Modelos de credit score são usualmente desenvolvidos somente com informações dos proponentes aceitos. Neste trabalho foram consideradas estratégias que podem ser utilizadas para o desenvolvimento de modelos de credit score com a inclusão das informações dos rejeitados. Foram avaliadas as seguintes técnicas de inferência de rejeitados: classificação dos rejeitados como clientes Maus, parcelamento, dados aumentados, uso de informações de mercado e ainda a estratégia de aceitar proponentes rejeitados para acompanhamento e desenvolvimento de novos modelos de risco de crédito. Para a avaliação e comparação dos modelos foram utilizadas as medidas de desempenho: estatística de Kolmogorov-Smirnov (KS), área sob a curva de Lorentz (ROC), área entre as curvas de distribuição acumulada dos escores (AEC), diferença entre as taxas de inadimplência nos intervalos do escore definidos pelos decis e coeficiente de Gini. Concluiu-se que dentre as quatro primeiras técnicas avaliadas, o uso de informaçõoes de mercado foi a que apresentou melhor desempenho. Quanto à estratégia de aceitar proponentes rejeitados, observou-se que há um ganho em relação ao modelo ajustado só com base nos proponentes aceitos. / Credit scoring models are usually built using only information of accepted applicants. This text considered strategies that can be used to develop credit score models with inclusion of the information of the rejects. We evaluated the techniques of reject inference: classification of rejected customers as bad, parceling, augmentation, use of market information and the strategy of accepting rejected proponents for monitoring and developing new models of credit risk. For the evaluation and comparison between models were used performance measures: Kolmogorov-Smirnov statistics (KS), the area under the Lorentz Curve (ROC), area between cumulative distribution curves of the scores (AEC), difference among the delinquency rate in the score buckets based on deciles (DTI) and the Gini coefficient. We concluded that among the first four techniques evaluated, the fourth (use of market information) had the best performance. For the strategy to accept rejected bidders, it was observed that there is a gain in relation to the model that uses only information of accepted applicants.

Modelos preditivos têm sido cada vez mais utilizados pelo mercado a fim de auxiliarem as empresas na mitigação de riscos, expansão de carteiras, retenção de clientes, prevenção a fraudes, entre outros objetivos. Entretanto, durante o desenvolvimento destes modelos é comum existirem, dentre as variáveis preditivas, algumas que possuem dados não preenchidos (missings), sendo necessário assim adotar algum procedimento para tratamento destas variáveis. Dado este cenário, este estudo tem o objetivo de discutir metodologias de tratamento de dados faltantes em modelos preditivos, incentivando o uso de algumas delas já conhecidas pelo meio acadêmico, só que não utilizadas pelo mercado. Para isso, este trabalho descreve sete metodologias. Todas elas foram submetidas a uma aplicação empírica utilizando uma base de dados referente ao desenvolvimento de um modelo de Credit Score. Sobre esta base foram desenvolvidos sete modelos (um para cada metodologia descrita) e seus resultados foram avaliados e comparados através de índices de desempenho amplamente utilizados pelo mercado (KS, Gini, ROC e Curva de Aprovação). Nesta aplicação, as técnicas que apresentaram melhor desempenho foram a que tratam os dados faltantes como uma categoria à parte (técnica já utilizada pelo mercado) e a metodologia que consiste em agrupar os dados faltantes na categoria conceitualmente mais semelhante. Já a que apresentou o pior desempenho foi a metodologia que simplesmente não utiliza a variável com dados faltantes, outro procedimento comumente visto no mercado. / Predictive models have been increasingly used by the market in order to assist companies in risk mitigation, portfolio growth, customer retention, fraud prevention, among others. During the model development, however, it is usual to have, among the predictive variables, some who have data not filled in (missing values), thus it is necessary to adopt a procedure to treat these variables. Given this scenario, the aim of this study is to discuss frameworks to deal with missing data in predictive models, encouraging the use of some already known by academia that are still not used by the market. This paper describes seven methods, which were submitted to an empirical application using a Credit Score data set. Each framework described resulted in a predictive model developed and the results were evaluated and compared through a series of widely used performance metrics (KS, Gini, ROC curve, Approval curve). In this application, the frameworks that presented better performance were the ones that treated missing data as a separate category (technique already used by the market) and the framework which consists of grouping the missing data in the category most similar conceptually. The worst performance framework otherwise was the one that simply ignored the variable containing missing values, another procedure commonly used by the market.

