УДК 004.891.2
DOI: 10.36871/ 26189976.2026.06.004
Авторы
Даниил Дмитриевич Молчанов,
Университет «Синергия», Москва, Россия
Аннотация
В статье рассматривается проблема разработки систем раннего предупреждения о корпоративных дефолтах с применением методов машинного обучения. Проведён сравнительный анализ эффективности алгоритмов классификации на несбалансированных финансовых данных. Предложена математическая модель оценки вероятности дефолта на основе градиентного бустинга, учитывающая нелинейные зависимости между финансовыми коэффициентами. Разработан алгоритм генерации предупреждающих сигналов с адаптивным порогом, позволяющий минимизировать ошибки второго рода (пропуск дефолта). Результаты исследования формируют методологическую базу для интеграции моделей машинного обучения в банковские системы риск-менеджмента.
Ключевые слова
корпоративный дефолт,
машинное обучение,
градиентный бустинг,
раннее предупреждение,
несбалансированные данные,
кредитный риск,
математическое моделирование.
Список литературы
[1] Приказ Минэкономразвития России от 05.04.2013 № 178 «Об утверждении Методики расчета значений критериев оценки финансового положения хозяйствующих субъектов». URL: https://normativ.kontur.ru/document?moduleId=1&documentId=458592.
[2] Абрамова Р. С. и др. Анализ технологий больших данных в управлении и прогнозировании финансовых рисков предприятия // Вестник Академии знаний. 2025. № 4. С. 703–708. URL: https://cyberleninka.ru/article/n/analiz-tehnologiy-bolshih-dannyh-vupravlenii-i-prognozirovanii-finansovyh-riskov-predpriyatiya.
[3] Бекетова Ю. М. Сравнительный анализ методов машинного обучения при идентификации признаков вовлеченности кредитных организаций в сомнительные операции // Финансы: теория и практика. 2021. № 5. С. 186–199. URL: https://cyberleninka. ru/article/n/sravnitelnyy-analiz-metodov-mashinnogo-obucheniya-pri-identifikatsiipriznakov-vovlechennosti-kreditnyh-organizatsiy-i-ih-klientov.
[4] Завьялов Р. Н., Агафонова М.С. Нейросетевые модели предиктивной аналитики в системе мониторинга финансовой безопасности // Цифровая и отраслевая экономика. 2025. № 4. С. 57–61. URL: https://www.elibrary.ru/item.asp?id=87914964.
[5] Карминский А. М., Бурехин Р.Н. Сравнительный анализ методов прогнозирования банкротств российских строительных компаний // Бизнес-информатика. 2019. Т. 13, № 3. С. 52–66. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-metodovprognozirovaniya-bankrotstv-rossiyskih-stroitelnyh-kompaniy.
[6] Корчинский А. С. Применение методов градиентного бустинга и случайного леса для оценки ESG-критериев при выдаче банковских кредитов // Norwegian Journal of Development of the International Science. 2025. № 171. С. 17–22. URL: https://norijournal.com/wp-content/uploads/2026/01/NJD_171-23-32.pdf.
[7] Кохно П. А. Достоверные данные: интеллектуальный анализ данных базируется на методах математической статистики и машинного обучения. М.: Граница, 2025. 203 с. URL: https://expose.gpntbsib.ru/expose/vnp-9076d1a0/ book/%D0%932025-7593920866991.
[8] Поспелова А. С. и др. Прогнозирование вероятности банкротства предприятий сферы услуг на основе методов коллективного обучения // Бизнес. Образование. Право. 2023. № 4. С. 54–63. URL: https://vestnik.volbi.ru/upload/numbers/465/article-465-3848. pdf.
[9] Указание Банка России от 11.07.2022 № 6168-У «О требованиях к системе управления рисками и капиталом». URL: https://www.cbr.ru/faq_ufr/dbrnfaq/doc/forPrint/?id=423.
[10] Фомина Е. С. Проектирование ответственных систем машинного обучения: учебное пособие. Хабаровск: Изд-во ТОГУ, 2025. 106 с.
[11] Чернов И. В., Прохоров И.В. Разработка методики оценки финансового состояния кредитных организаций с использованием алгоритмов машинного обучения // Экономический вестник. 2025. Т. 4, № 3. С. 104–114. URL: https://eb-journal.ru/wpcontent/uploads/2025/07/jekonomicheskij-vestnik-t-4-3-2025.pdf.
[12] Шмелева А. Г. и др. Сравнение моделей классификации данных клиентов для оценки кредитоспособности // Финансовая экономика. 2020. № 10. С. 313–316. URL: https:// cyberleninka.ru/article/n/programmnaya-model-otsenki-kreditosposobnosti-klientov-sprimeneniem-algoritmov-iskusstvennogo-intellekta.
[13] Яровой А. А. Применение моделей машинного обучения в оценке финансовой устойчивости предприятий МСП // Мягкие измерения и вычисления. 2025. Т. 91, № 6. С. 44–51. URL: https://s-lib.com/issues/smc_2025_06_a4/.
[14] Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, № 1. P. 5–32. URL: https:// www.stat.berkeley.edu/~breiman/randomforest2001.pdf.
[15] Bukharin E. O., Mangileva S.I., Afanasev V.V. Default prediction for Russian food service firms: contribution of non-financial factors and machine learning // Journal of Applied Economic Research. 2024. Vol. 23, № 1. P. 206–226. URL: https://journalaer.ru/fileadmin/ user_upload/site_15934/2024/09_Bukharin_Mangileva_Afanasev.pdf.
[16] ISO/IEC 23894:2023. Artificial intelligence — Risk management. Geneva: ISO, 2023. URL: https://www.iso.org/standard/77304.html.
[17] Lundberg S. M., Lee S.I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774. URL: https://www.semanticscholar.org/paper/A-Unified-Approach-to-Interpreting-Model-Lundberg-Lee/4 42e10a3c6640ded9408622005e3c2a8906ce4c2.
[18] Zhang G., Hu M.Y., Patuwo B.E. Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis // European Journal of Operational Research. 1999. Vol. 116, № 1. P. 16–32. URL: https://ideas.repec.org/a/eee/ejores/v116y1999i1p16-32. html.
