сотрудник
студент
студент
В статье рассматриваются особенности модели машинного обучения, которые помогают банкам и иным кредитным учреждениям более точно оценивать кредитный риск. Научная статья отражает проблемы классических методов обработки информации, которые в сегодняшних реалиях всё хуже справляются с растущими объёмами данных и быстрыми изменениями в поведении клиентов. Авторами статьи раскрывается вопрос: «Почему банки начали переходить к более гибким алгоритмам, и что мешает им использовать ИИ без ограничений». В работе представлены заключения по использованию современной модели машинного обучения, включающего в себя новое поколение инструментов управления кредитным риском. Данное направление позволяет банковскому сектору гибко адаптироваться к усложняющемуся финансовому пространству и быстро растущим требованиям рыночной системы. На основе исследований и практических примеров показано, какие модели применяются чаще всего и как они влияют на работу денежно-кредитного анализа. Также в статье обсуждаются требования регуляторов и основные трудности, которые возникают при внедрении сложных моделей. Кроме того, авторами подчёркиваются особенности и способы получения положительного результата, который достигается тогда, когда новые технологии сочетаются с прозрачными правилами использования цифровых технологий и понятной системой ведения контроля.
кредитный риск, финансовое поведение клиентов, традиционные скоринговые подходы, логистическая регрессия, градиентный бустинг, нейросети, регуляторные органы
1. Абрамов А. А., Мельникова Т. Е. Применение методов машинного обучения в кредитном скоринге // Финансы и кредит. — 2021. — № 8. — С. 34–47.
2. Евстигнеев Е. Н. Большие данные и их роль в управлении кредитными рисками // Деньги и кредит. — 2020. — № 5. — С. 52–63.
3. Поляков П. В. Современные методы кредитного скоринга: от логистической регрессии к ансамблевым моделям // Банковское дело. — 2022. — № 4. — С. 11–21.
4. Банк России. Методические рекомендации по применению моделей машинного обучения при управлении рисками. — М.: Центральный банк Российской Федерации, 2021. — 48 с.
5. Савин А. Ю. Генеративные модели в банковской аналитике: возможности и ограничения // Прикладная информатика. — 2023. — Т. 18, № 2. — С. 90–103.
6. World Bank. Digital Credit Scoring and Financial Inclusion. — Washington, DC: World Bank Publications, 2020.
7. Гордеев И. Н. Алгоритмическая справедливость и риски дискриминации в кредитном скоринге // Экономическая политика. — 2022. — Т. 17, № 3. — С. 145–162.
8. Basel Committee on Banking Supervision. Principles for the Use of Artificial Intelligence Models in Banking. — Basel: BIS Publications, 2021. — 34 p.
9. Chang V., Abdulkareem K., Althubiti S. Credit Risk Prediction Using Machine Learning // Electronics. — 2024. — Vol. 13, No. 2. — P. 1–15.
