Review of Machine Learning models for Credit Scoring Analysis

Madapuri  Rudra Kumar; Vinit Kumar Gunjan

doi:10.16925/2357-6014.2020.01.11

Revisión del aprendizaje automático modelos para puntuación de análisis de crédito

Artículos de investigación

https://doi.org/10.16925/2357-6014.2020.01.11

Madapuri Rudra Kumar Ver Biografía

Annamacharya Institute of Technology and Sciences

Vinit Kumar Gunjan Ver Biografía

CMR Institute of Technology

El aumento de la potencia informática y el uso más profundo de los sistemas informáticos robustos en el sistema financiero impulsa el crecimiento del negocio, mejora la eficiencia operativa de las instituciones financieras y aumenta la efectividad de las soluciones de procesamiento de transacciones utilizadas por las organizaciones. El aprendizaje automático está ofreciendo un inmenso potencial en el espacio Fintech para determinar un puntaje de crédito personal. Organizaciones, mediante la aplicación profunda de técnicas de aprendizaje y aprendizaje automático pueden acceder a las personas que no están siendo atendidas por instituciones financieras. Una de las principales ideas sobre el sistema es que los modelos tradicionales de inteligencia bancaria dan soluciones predominantemente por los modelos programados que pueden alinearse con la información y sistemas que utilizan los bancos. Sin embargo, en el caso de los modelos de aprendizaje automático, que se basan en algoritmos de sistemas, se requiere un cálculo más integral. Por lo tanto, se puede defender que los modelos usualmente necesitan tener algunas líneas de decisión en las que el modelo de calibración dinámica se debe simplificar. Tal estructura exige que la calibración dinámica tenga un sistema de árbol de decisión para potenciar cambios de modelo más integrados. Si los sistemas se pueden desarrollar para alinearse con términos más pragmáticos para el análisis, pueden ayudar a mejorar las condiciones de proceso del análisis del perfil del cliente, en el que los modelos de proceso tienen que ser desarrollados para un análisis exhaustivo y pueden brindar una solución sostenible para la gestión del sistema de crédito.

Palabras clave: evaluación de solvencia, evaluación de puntaje de crédito, aprendizaje automático para un puntaje de crédito, soluciones para modelos de punatje de crédito

N. C. Hsieh and L. P. Hung, “A data-driven ensemble classifier for credit scoring analysis,” Expert Syst. Appl., vol. 37, no. 1, pp. 534–545, Jan. 2010.

W. Chen, G. Xiang, Y. Liu, and K. Wang, “Credit risk Evaluation by hybrid data mining technique,” Syst. Eng. Procedia, vol. 3, pp. 194–200, 2012.

S. Moradi and F. Mokhatab Rafiei, “A dynamic credit risk assessment model with data mining techniques: evidence from Iranian banks,” Financ. Innov., vol. 5, no. 1, Dec. 2019.

S. Akkoç, “An empirical comparison of conventional techniques, neural networks and the three-stage hybrid Adaptive Neuro-Fuzzy Inference System (ANFIS) model for credit scoring analysis: The case of Turkish credit card data,” Eur. J. Oper. Res., vol. 222, no. 1, pp. 168–178, Oct. 2012.

R. P. Bunker, M. A. Naeem, and W. Zhang, Improving a Credit Scoring Model by Incorporating Bank Statement Derived Features.

M. B. Waad, “On Feature Selection Methods for Credit Scoring,” no. January 2015.

P. Abdou, H. A. Abdou, J. Pointon, and H. Abdou, “Credit scoring, statistical techniques and evaluation criteria: A review of the literature Title Credit scoring, statistical techniques and evaluation criteria: A review of the literature Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature,” Financ. Manag., vol. 18, no. 3, pp. 59–88, 2011.

M. Schumann Yang Liu, P. Matthias Schumann, and D. Werk, “The evaluation of classification models for credit scoring Institut für Wirtschaftsinformatik.”

R. E. Turkson, E. Y. Baagyere, and G. E. Wenya, “A machine learning approach for predicting bank credit worthiness,” in 2016 3rd International Conference on Artificial Intelligence and Pattern Recognition, AIPR, pp. 81–87.

K. Tran, T. Duong, and Q. Ho, “Credit scoring model: A combination of genetic programming and deep learning,” in FTC 2016 - Proceedings of Future Technologies Conference, 2017, pp. 145–149.

X. Zhang, Y. Yang, and Z. Zhou, “A novel credit scoring model based on optimized random forest,” in 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC, vol. 2018-January, pp. 60–65.

