論文の概要: How Costly is Noise? Data and Disparities in Consumer Credit

• arxiv url: http://arxiv.org/abs/2105.07554v1
• Date: Mon, 17 May 2021 00:42:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 02:55:54.146064
• Title: How Costly is Noise? Data and Disparities in Consumer Credit
• Title（参考訳）: 騒音はどのくらいか? 消費者信用のデータと格差
• Authors: Laura Blattner and Scott Nelson
• Abstract要約: 信用スコアは、歴史的に不足しているグループに対するデフォルトリスクの指標であることを示す。 信用スコアの精度を等しくすると、不利なグループの承認率と信用ミスロケーションの格差が約半減する可能性があります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that lenders face more uncertainty when assessing default risk of historically under-served groups in US credit markets and that this information disparity is a quantitatively important driver of inefficient and unequal credit market outcomes. We first document that widely used credit scores are statistically noisier indicators of default risk for historically under-served groups. This noise emerges primarily through the explanatory power of the underlying credit report data (e.g., thin credit files), not through issues with model fit (e.g., the inability to include protected class in the scoring model). Estimating a structural model of lending with heterogeneity in information, we quantify the gains from addressing these information disparities for the US mortgage market. We find that equalizing the precision of credit scores can reduce disparities in approval rates and in credit misallocation for disadvantaged groups by approximately half.
• Abstract（参考訳）: 我々は、米国の信用市場における歴史的に保存されていないグループのデフォルトリスクを評価するとき、銀行はより不確実性に直面しており、この情報格差は、非効率で不平等な信用市場結果の定量的に重要な要因であることを示している。 最初に、広く使われている信用スコアは、歴史的に過小評価されたグループに対するデフォルトリスクの統計的にノイズの多い指標であることを示す。 このノイズは、主に、モデル適合の問題(例えば、スコアリングモデルに保護クラスを含めることができないこと)からではなく、基礎となる信用レポートデータ(例えば、薄いクレジットファイル)の説明力によって生じる。 情報の不均質性を考慮した構造モデルの推定を行い,米国の住宅ローン市場における情報格差への対処から得た利益を定量化する。 信用スコアの精度を等しくすることで、不利なグループに対する承認率と信用不履行の格差を約半分減らすことができる。

関連論文リスト

• Debiasing Alternative Data for Credit Underwriting Using Causal Inference [0.0]
  代替データは、借り手の信用度を評価するために、貸し手にとって貴重な洞察を提供する。 しかし、いくつかの代替データは、保護されたクラスの違法な代理として機能する可能性があるため、歴史的に信用代行から除外されてきた。 本稿では、教師付き機械学習モデルに因果推論を適用して代替データをデバイアスし、クレジットカードの引受けに使用できるようにする手法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T12:54:55Z)
• Credit Scores: Performance and Equity [0.0]
  消費者デフォルトの機械学習モデルに対して広く使用されている信用スコアをベンチマークする。 借主、特に低得点者の相当な誤分類を見出した。 我々のモデルは、若年層、低所得層、少数層の予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T23:36:02Z)
• The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
  解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。 そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。 我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
  論文  参考訳（メタデータ） (2024-01-16T19:16:22Z)
• 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)
• 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)
• 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)
• 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)
• A Novel Classification Approach for Credit Scoring based on Gaussian Mixture Models [0.0]
  本稿では,ガウス混合モデルに基づく新たなクレジットスコアリング手法を提案する。 我々のアルゴリズムは、消費者を正または負とラベル付けされたグループに分類する。 我々は,オーストラリア,日本,ドイツの実世界のデータベースにモデルを適用した。
  論文  参考訳（メタデータ） (2020-10-26T07:34:27Z)
• PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning [111.19576084222345]
  本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。 PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。 結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
  論文  参考訳（メタデータ） (2020-10-06T07:04:59Z)
• 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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。