ChatGPT для стресс-тестирования финансовой модели: кризисные сценарии, чувствительность и Monte Carlo за 30 минут

Февраль 2022 года научил многих финансистов одному: модель, которая не проверена на разрыв, это не модель, а красивая картинка. У меня в практике было три случая, когда бюджет на год летел в мусорную корзину в первый же квартал, потому что никто заранее не посчитал, что произойдёт при курсе не 75, а 95 рублей за доллар. Стресс-тестирование существует именно для этого: проверить модель до того, как реальность проверит её вместо вас.

Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы Софья Бурцева, 45 000 подписчиков в @findir_pro, 13 000 в «АИ с Софьей и Натали», 5 000+ в MAX, 800+ выпускников курса AI-навыков). До нейросетей я строила кризисные сценарии в Excel с надстройками, которые падали на больших моделях, и в @RISK, лицензия на который стоила как небольшой автомобиль. Сейчас те же расчёты — сценарный анализ, чувствительность, Monte Carlo — я делаю в ChatGPT за время одной чашки кофе.

В этой статье — рабочий процесс стресс-тестирования финансовой модели через ChatGPT: от простых кризисных сценариев до полноценной Monte Carlo симуляции с гистограммой распределения. 10 готовых промптов, три кейса с реальными цифрами по времени, сравнительная таблица инструментов. Актуально на июль 2026 года, модель GPT-5.5 на тарифе Plus. Сайт chatgpt.com в России открывается через специальные средства доступа — упоминаю один раз и не возвращаюсь к этой теме.

Главный тезис статьи: ChatGPT не принимает решения о том, какой риск закладывать в модель. Он берёт на себя вычислительную часть — тысячи расчётов, которые вручную в Excel заняли бы день. Выбор сценариев, диапазонов и интерпретация результата — это работа финансиста, и она никуда не девается.

Что такое стресс-тестирование финансовой модели и зачем оно нужно

Стресс-тестирование — это проверка финансовой модели на устойчивость при экстремальных, но правдоподобных условиях: резкое падение спроса, скачок курса валюты, рост стоимости заёмных денег, задержка платежей от ключевых клиентов. Задача не предсказать будущее, а понять запас прочности бизнеса и точки, где он ломается.

Классическая финансовая модель отвечает на вопрос «сколько мы заработаем при плане». Стресс-тест отвечает на другой вопрос: «что случится, если план не сбудется, и насколько плохо это будет». Разница принципиальная — без стресс-теста совет директоров видит только один луч будущего, с ним видит веер возможностей и границы допустимого риска.

В российской практике 2022-2025 годов стресс-тестирование стало не факультативным упражнением, а требованием банков при выдаче кредитных линий и требованием инвесторов при оценке компании. Модель без стресс-сценариев в 2026 году выглядит незаконченной — примерно как отчёт без итоговой строки.

Три уровня глубины стресс-теста, от простого к сложному:

1. Сценарный анализ — 3-5 фиксированных вариантов будущего с конкретными числами по каждому.
2. Анализ чувствительности — как меняется результат при изменении одной переменной в диапазоне.
3. Monte Carlo симуляция — тысячи случайных комбинаций всех ключевых переменных одновременно, результат в виде распределения вероятностей.

Каждый следующий уровень даёт больше информации, но требует больше вычислений. Раньше рост сложности означал рост времени в разы. С ChatGPT и Code Interpreter время растёт минимально — Monte Carlo на 10 000 итераций считается почти так же быстро, как один сценарий.

Почему ручной стресс-тест в Excel занимает так много времени

Прямой ответ: ручной стресс-тест в Excel — это в среднем 6-10 часов на 3-5 сценариев, потому что каждый сценарий требует ручного пересчёта связанных ячеек и визуальной проверки на ошибки.

Типичный процесс без нейросети выглядит так. Финансист копирует модель в отдельный файл для каждого сценария, меняет 3-5 ключевых допущений, проверяет, что формулы не сломались от копирования, пересчитывает итоги, сводит результаты всех сценариев в одну сравнительную таблицу вручную. На один сценарий уходит 1-2 часа, на пять сценариев — полный рабочий день.

Анализ чувствительности в Excel через встроенную функцию «Таблица данных» работает, но неудобно масштабируется больше чем на одну-две переменные одновременно, и требует аккуратной настройки диапазонов без единой ошибки в ссылках.

Monte Carlo в чистом Excel — это отдельная история. Без надстроек типа @RISK или Crystal Ball (обе стоят от 1000 долларов в год за лицензию) её приходится собирать через функцию СЛУЧМЕЖДУ и тысячи строк ручной симуляции, которые тормозят файл и требуют от финансиста уверенного владения статистикой распределений.

