Resumen de A Simple Credit Rating Prediction Model for FinTech Companies Using SMOTE and MRMR Techniques

Jesús Gopar Sánchez

• español

  Las empresas fintech han mejorado la eficiencia de la industria financiera y han umentado la inclusión financiera. Sin embargo, también han incorporado nuevos riesgos al sistema financiero. Los reguladores, los inversionistas y los investigadores están preocupados de que sus dificultades financieras puedan afectar a todo el sistema financiero. Nuestro estudio tiene como objetivo profundizar en la eficacia de las técnicas de machine learning (aprendizaje automático) para identificar alertas tempranas de deterioro del riesgo crediticio de las fintech. Valiéndonos de medidas contables y de mercado comúnmente empleadas en la literatura, creamos varios clasificadores para predecir las calificaciones crediticias de las fintech. Los algoritmos de clasificación enfrentan un desafío cuando el número de observaciones entre clases no es equivalente, lo que afecta su desempeño. Debido al tamaño limitado de las fintech que cotizan en la bolsa y que tienen una calificación crediticia a nivel de emisor, nuestra base de datos incluye pocas observaciones y está muy desequilibrada. Los resultados de nuestro estudio muestran que la técnica de sobremuestreo SMOTE mejora el poder predictivo de los algoritmos de aprendizaje automático y que los algoritmos de selección de características como MRMR permiten la generación de modelos más sencillos y fáciles de entender. Nuestros resultados sugieren que los algoritmos de clasificación basados en KNN tienen mayor precisión para predecir las calificaciones crediticias de las fintech.

• English

  FinTech companies have made the financial industry more efficient and have increased financial inclusion. However, it has also brought new risks to the financial system. Regulators, investors, and researchers are concerned that their financial difficulties could affect the financial system. Our study aims to delve deeper into the effectiveness of machine learning techniques in identifying early warnings of FinTech companies’ credit risk impairment. Using commonly employed accounting and market measures in the literature, we created various classifiers to predict FinTech credit ratings. Classification algorithms face a challenge when the number of observations between classes is not equivalent, affecting their performance. Due to the limited size of publicly traded FinTech stocks with an issuer-level credit rating, our database has few observations and is highly imbalanced. The results of our study show that the SMOTE oversampling technique improves the predictive power of machine learning algorithms and that feature selection algorithms such as MRMR allow the generation of less complex and easierto-understand models. Our results suggest that the KNN classification algorithm has higher accuracy in predicting FinTech’s credit ratings.