Нейросети в банковском кредитовании

НЕЙРОСЕТИ В БАНКОВСКОМ КРЕДИТОВАНИИ

Аннотация. В данной статье исследуются практические результаты внедрения нейросетевых технологий в банковское кредитование на примере крупнейших российских банков. Проанализирован опыт Сбербанка и Альфа-Банка по созданию и использованию нейросетевых моделей кредитного скоринга, рассмотрены финансовые эффекты и масштабы внедрения. Особое внимание уделено архитектуре единой нейросетевой модели, объединяющей различные источники данных на уровне векторных представлений. Приведены количественные показатели улучшения качества прогнозирования, выраженные в приросте метрики Джини. Выявлены ключевые преимущества нейросетевого подхода: повышение скорости принятия решений, минимизация кредитных рисков и недискриминационный характер. Рассмотрены актуальные проблемы, ограничения и перспективы развития нейросетевых технологий в кредитовании, включая вопросы безопасности данных и потенциальные области применения.

Ключевые слова: нейросетевой скоринг, кредитный риск, банковское кредитование, метрика Джини, искусственный интеллект.

NEURAL NETWORKS IN BANK LENDING

Abstract. This article explores the practical results of implementing neural network technologies in bank lending using the examples of major Russian banks. The experience of Sberbank and Alfa-Bank in creating and using neural network credit scoring models is analyzed, along with the financial effects and implementation scale. Special attention is paid to the architecture of a unified neural network model that combines various data sources at the level of vector representations. Quantitative indicators of prediction quality improvement, expressed in the Gini metric increase, are presented. Key advantages of the neural network approach are identified: faster decision-making, credit risk minimization, and non-discriminatory character. Current problems, limitations, and prospects for the development of neural network technologies in lending are considered, including data security issues and potential application areas.

Keywords: neural network scoring, credit risk, bank lending, Gini metric, artificial intelligence.

Революционные изменения в банковском секторе связаны с активным внедрением технологий искусственного интеллекта, особенно в области кредитования. Задача кредитного скоринга – оценка вероятности дефолта заемщика по кредиту – является критически важной для финансовых учреждений, поскольку точность этой оценки напрямую влияет на доходность и стабильность кредитного портфеля. Традиционные методы скоринга, основанные на логистической регрессии, решающих деревьях и других классических алгоритмах, постепенно уступают место более совершенным нейросетевым моделям. Нейросетевые технологии предлагают качественно новый подход к решению задачи кредитного скоринга, позволяя анализировать сложные последовательные данные без необходимости ручного конструирования признаков. Рекуррентные нейронные сети (RNN) и их модификации успешно обрабатывают кредитные истории, транзакционные данные и другие временные ряды, выявляя неочевидные закономерности и повышая точность прогнозирования. Это создает существенные конкурентные преимущества для банков, внедряющих подобные технологии. Практический опыт ведущих российских банков демонстрирует значительные финансовые и операционные эффекты от внедрения нейросетевых моделей в процессы кредитования. Повышение точности оценки кредитоспособности заемщиков, ускорение принятия решений, снижение операционных расходов и персонализация кредитных предложений – лишь часть преимуществ, которые получают финансовые учреждения, инвестирующие в развитие нейросетевых технологий.

Кредитный скоринг представляет собой одну из центральных задач банковской индустрии, направленную на оценку вероятности дефолта заемщика. Исторически задача кредитного скоринга решалась с использованием классических методов машинного обучения, оперирующих структурированными табличными данными. Стандартным подходом долгое время являлось применение логистической регрессии, решающих деревьев, ансамблевых методов и машин опорных векторов (SVM) на признаковых описаниях пар "клиент-кредит"^[1]. Такие модели работали преимущественно с данными анкет заявителей и агрегированными показателями их кредитных историй.

Однако с развитием вычислительных мощностей и нейросетевых архитектур произошел существенный сдвиг в подходах к решению задачи кредитного скоринга. Нейронные сети, в особенности их рекуррентные варианты, продемонстрировали значительное преимущество при работе с последовательными данными по сравнению с традиционными методами. В отличие от классических алгоритмов, требующих предварительной ручной генерации признаков, нейросетевые модели способны самостоятельно выявлять информативные паттерны непосредственно из сырых данных^[2].

