Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  3786 ~379 7   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . pp 3786 - 37 97          3786       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Fra m ework to  p redict  NP A/Willfu l default s in corp orate l oans:  a   big  data  approa ch       Giri ja   Attiger i ,  M anoh ara P ai M M ,  Radh ika  M  P ai    Depa rtment  o f  I nform at ion  and   Com m unic at ion Te chno log y ,   M a nipa l   Instit u te of   Technol og y ,   Manipa l   Aca d e m y   of  High er Ed uca t ion, Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r 6 , 2 01 9   Re vised  A pr 9 ,  201 9   Accepte d  Apr  1 8 , 201 9       Grow th  and  deve lopment  of  t he  ec onom y   is   depe ndent   on  the   banki ng   s y stem.  Bad  lo a ns  which  are   Non - Perform ing  Asset s  (NP A)  are   the   m ea sure  for  assess ing  the  fina nc ia l   health   of  the   b ank.   I t  i s  ver y   important  to  cont ro l   NP A  as  it   aff ect s  the   profitabilit y ,   and  d et er iora t es  the   qua li t y   o f  assets  of  the  bank.   It  is  observe d  tha t  the r e  is  a  signifi ca nt  ris e  in  the   num ber   of  will ful  def aulter s.   Hen ce   s y stemat ic  i dent ifica ti on,   a ware ness  and   a ss ess m ent   of   par amete rs  is  e ss ent ia l  for  e ar l y   pr edi c ti on  o f  will ful  def ault  beha vior .   The   m ai n  obj ec t ive   of  th e  pape r   is  to  ide nt if y   e xhausti ve  l ist  of   par amete r s   essenti a l  for  pre dicting  whether  the   loa n  will  bec om e  NP A  and  the r e b y   will ful  d efa u lt .   Thi s  proc ess  in cl udes  unde rsta nding  of  ex isti n g  s y stem  to   che ck   NP As   and  ide nt if y ing  the   c ritical  par amete rs.  Also  pro pose  a   fra m ework  for  NP A/W il lful   def aul t   ide n ti fi catio n.   Th e  fr amework  class ifi es   the   data  comprising  of  struct ure d  a nd  unstruct ure d  p ar amete rs  as   NP A/W il lful   def aul t   or  not .   In   or der   to   sel ec t   th e  best  c la ss ifi c at i o n  m odel   in   the   fra m ework  a n  expe riment at i on  is  conduc te d  on  loa n  dataset   on  big  data   pla tform.  Since  the   loa n  data   is  struct ure d,   unstruct ure d  co m ponent   is  inc orpora te d  b y  gene ra ti ng  s y nt het i c  data.   The   result s  indi c ate  tha t  ne ura l   net work m odel g ive s be st   a cc ur acy   and  h ence con sidere d  in the   fr a m ework.     Ke yw or d s :   Bi g  Data   Corporat e L oa n   Finan ci al  F ra ud   Ma chine  Le ar ni ng   Non Per form ing   Assets   Param et erizat i on   W il lf ul  def a ult   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ma nohar a   Pai  M M ,    Dep a rtm ent o f Info rm at ion  a nd C omm un ic ation   Tech nolo gy ,    Ma nip al  Insti tu te  o f  Tech nolo gy, Ma nip al   A cadem y of  H i gher  E ducat io n,   Ma nip al , 5 76104,  India.   Em a il :  m mm .p ai @m anipal.edu       1.   INTROD U CTION     Ba nk i ng  syst em   with  integra ti on   of  ad ve nt   te ch no l og y  he lps  to   f os te r   th e  eco nom ic   dev el opm ent.  They  perform   m ai nly  two  im portant  f un ct io ns .   O ne  is   m ob il iz ing   de po si ts  by  pro vid in g  at tract ive   int erest   rates  to  c onve r t  inert  savi ngs  into  act ive  ca pi ta l  and   s ec ond  is  distrib utin g  these  de posit s  thr ough  loa ns   t o  th e  corp or at es  t o  gro w  furthe r  t ha t  directl y  hel ps   i n  ec onom i c  de velo pm ent.  A vaili ng  loa n  has  bec om e  an  easy   process   in  I nd i a  with   the  c re di t  and  che que  s et tl e m ents.  Ba nk i ng  as  well   a s  N on - Ba nk i ng  Fina n ce  C om pan ie s  offer   dif fer e nt  ty pes  of   l oans  accor ding  to   requirem ents  of   c orp or at es   [1,  2].  T he  r equ i rem ents  can  be   purc hase  of  in ven t or y,   paym ent  of  l ong  un paid  bill s,  bu il ding  of  inf rastr uctu re,  purc ha se  of  e qu i pm e nt,  loa n  rep ay m ents  an d  s o  on   [ 3].  Ba sed   on  the   re qu i rem ents  loans  a re  br oad ly   cl assifi ed  as  Pers on al   L oa n ,   Credit   Ca rd   L oa n ,  H om e  Loan ,  Ve hicle   Loa n ,  E du cat io n  L oa n ,  Loa n  a gainst   the  I ns ura nce   Schem es/ FD /M utu al  fun ds ,  a nd   B usi ness  L oan   t o  Corporat es .  T he re  are  se veral   bu si ness  l oans  possible  su c h  as  Work i ng   capit al   loan  t o  us e  i n  day  to  day  act ivit ie s ,  Re al   Esta te   loan  t o  bu y   a  pro pe rty   for  pro du ct io n ,   Ve nture  loa n  t o  s t art  up   bu si ness ,  Line   of   c red it   loa n  for  certai n  fin ancial   assist an ce  per i od ic al ly ,    Eq uip m ent  loan  t o  assist   buyi ng   asset   req u i rem ents ,    Term   loan  t o  acq uire  long  te rm   fixed   asset s ,    Loa n  against  pr operty   fo r  s uppo rtin g  bu si ness  by  prov i ding  sec ur it y  to  the  c orp orat es ,    Ca sh   C re dit  facil it y  as  ov er dr a ft  ag ai nst   the  secu rity   of  the   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Framew or k  to pre dict N PA/W il lf ul d ef au lt s i n  c orpo r ate lo an s : a  big d ata a pp r oac h   ( Gir ij a  Att igeri )   3787   stock   by  pled gi ng   t he  c urre nt  asset s  a nd    L et te r  of  cre dit with  wh ic h   t he   ba nk  gua ran te es  that  the   sel le r  will   receive  paym e nt on  ce rtai n  c onditi ons.     I n  this  pap e r,   fo c us   is  on   th e   pr oc ess  of  m a nag i ng   c orp or a te   loan,   as  the  recovery  of  th ese  loans  is  te dio us  ta sk   a nd   it   af fects  econom y  of   the  country  hea vily .  Healt hy  bankin g  syst e m   rep rese nts  healt hy   econom y  of   th e  natio n.   How ever   t her e   are  hindra nces  t o  achieve  t he  re qu i red   set   up  f or   t he  sam e.  All  the   corp or at e  loa ns  bor rowe d  do  no t  e nd  up   a s  asset s  f or   t he  ba nk.  T her e   are   two  outc om es  of  the  l oan s:  On e   is  perform ing   asset s  and   a no t he r  one  is  N on - P erfor m ing   Asse ts  (N P A).  NPAs  are  the  l oa ns   w hich  ge ne rate  the   loss  in  capit al   of   banks  an d  a re  not  easi ly   r ecov e ra ble  by  the  banks .  Thi s  is  the  m os t  t edio us   chall en ge  f or  bankin g  sect or   as  it   im pacts  the  perfor m ance  by  decli ning  th e  prof it s.   