Su-Lin Pang, Yan-Ming Wang, and Yuan-Huai Bai, “Credit scoring model based on neural network,” in Proceedings. International Conference on Machine Learning and Cybernetics, vol. 4, pp. 1742–1746.

C. Wang, D. Han, Q. Liu, and S. Luo, “A Deep Learning Approach for Credit Scoring of Peer-to-Peer Lending Using Attention Mechanism LSTM,” IEEE Access, vol. 7, pp. 2161–2168, 2019.

X. Zheng, “A credit scoring model based on collaborative filtering,” in Proceedings - 9th International Conference on Computational Intelligence and Security, CIS 2013, pp. 144–148.

G. Arutjothi and C. Senthamarai, “Prediction of loan status in commercial bank using machine learning classifier,” in Proceedings of the International Conference on Intelligent Sustainable Systems, ICISS 2017, 2018, pp. 416–419.

P. Yao, “Credit scoring using ensemble machine learning,” in Proceedings - 2009 9th International Conference on Hybrid Intelligent Systems, HIS 2009, vol. 3, pp. 244–246.

S. Birla, K. Kohli, and A. Dutta, “Machine Learning on imbalanced data in Credit Risk,” in 7th IEEE Annual Information Technology, Electronics and Mobile Communication Conference, IEEE IEMCON, 2016.

R. Emekter, Y. Tu, B. Jirasakuldech, and M. Lu, “Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending,” Appl. Econ., vol. 47, no. 1, pp. 54–70, Jan. 2015.

H. Ince and B. Aktan, “A comparison of data mining techniques for credit scoring in banking: A managerial perspective,” J. Bus. Econ. Manag., vol. 10, no. 3, pp. 233–240, 2009.

J. N. Crook, D. E. Edelman, and L. C. Thomas, “Credit Scoring,” J. Oper. Res. Soc., vol. 56, no. 9, pp. 1003–1005, Sep. 2005.

Y. Liu and M. Schumann, “Data mining feature selection for credit scoring models,” J. Oper. Res. Soc., vol. 56, no. 9, pp. 1099–1108, Sep. 2005.

B. Baesens, T. Van Gestel, S. Viaene, M. Stepanova, J. Suykens, and J. Vanthienen, “Benchmarking state-of-the-art classification algorithms for credit scoring,” J. Oper. Res. Soc., vol. 54, no. 6, pp. 627–635, Jun. 2003.

F. Reserve Board, Board of Governors of the Federal Reserve System Report to the Congress on Credit Scoring and Its Effects on the Availability and Affordability of Credit.

“FICO Credit Score Algorithm Group 14.”

S. Sayad, Comparing Different Classification Techniques in Credit Scoring.

S. Bhatia, P. Sharma, R. Burman, S. Hazari, and R. Hande, Credit Scoring using Machine Learning Techniques, 2017.

Y. Hou, X. Ma, G. Mei, N. Wang, and W. Xu, “A Trial of Student Self-Sponsored Peer-to-Peer Lending Based on Credit Evaluation Using Big Data Analysis,” Comput. Intell. Neurosci., vol. 2019, 2019.

J. S. R. Jang, “ANFIS: Adaptive-Network-Based Fuzzy Inference System,” IEEE Trans. Syst. Man Cybern., vol. 23, no. 3, pp. 665–685, 1993.

M. Bensic, N. Sarlija, and M. Zekic-Susac, “Modelling small-business credit scoring by using logistic regression, neural networks and decision trees,” Intell. Syst. Accounting, Financ. Manag., vol. 13, no. 3, pp. 133–150, Jul. 2005.

M. Pagano and T. Jappelli, “Information Sharing in Credit Markets,” J. Finance, vol. 48, no. 5, pp. 1693–1718, 1993.

B. Twala, “Multiple classifier application to credit risk assessment,” Expert Syst. Appl., vol. 37, no. 4, pp. 3326–3336, Apr. 2010.

[1]

M. . Rudra Kumar and V. Kumar Gunjan, “Revisión del aprendizaje automático modelos para puntuación de análisis de crédito”, ing. Solidar, vol. 16, no. 1, pp. 1–16, Jan. 2020, doi: 10.16925/2357-6014.2020.01.11.

Descargar cita

Derechos de autor 2020 Ingeniaría Solidaria

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Compromiso ético y cesión de derechos

El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.

El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.

Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.

Número

Vol. 16 Núm. 1 (2020)

Publicado

2020-01-31

Descargas

PDF (Inglés)

Métricas

Cargando métricas ...

https://plu.mx/plum/a/?doi=10.16925/2357-6014.2020.01.11