Betrugserkennung bei der Kreditrisikobewertung mit Hilfe überwacht lernender Algorithmen

Unsere Studie bewertet systematisch die Leistung verschiedener überwacht lernender Algorithmen bei der Kreditrisikobewertung und Betrugserkennung, einschließlich logistischer Regression, Entscheidungsbaum, Support Vector Machine, Random Forest, Gradient Boosting Tree und neuronalen Netzwerken. Die Ergebnisse zeigen, dass der Gradient Boosting Tree bei der Kreditrisikobewertung mit einer Genauigkeit von 90,5 % und einem ROC-AUC von 0,84 am besten abgeschnitten hat, gefolgt von Random Forest und neuronalen Netzwerken mit Genauigkeiten von 89,2 % bzw. 88,8 % sowie ROC-AUCs von 0,82 und 0,81. Bei der Betrugserkennung erzielte das neuronale Netzwerk die beste Leistung mit einer Genauigkeit von 97,5 % und einem ROC-AUC von 0,88, während Gradient Boosting Tree und Random Forest Genauigkeiten von 97,1 % und 96,3 % sowie ROC-AUCs von 0,87 und 0,85 erreichten. Die Analyse der Feature-Importance zeigt, dass die Rückzahlungshistorie, der Kreditrahmen, der Rechnungsbetrag und der Rückzahlungsbetrag wichtige Merkmale in der Kreditrisikobewertung sind, während Betrag, Zeit und Ort der Transaktion entscheidend für die Betrugserkennung sind. Die Datenvorverarbeitung und Merkmalsengineering spielten eine entscheidende Rolle bei der Verbesserung der Modellleistung. Eine weitere Optimierung der Hyperparameter des Modells und die Behebung von Datenungleichgewichtsproblemen werden helfen, die Modellleistung zu steigern. Zusammenfassend zeigen Ensemble-Lernmethoden und neuronale Netzwerke erhebliche Vorteile bei der Kreditrisikobewertung und Betrugserkennung. Durch den Einsatz wissenschaftlicher Datenvorverarbeitung und Merkmalsengineering in Kombination mit fortschrittlichen Machine-Learning-Algorithmen können Finanzinstitute ihre Effektivität im Risikomanagement erheblich verbessern.