В 2026 году нейросети стали промышленным стандартом финансового скоринга. Они анализируют сотни транзакций за секунды, ранжируют заёмщиков точнее классических моделей и позволяют банкам одновременно снижать уровень дефолтов и повышать одобрение. Статья показывает, какие архитектуры и данные дают реальный эффект, как решают ключевые проблемы обучения и что ждёт рынок кредитования в ближайшие годы.
Что такое кредитный скоринг и как он работает в 2026 году
Кредитный скоринг оценивает вероятность дефолта — просрочки более 90 дней в горизонте 12 месяцев. Современные модели выдают скоринговый балл, по которому автоматически принимается решение о выдаче кредита. Основные метрики качества — Gini и ROC-AUC.
Нейросети уже не эксперимент. В 2026 году их используют Альфа-Банк, Сбер и другие лидеры рынка. Модели обрабатывают последовательности транзакций и данных БКИ, формируя представление клиента без ручной генерации признаков. Разница в 3–5 пунктов Gini напрямую влияет на прибыль или уровень дефолтов при фиксированном риске.
📌 Важно: К 2026 году качество нейросетевого скоринга определяет конкурентоспособность банка.
Какие виды скоринга существуют и где нейросети дают максимальный эффект
Банки применяют четыре основных типа скоринга:
- Application-scoring (заявочный) — оценка на этапе подачи заявки.
- Behavioral-scoring (поведенческий) — анализ поведения заёмщика в течение сотрудничества.
- Fraud-scoring — выявление мошенничества.
- Collection-scoring — работа с просроченной задолженностью.
Нейросети показывают наибольший прирост в application- и behavioral-скоринге за счёт способности работать с длинными последовательностями транзакций. В fraud- и collection-скоринге эффект меньше, поскольку там важнее табличные признаки и правила.
Какие данные используют нейросетевые модели скоринга
Модели обрабатывают три основных домена:
- Карточные транзакции — до 750 событий за год.
- Транзакции расчётного счёта — до 550 событий.
- Данные БКИ — до 50 событий.
Дополнительно используются графы социальных связей. Все данные обезличены. Нейросети работают напрямую с сырыми последовательностями, выявляя корреляции без предварительной агрегации.
| Источник данных | Длина последовательности | Информативность для PD | Сложность обработки |
|---|---|---|---|
| Карточные транзакции | до 750 | Высокая | Средняя |
| Транзакции расчётного счёта | до 550 | Высокая | Средняя |
| Данные БКИ | до 50 | Средняя | Низкая |
| Граф связей | переменная | Средняя | Высокая |
📌 Важно: Нейросети умеют работать с сырыми последовательностями без ручной генерации признаков, что особенно важно при слабоструктурированных данных.
От RNN к трансформерам: как эволюционировала архитектура скоринговых моделей
В 2023–2024 годах базовым подходом были рекуррентные сети. С 2025 года банки активно внедряют encoder-only трансформеры: 3 блока, 8 голов внимания, активации SiLU/SwiGLU и нормализация RMSNorm. Используется CLS-токен вместе с gated attention для агрегации последовательности.
Такая архитектура лучше захватывает долгосрочные зависимости в транзакционных данных и даёт стабильный прирост Gini по сравнению с RNN.
Почему pairwise log loss и hard negative mining стали стандартом
Переход от бинарной кросс-энтропии к pairwise log loss позволил напрямую оптимизировать ранжирование клиентов. Модель учится присваивать дефолтным заёмщикам более высокий скор, чем недефолтным.
Hard negative mining усиливает сигнал от сложных пар, но требует качественного перемешивания батчей. При правильной организации обучения этот приём даёт дополнительный рост качества.
Как решается проблема смещения выборки при обучении скоринговых моделей
Выборка смещается в сторону «хороших» клиентов, поскольку кредиты выдают только тем, кто прошёл предыдущую модель. Для исправления банки проводят контролируемые выдачи ограниченному количеству «плохих» заёмщиков.
Полученную выборку взвешивают так, чтобы редкие случаи дефолта получили достаточный вес при обучении. Это позволяет модели корректно оценивать весь спектр кредитного риска.
Преимущества нейросетевого скоринга для банков и заёмщиков
Нейросетевой скоринг снижает издержки на обработку заявок, ускоряет принятие решений до секунд и уменьшает уровень дефолтов. Банки могут предлагать персонализированные лимиты и ставки.
Для заёмщиков это означает более высокую вероятность одобрения при приемлемом уровне риска и меньшее влияние субъективных оценок сотрудников.
Ограничения и риски применения ИИ в кредитном скоринге
Модели сложно интерпретировать, а обучение требует больших объёмов качественных данных. Существуют риски утечек и регуляторные требования