Earticle

초록

영어

Personal credit scoring is an effective tool for banks to properly guide decision profitably on granting loans. Recently, many classification algorithms and models are used in personal credit scoring. Personal credit scoring technology is usually divided into statistical method and non-statistical method. Statistical method includes linear regression, discriminate analysis, logistic regression, and decision tree, etc. Non-statistical method includes linear programming, neural network, genetic algorithm and support vector machine, etc. But for the development of the credit scoring model, there is no consistent conclusion to be drawn regarding which method is the best. In this paper, we will compare the performance of the most common scoring techniques such as logistic regression, neural network, and support vector machines using personal credit data of the financial institution in China. Specifically, we build three models respectively, classify the customers and compare analysis results. According to the results, support vector machine has better performance than logistic regression and neural networks.

한국어

개인신용평가는 은행이 대출을 승인할 때 수익성 있는 의사결정을 적절히 유도할 수 있는 효과적인 도구이다. 최근 많은 분류 알고리즘 및 모델이 개인신용평가에 사용되고 있다. 개인신용평가 기법은 대체로 통계적 방법과 비 통계 적 방법으로 구분된다. 통계적 방법에는 선형회귀분석, 판별분석, 로지스틱 회귀분석, 의사결정나무 등이 포함된다. 비 통 계적 방법에는 선형계획법, 신경망, 유전자 알고리즘 및 Support Vector Machines 등이 포함된다. 그러나 신용평가모형 개발을 위해 어떠한 방법이 최선인지에 관해서는 일관된 결론을 내리기는 어렵다. 본 논문에서는 중국 금융기관의 개인 신용 데이터를 사용하여 가장 대표적인 신용평가 기법인 로지스틱 회귀분석, 신경망 그리고 Support Vector Machines의 성능을 비교하고자 한다. 구체적으로, 세 가지 모형을 각각 구축하여 고객을 분류하고 분석 결과를 비교하였다. 분석결과 에 따르면, Support Vector Machines이 로지스틱 회귀분석과 신경망보다 더 나은 성능을 가지는 것으로 나타났다.

목차

Abstract
요약
1. Introduction
1.1 Research Background
2. Literature Review
2.1 Status of Consumer Credit Service
2.2 Status of Personal Credit Scoring
2.3 Logistic Regression
2.4 Neural Network
2.5 Support Vector Machine
3. Research Method
3.1 Research Process
4. Experimental Design and Analysis Results
4.1 Data Description
4.2 Logistic Regression
4.3 Neural Network Experiment
4.4 Support Vector Machine Experiment
5. Conclusion
5.1 Summary of Research Results
5.2 Implications
5.3 Limitations and Future Research
REFERENCES

키워드

저자

• Xuan-Ze Ding [ Student, Dept. of Business Administration, Dongguk University ]
• Young-Chan Lee [ 이영찬 | Professor, Dept. of Business Administration, Dongguk University ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  산업융합연구(구 대한산업경영학회지) [Journal of Industrial Convergence]

• 간기

  월간

• pISSN

  2635-8875

• 수록기간

  2003~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 323 DDC 338