Разработка подхода к классификации дефолта заемщика на основе интеграции методов предварительной обработки и методов машинного обучения

А. Ф. Константинов, Л. П. Дьяконова

---

Аннотация: 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.

Ключевые слова: методы снижения дисбаланса классов, метод выделения аномалий в отдельную модель, метод баггинга, интегральный метод прогнозирования дефолта заемщика

Для цитирования. Константинов А. Ф., Дьяконова Л. П. Разработка подхода к классификации дефолта заемщика на основе интеграции методов предварительной обработки и методов машинного обучения // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 5. С. 68–79. DOI: 10.35330/1991-6639-2025-27-5-68-79

Список литературы

1. 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)
2. 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/app13042272
3. Константинов 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. № 1. C. 143–151. DOI: 10.35330/1991-6639-2025-27-1-143-151
4. Qian 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.2112.13196
5. Dyakonova 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)
6. Liu F.T., Ting K.M., Zhou Z.H. Isolation forest. IEEE Xplore. 2008. Pp. 413–422. DOI: 10.1109/ICDM.2008.17
7. Blázquez-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).
8. 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).
9. Breiman L. Bagging predictors. Machine Learning. 1996. Vol. 24. No. 2. Pp. 123–140.
10. Abdoli M., Akbari M., Shahrabi J. Bagging supervised autoencoder classifier for credit scoring. Preprint. DOI: 10.48550/arXiv.2108.078
11. Zou 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

Информация об авторах

Константинов Алексей Федорович, аспирант кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
konstantinovaf@gmail.com, ORCID: https://orcid.org/0009-0000-9591-3301, SPIN-код: 3088-3121
Дьяконова Людмила Павловна, канд. физ.-мат. наук, доцент, кафедра информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
Dyakonova.LP@rea.ru, ORCID: https://orcid.org/0000-0001-5229-8070, SPIN-код: 2513-8831