Моделирование кредитного рейтинга заемщика с использованием методов машинного обучения

В последнее время с ростом популярности кредитования, растет и уровень просроченной задолженности. В связи с чем у коммерческих банков возникает необходимость повышения качества управления кредитным риском. Одним из способов снижения кредитного риска является совершенствование скоринговых моделей, используемых для анализа кредитного рейтинга заемщиков. Обзор литературы и предыдущих эмпирических исследований позволил определить, что на данный момент имеется недостаток исследований в части анализа эффективности непараметрических методов для оценки кредитоспособности заемщиков физических лиц на реальных данных российских коммерческих банков. Соответственно, основной целью данной работы является построение скоринговой модели на основе современных непараметрических методов машинного обучения (случайный лес и градиентный бустинг) и их сравнение с традиционными методами оценки кредитоспособности физических лиц (логистическая и LASSO регрессии). Анализ проводился на выборке из 300 тысяч заемщиков физических лиц, предоставленной российским подразделением Хоум Кредит Банка. Наиболее эффективной моделью оказался современный метод градиентного бустинга – LightGBM, благодаря которому удалось увеличить значение индекса Джини на 6% по сравнению с традиционными моделями (логистической и LASSO регрессией) при этом данный метод работает в 3-10 раз быстрее чем другие непараметрические методы или нейронные сети. При помощи данного метода так же удалось рассчитать важность переменных в улучшении разделяющей способности алгоритма. Так, наиболее важными переменными оказались признаки из кредитного бюро и искусственно-сгенерированные бизнес-переменные на основе кредитной заявки клиента, в то время как социально-демографические признаки имели незначительный эффект на увеличение предсказательной силы модели.