Где теряется больше всего времени при ручном стресс-тесте:

• Копирование модели под каждый сценарий и проверка целостности формул: 40-60 минут на сценарий.
• Сведение результатов разных сценариев в сравнительную таблицу: 1-1,5 часа.
• Настройка Monte Carlo без специализированного софта: от 3 до 6 часов, если делать в первый раз.
• Оформление выводов и презентации для руководства: 1-2 часа.

ChatGPT с Code Interpreter меняет структуру этих затрат. Расчётная часть — то, что раньше занимало 4-8 часов — сжимается до 15-30 минут. Время финансиста освобождается для того, что нейросеть не умеет: выбора реалистичных диапазонов и содержательной интерпретации результата для конкретного бизнеса.

Что такое Code Interpreter и почему без него стресс-тест не работает

Code Interpreter — это встроенный в ChatGPT инструмент, который пишет и выполняет настоящий код на Python внутри чата. Для финансового моделирования это означает, что расчёты идут через реальные формулы и библиотеки (NumPy, Pandas), а не через текстовое предсказание следующего числа языковой моделью.

Разница принципиальная. Обычный текстовый ответ ChatGPT без Code Interpreter может ошибиться в арифметике на больших числах или сложных цепочках вычислений — модель предсказывает правдоподобный текст, а не гарантированно считает. Code Interpreter решает это иначе: модель пишет код, код выполняется в песочнице, результат возвращается точным.

Для Monte Carlo симуляции это критично: тысячи случайных чисел с заданным распределением, тысячи итераций расчёта прибыли по каждому набору чисел — это чистая вычислительная задача, где нужна не креативность языковой модели, а корректно выполненный код.

Что конкретно делает Code Interpreter в контексте стресс-теста:

• Читает загруженный Excel-файл со структурой модели и формулами.
• Генерирует случайные значения переменных по заданным распределениям (нормальное, треугольное, равномерное).
• Прогоняет тысячи итераций расчёта результата по каждой комбинации значений.
• Строит гистограммы, диаграммы рассеяния и таблицы перцентилей.
• Отдаёт файл с результатами обратно в Excel или CSV.

Ограничение, о котором нужно знать: Code Interpreter работает в изолированной среде с ограничением по времени выполнения на сессию. Для 99% задач финансового отдела 10 000-100 000 итераций Monte Carlo укладываются в лимит без проблем. Для действительно огромных симуляций (миллионы итераций, сложные многоуровневые модели) может потребоваться разбивка на несколько запросов.

Ещё один практический момент: Code Interpreter в бесплатной версии ChatGPT ограничен по числу запусков в день и по объёму загружаемых файлов. Для регулярной работы с моделями на 300+ строк формул тариф Plus — не опция, а необходимость. Разница между бесплатным и платным тарифом здесь не в «удобстве», а в том, запустится ли вообще симуляция на реалистичном объёме данных.

Отдельно стоит сказать про формат загружаемого файла. ChatGPT читает формулы Excel, но не всегда корректно интерпретирует сложные вложенные конструкции с ВПР внутри ЕСЛИ внутри ИНДЕКС. Если модель перегружена вложенными формулами, лучше заранее вынести ключевые допущения на отдельный лист простыми числами — так Code Interpreter считывает структуру без риска потерять логику где-то в глубине вложенности.

Три причины, почему финансовые модели без стресс-теста опасны в 2026 году

Прямой ответ: модель без стресс-теста показывает один сценарий будущего, который сбывается редко, а решения на основе такой модели систематически недооценивают риск.

Причина первая — волатильность стала нормой, а не исключением. Последние несколько лет показали, что курс валюты, ключевая ставка и стоимость логистики могут измениться на 20-40% за квартал. Модель, построенная на предположении «всё будет как в прошлом году», устаревает быстрее, чем раньше.

Причина вторая — банки и инвесторы требуют стресс-тест как условие сделки. При выдаче кредитной линии или входе инвестора в раунд финансирования запрос на анализ устойчивости к негативным сценариям стал стандартной частью due diligence, а не бонусом к презентации.

Причина третья — управленческие решения, принятые на основе одной точки прогноза, systematically недооценивают хвостовые риски. Человеческий мозг плохо работает с вероятностями и склонен воспринимать единственный прогноз как гарантию. Стресс-тест возвращает в разговор вопрос «а что, если нет» — именно тот вопрос, который часто пропускают на этапе оптимистичного планирования.

