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.
Кредитный скоринг, кредитная история, прогнозирование, технологии искусственного интеллекта, мобильное приложение
Короткий адрес: https://sciup.org/142240933
IDR: 142240933 | DOI: 10.17513/vaael.3455
Текст научной статьи Принятие решения о выдаче кредита на основе прогнозной модели с помощью искусственного интеллекта
Современная экономическая обстановка позволяет говорить о закредитованности граждан и о росте объема задолженности по кредитам в целом в стране [1]. В связи со сложившейся ситуацией становится актуальной проблема поиска новых инструментов для регулирования кредитно-денежной сферы, повышения надежности принятия решений о взятии и выдаче кредита. В связи с чем становится актуальной разработка программного обеспечения для интеллектуального сопровождения принятия решений о выдаче кредита на основе прогнозной модели, которое позволяет осуществить предварительную оценку кредитоспособности клиента, оценить риски, связанные с выдачей кредитов. При правильном прогнозировании клиент не берет на себя слишком большую финансовую нагрузку, которая может привести к невозврату кредита будущем. Также интеллектуальная поддержка поможет принимать более обоснованные решения о выдаче кредита, его размере, сроках и условиях, что оптимизирует процессы выдачи кредитов, уменьшает количество дефолтов и повышает качество кредитного портфеля.
В целом, прогнозирование кредитоспособности граждан является ключевым элементом для обеспечения финансовой устойчивости банков и защиты интересов как самих банков, так и их клиентов. Учитывая эти преимущества, программное обеспечение для интеллектуального сопровождения принятия решений о выдаче кредитов на основе прогностической модели представляет собой актуальное и востребованное направление развития в области цифровых финансовых технологий.
Целью исследования является разработка подходов к прогнозированию на основе интеллектуального анализа кредитоспособности граждан и их программная реализация.
Материал и методы исследования
Рассмотрим более подробно теоретические основы рассматриваемой проблемы, в частности, понятие кредита, особенности выдачи физическим лицам денежных ссуд, аспекты социального статуса, учитываемые финансовыми учреждения при рассмотрении потенциального заёмщика; понятие и методы кредитного скоринга.
Кредитование – это процесс передачи денег или материальных ценностей от одной стороны (кредитора или заимодавца) другой стороне (заемщику) на определенных условиях, включающих возможность погашения, возврата и установленный временной период. Кредит – это соглашение о предоставлении денежных средств или товаров на определенных условиях (включая сроки возврата и процентные ставки), заключаемое с целью поддержки хозяйственной деятельности или удовлетворения потребностей, связанных с полученными средствами [1].
Анализ экономической литературы, позволяет нам выделить две основные формы и пять видов кредита. Формы кредита: товарная и денежная. Виды кредита: коммерческий, банковский, государственный, международный, ломбардный [2].
В данной статье мы будем рассматривать проблему автоматизированной поддержки принятия решений о выдаче банковского кредита физическим лицам.
Банковский кредит представляет собой вид кредита, который банки предоставляют как юридическим, так и физическим лицам [3].
Банк стремится к максимизации прибыли и минимизации рисков при выдаче кредитов, поскольку даже небольшой финансовый риск, кажущийся незначительным на первый взгляд, может нанести серьезный ущерб внутренней финансовой структуре банка [4]. По этой причине банки уделяют большое внимание сбору информации и проверке кредитного статуса заёмщика. На основе анализа источников выявлены следующие основные аспекты финансового положения физических лиц, влияющих на решение о выдаче кредита:
– сумма кредита;
– валюта;
– срок кредита;
– статус кредита: активен, закрыт, просрочен;
– тип кредита: автокредит, ипотека, кредитная карта;
– тип отношения к кредиту: заемщик, поручитель, юридическое лицо;
– информация о просрочках заёмщика;
– кредитный лимит.
Скоринг – это процесс оценки кредитоспособности заявителя (уровня риска невозврата кредита), который используется при принятии решения о предоставлении кредита на основе данных, доступных на момент подачи заявки.
Суть кредитного скоринга заключается в вычислении общего кредитного рейтинга заемщика путем оценки его по различным критериям, используя математические методы. Кредитный скоринг – это система, которая оценивает кредитополучателей на основе их способности и вероятности возврата заемных средств. Баллы определяются на основе доступных данных о кредитной истории за предыдущие периоды с приме- нением статистических моделей или математических алгоритмов [3].
Самые популярные кредитно-скоринговые системы:
-
1. Cкоринг заявлений;
-
2. Поведенческий скоринг;
-
3. Коллекторский скоринг;
-
4. Противомошеннический скоринг [4].
-
5. Скоринг кредитной истории.
В данной работе используется скоринг кредитных историй.
Скоринг кредитных историй – это анализ информации, предоставленной заемщиком в анкете, предполагающий оценку вероятности невозврата кредита. В этом процессе рассматривается не только решение о выдаче кредита, но и определение его объема и условий. Основная цель экспресс-оценки заемщика – это сокращение времени, затрачиваемого на анализ документов и быстрая оценка его кредитоспособности [4].
Данное приложение позволяет автоматизировать анализ кредитных историй заёмщиков.
В работе используется модель искусственного интеллекта «дерево решений» – RandomForestClassifier [5, 6]. Прогнозирование с использованием RandomForest Classifier строится следующим образом:
-
