Измайлов М.К., Измайлова Т.Н. Роль автоматизированных систем в кредитном анализе и оценка залога недвижимости
Измайлов М.К., Измайлова Т.Н. Роль автоматизированных систем в кредитном анализе и оценка залога недвижимости
УДК 004.91
РОЛЬ АВТОМАТИЗИРОВАННЫХ СИСТЕМ В КРЕДИТНОМ АНАЛИЗЕ И ОЦЕНКЕ ЗАЛОГА НЕДВИЖИМОСТИ
Измайлов Максим Кириллович
ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Россия (Россия, 195251, Санкт-Петербург, ул. Политехническая, д. 29), кандидат экономических наук, доцент, доцент высшей школы производственного менеджмента, izmajlov_mk@spbstu.ru.
Измайлова Татьяна Николаевна
ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Россия (Россия, 195251, Санкт-Петербург, ул. Политехническая, д. 29), выпускник, ttn.rus@yandex.ru
Аннотация. Исследование посвящено анализу влияния автоматизированных систем на трансформацию кредитного анализа и оценки залоговой недвижимости. В статье проведен комплексный анализ, сочетающий теоретическое осмысление технологических аспектов с эмпирической оценкой эффективности. Теоретический раздел раскрывает потенциал алгоритмов машинного обучения и больших данных для повышения точности оценки, одновременно систематизируя ключевые риски: зависимость от качества входных данных, алгоритмические смещения, проблемы интерпретируемости сложных моделей и регуляторные вызовы. Эмпирическая часть основана на синтетической модели, имитирующей портфель из 10 000 кредитных заявок. Результаты демонстрируют радикальное сокращение времени обработки заявок на 99.5% (t = 452.7, p
Ключевые слова: автоматизированные системы оценки (AVM); кредитный анализ; залог недвижимости; машинное обучение; кредитный риск; гибридные модели; операционная эффективность.
THE ROLE OF AUTOMATED SYSTEMS IN CREDIT ANALYSIS AND COLLATERAL VALUATION
Izmaylov Maxim Kirillovich
Peter the Great St.Petersburg Polytechnic University, St. Petersburg, Russia (Russia, 195251, St. Petersburg, Polytechnicheskaya, 29), Cand. Sc. (Economics), Docent, Associate Professor at the Graduate School of Industrial Management Graduate School of Industrial Management, izmajlov_mk@spbstu.ru
Izmaylova Tatiana Nikolaevna
Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia (Russia, 195251, St. Petersburg, Polytechnicheskaya, 29), graduate, ttn.rus@yandex.ru
Abstract. This study is dedicated to analyzing the impact of automated systems on the transformation of credit analysis and the evaluation of collateralized real estate. The article presents a comprehensive analysis that combines theoretical reflections on technological aspects with an empirical assessment of efficiency. The theoretical section reveals the potential of machine learning algorithms and big data to enhance the accuracy of evaluations, while simultaneously systematizing key risks: reliance on the quality of input data, algorithmic biases, challenges of interpretability in complex models, and regulatory issues. The empirical portion is based on a synthetic model simulating a portfolio of 10,000 credit applications. The results demonstrate a radical reduction in application processing time by 99.5% (t = 452.7, p
Keywords: automated valuation systems (AVM); credit analysis; collateralized real estate; machine learning; credit risk; hybrid models; operational efficiency.
Полный текст статьи
РОЛЬ АВТОМАТИЗИРОВАННЫХ СИСТЕМ В КРЕДИТНОМ АНАЛИЗЕ И ОЦЕНКЕ ЗАЛОГА НЕДВИЖИМОСТИ
Измайлов Максим Кириллович
ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Россия (Россия, 195251, Санкт-Петербург, ул. Политехническая, д. 29), кандидат экономических наук, доцент, доцент высшей школы производственного менеджмента, izmajlov_mk@spbstu.ru.
Измайлова Татьяна Николаевна
ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Россия (Россия, 195251, Санкт-Петербург, ул. Политехническая, д. 29), выпускник, ttn.rus@yandex.ru
Аннотация. Исследование посвящено анализу влияния автоматизированных систем на трансформацию кредитного анализа и оценки залоговой недвижимости. В статье проведен комплексный анализ, сочетающий теоретическое осмысление технологических аспектов с эмпирической оценкой эффективности. Теоретический раздел раскрывает потенциал алгоритмов машинного обучения и больших данных для повышения точности оценки, одновременно систематизируя ключевые риски: зависимость от качества входных данных, алгоритмические смещения, проблемы интерпретируемости сложных моделей и регуляторные вызовы. Эмпирическая часть основана на синтетической модели, имитирующей портфель из 10 000 кредитных заявок. Результаты демонстрируют радикальное сокращение времени обработки заявок на 99.5% (t = 452.7, p
Ключевые слова: автоматизированные системы оценки (AVM); кредитный анализ; залог недвижимости; машинное обучение; кредитный риск; гибридные модели; операционная эффективность.
THE ROLE OF AUTOMATED SYSTEMS IN CREDIT ANALYSIS AND COLLATERAL VALUATION
Izmaylov Maxim Kirillovich
Peter the Great St.Petersburg Polytechnic University, St. Petersburg, Russia (Russia, 195251, St. Petersburg, Polytechnicheskaya, 29), Cand. Sc. (Economics), Docent, Associate Professor at the Graduate School of Industrial Management Graduate School of Industrial Management, izmajlov_mk@spbstu.ru
Izmaylova Tatiana Nikolaevna
Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia (Russia, 195251, St. Petersburg, Polytechnicheskaya, 29), graduate, ttn.rus@yandex.ru
Abstract. This study is dedicated to analyzing the impact of automated systems on the transformation of credit analysis and the evaluation of collateralized real estate. The article presents a comprehensive analysis that combines theoretical reflections on technological aspects with an empirical assessment of efficiency. The theoretical section reveals the potential of machine learning algorithms and big data to enhance the accuracy of evaluations, while simultaneously systematizing key risks: reliance on the quality of input data, algorithmic biases, challenges of interpretability in complex models, and regulatory issues. The empirical portion is based on a synthetic model simulating a portfolio of 10,000 credit applications. The results demonstrate a radical reduction in application processing time by 99.5% (t = 452.7, p
Keywords: automated valuation systems (AVM); credit analysis; collateralized real estate; machine learning; credit risk; hybrid models; operational efficiency.
Полный текст статьи
