МАҚСАТТЫ АЙНЫМАЛЫ ТҮРІНЕ НЕГІЗДЕЛГЕН НЕСИЕЛІК СКОРИНГ МОДЕЛІН ҚҰРУ

Үлкен деректер мен интернет технологияларының қарқынды дамуымен үлкен деректер қаржы платформалары компаниялары өз платформалары арқылы жаппай деректерді жинайды және ұйымдастырады, несиелік скоринг параметрлерін жақсартады және несиелік скорингтің кешенді және ғылыми бағалауларын жүргізу үшін машиналық оқыту әдістерін қолданады. Осылайша, Банктер Несиелік скорингті құру кезінде үлкен қиындықтарға тап болады. Қолданыстағы жүйенің шектеулеріне және дербес кредиттік рейтинг әдістеріне сүйене отырып, Машиналық оқыту әдістері негізінде дербес кредиттік рейтингті зерделеу, дербес кредиттік рейтингтің параметрлері мен балдық бағалау жүйесін жетілдіру, деректерді жинау арналарын нақтылау, динамикалық десенсибилизация технологиясын пайдалану қажет. деректердің сезімталдығын төмендету үшін шығарындылар туралы деректерді тексеру үшін LOF тестілеу әдісі және жетіспейтін деректер мәндерін толтыру үшін кездейсоқ орман әдісі. Содан кейін сіз маңызды индикаторларды көру, логистикалық регрессияға негізделген индикаторлар жүйесінің моделі арқылы тексерілген индикаторларды өңдеу және жеке несиелік балл алу үшін градиентті жоғарылататын шешімдер ағашының әдісін қолданасыз. Соңында, модель BP нейрондық желісі арқылы тексеріледі және модель жеке несие деңгейін болжау үшін қолданылады. Зерттеу көрсеткендей, Машиналық оқыту жеке тұлғалардың несиелік ұпайларының дәлдігін одан әрі жақсарта алады және коммерциялық банктердің несиелік ұпайлары үшін ғылыми негіз мен анықтамалық ақпарат береді. 

1. Сорокин, А.С. Применение законов распределения случайных величин для моделирования экономических явлений и процессов [Текст]: монография. / Н.Я. Бамбаева, А.С. Сорокин – М.: МЭСИ. – 2010. – 156 с.

2. Ляо Биин. Исследование модели персонального кредитного рейтинга коммерческих банков [D]. Наньчан: Университет финансов и экономики Цзянси. – 2016.

3. ЮЯ. Сравнительное исследование оценки кредитоспособности физических лиц кредитной компании «Жима» [D]. Чанша: Хунаньский университет. – 2017.

4. Чэнь Чжипэн. Сравнительный анализ систем управления персональной кредитной информацией в стране и за рубежом [D]. Харбин: Хэйлунцзянский университет. – 2017.

5. Сорокин, А.С. К вопросу оценки согласованности мнений экспертов при использовании методов экспертного оценки в кредитном рейтинге. [Текст] /А.Ч. Сорокин // Роль бизнеса в преобразованиях общества – 2014: Сб. ул. по мат. IX междунар. научн. конгр. – М.: «Йедитус». – 2014. – с. 281-283.

6. Цао Цзе, Шао Сяосяо. Исследование модели оценки личного кредита, основанной на интегрированном алгоритме обучения сбора и сбора информации [J]. Практика и понимание математики. – 2016. – 46 (8): 90-98.

7. Тан Чжунмин, Се Кун, Пэн Яопэн. Исследование оценки кредитного риска заемщиков онлайн-кредитов P2P на основе модели дерева решений с градиентным повышением [J]. Мягкая наука. – 2018, 32 (12): 136-140.