Так, еще несколько лет назад для обучения скоринговой модели использовались только признаки, которые вручную собирал специалист по интеллектуальному анализу данных. Это занимало много времени, так как требовало проверки большого числа гипотез и построения широкого набора признаков, а также глубокого понимания области^[3]. Переход к рекуррентным нейронным сетям устранил необходимость в трудоемком ручном конструировании признаков, что стало одним из ключевых преимуществ нового подхода.

Рекуррентные нейронные сети (RNN) и их модификации, такие как LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit), изначально зарекомендовали себя в задачах обработки последовательностей в области компьютерной лингвистики^[4]. Эти архитектуры обладают механизмами "памяти", позволяющими учитывать не только текущий элемент последовательности, но и информацию из предыдущих элементов. Данное свойство делает их идеально подходящими для работы с временными рядами, включая финансовые транзакции и кредитные истории заемщиков.

Эволюция моделей кредитного скоринга также затронула сами источники данных. Если ранее банки ограничивались анкетными данными и агрегированными показателями, то современный подход предполагает использование богатых последовательных данных, включающих полную кредитную историю, транзакции по картам и счетам, а также другие поведенческие данные клиентов. Преимущество такого подхода заключается в том, что "при агрегировании последовательных данных теряется часть информации, содержащейся в них", тогда как нейросетевые модели способны извлекать и использовать эту информацию в полном объеме^[5]. Банковская деятельность генерирует значительные объемы последовательных данных, которые при правильном анализе могут существенно повысить точность оценки кредитоспособности заемщиков. В отличие от статических табличных данных, последовательные данные содержат временнýю компоненту, отражающую динамику финансового поведения клиента, что делает их особенно ценными для прогнозирования будущего поведения заемщика.

В контексте банковского кредитования выделяются несколько основных типов последовательных данных, обрабатываемых нейросетевыми моделями^[6]:

• Кредитные истории заемщиков. Как отмечается в работе Смирнова и Ступникова, кредитная история заемщика представляет собой "многомерный временной ряд, каждый элемент которого - это прошлый кредит заемщика, описываемый набором вещественных и категориальных признаков". Среди таких признаков: сумма и валюта кредита, срок, процентная ставка, сумма ежемесячного платежа, статус кредита, тип кредита, число просрочек и другие. Кредитная история несет в себе ценную информацию о способности клиента выполнять свои финансовые обязательства.
• Транзакционные данные по картам и счетам. Эти данные отражают повседневное финансовое поведение клиента: частоту и размеры операций, категории трат, регулярность поступлений, наличие сезонности в расходах и доходах. Такая информация позволяет выявить неочевидные закономерности в финансовом поведении, которые могут быть предикторами будущих трудностей с выплатами.
• Чековые данные. Ддобавление чековых данных в нейросетевую модель кредитного скоринга позволило достичь дополнительного прироста качества прогнозирования.
• Данные социального окружения. Эти данные помогают учитывать не только индивидуальные характеристики заемщика, но и контекст его социальных взаимодействий, что может быть значимым фактором при оценке кредитоспособности.

Преимущество нейросетевого подхода при работе с последовательными данными заключается в способности моделей самостоятельно выявлять сложные паттерны и зависимости без необходимости их предварительного определения человеком. Например, рекуррентная нейронная сеть может самостоятельно "понять", что определенная последовательность транзакций или история погашения предыдущих кредитов свидетельствует о повышенном риске дефолта, даже если эта связь не была явно сформулирована при разработке модели^[7].

Как отмечает Мирошниченко, "нейросети самостоятельно выделяют в данных корреляции с целевыми событиями и по ним предсказывают целевые события"^[8]. Это особенно ценно при работе со слабоструктурированными данными, где традиционные методы агрегации могут оказаться недостаточно эффективными.

В современной практике банковского кредитования используются несколько основных архитектурных подходов к построению нейросетевых моделей скоринга. Основное различие между ними заключается в способах обработки и интеграции данных из различных источников. End-to-end модели представляют собой интегрированные нейросетевые системы, которые принимают на вход сырые данные из нескольких источников и выдают итоговое предсказание вероятности дефолта. Преимущество такого подхода заключается в возможности тонкой настройки весов для каждого источника данных с учетом их взаимного влияния. Такая архитектура позволяет производить тонкую настройку весов для каждого источника данных благодаря взаимодействию между ними. Однако end-to-end модели имеют существенный недостаток, связанный с их комплексностью^[9]. Из-за сложной структуры и необходимости обработки больших объемов разнородных данных, обучение таких моделей может занимать значительное время. Кроме того, при таком подходе "мы лишаемся гибкости при тестировании новых подходов обработки отдельных источников данных — обучение end-to-end модели длится очень долго, заметить влияние отдельных улучшений в условиях ограничения времени и ресурсов становится трудно".

