Обучение с подкреплением для решения проблемы кредитного скоринга

Выполнила: Муравьева Юлия Дмитриевна

В данной работе исследуется применение методов обучения с подкреплением для решения задачи кредитного скоринга в условиях динамически изменяющегося рынка. Разработан агент-базированный симулятор кредитного рынка с тремя секторами экономики, в котором компании взаимодействуют через сеть партнёрских связей с секторноспецифичными каскадными эффектами, а их финансовое состояние эволюционирует во времени с учётом персистентных макроэкономических шоков. В качестве RL-агентов рассмотрены алгоритмы PPO, A2C и GRPO в двух вариантах представления наблюдений: классический многослойный перцептрон (MLP) и графовая нейронная сеть (GNN) на основе GAT (Graph Attention Network). Проведено сравнение RL-агентов с тривиальными и ML-политиками (логистическая регрессия, CatBoost), серия экспериментов по влиянию размера рынка на качество принятия решений, а также анализ ключевых компонент системы.