I t  has  bec om e  m ajo r   pr ob le m   f or  al l  public  sect or  a nd  pri vate  sect or   ba nks.  Acc ordin g  to   RB I  repor t  2016,   to ta l  gr oss  NPA   am ou nt  was   6  la kh  crores.  By   2017  there  was  inc rease  of  1  la kh   cro re  [7.31  Cr ] .  Loss es  are  over  f our  t im es  m or e  than  the  prof it s  ind ic at in g NP A' s p owe r  to  tr ap  the  eco nom y of t he  c ountr y i n  vicio us de bt cycl e.     Ba nks  pro vide   bi g  loa ns  to   co rporat es  in   orde r  t o  ac hieve  higher   prof it s  [4 ] .   Com pan ie s   sta r t   beh a ving  a s  a  def a ulter  by  showi ng  losses   in  c om pan y' s  finan ce .  S om e  deliberatel y  don' t  rep ay   even  if   they   hav e   suffici e nt  fina ncial   res ources   to  pay.  Com pan ie s  pro po s e  to  pay  th ese  loa ns   by  ta king  oth e r  loa ns   from   m ul ti ple  banks .  U nr ec overa bl e  loan s  put  c om pan y  to  ba nkruptcy   sta tus.   Du e   to  t he  will fu l  def a u lt   be ha viour ,  m any  genuine  com pan ie s  do   no t  ge t  econo m ic   su ppor t  at   the  tim e  of   need   an d  m ay  end   up   i n  the  f ai lure.  Hen ce ,  su c h  c om pan ie s  m ay  no t  be  able  to   pay  existi ng   loan s,  an d  get  def a ulter  ta g.   Wh e n  an  in di vi du al   or  bu si ness  ente r pr ise   decli ne s  to  fu lfil l  paym ent  co m m itm ents  with  finan ci al   insti tuti on s  eve n  w he n  it   has   su f fici ent  capa ci ty   fo r  rep ay m ent,  su ch  a  bor rowe r  un it   is  con side re d  as  will fu l  def a ult.  More  ba d  loa ns   get  gen e rated  beca us e  of   e xisti ng   ba d  loa ns .  I n  order  to  pr e ve nt  the  fail ing   eco nom y  the  ba nks  deci de  to   le nd  m on ey   to  save  the  com pan ie s  go i ng   ba nkr up t.  T hey  ta ke   adv a ntage  of  the  sit uation  le ading   t o  incr ease d  will fu l  def a ults, brin ging t he  e conom y back  t o  the  sam e statu s.    It  has  bee n  obs erv e d  that  t here  is  a  risin g  tre nd   i n  NPAs,  es pecial ly   in  publ ic   sect or   ba nk s.  The re  a re   sever al   cau ses  for  this  and   th ere  is  a  stron g  eviden ce  f or  def i ning  the  re la ti on   betwee n  fr au d  an d  NPA  [5 ] .   RB I  data  obta ined  t hro ugh  R TI  re quest   ind i cat e  that  8670   loan  fr a ud   ca s es  am ou nting   Rs.  612.6  bill ion   a re   recorde d ov e r  la st five f ina nci al  yea rs.  Th ese  f ra ud s a re r e fe rr in g  to case s w he re bo rrow e r  delibe ratel y tr ie s t o  deceive t he ba nk and  does  no t rep ay  t he  loa n  am ou nt  [ 6].   NPA  is  a  m ajor  issue  face d  by   al l  co m m erci al   banks  as   the   ba nk s  are  c on siderin g  l o an  a dv a nces  a s  rev e nue  gen e ra ti ng   asset .  Qu a li ty   of   this  a ss et   nee d  to   be   t aken  care   to   im pr ov e  t he  prof it abili ty   of  fi nan ci al   insti tuti on s,  a nd u lt im at e ly  f i nan ci al  cli m a te  of  t he  eco nom y as a whole. In th is re ga rd  e arly  d et ect ion   of   N P A   is  a  big   reli ef  f or   s uch   a  m ajor  pro blem   face d  by  al l  finan c ia l  insti tuti on s.   Wh il e  analy zi ng   the  sce na rio,   it   is   no t   just  t he  poor  eco nom ic   c onditi ons  that   r esulte d  i n  NPA,  but  delibera te   def a ults  have  al so  res ulted  in  hu ge   piled  up  of  N P A.   He nce ,  m or e  e m ph asi s  on  identif yi ng  wil lful  de fau lt   is  the  nee d  of  the  hour.  T he  obj e ct ive   of   t his  pap e r  i s  to  bu il d  a  da ta   m od el   f or  e arly   detect ion  of   t he  will fu l  def a ult.  T he  proces s  of  cl ass ify ing   will fu l  def a ult  involves  co ns i der i ng   va rio us  cat egories  of   par am et ers  su c h  as  fina ncia l,  per s onal ,  s ocia l  et c.  The  data  to   ca pture  these   pa r a m et ers  cou l d  be  str uctu re d,   un st ru ct ur e d  a nd  nee ds  co ntinuo us   a naly sis.  Als o,   the  data  nee d  t o  be  ca ptured  from   var io us   s ources  w hich  are  cal le d  as   Heter og e ne ou s   sources .  Hen c e,  Bi g  data  te chnolo gy   is  us ed  to  de sign   a  data  m od el   w her e  the  s iz e,  var ie ty   an d  com plexity   of   data  can  be  ha nd l e d  eff ect ively   [7 ] .  Var i ou s  cl as sific at ion   al go rithm s  are  design e d  us i ng   bi g  data  ap pro ach  to  eval uate  the  cl assifi cat ion   da ta   m od el  fo r p red ic ti on  of   ear ly  stages of  NP As.   The  rest  of  the   pa per   is  orga ni zed  as  f ollo ws .  Sect io n  2  dis cusses  a bout  t he   bac kgrou nd  of   t he  work  with  re sp ect   to  natio nal   an d  inter na ti on al   scen ari o  a nd   li te rart ur e  rev ie w.  Sect ion   3  descr i bes   par am et erizat i on   process  an d  data  m od el   fo r  np a/ will fu l  defualt   inde ntific at ion .  S ect ion   4  ex pla ins  the   fr am ewo r k  for   NPA/wil lf ul  def a ult  ide ntific at ion .  The   va li dation  proces s  of  fr am ewo r k  a nd  eval uation  of   pr e dicti on m od el  is ex plained   in Secti on  5.   S eci on   6 d rw as   con cl us io n.       2.   BACKG ROU ND   Ther e   are  sev eral  poli ci es,  s chem es  wh ic h  the  la w  a ge nc ie s  hav e   set   up  to  deal  wit h  the  fall ing  econom y  of   th e  co un t ry.  T he   exten sive  li te r at ur e  s urvey  ha s  bee n  ca rr ie d  out  f or  stu dying  the  NPA  sc enar i o  in  India  as  w el l  as  in   var io us   ot her   c ount ries  [8 - 10 ] .  Also ,  the  st udy  has  bee n  done   to  identify   va rio us   par am et ers  w hich  a re  us ef ul for NP A  i de ntific at ion  pr ocess .     2.1.     Int er natio na l   scen ario   China  rece ntly   has  250  m il l i on   do ll ar s  of  bad   de bt.  The se  are  m a inly   the  loans  t hat  are  directl y   relat ed  to  real  est at e,  us ed  t o  dev el op   t he  inf rastr uctu re.  The  sta te   of   t he   NPA  is  du e  to  poli ti cal   and   so ci al   i m plica ti on s,  le gal  im ped i m e nts,  bank ruptc y  la ws,   r eal   est at e.  Ital y  al so   f aced  207  bill ion   do ll ar  ba d  de bt  du e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   3 7 8 6   -   3 7 9 7   3788   to  real  est at e.  