Survival analysis in credit data

Abstract

Η παρούσα μελέτη διερευνά την εφαρμογή της ανάλυσης επιβίωσης για την πρόβλεψη της πιθανότητας και του χρόνου αθέτησης των δανείων, προσφέροντας μια χρονικά ευαίσθητη προοπτική του πιστωτικού κινδύνου. Χρησιμοποιώντας ένα σύνολο δεδομένων που περιέχει στοιχεία του δανειολήπτη και δεδομένα απόδοσης του δανείου, η έρευνα εξετάζει τον αντίκτυπο παραγόντων όπως το πιστωτικό σκορ, ο σκοπός του δανείου, η κατάσταση κατοχής και το ιστορικό αποπληρωμής στον κίνδυνο αθέτησης. Η μεθοδολογία ενσωματώνει τη λογοκρισία για να ληφθούν υπόψη τα δάνεια που εξακολουθούν να είναι ενεργά ή δεν έχουν αθετήσει τις υποχρεώσεις τους. Οι τεχνικές ανάλυσης επιβίωσης, συμπεριλαμβανομένης της εκτίμησης Kaplan-Meier, της μοντελοποίησης αναλογικών κινδύνων Cox και παραμετρικών μοντέλων όπως Weibull, Log-Logistic, Log-Normal και Exponential, χρησιμοποιούνται για την αξιολόγηση του κινδύνου με την πάροδο του χρόνου. Τα αποτελέσματα αναδεικνύουν την αξία των μοντέλων επιβίωσης για τη βελτίωση της ακρίβειας πρόβλεψης της αθέτησης και την υποστήριξη πιο τεκμηριωμένων, βασισμένων σε δεδομένα αποφάσεων δανεισμού στον χρηματοπιστωτικό τομέα.This study explores the application of survival analysis to predict the likelihood and timing of loan defaults, offering a time-sensitive perspective on credit risk. Using a dataset containing borrower details and loan performance data, the research examines the impact of factors such as credit score, loan purpose, occupancy status, and repayment history on default risk. The methodology incorporates censoring to account for loans that are still active or have not defaulted. Survival analysis techniques, including Kaplan-Meier estimation, Cox proportional hazards modeling, and parametric models such as Weibull, Log-Logistic, Log-Normal, and Exponential, are used to evaluate risk over time. The results highlight the value of survival models in improving default prediction accuracy and supporting more informed, data-driven lending decisions in the financial sector.