Разработка моделей кредитного скоринга заёмщиков коммерческих банков с использованием методов машинного обучения: магистерская диссертация / Шэнь Сяоюй; БГУ, Факультет прикладной математики и информатики, Кафедра математического моделирования и анализа данных; науч. рук. Малюгин В.И.

Abstract

Реферат Магистерская диссертация, 47 страниц, 10 таблиц,15 рисунков, 36 источников, 41 формула. Ключевые слова: МАШИННОЕ ОБУЧЕНИЕ, КРЕДИТНЫЙ СКОРИНГ, АНСАМБЛЕВОЕ ОБУЧЕНИЕ, МОДЕЛЬ STACKING, ДИСБАЛАНС КЛАССОВ, МЕТОД BORDLINE-SMOTE, МЕТОД LIME. Объектом исследования являются надёжность заёмщиков коммерческих банков на основе данных о их финансовом поведении. Предметом исследования является методы машинного обучения для построения моделей кредитного скоринга, включая одиночные и ансамблевые алгоритмы. Целью работы является построение модели кредитного скоринга для оценки надежности заемщиков с использованием наиболее часто применяемых методов машинного обучения, в том числе ансомблевого метода Stacking и улучшение интерпретации сложных моделей машинного обучения с использованием метода LIME. В данной работе разработаны модели кредитного скоринга с использованием 9 алгоритмов машинного обучения, включая логистическая регрессия, SVM, XGBoost и др. После сравнения их метрик эффективности, предлагается модель кредитного скоринга на основе алгоритма Stacking, который использует интеграцию восьми алгоритмов, наиболее часто применяемых в задачах кредитного скоринга. Как известно, Stacking целесообразно применять в условиях данных сложной структуры. В работе используемый алгоритм Stacking показал достаточно высокую точность и стабильность в прогнозировании кредитного риска. Экспериментальные результаты на реальных данных показали, что модель кредитного скоринга, использующая ансамбльвый алгоритм Stacking превосходит все входящие в него одиночные классификационные алгоритмы по ряду основных оценочных метрик, включая AUC и F1-Score. Это позволяет рассматривать разработанную модель кредитного скоринга как эффективный инструмент для оценки кредитных рисков в коммерческих банках.