Сравнительный анализ традиционных статистических методов и подходов на основе искусственного интеллекта в моделировании кредитного риска в банковской сфере

Все возрастающая сложность финансовых систем усиливает потребность в передовых методах оценки кредитного риска. Хотя традиционные статистические методы широко применялись в течение многих лет, они часто оказываются недостаточными для полного отражения сложных и нелинейных зависимостей в данных. Благодаря достижениям в области искусственного интеллекта, особенно в сфере машинного и глубокого обучения, появились новые возможности для совершенствования прогнозных моделей.

Настоящее исследование предлагает новую модель Deep Reinforcement Learning - Gated Recurrent Unit (DRL-GRU), направленную на улучшение оценки кредитного риска путем интеграции последовательных данных и моделирования формирующегося во времени поведения заемщиков. Основные вклады исследования включают:

• •    Оптимизацию процессов оценки кредитного риска с использованием современных методов машинного обучения для повышения точности прогнозирования.

• •    Внедрение новой модели DRL-GRU, выявляющей временные зависимости в поведении заемщиков.

• •    Разработку надежного подхода к подготовке данных для обеспечения точности и последовательности входных данных.

• •    Демонстрацию практического применения моделей на основе искусственного интеллекта для улучшения процессов принятия решений в финансовых учреждениях.

• •    Показ преимуществ технологий искусственного интеллекта по сравнению с традиционными методами, открывая путь к передовым стратегиям моделирования.

Структура статьи следующая: раздел II содержит обзор существующих исследований, раздел III формулирует проблему, раздел IV подробно описывает методологию, раздел V посвящен результатам и обсуждению, а в разделе VI представлены выводы и направления будущих исследований.

• II.    СУЩЕСТВУЮЩИЕ ИССЛЕДОВАНИЯ

Достижения в области искусственного интеллекта и машинного обучения в последние годы существенно изменили процессы оценки кредитного риска в банковской системе. Би и др. [1] изучили применение технологий искусственного интеллекта в коммерческих банках, подчеркнув роль моделей глубокого обучения в повышении точности принятия решений по кредитному риску. Их исследование показывает, что искусственный интеллект улучшает точность кредитных решений путем обработки нетрадиционных источников данных, таких как история транзакций и поведенческие паттерны, что соответствует целям предлагаемой нами модели DRL-GRU.

Вадипина и др. [2] провели обширный анализ, охватывающий 93 недавних исследования методов на основе искусственного интеллекта для оценки кредитного риска. Они определили, что техники глубокого обучения, такие как нейронные сети, превосходят традиционные статистические модели при работе со сложными наборами данных, особенно в прогнозировании вероятности невыполнения заемщиками своих обязательств. Эти результаты поддерживают использование передовых архитектур, таких как GRU, для выявления временных зависимостей в финансовых данных.

Буссман и др. [3] предложили объяснимую модель искусственного интеллекта для управления кредитным риском в системах равноправного кредитования. Используя корреляционные сети и значения Шепли, они классифицировали заемщиков по группам в соответствии с их финансовыми характеристиками. Этот подход повышает прозрачность модели и отвечает требованиям регулирования, которые важны в банковской практике.

Хандани и др. [4] провели систематический анализ 76 научных работ, посвященных моделям кредитного риска на основе машинного обучения, и определили, что модели глубокого обучения, включающие рекуррентные нейронные сети, достигают более высокой точности по сравнению с классическими методами машинного обучения и статистическими подходами. Их анализ подтверждает потенциал подходов, подобных предлагаемому нами DRL-GRU, для улучшения оценки кредитного риска.

• III.    ПОСТАНОВКА ПРОБЛЕМЫ

Традиционные модели оценки кредитного риска часто не могут полностью отражать сложные временные и нелинейные паттерны в поведении заемщиков, что приводит к субоптимальным прогнозам. Настоящее исследование предлагает модель DRL-GRU для преодоления этих ограничений, обеспечивая высокую точность и адаптивность в оценке кредитного риска с использованием последовательных данных.

• IV.    МЕТОДОЛОГИЯ

4.1.    Подготовка данных

Предлагаемая методология интегрирует модель Deep Reinforcement Learning -Gated Recurrent Unit (DRL-GRU) для обработки последовательных кредитных данных, преодолевая ограничения традиционных статистических моделей в выявлении временных и нелинейных паттернов. Методология состоит из трех основных компонентов: подготовка данных, архитектура модели, а также процессы обучения и оценки.

Набор данных состоит из записей кредитных заявок, включающих такие характеристики, как кредитный рейтинг заемщика, доход, отношение долга к доходу, сумма кредита, история платежей и статус занятости. Для обеспечения качества данных были выполнены следующие этапы:

• •    Обработка отсутствующих значений: заполнение медианными значениями для числовых характеристик и модальными значениями для категориальных характеристик, что способствует сохранению статистической стабильности.

• •    Нормализация: числовые характеристики нормализованы с использованием метода минимакс-масштабирования по следующей формуле:

4.2.    Архитектура модели DRL-GRU

X norm = (X - X min ) / (X max - X min )

где Xmin и Xmax представляют минимальное и максимальное значения характеристики соответственно, X - исходное значение, а Xnorm - нормализованное значение. Этот процесс обеспечивает равный вклад всех характеристик в модель.

