KR102174608B1 - Apparatus for predicting loan defaults based on machine learning and method thereof - Google Patents

Apparatus for predicting loan defaults based on machine learning and method thereof Download PDF

Info

Publication number
KR102174608B1
KR102174608B1 KR1020180148511A KR20180148511A KR102174608B1 KR 102174608 B1 KR102174608 B1 KR 102174608B1 KR 1020180148511 A KR1020180148511 A KR 1020180148511A KR 20180148511 A KR20180148511 A KR 20180148511A KR 102174608 B1 KR102174608 B1 KR 102174608B1
Authority
KR
South Korea
Prior art keywords
default
time
debt
data
model
Prior art date
Application number
KR1020180148511A
Other languages
Korean (ko)
Other versions
KR20200068069A (en
Inventor
최대선
박소희
Original Assignee
공주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 공주대학교 산학협력단 filed Critical 공주대학교 산학협력단
Priority to KR1020180148511A priority Critical patent/KR102174608B1/en
Priority to PCT/KR2018/016965 priority patent/WO2020111376A1/en
Publication of KR20200068069A publication Critical patent/KR20200068069A/en
Application granted granted Critical
Publication of KR102174608B1 publication Critical patent/KR102174608B1/en

Links

Images

Classifications

    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Abstract

본 발명은 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것으로서, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부, 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부, 및 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측하는 채무불이행 예측부를 포함하는 것을 특징으로 한다.The present invention relates to an apparatus and method for predicting debt default based on machine learning, comprising: a data generation unit and a data generation unit for generating time series learning data by time-seriesizing debt history information of a debtor for a past set period based on a current point in time. A prediction model generation unit that generates a default prediction model for predicting a debtor's default after the current point in time by applying the time series training data generated by a predefined machine learning model to a machine learning model, and It characterized in that it comprises a debt default predictor for predicting the default of the debtor after a current point in time by inputting the time series training data generated by the data generator to the default prediction model generated by the predictive model generator.

Description

기계 학습 기반의 채무불이행 예측 장치 및 방법{APPARATUS FOR PREDICTING LOAN DEFAULTS BASED ON MACHINE LEARNING AND METHOD THEREOF}Machine learning based debt default prediction device and method {APPARATUS FOR PREDICTING LOAN DEFAULTS BASED ON MACHINE LEARNING AND METHOD THEREOF}

본 발명은 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 기계 학습 모델을 이용하여 채무자의 채무불이행을 예측하기 위한 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting default based on machine learning, and more particularly, to a device and method for predicting default based on machine learning for predicting default of a debtor using a machine learning model.

은행과 같은 금융기관의 수익 구조는 예대마진을 통한 이자이익과 수수료 기반의 이자이익으로 구분될 수 있으며, 이러한 이자이익은 금융기관 수익의 80% 수준으로 전체 수익 중에서 상당한 부분을 차지한다. 따라서, 은행의 입장에서 손실을 최소화하기 위해서는 보다 정확하게 대출 채무자(즉, 차주)의 채무불이행을 예측하는 과정이 필수적으로 요구되고 있다.The profit structure of financial institutions such as banks can be divided into interest income through loan-deposit margin and interest income based on commissions, and these interest income accounts for a significant portion of the total revenue at the level of 80% of financial institution revenue. Therefore, in order to minimize losses from the bank's point of view, it is essential to predict the default of the loan debtor (ie, the borrower) more accurately.

일반적으로 금융기관은 채무자의 채무불이행 가능성을 평가하기 위한 자체 신용 평가 시스템(Credit Scoring System)을 보유하고 있으며, 이러한 신용 평가 시스템을 기반으로 대출 신청자가 제출한 소득, 재직상태, 대출 및 연체 이력 등의 기본 정보와 개인 신용 평가 기관(Credit Bureau)이 제공하는 신용 등급을 고려하여 대출 신청자의 신용 위험, 채무 상환 능력 및 채무불이행 가능성을 평가한 후 대출 승인여부, 대출 한도 및 금리 등을 결정하게 된다. 또한, 현재 거래 중인 고객을 대상으로 일정 시점마다 향후의 채무불이행 가능성을 재평가하여 대출 연장 여부, 대출 금리 및 한도 변경 여부 등을 결정하는데 활용하고 있다.In general, financial institutions have their own credit scoring system to evaluate the debtor's possibility of default, and based on this credit rating system, the income, employment status, loan and overdue history submitted by the loan applicant. After evaluating the credit risk, debt repayment ability, and the possibility of default by considering the credit rating provided by the credit bureau and the basic information of the loan, the loan approval, loan limit, and interest rate are determined. . In addition, it is used to determine whether to extend loans, change interest rates and limits, etc. by reevaluating the possibility of future defaults for customers currently trading at certain points.

