УДК 336
DOI: 10.36871/26189976.2026.06-5.023

Авторы

София Григорьевна Касько,
Студент 2 курса, институт педагогики и психологии, Орловский государственный университет имени И.С. Тургенева, Орел, Россия,
Владислав Евгеньевич Вилков,
Преподаватель, Северо-Западный институт управления РАНХиГС, Санкт-Петербург, Россия,
Татьяна Васильевна Игнатова,
Кандидат экономических наук, доцент, доцент кафедры, Институт гастрономии, Сибирский федеральный университет; Заполярный государственный университет

Аннотация

В статье разработана гибридная модель оценки кредитного риска, объединяющая экспертные правила банковского андеррайтинга и алгоритмы машинного обучения. Обоснована необходимость совмещения интерпретируемых ограничений кредитной политики с высокой прогностической способностью интеллектуальных моделей. Предложена архитектура расчета вероятности дефолта: экспертный фильтр, скоринговый модуль, калибровка риска и объясняющий слой. Показано, что такой подход повышает точность ранжирования заемщиков, снижает модельный риск и усиливает значение системы для управления кредитным портфелем банка.

Ключевые слова

кредитный риск
кредитный скоринг
экспертные правила
машинное обучение
вероятность дефолта
гибридная модель

Список литературы

[1] Андреев Р.Е. Обзор методов машинного обучения для оценки кредитоспособности // Modern Economy Success. – 2023. – № 4. – С. 272–276.

[2] Астахова А., Гришунин С., Поморцев Г. Разработка скоринговой рейтинговой модели на основе методологии международных рейтинговых агентств // Корпоративные финансы. – 2023. – Т. 17, № 1. – С. 5–16. DOI: 10.17323/j.jcfr.2073-0438.17.1.2023.5-16.

[3] 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.

[4] Воронин С.М., Совертека З.К., Березин А.Д., Ларин А.И.Кредитный скоринг, реализованный с помощью машинного обучения // Столыпинский вестник. – 2022. – Т. 4, № 10. – С. 5640–5648.

[5] Драгуленко В.В., Потехина Е.В., Золкин А.Л., Бурякова О.С. Совершенствование методов кредитного скоринга с использованием машинного обучения // Финансовый менеджмент. – 2024. – № 7. – С. 241–250.

[6] Дядюнов Д.А. Машинное обучение для риск-менеджмента в банке: возможности и вызовы // Вестник науки. – 2025. – Т. 1, № 1 (82). – С. 265–273.

[7] Исаев Д.В. Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга // Проблемы экономики и юридической практики. – 2020. – Т. 16, № 6. – С. 132–138.

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

[9] Кантаев Н.К. Перспективы использования методов машинного обучения для оценки кредитных рисков // Вестник евразийской науки. – 2025. – Т. 17, № s2. – 70FAVN225.

[10] Орлов А.И.Организационно-экономическое моделирование : в 3 ч. Ч. 2. Экспертные оценки. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2011. – 486 с.

[11] Помазанов М.В. Управление кредитным риском в банке: подход внутренних рейтингов (ПВР) : учебное пособие для вузов / под науч. ред. Г.И. Пеникаса. – 3-е изд., перераб. и доп. – М.: Юрайт, 2024. – 292 с. – ISBN 978-5-534-17892-0.

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