📄Работа №77729
Тема: Программа кредитного скоринга
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
31 листов
Год:
2016
Просмотров:
173
4285
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 3
1. ПОСТАНОВКА ЗАДАЧИ 4
2. АЛГОРИТМЫ КЛАССИФИКАЦИИ 8
3. СОЗДАНИЕ МОДЕЛЕЙ КРЕДИТНОГО СКОРИНГА 10
4. РАЗРАБОТКА ПРИЛОЖЕНИЯ-АНАЛИЗАТОРА 15
ЗАКЛЮЧЕНИЕ 19
СПИСОК ЛИТЕРАТУРЫ 20
ПРИЛОЖЕНИЕ
1. ПОСТАНОВКА ЗАДАЧИ 4
2. АЛГОРИТМЫ КЛАССИФИКАЦИИ 8
3. СОЗДАНИЕ МОДЕЛЕЙ КРЕДИТНОГО СКОРИНГА 10
4. РАЗРАБОТКА ПРИЛОЖЕНИЯ-АНАЛИЗАТОРА 15
ЗАКЛЮЧЕНИЕ 19
СПИСОК ЛИТЕРАТУРЫ 20
ПРИЛОЖЕНИЕ
📖 Введение
Научно-технический прогресс произвел революцию в обработке и хранении данных. На порядки увеличилась скорость вычислений, которую всегда понятно как использовать, но как получить что -то полезное из больших объемов накопленной информации?
В конце 20 века банки, торговые сети, производственные предприятия хранили огромные объемы информации о потребителях, не обладая средствами для её обработки. Им требовалась возможность прогнозирования спроса клиентов на товары и услуги. Это открывало огромные перспективы для бизнеса, который постоянно стремился к рациональному использованию персонала, торговых площадей, складов. В решении этой непростой задачи с большими объемами информации было применено машинное обучение, использующее разделы математической статистики, дискретного анализа и численных методов оптимизации. На сегодняшний день машинное обучение является одной из ключевых математических дисциплин, направленной на получение знаний из данных. Модели, построенные методами машинного обучения, используются для оптимизации процессов банков, предприятий, торговых сетей.
Основной функцией банков является прием депозитов и выдача займов. Благодаря этим банковским инструментам ежедневно решается множество экономических и социальных проблем. Несмотря на все достоинства финансовых продуктов в классическом банке, существуют и проблемы. Заключаются они в том, что требования к заемщику довольно высоки, а сам процесс получения кредита может занимать длительное время. Помогают исправить сложившуюся проблему организации по микрокредитованию, имеющие множество недостатков. На кредитном рынке сложилась ситуация, в которой необходимо минимизировать время обработки заявки и процент по займу.
Выходом из сложившейся ситуации стало создание P2P (person-to-person) бирж кредитов. Любой желающий, разместивший информацию о себе нам этом специализированном сайте, может попросить в долг. Если инвестор посчитает 3
предоставленные данные заемщика приемлемыми и экономически интересными, то он одобряет и выделяет финансирование. Возникает задача проведения кредитного скоринга заявителя, т.е. определение его кредитоспособности и возможности возникновения просрочек по платежам.
Для решения поставленной задачи применяются алгоритмы машинного обучения, направленные на классификацию хороших и плохих заемщиков, с использованием всех возможных подаваемых на вход параметров заявки.
В конце 20 века банки, торговые сети, производственные предприятия хранили огромные объемы информации о потребителях, не обладая средствами для её обработки. Им требовалась возможность прогнозирования спроса клиентов на товары и услуги. Это открывало огромные перспективы для бизнеса, который постоянно стремился к рациональному использованию персонала, торговых площадей, складов. В решении этой непростой задачи с большими объемами информации было применено машинное обучение, использующее разделы математической статистики, дискретного анализа и численных методов оптимизации. На сегодняшний день машинное обучение является одной из ключевых математических дисциплин, направленной на получение знаний из данных. Модели, построенные методами машинного обучения, используются для оптимизации процессов банков, предприятий, торговых сетей.
