Модели машинного обучения для предсказания дефолтов в банковском секторе

Лугуева, А.С. Модели машинного обучения для предсказания дефолтов в банковском секторе : оценка устойчивости / А. С. Лугуева, А. М. Нухова, Ш. С. Кадыров // Экономика и управление: проблемы, решения. — Москва, 2024 — N 12 ч. 6. — С.156-162. — Библиогр. в конце ст.

нет оценок

Выпуск

Экономика и управление: проблемы, решения, 2024, Т. 12 ч. 6

Источник

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 Stability Index (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 ее предсказательная способность ниже по сравнению с ансамблевыми методами. Нейронные сети показали высокую точность на стационарных данных, но низкую устойчивость к макроэкономическим шокам.

Ключевые слова

УДК:

336.71

Модели машинного обучения для предсказания дефолтов в банковском секторе

Модели машинного обучения для предсказания дефолтов в банковском секторе

Аннотация

Ключевые слова

Рекомендовано к ознакомлению

Отзывы читателей