用于信用卡违约建模的自动相关性确定贝叶斯神经网络
机器学习
2019-06-18 v1 机器学习
应用统计
摘要
信用风险建模是全球金融体系不可或缺的一部分。尽管神经网络模型用于信用违约预测已受到极大关注，此类模型往往缺乏所需的解释机制及其预测不确定性的度量。本研究开发并比较了用于信用卡违约建模的贝叶斯神经网络（BNNs）。这包括由高斯近似训练的BNN，以及首次在信用风险建模中由混合蒙特卡洛（HMC）训练的BNN实现。在台湾信用卡数据集上的结果表明，具有自动相关性确定（ARD）的BNN优于无ARD的普通BNN。结果还显示，由高斯近似训练的BNN与由HMC训练的BNN表现出相似的预测性能。结果进一步表明，带ARD的BNN可用于推断不同特征的相对重要性，从而关键地帮助决策者在向消费者解释模型输出时提供说明。使用两种不同BNN训练方法识别出的关键特征具有高度一致性，强化了该结果的稳健性。
引用
@article{arxiv.1906.06382,
title = {Automatic Relevance Determination Bayesian Neural Networks for Credit Card Default Modelling},
author = {Rendani Mbuvha and Illyes Boulkaibet and Tshilidzi Marwala},
journal= {arXiv preprint arXiv:1906.06382},
year = {2019}
}