ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ КРЕДИТНОГО СКОРИНГА

Бигаева Л.А., к.ф-м.н., доцент,

Баймиев В.А., студент,

Бирский филиал УУНиТ, г.Бирск, Россия

Аннотация. В статье рассматривается применение моделей машинного обучения для задачи кредитного скоринга. Проведён сравнительный анализ классических и современных алгоритмов, описаны этапы подготовки данных и метрики оценки качества. Особое внимание уделено требованиям регуляторов к интерпретируемости моделей. Результаты работы могут быть использованы при разработке автоматизированных систем оценки кредитных рисков.

Ключевые слова: кредитный скоринг, машинное обучение, бинарная классификация, оценка кредитного риска, интерпретируемость.

Введение

Кредитный скоринг помогает банку оценить, вернёт ли заёмщик деньги. Раньше использовали простые правила («если зарплата > Х, то кредит можно дать»). Они понятны, но не всегда точны.

Машинное обучение анализирует тысячи примеров и находит сложные закономерности, повышая точность прогноза [1].

Цель работы — сравнить классические и современные методы скоринга, выделить проблемы их внедрения.

Какие модели используют?

Задача скоринга — бинарная классификация: 0 (вернёт) или 1 (дефолт).

1.                Логистическая регрессия — простая модель, служит точкой отсчёта (бенчмарком). Если сложная модель не работает заметно лучше, её внедрение нецелесообразно.

2.                Ансамбли деревьев (Random Forest, Gradient Boosting) — точнее, находят неочевидные связи между признаками [2].

3.                Нейронные сети — для больших и «неаккуратных» данных (тексты, транзакции) [3].

Данные и паттерны

Качество модели зависит от данных. Важный этап — поиск паттернов (устойчивых шаблонов поведения):

·                     «Резкий рост трат» перед заявкой → возможное финансовое напряжение;

·                     «Нерегулярный доход» → выше риск для фрилансеров;

·                     «Связи с проблемными клиентами» → возможный мошеннический паттерн.

Также данные нужно: очистить от ошибок, преобразовать текст в числа, уравновесить выборку (дефолтов мало) [1].

Как оценить модель?

·                     ROC-AUC / Джини: насколько хорошо модель разделяет «хороших» и «плохих» клиентов.

·                     Precision / Recall: баланс между ошибочным отказом и выдачей кредита ненадёжному заёмщику.

·                     LogLoss: точность предсказанной вероятности [2].

Почему важно объяснять решения?

Банк обязан объяснить отказ (требования ЦБ РФ). Поэтому «чёрные ящики» используют с осторожностью.

Применяют объяснимый ИИ (XAI):

·                     SHAP показывает вклад каждого признака: «Отказ из-за высокой долговой нагрузки (−40 баллов)».

·                     Мониторинг дрейфа отслеживает изменения в поведении клиентов (например, во время кризиса) [3].

Заключение

Машинное обучение повышает точность скоринга, но:

1.                Простая модель может быть лучше сложной, если её легче объяснить.

2.                Качество данных важнее выбора алгоритма.

3.                Прозрачность — обязательное требование в банках.

Будущее скоринга — в балансе точности и объяснимости.

Литература

1.                Ульянова О.Д., Золотова Е.А. Исследование применения искусственного интеллекта и моделей машинного обучения в процессе оценки кредитоспособности для повышения точности и эффективности кредитного скоринга // Актуальные научные исследования: от теории к практике : сборник материалов XLIX Международной очно-заочной научно-практической конференции : в 2-х томах. — Москва : Интернаука, 2024. — Т. 2.

2.                Черцова И.В., Панкеева А.Д., Муртазаев Г.Л., Аджиева А.Ю. Вероятностные модели оценки кредитных рисков // Финансовая экономика. — 2025. — № 11. — С. 324–327. — ISSN 2072-778X.

3.                Кобзенко П.Б. Применение искусственного интеллекта для оценки эффективности кредитного рейтинга в коммерческих банках // Финансовая экономика. — 2025. — № 11. — С. 64–69. — ISSN 2072-778X.