Спеціалізована комп’ютерна система прогнозування кредитного ризику та відтоку клієнтів у банках

Скорочена інформація про документ
dc.contributor.advisorМорозов, Костянтин Вячеславович
dc.contributor.authorУс, В`ячеслав Сергійович
dc.date.accessioned2024-12-26T08:46:05Z
dc.date.available2024-12-26T08:46:05Z
dc.date.issued2024
dc.description.abstractАктуальність теми. Сучасний банківський бізнес характеризується високим рівнем конкуренції та ризиків. Ключовим ризиком для банків є кредитний ризик та відтік клієнтів. Кредитний ризик визначається як ймовірність втрати банком коштів через несплату кредиту з боку клієнта, в той час як відтік клієнтів може призвести до зменшення доходів банку та погіршення його конкурентоспроможності. В наш час банки повинні мати ефективні системи управління ризиками, для мінімізації своїх втрат та підвищення конкурентоспроможності. Важливим інструментом управління ризиками є спеціалізовані комп’ютерні системи прогнозування кредитного ризику та відтоку клієнтів. Тому розробка та втілення таких систем є досить актуальним питанням для сучасного банківського сектора. Використання сучасних методів та інструментів, таких як машинне навчання та великі дані, може допомогти банкам мінімізувати втрати у сучасному фінансовому середовищі. Мета роботи: експериментальним шляхом дослідити існуючі моделі машинного навчання, виконати їх аналіз, та на основі отриманих результатів, запропонувати ефективніший метод для спеціалізованої комп’ютерної системи прогнозування кредитного ризику та відтоку клієнтів у банках. Об’єктом дослідження є процеси прогнозування кредитного ризику та відтоку клієнтів у банківських установах Предметом дослідження є методи машинного навчання, їх моделі та програмні комплекси прогнозування кредитного ризику та відтоку клієнтів банку. Методи дослідження: методи машинного навчання – логістична регресія, випадковий ліс, k-найближчих сусідів, нейронні мережі. Наукова новизна полягає в наступному: • запропоновано ансамблевий спосіб прогнозування відтоку клієнтів, який використовує сильні сторони набору окремих методів машинного навчання; • розроблено модель на основі нейронної мережі, яка забезпечує підвищення точності прогнозування кредитного ризику. Практична цінність: розроблена спеціалізована комп’ютерна система прогнозування кредитного ризику та відтоку клієнтів у на основі запропонованих моделей може забезпечити банкам ефективність управління ризиками та сприятиме покращенню обслуговування клієнтів Апробація роботи. Основні положення і результати роботи були представлені та обговорювались на: - XVII науково-практичній конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» ПМК-2024 факультету прикладна математика (Київ, 20 -22 листопада 2024 р.); - XI Міжнародна науково-технічна Internet-конференція «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами». 27 листопада 2024 р. – К.: НУХТ, 2024. Публікації: за темою дослідження опубліковано дві наукові праці – тези доповідей на конференціях. Структура та обсяг роботи. Представлена магістерська дисертація виконана відповідно до встановлених вимог щодо структури та обсягу наукових робіт. Магістерська дисертація складається з вступу, чотирьох основних розділів, висновків по кожному розділу та загальних висновків по роботі в цілому. У вступі обґрунтовано актуальність обраної теми, визначено мету, завдання, об’єкт та предмет дослідження, розкрито наукову новизну та практичну цінність отриманих результатів. Перший розділ присвячено теоретичним аспектам СКС та прогнозування кредитного ризику та відтоку клієнтів у банківській сфері. В ньому проведено аналіз існуючих методів прогнозування, виявлено їх переваги та недоліки, обґрунтовано доцільність застосування методів машинного навчання. У другому розділі розглянуто методи машинного навчання, проведено порівняльну характеристику. У третьому розділі розроблено спеціалізовану комп’ютерну систему прогнозування кредитного ризику та відтоку клієнтів яка використовує методи машинного навчання. Четвертий розділ присвячено практичній реалізації методів машинного навчання для прогнозу кредитного ризику та відтоку клієнтів у банках. Був розроблений ансамблевий метод (Stacking Ensemble) для прогнозу відтоку клієнтів, який поєднує переваги різних машинних методів для підвищення точності прогнозування. А для прогнозування кредитного ризику була реалізована повнозв’язна нейронна мережа, яка показала високі результати у задачі прогнозування схвалення позики. У висновках узагальнено основні результати дисертаційного дослідження, сформульовано висновки та рекомендації щодо подальшого використання розробленої системи. Загальний обсяг магістерської дисертації становить 127 сторінок, у тому числі 90 сторінок основного тексту, включаючи 31 рисунків, 6 таблиць. Ключові слова: банківська сфера, кредитний ризик, відтік клієнтів, прогнозування, методи машинного навчання, нейронні мережі, спеціалізована комп’ютерна система.