전술한 종래의 방식에 있어서, 채무자의 신용, 채무 상환 능력 및 채무불이행 가능성에 대한 평가는 금융기관 내에서 인위적인 심사 과정을 통해 이루어지는 한계가 있기 때문에 그 평가 결과에 대한 신뢰성이 보장될 수 없는 문제점이 존재한다. 또한, 금융기관이 채용하고 있는 신용 평가 시스템은 금융기관 별로 상이하기 때문에 그 평가 결과의 객관성도 담보되지 못하는 한계를 갖는다.In the above-described conventional method, there is a problem that the reliability of the evaluation result cannot be guaranteed because the evaluation of the debtor's credit, debt repayment ability and the possibility of default is performed through an artificial review process within a financial institution. exist. In addition, since the credit rating system employed by financial institutions is different for each financial institution, the objectivity of the evaluation results cannot be guaranteed.

본 발명의 배경기술은 대한민국 공개특허공보 제10-2004-0014712호(2004.02.18. 공개)에 개시되어 있다.Background technology of the present invention is disclosed in Korean Patent Application Publication No. 10-2004-0014712 (published on February 18, 2004).

본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 채무자의 채무불이행 가능성에 대한 예측 결과의 신뢰성 및 객관성을 담보할 수 있는 기계 학습 기반의 채무불이행 예측 장치 및 방법을 제공하는 것이다.The present invention was invented to solve the above-described problems, and an object according to an aspect of the present invention is a machine learning-based debt default prediction apparatus capable of assuring the reliability and objectivity of a prediction result for the debtor's debt default possibility, and To provide a way.

본 발명의 일 측면에 따른 기계 학습 기반의 채무불이행 예측 장치는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부, 및 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 채무불이행 예측부를 포함하는 것을 특징으로 한다.The machine learning-based debt default prediction apparatus according to an aspect of the present invention is a data generation unit for generating time series learning data by time-seriesizing the debt history information of a debtor for a past set period based on a current point in time, and the data generation unit Generating a prediction model that generates a default prediction model for predicting the default of the debtor after the current point in time by applying the time series training data generated by the method to a predefined machine learning model and learning the machine learning model. And a debt default prediction unit that predicts the default of the debtor after the current point in time by inputting time series training data generated by the data generator into the debt default prediction model generated by the prediction model generation unit. It features.

본 발명에 있어 상기 데이터 생성부는, 상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되, 상기 채무 이력 정보는, 상기 채무자의 인구통계정보와, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하는 것을 특징으로 한다.In the present invention, the data generation unit generates the time series learning data by time-seriesizing the debt history information for the past set period by month, and the debt history information includes demographic statistics information of the debtor and the corresponding month. It characterized in that it includes the loan information and the past due information of the month.

본 발명에 있어 상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델인 것을 특징으로 한다.In the present invention, the machine learning model is characterized in that it is a model according to a recurrent neural network (RNN).

본 발명에 있어 상기 예측 모델 생성부는, 상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하는 것을 특징으로 한다.In the present invention, the prediction model generation unit sequentially inputs monthly debt history information of the debtor included in the time series learning data into the machine learning model and performs learning on the machine learning model to predict the default. It is characterized in that to generate.

본 발명에 있어 상기 채무불이행 예측부는, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 한다.In the present invention, the debt default prediction unit inputs the time series learning data generated by the data generation unit into the debt default prediction model, so that the debtor's debt in the next month of the last month reflected in the generation of the time series learning data It is characterized by predicting non-compliance.