По моим наблюдениям за практикой выпускниц школы: компании, которые проводят стресс-тест хотя бы раз в квартал, реже сталкиваются с экстренным привлечением финансирования на невыгодных условиях. Не потому что стресс-тест меняет реальность, а потому что решения о резервах и хеджировании принимаются заранее, а не в момент, когда уже поздно.

Как построить сценарный анализ через ChatGPT: пошаговый процесс

Прямой ответ: сценарный анализ через ChatGPT занимает 15-20 минут на 3-5 сценариев после того, как модель загружена и допущения описаны числами.

Первый шаг — калибровка. Прежде чем считать сценарии, ChatGPT должен понять логику вашей модели: из чего складывается выручка, какие статьи расходов переменные, а какие постоянные, как считается денежный поток. Без этого шага сценарии будут посчитаны неправильно — модель может перепутать переменные и постоянные издержки.

Промпт 1. Калибровка и проверка понимания модели

Ты финансовый аналитик. Я загрузил файл финансовой модели компании
[отрасль, например: розничная сеть из 40 магазинов].

Изучи структуру файла и опиши своими словами:
1. Как рассчитывается выручка (по каким драйверам)
2. Какие статьи расходов переменные, какие постоянные
3. Как считается операционная прибыль и денежный поток
4. Какие ячейки являются входными допущениями, а какие — формулы

Не считай ничего, просто подтверди понимание структуры.
Если что-то неясно — задай уточняющий вопрос.

После того как ChatGPT правильно описал логику модели (и вы поправили, если он что-то понял неверно), переходите к сценариям.

Промпт 2. Построение 3-5 кризисных сценариев

На основе этой же модели построй 4 сценария и посчитай для каждого
итоговую выручку, операционную прибыль и свободный денежный поток
за год:

Сценарий "Базовый": без изменений, план как есть.
Сценарий "Умеренный кризис": выручка -15%, себестоимость закупки +10%
из-за курса, оборачиваемость дебиторки +10 дней.
Сценарий "Жёсткий кризис": выручка -30%, себестоимость +20%,
ставка по кредитной линии +5 п.п., оборачиваемость дебиторки +20 дней.
Сценарий "Валютный шок": курс доллара +40%, остальное без изменений.

Выведи сравнительную таблицу: сценарий / выручка / прибыль / FCF /
изменение к базовому в % и в рублях. Отметь, в каком сценарии
компания уходит в кассовый разрыв.

Результат этого промпта — готовая таблица за 5-7 минут, которую в Excel вручную пришлось бы собирать 3-4 часа. ChatGPT считает через код, поэтому итоги в каждом столбце проверяемы: можно попросить показать формулы расчёта для любого сценария отдельно.

Как провести анализ чувствительности к одной переменной

Прямой ответ: анализ чувствительности показывает, насколько результат модели меняется при изменении одной переменной, и в ChatGPT строится за 5-10 минут в виде готовой таблицы или графика.

Сценарный анализ отвечает на вопрос «что будет при таком наборе условий». Анализ чувствительности отвечает на другой вопрос: «насколько сильно каждая конкретная переменная влияет на результат, и где точка, после которой начинаются проблемы».

Это особенно полезно, когда нужно понять приоритет рисков. Например, курс валюты и ставка по кредиту оба важны, но если чувствительность прибыли к курсу в три раза выше, чем к ставке — усилия по хеджированию стоит направить именно туда.

Промпт 3. Таблица чувствительности к одной переменной

Построй таблицу чувствительности операционной прибыли к изменению
курса доллара. Диапазон: от -20% до +20% от текущего курса с шагом 5%.
Все остальные переменные оставь на уровне базового сценария.

Выведи таблицу: изменение курса % / курс в рублях / прибыль /
изменение прибыли к базовому в рублях и в %.

Также укажи точку перелома: при каком курсе прибыль становится
отрицательной.

Промпт 4. Чувствительность к нескольким переменным одновременно (тепловая карта)

Построй двумерную таблицу чувствительности (тепловую карту) прибыли
к двум переменным одновременно:
по строкам — курс доллара от -20% до +20% с шагом 10%
по столбцам — падение выручки от 0% до -30% с шагом 10%

В каждой ячейке — итоговая прибыль. Раскрась ячейки: зелёный если
прибыль положительная, жёлтый если прибыль 0-5% от выручки,
красный если убыток. Выведи как таблицу и опиши график.

Тепловая карта из промпта 4 — это ровно тот формат, который на защите бюджета читается за 10 секунд и сразу показывает зону риска. По моему опыту, именно такие визуальные врезки чаще всего цитируют в презентациях для совета директоров.