Ba d  de bts  al on g  with  natio nal  deb ts  inc urre d  huge  fi nan c ia l   crisi s  for  the  c ountry.  Howe ve r  as  it  is p art  of the  Euroz on e , it w as sav e d by  bailout  fun ds   pro vi ded  t o recapit al iz e b an ks .     Russia  acco unts  up   to  9.1 6%   NP A  rati o  of   the  total   lo ans.   It  is  beca us e  the  co untr y  is  m os tly   dep e ndent  on   oil  and   gas  ex ports .  Wh e n  gl ob al   oil  pri ces   crash e d  do wn,  it   m ark ed  col la ps e  of   R us si a’s  oil  and  ga s  in dust ries.  In  tu rn,  ba nks  a pprove d  loan s  to   re sc ue  th e  ec onomy .  H ow e ve r  th e  sancti one d  m on ey  nev e r  cam e  ba ck  le adin g  to  the  fina ncial   cr isi s.  Adding  to   it s  econ om ic   sancti on s  i m posed  by  Am erica  and   oth e r  E uro pean co un t ries cau s ed  sl owd own  i n  ec onom ic  g r ow t h.   Sp ai n  face d  de bt/housi ng  cris is  of  unpaid   lo ans  i n  2008.   But  G over nm ent  pro vid e d  fix   t o  t he  iss ue   qu ic kly  with  r e m edial   m eas ur es .  As  a  res ult,  the  ba d  de bt  decr ea sed   fr om   6. 09%  in  2016  to  5. 7%  in    Ju ne   20 17.  I r el and   is  facin g  the  NPA  is su e  du e   to  ec onom ic   slow dow n.  It  has  s et   up   Nati ona l  Asset   Ma nag em ent  Ag e ncy  for  in so lve ncy  ser vices  to  su pp or t   real  est at e  an d  hous i ng   debt or s.  T hese  re m edial   m easur es  hav e   droppe d  c ount ry’ s  ba d  loa n  rati o  f ro m   27%  in  20 13   t o  14.2   pe rcen t  i n  20 16.    T his  tren d  is  con t rib uting t o succes s whic h ca n be att ri bu t ed  to  s uccessfu l deb t  restr uctu rin g program s.     2.2.     India n  sce na r io   In   Indian  fina ncial   sect or   duri ng   2017,  t he   m os t  discusse d  to pics  are   GS T ,  dem onet iz at ion   an d  NPAs.  NPA  ha s  le d  to  al m os t  10 %  of   t he  loans  im pacti ng   ar ound  9  la kh  cr or e ,  af fecti ng   India n  eco no m y  neg at ively .  RB I  is  the   I nd ia n  bankin g  i ns ti tu te   wh ic h  c oor di n at es  an d  regulat es  the  act iv it ie s  of   the   ba nks  i n  Indian  eco nom y.    Ma j or c halle ng es f ace d by RB I  are  m entione d  as  foll ows [3 ] :   a.   NPA:  As  e xpla ined  ea rlie r,   NPA  is  the  i ndic at or   to  i den ti fy  the  sta tus  of  the  co rpo rate  loans  w hich  a r e  no t  r eg ularly   s et tl ed  and   c re at es  finan ci al   crisi s  for  ba nk s  as  well   as  f or   c om pan y.  NPAs  af fect  the   fina ncial   growt h  of   the  bank   and   he nce  de cl ines  the  eco no m ic   con diti on   of   the  c ountry.  I n  orde r  to   ta ckle this,  I ndia n  go vernm ent h as ta ken m a ny init ia ti ves.     1)   Tem po rar y reli ef  of   s eve ral th ou s an d  c rores   2)   Sp eci al  cou rts  to d eal   with  com pan ie s h avi ng  bad loa ns   3)   Re du ce d  i ntere st rates   4)   Me rg e r of   ba nks t o  re duce  burd e n of ba d  l oa ns   b.   Ba nk  Fr a uds  a nd  Cy ber  T hreat s:  Ba nk   fr a ud s   a nd  cy ber - at ta cks  on  fi na ncial   tran sact ion s   are  il le ga l   m eans  of  obta inin g  the  m on e y  or   asset s  es pe ci al ly   fr om   ban k.  O ne  way  to  obta in  m on e y  fr om   a  bank  is  to  ta ke  out  a  lo an,  w hic h  ba nk ers  are  m or e  th an  will ing   t o  e ncou rag e  if  t he y  hav e g oo d  re aso n  to  belie ve  that  the  m on ey   will  be  rep a id  in  fu ll   with   interest .  A  fraudulent  loa n,  ho w eve r,   is  one  in  wh ic h  th e   borro wer   is  a  bu si ness  e ntit y  con tr olled  by  a  dishon e st  ba nk   officer  or   a n  accom plice .  The  "b orr ow e r "  then  declares  ba nkr up tc y  or  va nish es  a nd  th e  m on ey   is  gone.   T he  bor r ower  m ay   even   be  a  non - existe nt  entit y  and   the  loan  m erely   an  arti fice  to  con c eal   a  theft  of   a  la rg e  su m   of   m on ey   f ro m   the  bank.   T his  can   al so   be  see n  as  a co m ponen t   within m or tga ge  f ra ud.    To d ay ' s  ro bb e rs  are  doin g  rob ber y  be hind  the  inter net  us ing   ta r gete d  an d  soph ist ic at ed   cy ber crim e  tacti cs.  So m e  of   the  e xam ple  at ta cks  are  phishi ng,  Ca r ba nak   m al war e,   SQ L  i nj ect i on  at ta cks,   a nd  at ta cks  on   bank   database,  cre dit  card s  an d  on   on li ne  fi na ncial   tr ansacti on s .  IT  te am s   at   banks  have  inc reased  protect ion   of   c us t om er   data  an d  lim ited  cre dit  card   f raud,  bu t  the  s ecur it y  of   m os t  banks'  inter nal  syst e m s sti l l need  to  b e  im pr oved .   c.   In c rease  in  e xc ess  li qu i dity :   The  inc rease  of   pe nalty   rate  will   increase  the   interest   rates  an d  exce s s   reserve  owne d  by  ba nks.  T her e fore,  t he  total   li qu idit y  in  eco nom y  will   increase  rap i dly  without   involvin g  poli cy   rate  reducti on   m echan ism   (lo os e  m on et ary  poli cy ),   just   wh e n  t he  li qu idit y  sh ould  be   restrict ed.   T he  reason  be hind  in crease  in  ex c ess  li qu idit y  in  bank  is  the  econom ic   con diti on   wh ic h  is  in   li qu idit y  trap.  Liqu idit y  trap  is  a  con diti on   wh e re  retu rn   f ro m   ban ki ng   loa n  is  too  s m al l   to  cov e r   interm ediat ion  co st and   banks  g et  h igh e r  yi eld  in  reserves th an  giv i ng  loa ns. In  thi s cond it i on, expan si ve   m on et ary  po li cy   will   on ly   cau se  increase  i n  e xcess  reserves.   Du e  t o  inc reas e  in  li qu i dity ,  f inancial   crisi s   are  inc reasin g  i n  the  ba nk s  wh ic h  le ads  t o  we aken i ng the  dom est ic  cu rr en c y wit h  res pect t o  inter natio nal  currencies .     2.3.     Li tera tu re  re view   In   Indian  fina ncial   sect or   duri ng   2017,  t he   m os t  discusse d  to pics  are   GS T ,  dem onet iz at ion   an d  NPAs.  NPA  ha s  le d  to  al m os t  10 %  of   t he  loans  im pacti ng   ar ound  9  la kh  cr or e ,  af fecti ng   India n  eco no m y  neg at ively .  RB I  is  the   I nd ia n  bankin g  i ns ti tu te   w hic h  c oor di nates  an d  regulat es  the  act iv it ie s  of   the   ba nks  i n  Indian   eco no m y.   Charan  a nd  Bra r  [ 11]   hav e   prese nted  a  st udy  on  stressed   asset s   in  India.  