000 -CABECERA |
Campo de control de longitud fija |
04814nam a2200289 c 4500 |
003 - IDENTIFICADOR DE NÚMERO DE CONTROL |
Campo de control |
ES-MaIEF |
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
Campo de control |
20230529185908.0 |
007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA - INFORMACIÓN GENERAL |
campo de control de longitud fija |
ta |
008 - CAMPO FIJO DE DESCRIPCIÓN FIJA - INFORMACIÓN GENERAL |
Campo de control de longitud fija |
190603s2021 sp a||||o||||o001 0 eng d |
040 ## - FUENTE DE LA CATALOGACIÓN |
Centro catalogador de origen |
ES-MaIEF |
Lengua de catalogación |
spa |
Centro transcriptor |
ES-MaIEF |
100 1# - ENCABEZAMIENTO PRINCIPAL - NOMBRE PERSONAL |
9 (RLIN) |
68505 |
Nombre de persona |
Alonso, Andrés |
245 10 - MENCIÓN DE TÍTULO |
Título |
Understanding the performance of machine learning models to predict credit default |
Medio |
electrónico |
Parte restante del título |
a novel approach for supervisory evaluation |
Mención de responsabilidad, etc. |
Andrés Alonso and José Manuel Carbó |
260 ## - PUBLICACIÓN, DISTRIBUCIÓN, ETC (PIE DE IMPRENTA) |
Lugar de publicación, distribución, etc. |
Madrid |
Nombre del editor, distribuidor, etc. |
Banco de España |
Fecha de publicación, distribución, etc. |
2021 |
300 ## - DESCRIPCIÓN FÍSICA |
Extensión |
44 p |
490 0# - MENCIÓN DE SERIE |
Mención de serie |
Banco de España. Documentos de trabajo ; |
Número de volumen/designación secuencial |
2105 |
500 ## - NOTA GENERAL |
Nota general |
Disponible en formato PDF en el repositorio de la Biblioteca del IEF con el nombre : OL 1799 |
520 ## - RESUMEN, ETC. |
Nota de sumario, etc. |
In this paper we study the performance of several machine learning (ML) models for<br/>credit default prediction. We do so by using a unique and anonymized database from a<br/>major Spanish bank. We compare the statistical performance of a simple and traditionally<br/>used model like the Logistic Regression (Logit), with more advanced ones like Lasso<br/>penalized logistic regression, Classification And Regression Tree (CART), Random<br/>Forest, XGBoost and Deep Neural Networks. Following the process deployed for the<br/>supervisory validation of Internal Rating-Based (IRB) systems, we examine the benefits<br/>of using ML in terms of predictive power, both in classification and calibration. Running<br/>a simulation exercise for different sample sizes and number of features we are able to<br/>isolate the information advantage associated to the access to big amounts of data, and<br/>measure the ML model advantage. Despite the fact that ML models outperforms Logit<br/>both in classification and in calibration, more complex ML algorithms do not necessarily<br/>predict better. We then translate this statistical performance into economic impact. We<br/>do so by estimating the savings in regulatory capital when using ML models instead of<br/>a simpler model like Lasso to compute the risk-weighted assets. Our benchmark results<br/>show that implementing XGBoost could yield savings from 12.4% to 17% in terms of<br/>regulatory capital requirements under the IRB approach. This leads us to conclude that<br/>the potential benefits in economic terms for the institutions would be significant and this<br/>justify further research to better understand all the risks embedded in ML models. |
520 ## - RESUMEN, ETC. |
Nota de sumario, etc. |
En este artículo estudiamos el rendimiento de diferentes modelos de aprendizaje<br/>automático —machine learning (ML)— en la predicción de incumplimiento crediticio. Para<br/>ello hemos utilizado una base de datos única y anónima de uno de los bancos españoles<br/>más importantes. Hemos comparado el rendimiento estadístico de los modelos<br/>tradicionalmente más usados, como la regresión logística (Logit), con modelos más<br/>avanzados, como la regresión logística penalizada (Lasso), árboles de clasificación<br/>y regresión, bosques aleatorios, XGBoost y redes neuronales profundas. Siguiendo<br/>el proceso de validación supervisora de sistemas basados en calificaciones internas<br/>—Internal ratings-based approach (IRB)— hemos examinado los beneficios en poder<br/>predictivo de usar técnicas de ML, tanto para clasificar como para calibrar. Hemos<br/>realizado simulaciones con diferentes tamaños de muestras y número de variables<br/>explicativas para aislar las ventajas que pueden tener los modelos de ML asociadas<br/>al acceso de grandes cantidades de datos, de las ventajas propias de los modelos de<br/>ML. Encontramos que los modelos de ML tienen un mejor rendimiento que Logit tanto<br/>en clasificación como en calibración, aunque los modelos más complejos de ML no<br/>son necesariamente los que predicen mejor. Posteriormente traducimos esta mejoría<br/>en rendimiento estadístico a impacto económico. Para ello estimamos el ahorro en<br/>capital regulatorio cuando usamos modelos de ML en lugar de métodos tradicionales<br/>para calcular los activos ponderados en función del riesgo. Nuestros resultados indican<br/>que usar XGBoost en lugar de Lasso puede resultar en ahorros de un 12,4% a un<br/>17%, en términos de capital regulatorio, cuando utilizamos el proceso IRB. Esto nos<br/>lleva a concluir que los beneficios potenciales de usar ML, en términos económicos,<br/>serían significativos para las instituciones, lo que justifica una mayor investigación para<br/>comprender mejor todos los riesgos incorporados en los modelos de ML. |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
ESPAÑA |
9 (RLIN) |
41092 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
DEUDORES Y ACREEDORES |
9 (RLIN) |
56582 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
SOBREENDEUDAMIENTO DE PARTICULARES |
9 (RLIN) |
56570 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
PAGO |
9 (RLIN) |
47926 |
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
Término de materia o nombre geográfico como elemento inicial |
MODELOS ECONOMETRICOS |
9 (RLIN) |
47776 |
700 1# - PUNTO DE ACCESO ADICIONAL- NOMBRE DE PERSONA |
9 (RLIN) |
68536 |
Nombre de persona |
Carbó, José Manuel |
856 ## - ACCESO ELECTRÓNICO |
Identificador uniforme del recurso URI |
https://www.bde.es/f/webbde/SES/Secciones/Publicaciones/PublicacionesSeriadas/DocumentosTrabajo/21/Files/dt2105e.pdf |
942 ## - ELEMENTOS KOHA |
Koha tipo de item |
Recursos electrónicos |