Улучшение качества кредитного скоринга с помощью глубоких нейронных сетей
Автор: Архипов В.А.
Журнал: Вестник Алтайской академии экономики и права @vestnik-aael
Рубрика: Экономические науки
Статья в выпуске: 8, 2018 года.
Бесплатный доступ
Существенный прогресс в исследованиях различных областей с помощью методов глубокого обучения, таких как компьютерное зрение, обработка естественного языка, рекомендательные системы, изменяет традиционные подходы в решении классических задач. В статье рассмотрены некоторые алгоритмы глубокого обучения, позволяющие улучшить традиционные модели кредитного банковского скоринга. В качестве набора данных для экспериментов был выбран датасет, содержащий информацию о заемщиках-юридических лицах крупнейших банков России. Исследован потенциал улучшения базовых моделей на основе логистических регрессий с использованием многослойного перцептрона и автокодировщика. Многослойный перцептрон представляет собой последовательность слоев, каждый из которых состоит из набора нейронов, связанных по с каждым нейроном в предыдущем и следующем слое. Автокодировщиком для табличных данных называется полносвязная нейронная сеть, реконструирующая входные данные, состояния активаций нейронов на внутренних слоях которой можно использовать в качестве латентных признаков...
Кредитный скоринг, моделирование, вероятность дефолта, глубокое обучение, нейронные сети
Короткий адрес: https://sciup.org/142216497
IDR: 142216497
Список литературы Улучшение качества кредитного скоринга с помощью глубоких нейронных сетей
- Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework, 2005.
- Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain//Psychological review. -1958. -Т. 65. -№ 6. -С. 386.
- Chauvin Y., Rumelhart D.E. Backpropagation: theory, architectures, and applications. -Psychology Press, 2013.
- Goodfellow I. et al. Deep learning. -Cambridge: MIT press, 2016. -Т. 1.
- Rezac M., Rezac F. How to measure the quality of credit scoring models//Finance a Uver. -2011. -Т. 61. -№ 5. -С. 486.
- Frunza M. C. Computing a standard error for the Gini coefficient: an application to credit risk model validation//The Journal of Risk Model Validation. -2013. -Т. 7. -№ 1. -С. 61.
- Kanungo T. et al. An efficient k-means clustering algorithm: Analysis and implementation//IEEE Transactions on Pattern Analysis & Machine Intelligence. -2002. -№ 7. -С. 881-892.
- Mancisidor R. A. et al. Segment-Based Credit Scoring Using Latent Clusters in the Variational Autoencoder//arXiv preprint arXiv:1806.02538. -2018.
- Baldi P. Autoencoders, unsupervised learning, and deep architectures//Proceedings of ICML workshop on unsupervised and transfer learning. -2012. -С. 37-49.
- Friedman J., Hastie T., Tibshirani R. The elements of statistical learning. -New York, NY, USA: Springer series in statistics, 2001. -Т. 1. -№ 10.
- Dahl G. E., Sainath T. N., Hinton G. E. Improving deep neural networks for LVCSR using rectified linear units and dropout//Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on. -IEEE, 2013. -С. 8609-8613.
- Vincent P. et al. Extracting and composing robust features with denoising autoencoders//Proceedings of the 25th international conference on Machine learning. -ACM, 2008. -С. 1096-1103.
- Vincent P. et al. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion//Journal of machine learning research. -2010. -Т. 11. -№ Dec. -С. 3371-3408.
- Rifai S. et al. Contractive auto-encoders: Explicit invariance during feature extraction//Proceedings of the 28th International Conference on International Conference on Machine Learning. -Omnipress, 2011. -С. 833-840.
- Witten I. H. et al. Data Mining: Practical machine learning tools and techniques. -Morgan Kaufmann, 2016.
- Mnih V. et al. Human-level control through deep reinforcement learning//Nature. -2015. -Т. 518. -№ 7540. -С. 529.
- Ruck D. W. et al. The multilayer perceptron as an approximation to a Bayes optimal discriminant function//IEEE Transactions on Neural Networks. -1990. -Т. 1. -№. 4. -С. 296-298.
- Tam K.Y., Kiang M.Y. Managerial applications of neural networks: the case of bank failure predictions//Management science. -1992. -Т. 38. -№ 7. -С. 926-947.
- Tam K.Y. Neural network models and the prediction of bank bankruptcy//Omega. -1991. -Т. 19. -№ 5. -С. 429-445.
- LeCun Y., Bengio Y., Hinton G. Deep learning//nature. -2015. -Т. 521. -№ 7553. -С. 436.
- Chan T. H. et al. PCANet: A simple deep learning baseline for image classification?//IEEE Transactions on Image Processing. -2015. -Т. 24. -№ 12. -С. 5017-5032.
- West D. Neural network credit scoring models//Computers & Operations Research. -2000. -Т. 27. -№ 11-12. -С. 1131-1152.
- Hand D.J., Henley W.E. Statistical classification methods in consumer credit scoring: a review//Journal of the Royal Statistical Society: Series A (Statistics in Society). -1997. -Т. 160. -№ 3. -С. 523-541.
- Siddiqi N. Credit risk scorecards: developing and implementing intelligent credit scoring. -John Wiley & Sons, 2012. -Т. 3.
- Leyshon A., Thrift N. Lists come alive: eletronic systems of knowledge and the rise of credit-scoring in retail banking//Economy and society. -1999. -Т. 28. -№ 3. -С. 434-466.