1. Обучение модели: сначала модель обучается на обучающем наборе данных. В случае RandomForestClassifier, это означает создание ансамбля (случайный лес) решающих деревьев на основе случайных подвыборок данных и случайного выбора признаков для каждого дерева. Процесс создания ансамбля деревьев в RandomForestClassifier включает следующие шаги:
-
1. Определение подвыборок данных (Bootstrap Samples):
– для построения каждого дерева в ансамбле из обучающего набора данных случайным образом выбирается подмножество (подвыборка) данных.
– выборка осуществляется методом бут-стрэпа, то есть с повторением: из исходного набора данных случайным образом выбираются наблюдения с возвращением. Это позволяет создавать разнообразные поднаборы данных для обучения каждого дерева.
-
2. Выбор случайных признаков (Random Feature Selection):
– перед построением каждого дерева решений случайным образом выбирается подмножество признаков из всего набора признаков.
– это позволяет каждому дереву использовать только ограниченное число признаков при принятии решений в каждом узле, что способствует разнообразию и уменьшает коррелированность между деревьями.
-
3. Построение деревьев решений (Decision Tree Construction):
– для каждой подвыборки данных и подмножества признаков строится отдельное дерево решений.
– каждое дерево строится с использованием метода рекурсивного разбиения данных на основе признаков, которые лучше всего разделяют целевую переменную.
-
4. Объединение деревьев в ансамбль (Combining Trees into Ensemble):
– после построения всех деревьев они объединяются в ансамбль (случайный лес).
– при классификации каждое дерево в ансамбле выдает свой собственный прогноз, а затем принимается решение путем голосования или среднего значения.
Этот процесс позволяет RandomForest Classifier строить прогнозы на основе ансамбля деревьев решений, что часто приводит к более точным и устойчивым результатам, чем у отдельных деревьев решений.
Таким образом, RandomForestClassifier использует комбинацию случайного выбора подвыборок данных и признаков. Применение множества деревьев решений с последующим объединением их прогнозов для создания более устойчивой и обобщающей способной модели. Использует только ограниченное количество признаков, что способствует уменьшению переобучения и повышению обобщающей способности модели.
Для модели принятия решений о выдаче кредита используются следующие данные:
-
1. Целевая переменная (зависимая переменная): flag, если она принимает значение 1 – это означает уход клиента в дефолт.
-
2. Признаки (независимые переменные):
-
– сумма кредита;
-
– валюта;
-
– срок кредита;
-
– статус кредита: активен, закрыт, просрочен;
-
– тип кредита: автокредит, ипотека, кредитная карта;
-
– тип отношения к кредиту: заемщик, поручитель, юридическое лицо;
-
– число просрочек. Есть просрочки или нет;
– кредитный лимит.
Результаты исследования и их обсуждение
Для написания программного кода использовалось два языка программирования: Python и Flutter. Прогностическая модель разработана с применением языка программирования Python [7-10]. Сначала пользователь вводит свои данные на странице анкеты. После подтверждения пользователем введённой информации включается анализ данных с помощью разработанной модели.
В результате делается вывод о вероятности получения кредита.
Набор данных для кредитного скоринга: train_data_0. Данный датасет содержит следующие столбцы:
– сумма кредита;
– валюта;
– срок кредита;
– статус кредита: активен, закрыт, просрочен;
– тип кредита: автокредит, ипотека, кредитная карта;
– тип отношения к кредиту: заемщик, поручитель, юридическое лицо;
-
– число просрочек платежей по кредиту;
-
– кредитный лимит.
Обычно кредиты выдаются исключительно клиентам, которые достигли высоко- го кредитного рейтинга с использованием модели кредитного скоринга, применяемой в банке.
Разрабатываемая модель будет применяться ко всему входному потоку данных: как к «хорошим», так и к «плохим» клиентам.
Проиллюстрируем интерфейс разработанного мобильного приложения. На главной странице приложения созданы 2 кнопки. Нажав первую, пользователь переходит на страницу анкеты.
Вторая кнопка переводит на страницу, которая содержит справочную информацию о ставках в банках, причинах отказа в выдаче кредита.
После заполнения анкеты пользователю выдается решение о возможности или невозможности выдачи кредита.
Модель обучается на данных кредитной истории клиентов Альфабанка. Выборка содержит информацию о 3 000 000 клиентов.
Код модели находится на специализированном российском облаке Amvera Cloud.
При вероятности возврата кредита больше 70% программа выдаёт положительный ответ, о том что заявка на кредит одобрена. При меньшей вероятности – отрицательный ответ Работа приложения проиллюстрирована на рисунке.

Сумма займа'
X
Информация о заёмщике
^
Валюта кредита'
X
Перейти
X

Справочная информация
f Срок кредита

X
X
Тип отношения
9:40 * Ф в %
< Результат
Вероятность: 0,77
Ваша заявка на кредит будет одобрена
Г*

X


X
Результат работы приложения
Заключение
Разработанное программное приложение на основе прогнозной модели позволяет учитывать большее количество факторов и создавать более точные прогнозы, что способствует принятию более обоснованных решений о выдаче кредита.
Использование программного обеспечения для анализа кредитоспособности заемщиков сокращает риски невозврата кредитов и помогает банкам и финансовым учреждениям управлять кредитным портфелем более эффективно.
Физическим лицам разработанное приложение позволит предварительно узнать шансы на получение определённой суммы кредита.
Программное обеспечение интеллектуального сопровождения принятия решений о выдаче кредита на основе прогнозной модели в дальнейшем можно развить, доработав до интеллектуального помощника по получению кредита. Программное приложение будет выводить список банков, к которым пользователь сможет обратиться для получения желаемой ссуды.
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