리스크 관리 분야에서의 시뮬레이션 어닐링 기법과 통합 알고리즘에 관한 연구

A Study on Simulated Annealing and Integration Algorithm in Risk Control Area

전통적인 전문가 기반 점수화 방식은 비효율성이 존재하고, 소비자금융 기업에서 발생하는 대규모 데이터를 충분히 반영하기 어렵다는 한계를 지닌다. 본 연구는 신용평가와 리스크 관리 분야에서 머신러닝 기법을 적용하는 방안을 모색하였다. 구체적으로, Random Forest 모형과 XGBoost 모형을 활용하여 소비자금융 대출고객의 연체 위험을 산정하였다. 실증 결과, XGBoost 모형이 가장 높은 예측 정확도를 보였으며 Random Forest 모형이 그 다음으로 우수한 성능을 나타냈다. 또한 두 모형의 예측값을 비율 기반으로 가중 결합하는 방식을 제안하여 그 효과를 검증한 결과, 해당 방법이 예측정확도 향상에 기여함을 확인하였다. 모형 평가는 ROC 곡선과 AUC 지표를 사용하여 수행하였다. 분석 결과는 개인 신용평가 영역에서 머신러닝 기반 접근법이 유의미한 장점을 제공함을 시사한다.

The traditional expert scoring method contains problems such as inefficiency and difficulty in ensuring a large amount of data of consumer finance companies. The author considered applying the machine learning method to credit evaluation and risk control. This paper selects Random forest model and Xgboost model to evaluate overdue risk of loan clients. It is found that Xgboost model has the best accuracy and Random forest model is second. A method of proportionally weighting values of Random forest model and Xgboost model is proposed and verified to improve the accuracy of the model. In terms of evaluation of model, ROC curve and AUC values are used. The results of actual data analysis show that machine learning methods used in credit assessment have considerable advantages.