ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В ПРОГНОЗИРОВАНИИ СПОСОБНОСТИ ВОЗВРАТА КРЕДИТОВ

ilhomjonqodirov02

Авторы 

   Низамитдинов А.И. – доктор философии (PhD) по специальности, старший преподаватель, кафедра цифровой экономики, Политехнический институт  Таджикского технического университета имени академика М.С. Осими, г.Худжанд,  Республика Таджикистан, ahlidin@gmail.com.

    Сангинов С.И. – магистрант 2-го курса, специальности 1-400301 – Искусственный  интеллект, Политехнический институт Таджикского технического университета имени академика М.С. Осими, г.Худжанд, Республика Таджикистан, saidikbols@gmail.com.

Аннотация

  В статье рассматривается процесс прогнозирования вероятности риска невыплаты кредита со стороны клиентов банка. В связи с увеличением конкуренции на рынке кредитных услуг разработка новых алгоритмов выдачи данного процесса и более точная оценка риска ликвидности кредитов является актуальным вопросом. Цель исследования заключается в совершенствовании методики прогнозирования вероятности погашения кредитов клиентами банка на основе использования современных методов машинного обучения и формирования оптимального решения по кредитованию. Вероятность погашения кредита анализируется на основе известных характеристик заемщика с помощью прогнозных алгоритмов машинного обучения (кластеризация, регрессионный анализ и классификация). Эти алгоритмы позволяют использовать отдельные модели и их возможные комбинации. В статье используются распространенные алгоритмы машинного обучения для решения задач классификации, таких как логистическая регрессия, простые байесовские классификаторы, метод опорных векторов и дерево принятия решений.Совокупность моделей, использующих алгоритмы машинного обучения, делает прогнозирование вероятности ликвидности более точным, повышает качество оценки рисков и оптимизирует процесс кредитования.

Ключевые слова

алгоритмы машинного обучения, кредитоспособность, кредитный скоринг, искусственный интеллект, машинное обучение, дискриминантный анализ, логистическая регрессия.

 

Язык

русский

Тип

технический

Год

2021

Страница

19

Список использованной литературы

  1. 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.
  2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 471 с.
  3. Андреева Г.В. Скоринг как метод оценки кредитного риска // Банковские технологии. 2000. № 6. С. 14–19.
  4. 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.: ФИЗМАТ ЛИТ, 2004. 704 с.
  5. Валеев С.Г. Регрессионное моделирование при обработке данных. Казань: ФЭН, 2001. 296 с.
  6. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
  7. Васильев Н.П., Егоров А.А. Опыт расчета параметров логистической регрессии методом Ньютона — Рафсона для оценки зимостойкости растений // Математическая биология и биоинформатика. Т. 6. № 2. С. 190–199.
  8. Готовкин И. Комплексная скоринговая модель оценки дефолта клиента // Банковские технологии. № 1. С. 27–35.
  9. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. М.: Диалектика, 912 c.
  10. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: учеб. М.: Финансы и статистика, 2003. 352 с.
  11. Ишина И.В., Сазонова М.Н. Скоринг — модель оценки кредитного риска // Аудит и финансовый анализ. 2007. № 4. С. 297–304.
  12. Литвинова С.А. Скоринговые системы как средство минимизации кредитного риска банка // Аудит и финансовый анализ. 2010. № 2. С. 396–397.
  13. Литтл Р.Дж. А., Рубин Д.Б. Статистический анализ данных с пропусками. М.: Финансы и статистика, 336 с.
  14. Малюгин В.И., Гринь Н.В. Об эффективности статистических алгоритмов кредитного скоринга // Банкаўскі веснік. № 31. 2010. С. 39–46.
  15. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Науковедение. URL: http://naukovedenie.ru/PDF/180EVN214.pdf.
  16. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 184 с.
  17. Черный И.М. Кредитный скоринг: российский вариант развития // Банковские услуги. 2006. № 4. С. 12–17.
  18. Якупов А.И. Применение деревьев решений для моделирования кредитоспособности клиентов коммерческого банка // Искусственный интеллект. 2008. № 4. С. 208–213.
  19. Dingyu Xue, Yangquan Chen. Solving applied mathematical Problems with MATLAB. London: Taylor & Francis Group, 2009. 418 p.
  20. 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.
  21.  

Дата публикация

2023-09-25