Виявлення ключових індикаторів ризику дефолту банків методами машинного навчання

Скорочена інформація про документ
dc.contributor.advisorТимошенко, Юрій Олександрович
dc.contributor.authorЛіхонін, Олег Вячеславович
dc.date.accessioned2026-09-30T15:05:24Z
dc.date.available2026-09-30T15:05:24Z
dc.date.issued2026
dc.description.abstractДипломна робота: 71 с., 8 рис., 30 посилань, 1 додаток. Об’єктом дослідження є процеси оцінювання фінансової стійкості банківських установ та виявлення ознак їхнього переддефолтного стану. Предметом дослідження є фінансові індикатори та методи машинного навчання, що використовуються для прогнозування ризику дефолту банків. Метою роботи є виявлення ключових індикаторів ризику дефолту банків методами машинного навчання та побудова прогнозної моделі, здатної класифікувати банки за рівнем імовірності переходу до дефолтного стану. У роботі використано методи аналізу фінансової звітності, формування ознак за підходом CAMELS, бінарної класифікації, логістичної регресії, Random Forest, екстремального градієнтного бустингу XGBoost, оцінювання якості моделей за метриками ROC-AUC, PR-AUC, Precision, Recall, F2-score, а також інтерпретації результатів за допомогою SHAP. У результаті дослідження сформовано набір фінансових ознак на основі відкритої звітності НБУ, побудовано та порівняно моделі машинного навчання, обрано фінальну XGBoost-модель, виконано підбір порогу класифікації та визначено найважливіші індикатори дефолтного ризику. Отримані результати можуть бути використані як допоміжний інструмент раннього попередження для ризик-менеджменту, банківського нагляду та аналітичної підтримки ухвалення рішень.
dc.description.abstractotherBachelor thesis: 71 pages, 8 figures, 30 references, 1 appendix. The object of the study is the process of assessing the financial stability of banking institutions and identifying signs of their pre-default condition. The subject of the study is financial indicators and machine learning methods used to predict the risk of bank default. The purpose of the work is to identify key indicators of bank default risk using machine learning methods and to build a predictive model capable of classifying banks by the probability of transition to a default state. The work uses methods of financial statement analysis, feature construction based on the CAMELS approach, binary classification, logistic regression, Random Forest, extreme gradient boosting XGBoost, model quality evaluation using ROC-AUC, PR-AUC, Precision, Recall and F2-score metrics, as well as SHAP-based interpretation. As a result, a set of financial features was formed based on open NBU reporting data, machine learning models were built and compared, the final XGBoost model was selected, the classification threshold was optimized, and the most important indicators of default risk were identified. The obtained results can be used as a supporting early warning tool for risk management, banking supervision and analytical decision support.
dc.format.extent72 с.
dc.identifier.citationЛіхонін, О. В. Виявлення ключових індикаторів ризику дефолту банків методами машинного навчання : дипломна робота … бакалавра : 122 Комп'ютерні науки / Ліхонін Олег Вячеславович. – Київ, 2026. – 72 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/83614
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectдефолт банку
dc.subjectмашинне навчання
dc.subjectxgboost
dc.subjectrandom forest
dc.subjectлогістична регресія
dc.subjectcamels
dc.subjectфінансові індикатори
dc.subjectshap
dc.subjectкласифікація
dc.titleВиявлення ключових індикаторів ризику дефолту банків методами машинного навчання
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Likhonin_bakalavr.pdf
Розмір:
1.87 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи