Чернова Мария Владимировна – кандидат физико-математических наук, доцент, доцент кафедры финансовых рынков, технологий и регулирования
Москва
Maria V. Chernova – Cand. Sci. (Physics and Mathematics), Associate Professor at the Department of Financial Markets, Technologies and Regulation
Moscow
Захариадис Элиза Юрьевна – кандидат экономических наук, доцент кафедры финансовых рынков, технологий и регулирования
Москва
Eliza Yu. Zachariadis – Cand. Sci. (Econ.), Associate Professor at the Department of Financial Markets, Technologies and Regulation
Moscow
Введение. Современный банковский сектор функционирует в условиях высокой конкуренции, роста объемов кредитования и увеличения требований к управлению рисками. В этих условиях особую значимость приобретает проблема оценки кредитоспособности заемщиков и минимизация риска невозврата кредита. Развитие цифровых технологий и увеличение объемов данных обуславливает необходимость совершенствования аналитических инструментов, которые используются в кредитном скоринге. Традиционная модель логистической регрессии, обладающая высокой интерпретируемостью, конкурирует с «черными ящиками» машинного обучения, обеспечивающими более высокую точность прогнозирования. Это формирует актуальную научную задачу выбора оптимальной методологии оценки кредитного риска.
Целью исследования является анализ теоретико-методологических основ построения скоринговых моделей на базе логистической регрессии, а также определение факторов, влияющих на качество оценки кредитного риска и эффективность применения данных моделей в банковском секторе.
Материалы и методы. Методологическую основу исследования составляют статистический, эконометрический и кибернетический подходы теорий кредитного скоринга, риск-менеджмента и машинного обучения. В работе использованы методы сравнительного анализа, обобщения и систематизации научных подходов к построению скоринговых моделей. В качестве основного инструмента анализа рассматривается логистическая регрессия для прогнозирования вероятности невозврата кредита, а также учтены современные подходы, основанные на алгоритмах машинного обучения.
Результаты. Прежде всего определены ключевые этапы разработки скоринговых моделей, включая подготовку данных, отбор признаков и оценку параметров. Установлено, что логистическая регрессия сохраняет значительную практическую ценность благодаря своей интерпретируемости и соответствию регуляторным требованиям. Выявлены основные ограничения логит-моделей, такие как чувствительность к качеству данных и ограниченная способность учитывать сложные нелинейные зависимости.
Выводы. Скоринговые модели являются ключевым инструментом управления кредитным риском в банковской деятельности. Логистическая регрессия, несмотря на развитие более сложных алгоритмов, остается востребованной благодаря прозрачности и надежности результатов. Повышение эффективности скоринговых моделей требует комплексного учета качества данных, корректного выбора признаков и адаптации моделей к изменяющимся условиям внешней среды. Ядром логистической регрессии является метод максимального правдоподобия. В рамках эконометрики функцию максимального правдоподобия максимизируют, в машинном обучении минимизируют обратную функцию потерь. Перспективным направлением является комбинированное применение логистической регрессии с более точными методами.
Introduction. The modern banking sector operates in a highly competitive environment, with increasing lending volumes and risk management requirements. In this context, assessing borrowers' creditworthiness and minimizing the risk of loan default become crucial. The development of digital technologies and the increasing volume of data necessitates the improvement of analytical tools used in credit scoring. The traditional logistic regression model, with its high level of interpretability, competes with the "black boxes" of machine learning, which offer higher prediction accuracy. This creates an urgent scientific challenge of choosing the optimal methodology for assessing credit risk.
Purpose. The purpose of the study is to analyze the theoretical and methodological foundations of building scoring models based on logistic regression, as well as to identify the factors that affect the quality of credit risk assessment and the effectiveness of using these models in the banking sector.
Materials and methods. The study is based on the works of authors in the field of credit scoring, risk management, and machine learning. The study uses methods of comparative analysis, generalization, and systematization of scientific approaches to building scoring models. Logistic regression is considered as the main analysis tool for predicting the probability of loan default. Modern approaches based on machine learning algorithms are also taken into account.
Results. The study identified key stages in the development of scoring models, including data preparation, feature selection, and parameter estimation. It was found that logistic regression retains significant practical value due to its interpretability and compliance with regulatory requirements. The study also identified key limitations of logistic models, such as their sensitivity to data quality and limited ability to account for complex nonlinear relationships.
Conclusions. Scoring models are a key tool for managing credit risk in banking. Despite the development of more complex algorithms, logistic regression remains popular due to its transparency and reliable results. Improving the efficiency of scoring models requires a comprehensive approach to data quality, proper feature selection, and model adaptation to changing environmental conditions. The core of logistic regression is the maximum likelihood method. In econometrics, the maximum likelihood function is maximized, while in machine learning, the inverse loss function is minimized. A promising area is the combined use of logistic regression with more accurate methods.
The authors declare that there are no conflicts of interest present.