Искусственный интеллект в кредитном скоринге

   В статье рассматриваются вопросы интеграции алгоритмов машинного обучения в системы кредитного скоринга в условиях ужесточения регуляторных стандартов. На материале нормативных требований ЕС и Банка России анализируется переход от статичных скоринговых карт к адаптивным ансамблевым архитектурам с непрерывным мониторингом. Отдельно разбираются риски утечки данных, латентной дискриминации.

1. Агосто А., Черкьелло П., Джюдичи П. Байесовские модели обучения для измерения относительного влияния ESG-факторов на кредитные рейтинги // International Journal of Data Science and Analytics. — 2025. — Т. 20, № 2. — С. 357–368. — DOI: 10.1007/s41060-023-00405-9.

2. Лебедев В. Ю. Машинное обучение в финансах: методы и модели : учебное пособие для вузов. — Москва : Юрайт, 2025. — 285 с. — (Высшее образование). — ISBN 978-5-534-19847-2.

3. Бозягу А. М., Михай Г. Д., Някшу А. К. и др. Сравнительный анализ моделей кредитного скоринга: глубокое обучение против больших языковых моделей // Paradigm. — 2025. — Т. 9, № 1. — С. 1235–1247.

4. Рао А., Келлер Т. Повышение точности моделей кредитного скоринга с использованием методов объяснимого искусственного интеллекта // Journal of Banking and Financial Dynamics. — 2025. — Т. 9, № 11. — С. 1–11.

5. Удару Б. Р. Объяснимый ИИ в кредитных моделях: баланс между предсказательной силой и прозрачностью // Journal of Information Systems Engineering and Management. — 2025. — Т. 11, № 4. — С. 189–201.

6. Валидация и верификация моделей машинного обучения : монография / под ред. С. В. Князева. — Санкт-Петербург : Лань, 2024. — 320 с. — ISBN 978-5-8114-9874-9.

7. Банк России. Рекомендации по управлению модельным риском : письмо Банка России от 30. 04. 2021 № ИН-06-31/37. — Москва, 2021.

8. Регламент Европейского Парламента и Совета Европейского Союза 2024/1689 «Об установлении гармонизированных правил в области искусственного интеллекта (Закон об искусственном интеллекте)» : принят 13 июня 2024 г. — Брюссель : Официальный журнал Европейского Союза, 2024.

9. Европейское банковское управление. Стандарты ЕБУ по управлению кредитным риском и оценке кредитоспособности заемщиков : документ EBA/GL/2021/06. — Лондон : EBA, 2021.

10. Сюй Р. Цифровые системы управления кредитными рисками и решения // European Journal of Business, Economics and Management. — 2025. — Т. 1, № 4. — С. 1–10.

11. Гао Р. Ц. Применение моделей персонального кредитного скоринга в потребительском кредитовании // SHS Web of Conferences. — 2025. — Т. 225. — С. 02001.

12. FinRegLab. Advancing the Credit Ecosystem: Machine Learning & Cash Flow Data in Consumer Underwriting [Электронный ресурс]. — Washington, D.C., 2025. — URL: https://finreglab.org (дата обращения: 21. 09. 2026).

13. HES FinTech. YEAZ Case Study: Reducing Decision-Making Time by 76% [Электронный ресурс]. — 2026. — URL: https://hesfintech.com/clients/yeaz/ (дата обращения: 21. 09. 2026).

14. Lendflow. What Is Automated Credit Decisioning and Why Lenders Are Adopting It [Электронный ресурс]. — 2026. — URL: https://www.lendflow.com/post/automated-credit-decisioning (дата обращения: 21. 09. 2026).

15. Орлов А. И. Теория принятия решений : учебник. — 4-е изд., испр. и доп. — Москва : Экзамен, 2024. — 573 с. — ISBN 978-5-377-19456-7.

16. Weng Y., Xu X., Huang Sh. The PGD Paradox in Credit Scoring: When Stronger Attacks Improve Accuracy but Worsen Fairness // ACM Transactions on Management Information Systems. — 2026. — DOI: 10.1145/3800973.3801018.

17. Amed S., Chan Yu H., Banerjee S. PDx — Adaptive Credit Risk Forecasting Model in Digital Lending using Machine Learning Operations // arXiv preprint. — 2025. — arXiv:2512.22305