Sollte maschinelles Lernen bei der Kreditrisikobewertung angewendet werden

In der Vergangenheit bewerteten Analysten, ob bestimmten Antragstellern Kredite angeboten werden sollten, indem sie regelbasierte Ansätze verwendeten. Aufgrund des plötzlichen Anstiegs der Antragsteller und eines Arbeitskräftemangels haben Finanzinstitute jedoch quantitative Entscheidungsfindungsmethoden entwickelt. Kreditbewertungsmodelle werden erstellt. In diesem Aufsatz werden das Random-Forest-Modell, das Support-Vektor-Maschinen-Regression-Modell und das Probit-Modell durchgeführt und anhand des Datensatzes eines großen US-Kreditkartenunternehmens verglichen. Das Ergebnis zeigt, dass, obwohl maschinelles Lernen die Effizienz und Genauigkeit der Kreditrisikobewertung verbessern kann, es dennoch einige Probleme und Einschränkungen gibt. Das Random-Forest-Modell kann hochdimensionale Daten verarbeiten und ist nicht kompliziert auszuführen. Datenbanken mit weniger Merkmalen oder Proben haben jedoch eine geringere Klassifizierungsgenauigkeit. Das Support-Vektor-Maschinen-Regression-Modell hat eine hohe Genauigkeit und verhindert bis zu einem gewissen Grad Überanpassung. Es ist empfindlich gegenüber der Wahl der Kernparameter und des Regularisierungsbegriffs. Durch die Überprüfung, wie wichtig das Mill-Verhältnis ist, erzeugt das Probit-Modell genauere Ergebnisse. Das Modell ist jedoch komplexer als die anderen beiden. In zukünftigen Forschungen schlagen wir vor, unsere Arbeit durch den Einsatz weiterer KI-Algorithmen und Bewertungsmetriken zu erweitern und zu verbessern.