Моделирование скоринговых систем: разработка рекомендаций для микрофинансовой организации методами машинного обучения

Для осуществления эффективной работы кредитной организации применяется система кредитного скоринга, позволяющая ‘отсеять’ ненадежных клиентов. Правильный и эффективный скоринг оказывает значительное влияние на всю отрасль и, следовательно, на уровень экономического роста. К настоящему моменту накопилась огранный пласт исследований моделирования кредитного скоринга с использованием разных методик и на данных различных организаций. Методы машинного обучения зарекомендовали себя как достаточно эффективный классификатор способный к адаптации. Однако изучение кредитного скоринга нацелено на выбор одного классификатора, который будет предсказывать надежность заемщиков довольно продолжительный период времени с учетом индивидуальных характеристик клиента и будет опираться на стратегические задачи организации. Целью данного исследования является построение карты стратегического множества конкретной микрофинансовой организации, которая занимается краткосрочными займами, и дать рекомендации по изменению ее кредитной политики. Для этого необходимо смоделировать большое количество различных классификаторов с использованием как классических методов (логистическая регрессия), так и методов машинного обучения. Сравнение этих моделей и, построенных с их помощью комбинированных моделей позволят создать стратегическое множество для данной организации. Выбор конкретной модели сводится к оптимальному выбору с учетом эффективной границы этого множества и функции издержек, построенных на данных. В работе используются данные Российской микрофинансовой организации. Объектом исследования является Российский рынок кредитования, предметом – конкретная микрофинансовая организация. В работе доказывается, что модели случайного леса нейронных сетей дают более точное предсказание надежности заемщика, чем метод опорных векторов и логистическая регрессия. Также доказывается, что комбинированные модели расширяют стратегическое множество компании и дают более точные предсказания.