Uncertainty-aware machine learning with applications to credit risk

Abstract (English)

This cumulative doctoral thesis aims to shed light on the application of uncertainty-aware machine learning to credit risk problems. Over the last decades machine learning and artificial intelligence have become increasingly important for scientific research and practical application. Due to the superior performance compared to standard algorithms, machine learning is often the preferred choice. ...

Abstract (English)

This cumulative doctoral thesis aims to shed light on the application of uncertainty-aware machine learning to credit risk problems. Over the last decades machine learning and artificial intelligence have become increasingly important for scientific research and practical application. Due to the superior performance compared to standard algorithms, machine learning is often the preferred choice. To ensure the reliability of these machine learning algorithms, the uncertainty associated with them is an active area of research. This is especially interesting for applications where the reliability of the model is crucial, such as in the credit risk sector.
Chapter 1 focuses on one of the key parameters in credit risk, the Loss Given Default (LGD). This chapter contributes to the literature by quantifying the uncertainty in the LGD prediction by using the deep evidential regression. Chapter 2 estimates the distribution of the LGDs in a non-linear manner by introducing a novel machine learning method, the (generalized) beta regression artificial neural network (G-BRANN). Chapter 3 focuses on the important task of handling missing data. This chapter introduces a new imputation technique, GAMME, by combining predictive mean matching with accumulated local effect (ALE) plots.

Translation of the abstract (German)

Diese kumulative Dissertation zielt darauf ab, die Anwendung von ungewissheitsbewusstem maschinellem Lernen auf Kreditrisikoprobleme zu beleuchten. In den letzten Jahrzehnten haben maschinelles Lernen und künstliche Intelligenz in der wissenschaftlichen Forschung und in der praktischen Anwendung zunehmend an Bedeutung gewonnen. Aufgrund ihrer überlegenen Leistung im Vergleich zu ...

Translation of the abstract (German)

Diese kumulative Dissertation zielt darauf ab, die Anwendung von ungewissheitsbewusstem maschinellem Lernen auf Kreditrisikoprobleme zu beleuchten. In den letzten Jahrzehnten haben maschinelles Lernen und künstliche Intelligenz in der wissenschaftlichen Forschung und in der praktischen Anwendung zunehmend an Bedeutung gewonnen. Aufgrund ihrer überlegenen Leistung im Vergleich zu Standardalgorithmen wird maschinelles Lernen häufig bevorzugt. Um die Zuverlässigkeit dieser maschinellen Lernalgorithmen zu gewährleisten, ist die mit ihnen verbundene Unsicherheit ein aktives Forschungsgebiet. Dies ist besonders für Anwendungen interessant, bei denen die Zuverlässigkeit des Modells entscheidend ist, wie z. B. im Bereich des Kreditrisikos.
Kapitel 1 konzentriert sich auf einen der wichtigsten Parameter im Kreditrisiko, die Verlustquote (Loss Given Default, LGD). Dieses Kapitel leistet einen Beitrag zur Literatur, indem es die Unsicherheit bei der LGD-Vorhersage mit Hilfe der deep evidential regrerssion quantifiziert. Kapitel 2 schätzt die Verteilung der LGDs auf nichtlineare Weise durch die Einführung einer neuartigen maschinellen Lernmethode, dem (generalized) beta regression artificial neural network (G-BRANN). Kapitel 3 befasst sich mit der wichtigen Aufgabe der Behandlung fehlender Daten. In diesem Kapitel wird eine neue Imputationstechnik, GAMME, vorgestellt, die predictive mean matching mit accumulated local effect (ALE) plots kombiniert.

Details

Preview

Export bibliographical data

Abstract (English)

Abstract (English)

Translation of the abstract (German)

Translation of the abstract (German)

Download Statistics

Downloads

More literature (via CORE)

University Library