Networkbased credit risk models in P2P lending markets
Unser Forschungsprojekt untersucht die Anwendung neuer Kreditrisikomodelle unter Berücksichtigung von Netwerkfaktoren in Peer-to-Peer (P2P) lending Märkten.
Steckbrief
- Beteiligte Departemente Wirtschaft
- Institut(e) Institut Applied Data Science & Finance
- Förderorganisation SNF
- Laufzeit (geplant) 01.10.2022 - 30.09.2025
- Projektleitung Prof. Dr. Jörg Robert Osterrieder
-
Projektmitarbeitende
Prof. Dr. Jörg Robert Osterrieder
Prof. Dr. Branka Hadji Misheva
Yiting Liu
Lennart John Baals - Schlüsselwörter Credit Risk, Network Analysis, P2P Lending, Machine Learning
Ausgangslage
Das geplante Forschungsprojekt konzentriert sich auf die Entwicklung neuer Kreditrisikomodelle für P2P-Kreditmärkte, die durch Merkmale aus Netzwerken verbessert werden. Wir werden die Nützlichkeit neuer Modelle mit mehreren realen Datensätzen aus P2P-Kreditmärkten weltweit überprüfen und vergleichen. Damit ein Kreditrisikomodell nützlich ist, müssen wir auch die Interpretierbarkeit unserer Modelle berücksichtigen. Daher hat unser Forschungsprojekt sowohl methodologische als auch empirische Eigenschaften mit praktischen Auswirkungen. Das Hauptziel des Forschungsprojekts besteht darin, unser Verständnis für Kreditrisikomodellierung in P2P-Kreditmärkten zu vertiefen, indem wir neue netzwerkbasierte Kreditrisikomodelle entwerfen und empirisch überprüfen. Das Forschungsprojekt wird zu folgendem Beitrag führen: Methodologisch wollen wir im Vergleich zur bestehenden Forschung (Ahelegbey et al., 2019a,b; Giudici et al., 2019; 2020) zu mehreren Aspekten beitragen. Mittels netzwerkbasiertem Lernen für Machine Learning Modelle wollen wir Verbundeigenschaften von Krediten in Portfolios nutzen um zusätzliche Information zur Kreditrisikoeinschätzung freizulegen. Überwachte Lernalgorithmen sind generell leistungsfähiger als unbeaufsichtigte Lernalgorithmen (Liu et al., 2020). Daher wird unser Ansatz zur Netzwerkerstellung Klasseninformationen nutzen, was zu überwachten Netzwerken führt und einem Fortschritt in der Kreditrisikoprojektion führen soll.
Vorgehen
Hier sind einige Ideen, die zeigen, wie Netzwerke uns helfen können, bessere Modelle für die Einschätzung von Kreditrisiken in Peer-to-Peer-Kreditmärkten zu entwickeln. Frühere Modelle haben eine Technik namens "Minimum Spanning Tree" (MST) verwendet, die viele Beziehungen zwischen Punkten im Netzwerk stark reduziert. Das könnte dazu führen, dass wir wichtige Informationen verlieren. Außerdem ist die Methode so aufgebaut, dass sie alle Punkte im Netzwerk verbindet, aber das macht in Bezug auf Kreditrisiken nicht unbedingt Sinn. Wir wollen andere Netzwerktypen ausprobieren, bei denen wir einen bestimmten Prozentsatz der nähesten Verbindungen behalten können. In einfachen Worten, wir wollen neue Wege finden, Netzwerke zu nutzen, um besser zu verstehen, wie groß das Risiko ist, dass jemand seinen Kredit nicht zurückzahlt. Dabei wollen wir sicherstellen, dass unsere Modelle wirklich nützliche Informationen liefern und nicht nur komplizierte mathematische Verbindungen.
Ergebnisse
Das Forschungsprojekt zielt darauf ab, Kreditrisiko in P2P-Kreditmärkten durch die Entwicklung von fortschrittlichen, interpretierbaren Kreditrisikomodellen zu minimieren. Durch die Nutzung von innovativem netzwerkbasiertem Lernen und überwachten Netzwerken beabsichtigen wir, die zusammengesetzten Eigenschaften von Krediten zu nutzen, um zusätzliche, für eine sorgfältige Kreditrisikobewertung entscheidende Informationen zu generieren. Unser Bestreben, verschiedene Netzwerktypen zu nutzen, ist darauf ausgelegt, zentrale Informationen zu bewahren und Kreditrisikoprojektionen erheblich zu verfeinern. Das erwartete Ergebnis ist die Etablierung von fortschrittlichen, benutzerfreundlichen Modellen, die wertvolle, handlungsrelevante Einblicke darstellen, das Verständnis der Risiken bei Kreditrückzahlungen verbessern und P2P-Märkte für Investoren sicherer und zuverlässiger machen.
Ausblick
Indem wir netzwerkbasierte Ansätze verwenden, möchten wir tiefere und präzisere Einblicke in die Risikofaktoren gewinnen. Bisherige Modelle haben möglicherweise wichtige Beziehungen und Informationen übersehen; unser Ansatz soll diese Lücken schließen. Insbesondere wollen wir nicht nur mathematisch komplexe, sondern auch interpretierbare Modelle entwickeln, die in der realen Welt nützlich sind. Ein besonderes Augenmerk liegt darauf, die Modelle so zu gestalten, dass sie eine Vielzahl von Datenquellen berücksichtigen und dabei flexibel genug sind, um sich an unterschiedliche Marktbedingungen anzupassen. Durch die Verwendung von mehreren Datensätzen aus verschiedenen P2P-Kreditmärkten weltweit möchten wir die Robustheit und die Anwendbarkeit unserer Methoden bestätigen.
