РОЗРОБКА РОЗДРІБНОЇ СКОРИНГОВОЇ КАРТИ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ

КРАСОВИЦЬКИЙ, Д. (2025). DEVELOPMENT OF RETAIL LOAN SCORECARD USING MACHINE LEARNING. Bulletin of Taras Shevchenko National University of Kyiv. Economics(1), 64–71. https://doi.org/10.17721/1728-2667.2025/226-1/8

В с т у п . Банки використовують кредитний скоринг, щоб відстежувати обслуговування кредитів, формувати резерви та коригувати політику кредитування. В основі методу лежить призначення балів на основі кредитної історії та унікальних характеристик позичальника, що дозволяє кредиторам передбачити ризик дефолту та покращити кредитні умови для позичальників з низьким рівнем ризику. Із розширеним доступом до даних і обчислювальною потужністю стало можливим проводити оцінювання кредитоспроможності за допомогою нових методів з кращою прогностичною потужністю. Це дослідження спрямоване на розробку скорингової карти для українських роздрібних позичальників з використанням даних Кредитного реєстру, порівняння ефективності логістичної регресії та методів методу опорних векторів. Ключові питання дослідження стосуються потенціалу групування даних для покращення інтерпретації моделі, покращенням точності оцінок і відмінностей у порогових значеннях для прийняття рішень у системах, створених за допомогою логістичної моделі та методу опорних векторів.
М е т о д и . У дослідженні застосовано аналіз ваги доказів, який перетворює змінні для встановлення монотонного зв'язку з ризиком дефолту, тим самим покращуючи інтерпретацію та стійкість моделі. Використовуючи ці згруповані дані, у статті будуються скорингові карти за допомогою логістичної регресії та методу опорних векторів. Для оцінювання ймовірності дефолту кожна скорингова карта використовує передбачувані змінні, такі як співвідношення обслуговування боргу до доходу (DSTI), вік, процентні ставки та кількість днів прострочення. Оцінки призначаються на основі впливу кожної змінної на ймовірність дефолту.
Р е з у л ь т а т и . Висновки свідчать про те, що можна розробити скорингову карту на основі даних Кредитного реєстру. Логістична регресія та метод опорних векторів дають схожі розподіли балів з високою точністю прогнозування та надійністю за показником F1. Скорингова карта забезпечує прозорість та можливість інтерпретації, наприклад, позичальники з DSTI понад 40 % отримують нижчі бали, що вказує на вищий ризик.
В и с н о в к и . Банки можуть використовувати як логістичні моделі, так і моделі методу опорних векторів для оцінювання кредитоспроможності в реальному часі, використовуючи доступні характеристики позичальника для спрощення прийняття рішень. Для регуляторів скорингова карта може допомогти формувати політики, які обмежують кредитування, таким чином пом'якшуючи ризики, пов'язані з конкретними сегментами роздрібного кредитування.