Крашенинников В.Р.доктор технических наук, профессор, заведующий кафедрой прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация kvrulstu@mail.ru
Шунина Ю.С.аспирант кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация ydoncova@yandex.ru
Клячкин В.Н.доктор технических наук, профессор кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация v_kl@mail.ru
Предмет. Оценка кредитоспособности клиентов может быть проведена с использованием методов машинного обучения. Для учета новых клиентов, данные о которых со временем могут существенно меняться в зависимости от изменения социально-экономических условий, условий кредитования, а также характеристик самих клиентов, актуальной задачей является обновление моделей прогнозирования и их адаптация к новым данным для получения более точных прогнозов и формирования обоснованного решения о выдаче кредита. Цели. Создание способа обновления моделей прогнозирования кредитоспособности клиентов для адаптации к вновь поступающим данным о клиентах и обеспечения достаточной точности прогнозирования. Методология. Для построения моделей прогнозирования использовались методы машинного обучения с агрегированием различных классификаторов на основе нейронной сети, логистической регрессии, дискриминантного анализа, наивного байесовского классификатора, метода опорных векторов и др. На примере логистической регрессии предложена процедура корректировки коэффициентов модели на основе адаптивного псевдоградиентного метода с учетом данных о новых клиентах. Результаты. На основе предложенной процедуры создан способ обновления моделей прогнозирования, эффективность которого подтверждена данными о российских заемщиках. Выводы. Использование численного метода обновления моделей на основе псевдоградиентной процедуры обеспечивает адаптацию к вновь поступающим данным о клиентах и способствует отражению изменений реальной ситуации на рынке кредитных услуг в применяемой модели. При этом повышается результативность прогнозирования обновленной модели, что приводит к формированию более обоснованного решения о выдаче кредита.
Ключевые слова: кредитоспособность, модели прогнозирования, обновление моделей, машинное обучение, псевдоградиентный метод
Список литературы:
Айвазян С.А., Бухштабер В.М., Енюков И.С.,Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.
Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах / под ред. В.Н. Вагина, Д.А. Поспелова. М.: Физматлит, 2004. 704 с.
Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
Васильев Н.П., Егоров А.А. Опыт расчета параметров логистической регрессии методом Ньютона-Рафсона для оценки зимостойкости растений // Математическая биология и биоинформатика. 2011. Т. 6. № 2. С. 190–199.
ДрейперН., СмитГ. Прикладной регрессионный анализ. Множественная регрессия: 3-е изд. М.: Диалектика, 2007. 912 c.
Клячкин В.Н., Донцова 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.
Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Интернет-журнал «Науковедение». 2014. № 2. URL: Link.
Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. М.: Мир, 1992. 184 с.
Якупов А.И. Применение деревьев решений для моделирования кредитоспособности клиентов коммерческого банка // Искусственный интеллект. 2008. № 4. С. 208–213.
Клячкин В.Н., Шунина Ю.С. Система оценки кредитоспособности заемщиков и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11. С. 45–51.
Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 416 с.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. 242 с.
Валеев С.Г. Регрессионное моделирование при обработке наблюдений. М.: Наука, 1991. 272 с.
Льюис К.Д. Методы прогнозирования экономических показателей. М.: Финансы и статистика. 1986. 133 с.
Мерков А.Б. Распознавание образов: введение в методы статистического обучения. М.: Едиториал УРСС, 2010. 254 с.
MontgomeryD.C. A note on forecasting with adaptive filtering // Operational Research Quarterly. 1977. Vol. 28. № 11. P. 87–91.
Поляк Б.Т., Цыпкин Я.З. Псевдоградиентные алгоритмы адаптации и обучения // Автоматика и телемеханика. 1973. № 3. С. 45–68.
Васильев К.К., Крашенинников В.Р. Статистический анализ изображений. Ульяновск: УлГТУ, 2014. 214 с.