T he y  hav e   m entioned   a bo ut  identific at io n  of  num ber   of  facto rs  that  le ad  to  this  sit uation.  T hey  ha ve  ide ntifie d  broa d  cat egories  of   t he  reas ons  su c h  as  stress  f or   global  slow   down,  gove r nan c e  relat ed  iss ue s,  po li ti cal   factor s  as   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Framew or k  to pre dict N PA/W il lf ul d ef au lt s i n  c orpo r ate lo an s : a  big d ata a pp r oac h   ( Gir ij a  Att igeri )   3789   well   as  m a li nt entions  an d  m i sco nduct.  T he y  al so   em ph asi ze  need   f or   e xtensiv e  researc h  into  t he  fact or s  t hat   cause  deteri or a ti ng  asset  qual it y i n  public sec tor ba nk s .   In   the  stu dy  on  fr a uds  in  the   In dia n  Ba nkin g  Ind us try   by  Chara n  et .  al .,  they   us ed  inter view  base d  appr oach   to  id entify   the  reas on s  for  fr a uds  in  bankin g  sec tor  [ 5].  They  m ention  the  m ai n  factors  as  la ck  of  su pe r visio n  f r om   the  m ana gem ent,  la ck  of   in centi ve  m echan ism s  fo r  em plo ye es,   non - c oope rati ve  sta f f,  corp or at e  bor r ow e rs  a nd  thi rd   pa rty   age nc ie s  et c.  O ne  ver y  im po rtant   thin g  note d  is  abse nce  of  strong  regulat or y  syst e m  an d  a bs e nc e of to ols a nd techn i qu e s to  det ect  early  w ar ning si gn al s.   Ba rd a n  a nd   M ukhrjee  [ 7]  dea l  with  will f ul  de fau lt   an d  it s  i m pl ic at ion s  f or  prof i ta bili ty   a nd   decisi on - m aking   proces s  of   t he  loa ns   a t  banks.   They  exam ine  the  cases  w her e  t he  borro wer   def a ults  will fu ll y  by   unde r   repor ti ng   it s  c ash  flo w.  I n  t he   analy sis  they   m ention  it   is  necessa ry  f or  t he  regulat or  t o  ch oose  l ow e r   loa n   capaci ty   to  avoi d   NPA  le vels  at   the  ban k  du e   to  will fu l  def a ult.  Howe ver ,  i t  will   exer t  sink in g  pr e ssure  on  the  prof it   le vel  of  t he  bank.  He nc e  it   will   face  a  trade - off  betw een  gr eat er   inc idence  of  will fu l  de fa ult  an d  highe r   prof it   of   t he  ba nk.  T hey  al so  e m ph asi ze  that   the   rea son  for   increasi ng  wil lful  de fa ult  is  weak  m on it or i ng  an d  su pe r visio n  syst e m ,  po or  ba nkr uptc y  la ws  in  de velo ping  c ountries  li ke  I nd ia .  All  these  giv e  op portu ni ty   fo r  the bo rrow e r  t o wil lfully  d e f ault t he  l oan.   The  researc h  pa per s   [ 12 - 16 ]   s how  t hat  the  ri sk s  t he  banks  f ace  an d  def a ult  be hav i or  we re   chall en ges   even   tw o  deca des  be fore,  howev e r  with  the   new   te ch no l ogie s  at   hand  ch al le ng es  ha ve  beco m e  m or e  diff ic ult  to  ad dr es s.  As   per   t he  li te ratur e  st ud y  a nd  national  a nd  inter national  sc enar i os ,  t he  ai m   of   the  w ork   is  to   def i ne  the   sta ndar d  process   to   identify   t he  pa ram et ers  wh ic h  ca n  be  us e d  f or   e arly   detect i on  of  fr a ud  be hav i or  and f ur t her hel pful fo r  early  i den ti ficat io n of NP As/ W il lf ul  def a ult.    The o bj ect ive s  of the  pro pose d  a ppr oach to i den ti fy  NPAs/ W i ll f ul  def a ult are as  foll ows   a.   Unde rstan d  the  loan p r ocess   b.   Id e ntify data  param et ers  fo r  e arly  iden ti ficat ion o f wil lful  de fau lt ers  or  NPAs   c.   Id e ntify s uitable  technolo gy a nd d e velo p  m od el  and al gorithm s f or w il lful  d e fau lt  ide ntif ic at ion       3.   PARA METE RIZ ATION  P ROEC E SS  F OR NP A/WIL LFUL DE FU ALT IN DE N TIFIC ATIO N   The  process   of  loa n  sa nctio ning  a fter  the   re qu est   f or   l oan  ti ll   the  co m ple ti on   of  it   is  sho wn  i n    Figure  1.  Th e  m ai n  i m po rtant  blo c k  of   the  loan  pro cess  is  m on it or i ng   the  fina ncial   healt h  of  the   corp or at e/ cu st om er  in  orde r   to  underst an d  the  f ra ud  or  will fu l  beh a vi or.  Mo nito rin g  fina ncial   heal th  nee d  var i ou s   pa ram et ers  w hich   ar e  cl os el y  ass oc ia te d  with   th e  pur pose.  He nce  the re  is   a  requirem ent  to   de fine   sta nd a rd  pro ce ss  to  i den ti fy  pa ram et ers  wh ic h  will   be  us e f ul   to  de fine  t he  data  m od el   f or  early   predict ion  of  fr a uds, wil lful  def a ults an d f urt her N PA s .           Fig ure  1. Loa n  sancti on a nd re cov e ry  proces s       Param et erizat i on  pr ocess  is   the  im po rtant   proces s  of  ide ntifyi ng   es sentia l  an d  c riti cal   pa ram et ers  for   carryin g  out  a  par ti cula r  a naly ti cal   ta sk   and   c om ing  ou t  with  va luable  ou tc ome .  For  will fu l  def a ult  identific at ion   i n  the  l oan   sce nar i o  the  proc ess  is  def i ne d  and   is  s how n  i n  Fig ure  2.  T he   process  sta rts  with   identify in g  s ources   that  help   to  unde rstan d  the   var i ous  te rm ino log ie s  of  the  l oan  an d  causes  of  NPA  a nd   there by w il lf ul d e fau lt .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   3 7 8 6   -   3 7 9 7   3790   The  de fine d  pa ram et erization   proce ss  co nsi der s  the  par a m et ers  fr om   diff e ren t  s ources   su ch  a s  RB I   do c um ent,  li ter at ur e ,  case  a naly sis  repor ts ,  br ai ns to rm ing   sessio n,   ba nk   docu m ents  and   s o  on.  These   par am et ers  are  huge  an d  unstruct ur e d  an d  he nce  nee d  to  be   cl assifi ed  into  broa d  cat egories  to  further   captu re   sp eci fic  pa ram et ers  for  eac h  cat ego ry  al on g  with  the  ra ng e s.  T he  pro cess  is  dynam ic   in  natur e ,  c ov e rs   par am et ers  rela te d  to   fr a ud a nd ide ntifie s t he  ch a ng e  in ra nges as  per the ca te gories.           Figure  2. Para m et erizat ion  p r ocess       Accor ding  to  RB I  ci rcu la r  R BI/201 5 - 16/1 00  [ 17 ]   a  will f ul   def ault  is  co ns ide red   t o  oc cur   in  a ny  of  the foll owin g  f our  case s:   a.   Wh e n  the re  is  a  def a ult  in  re paym ent  ob li gations   by  the  bor rowe r  unit   to  the  fina ncial   i ns ti tuti on s  e ve n  wh e n  it   has  th e  capaci ty   to  ho no r  the  sai d  obli gations.  Th e re  is  deliberate   intenti on   of  not  rep ay in g  the  loan.   b.   