×
陈顺琴;郭正峰;赵新雷

用机器学习方法预测抵押贷款早期拖欠。 （英语） Zbl 1487.91145号

欧洲药典。物件。 290，第1号，358-372（2021）.
摘要：本文研究了13种建模和预测抵押贷款早期拖欠概率的方法的性能。这些模型包括logit模型的变体、一些常用的机器学习方法以及集成模型的变体。我们发现，在风险分类方面，异质集成方法在训练、样本外和时间外数据集中领先于其他方法。尽管如此，各种预测准确性性能度量在这13种方法中产生了不同的排名，在训练、样本外和非时间数据中，没有一种方法在这一性能维度上始终占主导地位。最后，即使在培训数据中，预测准确性也是所有抵押贷款早期拖欠模型面临的主要挑战。

引用于三文件

MSC公司：

91G40型 信用风险
62P05号 统计学在精算科学和金融数学中的应用
68T05型 人工智能中的学习和自适应系统

关键词：

神经网络;合奏

软件：

XGBoost公司;Scikit公司
PDF格式BibTeX公司 XML格式引用
\textit{S.Chen}等人，欧洲期刊Oper。第290号决议，第1号，第358--372号（2021年；Zbl 1487.91145）
全文： 内政部

参考文献：

[1] 新墨西哥州亚当斯。；阿纳格诺斯托普洛斯，C。；Hand，D.，《测量分类性能H测量包》（2012），帝国理工学院：伦敦帝国理工大学，技术报告
[2] 阿多，P.M。；Guegan，D。；Hassan，B.，《使用机器和深度学习模型进行信用风险分析》（2018年），威尼斯Ca’Foscari大学，工作文件
[3] Altman，N.S.，《核和最近邻非参数回归简介》，《美国统计学家》，46，3，175-185（1992）
[4] Baesens，B。；Van Gestel，T。；Viaene，S。；斯蒂芬诺娃，M。；苏肯斯，J。；Vantheinen，J.，《为信用评分建立最先进的分类算法基准》，《运筹学学会杂志》，54，627-635（2003），&·兹比尔1097.91516
[5] Bishop，C.（1995年）。用于模式识别的神经网络。牛津大学出版社·Zbl 0868.68096号
[6] Breiman，L.，预测器集合的一些无穷大理论，预测者集合的一些无限大理论，577（2000），加州大学伯克利分校：加州大学伯克莱分校美国分校，技术报告577
[7] Breiman，L.，随机森林样本模型的一致性，随机森林的样本模型一致性，670（2004），加州大学伯克利分校：加州大学伯克莱分校美国分校，技术报告670
[8] Butaru，F。；陈，Q。；B.克拉克。；达斯，S。；Lo，A.W。；Siddique，A.，《信用卡行业的风险和风险管理》，《银行与金融杂志》，72218-239（2016）
[9] 卡鲁阿纳，R。；尼古列斯库·马齐尔（Niculescu-Mizil），A。；船员，G。；Ksikes，A.，从模型库中选择合奏，（第二十一届机器学习国际会议论文集，ACM，18（2004））
[10] Chen，T。；Guestrin，C.，XGBoost:一个可扩展的树增强系统，（第22届ACM SIGKDD知识发现和数据挖掘会议论文集（2016）），785-794
[11] 科尔特斯，C。；Vapnik，V.，支持向量网络，机器学习，20，3，273-297（1995）·兹比尔08316.8098
[12] 克鲁克，J.N。；Edelman，D.B。；Thomas，L.C.，《消费信贷风险评估的最新发展》，《欧洲运筹学杂志》，183，1447-1465（2007）·Zbl 1138.91493号
[13] 大卫·R·H。；Edelman，D.B。；Gammerman，A.J.，信用卡应用的机器学习算法，IMA商业与工业应用数学杂志，4，43-51（1992）
[14] 德赛，V.S。；克鲁克，J.N。；Overstreet，G.A.，信贷联盟环境中神经网络和线性评分模型的比较，《欧洲运筹学杂志》，95，24-37（1996）·Zbl 0955.90506号
[15] Ernst，D。；Wehenkel，L.，极端随机树，机器学习，63，3-42（2006）·Zbl 1110.68124号
[16] 菲茨帕特里克，T。；Mues，C.，《抵押贷款违约预测分类算法的实证比较：来自不良抵押贷款市场的证据》，《欧洲运筹学杂志》，249427-439（2016）·Zbl 1346.62103号
[17] 弗伦德，Y。；夏皮雷，R。；Abe，N.，《boosting简介》，《日本人工智能学会期刊》，14771-780（1999）
[18] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，《统计学习的要素》，1337-387（2001），《统计学中的斯普林格系列》·Zbl 0973.62007号
