Credit scoring : retail banking portfolio

Abstract

Τα σημαντικά συστατικά στην παραγωγή ακριβών και ρεαλιστικών μοντέλων κινδύνου είναι ότι πρέπει να είναι ακριβείς προάγγελοι του μεμονωμένου κινδύνου και να διαθέτουν μια συστηματική μεθοδολογία κατασκευής τους. Αυτά θα αποτελέσουν το κύριο αντικείμενο αυτού της μελέτης. Προφανώς τέτοια μοντέλα κινδύνου είναι επίσης ενδιαφέροντα για τους ίδιους τους οικονομικούς μεσάζοντες. Σε αυτό το πλαίσιο θα συγκρίνουμε τις διαφορετικές μεθόδους ταξινόμησης ενός συνόλου στοιχείων πιστωτικών καρτών από μια εμπορική. Η μελέτη αυτή γίνεται με σκοπό να καταλάβουμε τους περιορισμούς και τις δυνατότητες των διαφορετικών μεθόδων και, ειδικότερα, εκείνων οι οποίες είναι βασισμένες στις τεχνικές εκμάθησης των μηχανών. Θα ολοκληρώσουμε αυτήν την συστηματική σύγκριση χρησιμοποιώντας τις παραδοσιακές στατιστικές τεχνικές ταξινόμησης. Μια προσέγγιση πολλαπλής στρατηγικής θα χρησιμοποιηθεί, όπου τα αποτελέσματα διάφορων αλγορίθμων θα εφαρμοστούν στα ίδια στοιχεία και θα συγκριθούν για να βρούμε το καλύτερο πρότυπο. Στην μελέτη αυτή αναλύωνται συστηματικά ποικίλες μεθόδους συμπεριλαμβανομένου: Λογιστική Παλινδρόμηση (Logit Statistical regression), Δέντρα Αποφάσεων CART (decision-trees CART trees), Νευρωνικά Δίκτυα (neural networks), και κ-κοντινότεροι συγγενείς ( k-nearest-neighbours) στο ίδιο σύνολο στοιχείων. Η διαδικασία αυτή, παράγει κάποια πλεονεκτήματα: η επεξεργασία των στοιχείων είναι περισσότερο ομοιογενής και τα αποτελέσματα συγκρίνονται αμεσότερα. Αρχικά, πολλοί από αυτούς τους αλγορίθμους - μέθοδοι χρησιμοποιήθηκαν από τους στατιστικούς, τους φυσικούς ή τους επιστήμονες των υπολογιστών. Αλλά η χρήση τους έχει διαδοθεί τώρα επιτυχώς σε πολλές επιχειρησιακές εφαρμογές.