본 발명의 일 측면에 따른 기계 학습 기반의 채무불이행 예측 방법은 데이터 생성부가, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 단계, 예측 모델 생성부가, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 단계, 및 채무불이행 예측부가, 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 단계를 포함하는 것을 특징으로 한다.In the machine learning-based debt default prediction method according to an aspect of the present invention, the data generation unit generates time-series learning data by time-seriesizing the debt history information of the debtor for a set period in the past based on a current point in time, a prediction model The generation unit applies the time series learning data generated by the data generation unit to a predefined machine learning model to perform learning on the machine learning model, thereby predicting the default of the debtor after the current point in time. Generating a model, and the debt default prediction unit, by inputting the time series learning data generated by the data generation unit to the debt default prediction model generated by the prediction model generation unit, and the debtor defaulting after the current time point It characterized in that it comprises the step of predicting.

본 발명의 일 측면에 따르면, 본 발명은 채무자의 채무 이력 정보가 반영된 소정의 시계열 데이터를 기반으로 기계 학습 모델을 학습하고, 그 학습을 통해 생성되는 채무불이행 예측 모델을 이용하여 채무자의 채무 불이행을 예측함으로써, 채무불이행에 대한 인위적인 평가로 인해 야기되는 신뢰성 저하 문제를 제거함과 동시에 그 예측 결과의 객관성을 보장할 수 있다.According to an aspect of the present invention, the present invention learns a machine learning model based on predetermined time series data reflecting the debtor's debt history information, and uses the default prediction model generated through the learning to determine the debtor's default. By making predictions, it is possible to eliminate the problem of deterioration in reliability caused by artificial evaluation of defaults and to ensure objectivity of the prediction results.

도 1은 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치를 설명하기 위한 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 시계열 학습 데이터를 보인 예시도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 기계 학습 모델로 적용될 수 있는 RNN의 구조를 보인 예시도이다.
도 5는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하기 위한 흐름도이다.1 is a block diagram illustrating an apparatus for predicting default based on machine learning according to an embodiment of the present invention.
2 is an exemplary diagram showing time-series learning data in a machine learning-based debt default prediction apparatus according to an embodiment of the present invention.
3 and 4 are exemplary diagrams showing the structure of an RNN that can be applied as a machine learning model in a machine learning based debt default prediction apparatus according to an embodiment of the present invention.
5 is a flowchart illustrating a method for predicting default based on machine learning according to an embodiment of the present invention.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 기계 학습 기반의 채무불이행 예측 장치 및 방법의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, an apparatus and method for predicting default based on machine learning according to the present invention will be described with reference to the accompanying drawings. In this process, the thickness of the lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of description. In addition, terms to be described later are terms defined in consideration of functions in the present invention and may vary according to the intention or custom of users or operators. Therefore, definitions of these terms should be made based on the contents throughout the present specification.

도 1은 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치를 설명하기 위한 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 시계열 학습 데이터를 보인 예시도이며, 도 3 및 도 4는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 기계 학습 모델로 적용될 수 있는 RNN의 구조를 보인 예시도이다.1 is a block diagram illustrating a machine learning-based debt default prediction apparatus according to an embodiment of the present invention, and FIG. 2 is a time series learning in a machine learning-based debt default prediction apparatus according to an embodiment of the present invention. It is an exemplary diagram showing data, and FIGS. 3 and 4 are exemplary diagrams showing the structure of an RNN that can be applied as a machine learning model in a machine learning based debt default prediction apparatus according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치는 데이터베이스부(DB), 데이터 생성부(100), 예측 모델 생성부(200) 및 채무불이행 예측부(300)를 포함할 수 있다.Referring to FIG. 1, a machine learning-based debt default prediction apparatus according to an embodiment of the present invention includes a database unit (DB), a data generation unit 100, a prediction model generation unit 200, and a debt default prediction unit 300. ) Can be included.

데이터베이스부(DB)에는 채무자의 채무 이력 정보가 저장되어 있을 수 있다. 여기서, 채무 이력 정보는 채무자의 인구통계정보, 해당 월에서의 대출정보, 및 해당 월에서의 연체정보를 포함할 수 있다. 또한, 데이터베이스부(DB)에는 상기한 채무 이력 정보와 함께, 채무자의 수입정보, 재산정보, 신용정보 및 부양가족정보를 포함하는 금융정보가 저장되어 있을 수 있다. 데이터베이스부(DB)에 저장된 정보 중 채무 이력 정보는 후술하는 것과 같이 데이터 생성부(100)에 의한 시계열 학습 데이터의 생성에 사용될 수 있다.In the database unit DB, information on the debtor's debt history may be stored. Here, the debt history information may include demographic information of the debtor, loan information in the month, and delinquency information in the month. In addition, the database unit DB may store financial information including income information, property information, credit information, and dependent family information of the debtor, along with the debt history information. Among the information stored in the database unit DB, the debt history information may be used to generate time series learning data by the data generating unit 100 as described later.

