«Финансовая аналитика: проблемы и решения»
 

Реферирование и индексирование

Russian Science Citation Index
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Адаптация моделей прогнозирования кредитоспособности с учетом вновь поступающей информации о клиентах

Журнал «Финансовая аналитика: проблемы и решения»
т. 10, вып. 6, июнь 2017

Получена: 20.12.2016

Получена в доработанном виде: 17.03.2017

Одобрена: 24.03.2017

Доступна онлайн: 15.06.2017

Рубрика: МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ БАНКОВСКИХ РИСКОВ

Коды JEL: C02, C53, G21

Страницы: 663-674

https://doi.org/10.24891/fa.10.6.663

Крашенинников В.Р. доктор технических наук, профессор, заведующий кафедрой прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация kvrulstu@mail.ru

Клячкин В.Н. доктор технических наук, профессор кафедры прикладной математики и информатики, Ульяновский государственный технический университет, Ульяновск, Российская Федерация v_kl@mail.ru

Шунина Ю.С. кандидат технических наук, инженер-программист Ульяновского конструкторского бюро приборостроения, Ульяновск, Российская Федерация ydoncova@yandex.ru

Тема. Для прогнозирования возврата кредитов заемщиками используются методы машинного обучения. В последнее время широко распространено применение различных видов агрегации этих методов. Актуальной задачей является обновление структуры агрегированного метода прогнозирования по истечении некоторого времени для адаптации к особенностям характеристик вновь поступивших клиентов, а также получения более точного прогноза.
Цели. Разработка способа обновления структуры названного метода для повышения точности прогнозирования.
Методология. Использовались методы машинного обучения с агрегированием различных классификаторов на основе нейронной сети, логистической регрессии, дискриминантного анализа, наивного байесовского классификатора, метода опорных векторов и др. Для корректировки параметров моделей используется псевдоградиентная процедура. Качество полученной структуры модели с обновленными параметрами оценивается по среднему квадрату ошибки на контрольной выборке.
Результаты. Разработан способ обновления структуры модели прогнозирования возврата кредитов, эффективность которого подтверждена практическими испытаниями на данных российских заемщиков.
Выводы. Использование псевдоградиентной процедуры корректировки параметров выбранной модели позволяет получить приемлемую точность прогнозирования на некоторый период. Однако при значительных изменениях кредитной ситуации эта модель не в состоянии обеспечить достаточную точность прогноза ни при каких значениях своих параметров. Поэтому время от времени нужно менять структуру модели, чтобы она в новых условиях обеспечивала достаточную точность прогнозирования и получение более обоснованных решений о выдаче кредита новым клиентам.
Применение. Предложенный способ может быть применен в автоматизированных системах для поддержки принятия решений о выдаче кредитов в банковской сфере.

Ключевые слова: возврат кредита, метод прогнозирования, машинное обучение, псевдоградиентная процедура, структура модели

Список литературы:

  1. Айвазян С.А., Бухштабер В.М., Енюков И.С. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.
  2. Васильев Н.П., Егоров А.А. Опыт расчета параметров логистической регрессии методом Ньютона – Рафсона для оценки зимостойкости растений // Математическая биология и биоинформатика. 2011. Т. 6. № 2. С. 190–199.
  3. Бидюк П.И., Терентьев А.Н., Гасанов А.С. Построение и методы обучения байесовских сетей // Информатика и кибернетика. 2004. № 2. С. 140–154.
  4. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Интернет-журнал Науковедение. 2014. № 2. URL: http://naukovedenie.ru/PDF/ 180EVN214.pdf
  5. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / перевод Ю.А. Зуева, В.А. Точенова. М.: Мир, 1992. 240 с.
  6. Якупов А.И. Применение деревьев решений для моделирования кредитоспособности клиентов коммерческого банка // Искусственный интеллект. 2008. № 4. С. 208–213.
  7. Мерков А.Б. Распознавание образов: введение в методы статистического обучения. М.: URSS, 2010. 254 с.
  8. Breiman L. Random Forests. Machine Learning, 2001, vol. 45, iss. 1, pp. 5–32. doi: 10.1023/A:1010933404324
  9. Клячкин В.Н., Шунина Ю.С. Система оценки кредитоспособности заемщиков и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11. С. 45–51.
  10. Breiman L. Bagging predictors. Machine Learning, 1996, vol. 24, no. 2, pp. 123–140. doi: 10.1023/A:1018054314350
  11. Ghodselahi A., Amirmadhi A. Application of Artificial Intelligence Techniques for Credit Risk Evaluation. International Journal of Modeling and Optimization, 2011, vol. 1, no. 3, pp. 243–249.
  12. Крашенинников В.Р., Клячкин В.Н., Шунина Ю.С. Обновление агрегированных классификаторов на основе псевдоградиентной процедуры // Вестник компьютерных и информационных технологий. 2016. № 10. С. 36–40.
  13. Васильев К.К., Крашенинников В.Р. Статистический анализ изображений. Ульяновск: УлГТУ, 2014. 214 с.
  14. Montgomery D.C. A Note on Forecasting with Adaptive Filtering. Oper. Res. Quart., 1977, vol. 28, no. 11, pp. 87–91.
  15. Поляк Б.Т., Цыпкин Я.З. Псевдоградиентные алгоритмы адаптации и обучения // Автоматика и телемеханика. 1973. № 3. С. 45–68.
  16. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. 242 с.
  17. Льюис К.Д. Методы прогнозирования экономических показателей. М.: Финансы и статистика, 1986. 133 с.

Посмотреть другие статьи номера »

 

ISSN 2311-8768 (Online)
ISSN 2073-4484 (Print)

Свежий номер журнала

т. 10, вып. 11, ноябрь 2017

Другие номера журнала