Fugu-MT 論文翻訳(概要): Determining Secondary Attributes for Credit Evaluation in P2P Lending

論文の概要: Determining Secondary Attributes for Credit Evaluation in P2P Lending

arxiv url: http://arxiv.org/abs/2006.13921v1
Date: Mon, 8 Jun 2020 16:12:00 GMT
ステータス: 処理完了
システム内更新日: 2022-11-24 01:33:43.494057
Title: Determining Secondary Attributes for Credit Evaluation in P2P Lending
Title（参考訳）: P2P貸出における信用評価のための二次属性の決定
Authors: Revathi Bhuvaneswari, Antonio Segalini
Abstract要約: 機械学習の分類とクラスタリングアルゴリズムを用いて、借り手の信用度を正確に予測する。キーセカンダリ属性を特定しながら,LendingClubデータ上で65%のF1と73%のAUCを達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There has been an increased need for secondary means of credit evaluation by both traditional banking organizations as well as peer-to-peer lending entities. This is especially important in the present technological era where sticking with strict primary credit histories doesn't help distinguish between a 'good' and a 'bad' borrower, and ends up hurting both the individual borrower as well as the investor as a whole. We utilized machine learning classification and clustering algorithms to accurately predict a borrower's creditworthiness while identifying specific secondary attributes that contribute to this score. While extensive research has been done in predicting when a loan would be fully paid, the area of feature selection for lending is relatively new. We achieved 65% F1 and 73% AUC on the LendingClub data while identifying key secondary attributes.
Abstract（参考訳）: 従来の銀行組織とピアツーピア融資会社の両方による信用評価の二次的手段の必要性が高まっている。これは、厳格な一次信用履歴が「善」と「悪」の借主を区別するのに役立たず、最終的には個人借り手と投資家全体の両方を傷つける現代の技術的時代において特に重要である。このスコアに寄与する特定の二次属性を識別しながら、機械学習による分類とクラスタリングアルゴリズムを用いて借主の信用度を正確に予測する。ローンが完全に支払われる時期を予測するため、広範な研究が行われてきたが、貸付の特徴選択の分野は比較的新しい。キーセカンダリ属性を特定しながら,LendingClubデータ上で65%のF1と73%のAUCを達成した。

関連論文リスト

Credit Risk Meets Large Language Models: Building a Risk Indicator from Loan Descriptions in P2P Lending [1.1970409518725493]
ピアツーピア(P2P)融資は、借り手と貸し手とをオンラインプラットフォームを通じて結びつける独特の融資メカニズムとして登場した。しかしながら、P2P貸与は情報非対称性の課題に直面している。本稿では,ローン申請プロセスにおいて,借主が提供したテキスト記述を活用することで,この問題に対処する新たなアプローチを提案する。
論文参考訳（メタデータ） (2024-01-29T10:11:05Z)
Empowering Many, Biasing a Few: Generalist Credit Scoring through Large Language Models [53.620827459684094]
大規模言語モデル(LLM)は、複数のタスクにまたがる強力な一般化能力を持つ信用スコアリングタスクにおいて大きな可能性を秘めている。クレジットスコアリングのための LLM を探索する,初のオープンソース包括的フレームワークを提案する。そこで我々は,各種金融リスク評価タスクの煩雑な要求に合わせて,指導チューニングによる最初の信用・リスク評価大言語モデル(CALM)を提案する。
論文参考訳（メタデータ） (2023-10-01T03:50:34Z)
Machine Learning Models Evaluation and Feature Importance Analysis on NPL Dataset [0.0]
エチオピアのプライベートバンクが提供するデータセット上で、異なる機械学習モデルがどのように機能するかを評価する。 XGBoostは、KMeans SMOTEオーバーサンプリングデータ上で最高F1スコアを達成する。
論文参考訳（メタデータ） (2022-08-28T17:09:44Z)
On the dynamics of credit history and social interaction features, and their impact on creditworthiness assessment performance [3.6748639131154315]
本研究の目的は、信用度評価性能のダイナミクスと、信用履歴、返済行動、ソーシャルネットワークの特徴の影響について理解することである。本研究は、借り手の歴史が最初の半年で低下し、その後安定していることを示す。ソーシャルネットワーク機能に対する最も顕著な影響は、ローン申請時に発生する。
論文参考訳（メタデータ） (2022-04-13T00:42:27Z)
Selective Credit Assignment [57.41789233550586]
選択的クレジット代入のための時間差アルゴリズムについて統一的な視点を述べる。価値に基づく学習と計画アルゴリズムへの重み付けの適用に関する洞察を提供する。
論文参考訳（メタデータ） (2022-02-20T00:07:57Z)
Feature-Level Fusion of Super-App and Telecommunication Alternative Data Sources for Credit Card Fraud Detection [106.33204064461802]
クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
論文参考訳（メタデータ） (2021-11-05T19:10:35Z)
Bagging Supervised Autoencoder Classifier for Credit Scoring [3.5977219275318166]
クレジットスコアリングデータセットの不均衡の性質と、クレジットスコアリングデータセットの特徴の不均一性は、効果的なクレジットスコアリングモデルの開発と実装に困難をもたらす。本稿では,主にスーパービジョンオートエンコーダの性能を活かしたBaging Supervised Autoencoder (BSAC)を提案する。 BSACはまた、過半数クラスのアンサンプに基づいて、Bagingプロセスの変種を採用することで、データ不均衡の問題にも対処する。
論文参考訳（メタデータ） (2021-08-12T17:49:08Z)
Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。エージェントの好みを学習するためのオンライン学習機構を提案する。数値シミュレーションにより,本機構の有効性を実証する。
論文参考訳（メタデータ） (2021-06-11T21:32:17Z)
Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。近年,機械学習や深層学習の手法が採用されている。この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文参考訳（メタデータ） (2020-12-30T10:27:59Z)
Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
論文参考訳（メタデータ） (2020-05-09T01:32:03Z)
Predicting Bank Loan Default with Extreme Gradient Boosting [0.0]
ローンのデフォルト予測には、XGBoostと呼ばれるExtreme Gradient Boostingアルゴリズムを使用します。この予測は、ローン申請と申請者の人口統計の両方のデータセットを考慮に入れた、指導的銀行からのローンデータに基づいている。
論文参考訳（メタデータ） (2020-01-18T18:52:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。