[論文レビュー] Credit Default Mining Using Combined Machine Learning and Heuristic Approach

Sheikh Rabiul Islam, William Eberle+1 more|arXiv (Cornell University)|Jul 2, 2018

Financial Distress and Bankruptcy Prediction参考文献 7被引用数 8

ひとこと要約

本論文では、従来の手法よりも早期に信用リスクのデフォルトを予測するためのハイブリッド手法を提案する。ヒューリスティックなリスクスコアリングと、新規の機械学習モデルを組み合わせることで、履歴データから事前にリスク確率を計算し、新規取引のリアルタイムでの更新を実現する。この手法は、実世界のデータセットにおいて、最先端の技術を上回る優れた性能を発揮する。

ABSTRACT

Predicting potential credit default accounts in advance is challenging. Traditional statistical techniques typically cannot handle large amounts of data and the dynamic nature of fraud and humans. To tackle this problem, recent research has focused on artificial and computational intelligence based approaches. In this work, we present and validate a heuristic approach to mine potential default accounts in advance where a risk probability is precomputed from all previous data and the risk probability for recent transactions are computed as soon they happen. Beside our heuristic approach, we also apply a recently proposed machine learning approach that has not been applied previously on our targeted dataset [15]. As a result, we find that these applied approaches outperform existing state-of-the-art approaches.

研究の動機と目的

• 従来の統計的手法が失敗する、大規模で動的なデータセットにおける信用デフォルトの予測という課題に取り組む。
• デフォルトが発生する前に高リスクアカウントを特定できる、スケーラブルでリアルタイムのシステムを構築する。
• ヒューリスティックなリスクモデリングと、最近提案された機械学習アルゴリズムを組み合わせ、予測性能を向上させる。
• 実世界の信用デフォルトデータセットにおいて、提案手法を既存の最先端手法と比較して検証する。

提案手法

• ヒューリスティック手法により、履歴データのパターンに基づいてアカウントのリスク確率を事前に計算する。
• 新規取引が発生する度にリアルタイムでリスクスコアを計算し、潜在的なデフォルトの即時特定を可能にする。
• このデータセットにこれまで未適用であった機械学習モデルを統合し、予測精度を向上させる。
• 静的リスクスコアと動的ML駆動の更新を組み合わせたハイブリッドシステムにより、検出性能を向上させる。
• モデルは実世界の信用デフォルトデータセットで訓練および検証され、既存のベンチマークと性能を比較する。
• 履歴トレンドと即時の取引シグナルの両方を活用して、リスク評価を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 ヒューリスティック手法と機械学習のハイブリッドアプローチは、従来の統計的手法と比較して、信用デフォルトの早期検出を改善できるか？
• RQ2 リアルタイムリスクスコアリング機構は、デフォルトが発生する前にデフォルト発生アカウントをどれほど効果的に特定できるか？
• RQ3 このデータセットに新規に適用された機械学習モデルは、既存の最先端モデルよりも優れた性能を示すか？
• RQ4 ヒューリスティックリスクスコアと動的ML予測を組み合わせることで、全体の予測精度はどの程度向上するか？

主な発見

• 提案されたハイブリッド手法は、既存の最先端手法を上回り、信用デフォルトの予測性能に優れている。
• リアルタイムリスクスコアリングと機械学習の統合は、検出精度を顕著に向上させる。
• このデータセットに新規に適用された機械学習モデルは、強力な予測性能を示している。
• ヒューリスティック部は、大規模な取引量におけるスケーラブルで効率的なリスク計算を可能にする。