데이터 생성부(100)는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 데이터베이스부(DB)로부터 추출하고, 추출된 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성할 수 있다. 여기서, 과거의 설정 기간이라 함은 현재 시점으로부터 과거로 역산되는 기간으로 설계자가 설정한 기간을 의미한다(예: 6개월)The data generator 100 may generate time series learning data by extracting the debt history information of the debtor for a set period in the past based on the current time point from the database unit DB, and time-series the extracted debt history information. . Here, the set period in the past refers to the period set by the designer as the period inverted from the present point to the past (eg, 6 months).

전술한 것과 같이 채무 이력 정보는 채무자의 인구통계정보와, 해당 월의 대출정보 및 해당 월의 연체정보를 포함할 수 있으며, 하기 표 1은 채무 이력 정보의 예시를 나타낸다.As described above, the debt history information may include demographic information of the debtor, loan information for the month, and delinquency information for the month, and Table 1 below shows examples of debt history information.

항목Item 속성property
인구통계정보
Demographic information 나이age 성별gender 남: 0M: 0 여: 1W: 1

대출정보

Loan Information 해당 월의 보유 대출 개수Number of loans held for the month 해당 월의 업권 코드 별 개수Number of each business voucher code for the month 해당 월의 대출 상품 별 개수Number of loan products per month 마지막 대출 월로부터 경과 일수Number of days since the last loan month 해당 월의 대출 잔액의 평균Average of loan balance for the month 전 달 대비 대출 평균 잔액 증가량Average increase in loan balance compared to the previous month 연체정보Overdue information 채무불이행 여부Whether to default on debt 정상: 0Normal: 0 채무불이행: 1Default: 1

데이터 생성부(100)는 과거의 설정 기간에 대한 채무 이력 정보를 월 별로 시계열화하여 시계열 학습 데이터를 생성할 수 있다. 예를 들어, 설정 기간이 6개월로 설정된 경우를 가정하면, 데이터 생성부(100)는 표 1과 같은 6개의 채무 이력 정보에 각각 해당 월에 따른 timestep을 부가하는 방식으로 각 채무 이력 정보를 월 별로 시계열화함으로써 시계열 학습 데이터를 생성할 수 있다(즉, 시계열 학습 데이터는 6개의 채무 이력 정보의 세트(set)를 의미한다). 이 경우, 표 1의 성별 및 채무불이행 여부와 같은 명목형 데이터는 Label Encoder를 통해 바이너리 형식의 데이터로 변환될 수 있다. 도 2는 데이터베이스부(DB)로부터 추출된 6개의 채무 이력 정보가 시계열화되어 시계열 학습 데이터가 생성된 후, 후술하는 기계 학습 모델에 적용되는 예시를 도시하고 있다. 예측 모델 생성부(200)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성할 수 있다. 여기서, 채무불이행 예측 모델을 생성하기 위해 사용되는 기계 학습 모델로서 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이 채용될 수 있다.The data generator 100 may generate time series learning data by time-seriesizing the debt history information for the past set period for each month. For example, assuming that the set period is set to 6 months, the data generation unit 100 stores each debt history information by adding a time step according to the month to each of the six debt history information shown in Table 1. Time-series learning data can be generated by time-seriesing each (that is, time-series learning data means a set of six debt history information). In this case, nominal data such as gender and debt default in Table 1 may be converted into binary data through a Label Encoder. FIG. 2 shows an example of applying to a machine learning model to be described later after 6 pieces of debt history information extracted from the database unit DB are time-seriesized to generate time-series learning data. The prediction model generator 200 predicts the debtor's default after the current point of time by applying the time series training data generated by the data generator 100 to a predefined machine learning model to learn about the machine learning model. You can create a default prediction model for Here, as a machine learning model used to generate the default prediction model, a model according to a recurrent neural network (RNN) may be employed.

