МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДСКАЗАНИЯ ДЕФОЛТОВ В БАНКОВСКОМ СЕКТОРЕ: ОЦЕНКА УСТОЙЧИВОСТИ

УДК 004.89.
DOI: 10.36871/ek.up. p. r. 2024.12.06.020

Авторы

Ариза Садыковна Лугуева,
Айгимик Магомедтагировна Нухова,
Федеральное государственное бюджетное образовательное учреждение высшего образования «Дагестанский государственный университет», (г. Махачкала)
Шамиль Султанович Кадыров,
ГГНТУ имени академика М. Д. Миллионщикова г. Грозный, Российская Федерация

Аннотация

В статье рассматриваются модели машинного обучения для предсказания дефолтов заемщиков в банковском секторе с акцентом на оценку их устойчивости к изменению входных данных и макроэкономических условий. Проанализированы классические и современные модели, включая логистическую регрессию, случайный лес, градиентный бустинг (LightGBM,  CatBoost) и нейронные сети. Предложены подходы к оценке устойчивости моделей с использованием метрик Population StabilityIndex (PSI), Stability Index (SI) и изменения ROC AUC. Результаты показали, что  модели градиентного бустинга, в частности LightGBM, обеспечивают оптимальный баланс между точностью предсказаний и устойчивостью. Логистическая регрессия продемонстрировала наивысшую устойчивость к изменению данных, но её предсказательная способность ниже по сравнению с ансамблевыми методами. Нейронные сети показали высокую точность на стационарных данных, но низкую устойчивость к макроэкономическим шокам.

Ключевые слова

машинное обучение, устойчивость моделей, предсказание дефолтов, банковский сектор, градиентный бустинг, логистическая регрессия, нейронные сети, кредитный риск