Клячкин В.Н.доктор технических наук, профессор кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация v_kl@mail.ru
Шунина Ю.С.аспирантка кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация ydoncova@yandex.ru
Предмет. В статье рассматривается процесс прогнозирования платежеспособности заемщиков кредитных организаций. Для формирования грамотной стратегии при работе с различными видами задолженностей по кредиту актуальной задачей является разработка более точных методов прогнозирования платежеспособности заемщиков на этапе погашения кредита. Цели. Разработка методов, адекватно описывающих динамику погашения кредита каждого заемщика в зависимости от условий кредита, информации о самом заемщике и его кредитной истории, а также обеспечение достаточной точности прогноза его платежеспособности в следующем периоде. Методология. Предложены методы прогнозирования платежеспособности заемщика на основе марковских цепей 1-го и 2-го порядков, позволяющих учитывать прошлые состояния кредитной истории, совместно с методами машинного обучения для оценки вероятностей переходов из одного состояния кредитного счета в другое с включением факторов, предположительно имеющих влияние на платежеспособность. В рассматриваемом подходе также предлагается провести предварительный анализ данных кредитной истории и восстановить пропущенные значения. Результаты. На основе разработанных методов предложен алгоритм прогнозирования платежеспособности заемщиков. Эффективность подхода показана на примере. Для данных по кредитным счетам реализованы методы прогнозирования, среди которых выявлены наилучшие методы по каждому переходу из одного состояния кредитного счета в другое. При оценке качества расчета найдены матрицы расхождений между реальными и прогнозными значениями. Выводы. Использование предложенных методов повышает результативность прогнозирования платежеспособности для каждого перехода из одного состояния кредитного счета в другое и позволяет кредитной организации заранее принять меры по снижению риска аномальных ситуаций.
Ключевые слова: кредитование, задолженность, возврат кредита, марковская цепь, машинное обучение
Список литературы:
Thomas L.C. A survey of credit and behavioral scoring: forecasting financial risk of lending to consumers // International Journal of Forecasting. 2000. Vol. 16. Iss. 2. P. 149-172.
Thomas L.C., Ho J., Scherer W.T. Time will tell: behavioral scoring and the dynamics of consumer credit assessment // IMA Journal of Management Mathematics. 2001. Vol. 12. Iss. 1. P. 89-103.
Grimshaw S., Alexander W. Markov chain models for delinquency: Transition matrix estimation and forecasting // Applied Stochastic Models in Bu siness and Industry. 2011. № 27. Vol. 27. Iss. 3. P. 267-279.
Тимофеева Г.А., Тимофеев Н.А. Прогнозирование составляющих кредитного портфеля на основе модели марковской цепи // Автоматика и телемеханика. 2012. № 4. C. 47-65.
Diggle P.J, Liang K.Y., Zeger S.L. Analysis of Longitudinal Data. Oxford: Oxford University Press, 2002.
Клячкин В.Н., Донцова (Шунина) Ю.С. Сравнительный анализ точности нелинейных моделей при прогнозировании состояния системы на основе марковской цепи // Известия Самарского научного центра Российской академии наук. 2013. Т. 15. № 4. С. 924-927.
Чижова А.С. Эконометрическая модель оценки матриц вероятностей перехода кредитных рейтингов // Прикладная эконометрика. 2007. № 3. С. 11-26.
Мерков А.Б. Распознавание образов: введение в методы статистического обучения. М.: URSS, 2010. 254 с.
Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 471 с.
Литтл Р. Дж. А., Рубин Д.Б. Статистический анализ данных с пропусками / пер. с англ. М.: Финансы и статистика, 1990. 336 с.
Pfeifer P.E. Robert L. Modeling customer relationships as Markov Chains. Journal of Interactive Marketing. 2000. № 14. Iss. 2. P. 43-55.
Соколов Г.А., Чистякова Н.А.Теория вероятностей. Управляемые цепи Маркова в экономике. М.: ФИЗМАТЛИТ, 2005. 248 с.
Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / пер. Ю.А. Зуева, В.А. Точенова. М.: Мир, 1992. 184 с.
Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. М.: ФИЗМАТЛИТ, 2004. 704 с.
Thomas L.C. Credit Scoring and its Applications: SIAM Monographs on Mathematical Modeling and Computation / L.C. Thomas, D.B. Edelman, J.N. Crook. SIAM: Philadelphia, USA. 2002. 248 p.
Алексеева В.А., Донцова Ю.С., Клячкин В.Н. Восстановление пропущенных наблюдений при классификации объектов // Известия Самарского научного центра Российской академии наук. 2014. Т. 16. № 6. С. 357-359.
