Kwalifikacja wniosków kredytowych – porównanie regresji oraz sieci neuronowej

• Authors: Gajda Jan B.

Title variants

EN

Evaluation of loan applications – a comparison of regressions and neural networks

• Languages of publication: PL

Abstracts

PL

W pracy badamy decyzje udzielenia bądź odmowy udzielenia kredytu konsumpcyjnego przeznaczonego na zakup samochodu osobowego na przykładzie próby ok. 200 klientów pewnego banku. Analiza sprowadza się do porównania instrumentów wspomagających podejmowanie decyzji – funkcji regresji oraz sieci neuronowej. Banki bądź przyznają kredyty (zmienna wyjściowa przybiera wartość 1), bądź ich odmawiają (na wyjściu pojawia się 0) na podstawie informacji o kliencie (tworzącej zbiór zmiennych wejściowych) zawartej w wypełnianym przez niego kwestionariuszu. Ze względu na obowiązek zachowania tajemnicy banki strzegą danych klientów, stąd rzadkość badań wykorzystujących informacje pochodzące z autentycznych wniosków kredytowych. Sieci neuronowe mogą okazać się przydatne do wstępnego rozpoznania istnienia bądź braku powiązań pomiędzy zmiennymi wejściowymi a wyjściowymi. Jeśli dopasowanie sieci jest wyraźnie lepsze od dopasowania liniowego równania regresji – sugeruje to nieliniowy charakter związku pomiędzy tymi zmiennymi. W naszym przykładzie użyteczność włączenia logarytmu zmiennej staż zdaje się wskazywać na przewagę sieci neuronowej. Jednakże – w odróżnieniu od regresji – sieci neuronowe nie dają szans rozróżnienia zmiennych wejściowych mających istotny wpływ na zmienne wyjściowe od niemających takiego wpływu. Pozostawia to pole do dyskusji na temat podobieństw i różnic w zakresach stosowalności sieci oraz modeli ekonometrycznych.

EN

The paper analyses bank’s decisions to accept or reject applications for loan. We compare suggestions given on one hand side by regressions, on the other hand by neural networks, both based on input variables presented in applications and binary output variables (1 if the application is accepted, 0 if the application has been rejected). Banks usually keep their clients data secret, thus our empirical information is based on applications of only 200 clients. Neural networks, working as a data mining instrument, may help to identify relationships between input and output variables, linear or nonlinear ones. If the fit of a network is better than the fit of a regression, both based on the same data set, one may conclude that the relation has nonlinear character. In our work the fact, that regression’s fit improved when a nonlinear variable ln_stage was included as an explanatory one supports such interpretation. On the other hand neural networks – as opposed to regression – are not capable to differentiate between input variables influencing the output significantly from variables with non-significant influence. This gives a room for discussion on similarities and differences of application neural networks and regressions.

Keywords

PL

Klasyfikacja wniosków kredytowych; Regresja; Sieci neuronowe

EN

Classification of loan applications; Neural network; Regression

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2018
• Volume: 364
• Pages: 58-71

Contributors

author

Gajda Jan B.

• Państwowa Wyższa Szkoła Zawodowa w Suwałkach. Wydział Humanistyczno-Ekonomiczny

References

• Azoff E.M. (1994), Neural Networks Time Series Forecasting of Financial Markets, John Wiley & Sons, New York.
• Funahashi K.I. (1989), On the Approximate Realization of Continuous Mappings by Neural Networks, “Neural Networks”, Vol. 2(3), s. 183-192.
• Gajda J.B. (2004), Ekonometria, Wydawnictwo C.H.Beck, Warszawa.
• Gajda J.B. (2017), Prognozowanie i symulacje w ekonomii i zarządzaniu, Wydawnictwo C.H.Beck, Warszawa.
• Gately E. (1999), Sieci neuronowe, prognozowanie finansowe, WIG PRESS, Warszawa.
• Gruszczyński M., red. (2010), Mikroekonometria, Wolters Kluwer, Warszawa.
• Lula P. (1999), Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo Akademii Ekonomicznej, Kraków.
• Masters T. (1996), Sieci neuronowe w praktyce, WNT, Warszawa.
• STATISTICA Neural NetworksTM PL (2001), Wprowadzenie do sieci neuronowych, Poradnik użytkownika, Poradnik problemowy, StatSoftR, Kraków.
• Refenes A. (1995), Neural Networks in the Capital Markets, John Wiley & Sons, Chichester.
• Tadeusiewicz R. (1998), Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza, Warszawa.

Identifiers

ISSN

2083-8611