Разработка концепции интеграционного подхода кластерного анализа и машинного обучения для оценки кредитного риска

В условиях стремительного роста объемов и сложности финансовых данных классические модели кредитного скоринга сталкиваются с ограничениями в точности и устойчивости прогнозов. Одновременно с этим развиваются методы кластерного анализа и машинного обучения, которые позволяют выявлять латентные сегменты заемщиков и интегрировать полученную дополнительную информацию напрямую в предиктивные модели. В работе рассматривается проблема методологического разрыва между сегментацией данных и машинным обучением при оценке кредитного риска. Целью исследования является разработка концепции гибридной модели, объединяющей кластерный анализ и алгоритмы градиентного бустинга за счет включения кластерных метапризнаков в пространство признаков скоринговой модели. Методологическая основа исследования включает анализ существующих подходов к кредитному скорингу, разработку последовательного конвейера обработки данных и формирование набора признаков, отражающих структурное положение заемщика в пространстве данных. Дополнительно предполагается оценка устойчивости результатов кластеризации к выбору метрики, числа кластеров и характеристикам выборки, а также сравнение различных способов кодирования кластерной информации. Предложенный подход ориентирован на повышение дискриминационной способности моделей за счет учета латентной сегментации клиентов. Ожидаемым результатом является улучшение качества прогнозирования дефолтов и расширение возможностей интерпретации моделей, что повышает их практическую ценность для задач управления кредитным риском и поддержки принятия решений в финансовых организациях.

1. Новые горизонты: как мы внедряем ИИ в работу с данными и фреймворк Data Quality в ВТБ // Habr. URL: https://habr.com/ru/companies/vtb/articles/732216/ (дата обращения: 20.01.2026).

2. Применение искусственного интеллекта на финансовом рынке: доклад для общественных консультаций / Центральный банк Российской Федерации. Москва, 2023. URL: https://www.cbr.ru/Content/Document/File/156061/Consultation_Paper_03112023.pdf (дата обращения: 20.01.2026).

3. Machine learning & artificial intelligence powered credit scoring models for Islamic microfinance institutions: a blockchain approach / M.M.H. Mukit, M.A. Rahman, M.A. Islam [et al.] // Risks. 2026. Vol. 14, No. 1. Art. 12. doi:10.3390/risks14010012. URL: https://www.mdpi.com/2227-9091/14/1/12 (дата обращения: 08.02.2026).

4. Малая П.П., Тюнин Е.Б. Исследование методов оценки кредитоспособности заемщиков и разработка информационной подсистемы скоринга для банка // Финансовые рынки и банки. 2024. № 11. С. 216–219. URL: https://library.cbr.ru/catalog/lib/article/979343/ (дата обращения: 18.01.2026).

5. Совершенствование методов кредитного скоринга с использованием машинного обучения / В.В. Драгуленко, Е.В. Потехина, А.Л. Золкин, О.С. Бурякова // Финансовый менеджмент. 2024. № 7. С. 241–250.

6. Ileberi E., Sun Y., Wang Z. A machine learning-based credit risk prediction engine system using a stacked classifier and a filter-based feature selection method // Journal of Big Data. 2024. Vol. 11. Art. 23. doi:10.1186/s40537-024-00882-0. URL: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-024-00882-0 (дата обращения: 08.02.2026).

7. Bosker J.M., Görtler M., Zöllner M. Machine learning-based variable selection for clustered credit risk modeling // Journal of Business Economics. 2025. Vol. 95. Pp. 617–652. doi:10.1007/s11573-024-01213-8. URL: https://link.springer.com/article/10.1007/s11573-024-01213-8 (дата обращения: 08.02.2026).

8. Ayari H., Guetari R., Kraïem N. Machine learning powered financial credit scoring: a systematic literature review // Artificial Intelligence Review. 2026. Vol. 59. Art. 13. doi:10.1007/s10462-025-11416-2. URL: https://link.springer.com/article/10.1007/s10462-025-11416-2 (дата обращения: 08.02.2026).

9. SAS Enterprise Miner // SAS : [официальный сайт программного обеспечения]. URL: https://www.sas.com/en_us/software/enterprise-miner.html (дата обращения: 05.02.2026).

10. Altair RapidMiner // Altair Engineering, Inc. : [официальный сайт платформы для анализа данных]. URL: https://altair.com/altair-rapidminer (дата обращения: 05.02.2026).

