A hybrid variable neighborhood search with bootstrap resampling technique for credit scoring problem

Abstract

Моделі кредитного скорингу зіграли життєво важливу роль у наданні кредитів кредиторами та фінансовими установами. Останнім часом їм приділяється більше уваги в практиці управління ризиками. Було розроблено багато методів моделювання для оцінки кредитоспроможності позичальників. У цій статті представлено модель кредитного скорингу за допомогою одного з методів локального пошуку – алгоритму пошуку змінної околиці (VNS). Оптимізація структури околиці VNS є корисним методом, що застосовується для вирішення проблем кредитного скорингу. Одночасно налаштовуючи структуру околиці, запропонований алгоритм генерує оптимізовані ваги, які використовуються для побудови лінійної дискримінантної функції. Експериментальні результати, отримані шляхом застосування цієї моделі на змодельованих та реальних наборах даних, доводять її високу ефективність та оцінюють її значення для кредитного рейтингування.

Credit scoring models have played a vitally important role in the granting credit by lenders and financial institutions. Recently, these have gained more attention related to the risk management practice. Many modeling techniques have been developed to evaluate the worthiness of borrowers. This paper presents a credit scoring model via one of local search methods – variable neighborhood search (VNS) algorithm. The optimizing VNS neighborhood structure is a useful method applied to solve credit scoring problems. By simultaneously tuning the neighborhood structure, the proposed algorithm generates optimized weights which are used to build a linear discriminant function. The experimental results obtained by applying this model on simulated and real datasets prove its high efficiency and evaluate its significant value on credit scoring.