یادگیری ماشینی قابل توضیح در مدیریت ریسک اعتبار

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 15

تعداد کلمات : 5000

مجله : Computational Economics

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
15 دسامبر 2021
دسته بندی
تعداد بازدیدها
1075 بازدید
21,000 تومان

عنوان فارسی مقاله:یادگیری ماشینی قابل توضیح در مدیریت ریسک اعتبار

 چکیده

  این مقاله یک مدل هوش مصنوعی قابل توضیح را پیشنهاد می‌کند که می‌تواند در مدیریت ریسک اعتباری و به‌ویژه در اندازه‌گیری ریسک‌هایی که هنگام قرض گرفتن اعتبار با استفاده از پلت‌فرم‌های وام‌دهی همتا به همتا ایجاد می‌شود، استفاده شود. این مدل شبکه‌های همبستگی را برای مقادیر شاپلی اعمال می‌کند تا پیش‌بینی‌های هوش مصنوعی بر اساس شباهت در توضیحات زیربنایی گروه‌بندی شوند. تجزیه و تحلیل تجربی ۱۵۰۰۰ شرکت کوچک و متوسط ​​درخواست کننده اعتبار نشان می دهد که وام گیرندگان ریسکی و غیر ریسکی را می توان بر اساس مجموعه ای از ویژگی های مالی مشابه گروه بندی کرد که می تواند برای توضیح امتیاز اعتباری آنها و در نتیجه برای پیش بینی رفتار آینده آنها استفاده شود. .

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Explainable Machine Learning in Credit Risk Management

Abstract

 The paper proposes an explainable Artifcial Intelligence model that can be used in credit risk management and, in particular, in measuring the risks that arise when credit is borrowed employing peer to peer lending platforms. The model applies correlation networks to Shapley values so that Artifcial Intelligence predictions are grouped according to the similarity in the underlying explanations. The empirical analysis of 15,000 small and medium companies asking for credit reveals that both risky and not risky borrowers can be grouped according to a set of similar fnancial characteristics, which can be employed to explain their credit score and, therefore, to predict their future behaviour.