Авторы: Mu-Chen Chen, Shih-Hsien Huang.
Адрес первоисточника: http://www.scorto.ru/analytics.php
Кредитная индустрия заинтересована многими проблемами, касающимися вычислений. Это исследование представляет из себя работу, рассматривающую две интересных проблемы анализа кредита и решает их, применяя два метода, нейронные сети (NNs) и генетические алгоритмы (GAs), в пределах области эволюционного вычисления. Первая проблема основаная на NNs выстраивает кредит предоставляя некую модель, которая классифицирует претендентов на принятых (хороших) или отклоненных (плохих). Вторая - обратная техника классификации, основанная на GA, повторно назначает отклоненные случаи на предпочтительный принятый класс. Каждая из этих проблем влияет на решения, касающиеся оценки входящих платежей по кредиту, а это имеет значительное отношение к рискам и доходам от кредиторов. Исходя из вычислительных результатов, NNs появились как вычислительный инструмент, который прекрасно подходит к решению проблем классификации кредита. Используя обратную классификацию (основанную на GAs) кредиторы могут предложить условное "принятие", и только потом объяснить условия соответствующие "отклоняемым" претендентам. Кроме того, претенденты могут самостоятельно оценить набор минимальных требований к нужным характеристикам.
Ключевые слова: Кредитный скоринг; Классификация; Обратная классификация; Нейроные сети; Генетические алгоритмы.
Учитывая быстрое развитие индустрии кредитования, скоринговые модели кредита экстенсивно использовались для прогнозирования. Скоринговая модель, делит претендентов на категории такие как: принятые (хороший), или отклонённые (плохих) относительно их характеристик, типа, возраста, дохода и супружеского положения. Кредиторы принимают заявление при условии, что ожидается возмещение финансового обязательства, и наоборот. Кредиторы могут выстраивать правила классификации (заёмщиков), основываясь на данных предыдущих принятых и отклоненных претендентов. Со значительным ссудным портфелем, даже небольшое усовершенствование кредита, выигрывая точность, в состоянии уменьшать риск кредиторов и значительно гарантировать будущие сбережения. Из исследования Brill (1998), выгоды от выигрыша кредита включают: сокращение стоимости анализа кредита, более быстрая оценка кредитуемого, контроль существующих счетов и усовершенствование наличного потока и накоплений.
Линейная модель (Reichert, Cho, Wagner, 1983) является одной из основных для кредитов, это скоринговая модель и стандартно используется сегодня . Линейный дискриминантный анализ (LDA) успешности кредита был оспорен из-за категоричного характера данных по кредиту и неравности принятых и отклоненных заявок (West, 2000). Практики и исследователи имеют также прикладные статистические методы, чтобы развить более сложные модели для кредитного скоринга, которые включают логистический регрессионный анализ (LRA) (Henley, 1995), "k" ближайших соседа (KNN) (Henley and Hand, 1996) и дерево решений ( Davis, Edelman, Gammerman, 1992).
Классификация - это собирательное решение и задач в бизнесе. Деление объекта на категории в предопределенные группы или классы, в ряде соблюдаемых и связанных с тем объектом признаков - типичная проблема классификации (Zhang, 2000). В случаях выигрышного кредитования и общего предсказания неудач, нейронные сети (NNs) имеют успешный, применимый к разнообразию реального мира, механизм действия для решения задач классификации в промышленности, бизнесе и науке. A цифры сравнений по выполненным задачам между нейронными сетями и обычными классификаторами были приведены во многих исследованиях ( Curram и Mingers, 1994; Markham и Ragsdale, 1995). Обычные статистические процедуры классификации типа LDA и LRA построены на решениях теории Байеса . В этих методах классификации, основная модель вероятности должна быть принята, чтобы вычислить следующую вероятность, на основании которой производится решение классификации.
