Нейронные сети для задачи банковского скоринга на основе транзакционных данных
Аннотация
Шапошников М.В., НЕЙРОННЫЕ СЕТИ ДЛЯ ЗАДАЧИ БАНКОВСКОГО СКОРИНГА НА ОСНОВЕ ТРАНЗАКЦИОННЫХ ДАННЫХ, выпускная квалификационная работа: стр. 62, рис. 8, табл. 8, библ. 26 назв.
Ключевые слова: РЕККУРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, КРЕДИТНЫЙ СКОРИНГ, КАРТОЧНЫЕ ТРАНЗАКЦИИ, МНОГОМЕРНЫЕ ВРЕМЕННЫЕ РЯДЫ.
Данная работа посвящена разработке и анализу моделей машинного обучения для решения задачи банковского скоринга на истории транзакций клиентов банка по пластиковым картам. В работе представлено два решения: с использованием градиентного бустинга на деревьях и с помощью рекуррентных нейронных сетей. Эксперименты показывают, что рекуррентные сети оказываются проще в разработке, анализе и, самое главное, существенно лучше решают поставленную задачу. Ключевой вклад работы состоит в анонсировании, обсуждении и публикации первого открытого анонимизированного датасета с транзакциями клиентов банка.
Shaposhnikov M.V., Applying Neural Networks to Banking Scoring Using Transactional Data: pages 62, 8 images, 8 tables, 26 sources.
Keywords: RECCURENT NEURAL NETWORKS, BANKING SCORING, CARD TRANSACTIONS, MULTIVARIATE TIME-SERIES.
This paper presents various approaches to solve classical credit scoring problems using gradient boosting decision trees and recurrent neural networks. The experiments show that recurrent neural networks are easier to develop and maintain, analyze and improve. Moreover, neural networks outperform gradient boosting solutions by a significant margin in target metrics. The key contribution of this paper is presenting the first anonymized dataset with transactions of clients from one of the private banks.
Ключевые слова: РЕККУРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, КРЕДИТНЫЙ СКОРИНГ, КАРТОЧНЫЕ ТРАНЗАКЦИИ, МНОГОМЕРНЫЕ ВРЕМЕННЫЕ РЯДЫ.
Данная работа посвящена разработке и анализу моделей машинного обучения для решения задачи банковского скоринга на истории транзакций клиентов банка по пластиковым картам. В работе представлено два решения: с использованием градиентного бустинга на деревьях и с помощью рекуррентных нейронных сетей. Эксперименты показывают, что рекуррентные сети оказываются проще в разработке, анализе и, самое главное, существенно лучше решают поставленную задачу. Ключевой вклад работы состоит в анонсировании, обсуждении и публикации первого открытого анонимизированного датасета с транзакциями клиентов банка.
Shaposhnikov M.V., Applying Neural Networks to Banking Scoring Using Transactional Data: pages 62, 8 images, 8 tables, 26 sources.
Keywords: RECCURENT NEURAL NETWORKS, BANKING SCORING, CARD TRANSACTIONS, MULTIVARIATE TIME-SERIES.
This paper presents various approaches to solve classical credit scoring problems using gradient boosting decision trees and recurrent neural networks. The experiments show that recurrent neural networks are easier to develop and maintain, analyze and improve. Moreover, neural networks outperform gradient boosting solutions by a significant margin in target metrics. The key contribution of this paper is presenting the first anonymized dataset with transactions of clients from one of the private banks.