Resumen

La evaluación del riesgo de crédito es de gran importancia en la gestión del riesgo financiero. En este artículo, proponemos un método mejorado de agrupación de atributos, la agrupación de atributos seleccionados por peso (WSAB), para evaluar el riesgo crediticio. Las ponderaciones de los atributos se calculan primero utilizando métodos de evaluación de atributos como la máquina de vectores lineales de soporte (LSVM) y el análisis de componentes principales (PCA). A continuación, se construyen subconjuntos de atributos en función de las ponderaciones de los atributos. Para cada subconjunto de atributos, cuanto mayor sea la ponderación de los atributos, mayor será la probabilidad de que se seleccionen en el subconjunto de atributos. A continuación, las muestras de entrenamiento y las muestras de prueba se proyectan en cada subconjunto de atributos, respectivamente. A continuación, se construye un modelo de puntuación basado en cada conjunto de muestras de entrenamiento recién producidas. Por último, todos los modelos de puntuación se utilizan para votar las instancias de prueba. Un modelo individual que sólo utilice atributos seleccionados será más preciso debido a la eliminación de algunos atributos redundantes y poco informativos. Además, la forma de seleccionar los atributos por probabilidad también puede garantizar la diversidad de los modelos de puntuación. Los resultados experimentales basados en dos bases de datos de referencia de crédito muestran que el método propuesto, WSAB, destaca tanto en precisión de predicción como en estabilidad, en comparación con métodos análogos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:atributos, subconjunto de atributos, riesgo crediticio, modelos de puntuación, muestras de entrenamiento, máquina de vectores de soporte lineal, método de ensacado de atributos, método de evaluación de atributos, bases de datos de referencia crediticia, gestión del riesgo financiero
• Keywords:attributes, attribute subset, credit risk, scoring models, training samples, linear support vector machine, attribute bagging method, attribute evaluation method, credit benchmark databases, financial risk management