Основной функцией банков является прием депозитов и выдача займов. Благодаря этим банковским инструментам ежедневно решается множество экономических и социальных проблем. Несмотря на все достоинства финансовых продуктов в классическом банке, существуют и проблемы. Заключаются они в том, что требования к заемщику довольно высоки, а сам процесс получения кредита может занимать длительное время. Помогают исправить сложившуюся проблему организации по микрокредитованию, имеющие множество недостатков. На кредитном рынке сложилась ситуация, в которой необходимо минимизировать время обработки заявки и процент по займу.
Выходом из сложившейся ситуации стало создание P2P (person-to-person) бирж кредитов. Любой желающий, разместивший информацию о себе нам этом специализированном сайте, может попросить в долг. Если инвестор посчитает 3
предоставленные данные заемщика приемлемыми и экономически интересными, то он одобряет и выделяет финансирование. Возникает задача проведения кредитного скоринга заявителя, т.е. определение его кредитоспособности и возможности возникновения просрочек по платежам.
Для решения поставленной задачи применяются алгоритмы машинного обучения, направленные на классификацию хороших и плохих заемщиков, с использованием всех возможных подаваемых на вход параметров заявки.
✅ Заключение
На сегодняшний день P2P кредитование развивается быстрыми темпами. При этом исследований, посвященных построению моделей кредитного скоринга в данной области сравнительно немного. В данной работе я использовал random forest и логистическую регрессию для предсказания дефолта заявки при P2P кредитовании, используя данные сервиса займов Lending Club.
Основные результаты работы:
1. Логистическая модель регрессии имеет лучшие значения точности и достоверности, по сравнению с random forest. Считается, что это не самые лучшие показатели для задачи предсказания дефолта клиента. Инвестора больше беспокоит вероятность определения плохого заемщика в качестве хорошего.
2. Random forest имеет меньшую достоверность, но обладает большим значением полноты, по сравнению с логистической регрессией. Эта модель понравится инвестору, который не любит рисковать при выдаче займов.
3. Определены важные параметры заявки, влияющие на риск дефолта. Инвесторы при рассмотрении кандидата на кредит должны внимательно учитывать сумму, процент, отношение долга заемщика к его доходам.
Для взаимодействия пользователя со скоринговыми моделями было разработано приложение-анализатор с помощью платформы Unity3D. Оно отвечает требованиям в постановке задачи. Основной функционал, необходимый для управления программой, был заложен в информационную систему. Разработка приложения велась по необходимым стандартам с подготовкой логической модели и ее последующей реализацией в программном продукте. Мобильное приложение было протестировано и показало свою эффективность на реальных примерах использования с хорошими результатами.
Основные результаты работы:
1. Логистическая модель регрессии имеет лучшие значения точности и достоверности, по сравнению с random forest. Считается, что это не самые лучшие показатели для задачи предсказания дефолта клиента. Инвестора больше беспокоит вероятность определения плохого заемщика в качестве хорошего.
2. Random forest имеет меньшую достоверность, но обладает большим значением полноты, по сравнению с логистической регрессией. Эта модель понравится инвестору, который не любит рисковать при выдаче займов.
3. Определены важные параметры заявки, влияющие на риск дефолта. Инвесторы при рассмотрении кандидата на кредит должны внимательно учитывать сумму, процент, отношение долга заемщика к его доходам.
Для взаимодействия пользователя со скоринговыми моделями было разработано приложение-анализатор с помощью платформы Unity3D. Оно отвечает требованиям в постановке задачи. Основной функционал, необходимый для управления программой, был заложен в информационную систему. Разработка приложения велась по необходимым стандартам с подготовкой логической модели и ее последующей реализацией в программном продукте. Мобильное приложение было протестировано и показало свою эффективность на реальных примерах использования с хорошими результатами.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.