ЦИФРОВІ ІНСТРУМЕНТИ ОЦІНЮВАННЯ КРЕДИТОСПРОМОЖНОСТІ ПІДПРИЄМСТВ
Ключові слова:
кредитоспроможність; цифрові інструменти; машинне навчання; кредитний скоринг; фінансові технології; великі дані; альтернативні дані.
Анотація
Досліджено сучасні цифрові інструменти оцінювання кредитоспроможності підприємств. Запропоновано авторську класифікацію інструментів за шістьма групами. Здійснено порівняльний аналіз традиційного та цифрового підходів, обґрунтовано переваги ансамблевих методів машинного навчання.
Завантаження
Дані завантаження ще не доступні.
Посилання
1. Altman E. I., Iwanicz-Drozdowska M., Laitinen E. K., Suvas A. Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman's Z-Score Model. Journal of International Financial Management & Accounting. 2017. Vol. 28, № 2. P. 131–171.
2. Addo P. M., Guegan D., Hassani B. Credit Risk Analysis Using Machine and Deep Learning Models. Risks. 2018. Vol. 6, № 2. P. 38.
3. Barboza F., Kimura H., Altman E. Machine Learning Models and Bankruptcy Prediction. Expert Systems with Applications. 2017. Vol. 83. P. 405–417.
4. Lessmann S., Baesens B., Seow H.-V., Thomas L. C. Benchmarking State-of-the-Art Classification Algorithms for Credit Scoring: An Update of Research. European Journal of Operational Research. 2015. Vol. 247, № 1. P. 124–136.
5. Dastile X., Celik T., Potsane M. Statistical and Machine Learning Models in Credit Scoring: A Systematic Literature Survey. Applied Soft Computing. 2020. Vol. 91. Article 106263.
6. Bussmann N., Giudici P., Marinelli D., Papenbrock J. Explainable Machine Learning in Credit Risk Management. Computational Economics. 2021. Vol. 57. P. 203–216.
7. Dumitrescu E., Hué S., Hurlin C., Tokpavi S. Machine Learning for Credit Scoring: Improving Logistic Regression with Non-linear Decision-tree Effects. European Journal of Operational Research. 2022. Vol. 297, № 3. P. 1178–1192.
8. Bücker M., Szepannek G., Gosiewska A., Biecek P. Transparency, Auditability, and Explainability of Machine Learning Models in Credit Scoring. Journal of the Operational Research Society. 2021. Vol. 73, № 1. P. 70–90.
9. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. P. 785–794.
10. Leo M., Sharma S., Maddulety K. Machine Learning in Banking Risk Management: A Literature Review. Risks. 2019. Vol. 7, № 1. P. 29.
11. Basel Committee on Banking Supervision. Sound Practices: Implications of Fintech Developments for Banks and Bank Supervisors. Basel: BIS, 2018. 50 p.
12. European Banking Authority. EBA Report on Big Data and Advanced Analytics. EBA/REP/2020/01. London: EBA, 2020. 60 p.
13. Про визначення банками України розміру кредитного ризику за активними банківськими операціями: Постанова Правління НБУ від 30.06.2016 № 351. URL: https://zakon.rada.gov.ua/laws/show/v0351500-16
2. Addo P. M., Guegan D., Hassani B. Credit Risk Analysis Using Machine and Deep Learning Models. Risks. 2018. Vol. 6, № 2. P. 38.
3. Barboza F., Kimura H., Altman E. Machine Learning Models and Bankruptcy Prediction. Expert Systems with Applications. 2017. Vol. 83. P. 405–417.
4. Lessmann S., Baesens B., Seow H.-V., Thomas L. C. Benchmarking State-of-the-Art Classification Algorithms for Credit Scoring: An Update of Research. European Journal of Operational Research. 2015. Vol. 247, № 1. P. 124–136.
5. Dastile X., Celik T., Potsane M. Statistical and Machine Learning Models in Credit Scoring: A Systematic Literature Survey. Applied Soft Computing. 2020. Vol. 91. Article 106263.
6. Bussmann N., Giudici P., Marinelli D., Papenbrock J. Explainable Machine Learning in Credit Risk Management. Computational Economics. 2021. Vol. 57. P. 203–216.
7. Dumitrescu E., Hué S., Hurlin C., Tokpavi S. Machine Learning for Credit Scoring: Improving Logistic Regression with Non-linear Decision-tree Effects. European Journal of Operational Research. 2022. Vol. 297, № 3. P. 1178–1192.
8. Bücker M., Szepannek G., Gosiewska A., Biecek P. Transparency, Auditability, and Explainability of Machine Learning Models in Credit Scoring. Journal of the Operational Research Society. 2021. Vol. 73, № 1. P. 70–90.
9. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. P. 785–794.
10. Leo M., Sharma S., Maddulety K. Machine Learning in Banking Risk Management: A Literature Review. Risks. 2019. Vol. 7, № 1. P. 29.
11. Basel Committee on Banking Supervision. Sound Practices: Implications of Fintech Developments for Banks and Bank Supervisors. Basel: BIS, 2018. 50 p.
12. European Banking Authority. EBA Report on Big Data and Advanced Analytics. EBA/REP/2020/01. London: EBA, 2020. 60 p.
13. Про визначення банками України розміру кредитного ризику за активними банківськими операціями: Постанова Правління НБУ від 30.06.2016 № 351. URL: https://zakon.rada.gov.ua/laws/show/v0351500-16
Переглядів анотації: 4 Завантажень PDF: 5 Завантажень PDF: 0
Опубліковано
2026-05-31
Як цитувати
(1)
Смолінська, С.; Смолінський, В. ЦИФРОВІ ІНСТРУМЕНТИ ОЦІНЮВАННЯ КРЕДИТОСПРОМОЖНОСТІ ПІДПРИЄМСТВ. fp 2026, 198-207.
Розділ
Статті
