[論文レビュー] Assessment of Customer Credit through Combined Clustering of Artificial Neural Networks, Genetics Algorithm and Bayesian Probabilities

Reza Mortezapour, Mehdi Afzali|arXiv (Cornell University)|Dec 30, 2013

Financial Distress and Bankruptcy Prediction参考文献 4被引用数 4

ひとこと要約

本論文は、人工ニューラルネットワーク（ANN）、遺伝的アルゴリズム（GA）、ベイズ確率を統合したハイブリッド信用評価モデルを提案し、信用リスク予測の精度を向上させることを目的としている。クラスタリングに基づく分類と最適化、確率的推論を組み合わせることで、SVM や GA-SVM といった単独モデルよりも高い精度を達成し、10分割交差検証で94.5％の精度を示しており、顧客の信用評価において堅牢な性能を発揮している。

ABSTRACT

Today, with respect to the increasing growth of demand to get credit from the customers of banks and finance and credit institutions, using an effective and efficient method to decrease the risk of non-repayment of credit given is very necessary. Assessment of customers' credit is one of the most important and the most essential duties of banks and institutions, and if an error occurs in this field, it would leads to the great losses for banks and institutions. Thus, using the predicting computer systems has been significantly progressed in recent decades. The data that are provided to the credit institutions' managers help them to make a straight decision for giving the credit or not-giving it. In this paper, we will assess the customer credit through a combined classification using artificial neural networks, genetics algorithm and Bayesian probabilities simultaneously, and the results obtained from three methods mentioned above would be used to achieve an appropriate and final result. We use the K_folds cross validation test in order to assess the method and finally, we compare the proposed method with the methods such as Clustering-Launched Classification (CLC), Support Vector Machine (SVM) as well as GA+SVM where the genetics algorithm has been used to improve them.

研究の動機と目的

• 銀行および金融機関における信用違約リスクを低減するため、顧客の信用評価の精度を向上させること。
• 機械学習と確率的手法を統合した、信頼性の高い統合分類システムを構築すること。
• 統合されたフレームワーク内でクラスタリング、最適化、ベイズ推論を活用することで、予測性能を向上させること。
• 交差検証を用いて、SVM や GA-SVM といった既存手法と比較して、提案モデルの有効性を検証すること。
• 信用承認プロセスにおける信頼性の高い、データ駆動型意思決定支援システムを提供すること。

提案手法

• 本手法は、入力となる財務的および人口統計的特徴に基づき、顧客の信用リスクを分類するため、人工ニューラルネットワーク（ANN）を用いた統合的クラスタリング手法を採用している。
• 遺伝的アルゴリズム（GA）を用いて、ANNのアーキテクチャおよびハイパーパrameterを最適化し、汎化性能と収束性を向上させている。
• ベイズ確率を統合して、観察された特徴に基づくデフォルトの事後確率を推定することで、分類結果を精緻化している。
• ANN、GA、ベイズ推論の3つの要素を段階的な分類パイプラインに統合し、予測精度を向上させている。
• モデルの性能を評価し、異なるデータ分割に対して堅牢性を確保するために、K分割交差検証（10分割）が用いられている。
• 最終的な意思決定は、3つのコンポーネントの出力の一致または重み付き統合によって得られ、分類誤差を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワーク、遺伝的アルゴリズム、ベイズ確率の統合は、個別のモデルと比較して信用リスク分類の精度を向上させることができるか？
• RQ2 提案されたハイブリッドモデルは、サポートベクターマシン（SVM）や GA-SVM といった既存手法と比較して、どのように性能を発揮するか？
• RQ3 クラスタリングと最適化の活用は、信用スコアリングシステムの信頼性と一般化性能をどの程度向上させるか？
• RQ4 ニューラルネットワークの出力と確率的推論を統合することで、より安定的かつ解釈可能な信用リスク評価が可能になるか？
• RQ5 実際の銀行応用を想定した場合、精度と計算効率の両面で最適なハイブリッドモデルの構成は何か？

主な発見

• 提案されたハイブリッドモデルは、10分割交差検証において94.5％の分類精度を達成し、単独のSVM や GA-SVM モデルを上回った。
• 遺伝的アルゴリズムの統合により、人工ニューラルネットワークコンポーネントの収束性と一般化性能が顕著に向上した。
• ベイズ確率の統合により、不確実性を定量的に評価できる能力が向上し、より信頼性の高いリスク推定が可能になった。
• 統合的クラスタリングアプローチにより、特に高リスク顧客のセグメンテーションにおいて、個別のモデルと比較して誤分類率が低下した。
• 異なるデータフォールドにおいてもモデルが安定した性能を示し、強力な一般化能力と安定性を確認した。
• 複数の手法を統合することで、単一手法に比べて優れた信用評価の結果が得られることを実証した。