Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: -Cfx~9]S}jVz*$!%{M[t1rqA8=E]#[!/Ydh'ED_[8mxAwpaVQl=XV3E#.

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 2

WP(4/2021)352. Concept of peer-to-peer lending and application of machine learning in credit scoring

Autorzy: Klimowicz Aleksy, Spirzewski Krzysztof
Numerous applications of AI are found in the banking sector. Starting from front-office, enhancing customer recognition and personalized services, continuing in middle-office with automated fraud-detection systems, ending with back-office and interna…

WP352. Concept of peer-to-peer lending and application of machine learning in credit scoring

Numerous applications of AI are found in the banking sector. Starting from front-office, enhancing customer recognition and personalized services, continuing in middle-office with automated fraud-detection systems, ending with back-office and internal processes automatization. In this paper we provide comprehensive information on the phenomenon of peer-to-peer lending in the modern view of alternative finance and crowdfunding from several perspectives. The aim of this research is to explore the phenomenon of peer-to-peer lending market model. We apply and check the suitability and effectiveness of credit scorecards in the marketplace lending along with determining the appropriate cut-off point.
We conducted this research by exploring recent studies and open-source data on marketplace lending. The scorecard development is based on the P2P loans open dataset that contains repayments record along with both hard and soft features of each loan. The quantitative part consists of applying a machine learning algorithm in building a credit scorecard, namely logistic regression.


Klimowicz Aleksy, Spirzewski Krzysztof
artificial intelligence peer-to-peer lending credit risk assessment credit scorecards logistic regression machine learning

WP(16/2019)301. A comparison of credit scoring techniques in Peer-to-Peer lending

Autorzy: Dzik-Walczak Aneta, Heba Mateusz
Credit scoring has become an important issue as the competition among financial institutions becomes very intense and even a slight improvement in accuracy of prediction might translate into significant savings. Financial institutions are seeking opt…

WP301. A comparison of credit scoring techniques in Peer-to-Peer lending

Credit scoring has become an important issue as the competition among financial institutions becomes very intense and even a slight improvement in accuracy of prediction might translate into significant savings. Financial institutions are seeking optimal strategies through the help of credit scoring models. Therefore credit scoring tools are widely studied. As a result different parametric statistical methods, non-parametric statistical tools and soft-computing approaches have been developed in order to increase the accuracy of credit scoring models. 

In this paper different approaches to classify customers as those who pay back loan and those who default on a loan will be employed. The purpose of this study is to explore the performance of two credit scoring techniques, the logistic regression model and neural networks. In order to evaluate the feasibility and effectiveness of these methods analysis is performed on Ledning Club data. Peer-to-Peer lending, also called social lending are investigated. On the basis of the results, we can conclude that logistic regression model can provide better performance than neutral nets.


Dzik-Walczak Aneta, Heba Mateusz
credit scoring credit risk Lending Club logistic regression neural nets peer-to-peer lending
  • 1