НЕСИЕЛІК ӨНІМДЕРДІҢ ӘР ТҮРІНЕ АРНАЛҒАН СКОРИНГТІК КАРТАЛАР

Несиелік скорингті дамыту – қаржы компанияларындағы несиелік тәуекелдерді басқарудағы негізгі тақырыптардың бірі. Алайда рейтингтік карталарды әзірлеудің бірыңғай тәсілі көбіне тиімсіз, өйткені несиелік өнімдер тәуекел деңгейі мен қаржыландыру мерзімі бойынша ерекшеленеді, сондай-ақ қарыз алушылар туралы ақпарат көлемі жеткіліксіз болуы мүмкін. Мақалада тұтынушылық несиелеу, қайта қаржыландыру, шағын және орта бизнеске арналған несиелер, автокредиттер, ипотекалық несиелер, финтех технологиялары және P2P несиелеу үшін скорингтік карталарды жасау ерекшеліктері қарастырылады. Жұмыс қарыз алушының есеп айырысу кезінде дефолтқа ұшырау ықтималдығына әсер ететін маңызды факторларды салыстырмалы талдау ретінде ұсынылады. Зерттеуде сегменттер бойынша машиналық оқыту әдістерін қолдану және болжамның дәлдігін арттыруға мүмкіндік беретін балама деректер көздерін пайдалану мәселелері қарастырылады. Әртүрлі несиелік өнімдерге байланысты талдау скорингтік карталарды құрудың оңтайлы тәсілін таңдауға ұсыныстар жасауға мүмкіндік береді. Бұл өз кезегінде қарыз алушының несиелік қабілетін болжаудың дәлдігін арттырып, дефолт тәуекелінің деңгейін төмендетеді.

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.