Исследование применения метода искусственных нейронных сетей при анализе кредитоспособности заемщиков на малых выборках

В настоящее время сильно возрастает необходимость повышения качества и эффективности управления кредитным риском в коммерческих банках; в частности, перед банками стоит задача повышения точности прогнозирования кредитоспособности банковских заемщиков. В данной работе проводится исследование потенциальных возможностей применения моделей, построенных на основе искусственных нейронных сетей (ANN), при моделировании и прогнозировании кредитоспособности заемщиков - физических лиц. Нейронные сети обладают нелинейной структурой, что соответствует задаче моделирования кредитного риска, в отличие от традиционных для кредитного скоринга моделей. Из-за неинтерпретируемости коэффициентов нейросетевых моделей на их основе производится построение линейных моделей с использованием ряда интерпретационных методик. Целью исследования является анализ предсказательных способностей данных моделей и сравнение их с моделями бинарного выбора – logit и probit – по качеству классификации кредитных рисков на малых выборках, что является актуальным в случае значительной ограниченности релевантных данных. Эмпирический анализ проводился на 5 малых (по 50 наблюдений) и 5 больших (по 7500 наблюдений) выборках данных по кредитам, выданным частным заемщикам через Интернет-платформу «Lending Club» с 2007 по 2011 гг. Согласно полученным результатам, применение интерпретационных методик может приводить к повышению качества классификации кредитных рисков самих нейросетевых моделей, в том числе и на малых выборках; на малых выборках линейные модели на основе ANN оказываются значительно более точными, чем традиционные модели бинарного выбора; при прогнозировании «плохих» кредитов на всех выборках модели на основе интерпретационных методик характеризуются более высокой точностью классификации, чем logit- и probit-модели. Следовательно, можно сделать вывод, что модели, построенные на основе нейронных сетей, являются достойной альтернативой традиционным моделям в области кредитного скоринга.