×

兹马思-数学第一资源

银行和金融业信用评分和破产预测的适当机器学习技术:一项比较研究。(英语) Zbl 1458.91215
摘要:机器学习技术已成功应用于银行和金融等领域。这些技术主要用于对数据进行预测、分类,并根据一定的共同特征将数据分成不同的组。在这项工作中,我们感兴趣的机器学习技术信用评分和破产预测在金融和银行业。我们在银行和金融机构发布的多个数据集上评估和比较一系列机器学习技术,目的是为每个数据集选择最合适的方法。我们使用几个指标来评估所获得模型的性能。实证研究以德国、澳大利亚、日本、波兰、印度定性破产数据和台湾数据为样本。另外,我们考虑了巨大的“给我一些信用数据集”。
机器学习方法为申请者和公司提供分数,并在决策过程中提供很大帮助。允许我们用这些词来区分申请人的好坏。数值研究表明,在所有的数据集上,没有一种方法能够始终优于其他方法。此外,在一些数据集上,所研究的方法也存在显著差异。对于德语和给我一些信用数据集,Bayes网方法比其他研究方法能够产生更好的分数。LogitBoost方法在波兰和澳大利亚数据集上都具有竞争力,而AdaBoost方法最适合于日本数据集。对于台湾的资料集,随机森林法的结果较其他所考虑的技术最佳。然而,在印度定性破产数据集上,由于数据集的性质,几乎所有方法都具有可比性。
理学硕士:
91G40型 信用风险
68T05型 人工智能中的学习与自适应系统
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] H、 Abdou和J.Pointon,信用评分,统计技术和评估标准:文献综述,会计、财务和管理智能系统18(2-3)(2011),59-88。
[2] H、 A.Abdou,《用于信用评分的基因编程:埃及公共部门银行的案例》,专家系统与应用36(2009),11402-11417。
[3] J、 Abellan和C.J.Mantas,改进破产预测和信用评分分类组合的实验研究,专家系统与应用41(2014),3825-3830。
[4] T、 Bellotti和J.Crook,《用于信用评分和重要特征发现的支持向量机》,专家系统与应用36(2009),3302-3308。
[5] 五十、 Breiman,J.Friedman,R.Olshen和C.Stone,《分类和回归树》,Wadsworth,Belmont,CA,1984年·Zbl 0541.62042
[6] 五十、 布雷曼,装袋预测,机器学习24(2)(1996),123-140·Zbl 0858.68080
[7] D、 Boughaci和A.A.K.Alkhavalde,信用评分合作分类系统,收录于:2017年AUEIRC会议记录,Springer,2017年。
[8] D、 Boughaci and A.A.K.Alkhavalde,《应用于信用评级的新变量选择方法》,算法金融7(1-2)(2018),43-52,IOS出版社。
[9] D、 考克斯,二元序列的回归分析(附讨论),J.Roy Stat.Soc。B20(1958年),215-242,JSTOR。
[10] 五、 Desay,J.N.Crook和G.A.Overstreet,信用社环境下神经网络和线性评分模型的比较,欧洲运筹学杂志95(1996),24-37·Zbl 0955.90506
[11] Y、 弗伦德和R.E.夏皮尔,在线学习的决策理论概括及其在boosting中的应用,计算机与系统科学杂志55(1997),119·Zbl 0880.68103
[12] N、 Friedman,D.Geiger和M.Goldszmidt,贝叶斯网络分类,机器学习29(1997),131-163·Zbl 0892.68077
[13] J、 Friedman,T.Hastie和R.Tibshirani,《加性逻辑回归:对boosting的统计观点》,《统计年鉴》28(2)(2000),337-407·Zbl 1106.62323
[14] A、 Milne,M.Rounds和P.Goddard,《使用量子退火器进行信用评分和分类的最佳特征选择》(2017年)https://1qbit.com/whitepaper/optimum-featureselection-in-credit-scoring-classi使用Quantumannaler/定位。
[15] D、 J.Hand和W.E.Henley,《消费信贷评分中的统计分类方法》,皇家统计学会期刊,A辑(社会统计)160(1997),523-541。
[16] W、 E.Henley和D.J.Hand,用于评估消费信贷风险的k-近邻分类法,统计学家45(1996),77-95。
[17] R、 霍尔特,非常简单的分类规则在最常用的数据集上表现良好,机器学习11(1993),63-91·Zbl 0850.68278
[18] T、 Ho,随机决策森林,in:第三届文件分析与识别国际会议论文集,蒙特利尔,QC,1995年8月14-16日,第278-282页。
[19] J、 李立伟,李国伟,徐文伟,基于进化策略的多核多准则规划方法:信用决策案例,决策支持系统51(2011),292-298。
[20] 五十、 梅斯特,《信用评分的意义何在?》,《商业评论》(1997年9月),第3-16页。
[21] M、 Miller,研究确认信用评分的价值,国家保险商107(42)(2003),30。
[22] D、 M.W.Powers,评估:从精确性、召回和F测量到ROC,信息性,标记性和相关性,机器学习技术杂志2(1)(2011),37-63。
[23] J、 R.昆兰,简化决策树,国际人机研究杂志(1987),221-234。
[24] J、 R.Quinlan,C4.5:机器学习程序,摩根考夫曼,加州圣马特奥,1992年。
[25] J、 Rennie,L.Shih,J.Teevan和D.Karger,《解决朴素贝叶斯分类的糟糕假设》,载:ICML2003。
[26] 罗森布拉特,神经动力学原理:感知器和大脑机制理论,斯巴达书籍,华盛顿特区,1961年。
[27] 五、 瓦普尼克,统计学习理论,约翰威利父子,纽约,美国,1998年·Zbl 0935.62007
[28] 怀卡托知识分析环境(WEKA),3.9版。怀卡托大学,Hmilton,新西兰,提供软件网址:www.cs.waikato.ac.nz/ml/weka/:访问日期:2017年11月。
[29] J、 C.Wiginton,关于消费信贷行为的logit模型和判别模型比较的注记,金融与定量分析杂志15(1980),757-770
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。