Réseau de neurones récurrent amélioré pour combiner des caractéristiques statiques et dynamiques pour la prédiction de défaut de paiement par carte de crédit

Les modèles d'apprentissage profond ont montré leur capacité à extraire des représentations de haut niveau à partir de la quantité croissante de données au niveau des clients générées par les activités financières en forte croissance. Dans les données financières, des caractéristiques dynamiques qui évoluent avec le temps sont couramment observées. Cependant, ces dépendances temporelles sont souvent ignorées dans les modèles de classification classiques. Dans cette étude, nous proposons d'apprendre un extracteur de caractéristiques de Réseau de Neurones Récurrent (RNN) avec GRU sur l'historique des paiements par carte de crédit afin de tirer parti des dépendances temporelles intégrées dans ces caractéristiques dynamiques. Les séquences d'entrée sont d'abord prétraitées par cet extracteur de caractéristiques. Les caractéristiques dynamiques extraites, ainsi que les caractéristiques statiques, sont ensuite utilisées pour entraîner un modèle RNN amélioré (RNN-RF) afin de prédire les défauts de paiement des clients par carte de crédit. Des expériences numériques ont confirmé que le prédicteur RNN amélioré fournit en effet la meilleure performance tant en indice de levée (0.659) qu'en AUC (0.782) par rapport aux autres modèles de référence. Le modèle proposé nous permet de combiner efficacement des caractéristiques statiques et dynamiques pour fournir une performance prédictive supérieure pour les données financières.