도 3 및 도 4는 순환 신경망의 구조를 도시하고 있다. 도 3 및 도 4를 참조하여 순환 신경망의 구조에 대하여 개괄적으로 설명하면, Xt, ht, Ot는 각각 시점 t에서의 입력값, 출력값, 히든 스테이트(hidden state)를 의미하며, ht 및 Ot는 하기 수학식 1에 따른다.3 and 4 illustrate the structure of a recurrent neural network. When the structure of the recurrent neural network is outlined with reference to FIGS. 3 and 4, X t , h t , and O t denote input values, output values, and hidden states at time t, respectively, and h t And O t is according to Equation 1 below.

Figure 112018118357952-pat00001
Figure 112018118357952-pat00001

도 3의 U는 입력값을 히든 스테이트로 보내는 파라미터, V는 이전 히든 스테이트에서 다음 히든 스테이트로 보내는 파라미터, W는 히든 스테이트에서 출력값으로 보내는 파라미터를 의미하며, 모든 시점(timestep)에서 파라미터는 공유된다. 자세히는, 시점 t일 때 t에서의 정보와 t-1 시점의 히든 스테이트의 출력값이 결합하여 t의 히든 스테이트의 출력값이 되고, 이것이 t+1 시점에 영향을 주는 과정이 반복되면서 U, V, W에 대한 학습이 진행된다. 학습 시 BPTT(BackPropagatino Through Time) 알고리즘이 적용될 수 있으며, 파라미터(U, V, W)에 대한 오차의 그레디언트(gradient)를 역전파함으로써 파라미터(U, V, W)가 업데이트된다.In Fig. 3, U is a parameter that sends an input value to the hidden state, V is a parameter that is sent from the previous hidden state to the next hidden state, and W is a parameter that is sent from the hidden state to an output value, and the parameters are shared at all timesteps. . Specifically, at time t, the information at t and the output value of the hidden state at time t-1 are combined to become the output value of the hidden state at time t, and the process of affecting the time t+1 is repeated, and U, V, Learning about W is in progress. During learning, the BPTT (BackPropagatino Through Time) algorithm can be applied, and parameters (U, V, W) are updated by backpropagating the gradient of the error for the parameters (U, V, W).

전술한 RNN에 따른 기계 학습 모델을 기반으로, 예측 모델 생성부(200)는 시계열 학습 데이터에 포함된 채무자의 월 별 채무 이력 정보를 기계 학습 모델에 순차적으로 입력하여 기계 학습 모델에 대한 학습을 수행함으로써 채무불이행 예측 모델을 생성할 수 있다. 이에 따라, 예측 모델 생성부(200)는 채무자의 월 별 채무 이력 정보를 순차적으로 입력받아 파라미터에 대한 학습을 수행하고 완료함으로써 채무불이행 예측 모델을 생성할 수 있다.Based on the machine learning model according to the above-described RNN, the prediction model generation unit 200 sequentially inputs the debtor's monthly debt history information included in the time series learning data into the machine learning model to perform training on the machine learning model. By doing so, a default prediction model can be created. Accordingly, the prediction model generation unit 200 may generate a debt default prediction model by sequentially receiving the debtor's monthly debt history information, learning about the parameter, and completing it.

채무불이행 예측부(300)는 예측 모델 생성부(200)에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측할 수 있다. The debt default prediction unit 300 inputs the time series learning data generated by the data generation unit 100 to the debt default prediction model generated by the prediction model generation unit 200 to predict the debtor default after the current point in time. I can.

구체적으로는, 채무불이행 예측부(300)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 채무불이행 예측 모델에 입력함으로써, 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 채무자의 채무불이행을 예측할 수 있다. 예를 들어, 시계열 학습 데이터에 포함된 채무 이력 정보가 1월 내지 6월에 해당하는 채무 이력 정보인 경우, 채무불이행 예측부(300)는 1월 내지 6월에 대한 각 채무 이력 정보를 채무불이행 예측 모델에 입력함으로써 7월에 대한 채무자의 채무불이행을 예측할 수 있다.Specifically, the default prediction unit 300 inputs the time series training data generated by the data generation unit 100 into the default prediction model, so that the debtor in the next month of the last month reflected in the generation of the time series training data Debt defaults can be predicted. For example, if the debt history information included in the time series learning data is debt history information corresponding to January to June, the debt default prediction unit 300 determines the debt history information for January to June. By inputting into the predictive model, we can predict the debtor's default for July.

