ОЦІНЮВАННЯ КРЕДИТНОГО РИЗИКУ МЕТОДАМИ МАШИННОГО НАВЧАННЯ
І. В. Мірошниченко, К. Г. Івлієва

DOI: 10.32702/2307-2105-2019.12.87

УДК: 330.46:336.774

І. В. Мірошниченко, К. Г. Івлієва

ОЦІНЮВАННЯ КРЕДИТНОГО РИЗИКУ МЕТОДАМИ МАШИННОГО НАВЧАННЯ

Анотація

Стаття присвячена вирішенню завдання мінімізації кредитних ризиків банку, що видає кредити юридичним особам. Проведений аналіз внутрішньої рейтингової моделі банку, розрахунок її дискримінаційної сили, на її основі побудована математична модель для прогнозування кредитоспроможності майбутніх позичальників та оцінка якості моделі, застосований алгоритм позбуття аномалій в даних та порівняно результати початкової та покращеної моделей. Запропонований підхід до оцінки кредитоспроможності позичальника дозволив покращити якість рейтингової моделі, а також її здатність розрізняти надійних та ненадійних клієнтів, та зменшив кількість дефолтних та не дефолтних клієнтів. Особливістю підходу, який представлений у статті, є застосування методів машинного навчання для аналізу та обробки даних у програмному забезпеченні R. Практичною цінністю проведеного дослідження є отримані знання щодо важливості правильного відбору даних, які характеризують рейтингову модель, що в подальшому слугуватиме одним із інструментів для попередження втрат від невиконання кредитних зобов’язань.

Ключові слова: кредитний ризик; рейтингова модель; машинне навчання; дискримінаційна сила; тест Колмогорова-Смірнова; логістична регресія.

Література

1. Кузнєцова Н.В. Інтегрований підхід до оцінювання кредитних ризиків. Труды Одесского политехнического университета. 2010. №1-2. с. 187–192.
2. Гаврилюк Г. В. Аналіз вагомості критерів в оцінюванні кредитоспроможності фізичних осіб. Нейро-нечіткі технології моделювання в економіці. 2017. №6. с. 3–23.
3. Камінський А. Б., Сікач В. О. Нейромережеві технології в управлінні портфелем простроченої заборгованості. Моделювання та інформаційні системи в економіці. 2011. №84. с. 5–19.
4. Siddiqi N. Credit Risk Scorecards Developing and Implementing Intelligent Credit Scoring. John Wiley & Sons, Inc. 2006.
5. Durand, D. Risk Elements in Consumer Instalment Financing, National Bureau of Economic Research, USA, New York. 1941.
6. Стежкин А.А. О методах валидации рейтинговых систем в рамках подходавнутренних рейтингов к оценке кредитного риска банков. Финансовая аналитика: проблемы и решения. 2015. №32. С. 29-41.
7. Řezáč M., Řezáč F., How to Measure the Quality of Credit Scoring Models. Czech Journal of Economics and Finance. 2011. №61(5). pp. 486-507.
8. Marsaglia G., Tsang W.W., Wang J., Evaluating Kolmogorov's distribution. Journal of Statistical Software. 2003. 8/18.
9. Сушко В.І., Павлюк Т.С. Класифікація моделей оцінки ймовірності банкрутства підприємств. Економіка: теорія та практика. 2014. №1. с.72 - 83.
10. Dobbin K.K., Richard M.S. Optimally splitting cases for training and testing high dimensional classifiers. BMC Medical Genomics. 2011. № 4(1):31.
11. Van den Broeck J., Herbst A.J., Solveig A.C. Data Cleaning: Detecting, Diagnosing,and Editing Data Abnormalities. PLoS Medicine. 2005. №2(10). pp. 966–970.

I. Miroshnychenko, K. Ivliieva

ASSESSING CREDIT RISK USING MACHINE LEARNING METHODS

Summary

The article is devoted to solving the problem of minimizing credit risks of the bank issuing loans to legal persons. This study presents a process for the development and implementation of risk prediction model, one that builds upon a foundation of statistics, data mining and machine learning principles. Statistical and data mining techniques and methodologies have been discussed in detail. The key phases that were covered are: the analysis of the bank's internal rating model, calculation of its discriminatory power, mathematical model based on the rating model was built to predict creditworthiness of future borrowers and assessment of model quality coefficients, the algorithm of data cleaning from anomalies and comparison of the model results was applied. The proposed approach to assessing the borrower's creditworthiness improved the quality of the rating model, as well as its ability to distinguish between reliable and unreliable clients, and reduced the number of default and no default clients. It has been defined that selected quality indexes of the classification models: Accuracy, Specificity, Sensitivity, Balanced accuracy, ROC-curve, AUROC and Gini index are higher for the improved model.
A feature of the proposed approach is the application of machine learning methods to data analysis and processing in software R programming language.
The practical value of the conducted study is the acquired knowledge on the importance of correct selection of data characterizing the rating model, which in the future will serve as one of the tools for prevention of losses from non-fulfillment of credit obligations. There is a need to devise strategies to not only identify customers who exhibit negative behavior (nonpayment, fraud), but also deal with them effectively to minimize further loss and recoup any monies owed, as quickly as possible.

Keywords: credit risk; rating model; machine learning; discriminatory power; Kolmogorov-Smirnov test; logistic regression.

References

1. Kuznyetsova, N.V. (2010), “Integrated approach to estimation of credit risks”, Trudі Odesskogo politehnicheskogo Universiteta, vol. 1-2, pp. 187- 192.
2. Havrylyuk, H. V. (2017), “Analysis of the significance of the criteria in assessing the creditworthiness of individuals”, Nejro-nechitki tekhnolohii modeliuvannia v ekonomitsi, vol. 6, pp. 3–23.
3. Kamins'kyj, A.B. and Sikach, V.O. (2011), “Neural network technologies in managing the portfolio of overdue debt”, Modeliuvannia ta informatsijni systemy v ekonomitsi, vol. 84, pp. 5–19.
4. Siddiqi, N. (2006), Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, John Wiley and Sons, USA, New Jersey.
5. Durand, D. (1941), Risk Elements in Consumer Instalment Financing, National Bureau of Economic Research, USA, New York.
6. Stezhkin, A.A. (2015), “About the validation methods for rating systems within the framework of internal ratings to assess the credit risk of banks”, Finansovaja analitika: problemy i reshenija, vol. 32, pp. 29-41.
7. Řezáč, M. and Řezáč, F. (2011), “How to Measure the Quality of Credit Scoring Models”, Czech Journal of Economics and Finance, vol. 61(5) pp. 486-507.
8. Marsaglia, G., Tsang, W.W. and Wang J. (2003), “Evaluating Kolmogorov's distribution”, Journal of Statistical Software, vol. 8/18.
9. Sushko, V.I. and Pavliuk, T.S. (2014), “Classification of models for assessing the probability of bankruptcy of enterprises”, Ekonomika: teoriia ta praktyka, vol.1, pp. 72–83.
10. Dobbin, K.K. and Richard, M.S. (2011), “Optimally splitting cases for training and testing high dimensional classifiers”, BMC Medical Genomics, vol. 4:31.
11. Van den Broeck, J., Herbst, A.J. and Solveig, A.C. (2005), “Data Cleaning: Detecting, Diagnosing,and Editing Data Abnormalities”, PLoS Medicine, vol.2(10), pp. 966–970.

№ 12 2019

Дата публікації: 2019-12-27

Кількість переглядів: 7082