Absztrakt
A tanulmány célja összehasonlítani a logisztikus regresszió, döntési fa és a véletlen erdő teljesítményét egy valós P2P (peer-to-peer) hitelezési adatbázison. A peer-to-peer (vagy személyközi, P2P) hitelezési piac megkönnyíti a hitelfelvevők és a hitelezők közötti pénzügyi tranzakciókat. A hitelkockázat-kezelés hagyományosan a hitelpontozáson alapszik, amely segítségével a hitelek nemteljesítésének valószínűségét becsüljük. A megfelelő hitelminősítési technika nagyon fontos mind a pénzügyi intézmények, mind a P2P hitelezési platformok hosszú távú sikere szempontjából. A hitelminősítő algoritmusok ös�szehasonlítása a Lending Clubról származó adatok alapján történik. Az adatbázis 2017 első negyedévére terjed ki, 563 847 megfigyelést és 23 különböző változót tartalmaz. Az eredmények alapján arra a következtetésre jutunk, hogy a véletlen erdő a jobb hitelminősítő algoritmus a Lending Club adatbázisa esetében.
Abstract
Comparison of credit scoring algorithms: artificial intelligence-based algorithms vs. traditional methods
The aim of the study is to compare the performance of logistic regression, decision tree and random forest on a real P2P (peer-to-peer) lending database. The peer-to-peer (or person-to-person, P2P) lending market facilitates financial transactions between borrowers and lenders. Credit risk management is traditionally based on credit scoring, which is used to estimate the probability of default on a loan. An appropriate credit-scoring technique is very important for the long-term success of both financial institutions and P2P lending platforms. The comparison of credit scoring algorithms is based on Lending Club data. The database covers the first quarter of 2017 and contains 563 847 observations and 23 different variables. The results obtained suggest that random forest is the better credit scoring algorithm for the Lending Club database.
Kulcsszavak: hitelminősítés, személyközi hitelezés, logisztikus regresszió, véletlen erdő, döntési fa, credit score, peer-to-peer lending, logistic regression, random forest, decision tree
JEL: G21, G23, D14