2022, випуск 3, c. 23-36
Одержано 21.10.2022; Виправлено 05.11.2022; Прийнято 15.11.2022
Надруковано 29.11.2022; Вперше Online 10.12.2022
https://doi.org/10.34229/2707-451X.22.3.3
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Статистичні та оптимізаційні методи в кредитному скорингу
В.О. Стовба 
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Роль кредитного скорингу в роботі фінансових установ важко переоцінити. Точні та ефективні скорингові картки дозволяють кредиторам правильно оцінювати ризики та контролювати свої інвестиції. Такі картки мають будуватись на достовірних статистичних даних про попередніх та поточних клієнтів з використанням методів статистичного аналізу.
Впродовж багатьох років свого розвитку інструментарій кредитного скорингу поповнювався також нестатистичними методами, які ґрунтуються на використанні оптимізаційних процедур, дерев прийняття рішень, інтелектуальних баз даних та баз знань, побудові мережевих моделей тощо. Зважаючи на широкий спектр доступних методів, виникає потреба в їх класифікації та аналізі застосування.
Мета роботи. Короткий опис всіх актуальних статистичних та нестатистичних методів, які дозволяють розв’язувати задачі кредитного скорингу в сучасних постановках. Розкрити особливості використання описаних методів та провести їх порівняння.
Результати. Статистичні методи дозволяють досліджувати значимість кожного фактору, що входить до моделі, а також отримувати набір статистичних оцінок, що допомагає оцінити якість моделі. Таким чином ці методи дають можливість побудувати оптимальну та надійну модель. Нестатистичні методи дозволяють додавати довільні обмеження до моделі, автоматично виявляти та опрацьовувати взаємодії між характеристиками, а також розвязувати задачі з великою кількістю заявників та їх характеристик, чому сприяє розвиненість обчислювальних методів.
Висновки. Сучасні математичні методи дозволяють ефективно розвязувати задачі кредитного скорингу, серед яких однією з основних є задача бінарної та мультигрупової класифікації. Вибір оптимального методу залежить від виду системи (статична або динамічна), обчислювальних можливостей кредитора та важливості інтерпретації результатів.
Ключові слова: кредитний скоринг, статистичні методи, математичне програмування, нейронні мережі, генетичні алгоритми.
Цитувати так: Стовба В.О. Статистичні та оптимізаційні методи в кредитному скорингу. Cybernetics and Computer Technologies. 2022. 3. С. 23–36. https://doi.org/10.34229/2707-451X.22.3.3
Список літератури
1. Lyn C. Thomas, David B. Edelman, Jonathan N. Crook. Credit Scoring and its Applications. SIAM Monographs on Mathematical Modeling and Computation. Philadelphia, 2002. 243 p. https://doi.org/10.1137/1.9780898718317
2. Sarlija N., Bensic M., Bohacek Z. Multinomial Model in Consumer Credit Scoring. 10th International Conference on Operational Research. Trogir: Croatia. 2004.
3. Abdou H., Pointon J. Credit scoring and decision-making in Egyptian public sector banks. International Journal of Managerial Finance. 2009. Vol. 5. N 4. P. 391–406. https://doi.org/10.1108/17439130910987549
4. Abdou H., Pointon J., El Masry A. Neural nets versus conventional techniques in credit scoring in Egyptian banking. Expert Systems with Applications. 2008. Vol. 35. N 3. P. 1275–1292. https://doi.org/10.1016/j.eswa.2007.08.030
5. Baesens B., Gestel T.V., Viaene S., Stepanova M., Suykens J., Vanthienen J. Benchmarking State-of-the-Art Classification Algorithms for Credit Scoring. Journal of the Operational Research Society. 2003. Vol. 54. N 6. P. 627–635. https://doi.org/10.1057/palgrave.jors.2601545
6. Юринець З.В., Юринець Р.В., Кунанець Н.Е., Мищишин І.Р. Регресійна модель оцінювання платоспроможності клієнта та банківських ризиків у процесі кредитування. Соціально-економічні проблеми сучасного періоду України. 2019. 138 (4). С. 69–73. https://doi.org/10.36818/2071-4653-2019-4-11
7. Mangasarian O.L. Linear and nonlinear separation of patterns by linear programming. Oper. Res. 1965. Vol. 13. P. 444–452. https://doi.org/10.1287/opre.13.3.444
8. Nath R., Jones T.W. A variable selection criterion in the linear programming approaches to discriminant analysis. Decision Sci. 1988. Vol. 19. P. 554–563. https://doi.org/10.1111/j.1540-5915.1988.tb00286.x
9. Gately E. Neural Networks for Financial Forecasting: Top Techniques for Designing and Applying the Latest Trading Systems. New York: John Wiley & Sons, Inc. 1996.
10. Великоіваненко Г.І., Савіна С.С., Колечко Д.В., Бень В.П. Побудова ансамблів моделей кредитного скорингу. Журн. Нейро-нечіткі технології моделювання в економіці. 2018. Т. 7. С. 34–77. https://www.doi.org/10.33111/nfmte.2018.034/
11. Zekic-Susac M., Sarlija N., Bensic M. Small Business Credit Scoring: A Comparison of Logistic Regression, Neural Networks, and Decision Tree Models. 26th International Conference on Information Technology Interfaces. Croatia. 2004.
12. Huang J., Tzeng G., Ong C. Two-stage genetic programming (2SGP) for the credit scoring model. Applied Mathematics and Computation. 2006. Vol. 174. N 2. P. 1039–1053. https://doi.org/10.1016/j.amc.2005.05.027
13. Huang C., Chen M., Wang C. Credit scoring with a data mining approach based on support vector machines. Expert Systems with Applications. 2007. Vol. 33. N 4. P. 847–856. https://doi.org/10.1016/j.eswa.2006.07.007
14. Etemadi H., Rostamy A., Dehkordi H. A genetic programming model for bankruptcy prediction: Empirical evidence from Iran. Expert Systems with Applications. 2009. Vol. 36. N 2/2. P. 3199–3207. https://doi.org/10.1016/j.eswa.2008.01.012
15. McKee T., Lensberg T. Genetic programming and rough sets: A hybrid approach to bankruptcy classification. European Journal of Operational Research. 2002. Vol. 138. N 2. P. 436–451. https://doi.org/10.1016/S0377-2217(01)00130-8
16. Talebzadeh H., Mandutianu S., Winner C. Countrywide loan underwriting expert system. In: Proceedings of the Sixth Innovative Applications of Artificial Intelligence Conference. AAAI Press, Menlo Park, CA. 1994. https://doi.org/10.1609/aimag.v16i1.1123
17. Ben-David A., Frank E. Accuracy of machine learning models versus “hand crafted” expert systems – a credit scoring case study. Expert Systems with Applications. 2009. Vol. 36. N 3/1. P. 5264–5271. https://doi.org/10.1016/j.eswa.2008.06.071
18. Kumra R., Stein R., Assersohn I. Assessing a knowledge-based approach to commercial loan underwriting. Expert Systems with Applications. 2006. Vol. 30. N 3. P. 507–518. https://doi.org/10.1016/j.eswa.2005.10.013
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна