A deep learning classifier selection method for credit scoring using neuro-fuzzy approaches

Abstract

Ο πιστωτικός κίνδυνος είναι μια εξέχουσα πτυχή του χρηματοοικονομικού κινδύνου που έχει ύψιστη σημασία για τον προσδιορισμό της ευημερίας των χρηματοπιστωτικών ιδρυμάτων. Ως εκ τούτου, η παρούσα εργασία προτείνει ένα καινοτόμο Νευρο-ασαφές μοντέλο για την αποτελεσματική ταξινόμηση της πιστοληπτικής ικανότητας των δανειοληπτών. Η ερευνητική μεθοδολογία περιλαμβάνει δύο ανεξάρτητες φάσεις. Στην αρχική φάση, χρησιμοποιείται ένα Τεχνητό Νευρωνικό Δίκτυο (ΑΝΝ) για τη δημιουργία μετρικών αξιολόγησης για τις τρεις διαφορετικές τοπολογίες ΑΝΝ, δηλαδή με 1, 2 και 3 κρυφά στρώματα. Ταυτόχρονα, στη δεύτερη φάση, κατασκευάζεται μια ιεραρχία μετρικών αξιολόγησης μέσω της ενσωμάτωσης των απόψεων των εμπειρογνωμόνων, χρησιμοποιώντας το μοντέλο Fuzzy AHP. Με τη συγχώνευση των αποτελεσμάτων των δύο φάσεων, χρησιμοποιείται ένα μοντέλο TOPSIS για τον προσδιορισμό της βέλτιστης τοπολογίας νευρωνικού δικτύου για την ταξινόμησης της πιστοληπτικής ικανότητας. Η αποτελεσματικότητα του προτεινόμενου μοντέλου, αξιολογείται από την εφαρμογή του σε τρία διαφορετικά σύνολα δεδομένων. Τα συμπεράσματα που εξάγονται από την παρούσα έρευνα υπογραμμίζουν την απαραίτητη ανθρώπινη εμπειρογνωμοσύνη, όπως διευκολύνεται από την προσέγγιση Fuzzy AHP, ιδίως σε περιπτώσεις όπου τα μοντέλα ANN αποδίδουν συγκρίσιμα αποτελέσματα μετρικών επιδόσεων. Κατά συνέπεια, η προσέγγιση αυτή αναδεικνύεται ως ένας πολύτιμος μηχανισμός επικύρωσης των αποφάσεων που βασίζονται στα αποτελέσματα του ANN.

Credit risk is a prominent facet of financial risk that holds paramount significance in determining the prosperity of financial institutions. As such, extensive research efforts have been dedicated to the development of various credit scoring theories and models. This thesis proposes a novel Neuro-Fuzzy model for effectively classifying the creditworthiness of clients. The research methodology encompasses two independent phases. In the initial phase, an Artificial Neural Network (ANN) is employed to generate evaluation metric scores for three distinct ANN topologies, namely those with 1, 2, and 3 hidden layers. The ANN's performance is assessed using four different tuning hyperparameter techniques. Concurrently, in the second phase, a comprehensive evaluation metric hierarchy is constructed through the integration of experts' opinions, utilizing the Fuzzy Analytic Hierarchy Process (AHP) model. By amalgamating the outcomes of both phases, a Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) model is employed to determine the optimal neural network topology for the creditworthiness classification task. The distinctiveness of this proposed method lies in its incorporation of financial experts' insights and alignment with the institution's policy, within the framework of a data-driven model that avoids reliance on output reasoning. The overarching objective is to harness the remarkable potential exhibited by Neural Networks in credit risk assessment. To evaluate the efficacy of the proposed model, it is applied to three distinct datasets, and the resulting outcomes are meticulously analyzed and discussed, thereby unveiling its practical utility. The conclusions drawn from this research underscore the indispensability of human expertise, as facilitated by the Fuzzy AHP approach, particularly in situations where the ANN models yield comparable performance metric outputs. Consequently, this approach emerges as a valuable validation mechanism for decisions grounded in ANN outputs.