Методы машинного обучения для систем поддержки принятия решений в кредитном скоринге
Введение
Конкуренция среди банковских кредитных организаций растет день ото дня, а значит растет и количество неплательщиков кредита банковские учреждения в настоящее время подвергаются большему риску, так как количество неуплаты кредита растет. Основные финансовые потери согласно статье [1] возникают по причине неправильной оценки надежности клиентов. Надежность в контексте потребительского кредита может выражаться в платежеспособности клиента, а ненадежность в может быть связана с непогашенным полностью или частично кредитом. Также в применении машинного обучения в кредитном скоринге существуют такие проблемы как неспособность некоторых моделей объяснить прогнозы и проблема несбалансированных наборов данных.Таким образом требуются более эффективные методы кредитного скоринга с высокой точностью и быстрой выдачей кредитов.
Не найдено
В статье [2] освящаются различные методы кредитного скоринга остнованные на AI-ML, которые используются банковскими и небанковскими учереждениями для выдачи кредита сельчанам, здесь приведено сравнение различных методов и автор приходит к выводу, что наиболее эффективна гибридная модель, на втором месте RF/XGBoost. Автор статьи присвоил различные веса по значимости различных параметров, так точноть и производительность как более важные параметры имеют веса 0.3, а менее значимые такие как надежность и объем обработки 0.2. Затем оценки приведенные согласно анализу статей умножаются на эти веса, данное распределение можно уведеть на табл.1.