Evolving measures of credit risk

Abstract

Το πιστωτικό σκορ αποτελεί έναν καθοριστικό παράγοντα για την διαχείριση του οικονομικού ρίσκου δίνοντας τη δυνατότητα στα χρηματοπιστωτικά ιδρύματα να ποσοτικοποιήσουν την πιθανότητα της υγιούς εξόφλησης ενός δανείου. Ωστόσο, τα σύγχρονα και αναγνωρισμένα από την βιομηχανία μοντέλα μέτρησης πιστοληπτικού ρίσκου που παρέχονται από ιδιωτικές εταιρίες μεταξύ άλλων όπως η FICO και η Vantage δεν είναι διαθέσιμα στο κοινό. Η δυσκολία του προβλήματος αυξάνεται δραστικά λαμβάνοντας υπ’ όψη την έλλειψη γνώσης του αρχικού μοντέλου αλλά και των μεταβλητών που αυτό χρησιμοποιεί για να παράξει το πιστοληπτικό σκορ ενός φυσικού προσώπου. Το προτεινόμενο μοντέλο θα παραχθεί αξιοποιώντας ένα υποσύνολο του πλήθους των αρχικών μεταβλητών που έχουν συγκεντρωθεί από τις χιλιάδες αιτήσεις δανεισμού που έχουν πραγματοποιηθεί από φυσικά πρόσωπα στην πλατφόρμα. Το υποσύνολο αυτό αποτελείται από εύκολα προσβάσιμες μεταβλητές δίνοντας τη δυνατότητα στο τελικό μοντέλο να μπορεί να υπολογίσει το πιστοληπτικό ρίσκο ενός φυσικού προσώπου χωρίς την ανάγκη των δύσκολα προσβάσιμων ιστορικών πιστωτικών δεδομένων. Στόχος της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός εναλλακτικού μοντέλου ανάλυσης και μέτρησης του πιστοληπτικού κινδύνου που προσεγγίζει την συμπεριφορά του μοντέλου που έχει αναπτύξει η FICO χρησιμοποιώντας μια μεγάλη συλλογή δεδομένων που σχετίζονται με τον δανεισμό από την πλατφόρμα “Lending Club”. Πιο συγκεκριμένα, σκοπός μας είναι να παρουσιάσουμε τη μέτρηση του πιστωτικού ρίσκου με ένα κατανοητό από τον άνθρωπο και παραμετροποιήσιμο σε πολυπλοκότητα μαθηματικό μοντέλο. Για τον λόγο αυτό θα χρησιμοποιήσουμε ένα μοντέλο συμβολικής παλινδρόμησης το οποίο λειτουργεί στο πλαίσιο του γενετικού προγραμματισμού. Για να πιστοποιήσουμε την εγκυρότητα της προσέγγισης μας συγκρίνουμε τα αποτελέσματα του γενετικού προγραμματισμού με άλλα “state-of-the-art” μοντέλα μηχανικής μάθησης όπως Συστήματα Υποστήριξης Αποφάσεων (ΣΥΑ), Πολλαπλών Στρώσεων Perceptron (MLP) και Radial Basis Function Networks (RBFNs). Χρησιμοποιώντας ένα δραστικά μικρότερο σύνολο μεταβλητών αποδεικνύεται ότι τα αποτελέσματα του γενετικού προγραμματισμού είναι συγκρίσιμα με τις παραπάνω αναγνωρισμένες μεθόδους. Ταυτόχρονα, το παραχθέν μοντέλο παρουσιάζει πολύτιμες πληροφορίες για τους μηχανισμούς οι οποίοι συντελούν στον υπολογισμό του FICO σκορ.