Przewidywanie ryzyka kredytowego

Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skuteczność danychtransakcyjnych w przewidywaniu ryzyka kredytowego porównując wydajność dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocenę zdolności predykcyjnych możliwości interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niespłaconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne pozyskane z Kaggle zostały poddane rygorystycznemu przetwarzaniu wstępnemu i inżynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostały intensywnie wytrenowane i ocenione przy użyciu ustalonych wskaźników obejmujących dokładność precyzję wycofanie wynik F1 aby kompleksowo ocenić ich skuteczność w przewidywaniu niespłacenia kredytu. Wyniki wskazują na różne mocne strony modeli: regresja logistyczna wykazuje godną pochwały interpretowalność przy jednoczesnym osiągnięciu konkurencyjnych wskaźników wydajności podczas gdy sieć neuronowa feed-forward wykazuje wyższą dokładność predykcyjną aczkolwiek przy zwiększonej złożoności i zmniejszonej interpretowalności.