| Русский Русский | English English |
   
Главная Архив номеров
18 | 11 | 2019
10.14489/vkit.2015.11.pp.045-051

DOI: 10.14489/vkit.2015.11.pp.045-051

Клячкин В. Н., Шунина Ю. С.
СИСТЕМА ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКОВ И ПРОГНОЗИРОВАНИЯ ВОЗВРАТА КРЕДИТОВ
(c. 45-51)

Аннотация. В целях снижения задолженностей заемщиков и обеспечения возврата кредитов разработана система, позволяющая оценить кредитоспособность заемщика на стадии выдачи кредита (анкетный скоринг) и осуществить прогнозирование его платежеспособности на стадии погашения кредита (поведенческий скоринг). Использованы методы машинного обучения с агрегированием различных классификаторов на основе нейронной сети, логистической регрессии, дискриминантного анализа, байесовского классификатора, метода опорных векторов и др. Для прогнозирования платежеспособности применен аппарат марковских цепей.

Ключевые слова:  скоринг; кредитоспособность; платежеспособность; методы машинного обучения; классификация; агрегирование; марковские цепи.

 

Klyachkin V. N., Shunina Yu. S.
SYSTEM FOR BORROWERS’ CREDITWORTHINESS ASSESSMENT AND REPAYMENT OF LOANS FORECASTING
(pp. 45-51)

Abstract. One of the current issues in the crediting – reducing borrowers’ debt and repayment of loans. It is provided a computer system for credit organizations, which includes two subsystems. Application scoring subsystem allows to evaluate the creditworthiness of the borrower at the stage of the loan issue. The second subsystem (behavioral scoring) is designed to predict the solvency of the client at the stage of the loan maturity. In the application scoring subsystem it is forecasted the clients’ creditworthiness based on personal data. The forecasting problem is reduced to the classification of clients by creditworthiness classes. In order to predict the creditworthiness of new clients it is necessary to prepare  the training set with the “previous” clients, each of them is characterized by a feature vector and creditworthiness. As features usually are used data from the profiles. To solve the problem it is used the machine learning methods with the aggregation of different classifiers. As the based methods are used neural network, logistic regression, discriminant analysis, Bayesian classifier, a support vector machine, and others. Behavioral scoring subsystem provides for each borrower the analysis of the loan account repayment dynamics, depending on the terms of the loan, borrower’s information and credit history as well as forecasting the solvency of the borrower. It is considered the set of clients who have approved the loan and who have some credit history, characterized the timeliness of payments. As models of this subsystem are also used machine learning methods, but in conjunction with Markov chains. It is showed the results of experiments, demonstrating the effectiveness of the proposed methods.

Keywords: Scoring; Creditworthiness; Solvency; Methods of machine learning; Classification; Aggregation; Markov chains.

Рус

В. Н. Клячкин, Ю. С. Шунина (Ульяновский государственный технический университет) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

V. N. Klyachkin, Yu. S. Shunina (Ulyanovsk State Technical University) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Андреева Г. В. Скоринг как метод оценки кредитного риска // Банковские технологии. 2000. № 6. С. 14 – 19.
2. Прикладная статистика: Классификация и снижение размерности: справ. изд. / С. А. Айвазян и др.; под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.
3. Клячкин В. Н. Статистические методы в управлении качеством: компьютерные технологии: учеб. пособие. М.: Финансы и статистика; ИНФРА-М, 2009. 304 с.
4. Мерков А. Б. Распознавание образов: введение в методы статистического обучения. М.: Едиториал УРСС, 2011. 254 с.
5. Тимофеева Г. А., Тимофеев Н. А. Прогнозирование составляющих кредитного портфеля на основе модели марковской цепи // Автоматика и телемеханика. 2012. № 4. С. 47 – 65.
6. Клячкин В. Н., Донцова Ю. С. Сравнительный анализ точности нелинейных моделей при прогнозировании состояния системы на основе марковской цепи // Изв. Самарского научного центра РАН. 2013. Т. 15, № 4-4. С. 924 – 927.

Eng

1. Andreeva G. V. (2000). Scoring as a method of credit risk assessment. Bankovskie tekhnologii, (6), pp. 14-19.
2. Aivazian S. A. (Ed.) et al. (1989). Applied statistics: Classification and reduction of dimension: reference edition. Moscow: Finansy i statistika.
3. Kliachkin V. N. (2009). Statistical methods in quality management: computer technologies: textbook. Moscow: Finansy i statistika; INFRA-M.
4. Merkov A. B. (2011). Pattern recognition: introduction to statistical learning. Moscow: Editorial URSS.
5. Timofeeva G. A., Timofeev N. A. (2012). Forecasting credit portfolio components based on the Markov chain model. Avtomatika i telemekhanika, (4), pp. 47-65.
6. Kliachkin V. N., Dontsova Iu. S. (2013). Comparative analysis of the accuracy of nonlinear models at forecasting the state of the system based on Markov chain model. Izvestiia Samarskogo nauchnogo tsentra RAN, 15(4-4), pp. 924-927.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа статьи заполните форму:

{jform=1,doi=10.14489/vkit.2015.11.pp.045-051}

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please fill out the form below:

{jform=2,doi=10.14489/vkit.2015.11.pp.045-051}

 

 

 

 

 

.

.

 

 

 
Поиск
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Rambler's Top100 Яндекс цитирования