کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4959395 1445947 2017 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Enhancing two-stage modelling methodology for loss given default with support vector machines
ترجمه فارسی عنوان
ارتقاء روش دو مرحله ای مدل سازی برای از دست دادن به طور پیش فرض با ماشین های بردار پشتیبانی
کلمات کلیدی
تحلیل ریسک، از دست دادن به طور پیش فرض مدل سازی، مدل دو مرحله ای، ماشین بردار پشتیبانی،
ترجمه چکیده
ما پیشنهاد می کنیم تکنیک های ماشین بردار را با استفاده از مربع های کوچک به یک چارچوب مدل سازی دو مرحلهای برای پیش بینی میزان بازیابی کارت های اعتباری از یک بانک خرده فروشی انگلستان پیشنهاد کنیم. مدل دو مرحله ای نیاز به یک مرحله بندی طبقه بندی دارد که موارد را با نرخ بازیابی برابر 0 یا 1 و گام رگرسیون برای ارزیابی میزان بازیابی برای موارد با نرخ بازیابی در (0، 1) تبعیض می کند. مدل دو مرحله ای با یک طبقه بندی کننده دستگاه برنده پشتیبانی می شود که در مقایسه با سایر روش ها در مقایسه با سایر روش ها سودمند است، و این نشان می دهد که یک ماشین بردار پشتیبانی به عنوان رگرسیون لجستیک به عنوان روش طبقه بندی ترجیح داده می شود. ما نتایج عملکرد پیش بینی را در زیر مجموعه هایی که سرعت بازیابی آنها در (0، 1) محدود می شود، بررسی می کنیم و شواهد تجربی نشان می دهد که رگرسیون بردار پشتیبانی، بهبودی قابل توجهی اما نسبتا خوب نسبت به سایر مدل های رگرسیون آماری را نشان می دهد. هنگام مدل سازی بر روی کل نمونه، رگرسیون بردار پشتیبانی هیچ مزیتی در مقایسه با سایر تکنیک ها در چارچوب مدل سازی دو مرحلهای ندارد. ما پیشنهاد می کنیم که انتخاب مدل های رگرسیون در پیش بینی میزان بازیابی کمتر از انتخاب روش های طبقه بندی در مرحله اول دو مرحله ای تاثیر می گذارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
ارتقاء روش دو مرحله ای مدل سازی برای از دست دادن به طور پیش فرض با ماشین های بردار پشتیبانی
چکیده انگلیسی
We propose to incorporate least squares support vector machine technique into a two-stage modelling framework to predict recovery rates of credit cards from a UK retail bank. The two-stage model requires a classification step that discriminates the cases with recovery rate equal to 0 or 1 and a regression step to estimate recovery rates for the cases with recovery rates in (0, 1). The two-stage model with a support vector machine classifier is found to be advantageous on an out-of-time sample compared with other methods, suggesting that a support vector machine is preferred to a logistic regression as the classification technique. We further examine the predictive performances on a subset where recovery rate is bounded in (0, 1) and the empirical evidence demonstrates that support vector regression yields significant but modest improvement compared with other statistical regression models. When modelling on the whole sample, the support vector regression does not present any advantage compared with other techniques within the two-stage modelling framework. We suggest that the choice of regression models is less influential in prediction of recovery rates than the choice of classification methods in the first step of two-stage models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Operational Research - Volume 263, Issue 2, 1 December 2017, Pages 679-689
نویسندگان
, , ,