Método de entropía para construir un modelo combinado que mejore la predicción de incumplimientos de préstamos: Un estudio de caso en China

En los últimos años, la puntuación crediticia se ha convertido en una herramienta eficiente para ayudar a las instituciones financieras a identificar a los posibles prestatarios en incumplimiento, y el modelo combinado se considera ampliamente como un vehículo útil. En este estudio, después del preprocesamiento basado en random forest, proponemos un algoritmo de regresión logística combinada y un modelo de red neuronal artificial para mejorar el rendimiento predictivo basado en datos reales de un banco comercial rural, bajo la condición de que la calidad del préstamo afecta directamente la rentabilidad del banco. El modelo combinado requiere un paso con un método de entropía para determinar los pesos de entropía del modelo de regresión logística y del modelo de red neuronal artificial. Los resultados experimentales revelan que el modelo combinado propuesto supera a los dos modelos base en cuatro métricas de evaluación: precisión (ACC), área bajo la curva (AUC), estadístico de Kolmogorov-Smirnov (KS) y puntuación de Brier (BS). Además, el modelo es superior a un modelo de ensamblaje de vanguardia, stacking.