Deep Learning de fiabilidad de préstamos

Anoche viendo un vídeo del "Google I/O '18" sobre Deep Learning (no pienso decir Aprendizaje Profundo ) me surgió la idea, que seguramente ya usan las plataformas de prestamos, de hacer una aplicación que me dijera las probabilidades de que un préstamo se retrase o incluso entre en default. Para esto habría que alimentarla con los datos de las plataformas y luego en una app para el móvil se meten los datos del préstamo (las que lo dan) de edad, país, antiguedad como cliente, número de prestamos, hombre/mujer, etc.  (o se capturan con una foto, esto ya es para sobresaliente) y nos dice las probabilidades de que se retrase o entre en default. Como la predicción de la lluvia de las aplicaciones de tiempo.

¿Creeis que tiene sentido hacerla?

Yo creo que tiene mucho sentido hacerla pero tengo dudas:

¿Son suficientes los datos de las plataformas en los que no te dan absolutamente ninguna información sobre las finanzas de los clientes?

Si te vas a meter con modelos predictivos, no merece más la pena hacerlos con acciones del Eurostoxx o incluso con partidos de fútbol??



En mi opinión con los datos que dan hasta ahora: edad, sexo, localización, cantidad pedida, plazo y poco más...creo que los datos no serían suficientes.

Khenir escribió:

¿Son suficientes los datos de las plataformas en los que no te dan absolutamente ninguna información sobre las finanzas de los clientes?

Claro mientras más información, mejor se puede acotar donde está el peligro. Cada dato adicional puede aumentar la tasa de acierto (o no). Si acertamos el 75%, mejor que acertar un 60%. El deep learning lo que hace es recibir datos y respuestas para convertirlas en reglas. Luego se le da reglas y datos para convertirlos en respuestas. Si hay forma de obtener reglas para aumentar la tasa de acierto, las obtendrá, y si no, pues nos quedaremos como estamos. Si le das 50000 imágenes de números escritos a mano del 0 al 9, luego practicamente te acertará el 100% de los números escritos a mano que le pases en una imagen. Si le pasas 50000 imágenes de perros y gatos y le dices en cual hay un perro y en cual hay un gato, luego tendrá una tasa de acierto bastante alta al decir si lo que le pasas en una imagen es un perro o un gato.

Khenir escribió:

Si te vas a meter con modelos predictivos, no merece más la pena hacerlos con acciones del Eurostoxx o incluso con partidos de fútbol??

No es lo mismo, la complejidad es varios ordenes de magnitud mayor. No es como un si o un no.

Khenir escribió:

En mi opinión con los datos que dan hasta ahora: edad, sexo, localización, cantidad pedida, plazo y poco más...creo que los datos no serían suficientes.

La cuestión no es si es suficiente, es si con esos datos cuanto puede mejorar la tasa de acierto que ya tiene una predicción aleatoria. Por ejemplo, si nos equivocamos la mitad que entrandole a todo, y perdemos un 6% en ese tipo de prestamos, ya solo perdemos el 3% y por tanto es un beneficio. Y todo de forma automática.

Hola,

si esos sistemas de scoring ya se usan por los loan originator,, como siempre son datos en muchas veces aleatorios y muy locales.

En otras palabras, por ejemplo el sexo, en un país es posible que los hombres sean peor pagadores que las mujeres en un X % , pero no tiene por que ser igual en el país vecino, lógicamente cuanto mas amplios los datos mejores resultados teóricamente.

Un compañero y yo mismo montamos el scoring de limites de crédito hará unos 18 o 20 años, de la empresa en la que trabajo, y ha estado vigente hasta septiembre del 2017 con resultados muy positivos aunque este mal decirlo.

Ahora por temas de globalidad esta función se la han llevado fuera, pero cuando me presentaron el nuevo interface me reí bastante , porque el 80% era calcado y el resto eran variantes que no pudimos implementar en nuestro ERP por deficiencias técnicas, es decir nuestro viejo SAP se quedaba frito

De todas formas yo estoy hablando de una docena de variables para el calculo del limite de créditos a empresas, cuando bajamos a nivel de prestamos personales creo que la matriz incorporaría tantas variables que seria enormemente compleja de gestionar.

Yo no tengo ni idea de programación, pero la app tendría que tener las BBBR Bueno , Bonito Barato y Rapido.

¿de donde sacar la base de datos? cada plataforma tendrá un proveedor , aunque seguramente alguna comparta el mismo.

Lo suyo seria obtener la base de datos original para la asignación del % préstamo y después comparar con la realidad del préstamo para poder obtener un modelo predictivo.

Esto es un planteamiento muy distinto. Primero se coje el histórico de cada plataforma de la propia web, lo que es accesible a un usuario cualquiera. Se genera el modelo ( o reglas) y se usa este modelo para predecir. Cada cierto tiempo (depende de lo automatizable que sea este proceso) se descargan nuevos datos y se actualiza el modelo.

No me he metido con el deep learning aún, pero por lo que se el modelo no ocuparía demasiado para esto.

Con un clasificador bayesiano ingenuo si me he metido, para identificar el idioma de una frase, y con esta técnica esto mismo podría hacerse facilmente y sin que se quedara colgado nada, de hecho el mismo móvil podría hacer la predicción de forma prácticamente instantanea.

Bueno pero no tendría sentido usar este sistema para prestamos con garantía BB , por que al fin y al cabo el tema de default esta cubierto.

Tendría sentido en otro tipo de plataforma como Bondora , donde las tasas de intereses están por encima del 20% pero sin BB, , eso si un solo fallo y la rentabilidad estaría por debajo del 10% , con lo cual  mejor nos quedamos con el BB

Sin embargo, un modelo como ese para hacer trading con cryptos o futuros , seria cojonudo para intradia si aciertas 3 de cada 4

Por ejemplo yo he estado trasteando con las cryptos estos dias, y analizando el intradia,

creo que hay una pauta entre las 12 de la noche y las 3 o 4 de la mañana que hay un valle en la cotización ya sea alcista o bajista, y entre las 10 de la mañana y las 12/13 horas hay un pico.

Si se lograse monitorizar las 24h , se podria preveer un circulo de compras / ventas muy rentable , no crees??

Si me haces algo asi, participo en lo que quieras

Admin escribió:

De todas formas yo estoy hablando de una docena de variables para el calculo del limite de créditos a empresas, cuando bajamos a nivel de prestamos personales creo que la matriz incorporaría tantas variables que seria enormemente compleja de gestionar.

Yo creo que esta es la clave. Por eso decía lo del fútbol o las acciones, porque hay muchísima más información disponible. Al final, en la probabilidad de impago influye desde el trabajo del cliente, hasta factores culturales... por no hablar de los estrictamente económicos como ratio ingresos/endeudamiento de los que no tenemos información.

Supongo que con el deep learning se pueden hacer maravillas, pero puestos a hacerlas, iría sobre temas en los que la información disponible sea más completa.

El tema de las criptomonedas también me parece más adecuado que los préstamos personales de estas plataformas.

Admin escribió:

Bueno pero no tendría sentido usar este sistema para prestamos con garantía BB , por que al fin y al cabo el tema de default esta cubierto.

Si se hiciese bien para los préstamos personales, sí tendría sentido porque los que no tienen buyback ofrecen más rentabilidad que los que sí lo tienen (a veces) con lo que podría estimarse mejor cuando merecen la pena unos u otros.