575
Vol. 5, No. 11 – Special Issue (EJMTCS)
ISSN: 2181-2861
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ
УПРАВЛЕНИЯ КРЕДИТНЫМИ РИСКАМИ
Пантелеева Анна Сергеевна
Мистюкова Диана Александровна
Саратовская государственная юридическая академия, студентки.
тел. +7(967)5036887,
тел. +7(960)5483517.
mail: p4n elee aann@yandex. u
E-mail: [email p o ec ed]
h ps://doi.o g/10.5281/zenodo.17535948
Аннотация: В статье рассматривается роль искусственного интеллекта в управлении кредитными
рисками. Описывается алгоритм использования искусственного интеллекта в процедуре кредитного
скоринга. И рассматриваются преимущества применения искусственного интеллекта на основе
алгоритма машинного обучение, в процедуре кредитного скоринга, по сравнению с традиционными
статистическими методами.
Ключевые слова: искусственный интеллект, машинное обучение, кредитный скоринг, кредитные
риски, дефолт.
Актуальность данной проблемы связана с тем, что в современном мире, где скорость и точность
принятия решений играют ключевую роль, кредитные организации сталкиваются с постоянной
необходимостью совершенствовать свои методы управления кредитными рисками. Традиционные
подходы, основанные на статистических моделях и экспертных оценках, постепенно уступают место
более мощным и гибким инструментам – искусственному интеллекту (ИИ) и машинному обучению
(МО). Эти технологии не просто оптимизируют существующие процессы, но и кардинально меняют
модель оценки кредитоспособности и предотвращения дефолтов.
Технологии ИИ стали неотъемлемой частью различных отраслей экономики, включая финансовый
сектор. Так, на начало 2024 года лидером по внедрению технологий искусственного интеллекта в
России является финансовый сектор [1]. Стратегии развития технологий ИИ активно реализуют такие
банки, как «Газпромбанк», «ВТБ», «Росбанк», «Банк Хоум Кредит», «Россельхозбанк», «Московский
кредитный банк» и ряд других банков.
Использование технологий ИИ ведет к радикальным изменениям в бизнес-модели традиционных
банков, их корпоративной структуре и движущих силах конкурентной борьбы, а также к появлению
совершенно новых операционных моделей, методов и инструментов оценки кредитных рисков. Он
возникает вследствие неисполнения, несвоевременного либо неполного исполнения должником
финансовых обязательств перед банком в соответствии с условиями договора. Управление
кредитными рисками представляет собой процесс выявления и оценки рисков, а также выбор методов
и инструментов для их минимизации. Поэтому, среди ключевых направлений применения ИИ в
банковской сфере можно выделить активное внедрять ИИ в процесс кредитного скоринга банка.
Кредитный скоринг – это система оценки кредитоспособности (или же кредитных рисков)
потенциального заемщика, основанная на численных статистических методах, которая используется
для составления прогноза поведения клиента. Основными источниками информации для построения
скоринговых моделей являются кредитная история заемщика, его анкета и собственная информация
кредитора. Данные для скоринговых систем получаются из вероятностей возвратов кредитов
отдельными группами заёмщиков, полученными из анализа кредитной истории тысяч людей. Поэтому,
анализ огромного объёма данных и разнообразие учитываемых показателей делает необходимым и
крайне целесообразным внедрение ИИ в скоринговые системы банков [2]. ИИ используется в скоринге
следующим образом [3]:
1) клиент заполняет заявку на один из кредитных продуктов (потреби-тельский кредит, кредитная
карта, автокредит или ипотека);
2) данные клиента дополняются информацией из различных источников
576
Vol. 5, No. 11 – Special Issue (EJMTCS)
ISSN: 2181-2861
(кредитной историей, трансакционной активностью, активностью по банковским продуктам и др.), на
основе которой генерируются различные статистические признаки;
3) обученная ИИ модель получает на вход обогащённые данные клиента
и на выходе формирует решение по выдаче кредита.
Ключевым преимуществом ИИ и методов МО в управлении кредитными рисками являются:
повышение точности и достоверности оценки финансовых рисков за счёт способности ИИ к
более точной и детальной оценке, что приводит к
меньшему количеству плохих кредитов.
ускоренное принятие кредитных решений, за счёт автоматизированного анализа данных. Такая
эффективность снижает операционные расходы и позволяет банкам быстрее реагировать на рыночные
изменения;
ранние сигналы оповещения, предоставляемые ИИ, обеспечивают проактивное вмешательство,
позволяя банкам взаимодействовать с заёмщиками, находящимися в группе риска, до наступления
дефолтов. Это приводит к существенному сокращению потерь по кредитам и списаний, что напрямую
влияет на прибыльность;
оптимизируя кредитные решения и более эффективно управляя рисками, ИИ помогает банкам
формировать более здоровые кредитные портфели.Вместе с тем существуют и критические риски
применения решений на основе методов ИИ в финансово банковской сфере. Так Это, в частности,
искажения автоматизации — когда автоматизируется решение, изначально содержащее ошибки.
Существует также вероятность использования некачественных данных при обучении ИИ, что
негативно влияет на качество работы сервисов [4]. Опасения вызывают риски вторжения в частную
жизнь клиентов финансовых организаций при сборе и использовании данных и этические риски,
связанные с национальным, религиозным, региональным компонентами (например, неправильное
обращение к клиенту). Поэтому ЦБ придерживается риск-ориентированного принцыпа в
регулировании развития ИИ в банковской сфере, который заключается в том, чтобы создавать
регуляторные условия, способствующие развитию технологии ИИ, но при этом следить за тем, чтобы
технология ИИ не разбалансировала финансовый рынок [5].
Вывод: Использование алгоритмов ИИ для управления кредитными рисками – важное направление
развития финансовой сферы. Колоссальный потенциал ИИ, открывают новые возможности в области
финансового анализа и оценки рисков. Использование алгоритмов машинного обучения позволяет
более точно прогнозировать кредитные риски, минимизируя вероятность дефолтов и улучшая качество
кредитных решений. Таким образом, несмотря на потенциальные риски, связанные с применением ИИ,
такие как возможная предвзятость алгоритмов и недостаточная прозрачность принятия решений,
искусственный интеллект становится неотъемлемой частью стратегии управления кредитными
рисками, значительно повышая её эффективность и точность.
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ:
1. Орлов С. Вычислительные платформы для искусственного интеллекта.
2. ИнформКурьер-Связь. [Электронный ресурс]. URL: h p://www.iksmedia.
3. u/a icles/5573446-Vychisli elnye-pla o my-dlya-iskus.h ml (дата обращения: 20.10.2025).
4. Опыт моделирования вероятности кредитного дефолта клиентов
5. микрофинансовых организаций (на примере одной МФО) / Поляков К.
6. Л., Жукова Л. В. // Экономический журнал Высшей школы экономики. -2019. - Т. 23. - №. 4. - С.
497 - 523.
7. Лаврушин О. И., Афанасьева О. Н. Банковское дело.
8. Современная система кредитования: учебное пособие. / Лаврушин О. И., Афанасьева О. Н.–
Москва: КноРус,– 2019.– С. 358.
9. Ноникашвили Г.Л. Обзор рационального применения искусственного
577
Vol. 5, No. 11 – Special Issue (EJMTCS)
ISSN: 2181-2861
10. интеллекта для повышения эффективности управления ИТ проектов в банковской отрасли //
ИТ- Стандарт. - 2024. - №1. - С. 55 - 62
11. Применение искусственного интеллекта на финансовом рынке. // Докла
12. Доклад для общественных консультаций. - Москва 2023.
