view in publisher's site

Credit scoring by incorporating dynamic networked information

Highlights•Model-based algorithms are proposed to facilitate credit scoring by incorporating networked information.•A Bayesian optimal filter is proposed to provide risk prediction for lenders assuming that published credit scores are estimated merely from structured financial data.•A recursive Bayes estimator is developed to further improve the precision of credit scoring estimation by incorporating the dynamic interaction topology of clients.•Monto Carlo simulations illustrate that higher precision and consistency are achieved for clients with middle range credit scores.AbstractIn this paper, the credit scoring problem is studied by incorporating networked information, where the advantages of such incorporation are investigated theoretically in two scenarios. Firstly, a Bayesian optimal filter is proposed to provide risk prediction for lenders assuming that published credit scores are estimated merely from structured financial data. Such prediction can then be used as a monitoring indicator for the risk management in lenders’ future decisions. Secondly, a recursive Bayes estimator is further proposed to improve the precision of credit scoring by incorporating the dynamic interaction topology of clients. It is shown theoretically that under the proposed evolution framework, the designed estimator has a higher precision than any efficient estimator, and the mean square errors are strictly smaller than the Cramér–Rao lower bound for clients within a certain range of scores. Finally, simulation results for a special case illustrate the feasibility and effectiveness of the proposed algorithms.

امتیازدهی اعتباری با ترکیب اطلاعات شبکه‌ای پویا

نکات برجسته * الگوریتم های مبتنی بر مدل برای تسهیل امتیاز دهی اعتبار با ترکیب اطلاعات شبکه‌ای پیشنهاد شده‌اند. * یک فیلتر بهینه بیزی برای ارائه پیش‌بینی ریسک برای وام دهندگان با فرض اینکه امتیازات اعتباری منتشر شده صرفا از داده‌های مالی ساختار یافته تخمین زده می‌شوند، پیشنهاد شده‌است. * یک برآوردکننده بیزی بازگشتی برای بهبود بیشتر دقت تخمین امتیاز اعتباری با ترکیب توپولوژی تعامل پویای مشتریان توسعه داده شده‌است. * شبیه‌سازی‌های مونتو کارلو نشان می‌دهد که دقت و سازگاری بالاتری برای مشتریان با امتیاز اعتباری محدوده متوسط به دست می‌آید. واکنش در این مقاله، مساله امتیاز دهی اعتبار با ترکیب اطلاعات شبکه‌ای مورد مطالعه قرار می‌گیرد، که در آن مزایای چنین تلفیقی به صورت نظری در دو سناریو بررسی می‌شود. اول، یک فیلتر بهینه بیزی برای ارائه پیش‌بینی ریسک برای وام دهندگان با فرض اینکه امتیازات اعتباری منتشر شده صرفا از داده‌های مالی ساختار یافته تخمین زده می‌شوند، پیشنهاد می‌شود. چنین پیش‌بینی می‌تواند به عنوان یک شاخص نظارتی برای مدیریت ریسک در تصمیمات آینده وام دهندگان مورد استفاده قرار گیرد. دوم، یک برآورد کننده بایز بازگشتی برای بهبود دقت امتیاز دهی اعتباری با ترکیب توپولوژی تعامل پویای مشتریان پیشنهاد می‌شود. از لحاظ نظری نشان‌داده شده‌است که تحت چارچوب تکامل پیشنهادی، تخمین‌گر طراحی شده‌دارای دقت بالاتری نسبت به هر تخمین‌گر کارآمد است و خطاهای مربع میانگین به شدت کوچک‌تر از حد پایین کرامر - رائو برای مشتریان در محدوده مشخصی از امتیازات هستند. در نهایت، نتایج شبیه‌سازی برای یک مورد خاص، امکان‌پذیری و اثربخشی الگوریتم های پیشنهادی را نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Modelling and Simulation
  • ترجمه مقاله Modelling and Simulation
  • مقاله مدل‌سازی و شبیه‌سازی
  • ترجمه مقاله مدل‌سازی و شبیه‌سازی
  • مقاله Management Science and Operations Research
  • ترجمه مقاله Management Science and Operations Research
  • مقاله علوم مدیریت و پژوهش عملیاتی
  • ترجمه مقاله علوم مدیریت و پژوهش عملیاتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.