論文の概要: Managers versus Machines: Do Algorithms Replicate Human Intuition in
Credit Ratings?
- arxiv url: http://arxiv.org/abs/2202.04218v1
- Date: Wed, 9 Feb 2022 01:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 01:24:26.611229
- Title: Managers versus Machines: Do Algorithms Replicate Human Intuition in
Credit Ratings?
- Title(参考訳): マネージャ対マシン: アルゴリズムはクレジットレーティングで人間の直感を再現するか?
- Authors: Matthew Harding and Gabriel F. R. Vasconcelos
- Abstract要約: 銀行経営者の行動を再現できる機械学習アルゴリズムを見つけることができることを示す。
アルゴリズムへの入力は、銀行のマネージャーが利用できる標準的な財務情報とソフト情報の組み合わせから成り立っている。
本研究は、銀行業務における機械学習に基づく分析手法の有効性と、金融セクターにおける高度な業務への潜在的課題を明らかにするものである。
- 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 use machine learning techniques to investigate whether it is possible to
replicate the behavior of bank managers who assess the risk of commercial loans
made by a large commercial US bank. Even though a typical bank already relies
on an algorithmic scorecard process to evaluate risk, bank managers are given
significant latitude in adjusting the risk score in order to account for other
holistic factors based on their intuition and experience. We show that it is
possible to find machine learning algorithms that can replicate the behavior of
the bank managers. The input to the algorithms consists of a combination of
standard financials and soft information available to bank managers as part of
the typical loan review process. We also document the presence of significant
heterogeneity in the adjustment process that can be traced to differences
across managers and industries. Our results highlight the effectiveness of
machine learning based analytic approaches to banking and the potential
challenges to high-skill jobs in the financial sector.
- Abstract(参考訳): 我々は、大規模な米国商業銀行による商業ローンのリスクを評価する銀行経営者の行動を再現できるかどうかを機械学習技術を用いて調査する。
典型的な銀行はリスクを評価するために既にアルゴリズム的なスコアカードプロセスに依存しているが、銀行のマネージャーは直観と経験に基づいて他の全体的要因を考慮するためにリスクスコアの調整においてかなりの緯度を与えられる。
銀行管理者の行動を再現できる機械学習アルゴリズムを見つけることが可能であることを示す。
アルゴリズムへの入力は、一般的な融資審査プロセスの一部として、銀行のマネージャーが利用できる標準的な財務情報とソフト情報の組み合わせから成り立っている。
また,調整プロセスにおける著しい不均一性の存在を,マネージャと産業間の差異にさかのぼることができることを示す。
本研究は、バンキングに対する機械学習に基づく分析手法の有効性と、金融分野における高スキル雇用への潜在的な課題を浮き彫りにする。
関連論文リスト
- Innovative Application of Artificial Intelligence Technology in Bank Credit Risk Management [0.0]
技術の急速な成長、特に人工知能(AI)技術の普及により、商業銀行のリスク管理レベルは、常に新たな高水準に達している。
ディープラーニングとビッグデータ分析によって、AIは借り手の信用状況を正確に評価し、潜在的なリスクをタイムリーに特定し、銀行により正確で包括的な信用決定支援を提供する。
同時に、AIはリアルタイム監視と早期警告を達成でき、リスクが発生する前に銀行が介入し、損失を減らすことができる。
論文 参考訳(メタデータ) (2024-04-28T13:29:35Z) - A machine learning workflow to address credit default prediction [0.44943951389724796]
信用デフォルト予測(CDP)は個人や企業の信用力を評価する上で重要な役割を果たす。
CDPを改善するためのワークフローベースのアプローチを提案する。これは、借り手が信用義務を負う確率を評価するタスクを指す。
論文 参考訳(メタデータ) (2024-03-06T15:30:41Z) - Mathematical Algorithm Design for Deep Learning under Societal and
Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。
以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文 参考訳(メタデータ) (2024-01-18T15:32:38Z) - Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。
臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文 参考訳(メタデータ) (2023-10-28T05:59:43Z) - 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) - 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) - Inspecting the Process of Bank Credit Rating via Visual Analytics [34.55692862750793]
銀行の信用格付けは、公開情報と内部情報に基づいて、銀行を異なるレベルに分類する。
我々は、さまざまな銀行信用格付けスキームを調査・比較する専門家を支援するため、RatingVisを提案する。
論文 参考訳(メタデータ) (2021-08-06T09:08:00Z) - 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) - Sequential Deep Learning for Credit Risk Monitoring with Tabular
Financial Data [0.901219858596044]
深層学習による信用リスク評価の新たなアプローチを創出する試みを紹介します。
本稿では,深い再帰と因果畳み込みに基づくニューラルネットワークを用いた新しいクレジットカードトランザクションサンプリング手法を提案する。
時間的畳み込みネットワークを用いた逐次的深層学習アプローチは、ベンチマーク非逐次木モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-12-30T21:29:48Z) - 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)
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。