Применение искусственного интеллекта в оценке кредитных рисков
DOI:
https://doi.org/10.5281/zenodo.15760882Keywords:
искусственный интеллект, кредитный риск, SHAP-анализ, банковская система, агрегированные данные, логистическая регрессия, градиентный бустинг, ROC-AUC, интерпретируемость модели, УзбекистанAbstract
В условиях цифровизации финансовой сферы задача точной и прозрачной оценки кредитных рисков
становится приоритетной для банков и регулирующих органов. В данной работе представлена методика прогно-
зирования уровня кредитного риска (высокий/низкий) на основе агрегированных макроэкономических и банков-
ских данных Республики Узбекистан. Для построения модели использовались алгоритмы машинного обучения
— в частности, логистическая регрессия и градиентный бустинг. Особое внимание уделено интерпретируемости
результатов с помощью Explainable AI, в частности, проведён SHAP-анализ для определения вклада ключевых
признаков. Разработанная модель демонстрирует высокие показатели классификации и может использоваться
как инструмент предварительного анализа и мониторинга рисков на системном уровне. Она также может служить
основой для поддержки управленческих решений в сфере макропруденциального регулирования
References
International Monetary Fund. Global Financial Stability Report. – Washington: IMF Publications, Oct. 2021. – 120 p.
– Режим доступа: https://www.imf.org/en/Publications/GFSR/Issues/2021/10/12/global-financial-stability-report-october-
Lessmann S., Baesens B., Seow H.-V., Thomas L. Benchmarking state-of-the-art classification algorithms for credit
scoring: an update of research // European Journal of Operational Research. – 2015. – Vol. 247, No. 1. – P. 124–136.
– DOI: https://doi.org/10.1016/j.ejor.2015.05.030
Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing
Systems (NeurIPS 2017). – 2017. – Vol. 30. – P. 4765–4774. – Режим доступа: https://proceedings.neurips.
cc/paper_files/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf
O‘zbekiston Respublikasi Markaziy banki. Makroiqtisodiy va bank ko‘rsatkichlari statistik byulleteni. – Режим доступа:
OECD. Credit Risk Modelling and Stress Testing. – Paris: OECD Publishing, 2020. – 96 p. – Режим доступа: https://
www.oecd.org/finance/credit-risk-modelling
Ozturkkal B., Wahlstrøm R. R. Explaining mortgage defaults using SHAP and LASSO // Quantitative Finance. – 2024.
– Ahead-of-print. – Режим доступа: https://doi.org/10.1080/14697688.2024.XXXXX
Bulla C., Wali G. et al. Enhancing credit risk assessment with explainable AI: integrating deep learning, SHAP and
game theory // Journal of Critical Reviews. – 2024. – Vol. 21, No. 2. – P. 34–43. – Режим доступа: https://www.jcreview.
com/fulltext/2024/2102-jcr-05
du Toit H. A., Schutte W. D., Raubenheimer H. Shapley values as an interpretability technique in credit scoring //
Journal of Risk Model Validation. – 2023. – Vol. 17, Issue 3. – P. 1–20. – Режим доступа: https://journals.risk.net/
journal-of-risk-model-validation/volume-17/issue-3
Sowmiya M. N., Sri J. S., Meena M. A. Credit risk analysis using explainable artificial intelligence // Journal of Soft
Computing Paradigm. – 2024. – Vol. 6, Issue 3. – P. 95–101. – Режим доступа: https://journals.researchparks.org/
index.php/IJEFM/article/view/4130
Sharma H., Andhalkar A., Ajao O., Ogunleye B. Analysing the influence of macroeconomic factors on credit risk in the
UK banking sector // arXiv preprint., arXiv:2401.14943. – 2024. – Режим доступа: https://arxiv.org/abs/2401.14943
Hadji Misheva B., Osterrieder J., Schuetz T. Explainable AI in credit risk management // arXiv preprint., arXiv:2103.00949.
– 2021. – Режим доступа: https://arxiv.org/abs/2103.00949
Downloads
Published
Issue
Section
License
Copyright (c) 2025 MUHANDISLIK VA IQTISODIYOT
This work is licensed under a Creative Commons Attribution 4.0 International License.