Poniendo el cerebro a trabajar: Evaluación del índice de crédito para préstamos P2P basados en el modelo de redes neuronales artificiales
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumen
La evaluación efectiva de los diversos índices de crédito de un prestatario es clave para desentrañar el problema de la asimetría de la información en el contexto del préstamo entre pares (P2P). La mitigación de la selección adversa de prestatarios con alto potencial de incumplimiento continúa plagando las plataformas de préstamos P2P. Para comprender cuales son los factores que determinan el estado crediticio del prestatario (es decir, la aprobación del préstamo, el potencial de pago del préstamo, y el riesgo de incumplimiento), este estudio presenta un Modelo de Redes Neurales en una de las plataformas de préstamos P2P más populares. Nuestros resultados muestran que la tasa de interés, la relación entre el préstamo y el ingreso, y el plazo del préstamo son los indicadores más importantes para reflejar el estado crediticio del prestatario, mientras que la frecuencia de las consultas, la categoría de endeudamiento tiene un grado relativamente bajo de importancia. Este estudio encuentra que el estado del índice de crédito del prestatario se explica mejor en los cuantiles más bajos y se vuelve más difícil de discernir en cuantiles superiores. Este trabajo también concluye que para plazos de préstamo más largos, la presión de la amortización del prestatario y las tasas de incumplimiento aumentan con mayores ratios de préstamo en relación al ingreso y mayores tasas de interés. Además, encontramos que las clasificaciones de crédito más altas y los rendimientos esperados más altos conducen a mayores probabilidades de incumplimiento. Para reducir la probabilidad de impago del prestatario, este estudio recomienda construir grupos de préstamos, seleccionar candidatos de mayor ingreso y aumentar los límites de crédito. Para validar nuestros resultados, realizamos pruebas de robustez que modifican el coeficiente de aprendizaje y la relación de datos de entrenamiento a validación para mostrar que los resultados empíricos de este documento son sólidos y efectivos.
Palabras clave
##plugins.themes.bootstrap3.article.details##
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional
Citas
Baesens, B., Setiono, R., Mues, C., & Vanthienen, J. (2003). Using neural network rule extraction and decision tables for credit-risk evaluation. Management science, 49(3), 312-329.
Blanco, A., Pino-Mejías, R., Lara, J., & Rayo, S. (2013). Credit scoring models for the microfinance industry using neural networks: Evidence from Peru. Expert Systems with applications, 40(1), 356-364.
Byanjankar, A., Heikkilä, M., & Mezei, J. (2015, December). Predicting credit risk in peer-to-peer lending: A neural network approach. In Computational Intelligence, 2015 IEEE Symposium Series on (pp. 719-725). IEEE.
Freedman, S., & Jin, G. Z. (2008). Do social networks solve information problems for peer-to-peer lending? evidence from prosper. com.
Freedman, S., & Jin, G. Z. (2014). The information value of online social networks: lessons from peer-to-peer lending. International Journal of Industrial Organization, 51, 185-222.
Herzenstein, M., Dholakia, U. M., & Andrews, R. L. (2011). Strategic herding behavior in peer-to-peer loan auctions. Journal of Interactive Marketing, 25(1), 27-36.
Garson, G. D. (1991). Interpreting neural-network connection weights. AI expert, 6(4), 46-51.
Guo, Y., Zhou, W., Luo, C., Liu, C., & Xiong, H. (2016). Instance-based credit risk assessment for investment decisions in P2P lending. European Journal of Operational Research, 249(2), 417-426.
Ince, H., & Aktan, B. (2009). A comparison of data mining techniques for credit scoring in banking: A managerial perspective. Journal of Business Economics and Management, 10(3), 233-240.
Guo, Y., Zhou, W., Luo, C., Liu, C., & Xiong, H. (2016). Instance-based credit risk assessment for investment decisions in P2P lending. European Journal of Operational Research, 249(2), 417-426.
Michels, J. (2012). Do unverifiable disclosures matter? Evidence from peer-to-peer lending. The Accounting Review, 87(4), 1385-1413.
Khashman, A. (2009). A neural network model for credit risk evaluation. International Journal of Neural Systems, 19(04), 285-294.
Khashman, A. (2011). Credit risk evaluation using neural networks: Emotional versus conventional models. Applied Soft Computing, 11(8), 5477-5484.
Larrimore, L., Jiang, L., Larrimore, J., Markowitz, D., & Gorski, S. (2011). Peer to peer lending: The relationship between language features, trustworthiness, and persuasion success. Journal of Applied Communication Research, 39(1), 19-37.
Knaack, P., & Gruin, J (2017). From shadow banking to digital financial inclusion: Regulatory framework contestation between China and the FSB.
Lee, E., & Lee, B. (2012). Herding behavior in online P2P lending: An empirical investigation. Electronic Commerce Research and Applications, 11(5), 495-503.
Lek, S., Delacoste, M., Baran, P., Dimopoulos, I., Lauga, J., & Aulagnier, S. (1996). Application of neural networks to modelling nonlinear relationships in ecology. Ecological modelling, 90(1), 39-52.
Lin, M., Prabhala, N. R., & Viswanathan, S. (2009). Judging borrowers by the company they keep: Social networks and adverse selection in online peer-to-peer lending. Ssrn Elibrary.
Moody, J. O., & Antsaklis, P. J. (1996). The dependence identification neural network construction algorithm. IEEE Transactions on Neural Networks, 7(1), 3-15.
Pacelli, V., & Azzollini, M. (2011). An artificial neural network approach for credit risk management. Journal of Intelligent Learning Systems and Applications, 3(02), 103.
Peng, R., Zhao, M., & Wang, L. (2014). 2 Financial Inclusion in the People’s Republic of China: Achievements and Challenges. Financial Inclusion in Asia, 7.
Wang, H., Greiner, M., & Aronson, J. E. (2009). People-to-people lending: The emerging e-commerce transformation of a financial market. In Value creation in e-business management (pp. 182-195). Springer, Berlin, Heidelberg.
West, D. (2000). Neural network credit scoring models. Computers & Operations Research, 27(11-12), 1131-1152.
Zhang, J., & Sun, Q. (2017). Research on Financing Cost of Small and Medium-Sized Enterprises by Internet Finance. Open Journal of Social Sciences, 5(11), 95.