Есть ещё один нюанс, который часто упускают на этом этапе: чувствительность не линейна для многих финансовых показателей. Прибыль может падать плавно при курсе от -20% до -10%, а затем резко проваливаться в убыток при пробитии конкретного порога — например, когда компания перестаёт укладываться в ковенанты по кредиту. Таблица чувствительности с мелким шагом (5%, а не 10-20%) как раз и нужна, чтобы не пропустить такой перелом между двумя соседними точками.

Промпт 4.1. Поиск точного порога перелома

На основе таблицы чувствительности найди точное значение курса доллара,
при котором операционная прибыль становится равна нулю (с точностью
до 0,1%). Используй метод бисекции или линейную интерполяцию между
ближайшими рассчитанными точками.

Дополнительно укажи: при каком курсе компания перестаёт соблюдать
ковенант по коэффициенту покрытия долга (Debt/EBITDA не более 3.5).

Такой промпт даёт не примерную зону, а конкретное число — «курс 89,4 рубля» вместо «курс где-то между 85 и 95». Для переговоров с банком о ковенантах конкретное число работает убедительнее диапазона.

Что такое Monte Carlo симуляция и как её запустить в ChatGPT

Monte Carlo симуляция — это метод расчёта, при котором вместо одного фиксированного значения каждой переменной задаётся диапазон и распределение вероятностей, а компьютер прогоняет тысячи случайных комбинаций и строит распределение итогового результата. Название метод получил в честь казино в Монако — идея та же, что и в игре в кости, только повторённая тысячи раз.

Разница с обычным сценарным анализом принципиальная. Сценарии дают три-пять точек: «плохо», «нормально», «хорошо». Monte Carlo даёт распределение: «с вероятностью 10% прибыль ниже X, с вероятностью 50% прибыль между X и Y, с вероятностью 90% прибыль ниже Z». Это ответ на вопрос совета директоров «а насколько вероятен худший сценарий», а не просто «что будет, если всё плохо».

Промпт 5. Базовая Monte Carlo симуляция

Проведи Monte Carlo симуляцию операционной прибыли компании на основе
этой модели. Параметры для случайных величин:

- Выручка: нормальное распределение, среднее = базовый план,
стандартное отклонение = 12% от среднего
- Курс доллара: треугольное распределение, минимум -15%, наиболее
вероятное 0%, максимум +35% от текущего курса
- Себестоимость закупки: нормальное распределение, среднее = план,
стандартное отклонение = 8%
- Ставка по кредитной линии: равномерное распределение от текущей
ставки до +6 п.п.

Запусти 10 000 итераций. Выведи:
1. Гистограмму распределения итоговой прибыли
2. Таблицу перцентилей: P10, P25, P50 (медиана), P75, P90
3. Вероятность того, что прибыль окажется отрицательной
4. Покажи код расчёта целиком

Результат такого промпта — за 1-3 минуты вычисления плюс несколько секунд на построение графика. Важная часть в конце промпта — «покажи код целиком». Это не формальность: проверка кода занимает 2-3 минуты, но даёт уверенность, что распределения заданы правильно и переменные не перепутаны местами.

Промпт 6. Monte Carlo для денежного потока и риска кассового разрыва

Используя те же распределения переменных, проведи Monte Carlo
симуляцию свободного денежного потока (FCF) на квартал вперёд,
с учётом текущего остатка на счетах [сумма] и графика погашения
кредитов [если есть].

10 000 итераций. Выведи:
1. Вероятность кассового разрыва (когда остаток на счетах уходит
в отрицательную зону) в течение квартала
2. Если разрыв происходит — распределение того, в каком месяце
он наступает
3. Минимальный размер резервного фонда, который покрывает 90%
сценариев без разрыва

Этот промпт закрывает конкретный практический вопрос финдиректора: сколько денег держать в резерве. Ответ «90-й перцентиль худшего сценария» — это не абстрактная теория, а конкретная сумма, которую можно защитить перед советом директоров с цифрами, а не интуицией.

Какое распределение выбрать для каждой переменной: практический гид

Прямой ответ: тип распределения влияет на результат симуляции почти так же сильно, как и границы диапазона, поэтому выбирать его наугад — частая причина искажённого результата.

Три распределения покрывают почти все задачи финансового стресс-теста, и разбираться в статистике на уровне учебника не нужно — достаточно понимать логику каждого.

Нормальное распределение — колокол с пиком в среднем значении, симметричный в обе стороны. Подходит для переменных, которые колеблются вокруг плана без выраженного перекоса: выручка стабильного бизнеса, себестоимость сырья на спокойном рынке. Задаются двумя параметрами: среднее и стандартное отклонение.

