Cost-sensitive learning for credit risk

Abstract

[Abstract]: This thesis addresses the problem of fraud detection and credit risk from a cost sensitive perspective, exploring techniques that maximize the benefits to a financial institution while minimizing the probability of loss. First, an algorithm is proposed to estimate the optimal decision given a score. Once the optimal decision rule problem is solved, the estimation of the score is addressed from a cost-sensitiveperspective. A parametric model is proposed to estimate the score, and its consistency and asymptotic normality are obtained. A cost-sensitive semi-parametric model is also proposed, which is more robust and flexible. Finally, credit risk is approached from a reinforcement learning perspective. An online learning algorithm and a bandit algorithm are proposed to obtain updated models with the latest available information, optimizing decisions from a cost-sensitive perspective. The good performance of all proposals is demonstrated through extensive simulation studies and the analysis of various real credit risk data sets.

[Resumen]: Esta tesis aborda el problema de detección de fraude y riesgo de crédito desde una perspectiva sensible al coste. Se investigan técnicas que maximicen los beneficios de una entidad financiera al mismo tiempo que se minimiza la probabilidad de incurrir en pérdidas. En primer lugar se propone un algoritmo para la estimación de la decisión óptima dada una puntuación. Una vez obtenida la regla de decisión óptima,se aborda la estimación de la puntuación desde un enfoque sensible al coste. S epropone un modelo paramétrico sensible al coste, para el cual se obtiene su consistencia y normalidad asintótica. También se propone un modelo semi paramétric osensible al coste, el cual es más robusto y flexible. Finalmente se afronta el riesgo de crédito desde una perspectiva de aprendizaje por refuerzo. En particular, se proponen un algoritmo de aprendizaje en línea y un algoritmo de bandido, de forma que se obtienen modelos actualizados con la última información disponible, optimizándolas decisiones desde una perspectiva sensible al coste. El buen funcionamiento de todas las propuestas es demostrado a través de estudios de simulación y el análisis de varios conjuntos de datos reales de riesgo de crédito.

[Resumo]: Esta tese aborda o problema da detección do fraude e do risco de crédito desde unha perspectiva sensible ao custo. Investíganse técnicas que maximizan os beneficios dunha entidade financeira e minimizan a probabilidade de sufrir perdas. En primeiro lugar, proponse un algoritmo para estimar a decisión óptima dada unha puntuación. Unha vez resolto o problema da obtención da regra de decisión óptima,a estimación da puntuación afróntase desde un enfoque sensible ao custo. Proponse un modelo paramétrico sensible ao custo, para o que se obtén a súa consistencia e normalidade asintótica. Tamén se propón un modelo semiparamétrico sensible ao custo, que é máis robusto e flexible. Finalmente, o risco de crédito abórdase desde unha perspectiva de aprendizaxe por reforzo. En particular, proponse un algoritmo de aprendizaxe en liña e un algoritmo de bandido, de xeito que se obteñan modelos actualizados coa última información dispoñible, optimizando as decisións desde unha perspectiva sensible ao custo. O bo rendemento de todas as propostas demóstrase mediante estudos de simulación e a análise de varios conxuntos de datos reais de risco de crédito.