РАЗРАБОТКА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ КЛАССИФИКАЦИИ КРЕДИТНЫХ ОРГАНИЗАЦИЙ С ИСПОЛЬЗОВАНИЕМ ДЕРЕВЬЕВ РЕШЕНИЙ И ИХ АНСАМБЛЕЙ

В статье рассматривается задача применения деревьев решений и их ансамблей (лесов решений) в задаче классификации кредитных организаций, как объектов экономической безопасности. Хотя деревья решений и их ансамбли успешно применяются в банковском секторе, для автоматизированной идентификации неблагонадежных кредитных организаций деревья решений и их ансамбли ранее не использовались. Классификация кредитных организаций проводилась на основе формы банковской отчетности № 101. В результате проведенного анализа были выделены ключевые показатели деятельности кредитных организаций, а именно «Прибыль», «Счета в Банке России», «Ценные бумаги». С учетом этих показателей для модели CART была получена точность классификации, составившая 85 %. Для моделей Random Forest, Adaboost и Xgboost использовались все 23 показателя финансовой отчетности (форма 101), а достигнутая при этом точность составила 83, 80 и 80 %, соответственно, решена актуальная научно-практическая задача – разработаны математические модели, позволяющие идентифицировать высокорисковые кредитные организации и прогнозировать риски отзыва у них лицензий. В ходе их применения идентифицирован список потенциально неблагонадежных кредитных организаций, на которые рекомендуется обратить пристальное внимание органам государственной власти.

1. Han J., Kamber M., Pei J. Data mining. Concepts and techniques. 3th ed. Elsevier Inc., 2012. 740 р.

2. Акишина Е.П., Иванов В.В., А. Крянев А.В., Приказчикова А.С.. Многомерный анализ данных в задачах прогнозирования попадания кредитных организаций в зону риска // Вестник НИЯУ МИФИ, 2024. Т. 13, № 1. С. 22–29. DOI: 10.26583/vestnik. 2024.302

3. Гмурман, В.Е. Руководство к решению задач по теории вероятностей и математической статистике. М.: Высш. Школа, 2003. 400 с.

4. Breiman L. Random Forests // Machine Learning, 2001. V. 45. No. 1. P. 5–32.

5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning : Data Mining, Inference, and Prediction. 2th ed. Springer – Verlag, 2009. 746 p. ISBN: 978-0-387-84857-0.

6. Mishra A. Fraud Detection: A Study of AdaBoost Classifier and K-Means Clustering // SSRN. 2021. № 2 (16). P. 1–9. DOI: 10.21203/rs.3.rs-247874/v1.

7. Vassallo D. Vella V., Ellul J. Application of Gradient Boosting Algorithms for Anti-money Laundering in Crypto currencies // SN Computer Science, 2021. № 2 (3). P. 142-157. DOI: 10.1007/s42979-021-00558-z.

8. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Computer Science Machine Lear-ning, 2016 (v1). URL: https://arxiv.org/abs/1603.02754 (дата обращения: 08.02.2024).