論文の概要: A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios
- arxiv url: http://arxiv.org/abs/2410.02846v1
- Date: Thu, 3 Oct 2024 15:10:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 05:24:53.646963
- Title: A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios
- Title(参考訳): モーゲージ信用リスクのための時空間機械学習モデル:デフォルト確率とローンポートフォリオ
- Authors: Pascal Kündig, Fabio Sigrist,
- Abstract要約: 本稿では,木ブースティングと遅延時間-ガウス過程モデルを組み合わせることで,信用リスクを考慮した機械学習モデルを提案する。
個人ローンポートフォリオ損失分布の予測デフォルト確率は、従来の独立線形ハザードモデルと比較してより正確であることがわかった。
- 参考スコア(独自算出の注目度): 11.141688859736805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel machine learning model for credit risk by combining tree-boosting with a latent spatio-temporal Gaussian process model accounting for frailty correlation. This allows for modeling non-linearities and interactions among predictor variables in a flexible data-driven manner and for accounting for spatio-temporal variation that is not explained by observable predictor variables. We also show how estimation and prediction can be done in a computationally efficient manner. In an application to a large U.S. mortgage credit risk data set, we find that both predictive default probabilities for individual loans and predictive loan portfolio loss distributions obtained with our novel approach are more accurate compared to conventional independent linear hazard models and also linear spatio-temporal models. Using interpretability tools for machine learning models, we find that the likely reasons for this outperformance are strong interaction and non-linear effects in the predictor variables and the presence of large spatio-temporal frailty effects.
- Abstract(参考訳): 本稿では,木分けと時空間時空間ガウスプロセスモデルを組み合わせることで,信用リスクを考慮した新しい機械学習モデルを提案する。
これにより、フレキシブルなデータ駆動方式で予測変数間の非線形性や相互作用をモデル化でき、観測可能な予測変数では説明できない時空間変動を考慮できる。
また,予測と予測を計算的に効率的に行う方法を示す。
米国の大規模住宅ローン信用リスクデータセットに適用すると、個人ローンに対する予測的デフォルト確率と、新しいアプローチで得られた予測的ローンポートフォリオ損失分布の両方が、従来の独立した線形ハザードモデルや線形時空間モデルよりも精度が高いことが分かる。
機械学習モデルにおける解釈可能性ツールを用いることで、予測変数における強い相互作用と非線形効果と、時空間の破壊効果の存在が考えられる。
関連論文リスト
- Uncertainty Quantification of Surrogate Models using Conformal Prediction [7.445864392018774]
我々は,モデルに依存しない方法で予測を満足する共形予測フレームワークを定式化し,ほぼゼロの計算コストを必要とする。
本稿では,決定論的モデルに対する統計的に有効なエラーバーを提供するとともに,確率論的モデルのエラーバーに対する保証を作成することを検討する。
論文 参考訳(メタデータ) (2024-08-19T10:46:19Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Learning Mixture Structure on Multi-Source Time Series for Probabilistic
Forecasting [4.179947630802189]
本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。
対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2023-02-22T00:51:44Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - The Causal Learning of Retail Delinquency [13.866975878174207]
本稿では、貸主の信用決定に変化があった場合の借主の返済の期待差に焦点を当てる。
本稿では,誤差を大幅に低減できる推定器を構築するための別の手法を提案する。
因果効果が正しく説明されれば, 推定誤差の相対的低減は極めて有意であることがわかった。
論文 参考訳(メタデータ) (2020-12-17T08:46:01Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳(メタデータ) (2020-11-24T19:52:38Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z)
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。