REAL

Mesterséges intelligencia a hitelkockázati modelleknél, avagy mire képesek a gépi tanulási algoritmusok a hagyományos modellekhez képest

Rajka, László and Pollák, Zoltán (2024) Mesterséges intelligencia a hitelkockázati modelleknél, avagy mire képesek a gépi tanulási algoritmusok a hagyományos modellekhez képest. GAZDASÁG ÉS PÉNZÜGY, 11 (3). pp. 246-273. ISSN 2415-8909

[img]
Preview
Text
246-273RajkaPollak.pdf - Published Version

Download (1MB) | Preview

Abstract

A mesterséges intelligencia által fémjelzett technológiai forradalommal a hitelkockázat kezelésének területén modellek egy új generációja jött létre, amelyeket öszszefoglalóan gépi tanuláson alapuló modelleknek nevezünk. A hitelkockázati modelleknek az elmúlt évtizedekben végbemenő fejlődésében a szakértői rendszerek jelentik a múltat, a hagyományos statisztikai modellek (például a logisztikus regresszió) képviselik a jelent, a gépi tanulási metódusok pedig valószínűsíthetően a jövőt. Jelen tanulmány célja ez utóbbi gépi tanulási modellek egyik legígéretesebb képviselőjének, az XGBoost klasszifikációs algoritmusnak az ismertetése és annak empirikus vizsgálata, hogy a jelenlegi iparági best practice-nek számító hagyományos modellezési módszerekhez képest milyen hatékonyságnövekedés érhető el a gépi tanulási algoritmusok segítségével. Vizsgálatunkban a mesterséges intelligencián alapuló módszertanok közül a Mesterséges Neurális Hálózat (ANN) és az XGBoost-modell egyaránt felülmúlta a logisztikus regressziós megközelítést a klasszifikációs hatékonyság tekintetében. Noha a gépi tanulási módszerek kiváló predikciós képességgel rendelkeznek, hátrányuk, hogy esetükben a döntési modellek értelmezése nehézkesebb hagyományos társaikhoz képest. A mesterséges intelligencián alapuló gépi tanulási módszerek „fekete doboz” jellege miatt a bankoknak jelenleg kevés lehetőségük van azok alkalmazására, ezért javasolnánk a jelenlegi – hagyományos modellekre szabott – szabályok és ajánlások újragondolását olyan módon, hogy az teret adjon a bankoknak a gépi tanulási modellek alkalmazására és ezáltal hitelkockázat-kezelésük hatékonyságának növelésére.

Item Type: Article
Uncontrolled Keywords: mesterséges intelligencia, gépi tanulás, applikációs scoring, XGBoost, logisztikus regresszió, nemteljesítés valószínűsége
Subjects: Q Science / természettudomány > QA Mathematics / matematika > QA75 Electronic computers. Computer science / számítástechnika, számítógéptudomány
Q Science / természettudomány > QA Mathematics / matematika > QA76 Computer software / programozás
SWORD Depositor: MTMT SWORD
Depositing User: MTMT SWORD
Date Deposited: 02 Oct 2024 06:53
Last Modified: 02 Oct 2024 06:53
URI: https://real.mtak.hu/id/eprint/206634

Actions (login required)

Edit Item Edit Item