Дослідження та впровадження моделі логістичної регресії для прогнозування фінансової поведінки клієнтів у вебзастосунку «Банківський асистент»

Abstract

Метою роботи є розробка та впровадження веб-застосунку «Банківський асистент» з інтегрованою моделлю логістичної регресії для прогнозування фінансової поведінки клієнтів банку (ймовірності дефолту позичальників). Для досягнення мети у роботі вирішуються наступні основні задачі: аналіз предметної області та існуючих підходів до кредитного скорингу; дослідження математичних основ логістичної регресії та альтернативних моделей класифікації; проєктування архітектури програмної системи та бази даних; реалізація клієнт-серверного; навчання і тестування моделі на наборі даних; оцінка якості моделі за допомогою метрик точності, матриці невідповідностей, ROC-кривої та AUC. Методи дослідження: системний аналіз предметної області; методи статистичного аналізу і машинного навчання (логістична регресія, аналіз точності класифікації); об’єктно-орієнтоване проєктування програмного забезпечення; моделювання та методи оцінювання якості прогнозних моделей. Результатом роботи є програмна система – веб-застосунок «Банківський асистент», що дозволяє автоматично оцінювати кредитоспроможність клієнтів на основі введених даних про них, використовуючи модель логістичної регресії. Практичне значення одержаних результатів полягає в підвищенні ефективності управління кредитними ризиками за рахунок автоматизації процесу скорингу. Розроблений застосунок може бути інтегрований у реальні бізнес-процеси банківських установ для підтримки прийняття рішень щодо видачі кредитів. Використання моделі логістичної регресії забезпечує інтерпретованість результатів та відповідність регуляторним вимогам. Наукова новизна роботи полягає у вдосконаленні методики оцінювання кредитоспроможності шляхом поєднання класичного статистичного підходу (логістичної регресії) з сучасними практиками розробки веб-застосунків, розширенні набору критеріїв оцінки якості моделей (ROC, AUC та ін.), а також проведенні порівняльного аналізу з альтернативними моделями класифікації.