Москва, Россия
аспирант
аспирант
Статья посвящена сравнительному анализу традиционных и нейросетевых подходов в банковской аналитике. Рассмотрены ключевые задачи финансовых институтов, включая кредитный скоринг, прогнозирование оттока клиентов, выявление мошенничества и оценку кредитоспособности. Показаны преимущества и ограничения классических методов статистики и машинного обучения, а также современные возможности нейронных сетей — от полносвязных и рекуррентных до сверточных архитектур, автоэнкодеров и генеративных моделей. Особое внимание уделено практическим примерам применения искусственного интеллекта в международных и российских банках, а также анализу рисков и вызовов, связанных с автоматизацией кредитных решений, защитой данных и интерпретируемостью алгоритмов. На основе обзора обоснована необходимость гибридного подхода, сочетающего точность цифровых технологий с экспертной оценкой специалистов, что позволяет повысить эффективность кредитных процессов и укрепить конкурентные позиции банков.
банковская аналитика, кредитный скоринг, искусственный интеллект, нейронные сети, машинное обучение, антифрод, риск-менеджмент, цифровизация банков, интерпретируемость моделей, Big Data
1. Федеральный закон “О персональных данных” от 27.07.2006 N 152-ФЗ (последняя редакция) \ КонсультантПлюс [WWW Document], n.d. URL https://www.consultant.ru/document/cons_doc_LAW_61801/ (дата обращения 01.06.2025).
2. Dong, G., Lai, K.K., Yen, J., 2010. Credit scorecard based on logistic regression with random coefficients. Procedia Comput. Sci., ICCS 2010 1, 2463–2468. https://doi.org/10.1016/j.procs.2010.04.278
3. Ghojogh, B., Crowley, M., 2019. Linear and Quadratic Discriminant Analysis: Tutorial. https://doi.org/10.48550/arXiv.1906.02590
4. Dumitrescu, E., Hué, S., Hurlin, C., Tokpavi, S., 2022. Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects. Eur. J. Oper. Res. 297, 1178–1192. https://doi.org/10.1016/j.ejor.2021.06.053
5. Blanco, A., Pino-Mejías, R., Lara, J., Rayo, S., 2013. Credit scoring models for the microfinance industry using neural networks: Evidence from Peru. Expert Syst. Appl. 40, 356–364. https://doi.org/10.1016/j.eswa.2012.07.051
6. Ala’raj, M., Abbod, M.F., Majdalawieh, M., 2021. Modelling customers credit card behaviour using bidirectional LSTM neural networks. J. Big Data 8, 69. https://doi.org/10.1186/s40537-021-00461-7
7. Agrawal, P., Chaudhary, D., Madaan, V., Zabrovskiy, A., Prodan, R., Kimovski, D., Timmerer, C., 2021. Automated bank cheque verification using image processing and deep learning methods. Multimed. Tools Appl. 80, 5319–5350. https://doi.org/10.1007/s11042-020-09818-1
8. Lin, T.-H., Jiang, J.-R., 2021. Credit Card Fraud Detection with Autoencoder and Probabilistic Random Forest. Mathematics 9, 2683. https://doi.org/10.3390/math9212683
9. Efimov, D., Xu, D., Kong, L., Nefedov, A., Anandakrishnan, A., 2020. Using generative adversarial networks to synthesize artificial financial datasets. https://doi.org/10.48550/arXiv.2002.02271
10. Ушанов, А.Е., 2024. Новые Технологии В Оценке Кредитоспособности Клиентов Банка: Плюсы И Минусы. Азимут Научных Исследований Экономика И Управление 13, 158–162
