ارزیابی اثر شبکهٔ اجتماعی در امتیاز اعتباری افراد با روش‌های یادگیری عمیق ماشین

موسسات مالی از امتیازدهی اعتباری برای ارزیابی خطر بالقوهٔ نکول وام‌گیرندگان استفاده می‌کنند. در سال‌‌های اخیر، بسیاری از وام‌دهندگان به پتانسیل خوب وام‌گیرندگان کم‌سابقه یا فاقد سابقهٔ مالی کافی پی برده و به‌دنبال استفاده از انواع داده‌‌های جایگزین به‌منظور جبران کمبود داده‌‌های سابقهٔ اعتباری برای محاسبهٔ احتمال نکول و امتیاز اعتباری‌اند. این تحقیق به‌دنبال بررسی اثر متغیر‌ها و داده‌های مرتبط با شبکهٔ اجتماعی افراد بر امتیاز اعتباری آن‌هاست. این کار با یافتن اطلاعات معنی‌دار در مورد داده‌‌های اجتماعی افراد انجام می‌شود تا چگونگی اثر چنین داده‌هایی در امتیاز اعتباری آن‌ها اندازه‌گیری شود. فرضیهٔ اساسی این تحقیق این است که افراد با امتیاز اعتباری بالا با افرادی مشابه و هم‌سنخ با خود ارتباط اجتماعی دارند. در این تحقیق، مجموعه داده‌ای بالغ بر 300 هزار از وام‌هایی که توسط یک بانک ایرانی به افراد حقیقی پرداخت شده است، برای تایید و توضیح اثر متغیرهای شبکهٔ اجتماعی در امتیاز اعتباری مورداستفاده قرار گرفته است. بررسی‌های انجام‌شده با استفاده از روش رگرسیون لجستیک نشان می‌دهد که از نظر آماری، متغیر‌‌های اجتماعی افراد قابلیت پیش‌بینی احتمال نکول وام آن‌ها را دارد. نتایج الگوریتم‌‌های یادگیری ماشین نیز نشان می‌دهد که اطلاعات شبکهٔ اجتماعی می‌تواند عملکرد پیش‌بینی نکول وام را به‌طور قابل‌توجهی بهبود بخشد. 

evaluating the effect of social network on credit score with deep machine learning

financial institutions use credit scoring to assess borrowers’ potential default risk. in recent years, many lenders have realized the good potential of borrowers with little or no financial history and are looking to use alternative data types to compensate for the lack of credit history data to calculate the probability of default and credit score. this research seeks to investigate the effect of variables and data related to people’s social network on their credit score. achieving the above goals is done by finding meaningful information about people’s social data to measure how such data affects their credit score. the basic principle of this research is that people with a high credit score have social relationships with people of the same age. in this research, a data set of over 300,000 loans paid by an iranian bank to real people has been used to verify and explain the effects of social network features on credit scores. the results of the studies conducted using the logistic regression method show that, statistically, people’s social variables can predict the probability of their loan default. the results of machine learning algorithms also show that social network information can significantly improve the performance of loan default prediction.