Details

Выпускная квалификационная работа магистра посвящена исследованию в области кредитного скоринга и применения машинного обучения. Описаны существующие источники, модели данных и инструменты для оценивания платежеспособности банковских клиентов. Изучены актуальные подходы к машинному обучению. В рамках работы предложен метод прогнозирования платежеспособности клиента, который основан на использовании алгоритма XGBoost. Предложенный метод был реализован в программном средстве на языке Python. Описана обработка данных из источника German Credit Data для использования алгоритмами машинного обучения. Разработана архитектура проекта. Реализованное программное средство обрабатывает введенные в анкету данные и затем использует их для рассчитывания вероятности дефолта. Полученная в ходе работы модель была протестирована и оценена с помощью метрик ROC AUC, Precision, Recall, F1.

The masters thesis is devoted to research in the field of credit scoring and the application of machine learning. The existing sources, data models, and tools for assessing the solvency of banking clients are described. Current approaches to machine learning have been studied. Within the framework of the work, a method for predicting the clients solvency is proposed, which is based on the use of the XGBoost algorithm. The proposed method was implemented in a Python software. The processing of data from the German Credit Data source for use by machine learning algorithms is described. The project architecture has been developed. The implemented software tool processes the data entered into the questionnaire and then uses it to calculate the probability of default. The model obtained in the course of the work was tested and evaluated using the metrics ROC AUC, Precision, Recall, F1.

• Введение
• 1. Исследование предметной области
  • 1.1. Скоринг
  • 1.2. Подходы и способы оценки платежеспособности клиентов
    • 1.2.1. Кредитный рейтинг (скоринг)
    • 1.2.2. Анкетирование
    • 1.2.3. Проверка занятости и доходов
    • 1.2.4. Использование баз данных
    • 1.2.5. Анализ финансовой документации
    • 1.2.6. Современные технологии
    • 1.2.7. Психометрический скоринг
    • 1.2.8. Залоговый скоринг
  • 1.3. Анализ датасетов
  • 1.4. Готовые инструменты
  • 1.5. Анализ существующих методов
    • 1.5.1. Метод K-Ближайших соседей (KNN)
    • 1.5.2. Метод Случайный Лес (Random Forest, RF)
    • 1.5.3. Метод XGBoost (eXtreme Gradient Boosting)
    • 1.5.4. Логистическая Регрессия (Logistic Regression, LR)
    • 1.5.5. Метод Опорных Векторов (Support Vector Machine, SVM)
    • 1.5.6. Сравнение моделей
• 2. Описание предлагаемого метода
  • 2.1. Концептуальная схема подхода
  • 2.2. Предварительная обработка данных
  • 2.3. Обучение модели
  • 2.4. Пользовательский интерфейс
  • 2.5. Формирование заявки на кредитный скоринг
  • 2.6. Расчет кредитного скоринга
• 3. Реализация программного средства
  • 3.1. Архитектура программного обеспечения
  • 3.2. База данных
  • 3.3. Веб-интерфейс
  • 3.4. Ядро скоринговой системы
    • 3.4.1. Модуль обучения модели
    • 3.4.2. Модуль преобразования данных
    • 3.4.3. Модуль расчета кредитного скоринга
    • 3.4.4. Модуль результатов кредитного скоринга
• 4. Оценка качества работы инструмента
  • 4.1. Выбор метрики для оценки качества модели
    • 4.1.1. Обоснование выбора
    • 4.1.2. Описание метрики
  • 4.2. Подготовка данных и обучение модели
  • 4.3. Вычисление метрики ROC AUC
  • 4.4. Вычисление порога классификации, метрик precision, recall и F1
• Заключение
• Список литературы