Треугольное распределение — три точки: минимум, наиболее вероятное значение, максимум. Подходит, когда у переменной есть явная асимметрия — например, курс валюты в нестабильной экономике: падение курса маловероятно и ограничено, а рост может быть резким и большим. Треугольное распределение проще объяснить руководству, чем нормальное, — оно наглядно на графике.

Равномерное распределение — любое значение в диапазоне равновероятно. Подходит, когда нет оснований предполагать, что одно значение вероятнее другого — например, будущая ставка ЦБ в период высокой неопределённости, когда прогнозы аналитиков расходятся в широком диапазоне без явного консенсуса.

Промпт 5.1. Помощь в выборе распределения для конкретной переменной

Для каждой из этих переменных предложи подходящий тип распределения
(нормальное, треугольное или равномерное) с обоснованием в одно
предложение:

1. Выручка розничной сети с 3-летней историей без резких скачков
2. Курс доллара в условиях текущей волатильности рубля
3. Срок задержки оплаты от крупного корпоративного клиента
4. Ключевая ставка ЦБ на горизонте 12 месяцев

Обоснуй выбор через характер исторического поведения каждой
переменной, не только общими словами.

Ошибка новичка — использовать нормальное распределение для всего по умолчанию, потому что это самый известный вариант. Для сильно асимметричных рисков (валютный шок, разовая потеря клиента) нормальное распределение занижает вероятность экстремального сценария, потому что у него слишком тонкие «хвосты». Треугольное или логнормальное распределение в таких случаях честнее отражает реальность.

Как задать правильные диапазоны переменных: главная ошибка новичков

Прямой ответ: самая частая ошибка стресс-теста — не в расчёте, а во входных диапазонах переменных, которые ChatGPT не может подобрать сам, потому что не знает вашу отраслевую волатильность.

ChatGPT отлично считает то, что вы ему задали. Он не знает, что в вашей отрасли курс валюты за последние три года колебался в диапазоне ±25%, а не ±10%, если вы это не укажете. Если диапазоны занижены, стресс-тест создаёт ложное чувство безопасности. Если завышены — модель показывает нереалистичные катастрофы, которые никто не воспримет всерьёз.

Где брать реалистичные диапазоны переменных:

• Курс валюты — историческая волатильность за 2-3 года по данным ЦБ РФ, не за последний месяц. Один месяц не показывает полную амплитуду.
• Выручка — стандартное отклонение месячных или квартальных продаж за 2-3 года по вашим же данным, не отраслевые бенчмарки из интернета.
• Себестоимость закупки — динамика цен у ваших поставщиков за тот же период плюс премия на непредвиденный рост.
• Ставка по кредитам — история ключевой ставки ЦБ РФ плюс типичный спред банка для вашей категории заёмщика.

Промпт 7. Расчёт исторической волатильности из ваших же данных

Загружаю файл с помесячной выручкой компании за последние 36 месяцев.

Рассчитай:
1. Среднемесячную выручку и стандартное отклонение
2. Коэффициент вариации (отклонение / среднее)
3. Максимальное падение выручки месяц к месяцу за весь период
4. Есть ли выраженная сезонность, которую нужно учесть отдельно
от случайной волатильности

На основе этих цифр предложи параметры распределения для
использования в Monte Carlo симуляции.

Этот промпт превращает диапазоны стресс-теста из интуитивных прикидок в цифры, посчитанные на реальной истории вашей же компании. Это именно то, что отличает профессиональный стресс-тест от учебного упражнения — методология подтверждена данными, а не взята с потолка.

Сравнение ChatGPT, Claude и Gemini для стресс-тестирования моделей

Прямой ответ: для расчётной части (Monte Carlo, чувствительность, работа с Excel) лучше подходит ChatGPT GPT-5.5 благодаря устойчивому Code Interpreter. Для интерпретации результатов и подготовки текста для руководства — Claude Sonnet 4.6.

Актуально на июль 2026 года.

Рабочая связка, которую использую сама: ChatGPT считает сценарии и Monte Carlo, результаты (таблицы, перцентили, ключевые выводы) передаются в Claude с просьбой написать интерпретацию для совета директоров. ChatGPT точнее в вычислениях, Claude точнее в формулировках — это не конкуренция, а разделение труда.

Кейс 1: производственная компания и валютный стресс-тест

Финансовый директор производственной компании (около 800 млн рублей годовой выручки, часть сырья — импорт) готовила годовой бюджет к защите перед советом директоров. Раньше валютный стресс-тест делался вручную: три сценария курса, пересчёт себестоимости, сведение таблиц — на это уходило около 7 часов за два дня.

