Συγκριτική μελέτη μεθόδων μηχανικής μάθησης για πρόβλεψη πιστωτικού κινδύνου

Abstract

Η πρόβλεψη πιστωτικού κινδύνου είναι ένας σημαντικός τομέας στη χρηματοοικονομική, καθώς επιτρέπει στις χρηματοπιστωτικές εταιρείες να αξιολογούν τον κίνδυνο που συνδέεται με τη χορήγηση πιστώσεων σε πελάτες. Η πιστωτική ανάλυση περιλαμβάνει το μέτρο για τη διερεύνηση της πιθανότητας του αιτούντος να αποπληρώσει έγκαιρα το δάνειο και να προβλέψει την αθέτηση ή αδυναμία αποπληρωμής του. Υπάρχουν δύο βασικοί κίνδυνοι, η απώλεια πιθανών εσόδων που προκύπτει από την μη έγκριση ενός καλού υποψηφίου ή από την απόρριψη πολλών καθώς και η οικονομική ζημία που προκύπτει από την έγκριση ενός υποψηφίου που καταλήγει να μην αποπληρώσει το δάνειο. Οι μέθοδοι μηχανικής μάθησης έχουν αναπτυχθεί και εφαρμοστεί με επιτυχία σε αυτόν τον τομέα για να προβλέψουν την πιθανότητα πρόκλησης πιστωτικού προβλήματος από τους δανειολήπτες. Στην εργασία μας θα χρησιμοποιήσουμε τρεις μεθόδους, τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Networks), τα Support Vector Machines (SVM) και τα Random Forests. Με τη βοήθεια αυτών των αλγορίθμων θα εκπαιδεύσουμε ένα σύνολο δεδομένων (dataset) το οποίο περιλαμβάνει πληροφορίες για τους δανειολήπτες και το αν έχουν ανταποκριθεί στις πληρωμές των πιστώσεών τους. Αυτός ο τρόπος πρόβλεψης πιστωτικού κινδύνου μπορεί να παρέχει σημαντική πληροφορία για την απόδοση των δανείων και τη δυνατότητα πληρωμής των δανειοληπτών.