Please use this identifier to cite or link to this item: https://er.knutd.edu.ua/handle/123456789/17658
Title: Використання Data Science для оцінювання ризиків
Other Titles: Using Data Science to risk assessment
Authors: Чубукова, О. Ю.
Пономаренко, Ігор Віталійович
Домантович, О. П.
Keywords: банківська сфера
ефективність
машинне навчання
нейронні мережі
програмне забезпечення
ризики
банковская сфера
эффективность
машинное обучение
нейронные сети
программное обеспечение
риски
Data science
Python
banking sector
efficiency
machine learning
neural networks
software
risks
Issue Date: Sep-2020
Citation: Чубукова О. Ю. Використання Data Science для оцінювання ризиків [Електронний ресурс] / О. Ю. Чубукова, І. В. Пономаренко, О. П. Домантович // Інфраструктура ринку. – 2020. – Вип. 47. – С. 129-132. – Режим доступу: http://market-infr.od.ua/uk/47-2020
Source: Інфраструктура ринку
Market Infrastructure
Abstract: У статті розглянуто специфіку розвитку сучасних підходів до машинного навчання, які є невід’ємним складником Data Science. Визначено особливості розповсюдження зазначених технологій завдяки наявності відповідного програмного та комп’ютерного забезпечення. Висвітлено специфіку генерування великих обсягів даних на постійній основі, що дає змогу проводити комплексний аналіз наявної інформації та розробляти відповідні управлінські рішення. Наведено специфіку застосування методів машинного навчання у банківській сфері завдяки стабільному попиту на послуги комплексної обробки великих масивів даних. Доведено доцільність комплексного дослідження особливостей ідентифікації різноманітних ризиків у банківській сфері за допомогою алгоритмів машинного навчання. Представлено приклади застосування Data Science у банківській сфері: виявлення шахрайства у банківській сфері та моделювання ризиків для інвестиційних установ.
В статье рассмотрена специфика развития современных подходов к машинному обучению, которые являются неотъемлемой составляющей Data Science. Определены особенности распространения указанных технологий благодаря наличию соответствующего программного и компьютерного обеспечения. Раскрыта специфика генерирования больших объемов данных на постоянной основе, что позволяет проводить комплексный анализ имеющейся информации и разрабатывать соответствующие управленческие решения. Приведена специфика применения методов машинного обучения в банковской сфере благодаря стабильному спросу на услуги комплексной обработки больших массивов данных. Доказана целесообразность комплексного исследования особенностей идентификации разнообразных рисков в банковских сфере с помощью алгоритмов машинного обучения. Представлены примеры применения Data Science в банковской сфере: выявление мошенничества в банковской сфере и моделирование рисков для инвестиционных учреждений.
The article discusses the specifics of the development of modern approaches to machine learning, which are an integral part of Data Science. The features of the distribution of these technologies are determined due to the availability of appropriate software and computer support. The specifics of generating large amounts of data on an ongoing basis are disclosed, which allows for a comprehensive analysis of the available information and develop appropriate management decisions. The specificity of the application of machine learning methods in the banking sector is given due to the stable demand for services of complex processing of large data arrays. The expediency of a comprehensive study of the features of identification of various risks in the banking sector using machine learning algorithms has been proved. Examples of Data Science applications in banking are presented: fraud detection in the banking sector and risk modelling for investment institutions. Detection of fraud in the banking sector is associated with the need to protect the interests of both customers and specialized financial institutions. Through the use of machine learning algorithms, it is possible to address the issue of identifying suspicious transactions in a large daily flow of financial transactions. In addition, the use of various methods of classification based on a scientifically sound system of indicators makes it possible to identify individual customers by assessing the level of their solvency and the probability of return of credit resources. Risk modeling for investment institutions, which is explained by the need to protect financial resources involved in the implementation of various projects. Investment banking institutions give companies the opportunity to receive a variety of financial instruments, the value of which correlates with the specifics of the individual legal entity, the peculiarities of the project, and so on. Investment banking assesses the value of companies to create capital for corporate financing, facilitate mergers and acquisitions, conduct corporate restructuring or reorganization, as well as for investment purposes.
DOI: 10.32843/infrastruct47-24
URI: https://er.knutd.edu.ua/handle/123456789/17658
Faculty: Факультет економіки та бізнесу
Department: Кафедра маркетингу та комунікаційного дизайну
ISSN: 2519-2868
Appears in Collections:Наукові публікації (статті)
Кафедра маркетингу та комунікаційного дизайну (МКД)

Files in This Item:
File Description SizeFormat 
26.pdf144,73 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.