11. Зиновьева Е.А. Модернизация банковских продуктов в условиях цифровой экономики : дис. … канд. экон. наук. Москва, 2024. URL: https://www.fa.ru/upload/iblock/a55/4x3a5oy0ksllzlnacdrsbyauz2fupzkv/Zinoveva-107_Dissertatsiya.pdf (дата обращения: 18.01.2026).

12. Wang H., Mi J. Intuitive-K-prototypes: a mixed data clustering algorithm with intuitionistic distribution centroid // Pattern Recognition. 2025. Vol. 158. Art. 111062. doi:10.1016/j.patcog.2024.111062. URL: https://www.sciencedirect.com/science/article/abs/pii/S0031320324005905 (дата обращения: 08.02.2026).

13. Bridging accuracy and interpretability: a rescaled cluster-then-predict approach for enhanced credit scoring / H.-W. Teng, M.-H. Kang, I.-H. Lee, L.-C. Bai // International Review of Financial Analysis. 2024. Vol. 91. Art. 103005. doi:10.1016/j.irfa.2023.103005. URL: https://www.sciencedirect.com/science/article/abs/pii/S1057521923007888 (дата обращения: 08.02.2026).

14. Многомерный анализ данных в задаче прогнозирования попадания кредитных организаций в зону риска / Е.П. Акишина, В.В. Иванов, А.В. Крянев, А.С. Приказчикова // Вестник Национального исследовательского ядерного университета «МИФИ». 2024. Т. 13, № 1. С. 22–29. doi:10.26583/vestnik.2024.302.

15. Лугуева А.С., Нухова А.М., Кадыров Ш.С. Модели машинного обучения для предсказания дефолтов в банковском секторе: оценка устойчивости // Экономика и управление: проблемы, решения. 2024. Т. 6, № 12 (ч. 6). С. 156–162. URL: https://library.cbr.ru/catalog/lib/article/982761/ (дата обращения: 08.02.2026).

16. Zhumashev A., Kuatbayeva A.A. Comparative overview of machine learning models for credit scoring // Universum: Технические науки. 2025. Т. 5, вып. 134. С. 4–9. doi:10.32743/UniTech.2025.134.5.20167. URL: https://7universum.com/ru/tech/archive/item/20167 (дата обращения: 08.02.2026).

17. Сабуров С.С. Методы и модели машинного обучения для оценки кредитных рисков : [выпускная квалификационная работа] / науч. рук. А.В. Логинова. Санкт-Петербург : Санкт-Петербургский политехнический университет Петра Великого, 2025. doi:10.18720/SPBPU/3/2025/vr/vr25-80. URL: https://elib.spbstu.ru/dl/3/2025/vr/vr25-80.pdf/en/info (дата обращения: 18.01.2026).

18. Пономарев Д.С. Сопоставление библиотек для создания моделей машинного обучения на основе методов градиентного бустинга // Современные инновации, системы и технологии – Modern Innovations, Systems and Technologies. 2025. Т. 5, № 2. С. 3001–3006. doi:10.47813/2782-2818-2025-5-2-3001-3006. URL: https://oajmist.com/index.php/1/article/view/182 (дата обращения: 08.02.2026).

19. Хузяханов Е.И., Шарко С.С., Поляков П.М. Эффективные методы предобработки данных: как подготовить данные для машинного обучения // Современные научные исследования и инновации. 2024. № 11. URL: https://web.snauka.ru/issues/2024/11/102801 (дата обращения: 18.01.2026).

20. An integrated machine learning and deep learning framework for credit card approval prediction / K. Tong, Z. Han, Y. Shen [et al.]. 2024. URL: https://arxiv.org/abs/2409.16676 (дата обращения: 18.01.2026).

21. Сравнительный анализ технологий машинного обучения для задач кредитного скоринга / М.А. Татаринцев, П.В. Никитин, Р.И. Горохова, В.И. Долгов // Фундаментальные исследования. 2023. № 1. С. 49–53. URL: https://fundamental-research.ru/ru/article/view?id=43419 (дата обращения: 08.02.2026).

22. Расторгуев Л.М., Микишанина Е.А. Построение скоринговой модели для определения кредитоспособности потенциального заемщика // Вектор экономики. 2022. № 5. URL: https://www.vectoreconomy.ru/images/publications/2022/5/finance/Rastorguev_Mikishanina.pdf (дата обращения: 08.02.2026).

23. Zahid N. Loan Prediction Dataset 2025. Synthetic dataset for loan prediction // Kaggle. URL: https://www.kaggle.com/datasets/nabihazahid/loan-prediction-dataset-2025 (дата обращения: 05.02.2026).