Prévision du risque de défaut sur des ensembles de données déséquilibrés de prêts entre particuliers

Au cours des dernières années, le prêt entre particuliers (P2P) a connu une croissance rapide dans le monde. L'idée principale du prêt P2P est la désintermédiation et la suppression des intermédiaires comme les banques. Pour une petite entreprise et certaines personnes sans suffisamment de crédit ou d'historique de crédit, le prêt P2P est un bon moyen de demander un prêt. Cependant, le problème fondamental du prêt P2P est l'asymétrie d'information dans ce modèle, qui peut ne pas estimer correctement le risque de défaut de remboursement. Les prêteurs ne déterminent si un prêt doit être financé que sur la base des informations fournies par les emprunteurs, ce qui entraîne des ensembles de données déséquilibrés contenant des prêts entièrement remboursés et des prêts par défaut inégaux. Les ensembles de données déséquilibrés sont assez courants dans le monde réel, comme la fraude par carte de crédit dans les transactions, les mauvais produits dans l'usine, etc. Malheureusement, les données déséquilibrées sont hostiles aux schémas d'apprentissage automatique normaux. Dans notre scénario, les modèles sans méthodes adaptatives se concentreraient sur l'apprentissage du remboursement normal. Cependant, la caractéristique de la classe minoritaire est critique dans le secteur du prêt. Dans cette étude, nous utilisons non seulement plusieurs schémas d'apprentissage automatique pour prédire le risque de défaut du prêt P2P, mais aussi des mécanismes de rééchantillonnage et de coût-sensibilité pour traiter les ensembles de données déséquilibrés. De plus, nous utilisons les ensembles de données de Lending Club pour valider notre schéma proposé. Les résultats de l'expérience montrent que notre schéma proposé peut effectivement augmenter la précision de la prédiction du risque de défaut.