Generator danych Consumer Finance - metody porównywania technik modelowych w credit scoring

• Autorzy: Karol Przanowski , Jolanta Mamczarz

Warianty tytułu

Consumer Finance Data Generator - Method of Credit Scoring Technique Comparison

• Języki publikacji: PL

Abstrakty

Przedmiotem artykułu jest porównanie technik budowy kart skoringowych, które można otrzymać na wiele sposobów, wykorzystując różne metody transformacji zmiennych. Porównywanie i wykazanie wyższości jednej metody nad drugą jest dość dużym wyzwaniem. Relatywnie łatwo to wykonać na podstawie konkretnych danych. Wykazanie różnicy na podstawie jednych danych nie gwarantuje otrzymania tego samego wyniku na podstawie danych pochodzących z innego źródła. Pojawia się zatem pytanie, w jaki sposób otrzymać wnioski bardziej ogólne. Pomocne są tu dane losowe otrzymane przy użyciu generatora liczb losowych. Generator wykorzystuje macierze migracji i skoringi. W artykule przedstawione są wnioski wynikające z porównania kilku technik budowy kart skoringowych. Przed zbudowaniem karty skoringowej można stwierdzić, jaka technika dla określonych danych jest najlepsza. Mierniki jakości modelu predykcyjnego, takie jak: Gini - mierzący moc predykcyjną, Delta Gini - wykorzystywany do oceny stabilności, VIF - stosowany do pomiaru współliniowości i Maxp-value - używany do oceny istotności zmiennych, wskazują na wielokryterialną naturę "dobrego modelu". Proponowany sposób postępowania może być wykorzystany w procesie budowania modelu, gdy zdefiniowanych jest wiele nietrywialnych kryteriów, na przykład stabilność modelu w czasie całego cyklu koniunkturalnego (ang. through the cycle - TTC). (abstrakt oryginalny)

EN

This paper presents a comparison of different methods used for Credit Scoring techniques. Every scorecard can be constructed using various methods based on variable transformations in the logistic regression model, but to arrive at a comparison, with the corresponding proof that one technique is better than the other, presents a significant challenge due to the assessment based on particular data. Similar results cannot be guaranteed in the case of using new data from a new source. The following research hypothesis can therefore be formulated: how should a comparison be managed in order to get general results, not biased by particular data? A possible solution may be the use of various random data generators. The data generator uses two approaches: transition matrix and scorings. Here both the results of the comparison methods and the methodology of the creation of these comparison techniques are presented. Before building a new model a modeler can conduct a comparison exercise to identify the best method for particular data. The authors present various measures of predictive models, such as: Gini - predictive power, Delta Gini - stability measure, VIF - collinearity and Max p-value - measure of variables significance, emphasizing the multi-criteria problem of "Good model". The suggested method can be especially useful in the model building process where complex criteria trying to cover the important problems of model stability through the cycle (TTC) are defined. (original abstract)

Słowa kluczowe

PL

Skoring kredytowy; Bankowość; Ocena zdolności kredytowej; Mierniki oceny kondycji finansowej; Modele oceny ryzyka

EN

Credit scoring; Banking; Credit rating; Financial condition indicators; Risk assessment models

• Czasopismo: Zeszyty Naukowe / Uniwersytet Ekonomiczny w Poznaniu
• Rocznik: 2012
• Numer: nr 239
• Strony: 97--111

Twórcy

autor

Karol Przanowski

• Szkoła Główna Handlowa w Warszawie

autor

Jolanta Mamczarz

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Basel Committee on Banking Supervision, 2005a, International Convergence of Capital Measurement and Capital Standards, A Revised Framework, Updated November 2005, http://www.bis.org [dostęp: 1.05.2012].
• Basel Committee on Banking Supervision, 2005b. Studies on the Validation of Internal Rating Systems, Bank for International Settlements, Working paper no. 14.
• Frątczak, E. (red.), 2012, Zaawansowane metody analiz statystycznych, Szkoła Główna Handlowa w Warszawie, Warszawa.
• Furnival, G.M., Wilson, R.W., 1974, Regression by Leaps and Bounds, Technometrics, vol. 16, s. 499-511.
• Huang, E., 2007, Scorecard Specification, Validation and User Acceptance: A Lesson for Modellers and Risk Managers, Credit Scoring Conference CRC, Edinburgh, http://www.crc.man.ed.ac.uk/publications/papers/ [dostęp: 1.05.2012].
• Kadam, A., Delen, D., Walker, G., 2005, Predicting Breast Cancer Survivability: A Comparison of Three Data Mining Methods, Artificial Intelligence in Medicine, vol. 34 s. 113-127, http://seer.cancer.gov [dostęp: 1.05.2012].
• Koronacki J., Mielniczuk J., 2001, Statystyka dla studentów kierunków technicznych i przyrodniczych, WNT, Warszawa.
• Mays, E., 2009, Systematic Risk Effects on Consumer Lending Products, Credit Scoring Conference CRC, Edinburgh, http://www.crc.man.ed.ac.uk/publications/papers/ [dostęp: 1.05.2012].
• O'Brien R.M., 2007, A Caution Regarding Rules of Thumb for Variance Inflation Factors, Quality and Quantity, vol. 41, no. 5, s. 673-690.
• Przanowski, K., 2011, Banking Retail Consumer Finance Data Generator - Credit Scoring Data Repository, Eprint-ArXiv, Q-Fin (w trakcie recenzji w czasopiśmie eFINANSE), http://arxiv.org/abs/l105.2968 [dostęp: 1.05.2012].
• SAS Institute Inc., http://www.sas.com [dostęp: 1.05.2012].
• Scallan, G., 2011, Selecting Characteristics and Attributes in Logistic Regression, Credit Scoring Conference CRC, Edinburgh, http://www.scoreplus.com/resources/reference/index.php [dostęp: 1.05.2012].
• Siddiqi, N., 2005, Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, Wiley and SAS Business Series.
• Thomas, L.C., Edelman, D.B., Crook, J.N., 2002, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelfia.
• Welfe, A., 2003, Ekonometria, PWE, Warszawa.