Шунина Ю.С.аспирант кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация ydoncova@yandex.ru
Алексеева В.А.кандидат технических наук, доцент кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация v.a.alekseeva@bk.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 и тема. В статье рассматривается процесс прогнозирования кредитоспособности клиентов банка. В связи с ростом конкуренции на рынке кредитных услуг разработка новых элементов этого процесса и более точной оценки кредитного риска является актуальной задачей. Цели и задачи. Целями работы являются совершенствование методики прогнозирования кредитоспособности клиентов на основе использования современных методов машинного обучения и формирование оптимального решения о выдаче кредита. Методология. Предложен алгоритм прогнозирования кредитоспособности по известным характеристикам заемщика на основе методов машинного обучения (кластеризации, регрессионного анализа, классификации). Данный алгоритм позволяет использовать как отдельные модели, так и все возможные их комбинации. В рассматриваемом подходе также предлагается провести предварительный анализ данных (дискретизация, поиск статистически значимых характеристик заемщика) и использовать различные критерии качества для выбора оптимальной структуры. На основе полученных результатов клиенты банка по уровню кредитоспособности делятся на заданное число классов k. Результаты. На основе разработанного алгоритма получен эффективный метод прогнозирования кредитоспособности, позволяющий оценивать вероятность выплаты кредита по известным характеристикам заемщика. Эффективность этого метода показана на примере. На основе 20 характеристик заемщика были построены различные модели классификации (как по отдельности, так и в виде различных их комбинаций), и среди них была выявлена структура с наименьшей среднеквадратической ошибкой прогнозирования. Разделение клиентов на более чем два класса позволяет оптимизировать процесс принятия решения по выдаче кредита в связи с уменьшением риска невозврата. Выводы/значимость. Комбинация моделей с использованием машинного обучения улучшает результативность прогнозирования кредитоспособности, позволяет повысить качество оценки риска и оптимизировать процесс выдачи кредита.
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.
Готовкин И. Комплексная скоринговая модель оценки дефолта клиента // Банковские технологии. 2006. № 1. С. 27–35.
Литвинова С.А. Скоринговые системы как средство минимизации кредитного риска банка // Аудит и финансовый анализ. 2010. № 2. С. 396–397.
Черный И.М. Кредитный скоринг: российский вариант развития // Банковские услуги. 2006. № 4. С. 12–17.
Ишина И.В., Сазонова М.Н. Скоринг – модель оценки кредитного риска // Аудит и финансовый анализ. 2007. № 4. С. 297–304.
Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: учеб. М.: Финансы и статистика, 2003. 352 с.
Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Науковедение. URL: Link.
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.
Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 184 с.
Андреева Г.В. Скоринг как метод оценки кредитного риска // Банковские технологии. 2000. № 6. С. 14–19.
Якупов А.И. Применение деревьев решений для моделирования кредитоспособности клиентов коммерческого банка // Искусственный интеллект. 2008. № 4. С. 208–213.
Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 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.
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.
Малюгин В.И., Гринь Н.В. Об эффективности статистических алгоритмов кредитного скоринга // Банкаўскі веснік. № 31. 2010. С. 39–46.
Литтл Р.Дж. А., Рубин Д.Б. Статистический анализ данных с пропусками. М.: Финансы и статистика, 1990. 336 с.
Валеев С.Г. Регрессионное моделирование при обработке данных. Казань: ФЭН, 2001. 296 с.
Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. М.: Диалектика, 2007. 912 c.
Dingyu Xue, Yangquan Chen. Solving applied mathematical Problems with MATLAB. London: Taylor & Francis Group, 2009. 418 p.
Powers D.M.W. Evaluation: from Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation // Journal of Machine Learning Technologies. 2011. Vol. 2. Iss. 1. P. 37–63.
