2026. — Т. 11. — № 2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://wcj.world/04ecmz226.html

Полный текст статьи в формате PDF (объем файла: 316.7 Кбайт)

Ссылка для цитирования этой статьи:

Федоров, И. А. Применение методов машинного обучения для прогнозирования кредитных рейтингов организаций / И. А. Федоров, И. А. Киселев, С. О. Новосельский // Мировые цивилизации. — 2026. — Т. 11. — № 2. — URL: https://wcj.world/PDF/04ECMZ226.pdf (дата обращения: 28.04.2026).

Применение методов машинного обучения для прогнозирования кредитных рейтингов организаций

Федоров Игорь Андреевич
Университет мировых цивилизаций им. В.В. Жириновского, Москва, Россия
аспирант
E-mail: f3dorov1gor@yandex.ru

Киселев Илья Александрович
НОЧУ ВО «Московский экономический институт», Москва
аспирант
E-mail: ze-rii@yandex.ru

Новосельский Святослав Олегович
Университет мировых цивилизаций им. В.В. Жириновского, Москва, Россия
НОЧУ ВО «Московский экономический институт», Москва
доцент
кандидат экономических наук
E-mail: nsvyatoslav@yandex.ru

Аннотация. В статье рассматриваются актуальные сферы применения кредитного рейтинга, существующие подходы к присвоению кредитного рейтинга организации, недостатки классического подхода, а также перспективы и возможности применения методов машинного обучения и искусственного интеллекта в задаче присвоения кредитного рейтинга компании. Рассматриваются возможные преимущества нового подхода решения задачи при помощи машинного обучения. Задачу предлагается решать с помощью методов случайного леса и метода искусственной нейронной сети. По результатам обучения на тестовом объеме данных измеряются метрики качества обучения и делаются выводы о возможностях применения данных методов и потенциальном их улучшении. алгоритм случайного леса показал более высокие результаты практически по всем ключевым показателям, характеризующим качество модели, по сравнению с полносвязной нейронной сетью, несмотря на то что является более простым в реализации. Помимо количественных характеристик, важным преимуществом случайного леса стала скорость как обучения модели, так и предсказаний. Таким образом, случайный лес оказался более оптимальным методов машинного обучения для решения поставленной задачи.

Ключевые слова: кредитный рейтинг; машинное обучение; нейронные сети; алгоритм случайного леса; анализ больших данных

Скачать