Identifying and predicting default borrowers in P2P lending platform: A machine learning approach

Sharma, Alok Kumar; Li, Lihua; Ahmad, Ramli

doi:10.1109/ssim49526.2021.9555200

Cited by 5 publications

(4 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…An artificial neural network (ANN) [4], [16] that has a feed-forward architecture and is made up of numerous layers of neurons is called a multilayer perceptron (MLP). A MLP has three or more layers including one input, one output, and one or even more hidden layers.…”

Section: Multilayer Perceptronmentioning

confidence: 99%

Forecast Rainfall Density by Utilizing Machine Learning Models

Hsu¹,

Sharma²

2023

World Congress on Civil, Structural, and Environmental Engineering

View full text Add to dashboard Cite

Organizations can use weather forecasting to help with decision-making when it comes to preventing disasters. Forecasting rain is challenging since weather conditions are always unpredictable in general. The prediction of rainfall uses a variety of methodologies, including statistical, hybrid, and physical approaches. In this research, we have implemented various machine learning models such as Logistic Regression (LR), Random Forest (RF), and Multi-Layer Perceptron (MLP) to predict the density of rainfall. This study has used Taiwan Ruiyan rainfall hourly dataset from 1998 to 2018 which contains five features like Air Pressure, Humidity, Temperature, Windspeed, and Wind Direction to predict the rainfall density such as low, medium, and heavy rainfall. The results data in this study are compared using statistical metrics like AUC, accuracy, recall, precision, and F1-score. The Random Forest, and Multi-Layer Perceptron models, had the highest accuracy scores of 0.71, accurately predicting the results. This study offers a comprehensive overview of several methods and their rainfall density predictions. By comparing these models, we can decide which one is best for predicting rainfall. The suggested work is extensively used in a variety of agriculture and civil applications, including hazard prediction, prevention, operational planning, and many more.

show abstract

Section: Multilayer Perceptronmentioning

confidence: 99%

Forecast Rainfall Density by Utilizing Machine Learning Models

Hsu¹,

Sharma²

2023

World Congress on Civil, Structural, and Environmental Engineering

View full text Add to dashboard Cite

show abstract

“…Los modelos de Machine Learning han sido ampliamente utilizados para la evaluación de riesgo crediticio [2], [3] y específicamente para la plataforma Lending Club [5] En [2] se realiza una comparación de los modelos de Machine Learning utilizados para calificación crediticia Sobre el dataset público compartido por la plataforma Lending Club. Fueron considerados datos de julio a diciembre del 2019, teniendo la información de 75,327 solicitantes de créditos con 142 atributos.…”

Section: B Modelos De Riesgo Crediticiounclassified

“…Esta aproximación fue la utilizada en [2]Se asume que los datos de los créditos no tienen una dependencia temporal entre ellos y se dividen los datos aleatoriamente en entrenamiento y prueba. En este trabajo se realizó una partición aleatoria de 70% para datos de entrenamiento y 30% para datos de prueba.…”

Section: Atemporalunclassified

“…En [1] se establece la importancia de las plataformas de crédito P2P y expone que la calificación de los Buró no está creada para el nicho de clientes que solicitan estos créditos, sino que fueron hechos para la banca tradicional. En [2] se expone la pertinencia de modelos de Machine Learning para la calificación crediticia de clientes de plataformas P2P. En [3] se tienen en cuenta los retos que se tienen al crear modelos para calificación crediticia y exponen que se debe tener en cuenta la rentabilidad de los prestamistas al realizar la evaluación de estos.…”

Section: Introduccionunclassified

See 1 more Smart Citation

Optimización de inversión en plataformas de créditos P2P

Marengo Orozco

View full text Add to dashboard Cite

Las plataformas de préstamos de persona a persona como Lending Club y Prosper se han consolidado como una alternativa importante para las personas que necesitan adquirir un crédito de forma rápida y a tasas de interés competitivas. Igualmente, para los prestamistas es una forma de invertir su dinero esperando retornos más altos que los de un bono corporativo o un certificado de depósito a término fijo. Sin embargo, estudios han demostrado que las calificaciones crediticias que entregan estas plataformas son las que ofrecen los tradicionales burós de crédito cuyos scores están hechos para la banca pública y no para este nuevo esquema de préstamos. Esto hace que quien quiera invertir en dar préstamos a personas, se exponga a un riesgo no calculado correctamente. En este trabajo se presenta un método para crear una inversión en un portafolio de créditos disponibles en plataformas P2P basado en Machine Learning y Optimización de Portafolio. Se demuestra que se puede predecir la rentabilidad esperada y el riesgo asociado al portafolio escogido, dándole a los inversionistas herramientas para invertir de acuerdo a su perfil de riesgo.

show abstract