10.14489/vkit.2026.08.pp.014-023

DOI: 10.14489/vkit.2026.08.pp.014-023

Кибзун А. И., Соболь В. Р., Склезнева К. А.
ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ МОДЕЛИРОВАНИЯ ВЕРОЯТНОСТИ ДЕФОЛТА В РАМКАХ РЕАЛИЗАЦИИ БАНКАМИ ПОДХОДА НА ОСНОВЕ ВНУТРЕННИХ РЕЙТИНГОВ
(c. 14-23)

Аннотация. Представлен программный комплекс для построения моделей оценки вероятности дефолта кредитных требований в рамках реализации банками подхода на основе внутренних рейтингов. Приведены основные структурные модули программы и ее функциональные возможности. Использована процедура моделирования, включающая формирование обучающей и тестовой выборок, построение ядра модели, формирование скоринговой карты, калибровку модели к центральной тенденции, тестирование модели и применение модели к новым наборам данных. Приведено описание работы с программой.

Ключевые слова: кредитный риск; вероятность дефолта; подход на основе внутренних рейтингов; скоринговый балл; программный комплекс.

Kibzun A. I., Sobol V. R., Sklezneva X. А. A
SOFTWARE COMPLEX FOR THE PROBABILITY OF DEFAULT MODELING FOR CREDIT REQUIREMENTS AS THE PART OF THE BANK'S INTERNAL RATINGS APPROACH IMPLEMENTATION
(pp. 14-23)

Abstract. This paper describes the software complex for the construction of models for estimating the probability of default of credit requirements as a part of the banks’ implementation of the internal ratings approach. The main structural modules of the program and its functional capabilities are given. A modelling procedure includes the following steps: formation of train and test samples; building the model core based on logistic regression; formation of a scoring card; model calibration to the long-run average of default rates; testing model's discriminatory power, calibration quality, stability and concentrations. The software complex has a graphical user interface. The models are constructed by combining typical elements. At the same time the development process at each step is inseparably linked to testing at the model, core or specific factor level. To do this, automatically calculated metrics and graphs are available to the developer at each step. This minimizes the need to return to previous modeling steps when problems with the current version of the model are identified. The program allows to create several versions for each step of modeling, download all graphs and data for its construction. The program can be used for developing decision-making models. The description of working with the program is given.

Keywords: Credit risk; Probability of default; Internal ratings-based approach; Scoring; Software complex.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

А. И. Кибзун, В. Р. Соболь, К. А. Склезнева (Московский авиационный институт (национальный исследовательский университет), Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

A. I. Kibzun, V. R. Sobol, X. А. Sklezneva (Moscow Aviation Institute (National Research University), Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Allison P. D. Logistic Regression Using the SAS System: Theory and Application. Cary, NC: SAS Institute, 1999. 303 p. ISBN 1580253520
2. Hosmer D., Lemeshow S. Applied Logistic Regression. 3rd ed. New York: John Wiley and Sons, 2013. 528 p. ISBN 0470582472, 9780470582473
3. Полянский Ю. Н. Проблемы оценки качества моделей ПВР. Современные подходы к валидации моделей LGD // Риск-менеджмент в кредитной организации. 2021. № 3. С. 20–34.
4. Полянский Ю. Н., Соболь В. Р. Применение макроэкономических факторов в розничных ПВР-моделях PD // Риск-менеджмент в кредитной организации. 2025. № 2. С. 67–80.
5. Помазанов М. В. Управление кредитным риском в банке: подход внутренних рейтингов (ПВР) / под науч. ред. Г. И. Пеникаса. 2-е изд., перераб. и доп. М.: Юрайт, 2020. 292 с.
6. Костенко С. А. Обзор программных средств, использующих многомерные методы шкалирования и кластеризации // Вестник компьютерных и информационных технологий. 2013. № 1(103). С. 44–46.
7. Клячкин В. Н., Шунина Ю. С. Система оценки кредитоспособности заемщиков и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11(137). С. 45–51.
8. Сорокин А. С. Построение скоринговых карт с использованием модели логистической регрессии. М.: Издательский центр «Науковедение», 2014. 29 с.
9. Anderson R. The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation. New York: Oxford University Press, 2007. 790 p. ISBN 0199226407
10. Kaggle: сайт. Loan Default Dataset. URL: https://kaggle.com/datasets/yasserh/loan-default-dataset/data (дата обращения: 15.12.2025).

Eng

1. Allison, P. D. (1999). Logistic regression using the SAS system: Theory and application. SAS Institute.
2. Hosmer, D., & Lemeshow, S. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons.
3. Polyansky, Yu. N. (2021). Problems of assessing the quality of IRB models. Modern approaches to LGD model validation. Risk menedzhment v kreditnoy organizatsii, (3), 20–34. [in Russian language].
4. Polyansky, Yu. N., & Sobol, V. R. (2025). Application of macroeconomic factors in retail IRB PD models. Risk menedzhment v kreditnoy organizatsii, (2), 67–80. [in Russian language].
5. Pomazanov, M. V. (2020). Managing credit risk in a bank: The internal ratings based (IRB) approach (G. I. Penikas, Ed.; 2nd ed., rev. and enl.). Yurayt. [in Russian language].
6. Kostenko, S. A. (2013). Review of software tools using multivariate scaling and clustering methods. Vestnik komp'yuternykh i informatsionnykh tekhnologiy, (1), 44–46. [in Russian language].
7. Klyachkin, V. N., & Shunina, Yu. S. (2015). System for assessing borrower creditworthiness and forecasting loan repayment. Vestnik komp'yuternykh i informatsionnykh tekhnologiy, (11), 45–51. [in Russian language].
8. Sorokin, A. S. (2014). Building scorecards using logistic regression model. Naukovedenie. [in Russian language].
9. Anderson, R. (2007). The credit scoring toolkit: Theory and practice for retail credit risk management and decision automation. Oxford University Press.
10. Kaggle. (n.d.). Loan Default Dataset. Retrieved December 15, 2025, from https://kaggle.com/datasets/yasserh/loan-default-dataset/data

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2026.08.pp.014-023

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2026.08.pp.014-023

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.