Реєстраційний номер
0826U001638, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
15-06-2026
Статус
Наказ про видачу диплома
Назва роботи
Розроблення гібридних інтелектуальних систем для аналізу даних відкритого банкінгу.
Здобувач
Фостяк Маркіян Романович,
Керівник Демків Лідія Степанівна
Опонент Пелещак Роман Михайлович
Опонент Ліп'яніна-Гончаренко Христина Володимирівна
Рецензент Добуляк Леся Петрівна
Рецензент Ляшкевич Василь Яремович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Львівський національний університет імені Івана Франка
Опис
У дисертаційній роботі досліджено гібридні інтелектуальні системи оцінювання кредитного ризику на основі даних відкритого банкінгу в умовах обмежених обсягів транзакційної інформації. Обґрунтовано актуальність використання відкритих банківських даних як джерела поведінкових фінансових ознак та показано, що розвиток API відкритого банкінгу актуалізує потребу в точних та інтерпретованих моделях за недостатньої кількості даних. З’ясовано, що сучасні моделі кредитного рейтингу здебільшого орієнтовані на великі масиви даних, доступні банківським установам, і тому не завжди придатні для малих фінансово-технологічних компаній. Визначено доцільність застосування гібридних підходів, які поєднують машинне навчання, експертні правила, нечітку логіку, оптимізаційні алгоритми та методи пояснювального штучного інтелекту. Такі системи зменшують залежність класифікації від обсягу навчальних даних і зберігають прозорість кредитних рішень. Це реалізовано виконанням головних завдань дисертаційної роботи: проаналізовано методи побудови моделей кредитного ризику; сформовано модель категоризованих транзакцій; досліджено генерацію синтетичних даних; розроблено глибоку нейро-нечітку систему; побудовано модель на основі бази правил зі ступенями довіри; досліджено методи пояснення результатів класифікації.Сформовано модель даних відкритого банкінгу на основі категоризованої інформації про транзакції клієнтів і проведено аналіз фінансових ознак. Для подолання обмеженості та незбалансованості вибірки використано WGAN-GP і дифузійну модель. За результатами KS-тесту встановлено відсутність статистично значущих відмінностей між реальними та синтезованими даними. Показано, що покращення класифікації за рахунок синтетичних даних обмежується рівнем перекриття класів. Реалізовано глибоку нейро-нечітку систему оцінювання кредитного ризику, побудовану за принципом «правила як ознаки»: фазифікація, побудова й активація правил, логістична вихідна модель. Досліджено чотири конфігурації DNFS і встановлено, що найкращий баланс ефективності та інтерпретованості забезпечує модель з FCM-ініціалізацією термів. Побудовано гібридну модель на основі бази правил зі ступенями довіри. Для зменшення складності запропоновано ієрархічну категоризацію ознак у чотири фінансові атрибути, що дозволило сформувати базу з 81 правила. Встановлено, що найкращий баланс точності й інтерпретованості забезпечує BRB-модель з машинним навчанням та PSO-оптимізацією. Досліджено методи пояснюваності рішень моделей машинного навчання у задачі кредитного ризику. Встановлено узгодженість Feature Importance, SHAP, DNFS і BRB у визначенні ключових факторів ризику. Контрфактичний аналіз на основі PSO дозволив сформувати мінімальні зміни фінансового профілю клієнта для переходу від відмови до схвалення кредиту. Узагальнено, що підхід поєднує точність, прозорість і практичну придатність для фінансово-технологічних систем
Дата реєстрації
2026-05-13
Додано/оновлено в НРАТ
2026-05-13 / 2026-09-16
