Instrumente și tehnologii Data Science în managementul riscului bancar

Abstract

Teza “Instrumente și tehnologii Data Science în managementul riscului bancar” are ca scop de a dezvolta un model de credit-scoring bazat pe tehnologiile și instrumentele Data Science, care să contribuie la elaborarea unor decizii eficiente a managementului bancar, prin evaluarea riscului de neperformanță al solicitantului de împrumuturi. Capitotul I Fundamente teoretice ale managementului riscului bancar definește conceptul de risc bancar și evidențiază importanța gestionării eficiente a acestuia în cadrul instituțiilor financiare. Sunt prezentate tipurile de risc, cu accent pe riscul de credit și strategiile principale de atenuare. De asemenea, se analizează evoluția tehnologiilor în contextul riscului bancar și integrarea științei datelor în procesele decizionale. Este explicat conceptul de credit scoring ca instrument esențial în evaluarea debitorilor. Capitolul se încheie cu formularea obiectivului cercetării și a problemelor care urmează a fi tratate în lucrare. Capitolul II Modele și metode de rezolvare a problemei identificate în managementului riscului bancar abordează în mod aplicat metodele moderne de analiză a riscului de credit, cu accent pe instrumentele științei datelor. Sunt prezentate principalele etape ale procesului Data Science: formularea problemei, colectarea și explorarea datelor (EDA), precum și alegerea caracteristicilor relevante. Este realizată o analiză comparativă a mai multor algoritmi de machine learning: regresie logistică, KNN, Decision Tree, Random Forest, XGBoost și LightGBM. Se discută metricile utilizate pentru evaluarea performanței modelelor și se descrie procesul de tuning pentru optimizarea rezultatelor. Capitolul III Tehnologii și instrumente de rezolvare a problemei identificate în managementul riscului bancar. Studiul de caz prezintă un studiu de caz aplicat, bazat pe un set de date privind creditele bancare. Sunt prezentate ipotezele de cercetare, metodele de colectare și prelucrare a datelor, precum și etapele de analiză exploratorie. Se evidențiază utilizarea practică a tehnologiilor și instrumentelor Data Science în construcția unui model predictiv. Este descris produsul rezultat și sunt formulate recomandări concrete pentru implementarea soluției în sectorul bancar din Republica Moldova, cu scopul de a reduce impactul riscului de credit.

The thesis “Data Science Tools and Technologies in Banking Risk Management” aims to develop a credit scoring model based on Data Science tools and technologies, which will support effective decision-making in banking management by assessing the default risk of loan applicants. Chapter I – Theoretical Foundations of Banking Risk Management defines the concept of banking risk and highlights the importance of its effective management within financial institutions. It presents the types of risk, with a focus on credit risk and the main mitigation strategies. The chapter also analyzes the evolution of technologies in the context of banking risk and the integration of data science in decision-making processes. The concept of credit scoring is explained as an essential tool in evaluating debtors. The chapter concludes with the formulation of the research objectives and the issues to be addressed. Chapter II – Models and Methods for Solving the Identified Problem in Banking Risk Management approaches modern methods for credit risk analysis, focusing on data science tools. It outlines the main stages of the Data Science process: problem formulation, data collection and exploratory data analysis (EDA), as well as the selection of relevant features. A comparative analysis is performed on several machine learning algorithms: logistic regression, KNN, Decision Tree, Random Forest, XGBoost, and LightGBM. The chapter discusses evaluation metrics for model performance and describes the tuning process to optimize results. Chapter III – Technologies and Tools for Solving the Identified Problem in Banking Risk Management. Case Study presents an applied case study based on a dataset of bank loans. It includes the research hypotheses, methods of data collection and processing, as well as the stages of exploratory analysis. The practical use of Data Science tools and technologies in building a predictive model is emphasized. The resulting software product is described, and concrete recommendations are made for implementing the solution in the banking sector of the Republic of Moldova to reduce the impact of credit risk.