Оценка предсказательной силы ансамблевых моделей машинного обучения при прогнозировании дефолтов российских финансовых институтов

Данная исследовательская работа посвящена анализу предсказательной силы ансамблевых моделей машинного обучения в задачах определении дефолтов российских финансовых институтов. Вероятность дефолта является одним из ключевых факторов оценки кредитного риска и особенно актуальна в условиях сравнительно молодой, постоянно меняются и нестабильной банковской системы России. Более того, банковские организации играют важную роль в экономике и финансовой системе любого государства, поскольку наибольшая доля активов финансового сектора принадлежит кредитным организациям. Таким образом, банкротство банка может иметь значительные негативные последствия для всей экономике, в виду чего растет необходимость совершенствования методов и моделей для оценки кредитоспособности российских финансовых институтов. Ансамблевые модели искусственного интеллекта, наряду с финансовыми, включают широкий спектр нефинансовых факторов, таких как: макроэкономические переменные, признаки, характеризующие рыночные условия и состояние кредитного цикла, тип бизнес-модели и, особенно актуальные на данный момент, признаки, характеризующие участие банков в построении экосистем, включая долю иммобилизованных активов. Для сравнения предсказательной силы алгоритмов, были построены и проанализированы как эконометрические модели, так и ряд моделей машинного обучения. В рамках данного исследования было обнаружено, что ансамблевые модели искусственного интеллекта существенно превосходят по качеству эконометрические. Итоговая модель достигла значения AUROC, равного 0,95. Также было установлено, что факторы, характеризующие активность участия кредитных организаций в построении и развитии экосистем оказывают существенное влияние на определение факта дефолта финансовых институтов.