摘要翻译:
所有信贷机构的发放程序都拒绝那些似乎在偿还债务方面有风险的申请人。计算信用评分并将其与拒绝申请者的截止值相关联。开发一个新的分数意味着有一个学习数据集,其中的响应变量好/坏借款人是已知的,因此拒绝者实际上被排除在学习过程之外。我们首先介绍上下文和一些有用的符号。然后,我们正式确定这个特定的抽样是否对分数的相关性有影响。最后,我们详细阐述了利用非融资客户特征的方法,并得出结论,这些方法在实践中都不能令人满意地使用CR\'Edit Agricole消费者金融的数据。-------------------------------------------------------------------------------------------------Au sein de ce Syst\`Eme,le score de Cr\`编辑fournit une valeur mesurant unrisque de d\'efaut,valeur qui est compar\'e\`a un seuil d'acceptabilit\'e。Ce评分最大的解释排他性,最大的客户排他性,最大的信息排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性,最大的权利排他性。联合国电话得分统计相关吗?Dans cette note,nous pr\'ecisons et formalisons cette problement et effet de l'oust des non-financ\'es sur les scornes\'elabor\'es。Nous pr\'esentons ensuite des m\'ethodes pour r\'eint\'egrer les non-financ\'es et cursuons sur leur inefficacit\'e en pratique,\'a partir de donn\ees issures de cr\'编辑农业消费金融。
---
英文标题:
《R\'eint\'egration des refus\'es en Credit Scoring》
---
作者:
Adrien Ehrhardt, Christophe Biernacki, Vincent Vandewalle, Philippe
Heinrich, S\'ebastien Beben
---
最新提交年份:
2019
---
分类信息:
一级分类:Economics 经济学
二级分类:General Economics 一般经济学
分类描述:General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类:Quantitative Finance 数量金融学
二级分类:Economics 经济学
分类描述:q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学,包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--
---
英文摘要:
The granting process of all credit institutions rejects applicants who seem risky regarding the repayment of their debt. A credit score is calculated and associated with a cut-off value beneath which an applicant is rejected. Developing a new score implies having a learning dataset in which the response variable good/bad borrower is known, so that rejects are de facto excluded from the learning process. We first introduce the context and some useful notations. Then we formalize if this particular sampling has consequences on the score's relevance. Finally, we elaborate on methods that use not-financed clients' characteristics and conclude that none of these methods are satisfactory in practice using data from Cr\'edit Agricole Consumer Finance. ----- Un syst\`eme d'octroi de cr\'edit peut refuser des demandes de pr\^et jug\'ees trop risqu\'ees. Au sein de ce syst\`eme, le score de cr\'edit fournit une valeur mesurant un risque de d\'efaut, valeur qui est compar\'ee \`a un seuil d'acceptabilit\'e. Ce score est construit exclusivement sur des donn\'ees de clients financ\'es, contenant en particulier l'information `bon ou mauvais payeur', alors qu'il est par la suite appliqu\'e \`a l'ensemble des demandes. Un tel score est-il statistiquement pertinent ? Dans cette note, nous pr\'ecisons et formalisons cette question et \'etudions l'effet de l'absence des non-financ\'es sur les scores \'elabor\'es. Nous pr\'esentons ensuite des m\'ethodes pour r\'eint\'egrer les non-financ\'es et concluons sur leur inefficacit\'e en pratique, \`a partir de donn\'ees issues de Cr\'edit Agricole Consumer Finance.
---
PDF链接:
https://arxiv.org/pdf/1903.10855