Инжиниринг признаков (Feature Engineering):

Временные характеристики, такие как история платежей за последние 12 месяцев, закодированы в виде последовательностей для выявления временных паттернов. Категориальные переменные обработаны с использованием метода one-hot кодирования.

Разделение данных:

Для оценки способности модели работать с невидимыми данными набор данных был разделен на: 70% - обучающий, 15% - валидационный и 15% - тестовый наборы.

Предлагаемая модель DRL-GRU объединяет подходы Gated Recurrent Unit (GRU) и Deep Reinforcement Learning (DRL) для моделирования формирующегося во времени поведения заемщиков. GRU - это архитектура рекуррентной нейронной сети, предназначенная для работы с последовательными данными, которая сохраняет информацию о предыдущих временных шагах через ворота обновления (update gate) и ворота сброса (reset gate). Ворота обновления контролируют, сколько информации из прошлого сохраняется, а ворота сброса определяют, какая информация забывается.

Компонент DRL оптимизирует процесс оценки кредитного риска путем моделирования его как проблемы последовательного принятия решений. Для изучения оптимальной политики классификации заемщиков в категории низкого или высокого риска на основе последовательных характеристик интегрируется Deep Q-Network (DQN) с GRU.

4.3.    Обучение и оценка

Модель DRL-GRU обучалась с использованием оптимизатора Adam с скоростью обучения 0,001 в течение 100 эпох. Для предотвращения переобучения применялся механизм ранней остановки на основе валидационных потерь. Обучающий набор данных обрабатывался пакетами по 32 последовательности, где каждая последовательность представляла временные данные заемщика за 12 месяцев.

Модель оценивалась по следующим метрикам:

• •    Точность (Accuracy): доля правильных прогнозов.

• •    Точность классификации (Precision): доля случаев, действительно являющихся положительными среди всех случаев, классифицированных как положительные.

• •    Полнота (Recall): доля правильно идентифицированных положительных случаев.

• •    F1-мера: гармоническое среднее точности и полноты, обеспечивающее баланс между обеими метриками.

Тестовый набор данных использовался для оценки способности модели к обобщению на невидимых данных, что обеспечило стабильную производительность в реальных условиях применения.

• V.    РЕЗУЛЬТАТЫ

  5.1.    Показатели эффективности

• 5.2.    Сравнительный анализ

Эффективность предлагаемой модели DRL-GRU оценивалась с использованием стандартных метрик: точности (Accuracy), точности классификации (Precision), полноты (Recall) и F1-меры. Модель достигла примерно 99,25% точности, 99,25% точности классификации, 99,9% полноты и 98,8% F1-меры.

Эти результаты демонстрируют высокую надежность модели в выявлении как положительных, так и отрицательных случаев кредитного риска, хотя очень небольшая часть положительных случаев осталась неидентифицированной.

В таблице 1 представлено сравнительное исследование пяти моделей машинного обучения: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Линейная регрессия, Байесовские сети и предлагаемая модель DRL-GRU. Модель DRL-GRU последовательно превосходит традиционные модели по всем метрикам, демонстрируя высокие возможности прогнозирования.

Модель	Точность (%)	Точность классификации (%)	Полнота (%)	F1-мера (%)
SVM	85,40	84,50	86,00	85,20
KNN	82,30	81,70	83,50	82,60
Линейная регрессия	78,50	77,90	79,20	78,50
Байесовские сети	80,60	79,80	81,40	80,60
DRL-GRU (предлагаемая)	99,25	99,25	99,90	98,80

Результаты, представленные в таблице 1, ярко демонстрируют превосходство модели DRL-GRU. Модель достигла 99,25% точности, что значительно выше показателей SVM (85,40%), KNN (82,30%), Линейной регрессии (78,50%) и Байесовских сетей (80,60%). Высокая точность классификации (99,25%) и полнота (99,90%) модели DRL-GRU показывают ее способность точно идентифицировать заемщиков с низким и высоким риском, минимизируя ложноположительные и ложноотрицательные случаи. F1-мера 98,80% отражает сбалансированную эффективность модели и подтверждает ее пригодность для применения в банковской практике.

Несмотря на то, что традиционные модели вычислительно проще, они испытывают трудности в выявлении нелинейных и временных паттернов в данных, что приводит к более низкой эффективности по всем метрикам. Способность модели DRL-GRU эффективно использовать последовательные данные и оптимизировать решения через обучение с подкреплением повышает ее прогнозную силу, что также подтверждается недавними исследованиями эффективности методов глубокого обучения в оценке кредитного риска [4, 2].

• VI.    ЗАКЛЮЧЕНИЕ И НАПРАВЛЕНИЯ БУДУЩИХ ИССЛЕДОВАНИЙ

Предлагаемая модель DRL-GRU демонстрирует значительные преимущества по сравнению с традиционными статистическими методами в оценке кредитного риска, обеспечивая высокую точность и адаптивность. Будущие исследования будут направлены на адаптацию модели для работы с большими объемами данных, реализацию динамической оценки риска путем интеграции данных в реальном времени, а также на обеспечение интерпретируемости модели с учетом требований регулирования, как подчеркивалось в недавних исследованиях [3].