С ChatGPT процесс занял 50 минут: 15 минут на калибровку модели, 15 минут на сценарный анализ по четырём вариантам курса, 20 минут на Monte Carlo симуляцию с треугольным распределением курса (реалистичным для нестабильной валюты, где резкие скачки более вероятны в одну сторону). Результат — таблица сценариев плюс гистограмма с указанием, что при вероятности 15% прибыль уходит в отрицательную зону при текущей структуре хеджирования.

Совет директоров одобрил увеличение валютного хеджирования на основе конкретной цифры вероятности, а не общих слов «курс нестабилен, надо быть осторожнее». Экономия времени — с 7 часов до менее часа, но главная ценность не в скорости, а в том, что решение теперь опирается на распределение вероятностей, а не на три произвольные точки.

Кейс 2: сеть розничных магазинов и стресс-тест кассовых разрывов

Финансист сети из 25 магазинов (курс AI-навыков школы) готовила стресс-тест перед переговорами о новой кредитной линии. Банк запросил анализ устойчивости при падении трафика и росте арендных ставок.

Раньше подобный анализ занимал два полных рабочих дня: построение трёх сценариев вручную в Excel, проверка формул, презентация. С ChatGPT: загрузка модели, промпт калибровки, четыре сценария падения трафика от -10% до -40%, Monte Carlo симуляция денежного потока на квартал с учётом графика платежей по существующим кредитам. Итог — 55 минут вместо двух дней.

Ключевой результат для банка: расчёт показал, что при вероятности кассового разрыва 8% в течение квартала компании нужен резервный фонд в размере полутора месячных операционных расходов, а не месячных, как планировалось изначально. Банк одобрил линию с учётом этого резерва — конкретная цифра оказалась убедительнее общих заверений в устойчивости бизнеса.

Кейс 3: IT-стартап и сценарий потери ключевого клиента

Финансовый директор IT-компании с концентрацией выручки на 3-4 крупных клиентах готовил стресс-тест для инвесторов перед раундом. Главный риск — не курс валюты, а потеря одного из ключевых клиентов.

Промпт 8. Стресс-тест концентрации выручки

Загружаю модель с разбивкой выручки по 5 клиентам. Построй 3 сценария:

1. Потеря клиента с наибольшей долей выручки, без замены в течение
6 месяцев
2. Потеря двух клиентов из топ-3, частичная компенсация новыми
продажами (+30% от потерянной суммы за 6 месяцев)
3. Одновременная потеря клиента и рост операционных издержек на 15%
из-за инфляции найма

Для каждого сценария покажи: выручка, операционная прибыль,
runway (сколько месяцев компания может работать на текущем
остатке денег без дополнительного финансирования).

Результат — три сценария за 18 минут вместо половины дня ручных расчётов, включая точный runway по каждому варианту. Инвесторы получили не общие слова о диверсификации клиентской базы, а конкретные месяцы запаса прочности при разных сценариях потери клиентов. Это ускорило переговоры — вопрос о концентрации выручки был закрыт цифрами в первую же встречу, а не превратился в серию уточняющих запросов.

Как проверить корректность расчётов ChatGPT перед тем, как доверять им

Прямой ответ: главный способ проверки — попросить показать код целиком и прогнать 2-3 контрольные точки вручную, где результат предсказуем заранее.

Code Interpreter даёт реальный, проверяемый код. Это огромное преимущество перед обычным текстовым ответом языковой модели, но проверка всё равно нужна — не потому что код может быть математически неверным, а потому что входные данные или логика распределения могут быть заданы не так, как вы имели в виду.

Промпт 9. Аудит методологии расчёта

Покажи полный код Python, который ты использовал для Monte Carlo
симуляции. Не сокращай, выведи целиком все строки, включая:
1. Как генерируются случайные значения для каждой переменной
2. Формулу расчёта итоговой прибыли из переменных
3. Как строится гистограмма и считаются перцентили

Также ответь: если все переменные взять на уровне их среднего
значения без случайности, какой получится результат? Он должен
совпасть с базовым сценарием.

Контрольные точки для проверки вручную:

• При нулевой волатильности всех переменных результат Monte Carlo должен совпасть с точечным (детерминированным) базовым сценарием.
• При экстремальных значениях всех переменных в худшую сторону одновременно — результат симуляции не должен быть лучше, чем этот единичный расчёт «на бумаге».
• Сумма вероятностей во всех интервалах гистограммы должна быть равна 100%.

Если хотя бы одна из этих трёх проверок не сходится — что-то задано неправильно в промпте, и нужно переформулировать распределения или логику расчёта, прежде чем показывать результат руководству.

