Прогнозирование платежеспособности клиента для выдачи автокредита на основе анализа характеристик желаемого автомобиля

Данное исследование направлено на улучшение прогнозирования платежеспособности клиента при оформлении автокредита путем анализа характеристик желаемого автомобиля. Традиционные методы кредитного скоринга часто не позволяют охватить весь спектр факторов риска, связанных с невозвратом кредита. Это исследование направлено на повышение точности прогнозирования платежеспособности путем интеграции данных о конкретном транспортном средстве, таких как марка, модель, год выпуска, пробег, цена и тип двигателя, в модели машинного обучения. В этой статье рассматривается применение различных методов машинного обучения к набору данных, предоставленному крупным российским банком. Цель состоит в том, чтобы определить наилучшую модель, которая дает наиболее точный прогноз для целевой переменной - платежеспособности клиента в течение 12 месяцев. Было применено девять методов машинного обучения, и их эффективность сравнивалась с использованием показателей ROC-AUC и GINI. Наивысший балл GINI - 0,39 - был получен с использованием модели ensemble, stacking.