Нейросетевая модель оценки кредитного риска на основе транзакционных последовательностей клиентов банка

Постановка проблемы. Традиционные скоринговые модели используют преимущественно анкетные данные, кредитную историю и агрегированные характеристики клиента, тогда как последовательность операций по расчётному счёту содержит дополнительную информацию о фактическом финансовом поведении клиента. Для практического использования такого сигнала необходимо одновременно учитывать качество модели на более позднем временном срезе, вычислительную стоимость и устойчивость к различной длине транзакционных историй.

Цель. Разработать и экспериментально оценить нейросетевую модель кредитного риска по транзакционным последовательностям клиентов банка и определить архитектурные решения, обеспечивающие приемлемое соотношение качества на out-of-time выборке и стоимости инференса.

Результаты. Выполнен эксперимент на выборке около 3 млн кредитных заявок с временным разделением train/valid/OOT примерно 2,408/0,268/0,295 млн. Отмечено, что для каждой заявки использовалась история операций расчётного счёта за год до даты скоринга; длина последовательности ограничивалась диапазоном от 9 до 550 транзакций. В основной конфигурации применены двунаправленная GRU, entity embeddings категориальных признаков и TF-IDF-взвешенное усреднение word2vec для текстовых описаний операций. Установлено, что при базовом Gini OOT внутренней модели 51,49 конфигурация BiGRU с entity embeddings и TF-IDF-word2vec достигла Gini OOT 52,1, а добавление её скора к внутренней модели обеспечило uplift Gini +4,8 п.п. xLSTM увеличила Gini OOT до 52,3 и uplift до +4,9 п.п., но сопровождалась примерно 50%-ным ростом времени инференса. Для BiGRU измеренное время инференса составляло 2,9–3,3 мс на заявку.

Практическая значимость. Транзакционная модель может использоваться как дополнительный скоринговый сигнал в ансамбле с действующей табличной моделью банка. Полученные результаты показывают, что последовательное представление операций позволяет повысить разделяющую способность ансамбля на OOT-срезе при задержке, совместимой с онлайн-скорингом. Наиболее практичным вариантом в проведённом сравнении оказалась BiGRU: небольшое преимущество xLSTM по качеству не компенсировало увеличение вычислительной стоимости.