Loss Rate Forecasting Framework Based on Macroeconomic Changes:\n Application to US Credit Card Industry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A major part of the balance sheets of the largest US banks consists of credit\ncard portfolios. Hence, managing the charge-off rates is a vital task for the\nprofitability of the credit card industry. Different macroeconomic conditions\naffect individuals' behavior in paying down their debts. In this paper, we\npropose an expert system for loss forecasting in the credit card industry using\nmacroeconomic indicators. We select the indicators based on a thorough review\nof the literature and experts' opinions covering all aspects of the economy,\nconsumer, business, and government sectors. The state of the art machine\nlearning models are used to develop the proposed expert system framework. We\ndevelop two versions of the forecasting expert system, which utilize different\napproaches to select between the lags added to each indicator. Among 19\nmacroeconomic indicators that were used as the input, six were used in the\nmodel with optimal lags, and seven indicators were selected by the model using\nall lags. The features that were selected by each of these models covered all\nthree sectors of the economy. Using the charge-off data for the top 100 US\nbanks ranked by assets from the first quarter of 1985 to the second quarter of\n2019, we achieve mean squared error values of 1.15E-03 and 1.04E-03 using the\nmodel with optimal lags and the model with all lags, respectively. The proposed\nexpert system gives a holistic view of the economy to the practitioners in the\ncredit card industry and helps them to see the impact of different\nmacroeconomic conditions on their future loss.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle