Нейронные сети в кредитном скоринге

Автор: Гусарова О.М., Комаров П.И., Денисов Д.Э.

Журнал: Вестник Алтайской академии экономики и права @vestnik-aael

Рубрика: Экономические науки

Статья в выпуске: 5, 2018 года.

Бесплатный доступ

В современных условиях кредитные организации сталкиваются с рядом проблем, одной из которых является риск невозврата кредита. Принятие решения о выдаче заемщику денежных средств в ряде случаев базируется на информации, предоставляемой самим заемщиком, в силу чего может иметь место получение недостоверной информации. Кредитная организация вправе разрабатывать методику оценки платежеспособности заемщика и перечень документов, предоставляемых клиентом. Информация, внесенная в скоринговые карты (досье клиента), оценивается по ряду параметров. Такая система скоринга обладает рядом недостатков: оценка платежеспособности заемщика носит субъективный характер и в значительной степени определяются опытом работы сотрудников банка; незначительное количество параметров, по которым оценивается риск невозврата кредита, также не в полной мере характеризует действительное положение вещей. В рамках настоящего исследования осуществлено построение модели кредитного скоринга на основе искусственных нейронных сетей, нивелирующих фактор субъективности в оценке надежности заемщика...

Еще

Кредитный скоринг, искусственные нейронные сети, оценка надежности заемщика

Короткий адрес: https://readera.org/142216357

IDR: 142216357

Список литературы Нейронные сети в кредитном скоринге

  • Степанов П.П. Искусственные нейронные сети//Молодой ученый. -2017. -№?4 (138). -С. 185-187.
  • Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии//Науковедение. -2014. -№?2. -URL: http://www.naukovedenie.ru (дата обращения 28.11.2018).
  • Мисник А.Е., Борисов В.В. Композиционное нейросетевое моделирование сложных технических систем//Нейрокомпьютеры: разработка, применение. -2016. -№?7. -С. 39-46.
  • Ясницкий Л.Н. Интеллектуальные системы. -М.: Лаборатория знание, 2016. -221 с.
  • Haykin S. Neural networks: A comprehensive foundation (2nd ed.). -New Jersey: Prentice Hall International, Inc. 1999. -1103 p.
  • Марк Андрессен. Why Bitcoin Matters//The New York Times 21.01.2014 . -URL: https://jscc-is.ru/projects/oblachnyie-shkolnyie-biblioteki (дата обращения 29.11.2018).
  • Паклин Н. Логистическая регрессия и ROC-анализ -математический аппарат . -URL: https://basegroup.ru/community/articles/logistic (дата обращения 05.12.2018).
  • Паклин Н. Применение логистической регрессии в медицине и скоринге . -URL: https://basegroup.ru/community/articles/logis-medic-scoring (дата обращения 05.12.2018).
  • Комаров П.И., Гусарова О.М., Таранец С.А. Нейросетевые модели оценки стоимости бренда компании//Современные наукоемкие технологии. -2018. -№?12. -С. 128-132.
  • Гусарова О.М. Информационно-аналитические технологии прогнозирования деятельности организаций//Международный журнал прикладных и фундаментальных исследований. -2015. -№?12(3). -С. 492-495.
Еще
Статья научная