СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ КРЕДИТНОГО СКОРИНГА ЗАЕМЩИКОВ

УДК 004.032.26
DOI: 10.36871/2618-­9976.2026.04.016

Авторы

Даниил Андреевич Кривов,
Аспирант, Московский университет «Синергия», Москва, Россия

Аннотация

В статье рассматриваются современные подходы к применению методов машинного обучения в задачах кредитного  скоринга.  Проанализированы основные  алгоритмы,  используемые  для  оценки  кредитоспособности  заемщиков, включая  логистическую  регрессию,  деревья  решений,  ансамблевые модели и нейронные сети. Проведено сопоставление  моделей  по  точности  прогнозирования,  интерпретируемости и требованиям к данным. Показаны ограничения  отдельных  методов  и  обоснована  целесообразность  использования  гибридных  интеллектуальных  систем  кредитного скоринга.

Ключевые слова

кредитный риск
кредитный скоринг
машинное обучение
нейронные сети
ансамблевые модели
оценка кредитоспособности

Список литературы

[1] Бобков С.П., Суворов С.В., Орлов А.И., Пивнев Е.А. Использование методов машинного  обучения для оценки рисков при внедрении нового кредитного продукта // Известия  высших  учебных заведений. Серия: Экономика, финансы и управление производством. 2020. № 4(46). С. 59–63. DOI 10.6060/ivecofin.2020464.509.

[2] Богданов А.Л., Дуля И.С. Применение нейронных сетей  в решении задачи  кредитного  скоринга  //  Вестник  Томского  государственного  университета.  Экономика. 2018. № 44. С. 173–183. DOI: 10.17223/19988648/44/12.

[3] Гончарова О.А. Формирование  индивидуальных  кредитных  рейтингов  в  Российской Федерации в условиях цифровизации. Дисс. … канд. экон. наук: 5.2.4. М., 2023. 200 с.

[4] Гринева Н.В., Михайлова С.С. Применение машинного обучения для моделирования  дефолта заемщика // Инновации и инвестиции. 2023. № 4. С. 254–262.

[5] Динер А.В., Скляренко Е.А., Романенко М.В. Искусственный интеллект и машинное обучение в прогнозной аналитике финансовой отчетности // Инновационная экономика:  информация,  аналитика,  прогнозы. 2026. №  1.  С. 128­137. DOI: 10.47576/ 2949­ 1894.2026.1.1.015.

[6] Дьяконова Л.П., Константинов А.Ф., Китова О.В., Китов В.А. Применение методов  машинного обучения и искусственного интеллекта в сфере кредитования и обнаружения мошенничества // Уголь. 2025. № 10(1198). С. 63–69. DOI: 10.18796/0041­ 5790­2025­10­63­69.

[7] Заболоцкая В.В. Методы диагностики и прогнозирования кредитоспособности субъектов  МСП  с  применением  искусственного  интеллекта  //  Известия  Саратовского  университета.  Новая  серия.  Серия  Экономика.  Управление.  Право. 2024.  №  3(24). С. 294–311. DOI: 10.18500/1994­2540­2024­24­3­294­311.

[8] Исаев Д.В. Динамическое ансамблевое обучение для оценки кредитоспособности // Инновации и инвестиции. 2022. № 3. С. 74–79.

[9] Искусственный интеллект в финансах: монография / под ред. С.Ю. Богатырева. СПб.: Издательство МБИ имени Анатолия Собчака, 2024. 470 c. DOI: 10.23682/146588.

[10] Кадиев А.Д., Чибисова А.В. Нейросетевые методы решения задачи кредитного скоринга  //  Математическое  моделирование  и  численные  методы. 2022.  №  4(36). С. 81–92. DOI: 10.18698/2309­3684­2022­4­8192.

[11] Константинов А.Ф., Дьяконова Л.П. Построение модели машинного обучения для прогнозирования мошеннических транзакций // Известия Кабардино­Балкарского научного центра РАН. 2025. № 2(27). С. 11–22. DOI: 10.35330/1991­6639­2025­27­2­11­22.

[12] Кривошапова С.В., Горьков А.А. Перспективы использования новых цифровых технологий в сфере управления кредитным риском и оценки кредитоспособности // Азимут  научных  исследований:  экономика  и  управление. 2021.  №  4(37) (10). С. 96–99. DOI: 10.26140/anie­2021­1004­0021.

[13] Ксенофонтова О.Л., Миролюбова А.А., Фокин С.А. Использование методов интеллектуального анализа данных  в  банковской  сфере //  Современные наукоемкие  технологии.  Региональное  приложение. 2023.  №  4(76).  С. 76–83. DOI: 10.6060/snt.2023 7604.00010.

[14] Мурлин А.Г., Павлюченко А.Т., Марзан И.С. Исследование возможностей искусственного интеллекта в сфере анализа финансовых рисков // Политематический сетевой  электронный  научный  журнал Кубанского  государственного  аграрного  университета. 2025. № 211. DOI: 10.21515/1990­4665­211­013.

[15] Новикова Е.Б. Применение метода видеокомпьютерной диагностики и психокоррекции  для  повышения  эффективности  определения  надежности  клиентов  банка  // Computational nanotechnology. 2025. № 5s (12). С. 167–178. DOI: 10.33693/2313­223X2025­12­5­167­178.

[16] Погорлецкая Ю.И. Кредитный  скоринг  в  системе  банковского  риск­менеджмента. Дисс. … канд. экон. наук: 08.00.10. М., 2009. 161 с.

[17] Федеральный закон от 30 декабря 2004 г. N 218­ФЗ «О кредитных историях».

[18] Чуб В.С. Сравнительный анализ методов машинного обучения в оценке кредитных  рисков  //  Образовательные  ресурсы  и  технологии. 2023. №  3(44).  С. 81–92. DOI 10.21777/2500­2112­2023­3­81­92.

[19] Широбокова М.А. Совершенствование  моделей  оценки  банковских  рисков  кредитования  с  применением  технологий  искусственного  интеллекта.  Дисс. …  канд. экон. наук: 5.2.2. Ижевск, 2022. 154 с.

[20] Юрчак В.А. Автоматизированные  информационные  системы  по  машинному  обучению на службе кредитного скоринга // Universum: экономика и юриспруденция. 2021. № 4(79). С. 4–7. DOI: 10.32743/UniLaw.2021.79.4.4­7.

[21] Япарова Н.М., Щеголев А.В. Разработка нейросетевой модели кредитного скоринга физических лиц // Вестник Югорского государственного  университета. 2025. № 1(21). С. 77–82. DOI: 10.18822/byusu20250177­82.