В индустрии кредитов, ещё совсем недавно требовался механизм NN, точный инструмент для анализа кредита (Desai, Overstreet, 1996; Malhotra и Malhotra, 2002; West, 2000). Desai и другие учёные (1996) исследовали способность NN и традиционные статистические методы типа LDA и LRA, в строительстве скоринговой кредитной модели. Их результаты показывают что NN обещает точную их классификацию, если критерий качества работы это процент плохих ссуд. Однако, если критерий качества работы - процент точно классифицируемых хороших и плохих ссуд, LRA столь же хороши как NN. Процент правильно классифицируемых плохих ссуд важный критерий качества работы со скоринговой модели, начиная со стоимости предоставления ссуды нарушителю что является более важным чем отклонение хорошего претендента (Desai и другие., 1996).
West (2000) исследовал точность количественных моделей, обычно используемых в индустрии кредитования. Результаты показали, что NN может оптимизировать (улучшать) кредит, выигрывая точность. West также писал, что LRA - хорошая альтернатива NN. В то же время, LDA, KNN, и CART не показали обнадёживающих результатов.
В области общего анализа отказа, который также является важной проблемой классификации в бизнесе, NNs была также заявлена как успешная. Coats и Fant (1993) используют и LDA, и NN, чтобы классифицировать фирмы, полученные от COMPUSTAT как "жизнеспособные" или "бедственные". Они подтвердили, что NN является более точным чем LDA и просто замечательным для предопределения компаний, которые вызывают беспокойство. Salchenberger, Cinar, и Lash(1992) сообщили, что NN выполняет также или даже лучше чем LRA предсказания финансовых стабильных сбережений и ссуд. Из вычислительных результатов сделанных Tam и Kiang (1992), исходит что NN наиболее точен в предсказании отказа банка, сопровождаемого LDA, LRA, KNN и "деревом решений".
В области общего анализа отказа, который также является важной проблемой классификации в бизнесе, NNs была также заявлена как успешная. Coats и Fant (1993) используют и LDA, и NN, чтобы классифицировать фирмы, полученные от COMPUSTAT как "жизнеспособные" или "бедственные". Они подтвердили, что NN является более точным чем LDA и просто замечательным для предопределения компаний, которые вызывают беспокойство. Salchenberger, Cinar, и Lash(1992) сообщили, что NN выполняет также или даже лучше чем LRA предсказания финансовых стабильных сбережений и ссуд. Из вычислительных результатов сделанных Tam и Kiang (1992), исходит что NN наиболее точен в предсказании отказа банка, сопровождаемого LDA, LRA, KNN и "деревом решений".
Чтобы исследовать возможность перевода из отклоненных решений в принятый класс претендентов, кредиторы могут предлагать изменения присваиваим признакам с минимальным изменением модификации. Этот подход уменьшает недостаток применения NN для кредита и даёт преимущество в объяснении решений по отклоненным заявкам. Кредиторы могут предлагать условное принятие, и далее объяснять условия отклоненной заявки. С другой стороны, претенденты могут оценивать спектр (выбор) минимальных модификаций по их признакам. Некоторые из присваиваимых факторов могут изменяться в настоящее время или в ближайшем будущем.
Это исследование представляет работу кредитной индустрии, которая демонстрирует преимущества NNs и GAs, для кредитного анализа. NNs появились как важная и широко распространённая техника для классификации. Недавно, огромное количество исследовательских работ в нейронной классификации установило, что NNs - многообещающая альтернатива различным традиционным статистическим методам. В этом исследовании, кредит основанный на NN, используется, чтобы должным образом классифицировать заявки как или принятые или отклоненные, и таким образом минимизировать риск кредиторов и значительно сохранить будущие сбережения.
Обратная техника классификации основанная на GA повторно назначает отклоненные случаи на предпочтительный принятый класс, который балансирует между стоимостью регулирования и предпочтением клиента. От вычислительных результатов набора данных кредита, базировалось предложенное эволюционное вычисление, подход показал достаточно многие привлекательные особенности автоматизированной системы анализа кредита.
Вверх