Применение методов машинного обучения и искусственного интеллекта в сфере кредитования и обнаружения мошенничества

Оригинальная статья

УДК 338.45:338.97 c Л.П. Дьяконова, А.Ф. Константинов, О.В. Китова, В.А. Китов, 2025

ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь №10-2025 /1198/

DOI: http://dx.doi.org/10.18796/0041-5790-2025-10-63-69

Авторы

Дьяконова Л.П. канд. физ.-мат. наук, доцент, доцент кафедры информатики ВШ КМиС РЭУ им. Г.В. Плеханова, ФГБОУ ВПО ?Российский экономический университет имени Г.В. Плеханова?, 117997, г. Москва, Россия, e-mail: Dyakonova.lp@rea.ru

Константинов А.Ф. аспирант кафедры информатики ВШ КМиС РЭУ им. Г.В. Плеханова, ФГБОУ ВПО ?Российский экономический университет имени Г.В. Плеханова?, 117997, г. Москва, Россия, e-mail: konstantinovaf@gmail.com

Китова О.В. доктор экон. наук, доцент, заведующий кафедрой информатики ВШ КМиС РЭУ им. Г.В. Плеханова, ФГБОУ ВПО ?Российский экономический университет имени Г. В. Плеханова?, 117997, г. Москва, Россия, e-mail: Kitova.OV@rea.ru

Китов В.А. канд. техн. наук, доцент, доцент кафедры информатики ВШ КМиС РЭУ им. Г.В. Плеханова, ФГБОУ ВПО ?Российский экономический университет имени Г.В. Плеханова?, 117997, Москва, Россия, e-mail: Kitov.VA@rea.ru

Аннотации

Настоящее исследование посвящено вопросам построения и совершенствования классификационных моделей машинного обучения для задач сферы финансовых рисков. Проводится обзор работ в области основных подходов к минимизации финансовых рисков с помощью применения продвинутых методов искусственного интеллекта и машинного обучения, современных эффективных моделей, а также конкретных машинных экспериментов с наборами финансовых данных. Поднимается вопрос о необходимости применения методов объяснимого искусственного интеллекта для интерпретации сложных моделей. Авторами были выбраны восемь перспективных моделей машинного обучения, в качестве базовой модели была принята эффективная модель градиентного бустинга CatboostClassifier. В работе проводилось сравнение ее показателей качества с показателями пяти моделей, представляющих модификации базовой Catboost, а также с моделями IsolationForest и wrapper-модели. Для тестирования всех моделей использовались открытые данные, включая четыре набора данных по розничному кредитованию и один набор с транзакционными данными по операциям с кредитными картами. Наши расчеты не выявили существенных различий между модификациями модели CatboostClassifier по характеристике ROC_AUC. В то же время модели IsolationForest и wrapper показали значимое улучшение этой характеристики на данных по кредитованию.

Ключевые слова

Финансовые риски, кредитный скоринг, обнаружение мошенничества, машинное обучение, методы объяснимого искусственного интеллекта, Catboost, SHAP.

