Machine learning algorithms for credit risk prediction

Abstract

Από την απαρχή της οικονομίας, ο πιστωτικός κίνδυνος αποτέλεσε αντικείμενο μελέτης τόσο για ερευνητές όσο και για οικονομικούς αναλυτές. Η αξιολόγηση πιστοληπτικής ικανότητας είναι μία από τις πιο κρίσιμες διαδικασίες στον χρηματοοικονομικό τομέα, καθώς βοηθά τις τράπεζες και τα χρηματοπιστωτικά ιδρύματα να λαμβάνουν καλύτερες αποφάσεις. Η πρόκληση εντοπίζεται στην επιλογή των χαρακτηριστικών που θα καταστήσουν την απόφαση πιο ακριβή. Η παρούσα μελέτη προτείνει μια προσέγγιση επιλογής χαρακτηριστικών χρησιμοποιώντας έναν γενετικό αλγόριθμο βασισμένο στο Information Gain, με στόχο τη βελτίωση της απόδοσης της ταξινόμησης. Ο γενετικός αλγόριθμος επιλέγει υποσύνολα χαρακτηριστικών μέσω Λογιστικής Παλινδρόμησης. Η επικύρωση της μεθόδου γίνεται στο σύνολο δεδομένων Home Credit Default Risk. Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιλέγει αποτελεσματικά χαρακτηριστικά που βελτιώνουν την ακρίβεια ταξινόμησης. Η εργασία υποστηρίζει ότι οι εξελικτικοί αλγόριθμοι, σε συνδυασμό με μαθηματικά μέτρα, μπορούν να ενισχύσουν τα μοντέλα πρόβλεψης πιστωτικού κινδύνου και να οδηγήσουν σε καλύτερες αποφάσεις από τα χρηματοπιστωτικά ιδρύματα.