Ідентифікація дефолтних клієнтів банку методами машинного навчання на основі біннінгу показників

Yurii Kleban, Nataliia Horoshko


Анотація


Вступ. В умовах сучасної глобальної кризи проблема якості кредитних портфелів банків є актуальною темою досліджень. Серед методів ефективного управління кредитними ризиками є оцінка кредитоспроможності позичальника. Підвищення якості аналізу сильних та слабких сторін контрагента зменшить виникнення непередбачуваних ризиків у процесі проведення кредитних операцій. З огляду на важливість ролі оцінки кредитоспроможності для прийняття рішень, виникає необхідність покращення та вибору методики, що забезпечить якомога точнішу класифікацію клієнтів банку.

Мета. Метою роботи є вибір найкращого методу прогнозування імвірності дефолту клієнтів комерційного банку на основі аналізу підходів та тестування побудованих моделей.

Метод (методологія). У статті розглянуто методологічні підходи до моделювання неплатоспроможності клієнтів банку та визначення ймовірностей повернення кредитних коштів на основі біннігу показників. Також у роботі побудовані моделі оцінки кредитного ризику, що ґрунтуються на використанні logit- та probit-регресій, алгоритму екстремального градієнтного бустінгу та штучних нейронних мереж. Проведено порівняльний аналіз ефективності застосування використовуваних підходів.

Результати. Отримані результати продемонстрували високу точність моделей та їх здатність ідентифікувати некредитоспроможних клієнтів. Висновки проведеного дослідження та оцінені математичні підходи можуть бути впроваджені в роботу банківських структур та інших кредитних установ для запобігання збільшенню обсягів проблемних заборгованостей у їхніх кредитних портфелях.


Ключові слова


математична модель; біннінг; logit-регресія; нейронна мережа; градієнтний бустінг; кредитоспроможність; позичальник

Повний текст:

PDF

Посилання


The National Bank of Ukraine. (2004). Metodychni vkazivky z inspektuvannia bankiv «Systema otsinky ryzykiv»: Postanova Pravlinnia Natsionalnoho banku Ukrainy vid 15.03.2004 № 104. Retrieved from https://zakon.rada.gov.ua/laws/show/v0104500-04 [in Ukrainian].

Velykoivanenko, G. I., Trokoz, L. O. (2013). Modelyuvannia kredytospromozhnosti pozychalnykiv komertsiinoho banku [Modeling of the creditworthiness of commercial bank borrowers]. Naukovyi zhurnal «Naukovi zapysky Natsionalnoho universytetu«Ostrozka akademiia seriia Ekonomika [Scientific journal Scientific Notes of the National University of Ostroh Academy, series Economics], 22, 137-141. [in Ukrainian].

Matviichuk, A. V. (2011). Shtuchnyi intelekt v ekonomitsi: neironni merezhi, nechitka lohika. [Artificial intelligence in economics: neural networks, fuzzy logic: a monograph]. Кyiv, KNEU. [in Ukrainian].

Smoleva, Т. (2014). Suchasni metody otsinky kredytospromozhnosti pozychalnykiv bankamy Ukrayiny [Modern methods of assessing the creditworthiness of borrowers by Ukrainian banks.]. Finansy, oblik, banky [Finance, accounting, banks], 1(20), 241-245. [in Ukrainian].

Thomas, L.C. (2009). Modelling the credit risk for portfolios of consumer loans: analogies with corporate loan models. Math. Comput. Simulat, 79 (8), 2525–2534.

Zenzerović, R. (2011). Credit scoring models in estimating the creditworthiness of small and medium and big enterprises. Croatian Operational Research Review, 2(1).

Abdou, H., Pointon, J. (2011). Credit scoring, statistical techniques and evaluation criteria: a review of the literature. Intell. Syst. Account., Finance Manage, 18 (2-3), 59-88.

