Аннотация. 

В банковской индустрии точное и устойчивое прогнозирование доходов клиентов имеет ключевое значение для эффективного управления продуктами и рискованными процессами. Существующие методы, включая классический градиентный бустинг и вероятностные модели, нередко существенно недооценивают экстремальные значения, что приводит к систематическим ошибкам в хвостовой части распределения. В работе предлагается пороговая архитектура моделирования, основанная на раздельном прогнозировании тела и хвоста распределения с оптимальным выбором порога отсечения. Сравнение с традиционным бустингом, бустингом без «высоких доходов» и NGBoost демонстрирует существенное улучшение качества на крупных значениях дохода при сопоставимых результатах на основной массе данных. Методика обладает интерпретируемостью благодаря использованию SHAP и может служить эффективной альтернативой существующим моделям.

Ключевые слова: 

прогнозирование дохода, банковская аналитика, ML, бустинг, экстремальные значения, GPD, пороговый метод, хвостовая аппроксимация, TIM.

DOI: 10.14357/20790279260308

EDN: OLVOOD

Стр. 58-67.

Литература

1. Ambrey C.L., Fleming C.M. The causal effect of income on life satisfaction and the implications for valuing non-market goods // Economics Letters. 2014. Vol. 123. No. 2. P. 131–134. DOI: 10.1016/j.econlet.2014.02.004

2. Burlacu M. The population's income, expenses and savings as descriptive aspects of the standard of living // Ovidius University Annals, Series Economic Sciences. 2016. Vol. 16. No. 2. P. 175–180. URL: https://stec.univ-ovidius.ro/html/anale/RO/2016/2016-II-full/s3/5.pdf (дата обращения: 10.02.2026)

3. Altonji J.G., Hynsjö D.M., Vidangos I. Individual earnings and family income: Dynamics and distribution // Review of Economic Dynamics. 2023. Vol. 49. P. 225–250. DOI: 10.1016/j.red.2022.08.005

4. Yu G.B. et al. Household income, satisfaction with standard of living, and subjective well-being. The moderating role of happiness materialism // Journal of Happiness Studies. 2020. Vol. 21. P. 2851–2872.

5. Kibekbaev A., Duman E. Benchmarking regression algorithms for income prediction modeling // Information Systems. 2016. Vol. 61. P. 40–52. DOI: 10.1016/j.is.2016.03.005

6. Laudagé C., Desmettre S., Wenzel J. Severity modeling of extreme insurance claims for tarification // Insurance: Mathematics and Economics. 2019. Vol. 88. P. 77–92. DOI: 10.1016/j.insmatheco.2019.05.004

7. Coles S. An introduction to statistical modeling of extreme values. London: Springer, 2001. 209 p.

8. Ohlsson E., Johansson B. Non-life insurance pricing with generalized linear models. 2010. URL: https://www.irc.ac.ir//douranportal/documents/tables/automobile/non-life%20insurance%20pricing.pdf (дата обращения: 10.02.2026)

9. Garrido J., Genest C., Schulz J. Generalized linear models for dependent frequency and severity of insurance claims // Insurance: Mathematics and Economics. 2016. Vol. 70. P. 205–215. DOI: 10.1016/j.insmatheco.2016.06.012

10. Schulz J. Generalized linear models for a dependent aggregate claims model: Master's thesis. Montréal: Concordia University, 2013. 87 p. URL: https://files01.core.ac.uk/download/pdf/211516813.pdf (дата обращения: 10.02.2026)

11. Salas P., Sáez P., Marchant V. An interpretable predictive model for bank customers' income using the eXtreme Gradient Boosting algorithm and the SHAP method: a case study of an Anonymous Chilean Bank // Research in Statistics. 2024. Vol. 2. No. 1. Art. 231229. DOI: 10.1080/27684520.2024.2312290