Список литературы

1. Aziz S., Dowling M. Machine Learning and AI for Risk Management, in T. Lynn, G. Mooney, P. Rosati, and M. Cummins (eds.), Disrupting Finance: FinTech and Strategy in the 21st Century, Palgrave, 2019:33-50.
2. Mashrur A., Luo W., Zaidi N.A., Robles-Kelly A. Machine Learning for Financial Risk Management: A Survey. IEEE Access. 2020;(8):203203-203223. DOI: 10.1109/ACCESS.2020.3036322.
3. Wang G., Hao J., Ma J., Jiang H. A comparative assessment of ensemble learning for credit scoring. Expert Syst. Appl. 2011;38(1):223-230. DOI: 10.1016/j.eswa.2010.06.048.
4. Wang G, Ma J., Huang L., Xu K. Two credit scoring models based on dual strategy ensemble trees. Knowl.-Based Syst. 2012;(26):61-68.
5. Verikas A., Kalsyte Z., Bacauskiene M., Gelzinis A. Hybrid and ensemblebased soft computing techniques in bankruptcy prediction: A survey. Soft Comput. 2010;14(9)995-1010. https://www.researchgate.net/publication/220176584_Hybrid_and_ensemble-based_soft_computing_techniques_in_bankruptcy_prediction_A_survey.
6. Molnar Ch. Interpretable Machine Learning. [Electronic resource]. https://christophm.github.io/interpretable-ml-book.
7. Ribeiro M.T., Singh S., Guestrin C. Why Should I Trust You?: Explaining the Predictions of Any Classifier. [Electronic resource]. https://arxiv.org/abs/1602.04938.
8. Official website of the Python library. Welcome to the SHAP documentation. [Electronic resource]. https://shap.readthedocs.io/en/latest/index.html.
9. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. [Electronic resource]. https://arxiv.org/abs/1705.07874.
10. Bracke P., Datta A., Jung C., Sen S. Machine learning explainability in Fnance: An application to default risk analysis, Bank England, London, U.K., 2019, Working Paper 816/11. Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models. ACM Comput. Surv. 2019;51(5):1-42.
11. Adadi A., Berrada M. Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access. 2018;(6):52138-52160.
12. Goldstein A., Kapelner A., Bleich J., Pitkin E. Peeking Inside the Black Box: Visualizing Statistical Learning with Plots of Individual Conditional Expectation. [Electronic resource]. https://arxiv.org/abs/1309.6392.
13. Шевская Н.В. Объяснимый искусственный интеллект и методы интерпретации результатов. Моделирование, оптимизация и информационные технологии // Modeling, optimization and information technology. 2021;9(2). https://moitvivt.ru. DOI: 10.26102/2310-6018/2021.33.2.024. Shevskaya N.V. Explainable Artificial Intelligence and Methods of Result Interpretation. Modeling, Optimization, and Information Technologies. 2021;9(2).
14. Paolo Di Biasi, Rita Gnutti, Andrea Resti, Daniele Vergari. Machine Learning for Credit risk: three successful Case Histories. 25 Aug 2022. Risk management magazine. 2022;17(2):5-18. https://www.aifirm.it/wp-content/uploads/2022/08/RMM-2022-02-Excerpt-2.pdf.
15. Official article. Feature importances with a forest of trees. [Electronic resource]. https://scikit-learn.org/stable/auto_examples/ensemble/plot_forest_importances.html.
16. Official article. Lasso Regression. [Electronic resource]. https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html.
17. Bello O.A. Machine Learning Algorithms for Credit Risk Assessment: An Economic and Financial Analysis. International Journal of Management?Technology. 2023;10(1):109-133. https://eajournals.org/ijmt/wp-content/uploads/sites/69/2024/06/Machine-Learning-Algorithms.pdf.
18. Safayet Hossain, Ashadujjaman Sajal, Sakib Salam Jamee, Sanjida Akter Tisha, Md Tarake Siddique, Md Omar Obaid, MD Sajedul Karim Chy, Md Sayem Ul Haque. Comparative Analysis of Machine Learning Models for Credit Risk Prediction in Banking Systems. The American Journal of Engineering and Technology. 2025;7(04):22-33. https://doi.org/10.37547/tajet/Volume07Issue04-04.
19. Ileberi Emmanuel, Yanxia Sun, Zenghui Wang. A machine learning?based credit risk prediction engine system using a stacked classifier and a filter?based feature selection method. Journal of Big Data. 2024;(11):23. https://doi.org/10.1186/s40537-024-00882-0.
20. Xu Zhu, Qingyong Chu, Xinchang Song, Ping Hu, Lu Peng. Explainable prediction of loan default based on machine learning models. Data Science and Management. 2023;(6):123-133. https://doi.org/10.1016/j.dsm.2023.04.003.
21. Junliang Wang, Jiahao Xu, Qishuo Cheng, Rathna Kumar. Research on finance Credit Risk Quantification Model Based on Machine Learning Algorithm. Academic Journal of Science and Technology. 2024;10(1).
22. Dataset ?Transactions Data Bank. Fraud Detection?. Available at: https://www.kaggle.com/datasets/qusaybtoush1990/transactionsdata-bank-fraud-detection (accessed 15.09.2025).

Поддержка

Данное исследование выполнено в рамках государственного задания в сфере научной деятельности Министерства науки и высшего образования РФ на тему ?Модели, методы и алгоритмы искусственного интеллекта в задачах экономики для анализа и стилизации многомерных данных, прогнозирования временных рядов и проектирования рекомендательных систем?, номер проекта FSSW-2023-0004.

Для цитирования

Применение методов машинного обучения и искусственного интеллекта в сфере кредитования и обнаружения мошенничества / Л.П. Дьяконова, А.Ф. Константинов, О.В. Китова и др. // Уголь. 2025;(10):63-69. DOI: 10.18796/0041-5790-2025-10-63-69.

Информация о статье

Поступила в редакцию: 15.08.2025

Поступила после рецензирования: 18.09.2025

Принята к публикации: 29.09.2025