Automatiseeritud konto tühjenemise ennustamine jaepanganduses

Nimi
Eldar Hasanov
Kokkuvõte
Jaepangad kasutavad mitmeid eri lahendusi ja metoodikaid selleks, et töödelda klientide andmeid eesmärgiga pakkuda paremat teenindust. Üldiselt võivad kliendi tehingud ja rahavood anda kasulikku infot kliendi käitumise või selle mustrite kohta. Üks kliendi rahavoogude ja tehingute puhul kasutatavatest tehisintellektil põhinevatest tehnoloogiatest on konto tühjenemise ennustamine. Teame, et laekumiste ja väljamaksete vaheline tasakaal määrab kliendi majandusliku seisu ning selle tasakaalu ebaefektiivne haldamine võib viia kliendi pankrotti. Konto tühjenemise ennustamise abil on võimalik klientidele pakkuda paremat majandusstrateegiat ja toetada jaepanku, et need saaksid oma klientidele kompetentsemaid riskihaldusteenuseid pakkuda. Neid mudeleid on kasutanud ka paljud teised ettevõtted, et tuvastada potentsiaalseid probleeme ja hallata projekti arenduse käigus tekkivaid ebasoodsaid tagajärgi. Kuigi mõnedes uurimustes on ettevõtete rahavooge analüüsitud, pühenduvad vähesed uurimused rahavoogude ja tühjenemise ennustamise probleemidele jaepanganduses.
Selles töös näitame juhtumianalüüsi, kus kasutame tühjenemise ennustamise mudeli loomiseks masinõppelahendust. Meie töö on hinnata konto tühjenemist pärast määratud ennustusvahemikku. Meie finantsasutusest partneri pakutud andmekogum sisaldab aegrida kontojäägi andmetest kuue kuu jooksul ning kliendi ja pangakontoga seotud tunnuseid. Esmalt pakume välja algse lähenemisviisi, kus treenime sisendandmete abil
LightGBM-i klassifitseerija. Arvutuskeerukuse vähendamiseks integreerime konveieriga
Boruta ja BoostARoota tunnuste valiku metoodikad. Seejärel lisame mudeli jõudluse parandamiseks kolm tunnuste loomise metoodikat: manuaalne, FeatureTools ja TSFRESH.
Iga mudelit hinnatakse finantsasutuse anonümiseeritud andmekogumi väljavõtte põhjal.
Boruta ja BoostARoota ei näita oodatud paranemist sisendandmekogumi suuruse ja algoritmi arvutusaja tõttu. Lisaks ei näita tunnuste loomise metoodikad algse lähenemisviisiga võrreldes olulist paranemist. TSFRESHi jaoks on arvutuskeerukus probleem, teised metoodikad aga töötavad kiiremini.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Tarkvaratehnika
Juhendaja(d)
Marlon Dumas
Kaitsmise aasta
2019
 
PDF