도 5는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하기 위한 흐름도이다.5 is a flowchart illustrating a method for predicting default based on machine learning according to an embodiment of the present invention.

도 5를 참조하여 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하면, 먼저 데이터 생성부(100)는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성한다(S100). 전술한 것과 같이 채무자의 채무 이력 정보는 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함할 수 있으며, 이에 따라 S100 단계에서 데이터 생성부(100)는 과거의 설정 기간에 대한 채무 이력 정보를 월 별로 시계열화하여 시계열 학습 데이터를 생성할 수 있다.Referring to FIG. 5, a machine learning-based debt default prediction method according to an embodiment of the present invention will be described. First, the data generation unit 100 stores the debt history information of the debtor for a past set period based on the present time. Time-series training data is generated by time-series (S100). As described above, the debtor's debt history information may include the debtor's demographic information, loan information for the month, and delinquency information for the month. Accordingly, in step S100, the data generator 100 Time-series learning data can be generated by time-seriesizing the debt history information for each month.

이어서, 예측 모델 생성부(200)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성한다(S200). S200 단계에서 사용되는 기계 학습 모델로서 순환 신경망에 따른 모델이 채용될 수 있다. 이에 따라, S200 단계에서 예측 모델 생성부(200)는 시계열 학습 데이터에 포함된 채무자의 월 별 채무 이력 정보를 기계 학습 모델에 순차적으로 입력하여 기계 학습 모델에 대한 학습을 수행함으로써 채무불이행 예측 모델을 생성할 수 있다.Subsequently, the predictive model generation unit 200 applies the time series training data generated by the data generation unit 100 to a predefined machine learning model to learn about the machine learning model, thereby preventing the debtor's default from the current point in time. A debt default prediction model is generated for prediction (S200). As a machine learning model used in step S200, a model according to a recurrent neural network may be employed. Accordingly, in step S200, the prediction model generation unit 200 sequentially inputs the debtor's monthly debt history information included in the time series training data into the machine learning model and performs training on the machine learning model to generate the default prediction model. Can be generated.

이어서, 채무불이행 예측부(300)는 예측 모델 생성부(200)에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측한다(S300). S300 단계에서, 채무불이행 예측부(300)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 채무불이행 예측 모델에 입력함으로써, 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 채무자의 채무불이행을 예측할 수 있다.Subsequently, the debt default prediction unit 300 inputs the time series learning data generated by the data generation unit 100 to the debt default prediction model generated by the prediction model generation unit 200, and the debtor defaults after the current point in time. It predicts (S300). In step S300, the debt default prediction unit 300 inputs the time series training data generated by the data generation unit 100 into the debt default prediction model, so that the debtor in the next month of the last month reflected in the generation of the time series training data Debt defaults can be predicted.

한편, S100 단계 내지 S300 단계는 연속적으로 수행되는 시계열적 구성으로 구현될 수도 있고, S100 단계 및 S200 단계를 통해 채무불이행 예측 모델을 생성한 후, 차후 S100 단계를 통해 채무자의 월 별 채무 이력 정보를 추출하고 S300 단계를 수행함으로써 채무자의 채무불이행을 예측하는 시계열적 구성으로 구현될 수도 있다.On the other hand, steps S100 to S300 may be implemented in a time-series configuration that is continuously performed, and after generating a default prediction model through steps S100 and S200, the monthly debt history information of the debtor is transmitted through the subsequent step S100. By extracting and performing step S300, it may be implemented in a time-series configuration that predicts the default of the debtor.

이와 같이 본 실시예는 채무자의 채무 이력 정보가 반영된 소정의 시계열 데이터를 기반으로 기계 학습 모델을 학습하고, 그 학습을 통해 생성되는 채무불이행 예측 모델을 이용하여 채무자의 채무 불이행을 예측함으로써, 채무불이행에 대한 인위적인 평가로 인해 야기되는 신뢰성 저하 문제를 제거함과 동시에 그 예측 결과의 객관성을 보장할 수 있다.As described above, this embodiment learns a machine learning model based on predetermined time series data reflecting the debtor's debt history information, and predicts the debtor's default by using the default prediction model generated through the learning. It is possible to ensure the objectivity of the prediction result while eliminating the problem of reliability degradation caused by artificial evaluation of

본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.The implementation described herein may be implemented in, for example, a method or process, an apparatus, a software program, a data stream or a signal. Although discussed only in the context of a single form of implementation (eg, only as a method), the implementation of the discussed features may also be implemented in other forms (eg, an apparatus or program). The device may be implemented with appropriate hardware, software and firmware. The method may be implemented in an apparatus such as a processor, which generally refers to a processing device including, for example, a computer, microprocessor, integrated circuit or programmable logic device, or the like. Processors also include communication devices such as computers, cell phones, personal digital assistants ("PDAs") and other devices that facilitate communication of information between end-users.

