Affiliation:
1. Объединенный институт ядерных исследований
2. Объединенный институт ядерных исследований;
Национальный исследовательский ядерный университет «МИФИ»
3. Национальный исследовательский ядерный университет «МИФИ»
Abstract
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.
Publisher
National Research Nuclear University MEPhI (Moscow Engineering Physics Institute)
Reference8 articles.
1. Han J., Kamber M., Pei J. Data mining. Concepts and techniques 3th ed. Elsevier Inc., 2012. 740 р.
2. Akishina E.P., Ivanov V.V., Kryanev A.V., Prikazchikova A.S. Mnogomernyj analiz dannyh v zadachah prognozirovaniya popadaniya kreditnyh organizacij v zonu riska [Multidimensional data analysis in problems of predicting whether credit institutions will fall into the risk zone]. Vestnik NIYAU MIFI, 2024. Vol. 13. No. 1. Pp. 22–29. DOI: 10.26583/vestnik.2024.302
3. Gmurman, V.E. Rukovodstvo k resheniyu zadach po teorii veroyatnostej i matematicheskoj statistike. [Guide to solving problems in probability theory and mathematical statistics]. Moscow, Vyssh. Shkola Publ., 2003. 400 p.
4. Breiman L. Random Forests Machine Learning, 2001. Vol. 45. No. 1. Pp. 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.