Modelos de credit score são usualmente desenvolvidos somente com informações dos proponentes aceitos. Neste trabalho foram consideradas estratégias que podem ser utilizadas para o desenvolvimento de modelos de credit score com a inclusão das informações dos rejeitados. Foram avaliadas as seguintes técnicas de inferência de rejeitados: classificação dos rejeitados como clientes Maus, parcelamento, dados aumentados, uso de informações de mercado e ainda a estratégia de aceitar proponentes rejeitados para acompanhamento e desenvolvimento de novos modelos de risco de crédito. Para a avaliação e comparação dos modelos foram utilizadas as medidas de desempenho: estatística de Kolmogorov-Smirnov (KS), área sob a curva de Lorentz (ROC), área entre as curvas de distribuição acumulada dos escores (AEC), diferença entre as taxas de inadimplência nos intervalos do escore definidos pelos decis e coeficiente de Gini. Concluiu-se que dentre as quatro primeiras técnicas avaliadas, o uso de informaçõoes de mercado foi a que apresentou melhor desempenho. Quanto à estratégia de aceitar proponentes rejeitados, observou-se que há um ganho em relação ao modelo ajustado só com base nos proponentes aceitos. / Credit scoring models are usually built using only information of accepted applicants. This text considered strategies that can be used to develop credit score models with inclusion of the information of the rejects. We evaluated the techniques of reject inference: classification of rejected customers as bad, parceling, augmentation, use of market information and the strategy of accepting rejected proponents for monitoring and developing new models of credit risk. For the evaluation and comparison between models were used performance measures: Kolmogorov-Smirnov statistics (KS), the area under the Lorentz Curve (ROC), area between cumulative distribution curves of the scores (AEC), difference among the delinquency rate in the score buckets based on deciles (DTI) and the Gini coefficient. We concluded that among the first four techniques evaluated, the fourth (use of market information) had the best performance. For the strategy to accept rejected bidders, it was observed that there is a gain in relation to the model that uses only information of accepted applicants.

Modelos preditivos têm sido cada vez mais utilizados pelo mercado a fim de auxiliarem as empresas na mitigação de riscos, expansão de carteiras, retenção de clientes, prevenção a fraudes, entre outros objetivos. Entretanto, durante o desenvolvimento destes modelos é comum existirem, dentre as variáveis preditivas, algumas que possuem dados não preenchidos (missings), sendo necessário assim adotar algum procedimento para tratamento destas variáveis. Dado este cenário, este estudo tem o objetivo de discutir metodologias de tratamento de dados faltantes em modelos preditivos, incentivando o uso de algumas delas já conhecidas pelo meio acadêmico, só que não utilizadas pelo mercado. Para isso, este trabalho descreve sete metodologias. Todas elas foram submetidas a uma aplicação empírica utilizando uma base de dados referente ao desenvolvimento de um modelo de Credit Score. Sobre esta base foram desenvolvidos sete modelos (um para cada metodologia descrita) e seus resultados foram avaliados e comparados através de índices de desempenho amplamente utilizados pelo mercado (KS, Gini, ROC e Curva de Aprovação). Nesta aplicação, as técnicas que apresentaram melhor desempenho foram a que tratam os dados faltantes como uma categoria à parte (técnica já utilizada pelo mercado) e a metodologia que consiste em agrupar os dados faltantes na categoria conceitualmente mais semelhante. Já a que apresentou o pior desempenho foi a metodologia que simplesmente não utiliza a variável com dados faltantes, outro procedimento comumente visto no mercado. / Predictive models have been increasingly used by the market in order to assist companies in risk mitigation, portfolio growth, customer retention, fraud prevention, among others. During the model development, however, it is usual to have, among the predictive variables, some who have data not filled in (missing values), thus it is necessary to adopt a procedure to treat these variables. Given this scenario, the aim of this study is to discuss frameworks to deal with missing data in predictive models, encouraging the use of some already known by academia that are still not used by the market. This paper describes seven methods, which were submitted to an empirical application using a Credit Score data set. Each framework described resulted in a predictive model developed and the results were evaluated and compared through a series of widely used performance metrics (KS, Gini, ROC curve, Approval curve). In this application, the frameworks that presented better performance were the ones that treated missing data as a separate category (technique already used by the market) and the framework which consists of grouping the missing data in the category most similar conceptually. The worst performance framework otherwise was the one that simply ignored the variable containing missing values, another procedure commonly used by the market.

