Цель данного исследования - проверить полезность транзакционных данных платежной системы Банка России для прогнозирования вероятности дефолта российских компаний. Для достижения этой цели мы строим модели вероятности дефолта с использованием методов машинного обучения на основе данных годовой бухгалтерской отчетности по каждой отраслевой группе. Затем в модели мы добавляем признаки, созданные на основе транзакционных данных, что улучшает качество прогноза согласно метрике ROC AUC. Кроме того, мы обучаем модели вероятности дефолта для каждой отраслевой группы с использованием алгоритма случайного леса (Random Forest) только на основе данных платежной системы Банка России. Качество такого прогноза в среднем несколько ниже согласно метрике ROC AUC, но эти оценки могут быть получены по крайней мере на три месяца раньше, чем оценки на основе данных годовой бухгалтерской отчетности. Наши результаты подтверждают полезность транзакционных данных платежной системы Банка России для качества прогнозирования вероятности дефолта российских компаний. Кроме того, оценка важности признаков методом случайного леса показывает, что основными источниками дополнительной информации являются налоги на заработную плату и социальные выплаты.