News of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesNews of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesИзвестия Кабардино-Балкарского научного центра РАН1991-66392949-194035124510.35330/1991-6639-2025-27-5-68-79LPRGUPСистемный анализ, управление и обработка информации, статистикаSystem analysis, management and information processing, statisticsResearch ArticleComparative analysis of class imbalance reduction methods in building machine learning models in the financial sectorРазработка подхода к классификации дефолта заемщика на основе интеграции методов предварительной обработки и методов машинного обученияhttps://orcid.org/0009-0000-9591-33013088-3121КонстантиновА. Ф.KonstantinovA. F.
Russian Federation

аспирант кафедры информатики

Postgraduate Student, Department of Informatics

konstantinovaf@gmail.comhttps://orcid.org/0000-0001-5229-80702513-8831DyakonovaL. P.ДьяконоваЛ. П.
Russian Federation

канд. физ.-мат. наук, доцент, кафедра информатики

Candidate of Physical and Mathematical Sciences, Associate Professor,Department of Informatics

Dyakonova.LP@rea.ruPlekhanov Russian University of EconomicsРоссийский экономический университет имени Г. В. Плехановаru201120252025275№5 (2025)NO5 (2025)687913112025Copyright ©; 2025, Константинов А.Ф., Дьяконова Л.П.Copyright ©; 2025, Konstantinov A.F., Dyakonova L.P.2025Константинов А.Ф., Дьяконова Л.П.Konstantinov A.F., Dyakonova L.P.https://creativecommons.org/licenses/by/4.0https://journals.rcsi.science/1991-6639/article/view/351245

Borrower default prediction is a pressing issue that underlies the financial stability of credit institutions.

Aim. This study is to develop and evaluate an integrated borrower default prediction method.

Materials and methods. The study was conducted by simulating the integrated borrower default prediction method, analyzing and comparing the results with the baseline AI model, and drawing conclusions.

Results. Based on the analysis of dependencies, an integrated borrower default prediction methods developed and calculated. It demonstrated a significant improvement in quality metrics (an increase in average accuracy of 0.383, an increase in f1-score of 0.509, and an increase in accuracy of 0.792) relative to the baseline model. This article presents the results of experiments aimed at improving the quality metrics of machine learning models used to predict borrower default.

Conclusion. The development of integrated borrower default prediction methods will improve the accuracy and reliability of forecast models, which is of great practical importance.

Задача прогнозирования дефолта заемщиков лежит в основе финансовой стабильности кредитных организаций и является актуальной.

Цель исследования - разработка и оценка работы интегрального метода прогнозирования дефолта заемщика.

Материалы и методы. Исследование проведено путем моделирования работы интегрального метода прогнозирования дефолта заемщиков, анализа и сравнения полученных результатов с базовой моделью ИИ и формирования выводов.

Результаты. По итогам анализа зависимостей разработан и просчитан интегральный метод прогнозирования дефолта заемщика, который показал значительный рост показателей качества (рост средней точности - на 0,383, рост f1-score на - 0,509 и точности - на 0,792) относительно базовой модели. В данной статье приведены результаты экспериментов по улучшению показателей качества моделей машинного обучения, выполняющих прогнозирование дефолта заемщика.

Выводы. Разработка интегральных методов прогнозирования дефолта заемщиков позволит повысить точность и надежность прогнозных моделей, что имеет большое практическое значение.

methods for reducing class imbalancemethods for isolating anomalies into a separate modelbagging methodintegral method for predicting borrower defaultметоды снижения дисбаланса классовметод выделения аномалий в отдельную модельметод баггингаинтегральный метод прогнозирования дефолта заемщикаThe study was performed without external funding.Исследование проведено без спонсорской поддержки.Информационно-аналитический материал о развитии банковского сектора Российской Федерации в декабре 2024. [Электронный ресурс]. Режим доступа: https://www.cbr.ru/collection/collection/file/55056/razv_bs_24_12.pdf (дата обращения: 17.09.2025)Ali A.A., Khedr A.M., El-Bannany M., Kanakkayil S. A powerful predicting model for financial statement fraud based on optimized xgboost ensemble learning technique. Applied Sciences. 2023. Vol. 13. No. 4. P. 2272. DOI: 10.3390/app13042272Константинов А. Ф., Дьяконова Л. П. Сравнительный анализ методов снижения дисбаланса классов при построении моделей машинного обучения в финансовом секторе // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. No 1. C. 143-151. DOI: 10.35330/1991-6639-2025-27-1-143-151Qian H., Zhang S., Wang B. et al. A comparative study on machine learning models combining with outlier detection and balanced sampling methods for credit scoring 2021. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/2112.13196 (дата обращения: 01.09.2025). DOI: 10.48550/arXiv.2112.13196Dyakonova L., Konstantinov A. Approaches to risk analysis in the financial sector based on machine learning and artificial intelligence methods / MPRA Paper. [Электронный ресурс]. Режим доступа: https://mpra.ub.uni-muenchen.de/122941/ (дата обращения: 17.09.2025)Liu F.T., Ting K.M., Zhou Z.H. Isolation forest. IEEE Xplore. 2008. Pp. 413-422. DOI: 10.1109/ICDM.2008.17Blázquez-García A., Conde A., Mori U., Lozano J.A. A review on outlier/anomaly detection in time series data. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/2002.04236 (дата обращения: 01.09.2025).Ribeiro M.T., Singh S., Guestrin C. Why should I trust you? Explaining the predictions of any classifier. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/1602.04938 (дата обращения: 01.09.2025).Breiman L. Bagging predictors. Machine Learning. 1996. Vol. 24. No. 2. Pp. 123-140.Abdoli M., Akbari M., Shahrabi J. Bagging supervised autoencoder classifier for credit scoring. Preprint. DOI: 10.48550/arXiv.2108.078Zou Y., Gao C., Xia M., Pang C. Credit scoring based on a bagging-cascading boosted decision tree. Intelligent Data Analysis. 2022. Vol. 26. No. 6. Pp. 1557-1578. DOI: 10.3233/IDA-216228