'Kreditvurdering ved brug af bayesiansk reject inference'

Jensen, Kim N.

4. semester

Datalogi, Kandidat

2006

Denne afhandling udvikler en kreditvurderingsmodel, der med større sikkerhed skal identificere en større andel af låneansøgere, som er kreditværdige (solvente). Modellen bygges gennem en iterativ proces i to trin. Først trænes en selektionsmodel udelukkende på oplysninger fra tidligere kunder, som har vist sig solvente, under antagelse af at deres karakteristika er dem, banken bør prioritere. Derefter justeres modellen til at acceptere en forudbestemt andel af ansøgere. Dette adresserer “reject inference”-problemet—træning kun på godkendte, solvente kunder skjuler information om afviste ansøgere—og modvirker, at modellen over tid bliver stadig mere restriktiv. For at kunne udvælge ansøgere med et tydeligt mål for sikkerheden anvendes en modificeret Naiv Bayes-klassifikator, en enkel probabilistisk metode, der estimerer sandsynligheden for solvens og angiver, hvor sikker den er i sin vurdering. Klassifikatoren er ændret, så den accepterer en specifik andel af ansøgere. Metoden blev afprøvet i et virtuelt eksperiment (simulering), og resultaterne var lovende. Der er dog forhold, som bør undersøges nærmere, herunder udformningen af eksperimentet og alternativer til Naiv Bayes-klassifikatoren.

This thesis develops a credit scoring model that aims to more confidently identify a larger share of loan applicants who are creditworthy (solvent). The model is built through an iterative two-step process. First, a selection model is trained using information only from past customers who proved solvent, assuming their characteristics are those the bank should prioritize. Second, the model is adjusted to accept a predetermined proportion of applicants. This addresses the “reject inference” issue—training only on approved, solvent customers hides information about rejected applicants—and helps prevent the model from becoming increasingly restrictive over time. To select applicants with an explicit measure of certainty, the project uses a modified Naïve Bayes classifier—an uncomplicated probabilistic method that estimates the likelihood of solvency and reports how confident it is in its conclusion. The classifier is altered to accept a specific share of applicants. The method was tested in a virtual experiment (simulation), and the results were promising. However, further work is needed, including refining the experimental setup and exploring alternatives to the Naïve Bayes classifier.

[Dette resumé er genereret ved hjælp af AI]

Download
Vis denne rapport i AAU Studenterprojekter