Как оформить результаты стресс-теста для совета директоров

Прямой ответ: сырые таблицы и гистограммы Monte Carlo не читаются советом директоров без интерпретации — нужен текстовый вывод на 300-400 слов с конкретными рекомендациями.

Совет директоров не хочет видеть код на Python и параметры распределений. Ему нужен ответ на три вопроса: насколько мы уязвимы, к чему именно, и что делать. Перевод расчётов в такой формат — отдельная задача, где полезнее Claude с его сильной стороной в структурированном длинном тексте.

Промпт 10. Подготовка выводов для презентации

На основе этих результатов стресс-теста (таблица сценариев,
перцентили Monte Carlo, вероятность кассового разрыва) напиши
блок выводов для презентации совету директоров. 350-400 слов.

Структура:
1. Главный вывод в одном предложении
2. Три ключевых риска по убыванию значимости
3. Конкретные рекомендации по каждому риску (что сделать в первую
очередь)
4. Размер рекомендуемого резервного фонда с обоснованием

Тон: уверенный, без драматизации, но без приукрашивания рисков.
Без канцелярита и штампов вроде "стоит отметить".

Черновик от нейросети даёт структуру и первый проход текста за 5-7 минут. Финальная редактура — добавление контекста бизнеса, который знает только финансист (почему именно этот клиент рискованный, что уже сделано для снижения риска) — занимает ещё 15-20 минут. Итоговое время на весь блок выводов: 20-30 минут вместо 1,5-2 часов написания с нуля.

Безопасность данных при стресс-тестировании через ChatGPT

Прямой ответ: реальные суммы, названия компании и контрагентов не обязательны для качественного стресс-теста — можно работать в относительных величинах без потери точности расчёта.

Стресс-тест по своей природе оперирует процентными изменениями и распределениями, а не абсолютными цифрами конкретной компании. Это упрощает обезличивание по сравнению, например, со сверкой счетов, где нужны реальные суммы для сопоставления.

Как обезличить данные для стресс-теста:

• Переведите все суммы в проценты от базовой выручки (100 у.е. вместо реальных 340 млн рублей). Пропорции сохраняются, реальные цифры компании — нет.
• Уберите названия компании, контрагентов, банков из файла модели. Для стресс-теста они не нужны — расчёт идёт по формулам, а не по именам.
• Если модель привязана к конкретной отрасли и это чувствительно — опишите отрасль обобщённо («производственная компания» вместо точного названия сектора с уникальными признаками).

Дополнительные меры:

• В настройках ChatGPT отключите использование данных чатов для обучения модели.
• Для регулярной работы с чувствительными моделями — тариф Business, где данные по условиям использования не идут на обучение по умолчанию.
• Не загружайте в чат банковские реквизиты, ИНН, персональные данные сотрудников — они не нужны для стресс-теста и являются лишним риском без пользы для расчёта.

Что ChatGPT не умеет в стресс-тестировании: три ограничения

Первое ограничение — выбор диапазонов переменных. ChatGPT не знает вашу отраслевую волатильность, историю ваших поставщиков, специфику вашего рынка. Эти границы всегда задаёт финансист на основе собственных данных, как показано в разделе про исторические диапазоны выше.

Второе ограничение — интерпретация результата в контексте бизнеса. Гистограмма Monte Carlo показывает распределение вероятностей, но не объясняет, почему именно этот риск критичен для конкретной компании, что уже сделано для его снижения и какие есть нефинансовые факторы, влияющие на реальность сценария.

Третье ограничение — стратегическое решение о риск-аппетите. Стресс-тест показывает, что произойдёт при разных условиях. Решение о том, какой уровень риска компания готова принять и какие меры предпринять — хеджирование, резервный фонд, диверсификация клиентов — принимает финансовый директор и совет директоров, а не нейросеть.

ChatGPT великолепно закрывает вычислительную часть стресс-теста. Суждение о том, что с этими цифрами делать, остаётся человеческим — и, по моему опыту, именно это суждение отличает финансиста от калькулятора с зарплатой.

Частые ошибки при стресс-тестировании через ChatGPT

Слишком узкие диапазоны переменных. Если взять волатильность курса за спокойный период последних трёх месяцев вместо трёх лет, стресс-тест покажет ложную стабильность. Решение — считать диапазоны по промпту 7 на длинной истории, а не по интуиции.

Перепутанные знаки в допущениях. Рост издержек, указанный как рост выручки, или падение спроса, указанное как рост — частая ошибка при быстром вводе условий. Решение — всегда просить ChatGPT повторить своими словами, что именно он понял из вашего описания сценария, перед расчётом.