dc.description.abstractotherRelevance of the Topic. Modern banking business is characterized by a high level of competition and risk. A key risk for banks is credit risk and customer attrition. Credit risk is defined as the probability of a bank losing funds due to a client's failure to repay a loan, while customer attrition can lead to reduced bank revenues and decreased competitiveness. Today, banks must have effective risk management systems to minimize losses and enhance competitiveness. A crucial tool for risk management is specialized computer systems for forecasting credit risk and customer attrition. Therefore, the development and implementation of such systems is a pressing issue for the contemporary banking sector. The use of modern methods and tools, such as machine learning and big data, can help banks minimize losses in the current financial environment. Objective of the Work. The objective of this study is to experimentally investigate existing machine learning models, perform an analysis of these models, and, based on the obtained results, propose a more effective method for the specialized computer system of forecasting credit risk and customer attrition in banks. Object of the Study. The processes of forecasting credit risk and customer attrition in banking institutions. Subject of the Study. Machine learning methods, their models, and software systems for forecasting credit risk and customer attrition in banks. Research Methods. Machine learning methods – logistic regression, random forest, k-nearest neighbors, and neural networks. Scientific Novelty. The scientific novelty of this work is as follows: - an ensemble method for predicting customer churn is proposed, which uses the strengths of a set of individual machine learning methods; - a neural network-based model has been developed, improving the accuracy of credit risk forecasting. Practical Value. The developed specialized computer system for forecasting credit risk and customer attrition, based on the proposed models, can enhance banks' risk management effectiveness and improve customer service. Implementation of the Work. The main findings and results of the work were presented and discussed at the following conferences: - The XVII Scientific and Practical Conference of Master's and PhD Students "Applied Mathematics and Computing" PMK-2024, Faculty of Applied Mathematics (Kyiv, November 20-22, 2024); - The XI International Scientific and Technical Internet Conference "Modern Methods, Information, Software, and Technical Support for the Control Systems of Organizational and Technological Complexes", November 27, 2024, Kyiv, National University of Food Technologies (NUFT). Publications. Two scientific papers related to the research topic have been published as conference abstracts. Structure and Volume of the Work. The presented Master's thesis is structured according to the established requirements for scientific works. The thesis consists of an introduction, four main chapters, conclusions for each chapter, and general conclusions. The introduction justifies the relevance of the chosen topic, defines the goal, objectives, object, and subject of the research, and reveals the scientific novelty and practical value of the results obtained. The first chapter covers the theoretical aspects of specialized computer systems and forecasting credit risk and customer attrition in the banking sector. It analyzes existing forecasting methods, identifies their strengths and weaknesses, and justifies the feasibility of applying machine learning methods. The second chapter discusses machine learning methods and provides a comparative analysis. The third chapter develops a specialized computer system for forecasting credit risk and customer attrition using machine learning methods. The fourth chapter is dedicated to the practical implementation of machine learning methods for forecasting credit risk and customer attrition in banks. An ensemble method (Stacking Ensemble) was developed for forecasting customer attrition, combining the advantages of different machine learning methods to improve prediction accuracy. A fully connected neural network was implemented for forecasting credit risk, demonstrating high results in predicting loan approvals. In the conclusions, the main results of the dissertation research are summarized, and recommendations for further use of the developed system are formulated. The total volume of the Master's thesis is 127 pages, including 90 pages of the main text, 31 figures, and 6 tables. Keywords: banking sector, credit risk, customer attrition, forecasting, machine learning methods, neural networks, specialized computer system.
dc.format.extent92 с.
dc.identifier.citationУс, В. С. Спеціалізована комп’ютерна система прогнозування кредитного ризику та відтоку клієнтів у банках : магістерська дис.: 123 Комп'ютерна інженерія / Ус Іван Олександрович . – Київ, 2024. – 92 с
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/71358
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectбанківська сфера
dc.subjectкредитний ризик
dc.subjectвідтік клієнтів
dc.subjectпрогнозування
dc.subjectметоди машинного навчання
dc.subjectнейронні мережі
dc.subjectспеціалізована комп’ютерна система
dc.subjectbanking sector
dc.subjectcredit risk
dc.subjectcustomer attrition
dc.subjectforecasting
dc.subjectmachine learning methods
dc.subjectneural networks
dc.subjectspecialized computer system
dc.titleСпеціалізована комп’ютерна система прогнозування кредитного ризику та відтоку клієнтів у банках
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Us_VS_KV32mp_magistr_2024.docx
Розмір:
1.94 MB
Формат:
Microsoft Word XML
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

Магістерські роботи (СПСКС)
Магістерські роботи