Diplomová práce

Explainable Credit Risk Scoring in P2P Lending

Rishee Yadav
Anotace

Credit risk arises when a lender or client in a debt agreement fails to make the required instalment. Major advancements in credit risk intelligence have been made in the last decade to mitigate these risks. Despite that, there are biases toward these models for not being transparent enough. This thesis focuses on the proposed interpretation of models to explain them in-depth and to assess the models …více

Abstract

Credit risk arises when a lender or client in a debt agreement fails to make the required instalment. Major advancements in credit risk intelligence have been made in the last decade to mitigate these risks. Despite that, there are biases toward these models for not being transparent enough. This thesis focuses on the proposed interpretation of models to explain them in-depth and to assess the models …více

Klíčová slova
Credit risk modelling credit scoring black-box machine learning peer to peer lending.
Zadání práce

The thesis aims to develop a transparent credit scoring model in P2P lending using explainable machine learning methods.

Plan:
1. Introduction. Problem statement and definitions.
2. Literature review on P2P lending, credit scoring and explainable machine learning (model-agnostic) methods.
3. Data collection. Data description. Methodology description.
4. Analysis of the performance and explainability of chosen machine learning methods applied to credit scoring in P2P lending.
5. Conclusions. Discussion of the results.

Methodology: analysis, comparison, description, statistical modelling

Administrativní informace
Práce zkontrolována:
17. 5. 2022 16:19, Oleg Deev, Ph.D., učo 387462
Plný text práce
1,9 MB / soubor PDF
Jazyk práce
angličtina angličtina
Termín obhajoby
22. 6. 2022
Práce byla úspěšně obhájena

Vedoucí

Oleg Deev, Ph.D., učo 387462
IFKS KF ESF MU

Oponent

doc. Ing. Tomáš Plíhal, Ph.D., učo 370621
KF ESF MU

Literatura

  • HASTIE, Trevor; Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570.
  • ARIZA-GARZÓN, M J; J ARROYO; A CAPARRINI a M SEGOVIA-VARGAS. Explainability of a Machine Learning Granting Scoring Model in Peer-to-Peer Lending. IEEE Access. IEEE Xplore Digital Library, 2020, roč. 8, s. 64873-64890. ISSN 2169-3536. Dostupné z: https://doi.org/10.1109/ACCESS.2020.2984412.
  • DASTILE, X; T CELIK a M POTSANE. Statistical and machine learning models in credit scoring: A systematic literature survey. Applied Soft Computing. 2020, s. 106263.
  • MOLNAR, Christoph. Interpretable Machine Learning. Leanpub, 2020.
  • BUSSMANN, Niklas; Paolo GIUDICI; Dimitri MARINELLI a Jochen PAPENBROCK. Explainable machine learning in credit risk management. Computational Economics. Springer, 2021, roč. 57, č. 1, s. 203-216. ISSN 0927-7099.
  • HADJI MISHEVA, Branka; Ali HIRSA; Joerg OSTERRIEDER; Onkar KULKARNI a Stephen FUNG LIN. Explainable AI in Credit Risk Management. arXiv preprint. 2021, 2103.00949.
  • MOSCATO, Vincenzo; Antonio PICARIELLO a Giancarlo SPERLÍ. A benchmark of machine learning approaches for credit score prediction. Expert Systems with Applications. Elsevier, 2021, roč. 165, s. 113986. ISSN 0957-4174.
  • BAZARBASH, Majid. FinTech in Financial Inclusion: Machine Learning Applications in Assessing Credit Risk. IMF Working Papers. 2019, roč. 19, č. 109.
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Finance

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.