Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?

Научные направления

Поделиться:

Разделы: Машиностроение
Размещена 05.05.2026. Последняя правка: 04.05.2026.
Просмотров - 93

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ СПРОСА НА БАНКОВСКИЕ ПРОДУКТЫ

Сулейманова София Алмазовна

Финансовый университет при правительстве РФ

студент

Дюдин Михаил Сергеевич, доцент, старший преподаватель кафедры «Математика и информатика», Финансовый Университет при Правительстве РФ, Краснодарский филиал


Аннотация:
В статье рассмотрены методы машинного обучения и модели нейронных сетей для прогнозирования спроса на банковские продукты. Перечислены наиболее распространенные модели машинного обучения для решения задач: логистическая регрессия, градиентный спуск, полностью связанные нейронные сети (MLP), рекурсивные нейронные сети (LSTM) и трансформаторы. Особое внимание уделяется выбору модели на основе типа данных: статические характеристики клиента или следующие действия пользователя. Рассматриваются самые большие проблемы, связанные с внедрением ИИ в банковском секторе, включая вопросы интерпретируемости моделей и качества данных. Сделан вывод, что применение нейросетевых моделей обеспечивает существенное превосходство над классическими подходами в определении потребности в финансовых инструментах, как по параметру точности, так и по параметру адаптивности.


Abstract:
The article discusses machine learning methods and neural network models for forecasting demand for banking products. The most common machine learning models for solving problems are listed: logistic regression, gradient descent, fully connected neural networks (MLP), recursive neural networks (LSTM), and transformers. Particular attention is paid to choosing a model based on the data type: static client characteristics or next user actions. The biggest challenges associated with the implementation of AI in the banking sector are examined, including issues of model interpretability and data quality. It is concluded that the use of neural network models provides significant superiority over classical approaches in determining the need for financial instruments, both in terms of accuracy and adaptability.


Ключевые слова:
машинное обучение; нейронные сети; банковские продукты; прогнозирование спроса; бинарная классификация; LSTM; трансформаторы

Keywords:
machine learning; neural networks; banking products; demand forecasting; binary classification; LSTM; transformers


УДК 004.415.53

Введение.

Сейчас в банках всё активнее применяют инструменты для анализа, чтобы лучше понимать рынок, управлять рисками и эффективнее работать с клиентами.[1, с. 1] У банков есть данные о своих клиентах: от возраста и пола до истории всех платежей, как они пользуются мобильными приложениями и что отвечают на рекламные предложения.[2, с. 3]

Актуальность.

Когда банк может предсказать, что людям понадобится — кредитные карты, займы или вклады — ему становится проще планировать рекламу и предлагать клиентам именно то, что им нужно.[3, с. 45]

Также для таких расчетов чаще всего использовали обычные статистические методы — например регрессию или моделей, которые смотрят на данные во времени. Но по мере того, как банковских данных становилось всё больше и они усложнялись, эти методы уже не справлялись так хорошо.

Им на смену пришли методы машинного обучения, особенно нейронные сети.[4, с. 112] Они умеют находить сложные связи между разными показателями и дают более точные предсказания.

Цели и задачи.

В банковском деле нейронные сети решают такие задач как:

  1. Предсказывать, как изменится спрос на кредиты и другие банковские продукты.
  2. Определять, насколько вероятно, что клиент откликнется на рекламное предложение.
  3. Изучать, что и в каком порядке делают пользователи в онлайн-сервисах.
  4. И многое другое.

Машинное обучение помогает банкам разбираться с огромными массивами клиентских данных и создавать модели.

Результаты.

Чаще всего применяют машинное обучение в банках:

  1. Кредитный скоринг: это когда модель предсказывает, вернёт ли заёмщик кредит. Она смотрит на его финансовые данные и другую информацию, а потом решает, можно ли выдать кредит.
  2. Анализ поведения клиентов: банки смотрят, как пользователи действуют в мобильных приложениях и онлайн-сервисах, чтобы понять, какие услуги могут им подойти.
  3. Предсказание будущих событий: например, сколько кредитов выдадут или сколько новых клиентов придёт в банк.

Для всего этого применяют как старые, проверенные алгоритмы, так и новейшие виды нейронных сетей. Какую именно модель выбрать, зависит от того, как устроены данные и что именно нужно решить.

Таблица 1. Сравнение моделей машинного обучения, используемых в банковской аналитике 

Модель

Тип данных

Основное приложение

Логистическая регрессия

Структурированные табличные

Кредитный рейтинг, прогноз отклика

Градиентный бустинг (XGboost, LightGBM и CatBoost)

Структурированные

Прогноз спроса

MLP

Табличные

Сегментация клиентов

LSTM

Временные ряды

Анализ транзакций

Transformer

Последовательности данных

Поведенческий анализ

Если надо что-то разложить по разным группам, часто берут логистическую регрессию.[3, с. 78] Этот способ очень любят в аналитике, ведь его просто использовать, что самое важное – все сразу становится ясным и понятным. Вот почему банки так часто выбирают логистическую регрессию, когда им что-то надо посчитать.

Суть логистической регрессии в том, что она вычисляет, с какой вероятностью данные попадет в ту или иную группу. Допустим, если надо угадать спрос, модель покажет, насколько велика вероятность, что клиент примет предложение банка или, наоборот, скажет «нет». Самое важное тут – это прозрачность: сразу понятно, как каждый элемент информации повлиял на окончательное решение. Аналитики видят не просто «да» или «нет», а понимают, почему программа решила именно так.

Но чтобы вычислять еще точнее, нынешние банки все чаще берут в работу так называемые ансамблевые методы. Их идея в том, чтобы собрать вместе прогнозы сразу от нескольких моделей, тогда итоговый ответ будет куда надежнее.

