DOI QR코드

DOI QR Code

Proposing the Method for Improving the Forecast Accuracy of Loan Underwriting

대출심사의 예측 정확도 향상을 위한 방법 제안

  • Yang, Yu-Young (Division of Information Management Engineering, Korea University) ;
  • Park, Sang-Sung (Division of Information Management Engineering, Korea University) ;
  • Shin, Young-Geun (Division of Information Management Engineering, Korea University) ;
  • Jang, Dong-Sik (Division of Information Management Engineering, Korea University)
  • 양유영 (고려대학교 정보경영공학과) ;
  • 박상성 (고려대학교 정보경영공학과) ;
  • 신영근 (고려대학교 정보경영공학과) ;
  • 장동식 (고려대학교 정보경영공학과)
  • Received : 2010.03.09
  • Accepted : 2010.04.09
  • Published : 2010.04.30

Abstract

Industry structure and environment of the domestic bank have been changed by an influx of large foreign-banks and advanced financial products when the currency crisis erupted in Korea. In a competitive environment, accurate forecasts of changes and tendencies are essential for the survival and development. Forecast of whether to approve loan applications for customer or not is an important matter because that is related to profit generation and risk management on the bank. Therefore, this paper proposes the method to improve forecast accuracy of loan underwriting. Processes in experiments are as follows. First, we select the predictor variables which affect significantly to the result of loan underwriting by correlation analysis and feature selection technique, and then cluster the customers by the 2-Step clustering technique based on selected variables. Second, we find the most accurate forecasting model for each clustering by applying LR, NN and SVM. Finally, we compare the forecasting accuracy of the proposed method with the forecasting accuracy of existing application way.

외환위기 이후 본격적으로 시작된 외국계 대형 은행의 국내 진출 및 선진 금융상품의 수입은 국내 은행 산업 구조와 환경을 변화시키고 경쟁을 가속화시켰다. 앞으로 일어날 변화 및 추세에 대한 정확한 예측은 경쟁이 치열한 환경에서 국내의 은행이 생존하고 발전하기 위해 필수적인 요소이며 그 중에서도 대출 신청 고객에 대한 승인 여부에 대한 예측은 대출 상품이 은행 경영에 있어 가장 큰 비중을 차지하는 수익의 원천이자 신용 리스크 관리의 중심이 된다는 점에서 큰 의미가 있다. 따라서 본 논문에서는 대출 심사 결과의 예측 정확성을 높이기 위한 방법을 제시하고자 한다. 수행 단계로는 상관관계 분석과 특징선택 기법을 통해 대출승인 결과에 유의한 영향을 주는 예측변수들을 선별하고 선별된 변수로 2-Step 군집화 기법을 통해 고객을 군집화 하였다. 이후 각 군집에 LR, NN, SVM 기법을 활용하여 구축한 예측 모형을 적용하여 정확도가 가장 높은 모형을 찾아보았다. 최종적으로 기존 방식의 대출 심사 모형에 LR, NN, SVM 예측 모형을 적용했을 때 산출된 결과와 제안한 모형의 결과를 비교하여 예측의 정확도를 평가하였다.