Игнорирование корреляции между переменными. В реальности курс валюты, ставка по кредиту и спрос часто двигаются не независимо, а вместе (валютный кризис обычно сопровождается ростом ставки и падением спроса). Базовая Monte Carlo симуляция с независимыми переменными это упускает.

Промпт 11. Учёт корреляции между переменными

Модифицируй Monte Carlo симуляцию: курс доллара и ставка по кредиту
должны быть положительно скоррелированы (корреляция 0.6) — при
росте курса ставка тоже склонна расти. Падение выручки должно быть
скоррелировано с ростом курса (корреляция -0.4) — валютный шок
обычно снижает спрос.

Используй многомерное нормальное распределение с этой корреляционной
матрицей. Пересчитай гистограмму прибыли и сравни с версией без учёта
корреляции — насколько сильно меняется вероятность отрицательного
результата.

Этот промпт закрывает более продвинутый уровень стресс-теста, важный для крупных компаний и банковских требований. Разница в результате между независимыми и коррелированными переменными часто существенная — учёт корреляции обычно расширяет “хвост” распределения в сторону худших исходов, потому что плохие события реже случаются по одному.

Отсутствие проверки на здравый смысл. Гистограмма с медианной прибылью в два раза выше исторической без явного роста бизнеса — сигнал, что диапазоны заданы неверно. Всегда сверяйте медианный результат Monte Carlo с реальностью последних 1-2 лет, прежде чем показывать результат руководству.

Чек-лист: готовность стресс-теста к защите перед руководством

1. Модель откалибрована — ChatGPT правильно описал логику расчёта прибыли и денежного потока своими словами.
2. Диапазоны переменных посчитаны из истории, а не взяты интуитивно (промпт 7).
3. Минимум 3-4 сценария построены и сведены в таблицу с абсолютными и относительными изменениями.
4. Проведён анализ чувствительности к ключевой переменной с указанием точки перелома.
5. Monte Carlo симуляция запущена минимум на 10 000 итераций с гистограммой и перцентилями.
6. Код расчёта проверен — контрольные точки при нулевой и максимальной волатильности сходятся с ожиданиями.
7. Учтена корреляция переменных, если модель используется для серьёзного решения (кредит, инвестиции).
8. Данные обезличены перед загрузкой — реальные суммы заменены на относительные величины, контрагенты убраны.
9. Выводы написаны текстом на 300-400 слов с конкретными рекомендациями, а не только таблицами.
10. Финансист лично проверил медианный результат на соответствие здравому смыслу и истории последних 1-2 лет.

Каждый пункт занимает от 10 до 30 минут. Полный цикл от загрузки модели до готовой презентации — 30-60 минут при наличии уже подготовленных промптов из этой статьи.

Что дальше: от разовых стресс-тестов к регулярному мониторингу

После первых двух-трёх стресс-тестов через ChatGPT появляется понимание, какие переменные для вашего бизнеса критичны, а какие вносят минимальный вклад в риск. Это знание стоит зафиксировать — сохранить рабочий промпт с уже настроенными диапазонами переменных как шаблон, который используется каждый квартал без повторного объяснения контекста с нуля.

Следующий уровень зрелости — не разовый стресс-тест перед защитой бюджета, а регулярный (ежемесячный или ежеквартальный) пересчёт с обновлёнными историческими данными. Диапазоны переменных, посчитанные по промпту 7, естественным образом обновляются по мере накопления новой истории — стресс-тест становится точнее год от года, а не остаётся статичным упражнением.

Для тех, кто хочет пойти дальше ручного режима в чате — создание кастомного GPT-агента с сохранёнными промптами и структурой модели избавляет от необходимости объяснять контекст заново каждый квартал. Подробнее о настройке таких агентов для финансовых задач — в статье Custom GPT для финдиректора.

Начните с одного сценария на текущей модели. Возьмите промпт 2 из этой статьи, опишите свой худший реалистичный сценарий числами, запустите. Через 20 минут у вас будет первая цифра, с которой можно работать — и это уже больше, чем даёт интуитивное «наверное, всё будет не очень хорошо, если что-то пойдёт не так».

Наши каналы

@findir_pro — главный телеграм-канал школы «Финансовый директор | Мастер CFO». 45 000 финансистов и бухгалтеров. Практика, промпты, кейсы — каждый день.

«АИ с Софьей и Натали» — канал про AI для финансистов от Софьи Бурцевой (основатель школы) и Натали Васильевой. 13 000 подписчиков. Разборы инструментов, эфиры, тесты новых моделей.

MAX — закрытое сообщество выпускников и продвинутых практиков школы. 5 000+ участников. Сложные кейсы, шаблоны, нестандартные применения AI для финансов.