A machine learning approach for micro-credit scoring and limit optimization

Abstract

Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος "Στατιστική και Ανάλυση Δεδομένων" του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στην ενίσχυση της αξιολόγησης του πιστωτικού κινδύνου στο πλαίσιο των μικροδανείων, αναλύοντας τα βέλτιστα αποτελέσματα των ορίων τόσο για νέους όσο και για υφιστάμενους πελάτες. Ο ερευνητικός στόχος είναι να συμβάλει στη βελτίωση των πρακτικών δανειοδότησης και της χρηματοπιστωτικής ένταξης μέσω της ανάπτυξης ενός πιο ακριβούς και αποτελεσματικού πλαισίου αξιολόγησης του πιστωτικού κινδύνου. Για την επίτευξη αυτού του στόχου χρησιμοποιείται μια προσέγγιση πολλαπλών μεθόδων. Η έρευνα ξεκινά με τη διερεύνηση των θεωρητικών βάσεων του πιστωτικού κινδύνου και την εξέταση διαφόρων μεθόδων αξιολόγησης της πιστοληπτικής ικανότητας που χρησιμοποιούνται σε πραγματικά σενάρια. Αυτή η ολοκληρωμένη ανάλυση παρέχει μια σταθερή κατανόηση του σημερινού τοπίου της αξιολόγησης του πιστωτικού κινδύνου στη μικροχρηματοδότηση.

This thesis, conducted within the postgraduate program "Statistics and Data Analysis" at the University of the Aegean in Department of Statistics and Actuarial - Financial Mathematics, aims to enhance credit risk assessment in the context of micro-loans by analyzing optimal boundary results for both new and existing clients. The research objective is to contribute to improved lending practices and financial inclusion through the development of a more accurate and effective credit risk assessment framework. A multi-method approach is employed to achieve this objective.The research begins by exploring the theoretical foundations of credit risk and examining various credit rating methods used in real-life scenarios. This comprehensive analysis provides a solid understanding of the current landscape of credit risk assessment in micro-finance.