Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Новая экономика, бизнес и общество; Владивосток; Владивосток
Год издания: 2025
Ключевые слова: кредитный скоринг, скоринговые модели, кредитоспособность, прогнозирование дефолта, Model Performance Predictor, управление рисками, анализ данных, машинное обучение, credit scoring, scoring models, creditworthiness, default forecasting, risk management, data analysis, machine learning
Аннотация: В статье рассматриваются проблемы разработки банковских скоринговых моделей, включая задержку в оценке качества, нестабильность факторов, ограниченность данных и чувствительность к экономическим изменениям. Целью исследования является выявление проблем разработки скоринговых моделей и разработка рекомендаций, направленных на повышеПоказать полностьюние точности кредитного скоринга за счёт предсказания ошибок модели. В работе использован метод логистической регрессии для построения базовой скоринговой модели и алгоритм случайного леса для прогнозирования ошибок с применением подхода Model Performance Predictor. Проведённые расчёты показали, что использование данной модели снижает уровень ошибок, повышает точность прогнозов и делает систему скоринга более устойчивой к изменяющимся рыночным условиям. Областью применения является банковский сектор, микрофинансовые организации и страховые компании, использующие кредитный анализ для управления рисками. В результате исследования подтверждена эффективность Model Performance Predictor в снижении кредитных рисков и повышении адаптивности скоринговых моделей, что способствует принятию более обоснованных решений при кредитовании. This article discusses the challenges of developing banking scoring models, such as the delay in assessing quality, the instability of factors, limited data, and sensitivity to economic changes. The aim of the study was to identify these problems and develop recommendations to improve the accuracy of credit scoring by reducing model errors. The paper used the logistic regression method to create a basic scoring model, and the random forest algorithm to predict errors using the Model Performance Predictor approach. The scope of application of scoring is the banking sector, microfinance organizations and insurance companies using credit analysis for risk management. The results showed that using this model reduced the level of errors and increased the accuracy of predictions, making the scoring system more resilient to market changes. The study confirmed the effectiveness of Model Performance Predictor in reducing credit risk and increasing the adaptability of scoring models. This contributes to more informed lending decisions.
Журнал: Новая экономика, бизнес и общество
Номера страниц: 601-606
Место издания: Владивосток