Poniendo el cerebro a trabajar: Evaluación del índice de crédito para préstamos P2P basados en el modelo de redes neuronales artificiales

• Autores: Po Chun Lee
• Localización: COMPENDIUM: Cuadernos de Economía y Administración, ISSN-e 1390-9894, ISSN 1390-8391, Vol. 5, Nº. 10, 2018 (Ejemplar dedicado a: Revista Compendium: Cuadernos de Economía y Administración), págs. 103-119
• Idioma: español
• Títulos paralelos:
  • Putting the brain to work: Credit index evaluation for P2P lending based on artificial neural network modeling
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La evaluación efectiva de los diversos índices de crédito de un prestatario es clave para desentrañar el problema de la asimetría de la información en el contexto del préstamo entre pares (P2P). La mitigación de la selección adversa de prestatarios con alto potencial de incumplimiento continúa plagando las plataformas de préstamos P2P. Para comprender cuales son los factores que determinan el estado crediticio del prestatario (es decir, la aprobación del préstamo, el potencial de pago del préstamo, y el riesgo de incumplimiento), este estudio presenta un Modelo de Redes Neurales en una de las plataformas de préstamos P2P más populares. Nuestros resultados muestran que la tasa de interés, la relación entre el préstamo y el ingreso, y el plazo del préstamo son los indicadores más importantes para reflejar el estado crediticio del prestatario, mientras que la frecuencia de las consultas, la categoría de endeudamiento tiene un grado relativamente bajo de importancia. Este estudio encuentra que el estado del índice de crédito del prestatario se explica mejor en los cuantiles más bajos y se vuelve más difícil de discernir en cuantiles superiores. Este trabajo también concluye que para plazos de préstamo más largos, la presión de la amortización del prestatario y las tasas de incumplimiento aumentan con mayores ratios de préstamo en relación al ingreso y mayores tasas de interés. Además, encontramos que las clasificaciones de crédito más altas y los rendimientos esperados más altos conducen a mayores probabilidades de incumplimiento. Para reducir la probabilidad de impago del prestatario, este estudio recomienda construir grupos de préstamos, seleccionar candidatos de mayor ingreso y aumentar los límites de crédito. Para validar nuestros resultados, realizamos pruebas de robustez que modifican el coeficiente de aprendizaje y la relación de datos de entrenamiento a validación para mostrar que los resultados empíricos de este documento son sólidos y efectivos.

  • English

    Effective assessment of a borrower's various credit indexes is key for unravelling the problem of information asymmetry in the context of Peer-to-Peer Lending (P2P). Mitigating adverse selection of high default potential borrowers continues to plague P2P lending platforms. In order to understand which factors determine borrower credit status (ie. loan approval, loan repayment potential, risk of default), this study renders an Artificial Neural Network Model on one of the most popular P2P lending platforms. Our results show that the interest rate, the ratio of loan to income and the loan term are the most important indicators in reflecting the borrower’s credit status, while the frequency of inquiries, the borrowing category have a relatively low degree of importance. This study finds that the borrower’s credit index status is better explained at the lower quantiles and becomes more difficult to discern at higher quantiles. This work also finds that for longer loan terms, the borrower repayment pressure and the default rates rise with higher loan-to-income ratios and higher interest rates. Additionally, we find that higher credit rankings and higher expected returns lead to higher probabilities of defaulting. To reduce the probability of borrower default, this study recommends building lending groups or lending pools, selecting higher income credit candidates and increasing credit limits. To validate our results, we perform robustness tests that modify the learning coefficient and the training-to-validation data ratio in order to show that the empirical results of this paper are robust and effective.