Publikace detail

Class imbalance Bayesian model averaging for consumer loan default prediction: The role of soft credit information

Autoři: Weng Futian | Zhu Miao | Buckle Mike | Hájek Petr | Abedin Mohammad Zoynul

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Research in International Business and Finance

Název nakladatele: Elsevier B.V.

Místo vydání: Amsterdam

Strana od-do: '102722'

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte