция в методологию должна быть сделана до прихода этого момента. Девелопер, начинающий строить методологию, когда проблемность уже на пороге, обнаружит, что построение занимает дольше, чем позволяет ситуация. Девелопер, начинающий раньше, в более спокойные времена, обнаружит, что когда ситуация приходит, методология уже на месте. Аргумент за инвестицию, в конечном счёте, — это аргумент за любую другую форму подготовки: построить способность до того, как она понадобится, гораздо дешевле, чем строить её под огнём.

 

Избранная библиография

Adrian, Tobias, and Adam B. Ashcraft. "Shadow Banking: A Review of the Literature." In The New Palgrave Dictionary of Economics. Palgrave Macmillan, 2018.

Altman, Edward I. "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy." Journal of Finance 23, no. 4 (1968): 589–609.

Ambrose, Brent W., and Anthony B. Sanders. "Commercial Mortgage-Backed Securities: Prepayment and Default." Journal of Real Estate Finance and Economics 26, no. 2 (2003): 175–192.

Ambrose, Brent W., Yildiray Yildirim, and Charles A. Capone. "Commercial Mortgage Default and Loss Severities." Real Estate Economics 47, no. 4 (2019): 1075–1112.

Appraisal Institute. The Appraisal of Real Estate. 15-е изд. Chicago: Appraisal Institute, 2020.

Barocas, Solon, Moritz Hardt, and Arvind Narayanan. Fairness and Machine Learning: Limitations and Opportunities. MIT Press, 2023.

Bolton, Patrick, and David S. Scharfstein. "Optimal Debt Structure and the Number of Creditors." Journal of Political Economy 104, no. 1 (1996): 1–25.

Borisov, Vadim, et al. "Deep Neural Networks and Tabular Data: A Survey." IEEE TNNLS 35, no. 6 (2024): 7499–7519.

Cox, David R. "Regression Models and Life Tables." Journal of the Royal Statistical Society B 34, no. 2 (1972): 187–220.

Damodaran, Aswath. Narrative and Numbers: The Value of Stories in Business. Columbia Business School Publishing, 2017.

Deng, Yongheng, John M. Quigley, and Robert Van Order. "Mortgage Terminations, Heterogeneity and the Exercise of Mortgage Options." Econometrica 68, no. 2 (2000): 275–307.

Federal Reserve Bank of New York. "Commercial Real Estate and the Banking System." Liberty Street Economics, август 2024.

Fisher, Jeffrey D., et al. "Controlling for the Impact of Variable Liquidity in Commercial Real Estate Price Indices." Real Estate Economics 31, no. 2 (2003): 269–303.

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT Press, 2016.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning. 2-е изд. Springer, 2009.

Ishwaran, Hemant, et al. "Random Survival Forests." Annals of Applied Statistics 2, no. 3 (2008): 841–860.

Katz, Daniel Martin, et al. "GPT-4 Passes the Bar Exam." Philosophical Transactions of the Royal Society A 382 (2024).

Lewis, Patrick, et al. "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." NeurIPS 33 (2020): 9459–9474.

Levitin, Adam J., and Susan M. Wachter. "The Commercial Real Estate Bubble." Harvard Business Law Review 3 (2013): 83–118.

López de Prado, Marcos. Advances in Financial Machine Learning. Wiley, 2018.

Lundberg, Scott M., and Su-In Lee. "A Unified Approach to Interpreting Model Predictions." NeurIPS 30 (2017): 4765–4774.

Mitchell, Margaret, et al. "Model Cards for Model Reporting." FAT* (2019): 220–229.

Mortgage Bankers Association. Commercial/Multifamily Mortgage Debt Outstanding, IV квартал 2025.

Pavlov, Andrey, and Susan M. Wachter. "REITs and Underlying Real Estate Markets: Is There a Link?" Real Estate Economics 39, no. 2 (2011): 213–243.

Rosen, Sherwin. "Hedonic Prices and Implicit Markets." Journal of Political Economy 82, no. 1 (1974): 34–55.

Rudin, Cynthia. "Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead." Nature Machine Intelligence 1 (2019): 206–215.

Sculley, D., et al. "Hidden Technical Debt in Machine Learning Systems." NeurIPS 28 (2015).

Sutton, Richard S., and Andrew G. Barto. Reinforcement Learning: An Introduction. 2-е изд. MIT Press, 2018.

Taleb, Nassim Nicholas. The Black Swan. 2-е изд. Random House, 2010.

Trepp. US CMBS Delinquency Report, март 2026.

Vaswani, Ashish, et al. "Attention Is All You Need." NeurIPS 30 (2017).

White, Lawrence J. The S&L Debacle. Oxford University Press, 1991.