Принятие решения о выдаче кредита на основе прогнозной модели с помощью искусственного интеллекта

Автор: Торкунова Ю.В., Хусаенов Ф.А.

Журнал: Вестник Алтайской академии экономики и права @vestnik-aael

Рубрика: Экономические науки

Статья в выпуске: 4-3, 2024 года.

Бесплатный доступ

При принятии решения о выдаче кредита повсеместно применяется кредитный скоринг. Целью исследования является разработка подходов к использованию в кредитном скоринге методов искусственного интеллекта В данной статье рассматривается скоринг кредитных историй. Для прогнозирования случая невозврата кредита применятся «машинное обучение», в частности, метод «дерева решений» RandomForestClassifier, позволяющий с высокой долей вероятности предсказать возможный дефолт заемщика. Разработано программное обеспечение мобильного приложения, позволяющее автоматизировать и ускорить тем самым процесс принятия решения о выдаче кредита. Разработанное мобильное приложение может применяться как банками, так и потенциальными заемщиками в целях интеллектуальной поддержки принятия решений о возможности выдачи кредита. Разработанную программу можно отнести к цифровым финансовым инструментам, основанным на технологиях искусственного интеллекта. Статья будет интересна магистрам, аспирантам, преподавателям, а так же сотрудникам финансовых учреждений, занимающихся проблематикой внедрения цифровых инструментов в финансово-кредитные операции.

Еще

Кредитный скоринг, кредитная история, прогнозирование, технологии искусственного интеллекта, мобильное приложение

Короткий адрес: https://sciup.org/142240933

IDR: 142240933   |   DOI: 10.17513/vaael.3455

Список литературы Принятие решения о выдаче кредита на основе прогнозной модели с помощью искусственного интеллекта

  • От пяти кредитов и больше: россияне погрязли в долгах. URL: https://www.banki.ru/news/lenta/?id=10998738 (дата обращения: 24.02.2024).
  • Трари А., Зернова Л.Е. Особенности кредитования физических лиц в коммерческих банках // Экономика сегодня: современное состояние и перспективы развития (Вектор-2021): Материалы Всероссийской научной конференции молодых исследователей с международным участием, Москва, 25 мая 2021 года. Т. 2. M.: Российский государственный университет имени А.Н. Косыгина (Технологии. Дизайн. Искусство), 2021. С. 189-191. EDN: ELKKRS
  • Алкадарская М.Ш., Махачев Д. Совершенствование политики коммерческих банков по кредитованию физических лиц // Экономика и управление. 2020. № 1 (151). С. 97-103.
  • Ткачев А., Шипунов А. Системы кредитного скоринга. Матричный подход // Банковский вестник. 2019. № 10. С. 37-46. EDN: KFBQQZ
  • Zhou T. et al. MSIFinder: a python package for detecting MSI status using random forest classifier // BMC bioinformatics. 2021. Т. 22. С. 1-14. EDN: NMAVBD
  • Raschka S., Mirjalili V. Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd, 2019.
  • Григорьев Е.А., Климов Н.C. Разведочный анализ данных с помощью Python // E-Scio. 2020. № 2 (41). С. 165-176. EDN: ICGHDB
  • Jonsson E. et al. Flutter and post-flutter constraints in aircraft design optimization // Progress in Aerospace Sciences. 2019. Т. 109. С. 100-537.
  • Tashildar A. et al. Application development using flutter // International Research Journal of Modernization in Engineering Technology and Science. 2020. Т. 2, № 8. С. 1262-1266.
  • Brandes A. et al. Cardioversion of atrial fibrillation and atrial flutter revisited: current evidence and practical guidance for a common procedure // EP Europace. 2020. Т. 22, № 8. С. 1149-1161. EDN: VGUUPK
Еще
Статья научная