Credit Portfolio Management of Corporate and Commercial Loans with Robust Machine Learning Methods
Notice bibliographique
Résumé
This thesis addresses critical challenges in credit portfolio risk management for financial institutions, focusing on corporate and commercial loan portfolios. This thesis comprises three main project. The first two projects are published in the Journal of Credit Risk the third project has been accepted for publication at the Journal of Applied and Numerical Optimization: 1. Credit Risk Rating Modeling: This study introduces a novel approach to credit risk rating for corporate entities, enabling banks to make accurate, cost-effective rating decisions while maximizing risk-adjusted returns under model uncertainty within the Basel Regulatory Framework. By leveraging ordinal information from expert-assigned credit ratings, the methodminimizes expected economic costs. Empirical results demonstrate higher returns on regulatory capital for medium-sized North American companies. 2. Distributionally Robust Optimization (DRO) in Credit Risk Management: This project applies a DRO framework to enhance credit risk management by addressing data uncertainty and model misspecification. Two applications are explored: predicting significant increases in credit risk (SICR) under the IFRS 9 Expected Credit Loss framework and managing risk limits for corporate loans. The findings show that DRO improves model robustness by accounting for distributional uncertainty, supporting more informed and regulatory-compliant decision-making. 3. Robust Contextual Bandit Method for Optimal Loan Offering: This study proposes a group-DRO-enhanced, doubly-robust contextual bandit approach to optimize loan product offerings. Tailored for high-stakes lending decisions, this method leverages historical data to design policies while mitigating biases and uncertainties. By incorporating group-based ambiguity sets and fairness constraints, such as demographic parity or equal opportunity, the approach ensures robustness against worst-case shifts in sensitive subgroups and aligns with ethical and regulatory standards. Empirical evidence from a small business credit card portfolio demonstrates significant improvements over standard methods, advancing responsibleAI in finance. Collectively, these contributions provide advanced methodologies to enhance credit risk management, improving the modeling and management of corporate and commercial loan portfolios for financial institutions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».