Альтернативный подход, получивший широкое распространение в практике российских банков, — это построение моделей на эмбеддингах последовательностей^[10]. В данном случае отдельные нейросетевые модели сначала обрабатывают различные источники данных по клиенту (транзакции, кредитные истории и т.д.), генерируя для каждого источника векторное представление (эмбеддинг). Эти эмбеддинги затем подаются на вход полносвязной нейронной сети, которая формирует итоговое предсказание.

Ключевое преимущество этого подхода в том, что "эмбеддинги содержат больше информации, чем скалярные предсказания моделей". Как поясняется в материалах Альфа-Банка, "вектор, формируемый моделью в последних полносвязных слоях, и является в данном случае эмбеддингом клиента по последовательности". Таким образом, вместо использования лишь итоговых скоров отдельных моделей, интегрированная модель получает доступ к более богатым представлениям данных, что позволяет учитывать более сложные взаимосвязи между различными источниками информации. Дополнительным преимуществом моделей на эмбеддингах является их модульность. Отдельные компоненты системы могут разрабатываться и совершенствоваться независимо, что ускоряет цикл разработки и внедрения. Более того, такой подход обеспечивает гибкость при добавлении новых источников данных — достаточно разработать соответствующую модель для генерации эмбеддингов, которые затем будут включены в общую систему.

Сбербанк, являясь крупнейшим банком Российской Федерации, стал одним из лидеров в области внедрения технологий искусственного интеллекта в финансовой сфере. Так, финансовый эффект от внедрения искусственного интеллекта в Сбербанке за 2022 год был оценен в впечатляющие 230 млрд рублей^[11]. Такой существенный экономический результат стал возможен благодаря масштабной интеграции нейросетевых технологий в различные бизнес-процессы банка, включая кредитование. Около 80% сделок оборотного кредитования и банковских гарантий рассматриваются с применением ИИ. За период 2021-2024 гг. банк инвестировал 55 млрд рублей в развитие технологий ИИ, что подтверждает стратегическую важность этого направления^[12]. Нейросети используются для оценки кредитоспособности, анализа репутации клиентов и управления рисками на основе разнообразных данных.

Альфа-Банк создал единую нейросетевую модель, объединяющую различные источники данных на уровне их векторных представлений, а не просто смешивающую результаты отдельных моделей. Для задачи кредитного скоринга в банке работают три модели на последовательных данных: на карточных транзакциях, на транзакциях расчетного счета и на данных кредитных историй. Архитектура модели позволяет формировать предсказания даже при отсутствии некоторых типов данных о клиенте, что расширяет возможности оценки новых клиентов или клиентов с ограниченной историей. Внедрение единой нейросетевой модели в Альфа-Банке обеспечило прирост метрики Джини на 1,8 пункта без добавления новых данных. При включении дополнительных источников (чековые данные, признаки социального окружения) прирост достиг 2,6 пункта, а с добавлением признаков табличной модели – 3,2 пункта^[13]. Значимость этих улучшений определяется прямой связью метрики с финансовыми показателями: каждый дополнительный пункт Джини может обеспечивать миллионы или даже миллиарды рублей дополнительной прибыли для крупного банка. Нейросетевые модели обеспечивают принятие кредитных решений "за секунды", что повышает удовлетворенность клиентов и позволяет обрабатывать больше заявок. Более точная оценка рисков минимизирует потери от невозврата кредитов и оптимизирует резервы. Модели, работающие исключительно с поведенческими данными, имеют недискриминационный характер, поскольку не используют социально-демографические характеристики заявителей. Как подчеркивают Смирнов и Ступников (2022), это соответствует растущим требованиям к этичному применению алгоритмов в финансовой сфере.

