УДК 336.77:004.8
DOI: 10.36871/2618-9976.2025.12–2.021

Авторы

Мурад Мусаевич Магомедтагиров,
Кандидат экономических наук, доцент, Дагестанский государственный университет, г. Махачкала, Россия
Марем Вахаевна Алиева,
Ассистент, Чеченский государственный университет им. А. А. Кадырова, г. Грозный, Россия
Маллараджаб Имамутдинович Алибеков,
Магистрант третьего курса, Дагестанский государственный университет, г. Махачкала, Россия

Аннотация

В современной финансовой системе сохраняется парадокс, когда цифровая идентичность человека остается невидимой для традиционных скоринговых алгоритмов. Данное исследование предлагает антропоцентричный подход к оценке кредитоспособности, основанный на анализе психографических профилей. В отличие от классических моделей, ориентированных на историю финансовых транзакций, разрабатываемая система рассматривает цифровой след как отражение глубинных поведенческих паттернов. Методология синтезирует аппарат теории измерений и машинного обучения, позволяя количественно оценивать латентную переменную финансовой ответственности через анализ цифрового поведения. Практическая значимость исследования заключается в создании механизма финансовой инклюзии для социальных групп, исключенных из традиционной банковской системы. Особое внимание уделяется этическим аспектам внедрения психографического скоринга и рискам алгоритмической дискриминации. Результаты работы открывают перспективы формирования новой парадигмы в оценке кредитоспособности, где акцент смещается с ретроспективного анализа на проактивное выявление финансового потенциала личности.

Ключевые слова

финансовые рынки
волатильность
шкала Гуттмана
анализ временных рядов
глубокое обучение

Список литературы

[1] Александров Д. В. Эконометрическое моделирование кредитных рисков на основе поведенческих данных // Экономика и математические методы.—2022.—Т. 58, № 4.—С. 78–92.
[2] Гордеев Р. С. Применение теории латентных переменных в задачах скоринга // Прикладная эконометрика.—2023.—Т. 60, № 1.—С. 112–130.
[3] Жукова Е. М. Методы анализа цифрового следа в оценке кредитоспособности заемщиков // Финансы и кредит.—2021.—Т. 27, № 5.—С. 1011–1030.
[4] Ковалев А. А. Психографические профили как предикторы финансового поведения // Социологические исследования.—2022.—№ 8.—С. 70–82.
[5] Лебедева И. С. Этика больших данных в финансовой аналитике // Вопросы экономики.—2023.—№ 4.—С. 145–160.
[6] Маркина Н. П. Машинное обучение для построения альтернативных скоринговых систем // Банковское дело.—2021.—№ 12.—С. 54–61.
[7] Орлов С. К. Статистические методы выявления дискриминации в алгоритмических системах // Вестник Московского университета. Серия 6: Экономика. — 2022. — № 3.—С. 45–67.
[8] Петрова Л. Н. Цифровая трансформация финансовых услуг и защита прав потребителей // Деньги и кредит.—2023.—№ 2.—С. 33–49.
[9] Семенов В. П. Нейросетевые модели в оценке кредитных заявок // Российский журнал менеджмента.—2021.—Т. 19, № 4.—С. 455–478.
[10] Тихомирова Е. Р. Правовое регулирование использования больших данных в банковской сфере // Закон.—2022.—№ 7.—С. 88–102.
[11] Фролов А. В. Сравнительный анализ методов многомерного шкалирования в психологических исследованиях // Психологический журнал. — 2023. — Т. 44, № 1. — С. 23–35.
[12] Яковлева М. И. Алгоритмическая прозрачность и объяснимость систем искусственного интеллекта // Вопросы государственного и муниципального управления.—2021.— № 3.—С. 155–175.