Akkoc, S. (2012). An empirical comparison of conventional techniques, neural networks and the three stage hybrid Adaptive Neuro Fuzzy Inference System (AN- FIS) model for credit scoring analysis: the case of Turkish credit card data, Eur. J. Oper. Res., 222 (1), 168-178.

Lee, T., Chen, I. (2005). A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression spines, Expert Syst. Appl., 28 (4), 743–752.

Crook, J., Banasik, J. (2012). Forecasting and explaining aggregate consumer credit delinquency behaviour, Int. J. Forecasting, 28 (1), 145–160.

Novoseletskyy, O.M., Yakubets O.V. (2014) Modeliuvannia kredytospromozhnosti yurydychnykh osib na osovi dyskryminantnoho analisu ta neironnykh merezh [Legal entities creditworthiness modeling using discriminant analysis and neural networks]. Neyronechitki tekhnolohii modelyuvannia v ekonomitsi. Naukovo-analitychnyi zhurnal [Neuroreflective modeling technologies in economics. Scientific and analytical journal], 3, 120-151. [in Ukrainian].

Kleban, Y. V. (2019). Doslidzhennia sposobiv transformatsii danykh v konteksti pidvyshchennia efektyvnosti modeley kredytnoho skorynhu [Research of ways of data transformation in the context of increasing the efficiency of credit scoring models]. Neyronechitki tekhnolohii modelyuvannia v ekonomitsi. Naukovo-analitychnyi zhurnal [Neuroreflective modeling technologies in economics. Scientific and analytical journal], 8, 94-123. [in Ukrainian].

Hryhorovych, O.V. (2019). Zastosuvannia bagatosharovysh perseptroniv dlya klasyfikacii posychalnykiv-yurydychnykh osib [Application of multilayer perceptrons to legal entities borrowers classification]. Neyronechitki tekhnolohii modelyuvannia v ekonomitsi. Naukovo-analitychnyi zhurnal [Neuroreflective modeling technologies in economics. Scientific and analytical journal], 8, 48-64. [in Ukrainian].

Nielsen, D. (2016). Tree Boosting with XGBoost. Norwegian University of Science and Technology. Retrieved from https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/2433761 . [in English].

Troyanskaya, O., Cantor, M., Sherlock and otherth (2001). Missing value estimation methods for DNA microarrays. Bioinfomatics, 17 (6), 520-525.

Trueck, S., Rachev, S.T. (2009). Rating Based Modeling of Credit Risk. Academic Press, 11-30.

Matviichuk, A. V., Ben, V.P. (2015). The use of logit and probit regressions in borrower’s creditworthiness assessment. The Visnyk of the National Bank of Ukraine, 5, 37-41.

Vitlinskii, V.V. (2012) Shtuchnyi intellect u systemi pryiniattia upravlinskykh rishen [Artificial intelligence in the management decision-making system]. Neyronechitki tekhnolohii modelyuvannia v ekonomitsi. Naukovo-analitychnyi zhurnal [Neuroreflective modeling technologies in economics. Scientific and analytical journal],1, 97-118.

Haykin, S. (2006). Neural Networks: A Comprehensive Foundation (2nd ed.). Moscow: Williams.

Fawcett, T. (2011). An Introduction to ROC Analysis. Pattern Recognition Letters, 27 (8), 861–874.

Berrar, D. (2018). Cross-Validation. Reference Module in Life Sciences. Retrieved from https://www.researchgate.net/publication/324701535_Cross-Validation




DOI: http://dx.doi.org/10.35774/econa2021.01.133

Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.




##submission.copyrightStatement##

##submission.license.cc.by-nc4.footer##

Статті поширюються на умовах ліцензії Creative Commons Attribution  International 4.0 (CC-BY-NC 4.0) .

 

Збірник наукових праць "Економічний аналіз"

ISSN 1993-0259 (Print)  ISSN 2219-4649 (Online) DOI: 10.35774/econa

 

© Західноукраїнський національний університет

© «Економічний аналіз», 2007-2021