이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.As described above, the present invention has been described with reference to the embodiments shown in the drawings, but these are only exemplary, and those of ordinary skill in the field to which the technology pertains, various modifications and other equivalent embodiments are possible. I will understand the point. Therefore, the technical protection scope of the present invention should be determined by the following claims.

DB: 데이터베이스부
100: 데이터 생성부
200: 예측 모델 생성부
300: 채무불이행 예측부DB: database
100: data generation unit
200: prediction model generation unit
300: Debt default prediction unit

Claims (10)

현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부;
상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부; 및
상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 채무불이행 예측부;
를 포함하고,
상기 데이터 생성부는, 상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되,
상기 채무 이력 정보는, 상기 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하고,
상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이고,
상기 예측 모델 생성부는, 상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하고,
상기 채무불이행 예측부는, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 하는 기계 학습 기반의 채무불이행 예측 장치.
A data generator configured to time-series information on the debtor's debt history for a past set period based on a current point in time to generate time-series learning data;
By applying the time-series learning data generated by the data generator to a predefined machine learning model and performing learning on the machine learning model, a default prediction model is generated for predicting the default of the debtor after the current point in time. A predictive model generation unit; And
A debt default prediction unit for predicting the default of the debtor after the current point in time by inputting the time series training data generated by the data generator to the default prediction model generated by the prediction model generator;
Including,
The data generation unit generates the time series learning data by time-seriesizing the debt history information for the past set period on a monthly basis,
The debt history information includes demographic information of the debtor, loan information for the month, and delinquency information for the month,
The machine learning model is a model according to a recurrent neural network (RNN),
The prediction model generation unit generates the debt default prediction model by sequentially inputting monthly debt history information of the debtor included in the time series learning data into the machine learning model and learning the machine learning model,
The debt default prediction unit predicts the debtor default in the next month of the last month reflected in the generation of the time series learning data by inputting the time series learning data generated by the data generation unit into the debt default prediction model. Machine learning-based default prediction device, characterized in that.
 삭제delete 삭제delete 삭제delete 삭제delete 데이터 생성부가, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 단계;
예측 모델 생성부가, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 단계; 및
채무불이행 예측부가, 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 단계;
를 포함하고,
상기 시계열 학습 데이터를 생성하는 단계에서, 상기 데이터 생성부는,
상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되,
상기 채무 이력 정보는, 상기 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하고,
상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이고,
상기 채무불이행 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하고,
상기 채무불이행을 예측하는 단계에서, 상기 채무불이행 예측부는,
상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 하는 기계 학습 기반의 채무불이행 예측 방법.Generating, by the data generation unit, time-series information on the debtor's debt history for a past set period based on a current time point;
The prediction model generation unit applies the time series training data generated by the data generation unit to a predefined machine learning model to perform learning on the machine learning model, thereby predicting the debtor's default of the debt after the current point in time. Generating a default prediction model; And
Predicting the default of the debtor after the current point in time by inputting time-series learning data generated by the data generator into the default prediction model generated by the predictive model generator;
Including,
In the step of generating the time series learning data, the data generation unit,
Generating the time series learning data by time-seriesizing the debt history information for the past set period for each month,
The debt history information includes demographic information of the debtor, loan information for the month, and delinquency information for the month,
The machine learning model is a model according to a recurrent neural network (RNN),
In the step of generating the default prediction model, the prediction model generation unit,
The debt default prediction model is generated by sequentially inputting monthly debt history information of the debtor included in the time series learning data into the machine learning model and learning about the machine learning model,
In the step of predicting the default, the default prediction unit,
Machine learning, characterized in that by inputting the time series training data generated by the data generator into the debt default prediction model, predicting the debtor default in the next month of the last month reflected in the generation of the time series training data Based on default prediction method. 삭제delete 삭제delete 삭제delete 삭제delete
KR1020180148511A 2018-11-27 2018-11-27 Apparatus for predicting loan defaults based on machine learning and method thereof KR102174608B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180148511A KR102174608B1 (en) 2018-11-27 2018-11-27 Apparatus for predicting loan defaults based on machine learning and method thereof
PCT/KR2018/016965 WO2020111376A1 (en) 2018-11-27 2018-12-31 Machine learning-based default prediction device and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180148511A KR102174608B1 (en) 2018-11-27 2018-11-27 Apparatus for predicting loan defaults based on machine learning and method thereof

