Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: credit risk, enterprise segmentation, clustering, classification, financial ratios, machine learning, кредитный риск, сегментация предприятий, кластеризация, классификация, финансовые коэффициенты, машинное обучение
Аннотация: В данной работе рассматривается методика сегментации и классификации кредитного риска предприятий на основе финансовых коэффициентов из набора данных о кредитных рейтингах компаний. Цель исследования - построить классификаторы, которые позволят проверить гипотезу о достаточности бухгалтерских показателей для прогнозирования кредитоПоказать полностьюспособности с F1-score не ниже 0,75. В данной работе выдвигается гипотеза о том, что двухэтапный подход - сначала сегментация предприятий по ключевым финансовым коэффициентам, а затем классификация их уровня кредитного риска - позволяет получить более надежную модель кредитного риска. Для этого данные прошли очистку, стандартизацию и кодирование меток, после чего применялась модель Random Forest с учетом несбалансированности классов. Random Forest показал наилучшие результаты (accuracy 0,81; macro F1 ≈ 0,72; ROC AUC ≈ 0,85), а ключевыми факторами риска стали долгосрочный долг (капитал), чистая прибыль и валовая прибыль. Полученные результаты подтверждают выдвинутую гипотезу и показывают эффективность комбинации кластеризации и классификации для оценки кредитного риска предприятий. This paper examines a methodology for segmenting and classifying enterprise credit risk based on financial ratios from a dataset of corporate credit ratings. The objective of the study is to construct classifiers that will test the hypothesis that accounting ratios are sufficient to predict creditworthiness with an F1-score of at least0.75. This paper hypothesizes that a two-stage approach - first segmenting enterprises by key financial ratios and then classifying their credit risk levels - provides a more robust credit risk model. To achieve this, the data was cleaned, standardized, and labeled, followed by the application of the Random Model. Forest taking into account class imbalance. Random Forest showed the best results (accuracy 0.81; macro F1 ≈ 0.72; ROC AUC ≈ 0.85), and the key risk factors were long-term debt (equity), net profit, and gross profit. The obtained results confirm the proposed hypothesis and demonstrate the effectiveness of the combination of clustering and classification for assessing the credit risk of enterprises.
Журнал: Глобальный научный потенциал
Выпуск журнала: №7
Номера страниц: 407-410
ISSN журнала: 19979355
Место издания: Санкт-Петербург
Издатель: МОО ФРНК