[논문 리뷰] Credit Default Mining Using Combined Machine Learning and Heuristic Approach

Sheikh Rabiul Islam, William Eberle외 1명|arXiv (Cornell University)|2018. 07. 02.

Financial Distress and Bankruptcy Prediction참고 문헌 7인용 수 8

한 줄 요약

이 논문은 기존 방법보다 일찍 신용 불이행을 예측하기 위해 히우리스틱 리스크 스코링과 새로운 기계학습 모델을 조합한 하이브리드 접근법을 제안한다. 역량 데이터에서 사전에 리스크 확률을 계산하고 신규 거래가 발생할 때 실시간으로 이를 업데이트함으로써, 실제 세계 데이터셋에서 최신 기술보다 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 기존 통계적 방법이 실패하는 대규모이고 동적인 데이터셋에서 신용 불이행을 예측하는 과제를 해결하기 위해.
• 불이행 발생 이전에 고위험 계정을 식별할 수 있는 확장성 있고 실시간 시스템을 개발하기 위해.
• 최근 제안된 기계학습 알고리즘과 히우리스틱 리스크 모델링을 융합하여 예측 성능을 향상시키기 위해.
• 실제 세계의 신용 불이행 데이터셋에서 기존 최신 기술적 접근법과의 비교를 통해 제안된 방법을 검증하기 위해.

제안 방법

• 히우리스틱 접근법은 역량 데이터 패턴을 기반으로 계정의 리스크 확률을 사전에 계산한다.
• 신규 거래가 발생할 때 실시간 리스크 스코어를 계산하여 잠재적 불이행의 즉각적인 탐지가 가능하다.
• 기존에 이 데이터셋에 적용된 바가 없는 기계학습 모델이 예측 정확도 향상을 위해 통합된다.
• 하이브리드 시스템은 정적 리스크 스코어와 동적 기계학습 기반 업데이트를 결합하여 검출 성능을 향상시킨다.
• 모델은 실제 세계의 신용 불이행 데이터셋에서 훈련 및 검증되며, 기존 벤치마크와 성능을 비교한다.
• 역량 추세와 즉각적인 거래 신호를 모두 활용하여 리스크 평가를 정교화한다.

실험 결과

연구 질문

• RQ1 기존 통계적 방법과 비교해 볼 때, 하이브리드 히우리스틱 및 기계학습 접근법이 조기 신용 불이행 탐지에 효과적인가?
• RQ2 실시간 리스크 스코어링 메커니즘이 불이행 발생 이전에 불이행 계정을 얼마나 효과적으로 식별하는가?
• RQ3 이 데이터셋에 새로 적용된 기계학습 모델이 기존 최신 기술 모델보다 더 나은 성능을 내는가?
• RQ4 히우리스틱 리스크 스코어와 동적 기계학습 예측을 융합함으로써 전반적인 예측 정확도는 어느 정도 향상되는가?

주요 결과

• 제안된 하이브리드 접근법은 기존 최신 기술적 방법보다 신용 불이행 예측에서 뛰어난 성능을 보였다.
• 실시간 리스크 스코어링과 기계학습의 융합은 탐지 정확도를 크게 향상시켰다.
• 이 데이터셋에 새로 적용된 기계학습 모델은 강력한 예측 성능을 보였다.
• 히우리스틱 구성요소는 대규모 거래량에서 확장성 있고 효율적인 리스크 계산을 가능하게 했다.