Comparison of econometric and deep learning approaches for credit default classification

Abstract

The deep-learning model outperforms the conventional structured models developed by using econometric techniques. Instead, econometric techniques provide an important insight into specific factors and their contribution to default probability. Using data from an Armenian universal credit organization that contains financial and nonfinancial variables of more than 9,000 borrowers of agriculture loans from 2012 to 2017 years, we compare deep neural networks' performance against conventional and widely used econometric techniques. Delays on past loans, together with loan size and currency, are major factors contributing to loan default probability prediction accuracy. The set of statistically significant or important variables differs between econometric and deep learning models proving that the latter can capture nonlinear relationships.

Artificial intelligence and loan default: The case of commercial banks in India

“…Researchers applied supervised machine learning techniques in diagnosis and interventions (Hyde et al, 2019), functional magnetic resonance imaging (Khosla et al, 2019), banking (Hu et al, 2021) and agriculture credit (Baghdasaryan et al, 2021). Therefore, we employed the supervised learning technique of machine learning in the present study on commercial banks in India by converting our data into a binomial mode (0 and 1).…”

De Basileia para o campo: estimando a estrutura de dependência de >i<default>/i< em portfólios de crédito rural por meio de cópulas

“…Tal como Bennouna & Tkiouat (2019), outros pesquisadores têm dedicado os seus estudos para estimar o risco de operações de microcrédito rural. O campo de microfinanças mostrou-se um forte instrumento de redução de desigualdade social (Baghdasaryan et al, 2021;Bennouna & Tkiouat, 2019;Medina-Olivares et al, 2021). O microcrédito é um instrumento relevante ao desenvolvimento de comunidades rurais (Condori-Alejo et al, 2021), e entender os fatores que influenciam a inadimplência nesta linha de crédito é fundamental para a perenidade da sua oferta.…”

“…O poder preditivo de técnicas de machine learning também foi avaliado por Baghdasaryan et al (2021). Os autores comparam os modelos econométricos probit e logit a um modelo ANN.…”

“…Isto pode ser explicado, em parte, pela alta dependência deste setor ao financiamento, por conta de suas especificidades. A agricultura é caracterizada pelos ciclos produtivos de safras ou de amadurecimento de rebanho (Baghdasaryan et al, 2021;Katchova & Barry, 2005). Estes ciclos produtivos implicam na recorrência de investimentos de início de produção (e.g., preparo do solo e compra de sementes) e em possíveis descasamentos de fluxo de caixa (tempo entre as despesas de produção e comercialização até o recebimento da venda dos produtos).…”