[19] Friedman，J.H.，《贪婪函数近似：梯度提升机》，《统计年鉴》，29，5，1189-1232（2001）·Zbl 1043.62034号
[20] 加林多，J。；Tamayo，P.，《使用统计和机器学习进行信用风险评估：基本方法和风险建模应用》，计算经济学，第15期，第107-143页（2000年）·Zbl 0969.91006号
[21] Genuer，R。；波吉，J.-。医学硕士。；Tuleau，C.，《随机森林若干方法学见解》（2008），INRIA，研究报告RR-6729
[22] Hand，D.J.，《挖掘过去决定未来：问题和可能性》，《国际预测杂志》，g，25，441-451（2009）
[23] Hand，D.J.，《衡量分类器性能，ROC曲线下区域的连贯替代方法》，机器学习，77，103-123（2009）·Zbl 1470.62085号
[24] 哈斯蒂·T·J。；Tibshirani，R.J.，广义加性模型（1990），Chapman&Hall/CRC·Zbl 0747.62061号
[25] 肯尼迪，K。；Namee，B。医学博士。。；Delany，S.J.，《使用半监督分类器进行信用评分》，《运筹学学会杂志》，64，4，513-529（2013）
[26] Khandani，A.E。；Kim，A.J&Lo，A.W.，《通过机器学习算法的消费者信贷风险模型》，《银行与金融杂志》，34，11，2767-2787（2010）
[27] 科瓦姆，H。；塞勒莱特，N。；Aas，K。；Sjursen，S.，使用卷积神经网络预测抵押贷款违约，应用专家系统，102，207-217（2018）
[28] 莱斯曼，S。；Baesens，B。；Seow，H.-。五、。；Thomas，L.C.，《信用评分的标杆先进分类算法：研究更新》，《欧洲运筹学杂志》，247，124-136（2015）·Zbl 1346.90835号
[29] 李毅。；贝洛蒂，T。；Adams，N.，《长期机器学习表现》（论文发表于爱丁堡大学信用评分和信用控制会议（2017年））
[30] 李毅。；王，X。；Djehiche，B。；胡欣，《基于动态网络信息的信用评分》，《欧洲运筹学杂志》，第286期，第1103-1112页（2020年）·兹比尔1443.91314
[31] Martens，D。；Baesens，B。；Gestel，T.V。；Venthienan，J.，《使用支持向量机规则提取的综合信用评分模型》，《欧洲运筹学杂志》，1831466-1476（2007）·Zbl 1278.91177号
[32] Mullainathan，S。；Spiess，J.，《机器学习：应用计量经济学方法》，《经济展望杂志》，第31期，第2期，第87-106页（2017年）
[33] Nikolaou，N。；Edakunni，N。；Kull，M。；弗拉奇，P。；Brown，G.，《成本敏感型提升算法：我们真的需要它们吗》，《机器学习》，104，359-384（2016）·Zbl 1386.68136号
[34] 奥皮茨，D。；Maclin，R.，《流行集成方法：实证研究》，《人工智能研究杂志》，11，169-198（1999）·Zbl 0924.68159号
[35] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；Grisel，O.，Scikit-lean:《Pytho中的机器学习》，《机器学习研究杂志》，第12期，第2825-2830页（2011年）·Zbl 1280.68189号
[36] Platt，J.，支持向量机的概率输出和与正则化似然方法的比较，大裕度分类器的进展，10，3，61-74（1999）
[37] 齐，M。；张，X。；赵欣，《不可观测系统风险因素与违约预测》，《银行与金融杂志》，第49期，第216-227页（2014年）
[38] Sirignano，J.A。；萨德瓦尼，A。；Giesecke，K.，《抵押风险深度学习》（2018年），伊利诺伊大学香槟分校，工作文件
[39] 托马斯，L.C。；克鲁克，J.N。；Edelman，D.B.，《信用评分及其应用》，《工业和应用数学学会》（2017年）·Zbl 1425.91002号
[40] 瓦里安，H.R.，《大数据：计量经济学的新技巧》，《经济展望杂志》，28，2，3-28（2014）
[41] Verbraken，T。；布拉沃，C。；韦伯，R。；Baesens，B.，《使用基于利润的分类方法开发和应用消费者信用评分模型》，《欧洲运筹学杂志》，238，505-513（2014）·Zbl 1338.91146号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。