| Abstract : | In the context of credit scoring, behavioral scorecards are used by financial institutions over time, in order to monitor the performance of their existing clients. Scorecards are used to generate clients’ scores based on their behavior in relationship with their financial institution. For such a crucial decision, past demographic and financial data of clients (behavioral characteristics) are important to be collected so as to build an automated behavioral score prediction model, based on a machine learning classifier or statistical models using machine learning techniques. The present work, focuses on collecting and sampling the appropriate data, cleaning, and performing the necessary preprocessing steps, feature selection using univariate and supervised wrapper techniques, and model development, based on baseline classifiers (Logistic Regression, Decision Trees, Random Forest). Traditional approaches of Weight of Evidence and Information Value criterions for credit scoring are also examined. After analysis, the best performing classifier will be used in order to create a scorecard that will be able to generate scores based on clients’ characteristics.
Στα πλαίσια της αξιολόγησης της πιστοληπτικής ικανότητας των πελατών, οι συμπεριφορικές σκοροκάρτες χρησιμοποιούνται από τα χρηματοπιστωτικά ιδρύματα με την πάροδο του χρόνου, προκειμένου να παρακολουθούν την απόδοση των υφιστάμενων πελατών τους. Οι σκοροκάρτες, χρησιμοποιούνται ευρέως για τη δημιουργία ενός score για τη βαθμολόγηση των πελατών των χρηματοπιστωτικών ιδρυμάτων, σε σχέση πάντα με τη συμπεριφορά τους, τις συναλλαγές και τις υποχρεώσεις τους απέναντι στα χρηματοπιστωτικά ιδρύματα στα οποία διατηρούν τα προϊόντα τους. Για μια τόσο κρίσιμη απόφαση, είναι σημαντικό να συλλέγονται παλαιότερα δημογραφικά και οικονομικά δεδομένα πελατών (χαρακτηριστικά συμπεριφοράς), ώστε να δημιουργηθεί ένα αυτοματοποιημένο μοντέλο πρόβλεψης της βαθμολογίας συμπεριφοράς, με βάση έναν ταξινομητή μηχανικής μάθησης ή στατιστικό μοντέλο που χρησιμοποιεί τεχνικές μηχανικής μάθησης. Η παρούσα εργασία εστιάζει στη συλλογή και δειγματοληψία των κατάλληλων δεδομένων, τον καθαρισμό και την εκτέλεση των απαραίτητων βημάτων προεπεξεργασίας, την επιλογή χαρακτηριστικών με τη χρήση μονομεταβλητών μεθόδων αλλά και εποπτευόμενων τεχνικών, καθώς επίσης την ανάπτυξη μοντέλων που βασίζονται σε διαδεδομένους ταξινομητές (Logistic Regression, Decision Trees, Random Forest). Εξετάζονται συνδυαστικά επίσης οι παραδοσιακές προσεγγίσεις των κριτηρίων Weight of Evidence and Information Value που χρησιμοποιούνται σε τέτοιου είδους προβλήματα. Μετά την ανάλυση, θα χρησιμοποιηθεί ο ταξινομητής με την καλύτερη απόδοση προκειμένου να δημιουργηθεί μια σκοροκάρτα η οποία θα μπορεί να δημιουργεί βαθμολογίες με βάση τα χαρακτηριστικά των πελατών.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.