Keywords

References

  1. 금융감독원, 은행경영통계(09년판), II-03. 은행별 이자 수익.이자비용.비이자손익(은행계정).
  2. 박희정, 강호정, "로지스틱회귀분석을 이용한 코스닥 기업의 부실예측모형 연구", 한국콘텐츠학회, vol 9(3), pages 305-311, 2009.
  3. 오일석, "패턴인식" 교보문고, 2008.
  4. 윤성철, 윤명희, 서현석, "국내 소매은행의 개인 신용평가시스템에 대한 연구", 한국 경영 과학회 학술대회논문집, pages 123-126, 2002.
  5. 윤영선, "상관분석(연구방법9)", 교육과학사, 2000.
  6. 조용준, 김영화, "요인분석과 군집분석을 통한 세분화 및 전략방향 제시: 특수법인 사례를 중심으로, 응용 통계연구", vol 20(1), pages 23-38, 2007. https://doi.org/10.5351/KJAS.2007.20.1.023
  7. 조홍규, "인공지능 방법을 이용한 신용평가 모형에 대한 개관", 나이스채권평가 금융공학연구소, 2003.
  8. 허명회, 이용구, "데이터 마이닝 모델링과 사례 제2 판", 한나래 출판사, 2008.
  9. Nan-Chen Hsieh, "Hybrid mining approach in the design of credit scoring models, Expert systems with application", vol 28, pages 655-665, 2005. https://doi.org/10.1016/j.eswa.2004.12.022
  10. Cheng-Lung Huang, Mu-Chen Chen, Chieh-Jen Wang, "Credit scroring with a data mining approach based on support vector machines", Expert systems with application, vol 33, pages 847-856, 2007. https://doi.org/10.1016/j.eswa.2006.07.007
  11. David West, "Neural network credit scoring models", Computers & Operations Research, vol 27, pages 1131-1152 2000. https://doi.org/10.1016/S0305-0548(99)00149-5
  12. Erkki K. Laitinen, "Predicting a corporate credit analyst's risk estimate by logistic and linear models", International Review of Financial Analysis, vol 8(2), pages 97-121, 1999. https://doi.org/10.1016/S1057-5219(99)00012-5
  13. Fangming Zhu, Steven Guan, "Feature selection for modular GA-based classification", Applied Soft Computing, Volume 4(4), pages 381-393 ,2004. https://doi.org/10.1016/j.asoc.2004.02.001
  14. H. Evangelaras, C. Koukouvinos, S. Stylianou, "Evaluation of some non-orthogonal saturated designs with two levels", Statistics & Probability Letters, vol 74(4), pages 322-329 2005. https://doi.org/10.1016/j.spl.2005.04.048
  15. James H.M, W.F. Edward, "The development of numerical credit evaluation system, journal of the American statistical association", vol 58, pages 799-806, 1963. https://doi.org/10.2307/2282727
  16. Mahlhotra R.,& Malhotra, D.K. , "Evaluating consumer loans using neural networks", OMEGA: The International Journal of Management Science, vol 31(2), pages 83-96, 2003. https://doi.org/10.1016/S0305-0483(03)00016-1
  17. MD Odom, R Sharda, "A neural network model for bankruptcy prediction", Proceedings of IJCNN, vol 11, pages 163-168.
  18. Mu-Chen Chen, Shih-Hsien Huang, "Credit scoring and rejected instances reassigning through evolutionary computation techniques", Expert systems with application, vol 24, pages 433-441,2003. https://doi.org/10.1016/S0957-4174(02)00191-4
  19. P Falbo, "Credit-Scoring by Enlarged Discriminant Models", Omega, vol 19(4), pages 275-289, 1991. https://doi.org/10.1016/0305-0483(91)90045-U
  20. Philip T. Quinlan, "Structural change and development in real and artificial neural networks", Neural Networks, vol 11(4), pages 577-599, 1998. https://doi.org/10.1016/S0893-6080(98)00033-1
  21. Radha Chitta, M. Narasimha Murty, "Two-level k-means clustering algorithm for $k-{\tau}$ relationship establishment and linear-time classification", Pattern Recognition, volume 43(3), pages 796-804, 2010. https://doi.org/10.1016/j.patcog.2009.09.019
  22. R. Charles Moyer, "Forecasting financial failure: A Reexamination", Financial management, vol 4, pages 11-19 , 1977.
  23. Schwarz G, "Estimating dimension of a model", annual statistics, vol 6, pages 461-464, 1978. https://doi.org/10.1214/aos/1176344136
  24. Tian-Shyug Lee, I-Fei Chen, "A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines", Expert systems with application, vol 28, pages 743-752, 2005. https://doi.org/10.1016/j.eswa.2004.12.031
  25. Tony Bellotti, Jonathan Crook, "Support vector machines for credit scoring and discovery of significant features", Expert systems with application, vol 36, pages 3320-3308, 2009.