TIJORAT BANKLARIDA MUAMMOLI KREDITLARNI KAMAYTIRISHDA ERTA OGOHLANTIRISH TIZIMLARIDAN FOYDALANISH IMKONIYATLARI
DOI:
https://doi.org/10.5281/Keywords:
tijorat banki, kredit portfeli, muammoli kredit, kredit riski, erta ogohlantirish tizimi, kredit monitoringi, kredit skoringi, qarzdorlik, restrukturizatsiya, moliyaviy barqarorlik.Abstract
Ushbu maqolada tijorat banklari kredit portfelida muammoli kreditlarning yuzaga kelish sabablarini erta aniqlash hamda ularning hajmini kamaytirishda erta ogohlantirish tizimlaridan foydalanish imkoniyatlari yoritilgan. Kredit oluvchilarning moliyaviy holati, to‘lov intizomi, pul oqimlari, qarzdorlik darajasi va tashqi iqtisodiy omillardagi o‘zgarishlarni muntazam kuzatib borish orqali kredit risklarini oldindan baholash masalalari tahlil qilingan. Shuningdek, erta ogohlantirish indikatorlarini shakllantirish, mijozlarni risk darajasi bo‘yicha guruhlarga ajratish, avtomatlashtirilgan monitoring va raqamli texnologiyalardan foydalanishning bank kredit portfeli sifatiga ta’siri ko‘rib chiqilgan. Tadqiqot natijasida erta ogohlantirish tizimlarini tijorat banklari faoliyatiga samarali joriy etish muammoli kreditlarning oldini olish, kredit monitoringi sifatini oshirish, qarzdorlikni o‘z vaqtida restrukturizatsiya qilish hamda banklarning moliyaviy barqarorligini ta’minlashga xizmat qilishi asoslangan.
References
1.Atamuradov U., Mirzaev J. Tijorat banklari kredit portfelini takomillashtirish yo‘llari // Moliya va bank ishi. – 2024. – T. 10. – № 1. – B. 56–60.
2.Tugalov B. Tijorat banklari faoliyatidagi kredit riskini baholash amaliyotini takomillashtirish // Moliya va bank ishi. – 2024. – T. 10. – № 1. – B. 42–47.
3.Sattarova K. Kredit risklarini boshqarishda sun’iy intellekt va mashinaviy o‘qitish algoritmlaridan foydalanish // Moliya va bank ishi. – 2025. – T. 11. – № 1.
4.Тканко Е. М. Мониторинг скоринговой модели в розничном кредитовании // Хроноэкономика. – 2019. – № 2 (15).
5.Травкина Е. В. Совершенствование прогнозной оценки ожидаемых кредитных убытков при мониторинге кредитного риска в коммерческих банках с учетом международного и российского опыта // Вестник Пермского университета. Серия «Экономика». – 2020. – Т. 15. – № 3. – С. 445–457. DOI: 10.17072/1994-9960-2020-3-445-457.
6.Муминова С. Р., Малышев А. А., Феоктистова В. М. Разработка моделей на основе методов машинного обучения для оценки кредитного риска банка // Сервис в России и за рубежом. – 2025. – Т. 19. – № 4. – С. 43–54. DOI: 10.5281/zenodo.17600794.
7.Wang Y. Research on Commercial Bank Risk Early Warning Model Based on Dynamic Parameter Optimization Neural Network // Journal of Mathematics. – 2022. – Vol. 2022. – Article 9754428. – P. 1–11. DOI: 10.1155/2022/9754428.
8.Pandey M. K., Mittal M., Subbiah K. Optimal Balancing and Efficient Feature Ranking Approach to Minimize Credit Risk // International Journal of Information Management Data Insights. – 2021. – Vol. 1. – № 2. – Article 100037. DOI: 10.1016/j.jjimei.2021.100037.
9.Wang S., Yan X., Zheng B., Wang H., Xu W., Peng N., Wu Q. Risk and Return Prediction for Pricing Portfolios of Non-Performing Consumer Credit // Proceedings of the 2nd ACM International Conference on AI in Finance. – 2021. – 9 p. DOI: 10.1145/3490354.3494375.
10. Bellotti A., Brigo D., Gambetti P., Vrins F. Forecasting Recovery Rates on Non-Performing Loans with Machine Learning // International Journal of Forecasting. – 2021. – Vol. 37. – № 1. – P. 428–444. DOI: 10.1016/j.ijforecast.2020.06.009.
11.Bosker J., Gürtler M., Zöllner M. Machine Learning-Based Variable Selection for Clustered Credit Risk Modeling // Journal of Business Economics. – 2025. – Vol. 95. – P. 617–652. DOI: 10.1007/s11573-024-01213-8.
12.Albanesi S., Vamossy D. F. Predicting Consumer Default: A Deep Learning Approach // NBER Working Paper. – 2019. – № 26165. DOI: 10.3386/w26165.
13.Sadhwani A., Giesecke K., Sirignano J. Deep Learning for Mortgage Risk // Journal of Financial Econometrics. – 2021. – Vol. 19. – № 2. – P. 313–368. DOI: 10.1093/jjfinec/nbaa025.