This dissertation comprises two different financial essays. Essay 1, “An Applied Credit Score Model,” uses data from local credit union to predict the probability of default. Due to recent financial crisis regulation has been enacted that makes it essential to develop a probability of default model that will mitigate charge-off losses. Using discriminant analysis and logistic regression this paper will attempt to see how well credit score can predict probability of default. While credit score does an adequate job at classifying loans, misclassification of loans can be costly. Thus while credit score is a predictor, there is danger in relying solely on its information. Thus other variables are needed in order to more accurately be able to find the probability of default. Essay 2, “Christian Mutual Fund Performance,” draws attention to a much ignored type of funds, Christian mutual funds. The following questions are asked: How does Christian mutual fund perform compared to the market? Is there a difference in performance during recessions as indicated by literature? Is Christian mutual fund performance different than SRI funds? How do Catholic and Protestant fund perform? Looking at qualitative evidence, Christian mutual funds place much more importance on moral issue than SRI funds. Thus there is a clear difference in objectives and the type of screening that these two mutual fund pursue. Overall data reflects that screened data perform worse than the market, however during recession screened funds perform as well and at times better than the market. Christian mutual funds tends to perform worse than SRI funds.

No description available.

Studien har handlat om att ta fram riktlinjer för hur extrahering, transformering och inladdning (ETL) av kreditbedömningsinformation bör göras när det kommer till att införa ett Data Warehouse (DW). Ett kvalitativt angreppssätt har använts med både en fallstudie och en intervjustudie, där fallstudien genomfördes med Asitis AB som är en systemleverantör förfinans- och reskontrafinansiering (factoring) för att undersöka potentiella affärsmöjligheter med ett DW med kreditbedömningsinformation. Intervjustudien användes för att samla in värdefull information från individer inom alla berörda problemområden, och användes sedan i fallstudien. Resultatet var både framgångsfaktorer och fallgropar för ETL-processen med kreditbedömningsinformation som kan fungera som stöd för organisationer med detta behov. Det har visat sig att ETL-processen för kreditbedömningsinformation utgör ett område med stor potential för affärsmöjligheter, där det krävs hög kompetens, domänkunskap, proaktivitet och juridisk kunskap vid genomförande av ETL-processen.

2008年，美國華爾街危機影響全球金融市場，即使美國擬出許多救市計畫，全球股市依舊暴跌。在此危機衝擊下，各大金融機構不但利潤下滑，且資產減記和信貸損失也愈來愈嚴重。造成此一現象的主因即是次級房貸的影響，次級房貸主要是針對收入低、信用不佳卻需要貸款購屋的民眾，這類客戶通常借貸不易，倘若銀行內部沒有完善的評等機制那放款則需承受較大的違約風險。為因應此趨勢，本研究以台灣未上市中小企業為實例，資料的觀察期間為2003至2005年，透過資料採礦流程，建構企業違約風險模型及其信用評等系統。 本研究分別利用羅吉斯迴歸、類神經網路、和分類迴歸樹三種方法建立模型並加以評估比較其預測能力。發現羅吉斯迴歸模型對於違約戶的預測能力及有效性皆優於其他兩者，並選定為本研究之最終模型，並對選定之模型作評估及驗證，發現模型的預測能力表現尚屬穩定，確實能夠在銀行授信流程實務中加以應用。 / In 2008, the financial crisis on Wall Street had severe impacted the global economy. Although the US government has drawn up regulatory policies in an attempt to save the stock market, the value of global stock market has shrunk drastically. As such, the profits of many financial institutes’ have not only plunged, their value of assets have decreased while loss related to mortgage became more severe. The main cause behind this global phenomenon can be attributed to the effect of subprime mortgages. Subprime mortgages are mainly aimed at consumers who have low income and poor credit history but wish to purchase homes through the means of mortgage. These consumers usually find it difficult to obtain mortgage loans. If banks do not have a well structured evaluation system, they would have to bear more risks in the case of a default. To better understand this trend, this research chooses middle and small private enterprises as its samples. The period of observation is 2003 to 2005. Using the data mining process, this research builds a model that shows the risk associated with contract failure and credit score system. The research builds a model based on logistic regression, Neural Network, and cart to compare and contrast each of the three model’s ability to predict. The result shows that logistic regression is better at predicting defaults and is more effective than the other two models. The research, therefore, concludes logistic regression model as the research’s final model to study and evaluate. In process, the research result demonstrates that the logistic regression model makes more precise prediction and its prediction is fairly stable. Logistic regression model is capable for banks to employ in performing credit check.