کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854783 1437595 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An experimental comparison of classification techniques in debt recoveries scoring: Evidence from South Africa's unsecured lending market
ترجمه فارسی عنوان
یک مقایسه تجربی از تکنیک های طبقه بندی در به ثمر رساندن بازیابی بدهی: شواهد از بازار وام های غیرقانونی آفریقای جنوبی
کلمات کلیدی
نمره رفتاری، تکنیک های طبقه بندی، آفریقای جنوبی، بازیابی ریسک اعتباری،
ترجمه چکیده
در آفریقای جنوبی، تقریبا 50٪ از افرادی که وام می گیرند نمی توانند از آن استفاده کنند. قبلا، وام دهندگان توانستند از حقوق و دستمزد وام گیرنده کسر کنند اما این عمل دیگر مجاز نیست. در نتیجه، وام دهندگان در حال حاضر بسیار آسیب پذیر هستند به طور پیش فرض به خصوص اگر این وام دیگر با هر نوع وثیقه معنی دار حمایت نمی شود. هدف از این مطالعه بررسی قدرت پیش بینی برخی از تکنیک های طبقه بندی محبوب تر در حال حاضر در استفاده با توجه خاص به پیش بینی تمایل برای وام گیرنده که 90 روز یا بیشتر در عقب افتادگی در وام های غیرمجاز به پرداخت بیش از یک پنجره ثابت دوره حداقل 30٪ از کل مبلغ پرداختی. نتایج نشان می دهد که این روش های طبقه بندی برای پیش بینی الگوهای پرداخت بیش از یک دوره افق آینده بین 3 تا 12 ماه بهترین است. همچنین مشخص شده است که مدل های افزایشی به طور کلی (به ویژه با استفاده از یک تابع پیوند ارزش افراطی تعمیم یافته)، که در ادبیات نمره دهی اعتباری گسترده مورد بررسی قرار نگرفته، از همه طبقه بندی های دیگر مورد مطالعه در این تحقیق برتر بوده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک مقایسه تجربی از تکنیک های طبقه بندی در به ثمر رساندن بازیابی بدهی: شواهد از بازار وام های غیرقانونی آفریقای جنوبی
چکیده انگلیسی
In South Africa, almost 50% of the people who take loans cannot afford it. Previously, lenders were able to make deductions from a borrower's payslip but this practice is no longer allowed. Consequently, lenders are now far more vulnerable to default particularly if these loans are no longer being backed by any form of meaningful collateral. The aim of this study is to investigate the predictive power of some of the more popular classification techniques currently in use with specific attention to predicting the propensity for a borrower who is 90 days or more in arrears on an unsecured loan to pay over a fixed window period at least 30% of the total amount due. Results show that these classification techniques perform best for predicting payment patterns over a future horizon period between 3 and 12 months. It is also found that generalized additive models (especially using a generalized extreme value link function), which have not been extensively explored within the credit scoring literature, outperformed all the other classifiers considered in this study.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 111, 30 November 2018, Pages 35-50
نویسندگان
, ,