Чернова М. В.

Введение. Современный банковский сектор функционирует в условиях высокой конкуренции, роста объемов кредитования и увеличения требований к управлению рисками. В этих условиях особую значимость приобретает проблема оценки кредитоспособности заемщиков и минимизация риска невозврата кредита. Развитие цифровых технологий и увеличение объемов данных обуславливает необходимость совершенствования аналитических инструментов, которые используются в кредитном скоринге. Традиционная модель логистической регрессии, обладающая высокой интерпретируемостью, конкурирует с «черными ящиками» машинного обучения, обеспечивающими более высокую точность прогнозирования. Это формирует актуальную научную задачу выбора оптимальной методологии оценки кредитного риска.Целью исследования является анализ теоретико-методологических основ построения скоринговых моделей на базе логистической регрессии, а также определение факторов, влияющих на качество оценки кредитного риска и эффективность применения данных моделей в банковском секторе.Материалы и методы. Методологическую основу исследования составляют статистический, эконометрический и кибернетический подходы теорий кредитного скоринга, риск-менеджмента и машинного обучения. В работе использованы методы сравнительного анализа, обобщения и систематизации научных подходов к построению скоринговых моделей. В качестве основного инструмента анализа рассматривается логистическая регрессия для прогнозирования вероятности невозврата кредита, а также учтены современные подходы, основанные на алгоритмах машинного обучения.Результаты. Прежде всего определены ключевые этапы разработки скоринговых моделей, включая подготовку данных, отбор признаков и оценку параметров. Установлено, что логистическая регрессия сохраняет значительную практическую ценность благодаря своей интерпретируемости и соответствию регуляторным требованиям. Выявлены основные ограничения логит-моделей, такие как чувствительность к качеству данных и ограниченная способность учитывать сложные нелинейные зависимости.Выводы. Скоринговые модели являются ключевым инструментом управления кредитным риском в банковской деятельности. Логистическая регрессия, несмотря на развитие более сложных алгоритмов, остается востребованной благодаря прозрачности и надежности результатов. Повышение эффективности скоринговых моделей требует комплексного учета качества данных, корректного выбора признаков и адаптации моделей к изменяющимся условиям внешней среды. Ядром логистической регрессии является метод максимального правдоподобия. В рамках эконометрики функцию максимального правдоподобия максимизируют, в машинном обучении минимизируют обратную функцию потерь. Перспективным направлением является комбинированное применение логистической регрессии с более точными методами.