Революция в кредитном скоринге, обусловленная внедрением нейросетевых моделей, существенно изменила подходы к оценке кредитоспособности заемщиков в банковской сфере. Переход от традиционных моделей машинного обучения на агрегированных табличных данных к рекуррентным нейронным сетям, обрабатывающим последовательные данные, позволил достичь значительного повышения точности прогнозирования дефолтов и, как следствие, улучшения финансовых показателей банков.

Разнообразие архитектурных подходов к построению нейросетевых моделей кредитного скоринга, от end-to-end решений до модульных систем на основе эмбеддингов, обеспечивает банкам гибкость в выборе оптимальной стратегии в зависимости от доступных данных, вычислительных ресурсов и требований к скорости разработки.

Тщательная проработка технических аспектов реализации, включая векторизацию признаков, выбор архитектуры сети, функций потерь и применение специализированных техник обучения, является ключевым фактором, определяющим итоговое качество модели. Успешное решение таких проблем, как смещение выборки, требует не только технических инноваций, но и пересмотра бизнес-процессов, связанных с кредитованием.

Опыт ведущих российских банков, таких как Сбербанк и Альфа-Банк, демонстрирует значительный экономический эффект от внедрения нейросетевых моделей кредитного скоринга. Прирост метрики Джини на несколько пунктов конвертируется в многомиллионное увеличение прибыли за счет роста объемов кредитования при сохранении уровня риска.

Список использованных источников

1. Ветрова, Е. А. Искусственный интеллект в банковской сфере / Е. А. Ветрова, А. А. Ершова, Е. В. Бокарева // Человек. Общество. Инклюзия (Приложение). – 2023. – № S1-1. – С. 104-109. – EDN ZQUXTZ.
2. Воронов М.В. Системы искусственного интеллекта : учебник и практикум для вузов / М.В. Воронов, В.И. Пименов, И.А. Небаев. – Москва : Юрайт, 2024. – 268 с. – ISBN 978-5-534-17032-0.
3. Мирошниченко М.А. Влияние искусственного интеллекта на эффективность управления документами и знаниями в банковской сфере // Естественно-гуманитарные исследования. 2024. № 3 (53). С. 552-557.
4. Мирошниченко М.А. Применение искусственного интеллекта – современное технологическое решение в условиях цифровой экономики России / М.А. Мирошниченко, А.А. Абдулаллаева, К.К. Сивинцева // Вестник Академии Знаний. – 2023. – №1(54). – С. 393-399.
5. Мустафазаде, Х. К. Искусственный интеллект в банковской сфере / Х. К. Мустафазаде // Современные финансовые рынки в условиях новой экономики : Материалы 3-й Международной межвузовской научно-практической конференции, Москва, 22 февраля 2023 года. – Москва: Российский экономический университет имени Г.В. Плеханова, 2023. – С. 395-399. – EDN IJNKHD.
6. Пархоменко, В. Л. Этапы развития искусственного интеллекта в банковской сфере / В. Л. Пархоменко, И. С. Кулаева // Путеводитель предпринимателя. – 2024. – Т. 17, № 3. – С. 33-38. – DOI 10.24182/2073-9885-2023-17-3-33-38. – EDN FNVDRQ.
7. Пономаренко, В. И. Искусственный интеллект в банках сегодня: опыт и перспективы / В. И. Пономаренко, А. А. Рябова // Цифровая реальность: экономические, правовые и IT-аспекты : материалы Всероссийской с международным участием научно-практической конференции, Пятигорск, 19–21 ноября 2020 года. – Ставрополь: Дизайн-студия Б, 2020. – С. 456-459. – EDN ZMGZQS.
8. Смирнов В.С., Ступников С.А. Нейросетевой подход к оценке кредитного риска на данных кредитных историй // Вычислительная математика и кибернетика. 2022. № 3. С. 45-58.
9. Кочкин Т.Н. Применение искусственного интеллекта в банковской сфере на примере Сбербанка / Т.Н. Кочкин // Молодой ученый. – 2022. – № 4 (399). – С. 108-109. – URL: https://moluch.ru/archive/399/88284/ (дата обращения: 16.02.2025).
10. Смирнов Е.В. Скоринг за секунды: как нейросети изменили выдачу кредитов // РБК Тренды. 2023. URL: https://trends.rbc.ru/trends/industry/cmrm/644942449a7947981d14f327 (дата обращения: 21.02.2025).