The  f unds  are n ot u ti li zed  for   the  sp eci fic  pu rpose  inte nded  fo r  w hich  fina nce  wa s  avail e d  but  ha ve  bee n  div e rted fo r ot her p urp os es.   c.   Wh e n  t he  f un ds   hav e   bee n  t app e d  off  a nd  no t  bee n  util iz ed  f or  the  pur po s e  f or  w hic h  it   was  a vaile d.   Fu rt her,  no ass et s ar e a vaila bl e whic h j us ti fy the  us a ge of f unds .   d.   Asset  bought  by  th e len der s ’ f unds   ha ve bee n  s old o ff with ou t t he kno wledg e  of t he  le nd er.   Also   in  cases  wh e re  a  le tt er  of   c om fo rt  or   gu a ra ntees  are  furn is he d  by  gro up  com pan ie s  of   will f ully   def a ulti ng   unit s,  these  obli ga ti on s  a re  not  hono red   w hen   t hey  are  i nvok ed  by  t he  le nd er,  the n  s uc h  gro up   com pan ie s ar e   al so  c on si der e d  to  b e  w il lf ul  def a ulters.   RB I  sug gests  i n  it s  doc um ent  on  data  sta ndar dizat ion  [ 3,  6]  that,  t her e   is  a  data  re quirem ent  for  pro per   super vi sion.  T he  data   is  broa dly  di vid e d  int o  tw o  gro up s   1)  Data  s ub m it te d  by  ba nks  2)  D at a  gen e rated  or   c om piled  by  the  su pe rv is or.   Furtherm or e,  data  can  al so   hav e  oth e r  char act e r ist ic s  wh ic h  ne ed  to  be  co ns ide red.   Table  1  sh ow s  these  con si de rati on s  s ugge ste d  by  RB I.   Con si der i ng   th e  data  sta nd ar dizat ion  requirem ent  of  RB I  and   i ncr e asi ng   c oncer n  of   l oan   fr a uds  com m it te d,   the  obj ect ive  of   t he  stu dy  em ph asi zes  to d e fine  the  se t of pa ram et ers  w hich help  to dete ct  w il lful  de fau lt   beh a vior  and  bu il d a  da ta   m od el .    In   orde r  to  unde rstan d  the  us e fu l ness of  t he  r equ i red   pa ram et ers,  brai nst orm ing  sessio n was arra nge d  with  ba nk   e xperts,  com pan y  offici al s,  loan  su pe r visors  an d  fina ncial   bro ker s .  The  disc us sio n  ha ppen ed  on   scenari os   with  resp ect   to  ba nks,  com pan ie s  who  are  ta ki ng  loans,   an d  ot he r  fina ncial   scenari os .  T his  session  was  ext rem e l y  us ef ul  to  obt ai n  init ia l  br oa d  set   of   p ar a m et ers  to  beg i n  the  pr ocess,  These  are  s how n  in     Figure  3.   Af te r   ide ntifyi ng  init ia l  le vel  of  pa ram et ers  as  pe r  br ai ns t or m ing   sessi on,  f ur t her   m any  par am et ers  are  ide ntifie d  by   le arn in g  case   stu dies,  t he  li te rat ur e   s urvey  and  discuss i on  with   the   dom a in  e xp e rt.  Ba se d  on   al l  these  inputs   an d  stu dies,  t he   identifie d  pa r a m et ers  as  earl y  ind ic at ors  ar e  gro up e d  i nto  six  gr oups   as   s how n  in Figu re  4.           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Framew or k  to pre dict N PA/W il lf ul d ef au lt s i n  c orpo r ate lo an s : a  big d ata a pp r oac h   ( Gir ij a  Att igeri )   3791       Figure  3. I niti al  Brainsto rm ing   par am et ers           Figure  4. Br oa d  gro up s  of ea r ly  ind ic at ors       Table  1.   G uid e li nes  sug gested  b y R BI  for s uper visio n   Data Type   Su b m itted  b y  Ban k   Gen erate d /Co m p il ed  by  Su p ervis o r   Structu red   Nu m eric al/   Fin an cial   1 )  DSB Retu rns ( X BR L)   7 )  Stan d ard Ann ex es as p art  o f  on site in sp ectio n   2 )  Fraud  Retu rns   8 )  Ass ess m en t of  key  f in an cial/capit al  inclu d in g   v alid atio n /re - ass ess m en t of  RBS risk k  data f u rnis h ed   b y  ban k   3 )  FID  Retu rns   9 )Sores f o r  ag g regatio n s o f  vario u s ri sk s as p art  o f   IRISc  m o d el   4 )  RB S Risk  Data   (Data  Co llecto r  Ap p licatio n )   1 0 )  The m atic /Sect o r/I n d u stry /o th er  b an k - wid e stu d ies   5 )  Fin an cial Co n g lo m erate  Retu rn ( E x cel)     6 )  Ad  ho c data ( Da ta Co llecto r  Ap p lic atio n )       Textu al   1 1 )  RB S Co n trol g ap  inf o r m atio n (D a ta Co llecto r  Ap p licatio n )   1 3 )  Co m m en ts/ad d itio n al inf o r m atio n  on   Co n trol g ap   an d  Co m p lian ce b y  SS M   1 2 )RBS Co m p lian ce inf o r m atio n  ( Da ta Co llecto r  Ap p licatio n )   1 4 )  Co m m en ts b y   Qu ality   Ass u rance  Div isio n   Un stru ctu red       1 5 )  An n u al Rep o rts   1 9 )  W o rkin g  do cu m e n ts f o r  su p ervis o ry  asses s m en t       1 6 )  Po licy  Docu m en ts   2 0 )  Su p ervis o ry  R ep o rts       1 7 )  Bo ard Minu tes   2 1 )  BFS R ep o rts       1 8 )  Rep o rts of  E x ternal Aud ito rs   2 2 )  Co m m u n icatio n s to  Ban k s   So u rce:  Rep o rt  to  t h e Co m m itte e on   Data a n d  I n f o r m ati o n  M an ag e m en t in  the Res erve Ban k   o f  I n d ia ( 2 0 1 4 ),  RBI             Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   3 7 8 6   -   3 7 9 7   3792   The  at tri bu te s  unde r  eac h of  t he gr oup are  de fine d  as:   1.     Fina ncial   a.     Fina ncial  leve rag e  r at ios  :    i.   Lever a ge  rati os  ind ic at e  fixe d  ex pe ns es  obl igati on s .  Since   the  fixe d  ex pe ns es  are  per i od   cost,  it   sh ould   be  rec overe d  from   the  per iod   i n  w hich  i t  is  incur re d.   Worse ning  le ve ra ge  rati o  in dicat es  that  th e  com pan y i s not  in  the  posit io n t o reco ver it s fi xed   obli gatio ns.   1)   Asset  C ov e rage  Ra ti o:  It  in di cat es  total   bac kup  of  asset s  f or  each   r up e e  of  loa n  raise d.    If  it   is  m or e  than 1 t hen c om pan y ca n  m a nag e  to re pay it s long  te rm  lo ans wit h  e xisti ng assets.      2)   Deb t  E quit y  Ra ti o:  This  ind ic at es  ou tsi der s ’  co ntri buti on   to  ca pital   com par ed  to  ow ner s ’   con t rib ution.  I deal rati o i s  1:1   bu t  sta ndar d i s f ixe d base d on the  gestat io n peri od and se ct or .   3)   Deb t  Se rv ic e  Cov e rag e  Ra ti o:  This  is  cal culat ed  base d  on  interest   pay m ent  and   inter i m   per iod   of  2  intervals.  If t he  r at io is m or e,  loan te rm  sh ould  be  le ss,   if  m or e  yea rs  a re  giv en  the n  it  is a  su s picion   4)   Deb t/ EBIT D A   Ra ti o  :   Deb t  is  co m par ed   with  Earn i ngs  Be fo re  I nter est   Tax  and   Depreci at io n  Asset(E TBD A ),   wh ic h  i nd ic a te s the  burd e n of t he de bt on pr of it   5)   Fixed  As set s  to  Net  Wort h:  This  i nd ic a te s  to  wh at   e xt ent  fi xed  asse t  is  fina nced  by  ow ner s ’  con t rib ution.   