Сравнительный анализ точности методов машинного обучения при прогнозировании кредитных рейтингов машиностроительных компаний

Целью данного исследования является сравнение предсказательной способности различных моделей машинного обучения для воспроизведения кредитных рейтингов Moody’s, присвоенных машиностроительным компаниям. Исследование закрывает целый ряд пробелов в знаниях, обнаруженных в литературе и связанных с выбором объясняющих переменных и формированием выборки данных для моделирования. Решаемая задача является актуальной. Наблюдается растущая потребность в высокоточных, но недорогих моделях воспроизведения кредитных рейтингов машиностроительных компаний (внутренних кредитных рейтингов). Это связано с постоянным ростом кредитных рисков компаний в отрасли, а также с ограниченным количеством присвоенных публичных рейтингов от международных рейтинговых агентств из-за высокой стоимости рейтингования. В статье сравнивается предсказательная сила трех моделей машинного обучения: упорядоченной логистической регрессии, случайного леса и градиентного бустинга. Выборка компаний включает 109 предприятий машиностроительной отрасли из 18 стран за период с 2005 по 2016 год. В качестве объясняющих переменных используются финансовые показатели компаний, соответствующие отраслевой методологии Moody’s, и макроэкономические показатели стран базирования компаний. Результаты показали, что наибольшей предсказательной способностью обладают модели искусственного интеллекта. Модель случайного леса продемонстрировала точность предсказания 50%, модель градиентного бустинга – 47%. Их предсказательная способность практически в два раза превосходит точность упорядоченной логистической регрессии (25%). Помимо этого, в статье протестированы два различных способа формирования выборки: случайно и с учетом фактора времени. Результат показал, что применение случайной выборки увеличивает предсказательную силу моделей. Включение в модель макроэкономических переменных не улучшает их предсказательную силу. Объяснение заключаться в том, что рейтинговые агентства для обеспечения стабильности рейтинговых оценок следуют подходу «через цикл». Результаты исследования могут быть полезны для исследователей, занятых оценкой точности эмпирических методов моделирования кредитных рейтингов, а также практиков в банковской отрасли, непосредственно использующих такие модели для оценки кредитоспособности машиностроительных компаний.