Одним из наиболее распространённых и эффективных методов машинного обучения, применяемых в современных аналитических системах, является градиентный бустинг. Алгоритмы семейства XGBoost, LightGBM и CatBoost получили широкое распространение в банковской сфере и стали стандартным инструментом для решения задач оценки рисков, кредитного скоринга и прогнозирования.[5, с. 240] Их популярность обусловлена высокой точностью моделей, а также способностью эффективно обрабатывать «зашумлённые» и неполные данные, содержащие случайные ошибки, пропуски или неточности. Особенно эффективно градиентный бустинг проявляет себя при анализе структурированных (табличных) данных, где он позволяет выявлять сложные, нелинейные и неочевидные взаимосвязи между различными признаками, что существенно повышает качество прогнозов и принятия решений в финансовой аналитике.

Есть еще усовершенствованный инструмент – это полносвязные нейронные сети, или просто MLP. Они лежат в основе многих нынешних способов разбора данных. В банках MLP применяют, чтобы что-то рассортировать или предсказать, особенно когда на входе много всяких разных данных. Например, с их помощью прикидывают, насколько вероятно, что клиент откликнется на какую-нибудь рекламную акцию. MLP здорово справляются с табличными данными, находя там непростые связи между разными элементами. Но чтобы они работали как надо, данные нужно очень тщательно подготовить: привести к общему виду, перевести текст в цифры, заполнить пропуски и выбрать самые важные моменты.

Научная новизна.

В отличие от программ, которые работают с данными, что не меняются, рекуррентные нейронные сети (RNN) специально сделаны для того, чтобы разбирать последовательности, где очень важен порядок происходящего. Самый известный из них – это LSTM. Такие сети умеют запоминать, что было раньше, и учитывать это, когда анализируют то, что происходит сейчас. В банках это помогает очень подробно смотреть, как меняются привычки клиентов: например, изучать историю их платежей или следить за тем, что они делают в онлайн-банке.

К самым новым и современным инструментам можно отнести трансформеры. Сначала их придумали для работы с языком, и они совершили настоящий прорыв благодаря своей «системе внимания»: теперь можно сразу проанализировать всю длинную последовательность и найти в ней самые главные части для предсказания. В финансовой сфере трансформеры помогают разбирать длинные цепочки событий в поведении клиента, находя скрытые связи между его действиями, даже если эти действия происходили в разное время.

Какой инструмент выбрать, всегда зависит от того, какие у тебя данные и какую задачу надо решить. MLP лучше всего работают с упорядоченными табличными данными (например, с информацией о клиентах), LSTM очень нужны, когда анализируют последовательности (вроде истории платежей или действий в онлайн-банке), а трансформеры хороши, когда надо одновременно обрабатывать и очень глубоко изучать сложное поведение.

В банковской сфере трансформеры могут применяться для:

  1. разбора всей истории финансовых операций клиента;
  2. отслеживания, как клиент шаг за шагом взаимодействует с онлайн-сервисами;
  3. обработки запросов, которые приходят в службу поддержки.

Но внедрить эти современные программы для анализа – это не только выбрать нужный алгоритм. Банки сталкиваются с несколькими серьезными трудностями:

    Качество данных: часто бывает, что информация разбросана по разным системам, и собрать все это в одно целое – задача не из легких.

    Прозрачность: если программа отказывает клиенту (например, в кредите), но не может объяснить, почему, то это может обернуться юридическими проблемами и подорвать доверие.

    Затраты: чтобы научить сложные модели работать, нужно дорогое оборудование и толковые специалисты, а таких на рынке не так уж много.

Заключение.

Исследования показывают: новые программы намного точнее предсказывают спрос, чем старые способы. Если надо что-то рассортировать, по-прежнему впереди градиентный бустинг и MLP, а вот для изучения того, как меняется поведение клиентов, без LSTM и трансформеров уже не обойтись. Благодаря этим инструментам банки могут не только тратить меньше на рекламу, но и строить долгие и хорошие отношения с клиентами, предлагая им именно то, что им нужно.

Библиографический список:

1. Нейросети для финансистов: автоматизация прогнозирования с Prophet FB и Python для краткосрочного планирования [Электронный ресурс]. – 2023. – Режим доступа: https://servicerubin.ru/neyroseti-dlya-finansistov-avtomatizatsiya-prognozirovaniya-s-prophet-fb-i-python-dlya-kratkosrochnogo-planirovaniya/ (дата обращения: 19.04.2026).
2. Центральный банк Российской Федерации. Консультационный доклад о развитии искусственного интеллекта в финансовом секторе [Электронный ресурс]. – 2025. – Режим доступа: https://cbr.ru/Content/Document/File/185193/Consultation_Paper_20112025.pdf (дата обращения: 19.04.2026).
3. Рашка С. Python и машинное обучение [Электронный ресурс] / С. Рашка. – Режим доступа: https://www.litres.ru/book/s-rashka/python-i-mashinnoe-obuchenie-48411231/ (дата обращения: 19.04.2026).
4. Жерон О. Прикладное машинное обучение с использованием Scikit-Learn, Keras и TensorFlow / О. Жерон. – 2-е изд. – СПб. : Питер, 2021. – 688 с. – Режим доступа: https://dokumen.pub/scikit-learn-keras-tensorflow-2nbsped-9785907203334.html (дата обращения: 19.04.2026).
5. Червицкий С.В. Нейросетевые модели прогнозирования дефолта по кредитным картам: экспериментальное сравнение с XGBoost [Электронный ресурс] / С.В. Червицкий. – Режим доступа: https://drucker.npi-tu.ru/assets/files/dv-2025-6/21Chervitskiy-232-244.pdf (дата обращения: 19.04.2026).




Комментарии пользователей:

Оставить комментарий


 
 
▲
Вверх