Publications (2)

Publication Number Publication Date
KR20200068069A KR20200068069A (en) 2020-06-15
KR102174608B1 true KR102174608B1 (en) 2020-11-05

Family

ID=70853433

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180148511A KR102174608B1 (en) 2018-11-27 2018-11-27 Apparatus for predicting loan defaults based on machine learning and method thereof

Country Status (2)

Country Link
KR (1) KR102174608B1 (en)
WO (1) WO2020111376A1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102430125B1 (en) * 2020-09-07 2022-08-08 김성호 System and method for managing risk of debtor accout for peer to peer finance
US20220318617A1 (en) * 2021-04-01 2022-10-06 The Toronto-Dominion Bank Predicting future events of predetermined duration using adaptively trained artificial-intelligence processes

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101802866B1 (en) * 2015-12-30 2017-11-29 주식회사 솔리드웨어 Target information prediction system using big data and machine learning and method thereof
US10410113B2 (en) * 2016-01-14 2019-09-10 Preferred Networks, Inc. Time series data adaptation and sensor fusion systems, methods, and apparatus
JP6354059B2 (en) * 2016-09-20 2018-07-11 株式会社ココペリ Financial information analysis system and program
KR102127449B1 (en) * 2017-02-08 2020-06-26 사회복지법인 삼성생명공익재단 Apparatus, method, and computer program for generating survival rate prediction model

Also Published As

Publication number Publication date
WO2020111376A1 (en) 2020-06-04
KR20200068069A (en) 2020-06-15

Similar Documents

Publication Publication Date Title
Guresen et al. Using artificial neural network models in stock market index prediction
CN111192131A (en) Financial risk prediction method and device and electronic equipment
CN112270547A (en) Financial risk assessment method and device based on feature construction and electronic equipment
US11055772B1 (en) Instant lending decisions
US11276071B2 (en) Unified artificial intelligence model for multiple customer value variable prediction
EP4109377A1 (en) System, method and apparatus for modeling loan transitions
WO2020107100A1 (en) Computer systems and methods for generating valuation data of a private company
US11037236B1 (en) Algorithm and models for creditworthiness based on user entered data within financial management application
US11803793B2 (en) Automated data forecasting using machine learning
US20220004923A1 (en) Systems and methods for model explanation
KR102174608B1 (en) Apparatus for predicting loan defaults based on machine learning and method thereof
Cao et al. Gamma and vega hedging using deep distributional reinforcement learning
Zhao et al. Revolutionizing finance with llms: An overview of applications and insights
AU2020377394B2 (en) Hierarchical deep neural network forecasting of cashflows with linear algebraic constraints
CN112200340A (en) Block chain system for predicting escaping waste and debt
US11636536B2 (en) Systems and methods for automating pricing desk operation
CN108256667A (en) Asset data processing method, device, storage medium and computer equipment
US20190354854A1 (en) Adjusting supervised learning algorithms with prior external knowledge to eliminate colinearity and causal confusion
KR102519878B1 (en) Apparatus, method and recording medium storing commands for providing artificial-intelligence-based risk management solution in credit exposure business of financial institution
Yazdani Developing a model for validation and prediction of bank customer credit using information technology (case study of Dey Bank)
Jumoorty et al. High frequency volatility forecasting: A new approach using a hybrid ANN‐MC‐GARCH model
JP7331944B2 (en) Learning system, learning method, appropriate interest rate prediction system, appropriate interest rate prediction method, program, and loan matching system
US11379879B1 (en) Method, referral server and network for providing targeted advertisements to users
US20230401417A1 (en) Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action
US20240013295A1 (en) Explaining adverse actions in credit decisions using shapley decomposition

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right