СКОРИНГОВЫЕ КАРТЫ ДЛЯ РАЗЛИЧНЫХ ТИПОВ КРЕДИТНЫХ ПРОДУКТОВ

Развитие кредитного скоринга является одной из ключевых тем, на которые обращают внимание при управлении кредитными рисками в финансовых компаниях. Однако единый подход к созданию рейтинговых карт зачастую бесполезен, поскольку кредитные продукты различаются по уровню риска и срокам финансирования, а информации о заемщиках зачастую недостаточно. В статье рассматриваются особенности создания кредитных карт для потребительского кредитования, рефинансирования, малого и среднего бизнеса, автокредитования, ипотечного кредитования, финтеха и P2P-кредитования. Таким образом, настоящую работу можно рассматривать как приведенный выше сравнительный анализ наиболее важных элементов, влияющих на вероятность дефолта заемщика при расчетах по сегментам, вместе с рассмотрением методов машинного обучения и использованием альтернативных источников данных, которые могут повысить точность прогноза. В зависимости от обычного кредитного продукта анализ позволяет выработать рекомендации по выбору оптимального подхода к созданию скоринговых карт, что повышает точность прогнозирования кредитоспособности заемщика и снижает степень риска дефолта.

1. Addo P.M., Guegan D., Hassani B. Credit risk analysis using machine and deep learning models // Risks. – 2018. – V. 6. – No. 2. – P. 38. – https://doi.org/10.3390/risks6020038.

2. Brown I., Mues C. An experimental comparison of classification algorithms for imbalanced credit scoring datasets // Expert Systems with Applications. – 2012. – V. 39. – No. 3. – P. 3446–3453. – https://doi.org/10.1016/j.eswa.2011.09.033.

3. Grier D.A. Credit Scoring and Credit Control. – Oxford: Oxford University Press, 2012.

4. Henley W.E., Hand D.J. A k-nearest-neighbour classifier for assessing consumer credit risk // The Statistician. – 1996. – V. 45. – No. 1. – P. 77–95. – https://doi.org/10.2307/2988486.

5. Munkhdalai L., Namsrai O.B., Lee J.Y., Ryu K.H. An empirical comparison of machine-learning methods on bank client credit assessments // Sustainability. – 2019. – V. 11. – No. 3. – P. 699. – https://doi.org/10.3390/su11030699.

6. Oguz K., Ugur O., Kestel A. S. The impact of feature selection and transformation on machine learning methods in determining credit scoring // arXiv preprint. – 2023. – arXiv:2303.05427. – URL: https://arxiv.org/abs/2303.05427.

7. Tatarintsev M.A., Nikitin P.V., Gorokhova R.I., Dolgov V.I. Comparative analysis of machine learning technologies for credit scoring tasks // Fundamental Research. – 2022. – V. 2. – P. 7–12. – https://doi.org/10.17513/fr.43419.

8. XGBoost Documentation. Random Forests™ in XGBoost. – URL: https://xgboost.readthedocs.io/en/stable/tutorials/rf.html (дата обращения: 13.02.2025).

9. Kadiev A.D., Chibisova A.V. Neural network methods for credit scoring // Mathematical Modeling and Numerical Methods. – 2022. – V. 4. – P. 81–92. – URL: https://mmcm.bmstu.ru/articles/download_article/295/.

10. Hu L., Chen D., Wong J., Yang H., Wang K., Sudjianto A., Nair V. N. Supervised machine learning techniques: An overview with applications to banking // arXiv preprint. – 2020. – arXiv:2008.04059. – URL: https://arxiv.org/abs/2008.04059.

11. Shukhardin A. V. Development of a credit scoring system based on machine learning models // Ural Federal University Electronic Archive. – 2024. – URL: https://elar.urfu.ru/bitstream/10995/140553/1/m_th_a.v.shukhardin_2024.pdf.

12. Arram A., Ayob M., AlBadr M. A. A., Suleiman A., Albashish D. Credit rating prediction using machine learning models: A new dataset // arXiv preprint. – 2023. – arXiv:2310.02956. – URL: https://arxiv.org/abs/2310.02956.

13. Rastorguev A.V., Mikishanina E.V. Building a scoring model for assessing borrower creditworthiness // Электронный научный журнал «Вектор экономики». – 2022. – No. 5. – URL: https://www.vectoreconomy.ru/images/publications/2022/5/mathematicalmethods/Rastorguev_Mikishanina.pdf.

14. Dauletkhanuly Y., Oyshynova G. A. The use of machine learning and artificial intelligence by the monetary regulator // Economic Review of the National Bank of the Republic of Kazakhstan. – 2023. – No. 4. – URL: https://nationalbank.kz/file/download/98995.

15. Центральный банк Российской Федерации. The impact of negative news on public perception of inflation // Рабочие материалы Банка России. – 2022. – No. 111. – URL: https://www.cbr.ru/content/document/file/144918/wp_111.pdf.

16. Biecek P., Chlebus M., Gajda J., Gosiewska A., Kozak A., Ogonowski D., Sztachelski J., Wojewnik P. Enabling machine learning algorithms for credit scoring: Explainable artificial intelligence (XAI) methods for clear understanding complex predictive models // arXiv preprint. – 2023. – arXiv:2310.02956. – URL: https://arxiv.org/abs/2310.02956.