Utility-Maximizing Binary Prediction via the Nearest Neighbor Method and Its Application to Credit Scoring
基于最近邻的效用最大化二元预测及信用评分应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般二元分类与信用评分，未明确涉及离散选择行为、收益预测或尾部及系统性风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于最近邻的效用最大化二元预测及信用评分应用
- 研究问题
- 在预测变量较多时，如何构造以效用为目标的非参数二元预测规则，并允许最近邻数量由数据选择？
- 方法与思路
- 作者提出效用最大化框架下的 k 近邻规则，其中一种先进行变量选择，再构造预测，并研究数据依赖的 k 选择下的效用一致性。
- 材料陈述的贡献
- 摘要称在正则条件下建立效用一致性；点对点借贷信用评分应用发现，常用经济周期预测变量对盈利改善有限。
- 阅读关注点
- 应核对效用函数、变量选择与 k 选择的程序、一致性的维度限制，以及信用评分中盈利评价和样本划分的方法。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明正则条件、维度诅咒缓解程度及盈利变化数值，二元预测也不等同于离散选择建模。
原文摘要
We propose nonparametric k-nearest neighbor prediction rules under the framework of utility-maximizing binary prediction with possibly many predictors. One of these prediction rules, with an attempt to “break” the curse of dimensionality, is constructed based on the predictors selected by variable selection methods. We establish that allowing for the data-dependent selection of parameter k, these prediction rules are utility consistent under regularity assumptions. Such utility consistency is confirmed by the simulation results. We illustrate these prediction rules with an application to credit scoring in peer-to-peer lending and find that common predictors of the business cycle yield limited improvement in profitability.