[论文解读] 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 8

一句话总结

本文提出了一种混合方法，结合启发式风险评分与一种新型机器学习模型，以比现有方法更早预测信用违约。通过基于历史数据预计算风险概率，并对新交易实时更新，该方法在真实世界数据集上的表现优于最先进技术。

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.

研究动机与目标

• 解决在传统统计方法失效的大规模动态数据集中预测信用违约的挑战。
• 开发一种可扩展的实时系统，能够在违约发生前识别高风险账户。
• 结合启发式风险建模与一种新提出的机器学习算法，以提升预测性能。
• 在真实世界信用违约数据集上，将所提方法与现有最先进方法进行验证。

提出的方法

• 启发式方法基于历史数据模式，预计算账户的风险概率。
• 在新交易发生时实时计算风险评分，实现对潜在违约的即时检测。
• 整合一种此前未应用于该数据集的机器学习模型，以提升预测准确性。
• 混合系统结合静态风险评分与动态机器学习驱动的更新，以提升检测能力。
• 在真实世界信用违约数据集上训练和验证模型，并与现有基准进行性能比较。
• 该方法利用历史趋势与即时交易信号相结合，以优化风险评估。

实验结果

研究问题

• RQ1 与传统统计方法相比，混合启发式与机器学习方法是否能提升信用违约的早期检测能力？
• RQ2 实时风险评分机制在违约发生前识别违约账户方面的有效性如何？
• RQ3 将一种新型机器学习模型应用于该数据集，是否能获得优于现有最先进模型的性能？
• RQ4 将启发式风险评分与动态机器学习预测相结合，能在多大程度上提升整体预测准确性？

主要发现

• 所提出的混合方法在预测信用违约方面优于现有最先进方法。
• 将实时风险评分与机器学习相结合，显著提升了检测准确性。
• 尽管该机器学习模型此前未应用于此数据集，但表现出强劲的预测性能。
• 启发式部分实现了在大规模交易量下的可扩展且高效的风控计算。