Default Prediction for Auto Repair Services Firms in Russia Using Non-financial Data

Финансы и бизнес. 2024. Vol. 20. No. 3. P. 71–88.

Афанасьев В. В.

Традиционный подход к прогнозированию дефолтов предполагает использование финансовых коэффициентов в качестве объясняющих переменных в моделях классификации. В настоящем исследовании приводятся результаты, свидетельствующие о повышении качества прогнозирования дефолтов в случае включения в модели нефинансовых данных. В исследовании используется выборка из более чем 200 фирм, оказавшихся неплатежеспособными в период 2018–2023 гг., и 10 контрольных выборок (всего более 2200 наблюдений). Результаты показали, что использование только финансовых коэффициентов для авторемонтных организаций приводит к низкой точности оценки кредитного риска. В то же время включение в модель нефинансовых данных повышает точность на 7 п.п. Кроме того, в данном исследовании особое внимание уделяется правильному и прозрачному расчету значений объясняющих переменных: предлагаются два подхода к выбору теоретической даты прогнозирования. Это исследование может представлять интерес в первую очередь для кредитных организаций и контрагентов авторемонтных организаций.

Ключевые слова: машинное обучение, кредитный риск, machine learning, случайный лес, credit risk, random forest, default prediction, non-financial data, прогнозирование дефолта, нефинансовые данные, auto repair firms, авторемонтные фирмы