A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
PDF 
Enlace de Referencia
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen en español
Se han propuesto muchas técnicas para la evaluación del riesgo crediticio, desde clasificadores individuales hasta modelos de conjuntos. Sin embargo, el state-of-the-art en la calificación crediticia se ha centrado principalmente en la predicción precisa de la probabilidad de incumplimiento de un prestatario. No obstante, existe una segunda variable clave para medir adecuadamente el riesgo crediticio: la pérdida ante dicho incumplimiento. En este trabajo se propuso el uso de un clasificador conjunto heterogéneo, compuesto por los modelos más utilizados tradicionalmente: Regresión logística, Bosque aleatorio y Redes neuronales, para predecir adecuadamente la Pérdida Esperada (el producto de la probabilidad de incumplimiento y la pérdida dada por incumplimiento). Con base en estos resultados, se utiliza un modelo de optimización no lineal y una simulación de Monte Carlo para maximizar la rentabilidad esperada de una institución financiera. Los resultados del análisis y la simulación muestran que el modelo propuesto produce resultados más estables y una mejor rentabilidad general que los clasificadores usados tradicionalmente en toda la industria.
Resumen en inglés
Many techniques have been proposed for credit risk assessment, from individual classifiers to ensemble models. However, the state-of-the-art on credit scoring has mainly focused on the precise prediction of a borrower?s probability of default. Nonetheless, there is a second variable that is key to adequately measure credit risk: the loss given such default. This paper proposed the use of a heterogeneous ensemble classifier, comprised by the most traditionally used models: Logistic Regression, Random Forest, and Neural Networks, to adequately predict the Expected Loss (the product of the probability of default and the loss given default). Based on such results, a non-linear optimization model and a Monte Carlo simulation are used to maximize the expected profitability of a financial institution. The results of the analysis and simulation show that the proposed model yields more stable results and better overall profitability than the traditionally industry-wide used classifiers.