2025. — Т 17. — № s2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/70favn225.html

Полный текст статьи в формате PDF (объем файла: 387.8 Кбайт)

Ссылка для цитирования этой статьи:

Кантаев, Н. К. Перспективы использования методов машинного обучения для оценки кредитных рисков / Н. К. Кантаев // Вестник Евразийской науки. — 2025. — Т 17. — № s2. — URL: https://esj.today/PDF/70FAVN225.pdf (дата обращения: 17.07.2025).

Перспективы использования методов машинного обучения для оценки кредитных рисков

Кантаев Надир Камильевич
ФГОБУ ВО Финансовый университет при Правительстве Российской Федерации, Москва, Россия
E-mail: n.kantaev@mail.ru

Аннотация. Автором представлена обзорная статья, посвященная анализу и обобщению современных методов машинного обучения, применяемых для оценки кредитных рисков в банковском секторе. В статье аргументирована необходимость исследования в условиях высокой неопределённости на финансовых рынках и ужесточения регуляторных требований к кредитным организациям. В работе сформулированы ключевые вопросы: какие алгоритмы машинного обучения обеспечивают наилучшую эффективность при прогнозировании дефолтных событий, в каких сценариях глубокие нейронные сети и ансамблевые методы превосходят классические статистические подходы, необходимо ли использование иных видов цифровых технологий в сочетании с машинным обучением для успешного управления кредитным риском и его оценки. Для достижения поставленных целей выполнен комплексный системный анализ отечественных и зарубежных научных публикаций, отраслевых отчётов и кейсов внедрения автоматизированных платформ машинного обучения и антифрод‑систем. В статье подробно рассмотрены методы контролируемого обучения — логистическая регрессия, дерево решений, случайный лес и многослойный перцептрон — а также принципы неконтролируемого обучения и особенности облачных решений. Автором показано, что интеграция интеллектуальных алгоритмов в процессы кредитного скоринга позволяет повысить точность прогнозов, сократить временные затраты на принятие решений и оптимизировать операционные процессы банков. Исследование выявило значимость интерпретируемости моделей и масштабируемости решений при наращивании объёмов обрабатываемых данных. В качестве заключения обоснована необходимость дальнейшего развития и адаптации технологий машинного обучения для обеспечения устойчивости и конкурентоспособности финансовых институтов.

Ключевые слова: машинное обучение; кредитный скоринг; логистическая регрессия; искусственный интеллект; нейронные сети; неконтролируемое обучение; риск-менеджмент; цифровизация банковского сектора

Скачать