論文の概要: Predicting Credit Risk for Unsecured Lending: A Machine Learning
Approach
- arxiv url: http://arxiv.org/abs/2110.02206v1
- Date: Tue, 5 Oct 2021 17:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 15:23:38.597455
- Title: Predicting Credit Risk for Unsecured Lending: A Machine Learning
Approach
- Title（参考訳）: 無担保貸出の信用リスク予測--機械学習によるアプローチ
- Authors: K.S. Naik
- Abstract要約: 本研究は、無担保貸付(クレディットカード)の信用デフォルトを予測するための、同時代の信用評価モデルを構築することを目的とする。
本研究は,光グラディエントブースティングマシン(LGBM)モデルにより,学習速度の向上,効率の向上,データボリュームの大規模化を実現していることを示す。
このモデルの導入により、商業融資機関や銀行の意思決定者に対する信用デフォルトのより良いタイムリーな予測が可能になると期待している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Since the 1990s, there have been significant advances in the technology space
and the e-Commerce area, leading to an exponential increase in demand for
cashless payment solutions. This has led to increased demand for credit cards,
bringing along with it the possibility of higher credit defaults and hence
higher delinquency rates, over a period of time. The purpose of this research
paper is to build a contemporary credit scoring model to forecast credit
defaults for unsecured lending (credit cards), by employing machine learning
techniques. As much of the customer payments data available to lenders, for
forecasting Credit defaults, is imbalanced (skewed), on account of a limited
subset of default instances, this poses a challenge for predictive modelling.
In this research, this challenge is addressed by deploying Synthetic Minority
Oversampling Technique (SMOTE), a proven technique to iron out such imbalances,
from a given dataset. On running the research dataset through seven different
machine learning models, the results indicate that the Light Gradient Boosting
Machine (LGBM) Classifier model outperforms the other six classification
techniques. Thus, our research indicates that the LGBM classifier model is
better equipped to deliver higher learning speeds, better efficiencies and
manage larger data volumes. We expect that deployment of this model will enable
better and timely prediction of credit defaults for decision-makers in
commercial lending institutions and banks.
- Abstract（参考訳）: 1990年代以降、テクノロジー分野と電子商取引分野に大きな進歩が見られ、キャッシュレス決済ソリューションの需要が急増した。
これにより、クレジットカードの需要が高まり、クレジットカードのデフォルト値が高まり、従って不適切なレートが一定期間にわたって高まる可能性がある。
本研究の目的は、機械学習技術を用いて、無担保貸付(クレディットカード)の信用デフォルトを予測するための、現代の信用評価モデルを構築することである。
クレジットのデフォルトを予測するために、融資者が利用できる顧客支払いデータの多くは、デフォルトインスタンスのサブセットが限られているため、不均衡(歪んだ)になっているため、予測モデリングの課題となる。
本研究では,このような不均衡を解き明かす手法として,smote(synthetic minor oversampling technique)を導入することで,この課題に対処した。
研究データセットを7つの異なる機械学習モデルで実行した結果、光勾配ブースティングマシン(LGBM)分類器モデルが他の6つの分類手法より優れていることが示された。
そこで本研究では,LGBM分類器モデルにより,学習速度の向上,効率の向上,データ量管理が図られている。
このモデルの導入により、商業融資機関や銀行の意思決定者に対する信用デフォルトのより良いタイムリーな予測が可能になると期待している。
関連論文リスト
- Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation [9.75150920742607]
フィンテックの貸与は、財政的包摂の促進に重要な役割を果たしてきた。
ローン審査中にアルゴリズムによる意思決定にバイアスがかかる可能性があるという懸念がある。
自己教師付きコントラスト学習とドメイン適応を用いたトランスフォーマーに基づくシーケンシャルローンスクリーニングモデルを提案する。
論文 参考訳（メタデータ） (2023-05-10T01:11:35Z) - Publishing Efficient On-device Models Increases Adversarial
Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。
まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。
次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文 参考訳（メタデータ） (2022-12-28T05:05:58Z) - Neural Pseudo-Label Optimism for the Bank Loan Problem [78.66533961716728]
本研究では,Emphbank 融資問題に最もよく表される分類問題について検討する。
線形モデルの場合、この問題はモデル予測に直接最適化を加えることで解決できる。
Pseudo-Label Optimism (PLOT)は,この設定をディープニューラルネットワークに適用するための概念的かつ計算学的にシンプルな手法である。
論文 参考訳（メタデータ） (2021-12-03T22:46:31Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z) - Enabling Machine Learning Algorithms for Credit Scoring -- Explainable
Artificial Intelligence (XAI) methods for clear understanding complex
predictive models [2.1723750239223034]
本稿では,様々な予測モデル(論理回帰,ロジスティック回帰,エビデンス変換の重み付け,現代の人工知能アルゴリズム)を比較し,先進木モデルがクライアントデフォルトの予測に最適であることを示す。
また,信用リスク実践者に対して,それらを解釈し,よりアクセスしやすいものにするための手法を用いて,高度なモデルを強化する方法を示す。
論文 参考訳（メタデータ） (2021-04-14T09:44:04Z) - Explaining Credit Risk Scoring through Feature Contribution Alignment
with Expert Risk Analysts [1.7778609937758323]
私たちは企業の信用スコアにフォーカスし、さまざまな機械学習モデルをベンチマークします。
目標は、企業が一定の期間内に金融問題を経験しているかどうかを予測するモデルを構築することです。
我々は、信用リスクの専門家とモデル機能属性説明との相違を強調した専門家による機能関連スコアを提供することで、光を当てる。
論文 参考訳（メタデータ） (2021-03-15T12:59:15Z) - 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) - Transparency, Auditability and eXplainability of Machine Learning Models
in Credit Scoring [4.370097023410272]
本稿では,信用スコアリングモデルを理解しやすくするために考慮すべきさまざまな次元について検討する。
本稿では,クレジットスコアにどのように適用できるか,そしてスコアカードの解釈可能性と比較する方法について概説する。
論文 参考訳（メタデータ） (2020-09-28T15:00:13Z) - 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。