ҚАРЖЫЛЫҚ ШЕШІМДЕРДІ ҚОЛДАУ ЖҮИЕЛЕРІНДЕГІ НЕСИЕЛІК СКОРИНГ ЖӘНЕ АЛАЯҚТЫҚТЫ АНЫҚТАУҒА АРНАЛҒАН АНСАМБЛЬДІК МАШИНАЛЫҚ ОҚУ МОДЕЛЬДЕРІН САЛЫСТЫРМАЛЫ ТАЛДАУ

Бұл мақалада қаржылық шешімдерді қолдау жүйелеріндегі несиелік скоринг пен алаяқтықты анықтаудың екілік жіктеу мәселесін шешу үшін ансамбльдік машиналық оқу алгоритмдерінің (Random Forest, Gradient Boosting, XGBoost) тиімділігі зерттеледі. Зерттеу барысында деректерді нақты уақыт режимінде өңдеуге арналған оқиғаға бағытталған архитектура, кросс-валидация және гиперпараметрлерді баптау әдістері қолданылды. Эксперименттік нәтижелер Random Forest пен XGBoost модельдерінің несиелік скорингте жоғары дәлдік көрсететінін, ал бустинг алгоритмдерінің алаяқтықты анықтауда тиімді екенін дәлелдеді. Сонымен қатар, құнға сезімтал табалдырықты калибрлеу тәуекелдерді басқаруды жақсартады, ал маңыздылықты талдау мінез-құлық көрсеткіштерінің дәстүрлі скорингтен басым екенін көрсетті. Алынған нәтижелер цифрлық несиелеудегі автоматты түрде тәуекелдерді бағалау мен антифродты жетілдіруге бағытталған ғылыми-әдістемелік және архитектуралық үлес болып табылады.

1. National Bank of the Republic of Kazakhstan. Banking sector statistics for 2024–2025 [Electronic resource]. – URL: https://www.nationalbank.kz (accessed: 20.01.2026).

2. Agency of the Republic of Kazakhstan for the Regulation of the Financial Market. Annual Report 2024–2025 [Electronic resource]. – URL: https://www.afsa.kz (accessed: 20.01.2026).

3. Xie X., Zhang F., Liu L., Yang Y., Hu X. Assessment of associated credit risk in the supply chain based on trade credit risk contagion // PLOS ONE. – 2023. – Vol. 18, No. 2. – https://doi.org/10.1016/j.ejor.2021.05.038.

4. Peng K., Yan G. A survey on deep learning for financial risk prediction // Quantitative Finance and Economics. — 2021. — Vol. 5, No. 4. — P. 716–737. — https://doi.org/10.3934/QFE.2021032.

5. V. Moscato, A. Picariello, and G. Sperli, "A benchmark of machine learning approaches for credit score prediction," Expert Systems with Applications, vol. 165, p. 113986, 2021. https://doi.org/10.1016/j.eswa.2020.113986.

6. S. Lessmann, B. Baesens, H. Seow, and L. C. Thomas, "Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research," European Journal of Operational Research, vol. 247, no. 1, pp. 124–136, 2015. https://doi.org/10.1016/j.ejor.2015.05.030.

7. N. Bussmann, P. Giudici, D. Marinelli, and J. Papenbrock, "Explainable machine learning in credit risk management," Computational Economics, vol. 57, pp. 203–216, 2021. https://doi.org/10.1007/s10614-020-10042-0.

8. Mestiri, S. Credit scoring using machine learning and deep learning-based models // Data Science in Finance and Economics. – 2024. – Vol. 4, No. 2. – P. 236–248. – https://doi.org/10.3934/DSFE.2024009.

9. Alatawi, M. Credit card fraud detection under extreme class imbalance using ensemble machine learning approaches // Applied Sciences. – 2025. – Vol. 15, No. 3. – Art. 6734. – https://doi.org/10.3390/app15036734.

10. Apache Software Foundation. Apache Kafka Documentation [Electronic resource]. – URL: https://kafka.apache.org/documentation (accessed: 01.02.2026).

11. Breiman L. Random forests // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32. – https://doi.org/10.1023/A:1010933404324.

12. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. – 2001. – Vol. 29, No. 5. – P. 1189–1232. – https://doi.org/10.1214/aos/1013203451.

13. Chen T., Guestrin C. XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD. – 2016. – P. 785–794. – https://doi.org/10.1145/2939672.2939785.

14. LoanGuard DSS: Architecture and Implementation of a Real-Time Credit Scoring and Fraud Detection System / D. Mityanin, D. Akhmadiyev, T. Berdamurat – Report, the International Campus, M. Kozybaev NKU. – Petropavlovsk, 2026. – 45 p.

15. Pedregosa F. et al. Scikit-learn: machine learning in Python // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830. – https://doi.org/10.5555/1953048.2078195.

16. Artillery.io. Artillery Load Testing Documentation [Electronic resource]. – URL: https://www.artillery.io/docs (accessed: 10.03.2026).

17. Dal Pozzolo A., Caelen O., Johnson R.A., Bontempi G. Calibrated Probability with Undersampling for Unbalanced Credit Card Fraud Detection // IEEE Transactions on Neural Networks and Learning Systems. – 2018. – Vol. 29, No. 10. – P. 4649–4662. – https://doi.org/10.1109/SSCI.2015.33.

18. Ala’raj M., Majdalawieh M., Abbod M.F. An explainable data-driven decision support framework for strategic customer development // Knowledge-Based Systems. – 2024. – Vol. 295. – Art. 111761. – https://doi.org/10.1016/j.knosys.2024.111761.

19. Hadji Misheva B., Osterrieder J., Hirsa A., Kulkarni O., Lin S. F. Explainable AI in Credit Risk Management // arXiv:2103.00949. — 2021. — https://doi.org/10.48550/arXiv.2103.00949.