6)   In te re st  Cov e r age  Ra ti o  (I C R)  :  In te rest  is  com par ed  with  Ear nings   Be fo re  I nter est   Tax  and  Depreci at ion,  wh ic h  ind ic at es  the  bu r de n  of   the  intere st  on   pro fit,  how  m any  tim es  pr of it   is  su f f ic ie nt to  cover  the i nterest     7)   Lo ng   Te rm   De bt  to  Ca pital izati on   Ra ti o:  It  ind ic at es  that  bor rowe d  f und  in  the  fina ncial   structu re  is   le ss co m par ed   to ow ner s ’ fun d.   It s hould be   le ss than 1.   8)   Current  asset s  current  li abili ty :  This  rati o  i nd ic at es  sho rt  te rm   l iqu idit y.  It  ind ic at es  the  qu al it y  of  work i ng  capit a l.  For  a  m anuf act ur in g  sect or  higher   w orki ng  ca pital   is  essenti al   com par ed  to   ser vice   sect or s   9)   Total   Ex pense  Ra ti o  (TER)  ( Total   ex pen se/   Turn  ov e r) :  T his  in dicat es  the  pro portion   of   the  cost  in   rev e nue. L o we r  rati o i s  bette r i nd ic at or  of   pr of it  m arg in.     ii.   In te re st  to  sal es  rati o:  This  in dicat es  the  pro portio n  of  de bt   cost  to  the  revenu e  ea r ned.  L ow e r  rati o  is  a   bette r  in dicat io n of p rofit abili ty   a.   Credit  rati ng  a gen cy :  Cre dit  rati ng s   are  give n  wh e ne ver   t her e  is   ne w  iss ue  of   se cu riti es  apa rt  f ro m   the co m pan y a s a wh ole. E xa m ple  CR IS IL   s cor e  etc.   b.   Wr it e  offs: I t i nd ic at es  poor c ollec ti on   poli cy  an d ham per  t he pr of it abili ty .   c.   Current  li abili ty   to  fi xed  asse ts  :  Highe r  rati o  in dicat es  higher   ris k  [S ho rt  te rm   fu nd  for   long   te rm   pro j ect s]     2.   Op e rati onal : T hese att rib utes  ind ic at e  op e rati on al  as pects  of a c om pan y.   a.   Delay  in pay m ents to  sup plier s   b.   Delay  in pay m ents fr om  the cu stom ers    c.   Losing c us t ome rs    d.   Sudd e n  c ha ng e s in  t he  s uppliers,  buye rs    e.   Fr e qu e nt c hanges i n  the  busi ness  m od el     3.   Ad m inist rati ve   a.   Dive rsion  of  f unds :  Th e  loa n  am ou nt  is  be ing   us ed  for  pur po se  oth e r  than  f or  w hich  loa n  was   sancti oned  or t he  am ou nt is  d i ver te d  f or  per s on al   gain .   b.   Lack  of  co ope rati on   f r om   the  key  per s onne l:   If   the  ke y  per s onnel  is  avo i ding  the  di scussion  with   fina ncial  instit ution o r has  ne gative  ou tl ook.   c.   Chan ges  in  ad m inist rator s  f r equ e ntly :  This   ind ic at es  the   pro blem   with   the  com pan y   if  there  is   fr e qu e nt c hang e in the  ad m inist rati ve  posit io ns .   4.   Ind us try   a.   Decli ne  in  th e   bu si ness g rowt h      b.   Chan ge  in  i ndus try   re gula ti on s  af fect  the  prof it abili ty   of  the  com pan y.   It  can  be  m on it or e d  by   analy sis o f ne ws  a rtic le s   c.   In c rease i n  c ost  o f  the  raw m a te rial s   d.   Em erg ing  m ark et s,  c om petit i ve  c om pan y pe rfor m ance also  aff ect  t he pr of it abili ty  o f  the  com pan y.   e.   Chan ge  in  c ust om er  beh avio r  with  res pect  to  segm ent:  It  can  obse rv e d  that  if  a  custo m er  segm ent  changes  the n  it   has  ad ver se  e f fect  on   t he  co m pan y.  It  can  be  stu died  f r om   br oker  a naly sis  of   A nnual   repor ts .   5.   So ci al   a.   So ci al  b e ha vior a nd li fe  sty le  o f  the c om pany  o f fici al s   b.   Investm ent p at te rn   of the c om pan y   c.   Ex pen se s r el at ed  to  tra vel and  oth e r  re quire m ents   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Framew or k  to pre dict N PA/W il lf ul d ef au lt s i n  c orpo r ate lo an s : a  big d ata a pp r oac h   ( Gir ij a  Att igeri )   3793   d.   Key  pe rs on al   ou tl oo k,   direct or   of  the  c ompany  is  res ponsi ble  f or   l oan   process  w hich   is  ta ken   f or   bu si ness/c orporate re qu i rem e nts   e.   So ci al  b e ha v io r of  t he direct ors  of  m anag em ent p e ople  ca n be  ob ta ine d  t hroug h  s ocial  m e dia posts   6.   Ba nk : T he re a r e seve ral p a ra m et ers  wh ic h B ank s  m ai ntain   for  eac h  loa n, so m e o f  them  are  li ste d bel ow.    a.   Pu r pose  of the   loan    b.   Past l oa n  sta tu s   c.   Ann ual Inc ome   d.   Gr a de of  the l oa n   e.   Credit sc or e   f.   delinqe ncies   g.   delay  in pay m e nts   Ap a rt  f ro m   these  pa ram et ers,   Com pan ie s  A udit or’s  Re port  Order  (C ARO )   can  be  c onsid ered   as  the   m ast er  do cum ent  to  analy se   the  par am et ers  m entioned   in .  Fo r  in sta nce  if  the  CARO  re port  say s  the  asset s  are  no t  validat ed,   t hen   it   is  a  nega ti ve  ind ic at or.  The n  asset   rati os   nee d  no t  be  consi der e d  e ve n  if  they   lo ok   good.   Com pan ie s  Act,  2003   require s  that  the  aud it or’s  re port  of   s pe ci fied  c om pan ie s  shou l d  in cl ud e  a  sta teme nt  on   the  pr esc ribe d  m at te rs.   These   repor ti ng  re quirem ents  hav e  been   pr esc ribe d  unde r  the  Com pan ie s  (Au ditor’s   Re port)  O r der ,   2016.   CAR O  repor t  has  inf orm ation   on    Fixed   Asset ,    I nvent or y ,    L oan  giv e n  by  Co m pan y ,    L oa n  to  direct or   an d  in vestm ent  by  the  com pan y ,    De posit s ,    Cost  Re cor ds ,    Stat uto ry  Du es ,    Re paym ent  of   Loa n ,    Util iz at ion   of   IPO   and  f ur t her   public  offe r ,    Re portin g  of   Fr a ud ,    A pp roval  of  m anag erial   rem un erati on ,    Nidh i  Com pan y ,    Re la te d  Party   Tran sact io n ,    Pr ivate   Pla ce m ent  of   Pr e f eren ti al   Issu e s ,    No n  Ca sh   T ra ns act ion ,    Re gister   unde r  RB I  Act  1934 .   This   in f or m at ion   al so  need  to   be   c onsidere d  as   po t entia l  par am et ers  f or  identific at io n  of  N PA s   ba se d  on  pre - loa n  and  post - l oa n  pe r form ance  analy sis  of  the   sa m e.   The  pre - l oan   and   post - loa n  perform ance  analy sis  of   the  par am et ers  m e ntion e d  a bove   need   to  be  done  to   unde rstan d  th e  patte rn   of   perform ance.  