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

Настоящее исследование проводит сравнительный анализ традиционных статистических методов и подходов на основе искусственного интеллекта (ИИ) в моделировании кредитного риска в банковской сфере. Традиционные модели часто сталкиваются с трудностями в выявлении сложных нелинейных зависимостей в финансовых данных, тогда как технологии искусственного интеллекта, такие как машинное обучение (МО) и глубокое обучение (ГО), обеспечивают высокие возможности прогнозирования. В данной работе предлагается новая модель Deep Reinforcement Learning - Gated Recurrent Unit (DRL-GRU), которая использует последовательные данные для выявления временных зависимостей в поведении заемщиков, что значительно повышает точность прогнозирования. Методология включает тщательную подготовку и нормализацию данных для обеспечения качества входных данных.