Login for students

Login for employees

Publication detail

Class imbalance Bayesian model averaging for consumer loan default prediction: The role of soft credit information
Authors: Weng Futian | Zhu Miao | Buckle Mike | Hájek Petr | Abedin Mohammad Zoynul
Year: 2025
Type of publication: článek v odborném periodiku
Name of source: Research in International Business and Finance
Publisher name: Elsevier B.V.
Place: Amsterdam
Page from-to: '102722'
Titles:
Language Name Abstract Keywords
cze Bayesovské modelování nerovnováhy tříd pro predikci defaultu spotřebitelských úvěrů: role měkkých úvěrových informací Tato studie zkoumá predikční hodnotu měkkých informací při selhání spotřebitelských úvěrů. Navrhujeme nový framework pro řešení nevyváženosti tříd, který využívá koncept bayesovského průměrování modelů. Konkrétně přiřazujeme nerovnoměrné váhy dílčím modelům strojového učení, jež zahrnují různé kombinace proměnných, čímž vytváříme přesný a robustní model pro predikci selhání spotřebitelských úvěrů. Tento framework dále integruje metodu Shapleyho aditivních vysvětlení (SHAP) pro odhad individuálních příspěvků a využívá Bayesovské informační kritérium k hodnocení příspěvků proměnných v jednotlivých dílčích modelech. Účinnost a robustnost navržené metody ověřujeme na reálných úvěrových datech a veřejně dostupných záznamech o úvěrových selháních z významné spotřebitelské platformy v Číně. Empirické výsledky naznačují, že charakteristiky online chování uživatelů mají významnou predikční schopnost při určování selhání úvěrů a vykazují asymetrii v různých fázích selhání. Spotřebitelský úvěr; Měkké úvěrové informace; Nerovnováha tříd; Bayesovské modelové průměrováním; Příspěvek proměnných
eng Class imbalance Bayesian model averaging for consumer loan default prediction: The role of soft credit information This study investigates the predictive value of soft information for consumer loan defaults. We propose a novel framework to address class imbalance by utilizing the concept of Bayesian model averaging. Specifically, we assign unequal weights to machine learning sub-models that incorporate different combinations of variables, thereby creating an accurate and robust model for predicting consumer loan defaults. Additionally, this framework incorporates the Shapley additive explanations (SHAP) method to estimate individual contributions and employs the Bayesian information criterion to assess the variable contributions of the sub-models. We validate the effectiveness and robustness of our proposed method using authentic loan data and publicly available credit default records from a prominent consumer platform in China. Our empirical research suggests that the characteristics of user online behavior are significantly predictive of loan defaults, demonstrating asymmetry at different stages of default. Consumer loan; Soft credit information; Class imbalance; Bayesian model averaging; Variable contribution

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives