Estrechamente relacionado con la respuesta de Mike está la predicción de bancarrota. Las entidades de interés varían desde individuos (nuevamente tarjetas de crédito) hasta empresas e industrias específicas.
Para obtener una visión general de los métodos aplicados, los resultados y el estado del arte, recomiendo a Gissel et al. 2007 [1]. Evalúa y clasifica la investigación en esta área desde 1930 hasta hace poco y proporciona una buena narración además de eso.
Más recientemente, me gustó específicamente el trabajo de predecir el incumplimiento de los datos de la tarjeta de crédito [2] y un enfoque basado en SOM para visualizar la dinámica y el desarrollo a lo largo del tiempo de un caso de bancarrota [3].
A menudo, se verá que la precisión predictiva de los mismos datos solo varía marginalmente con el enfoque algorítmico, lo que lleva a la idea de que las dimensiones incluidas de los datos (por ejemplo, información contextual) importan al menos. Esto también se presenta sucintamente en [1].
Limitando la cuestión de la bancarrota a las redes (como en el caso de los pares que solicitaban), me viene a la mente la investigación del ETH Zürich [4]. Optaron por un análisis visualmente atractivo de cómo la crisis en 2008 se extendió por los principales bancos, dadas sus relaciones de crédito / deuda entrelazadas.
El “DebtRank” y la conexión de los bancos antes (a) y en el medio (b) de la crisis de 2007. El rojo para los puntos (bancos) y las conexiones interbancarias indica una mayor centralidad del valor económico compartido. Es decir, cuán fuertemente dependen los bancos del valor económico de otro banco.
Dicho esto, la visualización en fintech puede ser un factor importante para atraer el juicio humano donde la automatización total en un verdadero sentido de aprendizaje automático no es (todavía) suficiente. Seguramente, este campo es apto para la democratización, ya que proporciona herramientas similares utilizadas por expertos ahora, para personas no tan inclinadas pero con alta usabilidad [5]. Es por eso que creo que vale la pena explorar su pregunta y espero que este informe le dé una buena indicación.
- Cómo diferenciar entre características globales y características locales en una imagen
- ¿Cuál es el orden jerárquico del universo?
- ¿Cuál es la diferencia entre el clasificador Naive Bayes y la máquina Bayes Point?
- Me gustaría trabajar en Apple como ingeniero de Machine Learning. Sé un poco de Python y R, ¿cómo me distingo de otros candidatos?
- Si planeo obtener un doctorado en aprendizaje de refuerzo teórico, ¿qué profesores y universidades debería considerar?
Fuentes:
[1] Gissel, JL, Giacomino, DE y Akers, MD (2007). Una revisión de los estudios de predicción de bancarrota: 1930 al presente. Journal of Financial Education , 33 (invierno), 1-42. Recuperado de una revisión de los estudios de predicción de bancarrota: 1930 al presente
[2] Xiong, T., Wang, S., Mayers, A. y Monga, E. (2013). Predicción de quiebra personal mediante la extracción de datos de tarjetas de crédito. Sistemas expertos con aplicaciones , 40 (2), 665–676. doi: 10.1016 / j.eswa.2012.07.072
[3] Chen, N., Ribeiro, B., Vieira, A. y Chen, A. (2013). Agrupación y visualización de la trayectoria de bancarrota utilizando un mapa autoorganizado. Sistemas expertos con aplicaciones , 40 (1), 385–393. doi: 10.1016 / j.eswa.2012.07.047
[4] Battiston, S., Puliga, M., Kaushik, R., Tasca, P. y Caldarelli, G. (2012). DebtRank: ¿demasiado central para fallar? Redes financieras, la FED y el riesgo sistémico. Scientific Reports , 2 , 541. doi: 10.1038 / srep00541 DebtRank: ¿demasiado central para fallar? Redes financieras, la FED y el riesgo sistémico
[5] Eche un vistazo, por ejemplo, al Cuantemplate de Anthemis: Innovación en el mercado de seguros: QuanTemplateTekfin y ahora la Selección Automática de Préstamos e Inversión de Runa Capital en préstamos entre pares