A machine learning approach for predicting bank credit worthiness

Turkson, Regina Esi; Baagyere, Edward Yellakuor; Wenya, Gideon Evans

doi:10.1109/icaipr.2016.7585216

Cited by 46 publications

(14 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Several machine learning algorithms have been used on a real bank credit dataset for comparative analysis and to choose which algorithms are the best fit for learning bank credit data. ese algorithms gave over 80% accuracy in prediction [15]. For evaluating bank efficiency and performance, a combined DEA with three machine learning approaches were used in 444 Ghanaian bank branches, decision-making units (DMUs).…”

Section: Related Workmentioning

confidence: 99%

A Machine Learning Approach to Evaluate the Performance of Rural Bank

Jing

Zhang

2021

Complexity

View full text Add to dashboard Cite

In the current performance evaluation works of commercial banks, most of the researches only focus on the relationship between a single characteristic and performance and lack a comprehensive analysis of characteristics. On the other hand, they mainly focus on causal inference and lack systematic quantitative conclusions from the perspective of prediction. This paper is the first to comprehensively investigate the predictability of multidimensional features on commercial bank performance using boosting regression tree. The dimensionality in the financial-related fields is relatively high. There are not only observable price data, financial fundamentals data, etc., but also many unobservable undisclosed data and undisclosed events; more sources of income cannot be explained by existing models. Aiming at the characteristics of commercial bank data, this paper proposes an adaptively reduced step size gradient boosting regression tree algorithm for bank performance evaluation. In this method, a random subsample sampling is performed before training each regression tree. The adaptive reduction step size is used to replace the reduction step size setting of the original algorithm, which overcomes the shortcomings of low accuracy and poor generalization ability of the existing regression decision tree model. Compared to the BIRCH algorithm for classification of existing data, our proposed gradient boosting regression tree algorithm with adaptively reduced step size obtains better classification results. This paper empirically uses data from rural banks in 30 provinces in China to classify the different characteristics of rural banks’ performance in order to better evaluate their performance.

show abstract

Section: Related Workmentioning

confidence: 99%

A Machine Learning Approach to Evaluate the Performance of Rural Bank

Jing

Zhang

2021

Complexity

View full text Add to dashboard Cite

show abstract

“…En el mercado de valores para determinar en qué momento comprar o vender acciones (Chatzis et al, 2018;Chen et al, 2018;Fernández et al, 2013;Nayak et al, 2016;Shah et al, 2018). En el sector bancario para la aprobación de créditos (Okesola et al, 2018;Peña et al, 2017;Turkson et al, 2016). También se ha usado la IA para procesos de selección de personal (Menon y Rahulnath, 2017;Nawaz, 2019;Van Esch et al, 2019).…”

Section: Introductionunclassified

Análisis de la producción de publicaciones científicas en inteligencia artificial aplicada a la formulación de Políticas Públicas

2020

View full text Add to dashboard Cite

El objetivo de este artículo es analizar las publicaciones científicas especializadas en el uso de herramientas de inteligencia artificial en el proceso de toma de decisiones durante la formulación de políticas públicas. Como herramienta metodológica se creó una ecuación de búsqueda para ubicar las publicaciones concernientes, la cual fue probada y perfeccionada varias veces para mejorar los resultados encontrados. Esta ecuación fue aplicada en la base de datos de Scopus, con lo cual se obtuvieron 1154 publicaciones, a las que se aplicaron indicadores bibliométricos. En los resultados obtenidos se encontró que principalmente esta área ha tenido un gran crecimiento en la última década; cuyos países con mayor producción son: Estados Unidos, República Popular de China y el Reino Unido. Al comparar producción científica con las entidades patrocinantes se pudo concluir la importancia del apoyo gubernamental para desarrollo científico de un país.

show abstract

“…Se han usado diversas técnicas de inteligencia artificial sobre conjuntos de datos generados a partir de entidades financieras [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]. Los modelos propuestos se centran en dos enfoques relacionados con el área del riesgo crediticio.…”

Section: Introductionunclassified

“…Resultados obtenidos con el algoritmo de Máquinas de soporte vectorial Análisis ROC del modelo usando Máquinas de soporte vectorial. Fuente: elaboración propia.Los modelos propuestos en este trabajo con algoritmos como Random Forest y C4.5 superan la exactitud del trabajo de[1] y además presentan una especificidad mucho más alta, lo cual resulta importante para este problema ya que no solo se logra identificar un alto porcentaje de los ciertos positivos y negativos, sino que también se logra mantener una alta especificidad, lo cual significa que los modelos pueden identificar un gran porcentaje de clientes que no incumplirán el pago.La exactitud mide la fracción de predicciones correctas y considera tanto a los verdaderos positivos (clientes que incumplen) como a los verdaderos negativos (clientes que no incumplen). Por esta razón, se convierte en una medida que tiene en cuenta ambas predicciones resaltando la capacidad de los modelos propuestos para no enfocarse en la clasificación de solamente uno de los dos tipos de predicciones, sino que logra mantener un balance entre las dos.…”

unclassified

See 1 more Smart Citation

Predicción de riesgo crediticio en Colombia usando técnicas de inteligencia artificial

Borrero-Tigreros¹,

Bedoya²

2020

revuin

View full text Add to dashboard Cite

En este artículo se proponen modelos para la predicción de riesgo crediticio en Colombia utilizando diferentes técnicas de inteligencia artificial. Estos modelos se pueden usar como apoyo por el área de gestión de riesgo en los bancos y tienen como objetivo identificar clientes que podrían incurrir en un estado de mora generando un posible riesgo de crédito para las entidades financieras. En particular, se proponen modelos basados en tres técnicas de aprendizaje supervisado (redes neuronales, árboles de decisión y máquinas de soporte vectorial) para predecir el próximo pago de la cuota de un cliente a partir de datos básicos de la operación, del cliente y de pagos de cuotas anteriores registradas. De acuerdo con los resultados obtenidos, los árboles de decisión resultan ser más exactos que las otras técnicas utilizadas para la predicción de riesgo crediticio conun áreabajo la curva ROC de 88.29%. Los modelos propuestosalcanzan exactitudes similares y en algunos casos superan las exactitudes reportadas en algunos trabajos del estado del arte.

show abstract

A machine learning approach for predicting bank credit worthiness

Cited by 46 publications

References 6 publications

A Machine Learning Approach to Evaluate the Performance of Rural Bank

A Machine Learning Approach to Evaluate the Performance of Rural Bank

Análisis de la producción de publicaciones científicas en inteligencia artificial aplicada a la formulación de Políticas Públicas

Predicción de riesgo crediticio en Colombia usando técnicas de inteligencia artificial

Contact Info

Product

Resources

About