If   po st - loa n  perform ance  decli ned   a s  c om par ed  to  pre - loa n  perform ance  then  it   is  a  neg at ive  ind ic at or.  Howe ver,  co ntinuous  m on it ori ng   of   the  l oan  is  req ui red   for   early   detect ion o f  th e w il lful  defaul t beh a vior.     Con si der i ng  al l  the  a bove   br oad  groups ,  th e  pa ram et eriza ti on   process   i s  car ried   out  t o  i den ti fy   eff ect ive p a ra m et ers  for  data  m od el .  For  ea ch  par am et er  su it able  data   ty pe  a nd  ra nge or  va lue  i nd ic at ing  go od   loan  are  i den ti f ie d.   The  pa ram et ers,   data  ty pe   and   values  a re   sh ow n  in  Ta ble  2.   T he  pa ram et erizat ion   pro cess   fo ll owe d  to   ide ntify  the  par am et ers  is  un i qu e   and  ef fecti ve  a s  al l  aspects  a nd  sce nar i os   relat ed  to  l oan  pr ocess   hav e  been   ta ke n  into  co ns i derat ion   w hile  def inin g  the  final   li st   of   par am et ers.   He nce,  th e  pr oc ess  is  hig hl y   feasible  to   im ple m ent  with  th e  help   of  Inf orm at ion   an d  C om m un ic at ion   Tech no l og ie s   ( ICT).  As   the   num ber   of   ba nk s   an d  c om pan ie s  are  i ncr easi ng  an d  al so   num ber   of   loans  i ncr ea sing,  the  data  ca pturin g  an d  a na ly sis   process  for  al l  these  pa ram et e rs  is  not  able  t o  be  im ple m ented  us i ng   t rad it ion al   ICT .  F ur t her,  pa per  desc ribes   the b i g data  ba sed n ov el   fr am ewor k desig ne d for loa n p ro c ess and  d at a a na ly sis.        4.   FRAMEW O RK FO R NP A/WILL FUL   DEFA ULT I D ENTIFIC ATI ON   The  pa ram et erizat ion   proces s  fo ll owe d  to  identify   the  pa ram et ers  is  un iq ue  an d  e ff e ct ive  as  al l   aspects  a nd  sc enar i os   relat ed   to  l oan  proc es s  ha ve  bee n  ta ken  into   c on si der at io n  w hile  def i nin g  the   fi nal  li st  of   par am et ers.   Hen ce ,  the  process  is  highly   feasible  to  im ple m ent  with  the  help   of   Inform at i on   a nd   Com m un ic at io n  Tec hnologie s  (I CT ).   As  the   nu m ber   of  ba nk s  a nd  com pa nies  are  inc rea sing   a nd   al s o  num ber   of   lo ans  i ncr e asi ng,  the  da ta   captu rin g  a nd   a naly sis  process  f or  al l  these  pa ram et e rs  is  not  able   to  be   i m ple m ented  usi ng   t rad it io nal  ICT.  Furthe r,   pap e r  desc ribe s  the  big   data  ba sed  novel  fr a m ewo r k  desig ned  f or   loan p ro ces s a nd d at a a naly sis.    A  no vel  fr am ewor k  f or   NPA/ W il lful  default   identif ic at ion   is  de si gne d  an d  is  re presented  i n    Figure  5.  T his   fr am ework  m ai nly  pro vid es   te ch nical   so l ut ion   t o  handle   the  c om plete   loan   proce ss  s ta ring  from   sancti on ing  to  ea rly   ide ntific at ion   of  the  will fu l  de fa ult.  F or   t his  pr ocess  al l  the  pa ram et ers  req ui red   for   early   detect ion  of  N PA / will ful   def a ult  are  i de ntifie d  t hroug h  data  pa ram eter iz at ion   proce ss.  T hese  par a m et ers  need   t o  be  c ollec te d  at   the  lo an  ap pro val  le vel  an d  the n  c on ti nu ous  m on it or in g  has  t o  be  do ne  unti l  loan  is  com plete d.   Durin g  m on it or in g  the  patte r n  of  loan  paym ent,  transacti ons  carried  out,  be hav i or al   a nd   s ocial   trai ts  are  analy zed  and   if  th e  patte rn   is  not  no rm al   it   is  identifie d  as  outl ie r  beh a vior   and   he nce  po ssible  def a ult case .  T his  process is  c arr ie d o ut lo ng it ud inall y u ntil  the loa n  is   f ully  p ai d o r decl ared as  NPA.    Accor ding  to  E \ &Y  s urvey  [ 1 8 ]   early   wa rni ng   sig ns   to  i de ntify  def a ults   m us t  le ver age   te chnolo gy   and   data  analy ti cal   capab il it ies.   On ly   te ch nolog y  can  bri ng   rev ol utio nar y  sh ift  in  NPA  m anag em ent  i n  India.   Assistance   of  Au t om at ed  so luti ons  in   data   a naly sis  can   ena ble  early   i nd ic at or s  t hat  will   gen e rate  al erts   before   the sit uatio n be com es w orse.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   3 7 8 6   -   3 7 9 7   3794   Table  2 .   Param et ers  ide ntifie d f or  t he data  m od el   Sl no .   Featu re  N a m e   Valu es   Ideal Values   1   Ass et Co v erage Ra tio   ratio   >1   2   Deb t  Equ ity  Ra tio   ratio   1 :0 1   3   Deb t Ser v ice  Co v erage Ratio   ratio   I.5   4   Deb t/EBIT DA Rat io   ratio   <1   5   Fix ed  Assets  to Ne t W o rth   ratio   <1   6   Interest Co v erage  Ratio  ( ICR)   ratio   <1   7   Lon g  T er m   Deb t t o  T o tal Asset Rati o   ratio   <1   8   Cu rr en t assets  cur r en t  liab ility   ratio   >1   9   Total Exp en se Rati o  ( TE R )   ratio   <1   10   Interest to  sales  r at io   ratio   <1   11   Cred it r atin g  agen c y   Ran k in g   Po sitiv e gro wth   12   W rit e of f s   Frequ n cy   Frequ n cy   13   Cu rr en t liability  to f ix ed  assets   ratio   <1   14   Cred ito rs velo city   ratio   1   15   Sto ck  velo city   ratio   1   16   Deb to rs velo city   ratio   1   17   Los s o f  sales   catego rical   lo w   18   Su p p lier’ s lo y alt y   catego rical   h ig h   19   Cu sto m ers  loyalt y   catego rical   h ig h   20   b u sin ess Mod el   catego rical   No   21   Div ersio n  of  f u n d s   Bo o lean  valu e(Ye s/No )   No   22   Ou tlo o k  o f  KM P   Bo o lean  valu e(Goo d /Bab )   Go o d   23   Ad m in istrato r  Tur n o v er   Bo o lean  valu e(M o re/less)   Less   24   AR:In v en to ry  Val u atio n   Bo o lean  ( Do n e/Do u b tful)   Do n e   25   AR:Lo an  sactio n ed   Bo o lean (Goo d /Ba d )   Go o d   26   AR:Statu to ry   Du es   Bo o lean (Yes/No)   No   27   AR:R ep ay m en t of  L o an   Bo o lean (Yes/No)   Yes   28   AR:Man ag erial  r e m u n e ration   Bo o lean (Yes/No)   No   29   AR:Priv ate Pl ace m e n t of  Pr ef erenti al I ss u es   Bo o lean (Yes/No)   No   30   AR:No n  Cash  T ra n sactio n   Bo o lean (Yes/No)   No   31   SL:Purch ase h isto r y   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w   32   SL:I n v est m en t:   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w   33   SL:Social  Lif e   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w   34   SL:T r av el   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w   35   SL:App arels   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w   36   SL:Social/r ef erenc e gro u p s   Bo o lean (High , m o d erate ,  lo w )   Mod erate /lo w           Figure  5.   