АЛЬТЕРНАТИВНЫЕ ИСТОЧНИКИ ДАННЫХ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В КРЕДИТНОМ СКОРИНГЕ: МЕЖДУНАРОДНЫЙ ОПЫТ И АДАПТАЦИЯ К УСЛОВИЯМ УЗБЕКИСТАНА
pdf

How to Cite

АЛЬТЕРНАТИВНЫЕ ИСТОЧНИКИ ДАННЫХ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В КРЕДИТНОМ СКОРИНГЕ: МЕЖДУНАРОДНЫЙ ОПЫТ И АДАПТАЦИЯ К УСЛОВИЯМ УЗБЕКИСТАНА. (2026). International Conference on Education, Psychology and Humanities, 1(3), 60-64. https://www.econferencia.com/index.php/10/article/view/368

Abstract

Альтернативный кредитный скоринг как самостоятельное направление финансовых технологий сформировался в 2010-х годах в ответ на глобальную проблему финансовой эксклюзии. По оценкам Всемирного банка, более 1,3 млрд взрослых в мире не имеют доступа к формальным финансовым услугам [1], при этом значительная часть из них обладает устойчивыми доходами и демонстрирует финансовую дисциплину, которая, однако, не фиксируется традиционными бюро кредитных историй. Согласно исследованию Alliance for Financial Inclusion (AFI, 2025), цифровые кредиторы в развивающихся странах активно внедряют альтернативные источники данных для ответственного расширения доступа к кредитам при сохранении устойчивости портфеля [2].

pdf

References

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.