Методологические аспекты разработки скоринговых моделей кредитного риска в банковском секторе

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.

1. Комиссаров А. Р. Анализ эффективности методов машинного обучения в предсказании кредитного риска // Наукосфера. 2024. № 6-2. С. 312–316. https://doi.org/10.5281/zenodo.12621417. EDN: EHJLKI

2. Силенко А. Н., Туйгунов А. И., Теслюк В. С. Сравнение эффективности традиционных и нейросетевых подходов в банковской практике // Journal of Monetary Economics and Management. 2025. № 9. С. 412–419. https://doi.org/10.26118/2782-4586.2025.75.72.029. EDN: KOOXXR

3. Гибадуллина А. А. Банковский скоринг на основе современных цифровых технологий / Цифровая экономика глазами студентов. Материалы Международной научной конференции. Казань, 2023. С. 59–61. EDN: THIXOL

4. Ванина М. Ф., Ерохин А. Г. Применение методов машинного обучения в банковском скоринге // DSPA: вопросы применения цифровой обработки сигналов. 2025. Том 15. № 1. С. 17–35. EDN: PCWMBW

5. Холда Е. Д., Идрисов Ш. А. Об оценке кредитных рисков в современной банковской системе РФ // Журнал экономических исследований. 2025. Том 11. № 2. С. 49–60. EDN: QBBODG

6. Кантаев Н. К. Перспективы использования методов машинного обучения для оценки кредитных рисков // Вестник Евразийской науки. 2025. Том 17. № S2. EDN: KOGIEQ

7. Дьяконова Л. П., Константинов А. Ф., Китова О. В., Китов В. А. Применение методов машинного обучения и искусственного интеллекта в сфере кредитования и обнаружения мошенничества // Уголь. 2025. № 10 (1198). С. 63–69. https://doi.org/10.18796/0041-5790-2025-10-63-69. EDN: FLXTEK

8. Дядюнов Д. А. Машинное обучение для риск-менеджмента в банке: возможности и вызовы // Вестник науки. 2025. Том 1. № 1(82). С. 265–273. EDN: OJWRUL

9. Кремер Н. Ш. Теория вероятностей и математическая статистика : учебник и практикум для вузов. – 5-е изд., перераб. и доп. М.: Издательство Юрайт, 2026. 538 с. ISBN 978-5-534-10004-4

10. Исследование операций в экономике : учебник для вузов / под редакцией Н. Ш. Кремера. – 4-е изд., перераб. и доп. М.: Издательство Юрайт, 2026. 414 с. ISBN 978-5-534-12800-0

11. Михайлова С. С., Гринева Н. В., Концевая Н. В. Эконометрика: Учебник для бакалавриата. М.: Прометей, 2024. 512 с. ISBN: 978-5-00172-626-5. EDN: RHNTBU

12. Рашка С., Мирджалили В. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. Перевод с английского и редакция Ю. Н. Артеменко. – 3-е изд. М.: Диалектика; СПб.: Диалектика, 2020. 848 с. ISBN 978-5-907203-57-0