Eine Implementierung von Ensemble-Methoden, logistischer Regression und neuronalen Netzen zur Vorhersage von Ausfällen im Peer-to-Peer-Kreditwesen

Die Kreditbewertung ist zu einem wichtigen Thema geworden, da der Wettbewerb unter den Finanzinstituten intensiv ist und selbst eine kleine Verbesserung der Vorhersagegenauigkeit zu erheblichen Einsparungen führen kann. Finanzinstitute suchen nach optimalen Strategien mithilfe von Kreditbewertungsmodellen. Daher werden Kreditbewertungswerkzeuge intensiv untersucht. Infolgedessen wurden verschiedene parametrische statistische Methoden, nicht-parametrische statistische Werkzeuge und Soft-Computing-Ansätze entwickelt, um die Genauigkeit von Kreditbewertungsmodellen zu verbessern. In dieser Arbeit werden verschiedene Ansätze verwendet, um Kunden in solche zu klassifizieren, die das Darlehen zurückzahlen, und solche, die in Verzug geraten. Ziel dieser Studie ist es, die Leistung von zwei Kreditbewertungstechniken zu untersuchen: dem Modell der logistischen Regression, das auf kategorisierten Variablen basiert und mit Hilfe der WOE (Weight of Evidence)-Transformation modifiziert wird, und neuronalen Netzen. Wir kombinieren auch mehrere Klassifikatoren und testen, ob das Ensemble-Lernen eine bessere Leistung zeigt. Um die Machbarkeit und Effektivität dieser Methoden zu bewerten, wird die Analyse auf den Daten des Lending Club durchgeführt. Darüber hinaus untersuchen wir Peer-to-Peer-Kreditvergabe, auch soziale Kreditvergabe genannt. Aus den Ergebnissen kann geschlossen werden, dass das Modell der logistischen Regression eine bessere Leistung als neuronale Netze bieten kann. Das vorgeschlagene Ensemble-Modell (eine Kombination aus logistischer Regression und neuronalen Netzen durch Durchschnittsbildung der Wahrscheinlichkeiten aus beiden Modellen) hat eine höhere AUC, einen Gini-Koeffizienten und Kolmogorov-Smirnov-Statistiken im Vergleich zu anderen Modellen. Daher können wir schließen, dass das Ensemble-Modell erfolgreich die potenziellen Risiken von Verlusten aufgrund von Fehlklassifikationskosten reduziert.