Clasificación de créditos utilizando máquinas de soporte vectorial sobre la base de datos de LendingClub

Credit classification using support vector machines on the LendingClub database

Contenido principal del artículo

Resumen

Se presenta la teoría de máquinas de soporte vectorial (Support Vector Machine – svm) aplicada a la clasificación de créditos otorgados por la banca fintech (financial technology) de Estados Unidos LendingClub. Se estudiará la clasifi­cación que da el método svm a los créditos contra la ya otorgada por la entidad. Se analizan las variables más importantes que maneja LendingClub para el otorgamiento de créditos comparándolas con la clasificación de pago o impago que arroja el experimento de SVM.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

Bessis, J. (2015). Risk Management in Banking (e ed.). New York: Wiley.

Fernández-Sainz, A. (2010). ¿Bancos con problemas? Un sistema de alerta temprana para la prevención de crisis bancarias. Cuadernos de Gestión, 11(2), 149-168.

Gareth, J. et al. (2017). An Introduction to Statistical Learning with Applications in R. Berlin: Springer.

Malekipirbazari, M. y Aksakalli, V. (2015). Risk assessment in social lending via ran¬dom forests. Expert Systems With Applications, 42(10), 4621-4631.

Moreno Gutiérrez, J. y Melo Velandia, L. (2011). Pronóstico de incumplimiento de pago mediante máquinas de vectores de soporte: una aproximación inicial a la gestión del riesgo de crédito. Borradores de Economía, 677.

Vapnik, V. y Cortés, C. (1995). Support Vector Networks. Machine Learning, 20, 273-297.

Xi, Y. et al. (2019). Risk control of online P2P lending in China based on health in-vestment. Ekoloji, 107, 2013-2022.

Yu, L. (2014). Credit risk evaluation with a least squares fuzzy support vector machines classifier. Arcif, 1-9.

Citado por