Fram e work for  NP A/W il lful   d efa u lt   i dent ifica ti on       Bi g  data  te c hnology  is  s uitab le   to  deal  with  data  that  is  not  only   struct ur e d  bu t  i n  a ny  f orm at ,  in  real   tim e.  The  earl y  detect ion   of  will fu l  def a ul t  need s   analy s is  of   unstr uctu red   data  a nd  ge ner at e  al ert.   Hen ce   util iz at ion   of  Bi g  data  te c hnology  is  esse nt ia l.  Su c h  ea rly   wa rn i ng  syst em   with  Bi g  D at a  capa bili ty   help  i n  identify in g  str ess  in  banks  a nd  im pr ov e  l oa n  m anag em ent  li fe  cy cl e.  Further   Bi g  Data  can  be  le ve ra ged  in   loan u nd e r wr it ing decisi on m a king a nd NPA   m anag em ent.    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Framew or k  to pre dict N PA/W il lf ul d ef au lt s i n  c orpo r ate lo an s : a  big d ata a pp r oac h   ( Gir ij a  Att igeri )   3795   Cl assifi cat ion   al gorithm s  are  re quire d  t o  buil d  pr e dicti on  m od el   for  N PA /wil lf ul  de f ault.  He nce  pr e dicti on   al go rithm s  are  i m ple m ented  us i ng  m achine  le ar ning  util iz ing   var i ou s   str uctu red   a nd  un st ruct ur e d   par am et ers.   T he se  m achine  le arn i ng  predict i on  m od el s  are  desig ne d  us in g  m ap  reduce  l o gic  on  ha do op  big   data  platf or m   [19 - 21] .  T he   cl assifi cat ion   al gorit hm s   co ns ide red  are  Nai ve  B ay es  [22],  L og ist ic     Re gr essi on  [ 23] ,  S upport   V ect or   Ma c hin e   [ 24 ] ,   Ne ur al   Netw ork  [25]  and  Ra nd om   fo rest  [ 26 ] .   Th ese  ar e   i m ple m ented  us ing   Ma p - Re duce  te chn i que  of   Bi g  Data  on   Hadoop  Cl us t er.  The  m od el s   are  com par ed  base d  on accu racy  obta ined  a nd the   al gorithm  w it h  best acc ur a cy   is co ns ide red f or predict io n.       5.   EVAL UA TI O N  O F P REDICTIO N   MO D EL S   The  eval uation  of   the  m od el s  is  do ne  co ns i der i ng   str uctu r ed  an d  unstr uc ture d   data.  Str uctre d  data  fiel ds   i nclu de  Loa n  ID ,   Cu stom er  ID ,   Cu rrent  L oan  Am ount,   Te rm   Credit  Sc or e,   A nn ual  I nc om e,  Y ears  i n  current  job,  Hom e O w ner s hip,  Purpose , Mont hly De bt, Year s of Cre dit Hist or y, M onths  since la st  delinquent ,   Nu m ber   of  O pe n  Accou nts,  N um ber   of  Cr edit  Pro blem s,   Current  C red i t  Ba la nce,  Ma xim u m   Op en  Credit,   Ba nkruptci es,  Tax  Lie ns   et c. The  dataset   co m pr ise s  of   a round  t wo  la cs  of  r ows.  U ns tr uc ture d  data  co ns ide r e d  include s  synth esi zed  so ci al   m edia  data.  Senti m ent  analy sis  us ing   A pac he  Hive  i s  do ne  on  this  data  t o  get  so ci al   outl ook  value  [ 27,  28] .  If   this  va lue   is  po sit ive  it   ind ic at es  posit ive  li fe  sty le .  Paym ent  data  is  al so  consi der e d  t o  get  sp e ndin g  pa tt ern s  values .  These  value s  a re  ad de d  to   the   data.  Sp e ndin g  patte rn   a nd  So ci al   ou tl oo k  are  t he   par am et ers  f ro m   Table  2  a nd   a re  synt hes iz ed  f or   t he  pu rpose  of   valida ti on .  T he  ai m   of   t he  m od el   is  Loa n  de fau lt   pr e dic ti on .   For  t his  pur po se   pre dicti on   m od el s  a r e  buil t  us i ng  m achine  le ar ni ng  on  Hado op   a nd  spa rk.  Mult iple  m achine  le arn i ng   m od el s  ar e i m ple m ented.   These  m od el s  are  eval uated  ba sed  on   accuracy  obta ined .  Ma chine   le arn in g  al gorithm s  con side red   f or  bu il din g  pr e dicti on   m od el s  are  Log ist ic   regressio n,  Ne ur al   Netw ork,  Ra ndom   Fo res t,  an d  Naive  B ay es.  The   res ul ts  ob ta i ned   f or   the  m od el   are  sh ow n  in  the  Fi gure  6.   As  dep ic te d  in  the  fig ur e  Neural  net wor k  has  the  high est   accuracy,   hen ce   is  us e d  in  the   process  of  pr e di ct ion  of  NPA  and the re  by wi ll fu l defa ult.           Figure  6.   Eval uation o f  cl assi ficat ion  al gorithm s f or predict ion       6.   CONCL US I O N     Ba nk i n g  is  th e   m ajo r  se r vice  sect or   to  bala nce  the  ec onom y  of   the  co untry .  T he  loa ns  goin g  ba d  intenti onal ly   are  no t  only   affe ct ing   t he  bank’ s   pr of it abili ty   bu t  al s o  ca usi ng  set bac k  f or  the  ec onom y  of  the   country  as   a  w ho le .   Th e  te ch no l og ic al   asse s sm ent  and   s upp ort   f or  early   identific at io n  of  s uch   will fu l  def a ult   is  the  need   of  the  hour.  It  is  i m per at ive  that  custom ers’   en ti re  pr ofi le   including  be ha vioral ,  fina ncial ,  so ci al   par am et ers  hav e  to  be  c ons idere d  an d  m on it ore d.   I n  this  pa per   a  proces s  for  ide ntific at ion   of  crit ic al   par am et ers  is  desig ne d  for  e arly   identific at ion   of  will fu l  def a ult.  This  pa ram et erization   proces s  nee ds  to  be  integrate d  into   the  process  of  loan.   He nce  a   novel  f ram ewo r k  w hich  ta ke s  in  to  acco unt  sta rting   f r om   loan   sancti onin g  ti ll  com pletio n   is  desig ne d.   The  fr am ewo r k  is  bu il t  us in g  big  data  te chn ol ogy  as  it   need s  to  deal  with  both  struc ture d  and   unstructu re d  para m et ers.   In   or der   to  ch oose   the  best  pr ed ic ti on   m od el   in  the   fr am ewo r k  an  exp e rim ent  is  cond ucted.   It  is  carried  out  on   th e  loan  da t a  set   wh ic h  is  structu re d  an d  the   gen e rated  sy nt hetic   un str uct ur e d  data.  Va rio us   cl assifi cat ion   m od el s  are  buil t  us in g  m ap  red uce   and   com par ed  base d  on  the   accu ra cy .  The   res ults show   that neur al   netw ork  has  the  be st  pe rfo r m ance,  a nd  he nce  it   is  i m ple m ented   in  the  f ram ewor k.   The  r esults  al so   in dicat e  that  in  order   to  ide ntify  will fu l  def a ult  un st ru ct ur e d  c om po ne nts  play  a m ajo r  r ole.       Evaluation Warning : The document was created with Spire.PDF for Python.