ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В КРЕДИТНОМ СКОРИНГЕ РОЗНИЧНЫХ ЗАЁМЩИКОВ: ОПЫТ АКБ «КАПИТАЛБАНК» (РЕСПУБЛИКА УЗБЕКИСТАН)
DOI:
https://doi.org/10.5281/zenodo.20749586Keywords:
кредитный скоринг, машинное обучение, XGBoost, SHAP-анализ, кредитоспособность физических лиц, банковский сектор, долговая нагрузка (DTI), управление кредитным риском.Abstract
Проведен сравнительный анализ методов машинного обучения, применяемых
в системе оценки кредитоспособности физических лиц, на примере АКБ «Капиталбанк». В рамках
исследования протестированы четыре модели: логистическая регрессия, случайный лес, градиентный
бустинг (XGBoost) и нейронная сеть. Обучение моделей осуществлялось на основе данных кредитного
портфеля банка за 2021–2024 гг. Установлено, что ключевыми предикторами дефолта являются долговая
нагрузка (DTI), история просроченных платежей и стабильность доходов заемщика. Предложена
трехэтапная модель внедрения ИИ-скоринга, обеспечивающая соответствие требованиям Центрального
банка Республики Узбекистан и международным регуляторным стандартам.
References
1. Uzbekistan’s Problem Loans Rise to 7 % in 2024, Moody’s Reports // Daryo. – 05.03.2025. – URL: https://daryo.uz/
en/2025/03/05 (дата обращения: 02.06.2026).
2. Газета.uz. Требования по выдаче населению кредитов ужесточаются с 01.07.2024 г. – 23.02.2024. – URL: https://
www.gazeta.uz/ru/2024/02/23/dsti/ (дата обращения: 02.06.2026).
3. Khandani A.E., Kim A.J., Lo A.W. Consumer Credit-Risk Models via Machine-Learning Algorithms // Journal of Banking
& Finance. – 2010. – Vol. 34, No. 11. – P. 2767–2787.
4. Lessmann S., Baesens B., Seow H.-V., Thomas L.C. Benchmarking State-of-the-Art Classification Algorithms for
Credit Scoring // European Journal of Operational Research. – 2015. – Vol. 247, No. 1. – P. 124–136.
5. Fitch Affirms Kapitalbank’s Rating with Upgraded “Positive” Outlook // Kursiv Media Uzbekistan. – 01.07.2025. – URL:
https://uz.kursiv.media/en/2025-07-01/ (дата обращения: 02.06.2026).
6. Durand D. Risk Elements in Consumer Instalment Lending. – New York: NBER, 1941. – P. 105–142.
7. Hosmer D.W., Lemeshow S. Applied Logistic Regression. – 2nd ed. – New York: Wiley, 2000. – 373 p.
8. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32.
9. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // The Annals of Statistics. – 2001. – Vol.
29, No. 5. – P. 1189–1232.
10. Bjorkegren D., Grissen D. Behavior Revealed in Mobile Phone Usage Predicts Loan Repayment // The World Bank
Economic Review. – 2020. – Vol. 34, No. 3. – P. 618–634.
11. Lundberg S.M., Lee S.I. A Unified Approach to Interpreting Model Predictions // Advances in NeurIPS. – 2017. – Vol.
30. – P. 4765–4774.
12. Regulation (EU) 2016/679 (GDPR). Article 22. – Brussels: European Union, 2016.
13. Regulation (EU) 2024/1689 (AI Act). Article 13. – Brussels: European Union, 2024.
14. Рашидов Р.А. Цифровизация банковского сектора Узбекистана: тенденции и риски // Экономика и финансы. –
2021. – № 4. – С. 35–42.
15. Закон Республики Узбекистан «О персональных данных» от 02.07.2019 г. № ЗРУ–547.: https://lex.uz/docs/4396428
16. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of KDD’16. – New York: ACM, 2016.
– P. 785–794.
17. Указ Президента Республики Узбекистан «О Стратегии реформирования банковской системы Республики
Узбекистан на 2020–2025 годы» от 12.05.2020 г. № УП–5992.: https://lex.uz/ru/docs/4811037
18. Financial Stability Board. AI and Machine Learning in Financial Services. – Basel: FSB, 2017. – 45 p.
19. Basel Committee on Banking Supervision. International Convergence of Capital Measurement (Basel II). – Basel: BIS,
2006. – 347 p.
20. Центральный банк Республики Узбекистан. Годовой отчёт за 2023 год. – Ташкент: Центральный банк Республики
Узбекистан, 2024. – URL: https://www.cbu.uz (дата обращения: 02.06.2026).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 GREEN ECONOMY AND DEVELOPMENT
This work is licensed under a Creative Commons Attribution 4.0 International License.